Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal JUTIK : Jurnal Teknologi Informasi dan Komputer Jurnal Sistem Komputer dan Informatika (JSON)
Rizki Wahyu Yulianti
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Engineering Social Sciences

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

Found 2 Documents
Search

 1 
ANALISIS KINERJA ARSITEKTUR CNN ALEXNET DAN VGG16 UNTUK KLASIFIKASI TUMOR OTAK Agustina Diah Kusuma Dewi; Efandra Eka Julita; Rizki Wahyu Yulianti
Jurnal Teknologi Informasi dan Komputer Vol. 11 No. 2 (2025): JUTIK : Jurnal Teknologi Informasi dan Komputer, Edisi Oktober 2025
Publisher : LPPM Universitas Dhyana Pura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36002/jutik.v11i2.3900

Abstract

Early detection of brain tumors is essential for determining appropriate treatment strategies and increasing patient survival rates. This study analyzes and compares the performance of two Convolutional Neural Network (CNN) architectures Alexnet and VGG16 for classifying brain tumor MRI images into three categories: glioma, meningioma, and pituitary. The dataset, annotated by medical experts, was split into 80% for training and 20% for testing. Each image underwent preprocessing steps including resizing, normalization, and data augmentation. Both models were initialized with pre-trained weights from ImageNet and trained for 15 epochs using the Adam optimizer. Model performance was evaluated using accuracy, precision, recall, and F1-score metrics. The results show that Alexnet achieved a testing accuracy of 78.99% with a weighted F1-score of 0.79, while VGG16 obtained an accuracy of 78.01% and a weighted F1-score of 0.75. Although VGG16 has a deeper architecture capable of capturing more complex features, Alexnet demonstrated more stable and balanced performance across all tumor classes. These findings suggest that Alexnet is more effective for classifying brain tumor MRI images within the evaluated dataset and holds strong potential for integration into medical decision-support systems based on deep learning.
Analisis Perbandingan Algoritma K-Nearest Neighbor dan Decision Tree dalam Klasifikasi Tingkat Obesitas Rizki Wahyu Yulianti; Fikri Budiman; Defri Kurniawan
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 2 (2025): Desember 2025
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i2.9227

Abstract

Kasus obesitas yang terus bertambah di era digital dipengaruhi oleh perubahan gaya hidup, pola makan, aktivitas fisik, serta faktor demografis. Untuk mendukung upaya deteksi dini, penelitian ini menerapkan metode machine learning guna mengklasifikasikan tingkat obesitas berdasarkan Obesity Levels Dataset yang memuat 2.111 data individu dengan 17 variabel terkait perilaku dan kondisi fisik. Penelitian berfokus pada analisis perbandingan dua algoritma klasifikasi, yaitu K-Nearest Neighbor (KNN) dan Decision Tree, dengan tujuan menilai akurasi, presisi, recall, serta stabilitas performa kedua model setelah melalui proses optimasi. Tahapan penelitian dimulai dengan pembersihan data, imputasi nilai hilang menggunakan median, penghapusan outlier melalui metode IQR, encoding variabel kategori, serta standardisasi fitur numerik. Untuk menangani ketidakseimbangan kelas, digunakan teknik SMOTE sehingga setiap kategori kelas target memiliki distribusi yang seimbang. Model kemudian dilatih menggunakan data latih sebesar 80% dan dievaluasi pada 20% data uji. Optimasi parameter dilakukan menggunakan GridSearchCV. Pada model K-Nearest Neighbor, nilai k terbaik diperoleh pada k = 3 dengan akurasi 86,59%. Sementara itu, Decision Tree mencapai performa optimal pada konfigurasi max_depth = 10, min_samples_split = 5, dan min_samples_leaf = 1. Hasil evaluasi menunjukkan bahwa kedua algoritma mampu melakukan klasifikasi tingkat obesitas dengan baik setelah proses tuning dan penyeimbangan data. Decision Tree memberikan performa yang lebih stabil dalam mengenali pola kompleks antarvariabel, sedangkan K-Nearest Neighbor menunjukkan performa optimal pada nilai k kecil ketika data telah distandarisasi dan diseimbangkan. Penelitian ini memberikan gambaran empiris mengenai efektivitas kedua algoritma dalam pemodelan klasifikasi obesitas serta dapat menjadi dasar pengembangan sistem prediksi kesehatan berbasis machine learning yang lebih akurat dan efisien.
Co-Authors Agustina Diah Kusuma Dewi Defri Kurniawan Efandra Eka Julita Fikri Budiman