Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Jurnal Bumigora Information Technology (BITe) Prosiding Seminar Riset Mahasiswa
Badie’ah, Badie’ah
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Classification of Atopic Dermatitis and Psoriasis Skin Diseases Using Residual Network (ResNet-50) Mekacahyani, Rakhimatulfitria; Badie’ah, Badie’ah; Much Ibnu Subroto, Imam
Jurnal Bumigora Information Technology (BITe) Vol. 6 No. 2 (2024)
Publisher : Universitas Bumigora

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/bite.v6i2.4164

Abstract

Background: Atopic dermatitis and psoriasis are common skin diseases with similar symptoms, characterized by abnormally red or inflamed epidermal lesions and varying degrees of skin thickening. However, they are distinct conditions, making it crucial to understand how to differentiate between them. This understanding can help reduce stigma and the risk of comorbidities, thereby improving patients' quality of life and preventing more serious health risks. Objective: The aim of this research is to increase accuracy in classifying the skin diseases atopic dermatitis and psoriasis using the Residual Network (ResNet-50) model without overfitting, and compare it with the MobileNet model to find the best approach. Method: The method used in this study is the ResNet-50 architecture for skin disease classification, namely atopic dermatitis and psoriasis. The selection of the ResNet-50 model is based on the use of shortcut connections that allow the application of deeper networks without experiencing the problem of vanishing gradients. Result: The results showed that the best accuracy reached 92.75% for training data and 88.00% for testing data, with a data ratio of 80%:10%:10%. In addition, the confusion matrix results from the best model showed that the precision, recall, and F1 score values ​​for both diseases were between ≥80% and ≤96%. Conclusion: The ResNet-50 method in scenario 1 outperformed other scenarios, improving classification accuracy and enhancing diagnostic effectiveness and medical practice development.
RANCANG BANGUN SISTEM PENGENALAN WAJAH MENGGUNAKAN METODE HAAR CASCADE CLASSIFIER DAN LOCAL BINARY PATTERN HISTOGRAM PADA AKSES MASUK RUANG DOSEN Jalaluddin, Ahmad; Badie’ah, Badie’ah; Mulyono, Sri
Prosiding Seminar Riset Mahasiswa Vol 1, No 1: Maret 2023
Publisher : Universitas Islam Sultan Agung

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

Abstract

Perkembangan teknologi suatu sistem pengamanan akses masuk ruangan telah banyak di temukan di berbagai instansi dengan menggunakan teknologi biometrik. Teknologi biometrik seperti sensor sidik jari, sensor retina mata dan deteksi wajah memberikan banyak kemudahan bagi pengguna suatu ruangan untuk keamanan privasi dan dokumen yang memiliki nilai yang tinggi. Masalah yang sering ditemukan pada ruangan yang didalamnya terdapat aset berharga adalah terjadinya pencurian. Oleh sebab itu diperlukan suatu teknologi biometrik untuk akses masuk ruangan yaitu face recognition atau pengenalan wajah dengan WebCam dan Jetson Nano sebagai alat yang digunakan untuk akses masuk ruangan. Jetson Nano yang akan menjadi otak kamera dimana kamera dapat mengenali wajah pengguna dan beberapa orang yang dapat mengakses ruangan. Jika citra yang diproses terdapat kecocokan pada file data maka program akan memberikan perintah output pintu dalam kondisi terbuka. Namun apabila citra yang ditangkap tidak ada kecocokan dengan file data maka pintu selalu dalam kondisi tertutup. metode Haar Cascade Classifier dan Local Binary Pattern Histogram (LBPH) dapat bekerja dengan hasil yang cukup untuk dapat digunakan diruangan dosen Teknik Informatika Unissula yaitu dengan hasil akurasi total dari semua percobaan di dapatkan nilai 63,33 %. Namun hasil tersebut masih cukup rendah jika di gunakan untuk sekala lebih yang lebih besar seperti seperti Keamanan akses masuk ruangan. Dari percobaan tiga jarak yang dilakukan mendapatkan dua kesimpulan yaitu semakin jauh jarak wajah ke kamera maka hasil FRR semakin besar dan semakin dekat jarak wajah ke kamera maka hasil FAR semakin besar. Hasil maksimal dari percobaan ini didapat pada jarak kamera ke wajah sejauh 50 cm yaitu dengan akurasi total yang di dapatkan adalah 83,33%, FAR sebesar 16,7 % dan FRR sebesar 0 %.Keywords: Keamanan, Face recognition, OpenCV, LBPH, Jetson Nano.
Sentimen Analisis Komentar Mahasiswa EDOM Dengan Metode Support Vector Machine (SVM) Putra, Ardan Nur Chaiya; Haviana, Sam Farisa Chaerul; Badie’ah, Badie’ah
Prosiding Seminar Riset Mahasiswa Vol 1, No 1: Maret 2023
Publisher : Universitas Islam Sultan Agung

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

Abstract

Universitas Sultan agung Semarang menerapkan sebuah kuisioner online mahasiswa untuk mengevaluasi Dosen apakah sebuah dosen sudah melakukan tugas yang diberikan dan mahasiswa menilai apakah dosen sudah baik apa belum yang bisa di isi dengan melalui pilihan ganda dan sebuah komentar. Dalam hal ini yang akan digunakan adalah kuisioner dalam bentuk komentar yang dibuat oleh mahasiswa dapat menghasilkan sebuah sentiment yang terbagi menjadi jadi tiga subjek berupa netral, positif, dan negatif. Namun terkadang dalam sebuah tulisan yang di buat oleh mahasiswa tidak bisa di identifikasi untuk menentukan apakah kalimat tersebut dapat dibagi menjadi tiga subjek yang berupa positif, negatif dan netral. Data yang berhasil didapatkan dari pengisian komentar dari kuisioner online Bernama EDOM dengan mendapatkan hasil dengan jumlah data sekitar 1791 komentar, dan dengan penelitian ini akan menggunakan sentiment analisis dan algoritma Bernama Support Vector Machine yang menghasilkan hasil yang baik dengan tingkat Akurasi 82%, Presisi 72%, recall 61%, f-measure 65%..Keyword: Klasifikasi, Komentar, Sentimen, support vector machine
Co-Authors Ahmad Jalaluddin, Ahmad Imam Much Ibnu Subroto Mekacahyani, Rakhimatulfitria Putra, Ardan Nur Chaiya Sam Farisa Chaerul Haviana Sri Mulyono