Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Journal of Health and Medical Science Jurnal Sehat Indonesia (JUSINDO)
Pratama, Noval
Unknown Affiliation
Dentistry Health Professions Medicine & Pharmacology Nursing Public Health Veterinary

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

Found 2 Documents
Search

 1 
Perbandingan Model Klasifikasi Transfer Learning Convolutional Neural Network Tumor Otak menggunakan Citra Magnetic Resonance Imaging Pratama, Noval; Liebenlito, Muhaza; Irene, Yanne
Jurnal Sehat Indonesia (JUSINDO) Vol. 6 No. 01 (2024): Jurnal Sehat Indonesia (JUSINDO)
Publisher : CV. Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59141/jsi.v6i01.81

Abstract

Analisis tumor otak menjadi subjek penting dalam kedokteran, di mana deteksi yang cepat dan akurat dapat mengarah pada perawatan yang lebih baik. Tujuan penelitian ini adalah untuk membandingkan dan mengevaluasi kinerja delapan model arsitektur jaringan pre-built yang telah dibangun sebelumnya dalam mengklasifikasikan tumor MRI menggunakan metodologi pembelajaran transfer learning. Pada penelitian ini dataset yang digunakan merupakan citra Magnetic Resonance Imaging (MRI) sebanyak 3.264 yang terdiri dari meningioma, glioma, pituitary dan yang tidak menderita tumor otak. Pada penelitian ini, peneliti menggunakan arsitektur jaringan yang telah dilatih sebelumnya pada kumpulan data besar untuk tugas klasifikasi umum. Pendekatan pembelajaran transfer ini memungkinkan kita untuk memanfaatkan fitur tingkat tinggi yang telah dipelajari oleh model dalam dataset umum dan menyesuaikannya dengan dataset spesifik tumor otak yang lebih kecil. Hasil eksperimen menunjukkan bahwa pendekatan transfer learning ini berhasil mengklasifikasikan jenis tumor otak dengan akurasi yang memuaskan, bahkan dengan dataset yang terbatas. Teknik ini menjanjikan untuk meningkatkan diagnosis dini dan manajemen tumor otak dalam praktik klinis dengan memanfaatkan kekuatan model yang ada tanpa perlu melatih model dari awal.
Metabolomic Profiling of Kenitu Leaves (Chrysophyllum cainito L.) A Blind Screening Approach Haryanto, Haryanto; Pratama, Noval; Fachira, Nadya; Aulia A, Nur; Mahrud, A. Febi Aulia; Ramadani, Nur Annisa; Hairunnisa, Hikmar; Zahrah, Nurul Azisa As; Fadilah, Meilani Fanny
Journal of Health and Medical Science Volume 4 Nomor 4 Oktober 2025
Publisher : CV. Pusdikra Mitra Jaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51178/jhms.v4i4.2940

Abstract

Penelitian ini bertujuan untuk mencari efek dari ekstrak daun kenitu (Chrysophyllum cainito L.) terhadap aktivitas neurofarmakologi dengan perhitungan persen efek dari PSM, SSSP, DSSP, SL, RO, SM, PSL, dan ANA. Penelitian ini merupakan eksperimen laboratorium dengan rancangan acak lengkap (RAL) menggunakan tiga perlakuan konsentrasi, yaitu 1%, 2%, dan 4%. Pengamatan dilakukan untuk menilai persentase aktivitas yang dihasilkan setiap konsentrasi sampel, kemudian dianalisis secara deskriptif-kuantitatif untuk menentukan pola respons dosis. Hasil penelitian menunjukkan bahwa ekstrak daun kenitu memberikan respons yang bervariasi pada setiap konsentrasi. Empat persen efek (SSSP, SL, RO, dan PSL) menunjukkan aktivitas tertinggi pada konsentrasi 2%, sedangkan tiga persen efek yang lainnya (PSM, DSSP, dan SM) mengalami penurunan aktivitas seiring peningkatan konsentrasi. Menariknya, sampel ANA menunjukkan pola dosis positif dengan aktivitas tertinggi sebesar 66,66% pada konsentrasi 4%. Secara keseluruhan, efektivitas ekstrak daun kenitu bergantung pada tingkat konsentrasinya. Konsentrasi 2% menjadi titik optimal bagi sebagian besar efek neurofarmakologi, sementara konsentrasi 4% paling efektif hanya untuk ANA. Hasil ini menegaskan pentingnya pengujian multikonsentrasi dalam menentukan dosis efektif bahan alam untuk aplikasi biologis serta pengujian lebih lanjut.
Co-Authors Aulia A, Nur Fachira, Nadya Fadilah, Meilani Fanny Hairunnisa, Hikmar Haryanto Haryanto Mahrud, A. Febi Aulia Muhaza Liebenlito Ramadani, Nur Annisa Yanne Irene, Yanne Zahrah, Nurul Azisa As