Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Insyst : Journal of Intelligent System and Computation
Cahyadi, David
Unknown Affiliation
Computer Science & IT

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

Found 2 Documents
Search

 1 
Perbandingan Implementasi Evolutionary Algorithm (EPO, FHO, dan CFA) pada Kasus Travelling Salesman Problem untuk Tempat Pariwisata di Surabaya Chen, Christian; Cahyadi, David; Bevan, Jonathan Arelio; Takhta, Williandy; Lesmana, Ariel; Poernomo, Christopher; Nagari, Widean
Intelligent System and Computation Vol 5 No 1 (2023): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v5i1.258

Abstract

Traveling merupakan bisnis yang tumbuh pesat di seluruh dunia, dan Indonesia tidak terkecuali. Di Indonesia, khususnya Surabaya, industri pariwisata telah mengalami peningkatan dalam beberapa tahun terakhir, dan diharapkan akan terus tumbuh dalam beberapa tahun ke depan. Dengan peningkatan tersebut, pencarian rute untuk pariwisata harus efisien dan cepat, salah satu solusi yang populer saat ini adalah Evolutionary Algorithms (EA). Algoritma evolusi adalah jenis teknik optimisasi yang meniru proses evolusi alami untuk menemukan solusi terhadap masalah yang kompleks. Salah satu permasalahan yang dapat diselesaikan dengan efektif menggunakan algoritma evolusi adalah Traveling Salesman Problem (TSP). Permasalahan tersebut melibatkan pengunjungan pada beberapa kota dan menemukan rute terpendek untuk kembali ke titik awal. Beberapa algoritma evolusi telah dicadangkan untuk menyelesaikan TSP, seperti algoritma Cuttlefish (CFA), Emperor Penguin Optimizer (EPO) dan Fire Hawk Optimizer (FHO). Algoritma sotong didasarkan pada perilaku sotong liar, EPO terinspirasi oleh perilaku berkerumun dari penguin kaisar, sedangkan FHO menggunakan prinsip propagasi api. Semua algoritma yang telah disebutkan tadi memiliki potensi untuk menyelesaikan TSP dengan keunikannya masing-masing. Kesimpulan kami untuk semua algoritma yang digunakan dalam penelitian ini adalah bahwa EPO berhasil menemukan solusi terbaik diikuti dengan solusi dari CFA dan FHO. Berdasarkan hasil percobaan kami, didapatkan EPO menghasilkan solusi 39.97% lebih baik dari CFA serta 14.75% lebih baik dari FHO secara rata-rata. Serta EPO juga memiliki waktu komputasi rata-rata lebih cepat (69.59% lebih cepat dari CFA dan 178.34% lebih cepat dari FHO).
A Hierarchical Multi-Label Classification Approach for the Automated Interpretation of Spinal MRI Series Cahyadi, David; Pramana, Edwin; Limantara, Rudi; Wiguna, I Gusti Lanang Ngurah Agung Artha; Deslivia, Maria Florencia; Liando, Ivan Alexander
Intelligent System and Computation Vol 7 No 2 (2025): INSYST: Journal of Intelligent System and Computation
Publisher : Institut Sains dan Teknologi Terpadu Surabaya (d/h Sekolah Tinggi Teknik Surabaya)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52985/insyst.v7i2.438

Abstract

Manually selecting MRI slices is a significant bottleneck in clinical workflows. This issue is worsened by inconsistent naming conventions and variable acquisition protocols across institutions and radiologists, often leading to redundant efforts and potential oversights during medical image data preprocessing. This study introduces a fully automated, four-level hierarchical classification system specifically designed to intelligently filter and select clinically relevant spinal MRI slices directly from raw DICOM series. Our primary objective is to streamline the initial stages of radiological assessment, ensuring that only pertinent images are presented for subsequent analysis and review. We thoroughly evaluated the performance of modern, efficient deep learning architectures, including EfficientViT, MobileNetV4, and RepViT, benchmarking them against a robust ResNet-18 baseline. The proposed pipeline systematically refines its analysis through a structured hierarchy: it first broadly identifies the anatomical region, then precisely classifies the spine location and specific view (axial, sagittal, or coronal). Subsequently, it categorizes the imaging contrast, and finally, confirms the presence of the spinal cord. Our comprehensive experimental results reveal that the EfficientViT-based model achieved the highest end-to-end F1-score of 0.8357, demonstrating robust accuracy across all classification levels. Furthermore, its average inference speed of 9.17 ms per image highlights its computational efficiency. This automated pipeline offers an effective and computationally efficient solution for speeding up initial medical image preprocessing, ensuring subsequent analytical tasks are performed on accurately selected, clinically relevant data.
Co-Authors Bevan, Jonathan Arelio Chen, Christian Deslivia, Maria Florencia Edwin Pramana Lesmana, Ariel Liando, Ivan Alexander Limantara, Rudi Nagari, Widean Poernomo, Christopher Takhta, Williandy Wiguna, I Gusti Lanang Ngurah Agung Artha