Article Per Year (5 Year)
p-Index From 2019 - 2024
0.408
P-Index
This Author published in this journals
All Journal Jurnal Teknimedia: Teknologi Informasi dan Multimedia BULLETIN OF NETWORK ENGINEER AND INFORMATICS
Patmawati Patmawati
Universitas Amikom Yogyakarta
Computer Science & IT Control & Systems Engineering Engineering

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

Found 2 Documents
Search

 1 
PREDIKSI PENYAKIT STROKE MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) Patmawati Patmawati
BULLETIN OF NETWORK ENGINEER AND INFORMATICS Vol 1, No 1 (2023): BUFNETS (Bulletin of Network Engineer and Informatics) April 2023
Publisher : GWEX NET PUBLISHER

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (519.887 KB) | DOI: 10.59688/bufnets.v1i1.5

Abstract

Berdasarkan data dari Kementerian Kesehatan Indonesia, telah terjadi peningkatan jumlah pada kasuspenyakit stroke sebesar 3.9% mulai dari tahun 2013 sampai dengan tahun 2018. Secara nasional, jumlahkasus stroke sering terjadi pada kelompok yang memiliki rentang umur antara 55-64 tahun dan palingsedikit terjadi pada rentang umur 15-24. Stroke atau (Cerebrovascular Accidents) merupakan sebuahkeadaan dimana aliran darah ke otak mengalami gangguan mendadak atau berkurang. Hal tersebutdapat disebabkan oleh penyumbatan atau pecah pembuluh darah, sehingga sel-sel pada area otak tidakmendapatkan pasokan darah yang nutrisi dan oksigen. Diperlukan deteksi dini yang bertujuan untukmengurangi jumlah potensi kematian akibat stroke. Prediksi stroke masih menjadi tantang dalam bidangkedokteran, salah satu penyebabnya adalah volume data pada data medis yang memiliki heterogenitasdan kompleksitas yang tinggi. Teknik machine learning merupakan model analisis data yang dapatdigunakan untuk memprediksi penyakit stroke. Berbagai model pembelajaran machine learning telahdiusulkan oleh peneliti-peneliti sebelumnya, salah satunya Support Vector Machine. Penelitian inimencoba menerapkan kembali algoritma SVM dengan mendapatkan hasil kinerja lebih baik daripenelitian sebelumnya. Dalam penelitian ini didapatkan nilai accuracy sebesar 100% dan nilai ROC-AUC sebesar 100%. Perlu dilakukan pengkajian lagi terkait hasil yang didapatkan hingga mencapai100%.
AUGMENTASI DATA MENGGUNAKAN DCGAN PADA GAMBAR TANAH PATMAWATI PATMAWATI; Andi Sunyoto; Emha Taufiq Luthfi
TEKNIMEDIA: Teknologi Informasi dan Multimedia Vol. 4 No. 1 (2023): Juni 2023
Publisher : Badan Penelitian dan Pengabdian Masyarakat (BP2M) STMIK Syaikh Zainuddin NW Anjani

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46764/teknimedia.v4i1.100

Abstract

Several studies related to soil type classification have been conducted. However, each of these studies uses different datasets. Only a small number of researchers share soil image datasets publicly. In addition, published datasets have an imbalance in the amount of data in each class which will result in poor model performance or over fit, especially deep learning. With data augmentation, new data variations can be formed that can handle the limited number of datasets. One of the modern augmentation models is DCGAN which is an extension of GAN. DCGAN is considered a good model in improving the stability of GAN training and the quality of image results. The resulting synthesized image is the result of mapping randomized latent vectors in an n-dimensional latent space. A meaningful image transformation is generated from the latent vector through arithmetic operations in the latent space dimension. The size of the latent space dimension is very important in enabling accurate reconstruction of the training data. To test the effect of latent space dimension on images, a quantitative evaluation using Fre'chet Inception Distance (FID) is used. The following results were obtained, for the best image quality in the alluvial soil category using latent space dimension 10 with FID score = 322.0. For clay soil category, the best image quality is generated using latent space dimension 100 with score FID = 332.84 and 512 with score FID = 322.08. In the black soil category, the best latent space dimension is 128 with FID score = 360.80. And for red soil, the best image quality is generated with the use of 512 latent spaces that have a FID score = 256.67.
Co-Authors Andi Sunyoto Emha Taufiq Luthfi