Article Per Year (5 Year)
p-Index From 2019 - 2024
0.444
P-Index
This Author published in this journals
All Journal MIND (Multimedia Artificial Intelligent Networking Database) Journal
IRMA AMELIA DEWI
Program Studi Informatika, Institut Teknologi Nasional Bandung
Computer Science & IT

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

Found 2 Documents
Search

 1 
Sistem Pengenalan Jenis Kanker Melanoma pada Citra MenggunakanGray Level Co-occurrence Matrices (GLCM) dan K-Nearest Neighbor (KNN) Classifier YOULLIA INDRAWATY NURHASANAH; IRMA AMELIA DEWI; FEVLY PALLAR
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 5, No 1 (2020): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v5i1.66-80

Abstract

AbstrakMelanoma dikategorikan sebagai bentuk kanker kulit yang paling berbahaya menurut skincancer.org. Kanker kulit ini bertumbuh dan berkembang oleh kerusakan DNA pada sel-sel kulit yang umumnya disebabkan oleh radiasi ultraviolet dari matahari. Pada penelitian ini  dibuatkan suatu sistem yang  dapat membantu pihak medis untuk memprediksi suatu tipe atau jenis dari suatu kanker melanoma dengan proses antara lain, optimalisasi postprocessing melalui morphological closing, pembentukan matriks-matriks gray level co-occurrence (GLCM) untuk pengekstraksian fitur-fitur tekstur statistika dan K-Nearest Neighbor (KNN) sebagai metode klasifikasinya. Hasil dari pengujian menunjukan bahwa ekstraksi ciri tekstur statistika bermanfaat dalam pengenalan kanker ini dimana diperoleh hasil akurasi mencapai 93.33% oleh classfier pada kategori pengujian positif melanoma dan 86.66 % pada kategori kelas melanoma. Kata kunci: Melanoma, GLCM, K-Nearest Neighbor, Otsu Thresholding AbstractMelanoma is categorized as the most dangerous form of skin cancer, according to skincancer.org. This skin cancer grows and develops due to DNA damage to skin cells which is generally caused by ultraviolet radiation. In this study, a system was created to help medical parties predict a type or type of melanoma cancer. This system was performed with morphological closing processes, the formation of gray level co-occurrence (GLCM) matrices for extraction of features of statistical textures, and K-Nearest Neighbor (KNN) as a classification method. The test results showed that the system recognized this cancer with an accuracy of 93.33% for the positive image of melanoma and 86.66% for the melanoma class category. Keywords: Melanoma, GLCM, K-Nearest Neighbor, Otsu Thresholding
Arsitektur Resnet-152 dengan Perbandingan Optimizer Adam dan RMSProp untuk Mendeteksi Penyakit Paru – Paru SITI ASY SYIFA; IRMA AMELIA DEWI
MIND (Multimedia Artificial Intelligent Networking Database) Journal Vol 7, No 2 (2022): MIND Journal
Publisher : Institut Teknologi Nasional, Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26760/mindjournal.v7i2.139-150

Abstract

ABSTRAKPenyakit paru-paru pada manusia sering terjadi di seluruh dunia umumnya terjadi karena polusi udara dan asap rokok. Untuk mendeteksi penyakit paru-paru manusia ini diperlukan kemampuan secara tepat dengan menggunakan Chest X-Rays (CXR). CXR umumnya sulit dibedakan oleh manusia, maka dari itu pada penelitian ini menerapkan model Deep Learning sebagai sarana untuk mendeteksi penyakit paru-paru manusia melalui citra CXR. Eksperimen dilakukan dengan menggunakan model arsitektur yaitu ResNet-152 serta 2 optimizer yaitu Adam dan RMSProp. Selain itu, pengujian model dilakukan dengan menggunakan accuracy, precision, recall, f1-score, specitifity dan grafik Receiver Operating Characteristic (ROC). Pada penelitian ini menunjukkan bahwa model ResNet-152-R10 yang memiliki tingkat accuracy, precision, recall, f1-score dan specitifity terbaik yaitu masing-masing 92%, 94%, 92%, 93% dan 96,75%.Kata kunci: adam optimizer, rmsprop optimizer, resnet-152, penyakit paru-paru, pneumonia, lung opacityABSTRACTLung disease in humans often occurs throughout the world generally occurs due to air pollution and cigarette smoke. To detect human lung disease, it requires the ability to be precise using Chest X-Rays (CXR). CXR is generally difficult to distinguish by humans, therefore this study applies the Deep Learning model as a means of detecting human lung disease through CXR imagery. Experiments were carried out using the architectural model, namely ResNet-152 and 2 optimizers, namely Adam and RMSProp. In addition, model testing is carried out using accuracy, precision, recall, f1-score, specificity and Receiver Operating Characteristic (ROC) graphs. This study shows that the ResNet-152-R10 model has the best levels of accuracy, precision, recall, f1-score and specificity, namely 92%, 94%, 92%, 93% and 96.75% respectively.Keywords: adam optimizer, rmsprop optimizer, resnet-152, lung disease, pneumonia, lung opacity
Co-Authors FEVLY PALLAR SITI ASY SYIFA YOULLIA INDRAWATY NURHASANAH