Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal eProceedings of Engineering
Khairul Luthfi, Naufal
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analisis Efisiensi Cnn Dan Rnn Dalam Klasifikasi Down Syndrome Pada Usia Balita Ramadan, Alfiansyah; Khairul Luthfi, Naufal; Rifqi Althaaf, Muhammad; Pranindito, Dadiek; Hanni Pradana, Zein
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan teknologi kecerdasan buatan,khususnya machine learning, telah membuka peluang barudalam bidang kesehatan, termasuk diagnosis dini Downsyndrome pada balita. Penelitian ini bertujuan menganalisisefisiensi dua model deep learning, yaitu Convolutional NeuralNetwork (CNN) dan Recurrent Neural Network (RNN), dalammengklasifikasikan Down syndrome berdasarkan citra wajah.Metode yang digunakan meliputi pengumpulan data, prapemrosesan citra, pelatihan model, dan evaluasi menggunakanmetrik accuracy, precision, recall, dan F1-score. Hasil penelitianmenunjukkan bahwa CNN mencapai akurasi lebih tinggi(0.9383 pada data pelatihan), namun memiliki keterbatasandalam mendeteksi kasus positif (precision 0.6772, recall 0.7044).Sementara itu, RNN menunjukkan kinerja lebih baik dalammendeteksi Down syndrome (recall 0.9571, F1-score 0.8724),meskipun akurasinya lebih rendah (0.7757). Pada tahap validasidan pengujian, RNN tetap unggul dalam recall (0.9832 dan0.9928), menjadikannya lebih cocok untuk aplikasi medis yangmemprioritaskan deteksi kasus positif. Penelitian inimenyimpulkan bahwa pemilihan model tergantung padakebutuhan: CNN untuk akurasi umum, sedangkan RNN untukdeteksi komprehensif dengan risiko false negative minimal.Temuan ini memberikan kontribusi penting bagipengembangan sistem diagnosis berbasis AI yang lebih akuratdan efisien.Kata kunci— Down syndrome, CNN, RNN, klasifikasicitra, machine learning
Analisis Efisiensi Cnn Dan Rnn Dalam Klasifikasi Down Syndrome Pada Usia Balita Ramadan, Alfiansyah; Khairul Luthfi, Naufal; Rifqi Althaaf, Muhammad; Pranindhito, Dadiek; Hanni Pradana, Zein
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan teknologi kecerdasan buatan, khususnya machine learning, telah membuka peluang baru dalam bidang kesehatan, termasuk diagnosis dini Down syndrome pada balita. Penelitian ini bertujuan menganalisis efisiensi dua model deep learning, yaitu Convolutional Neural Network (CNN) dan Recurrent Neural Network (RNN), dalam mengklasifikasikan Down syndrome berdasarkan citra wajah. Metode yang digunakan meliputi pengumpulan data, prapemrosesan citra, pelatihan model, dan evaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa CNN mencapai akurasi lebih tinggi (0.9383 pada data pelatihan), namun memiliki keterbatasan dalam mendeteksi kasus positif (precision 0.6772, recall 0.7044). Sementara itu, RNN menunjukkan kinerja lebih baik dalam mendeteksi Down syndrome (recall 0.9571, F1-score 0.8724),meskipun akurasinya lebih rendah (0.7757). Pada tahap validasi dan pengujian, RNN tetap unggul dalam recall (0.9832 dan 0.9928), menjadikannya lebih cocok untuk aplikasi medis yang memprioritaskan deteksi kasus positif. Penelitian ini menyimpulkan bahwa pemilihan model tergantung pada kebutuhan: CNN untuk akurasi umum, sedangkan RNN untuk deteksi komprehensif dengan risiko false negative minimal. Temuan ini memberikan kontribusi penting bagipengembangan sistem diagnosis berbasis AI yang lebih akurat dan efisien.Kata kunci— Down syndrome, CNN, RNN, klasifikasi citra, machine learning
Co-Authors Dadiek Pranindito Pradana, Zein Hanni Pranindhito, Dadiek Ramadan, Alfiansyah Rifqi Althaaf, Muhammad