Articles
<![CDATA[Comparison of LVQ and RBFNN Algorithms for Identification of Glaucoma and Diabetic Retinopathy on Fundus Image ]]>
<![CDATA[Kevin Oktavius]]>;
<![CDATA[Siska Devella]]>
<![CDATA[ Jurnal Algoritme Vol 1 No 1 (2020): Jurnal Algoritme ]]>
Publisher : <![CDATA[Program Studi Teknik Informatika Universitas Multi Data Palembang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1315.203 KB)
|
DOI: 10.35957/algoritme.v1i1.438
<![CDATA[Penyakit mata merupakan salah satu masalah kesehatan utama pada semua orang terutama pada kaum lansia, penyakit mata yang paling umum menyerang lansia diantaranya adalah glaukoma dan retinopati diabetes. Penyakit glaukoma dan diabetes retinopati dapat diketahui melalui citra fundus. Pada penelitian ini telah dilakukan perbandingan algoritma Learning Vector Quantization dengan Radial Basis Function Neural Network untuk klasifikasi penyakit glaukoma dan diabetes retinopati (accuracy, precision, recall) berdasarkan citra fundus resolusi tinggi. Dataset yang digunakan berjumlah 45 citra fundus yang terdiri dari 15 citra fundus terjangkit glaukoma, 15 citra fundus terjangkit diabetes retinopati dan 15 citra fundus mata normal. Pada perhitungan dengan confusion matrix hasil tertinggi didapatkan pada algoritma radial basis function neural network dengan spread=20 dan MN=10 menghasilkan rata-rata accuracy sebesar 81,06%, precision sebesar 80,83% dan recall sebesar 73,33% jika dibandingkan dengan algoritma learning vector quantization dengan lvqnet=50 dan epoch=45 menghasilkan rata-rata accuracy sebesar 80,85%, precision sebesar 73,33% dan recall sebesar 77,14%.]]>
<![CDATA[Rancang Bangun Aplikasi Permainan EscapeMenggunakan Logika Fuzzy Dan Algoritma Floyd Warshall ]]>
<![CDATA[Adrianus Prabowo]]>;
<![CDATA[Siska Devella]]>;
<![CDATA[Yohannes Yohannes]]>
<![CDATA[ Jurnal Algoritme Vol 1 No 2 (2021): Jurnal Algoritme ]]>
Publisher : <![CDATA[Program Studi Teknik Informatika Universitas Multi Data Palembang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1411.428 KB)
|
DOI: 10.35957/algoritme.v1i2.894
<![CDATA[Aplikasi permainan ESCAPE merupakan permainan yang mengandalkan player untuk keluar dari labirin tersebut. Penelitian ini menggunakan Logika Fuzzy untuk membuat perilaku komputer menjadi susah ditebak dan Floyd Warshall untuk membuat item jebakan menghalangi player saat bermain. Aplikasi permainan ini dibangun dan dirancang dengan menggunakan Unity 3D dan menggunakan metodologi prototype. Hasil uji dari data sampel menunjukkan bahwa logika fuzzy berhasil diterapkan dalam menentukan perilaku NPC. Hasil uji dari data sampel yang dilakukan menunjukkan bahwa kemunculan item jebakan berhasil diterapkan pada aplikasi permainan ESCAPE.]]>
<![CDATA[Penggunaan Fitur HOG Dan HSV Untuk Klasifikasi Citra Sel Darah Putih ]]>
<![CDATA[Rial Prasthio]]>;
<![CDATA[Yohannes Yohannes]]>;
<![CDATA[Siska Devella]]>
<![CDATA[ Jurnal Algoritme Vol 2 No 2 (2022): Jurnal Algoritme ]]>
Publisher : <![CDATA[Program Studi Teknik Informatika Universitas Multi Data Palembang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1605.811 KB)
|
DOI: 10.35957/algoritme.v2i2.2362
<![CDATA[Sel darah putih (leukosit) merupakan sel pembentuk komponen darah yang diproduksi oleh sumsum tulang dan disebarkan ke seluruh tubuh melalui aliran darah. Sel darah putih merupakan bagian penting dari sistem kekebalan tubuh yang berfungsi untuk menghasilkan antibodi yang dapat membantu tubuh manusia dalam melawan berbagai penyakit. Sel darah putih dibagi menjadi 5 jenis, yaitu neutrofil, limfosit, monosit, eosinofil, dan basophil. Analisis sel darah putih masih dilakukan secara manual yang memakan waktu yang lama dan memiliki tingkat ketelitian dan keakuratan yang rendah. Solusi yang dapat dilakukan salah satunya menggunakan machine learning yaitu SVM (support vector machine) dengan menggunakan fitur HOG dan HSV. Penelitian ini menggunakan dataset hasil mikroskop sel darah putih dari Kaggle yang bersifat public. Jumlah dataset yang digunakan dalam penelitian berjumlah 12.392 gambar dari 4 jenis sel darah putih (Eosinophil, Lymphocyte, Monocyte, dan Neutrophil). Pada perhitungan confusion matrix hasil tertinggi didapatkan oleh Neutrophil dengan accuracy sebesar 88,55%, precision sebesar 100%, dan recall sebesar 54,19%.]]>
<![CDATA[Klasifikasi Daun Herbal Berdasarkan Fitur Bentuk dan Tekstur Menggunakan KNN ]]>
<![CDATA[Meiriyama Meiriyama]]>;
<![CDATA[Siska Devella]]>;
<![CDATA[Sandra Mareza Adelfi]]>
<![CDATA[ JATISI (Jurnal Teknik Informatika dan Sistem Informasi) Vol 9 No 3 (2022): JATISI (Jurnal Teknik Informatika dan Sistem Informasi) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian pada Masyarakat (LPPM) STMIK Global Informatika MDP ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35957/jatisi.v9i3.2974
<![CDATA[Indonesia has an abundance of biodiversity. From a total of 40,000 types of herbal plants known in the world, there are approximately 30,000 types of herbal plants in Indonesia. Herbal plants are plants that are commonly used by people, especially in Indonesia, which have biodiversity as ingredients for making herbal medicines. Herbal plants are certainly not easy to recognize even though they often grow around the environment. Because there is still a lack of community knowledge about herbal plants, it is not possible to use these herbal plants. This study aims to classify the leaves of herbal plants using the K-Nearest Neighbor (KNN) method with k value is 3 and feature extraction of Histogram of Oriented Gradient (HOG) and Local Binary Patterns (LBP). The research was conducted on 15 types of herbal plants. Accuracy HOG method with KNN is 92.67%, Accuracy LBP with KNN is 88.67% and accuracy combination of HOG and LBP features with KNN method is 92.67%. Based on the three experiment scenarios that have been carried out, it shows that the combination of HOG and LBP features does not affect the accuracy of leaf classification of herbal plants.]]>
<![CDATA[Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network Dengan Arsitektur VGG-19 ]]>
<![CDATA[Dewi Marcella]]>;
<![CDATA[Yohannes Yohannes]]>;
<![CDATA[Siska Devella]]>
<![CDATA[ Jurnal Algoritme Vol 3 No 1 (2022): Jurnal Algoritme ]]>
Publisher : <![CDATA[Program Studi Teknik Informatika Universitas Multi Data Palembang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35957/algoritme.v3i1.3331
<![CDATA[This study raised a topic related to the classification by using eye diseases in humans. This study uses two optimizing options, namely SGD and Adagrad. The data used are 601 images consisting of 430 training images, 50 validation images, and 121 test images with a total of 4 classes. The method used in this study is the Convolutional Neural Network (CNN) method with the VGG-19 architecture, with input in the form of images that have gone through a preprocessing process, namely resizing and the CLAHE (Contrast Limited Adaptive Histogram Equalization) method of eye disease images. The test scenario consisted of 8 scenarios with different Optimizer and ClipLimit. The highest test results were obtained in the first scenario using the Adagrad optimizer and clipLimit of 1.0 with an accuracy value of 65.29%, precision of 66.53%, recall of 65.29%, and f1-score of 65. 40%.]]>
<![CDATA[Pengenalan Iris menggunakan Ekstraksi Fitur Histogram of Oriented Gradient ]]>
<![CDATA[Devella, Siska]]>
<![CDATA[ Jurnal Teknik Informatika dan Sistem Informasi Vol 4 No 1 (2018): JuTISI ]]>
Publisher : <![CDATA[Maranatha University Press ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (778.468 KB)
<![CDATA[Iris is a biometric-based on physiological characteristics. Iris is completely unique, the patterns of one person's two eyes are quite different from each other and even genetically identical twins have different iris patterns. The Iris of a person is stable throughout a person's life. Therefore, the iris recognition system has a high level of security. This study proposed iris recognition system using Histogram of Oriented Gradient (HOG) as feature extraction and two classifier K - Nearest Neighbors (K-NN) and Naive Bayes. CASIA Iris Interval V4.0 database is utilized to evaluate the performance of the proposed methods. The experimental results show that the iris image with normalization has a better accuracy when compared with iris images without normalization. The highest accuracy in this research is HOG + KNN for iris with normalization, with accuracy 96%.]]>
<![CDATA[Penggunaan Convolutional Neural Network Sebagai Pengenalan Huruf Bahasa Ibrani ]]>
<![CDATA[Julian Rusli Tee Baldi]]>;
<![CDATA[Yohannes Yohannes]]>;
<![CDATA[Siska Devella]]>
<![CDATA[ Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 12, No 1: April 2023 ]]>
Publisher : <![CDATA[STMIK Banjarbaru ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.35889/jutisi.v12i1.1090
<![CDATA[Hebrew is important language due to it has a great attachment with Edenics. Edenics is ancestor language of Semitic that broke down within 70 languages for about 3.784 years ago that influenced many languages in the world also have connection to Hebrew. Hebrew has an important role because it’s used to study Bible and Mishnah. Research was made as a translate system for Hebrew Letter and the author used 27 of Hebrew letters, using Convolutional Neural Network method with AlexNet architecture. The Hebrew letter recognition made by using the Python.The dataset that used seperated into 27 letters for each of every training and testing data. The amount of training data is 3.638 pictures and testing data is 810 pictures. The highest accuration from 3 optimizers were obtained from Adam optimizer with 81,5% accurate.Key Words: AlexNet Architecture; Hebrew, Convolutional Neural Network AbstrakBahasa Ibrani penting dikarenakan erat hubungannya dengan Edenics. Edenics ialah bahasa Ibu.Semit yang tersebar ke 70 bahasa kurang lebih 3.784 tahun yang lalu dan berpengaruh besar pada banyak bahasa di bumi serta memiliki keterkaitan dengan bahasa Ibrani. Bahasa Ibrani berperan penting dikarenakan digunakan untuk mempelajari Alkitab dan Mishnah. Penelitian dibuat sebagai sistem penerjemah huruf bahasa Ibrani, dan penulis menggunakan 27 huruf alfabet Ibrani serta menggunakan metode Convolution Neural Network dengan arsitektur AlexNet. Pengenalan huruf Ibrani dibuat menggunakan Python. Dataset yang digunakan terbagi menjadi 27 huruf pada setiap data latih dan uji. Total data latih ialah 3.638 gambar. Total data uji ialah 810 gambar. Penggunaan optimizer seperti Adam, SGD dan RMSprop menghasilkan nilai precision, recall, dan accuracy yang berbeda. Hasil akurasi tertinggi diperoleh dari optimizer Adam dengan tingkat akurasi sebesar 81,5%.]]>
<![CDATA[Pengenalan Penggunaan Helm Proyek Berstandar Pada Citra Foto Berdasarkan SIFT Dengan SVM ]]>
<![CDATA[Siska Devella]]>;
<![CDATA[Albert Kusuma Wijaya]]>
<![CDATA[ JITTER : Jurnal Ilmiah Teknologi dan Komputer Vol 3 No 2 (2022): Jurnal Jitter Vol. 3, No. 2, August 2022 ]]>
Publisher : <![CDATA[Program Studi Teknologi Informasi, Fakultas Teknik, Universitas Udayana ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (412.203 KB)
|
DOI: 10.24843/JTRTI.2022.v03.i02.p09
<![CDATA[One of the causes of the high number of work accidents in Indonesia is not using personal protective equipment. The project helmet is a personal protective equipment that serves to protect he head. However, the level of awareness of workers using helmets in this project is still lacking. his study aims to determine the accuracy level of introduction to the use of standard project helmets. Scale Invariant Feature Transform (SIFT) and Support Vector Machine (SVM) are feature extraction and classification methods used in this study. The data used is in the form of 90 photos which are divided equally into 3 types of images. Research shows that there are 170 out of 180 upper bodies that have been successfully detected. The kernels used are linear, gaussian and polynomial. By sing 119 data as training data and 51 data as test data, the highest accuracy results are obtained the linear kernel with an overall accuracy rate of 68.63%.]]>
<![CDATA[Klasifikasi Media Pembuangan Sampah Menggunakan Metode Resnet101-V2 ]]>
<![CDATA[Valentino Ruben Ho]]>;
<![CDATA[Siska Devella]]>;
<![CDATA[Derry Alamsyah]]>
<![CDATA[ MDP Student Conference Vol 2 No 1 (2023): The 2nd MDP Student Conference 2023 ]]>
Publisher : <![CDATA[Universitas Multi Data Palembang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (410.633 KB)
|
DOI: 10.35957/mdp-sc.v2i1.4338
<![CDATA[Sampah adalah benda/zat yang tidak digunakan lagi dan ditinggalkan oleh manusia. Plastik merupakan salah satu faktor yang membuat sampah sulit terurai. Penggunaan plastik dalam kehidupan manusia sudah menjadi hal yang lumrah dan rutin digunakan dalam aktivitas manusia. Media pembuangan limbah juga berkontribusi terhadap pencemaran lingkungan. Oleh karena itu, dalam penelitian ini peneliti meneliti media pengolahan limbah dengan menggunakan metode deep learning residual network (ResNet). ResNet adalah jenis arsitektur convolutional neural network (CNN) yang menggunakan model pra-terlatih. ResNet menghemat waktu karena tidak perlu melatih data dari awal. Data yang digunakan sebanyak 15.000 citra yang terbagi menjadi kantong sampah, kantong kertas, dan kantong plastik. Setelah pengujian, akurasi 98,65% dicapai dengan membandingkan 80% data pelatihan dan 20% pengujian. Dapat disimpulkan bahwa metode ResNet sangat baik dalam mengidentifikasi media pembuangan sampah.]]>
<![CDATA[KLASIFIKASI MONKEYPOX MENGGUNAKAN EKSTRAKSI FITUR LBP ]]>
<![CDATA[Gracivo Elsion Victory]]>;
<![CDATA[Rusbandi Rusbandi]]>;
<![CDATA[Siska Devella]]>
<![CDATA[ MDP Student Conference Vol 2 No 1 (2023): The 2nd MDP Student Conference 2023 ]]>
Publisher : <![CDATA[Universitas Multi Data Palembang ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (810.12 KB)
|
DOI: 10.35957/mdp-sc.v2i1.4369
<![CDATA[Monkeypox merupakan penyakit yang secara klinis sangap mirip dengan cacar air dan campak oleh karena itu orang-orang sulit membedakan monkeypox dan non-monkeypox. Metode ekstraksi fitur teksur yang efektif adalah Local Binary Pattern (LBP). Public dataset monkeypox yang digunakan dalam penelitian ini gambarnya berjumlah 3.192 dan berukuran 224x224 pixels. LBP menghasilkan Output feature vector dengan ukuran 1 x 59 sebagai input untuk metode random forest dengan nilai n_estimator yaitu 100, 500 dan 1000. Hasil pengujian citra monkeypox dibagi menjadi 3 tahap pengujian yaitu dengan proporsi dataset 60:40, 70:30, dan 80:20. Pada pengujian dengan proporsi 60:40 mendapatkan hasil terbaik pada dengan n_estimator 100 mendapatkan accuracy 83% . Pengujian dengan proporsi 70:30 mendapatkan accuracy 83% pada setiap n_estimator dan proporsi dataset 80:20 mendapatkan n_estimator terbaik yaitu 500 karna mandapatkan accuracy tertinggi dari ketiga pengujian dengan nilai 85%. Oleh karena itu dapat dilakukan klasifikasi Monkeypox dengan menggunakan fitur ekstraksi LBP dan Random Forest.]]>
