Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal RABIT: Jurnal Teknologi dan Sistem Informasi Univrab JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika)
Jumadi Jumadi
UIN Sunan Gunung Djati Bandung
Computer Science & IT Education Engineering

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

Found 2 Documents
Search

 1 
IMPLEMENTASI CONVOLUTIONAL NEURAL NETWORK DENGAN PRE-TRAINED MODEL MOBILENETV2 UNTUK DETEKSI KOLESTEROL Indah Sri Lestari; Jumadi Jumadi; Nur Lukman
Rabit : Jurnal Teknologi dan Sistem Informasi Univrab Vol 9 No 2 (2024): Juli
Publisher : LPPM Universitas Abdurrab

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36341/rabit.v9i2.4732

Abstract

One of the main risks for heart disease and stroke is cholesterol. Cholesterol is a type of fat produced primarily by the liver and absorbed in small amounts from food. The ideal cholesterol level in the human body should be less than 200 mg/dl. One way to check cholesterol levels is through a blood sugar test that requires the patient to fast for 10 to 12 hours. Given the dangers posed by high cholesterol levels, there is a need for an early, practical screening method to detect high cholesterol levels in the human body. Iridology is an analysis of the iris of the eye to detect health conditions and show the relationship between iris patterns and cholesterol levels. The iris has its own uniqueness because it can record the condition of all organs, body structures, and psychological states. Therefore, iridology can be an alternative medical analysis. This study proposes the use of a convolutional neural network algorithm using a pre-trained MobileNetV2 model. The iris image dataset used consists of 200 images classified into two classes: normal eye images and cholesterol eye images. The results of the study show that the proposed model can achieve an accuracy of 95%. These results indicate that this model has great potential as a practical and cost-effective tool for detecting cholesterol. Further research is needed with larger datasets to improve accuracy and validity.
Klasifikasi Pengenalan Huruf Hijaiyah Pada Bahasa Isyarat Arab Menggunakan Transfer Learning EfficientNetB1 Diani Eka Putri; Jumadi Jumadi; Eva Nurlatifah
JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Vol 10, No 2 (2025)
Publisher : STKIP PGRI Tulungagung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29100/jipi.v10i2.6174

Abstract

Individu Muslim dengan gangguan pendengaran sering menghadapi tantangan dalam mempelajari Al-Qur'an, terutama karena kurangnya sistem pendukung untuk pembelajaran bahasa isyarat Arab. Bahasa isyarat memainkan peran penting dalam memfasilitasi komunikasi yang efektif bagi mereka yang mengalami kesulitan pendengaran. Untuk mengatasi masalah ini, penelitian ini bertujuan untuk mengembangkan sistem pengenalan Bahasa Isyarat Arab (ArSL) dengan menggunakan Convolutional Neural Network (CNN) dan pendekatan Transfer Learning menggunakan model pre-trained EfficientNetB1. Sistem ini dirancang untuk mengidentifikasi gerakan bahasa isyarat Arab dari dataset yang terdiri dari 28 huruf Hijaiyah, dengan masing-masing huruf memiliki 100 citra. Pengujian dilakukan pada model dengan empat skenario berbeda untuk menemukan konfigurasi yang paling optimal. Hasil penelitian menunjukkan bahwa dengan membekukan 30% lapisan awal model selama fine-tuning menghasilkan akurasi 98.95% pada data train dan 99.52% pada data validation. Pada data pengujian, model mencapai performa terbaik dengan accuracy, precision, recall, dan f1-score masing-masing sebesar 100%.
Co-Authors Diani Eka Putri Eva Nurlatifah Indah Sri Lestari Nur Lukman