Browsing by Author "Sriyani Violina (Pembimbing)"

Now showing 1 - 10 of 10
  • Thumbnail Image
    Item
    ANALISIS CLUSTER PADA FENOTIP PENYAKIT INFARK MIOKARD UNTUK PEMAHAMAN LEBIH LANJUT
    (Program Studi S1 Informatika, 2024) Ghaniyyu, Rayhan Raj; Sriyani Violina (Pembimbing)
    Infark miokard (serangan jantung) adalah salah satu penyebab utama kematian di Indonesia, yang terjadi karena penyumbatan aliran darah ke jantung, menyebabkan kekurangan oksigen pada otot jantung. Penelitian ini menganalisis karakteristik pasien infark miokard dengan menggunakan metode Agglomerative Hierarchical Clustering (AHC) dengan pendekatan Ward, yang membagi data menjadi 4 kelompok (cluster). Dataset yang digunakan terdiri dari 1699 data pasien dengan 124 variabel, termasuk usia, jenis kelamin, faktor risiko, gejala klinis, dan hasil tes diagnostik. AHC adalah metode yang mengelompokkan data dengan menggabungkan titik-titik data yang paling mirip satu sama lain secara bertahap hingga terbentuk kelompok-kelompok besar. Hasil penelitian menunjukkan bahwa metode Ward dengan 4 cluster memberikan hasil terbaik, dengan Davies-Bouldin Index sebesar 0,58 dan Silhouette Score 0,59. Visualisasi menggunakan tDistributed Stochastic Neighbor Embedding (t-SNE) menunjukkan bahwa data dalam cluster terpisah dengan jelas, membantu dalam diagnosis dan perawatan pasien infark miokard secara lebih efektif.
  • Thumbnail Image
    Item
    CHATBOT AI BERBASIS WEB DENGAN METODE DEEP LEARNING SEBAGAI SARANA PENINGKATAN KUALITAS LAYANAN UNIT E-LEARNING UNIVERSITAS WIDYATAMA
    (Program Studi S1 Informatika, 2024) Ganeshaputra, Yoga; Sriyani Violina (Pembimbing)
    Perkembangan teknologi di era modern membuat kegiatan dapat dilakukan secara cepat dan efisien, terutama di bidang pendidikan. Unit Elearning di Universitas Widyatama seringkali menghadapi banyak pertanyaan dan kendala dari mahasiswa yang membutuhkan respon cepat. Untuk menghadapi tantangan tersebut pengembangan chatbot dengan teknologi Artificial Intelligence (AI) berbasis deep learning dapat menjadi sebuah solusi untuk menjawab pertanyaan dengan cepat. Penggunaan deep learning ini mengunakan metode Convolutional Neural Network (CNN) karena arsitekturnya yang efektif dapat memahami konteks dalam text classification. Chatbot ini dirancang untuk mendapatkan respon yang cepat terhadap pertanyaan atau kendala yang dialami oleh mahasiswa. Kendala utama yang sering dihadapi oleh mahasiswa mengenai E-Learning yaitu kelas, koneksi, login dan tugas. Proses penelitian ini meliputi pengumpulan data, preprocessing data seperti text cleaning, tokenizing dan stemming hingga pelatihan model dan pengujian model menggunakan confusion matrix. Hasil pengujian menggunakan confusion matrix pada penelitian ini menunjukan bahwa model CNN yang dikembangkan memiliki tingkat akurasi yang tinggi dalam melakukan klasifikasi teks dengan nilai f1-socre mencapai 0.99.
  • Thumbnail Image
    Item
    DETEKSI DAN KLASIFIKASI CITRA KANKER DARAH MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK
    (Program Studi S1 Informatika, 2024) Damayanti, Niken Rosiana; Sriyani Violina (Pembimbing)
    Kanker adalah salah satu penyebab utama kematian di seluruh dunia, salah satu jenis kanker yang perlu diperhatikan yaitu kanker darah atau Leukemia. Leukemia adalah suatu kondisi sumsum tulang memproduksi sel darah putih secara berlebihan. Jumlah sel darah putih yang lebih banyak dibandingkan sel darah merah mampu merusak kinerja organ tubuh lain. Profilaksis dini diperlukan untuk membatasi jumlah pengidap Leukemia, mengingat tingginya jumlah kasus kematian dan bahaya yang disebabkan oleh kanker darah. Memanfaatkan teknologi dalam bidang medis dapat menjadi sebuah solusi dan mampu mendeteksi kanker sejak dini. Salah satu cara untuk mendeteksi penyakit dapat menggunakan citra hasil pemeriksaan pada pasien. Citra tersebut digunakan sebagai input dari kecerdasan buatan sebagai identifikasi citra. Metode dari Deep Learning yang dapat digunakan untuk identifikasi dan pengklasifikasian data citra yaitu Convolutional Neural Network (CNN). Penelitian ini menggunakan metode Convolutional Neural Network dengan arsitektur VGG-16 dengan objek penelitian yaitu identifikasi kanker darah. Data yang digunakan data citra Peripheral Blood Smears dengan total data kanker darah 10.000 data dan darah normal 10.000 data. Performasi yang didapatkan dari uji model terbaik dengan tiga parameter yaitu skenario data, nilai learning rate dan jumlah epoch. Akurasi tertinggi didapatkan dari skenario data 90%:5%:5% jumlah Epoch 20 dan nilai Learning Rate 0,0001 menghasilkan akurasi 100%. Nilai Precision, Recall dan F1-Score masing-masing mendapatkan 100%.
  • Thumbnail Image
    Item
    DETEKSI DAN KLASIFIKASI JENIS KENDARAAN BERMOTOR LALU LINTAS MENGGUNAKAN ALGORITMA YOLO v8
    (Program Studi S1 Informatika, 2024) Rosmawati; Sriyani Violina (Pembimbing)
    Transportasi memiliki peran krusial dalam mendukung keberlangsungan kehidupan sehari-hari manusia. Di Kota Bandung, mobilitas penduduk sangat tinggi, dipicu oleh migrasi dari desa ke kota serta popularitas kota ini sebagai destinasi wisata. Kondisi ini berujung pada kepadatan lalu lintas yang signifikan, sehingga volume kendaraan meningkat. Untuk mengatasi masalah ini dibutuhkannya sebuah model yang mampu mendeteksi dan memonitor jumlah serta jenis kendaraan bermotor di lalu lintas kota Bandung. Saat ini, ada berbagai algoritma yang dapat digunakan untuk mendeteksi objek. Salah satu pendekatan yang dapat digunakan adalah penerapan algoritma deep learning menggunakan YOLO. YOLO dipilih karena akurasinya yang tinggi dan tingkat kesalahan latar belakang yang rendah dibandingkan dengan algoritma lainnya. Metode YOLO v8 memanfaatkan kemampuannya dalam mendeteksi objek dengan akurasi yang tinggi. Dalam proses deteksi objek pada video, YOLO v8 membagi video kedalam frame-frame individual, dan selanjutnya membagi setiap frame menjadi grid-grid kecil. Untuk setiap grid, algoritma ini memprediksi bounding box yang menunjukkan lokasi objek dan menyertakan confidence score yang menunjukkan tingkat kepercayaan deteksi tersebut. Dari hasil pengujian terhadap 309 frame dan berbagai epoch, didapatkan hasil precision sebesar 93,81%. Data tersebut diambil secara langsung dari kamera CCTV. Hasil Pengujian ini menunjukkan bahwa algoritma YOLO v8 memiliki tingkat akurasi yang tinggi dalam deteksi dan klasifikasi kendaraan bermotor, sehingga dapat membantu proses pemantauan arus lalu lintas di Kota Bandung.
  • Thumbnail Image
    Item
    DETEKSI PEMALSUAN WAJAH PADA VIDEO MENGGUNAKAN METODE DUAL ATTENTION FORGERY DETECTION NETWORK
    (Program Studi S1 Informatika, 2024) Sutiono, Asep; Sriyani Violina (Pembimbing)
    Video palsu yang dihasilkan oleh teknologi deepfake tersebar secara online. Sebagian besar berisi konten berbahaya dan mengakibatkan kerusuhan, kecemasan sosial, ancaman politik serta masalah sosial lainnya. Beberapa teknik telah diajukan untuk mencegah penyalahgunaan teknologi deepfake dan mekanisme attention memungkinkan Convolutional Neural Network (CNN) untuk fokus pada bagian kritis pada gambar seperti mulut atau mata. Metode Dual Attention Forgery Detection Network (DAFDN) menggunakan dua mekanisme attention, yaitu Spatial Reduction Attention Block (SRAB) dan Forgery Feature Attention Module (FFAM). Metode DAFDN menghasilkan skor Area Under the Curve (AUC) sebesar 91,1% pada dataset Deepfake Detection Challenge (DFDC) dan 94,5% pada dataset FaceForensics++ (FF++). Pada penelitian ini, penulis menggunakan metode DAFDN yang disematkan pada EfficientNet-B4 untuk mendeteksi pemalsuan wajah pada dataset dari Celeb-DF dan menghasilkan skor AUC sebesar 90%.
  • Thumbnail Image
    Item
    IMPLEMENTASI DEEP LEARNING UNTUK KLASIFIKASI RIMPANG DENGAN METODE CONVOLUTIONAL NEURAL NETWORK
    (Program Studi S1 Informatika, 2024) Alfarez, Muhammad Rizaldy; Sriyani Violina (Pembimbing)
    Kemiripan visual berbagai jenis rempah seperti jahe, kencur, kunyit, lengkuas, dan temulawak sering kali menyebabkan kesulitan dan keraguan dalam membedakan mereka secara tepat. Untuk mengatasi permasalahan ini, metode Convolutional Neural Network (CNN) dengan arsitektur VGG19 dipilih karena kemampuannya dalam mengidentifikasi dan mengklasifikasikan objek yang memiliki kemiripan visual. Penelitian ini mengimplementasikan arsitektur VGG19, yang terdiri dari 19 lapisan termasuk lapisan konvolusi untuk ekstraksi fitur, lapisan pooling untuk mereduksi dimensi fitur, dan lapisan fully connected untuk klasifikasi. Implementasi VGG19 dalam penelitian ini juga melibatkan augmentasi data yang bertujuan untuk memperluas variasi dataset serta uji coba konfigurasi hyperparameter yang mempengaruhi performa model. Hasil penelitian menunjukkan bahwa dengan penerapan augmentasi data dan optimasi hyperparameter model CNN VGG19 yang dibangun mampu mencapai akurasi klasifikasi sebesar 96.40% yang mana akurasi menunjukkan efektivitas metode ini dalam membedakan jenis-jenis rempah yang memiliki kemiripan visual.
  • Thumbnail Image
    Item
    IMPLEMENTASI MODEL CONVOLUTIONAL NEURAL NETWORKS DENGAN MOBILENETV3 UNTUK MENINGKATKAN ROBUSTNESS DETEKSI DINI KANKER KULIT PADA GAMBAR BERKUALITAS RENDAH MELALUI ANDROID
    (Program Studi S1 Informatika, 2025) Ramdani, M Ilham; Sriyani Violina (Pembimbing)
    Kanker kulit adalah masalah kesehatan global yang terus meningkat, membuat deteksi dini menjadi sangat penting. Diagnosis konvensional melalui biopsi memiliki keterbatasan, sehingga teknologi kecerdasan buatan, khususnya deep learning, menawarkan prospek cerah untuk solusi non-invasif. Namun, tantangan utamanya adalah ketahanan (robustness) model terhadap variasi kualitas gambar yang sering ditemukan di lingkungan praktis. Penelitian ini bertujuan mengatasi masalah ini dengan mengimplementasikan model Convolutional Neural Network (CNN) berbasis MobileNetV3 yang dioptimalkan untuk deteksi dini kanker kulit pada gambar berkualitas rendah di platform Android.Model dikembangkan dengan pendekatan transfer learning dan dioptimasi hyperparameter-nya menggunakan Bayesian Optimization. Hasil evaluasi menunjukkan performa model yang sangat baik, mencapai akurasi 94% dan AUC 98% pada test set. Robustness model terbukti baik, dengan AUC yang hanya turun sedikit (dari 98.5% menjadi 98%) setelah simulasi noise. Saat diuji di Android dengan 20 citra ber-noise, model memberikan hasil prediksi 100% yang akurat. Secara keseluruhan, model CNN berbasis MobileNetV3 berhasil dibuat dan menunjukkan performa yang sangat baik. Keberhasilan ini menunjukkan potensi model sebagai alat bantu deteksi dini kanker kulit yang akurat dan tangguh di lingkungan mobile riil. Peningkatan aksesibilitas deteksi dini ini punya potensi besar untuk mengurangi risiko angka kesakitan dan kematian akibat kanker kulit.
  • Thumbnail Image
    Item
    PENERAPAN METODE IMAGE CLASSIFICATION DENGAN CONVOLUTIONAL NEURAL NETWORK UNTUK MENDETEKSI PENYAKIT NUCLEAR SCLEROSIS PADA ANJING BERBASIS ANDROID
    (Program Studi S1 Informatika, 2024) Riansyah, Aditya Fakhri; Sriyani Violina (Pembimbing)
    Penyakit mata pada anjing merupakan masalah kesehatan yang serius yang dapatmenyebabkan gangguan penglihatan dan bahkan kebutaan. Deteksi dini penyakitmata sangat penting untuk mencegah komplikasi dan meningkatkan kualitas hidupanjing. Penelitian ini bertujuan untuk membangun model image classificationmenggunakan metode Convolutional Neural Network (CNN) untuk mendeteksipenyakit nuclear sclerosis pada anjing dan mengembangkan aplikasi Android untukmembantu pemilik anjing dalam mengidentifikasi penyakit nuclear sclerosis padaanjing mereka secara dini. Model CNN dilatih menggunakan dataset gambar mataanjing sehat dan nuclear sclerosis yang diperoleh dari Roboflow. Dataset yangdiperoleh akan dilakukan pre-processing image sebelum dilakukan training. ModelCNN yang dibangun dalam penelitian ini menggunakan arsitektur Sequentialdengan 3 tahapan utama, yaitu ekstraksi fitur, representasi fitur, dan klasifikasi.Tahapan tersebut terdiri dari berbagai lapisan yang terdiri dari dua Conv2D, dualapisan MaxPooling2D, flatten, tiga dense, dan satu dropout. Berbagai variasipengujian dilakukan untuk menentukan parameter terbaik model, termasuk skenario pembagian data, jumlah epoch, dan learning rate. Hasil terbaik diperoleh dengan akurasi mencapai 97,62% menggunakan pembagian data 80% untuktraining, 10% untuk validation, dan 10% untuk testing, dengan jumlah epoch 20dan learning rate 0,001. Penerapan Early Stopping terbukti efektif dalam mencegahterjadinya overfitting. Aplikasi Android dibangun menggunakan bahasapemrograman Kotlin dan platform Android Studio. Integrasi model CNN ke dalamaplikasi dilakukan melalui API yang berfungsi sebagai penghubung antara aplikasiAndroid dan model CNN. Implementasi API memanfaatkan framework FastAPIdan disimpan dalam Cloud Run, salah satu layanan komputasi awan yangdisediakan oleh Google Cloud. Aplikasi Android ini memungkinkan penggunauntuk mengunggah gambar mata anjing dan mendapatkan prediksi pada mataanjing tersebut.
  • Thumbnail Image
    Item
    PENERAPAN MODEL CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN TENSORFLOW UNTUK MENDETEKSI PENYAKIT PADA TANAMAN PADI BERBASIS ANDROID
    (Program Studi S1 Informatika, 2025) Mauladin, Muhamad Azriel; Sriyani Violina (Pembimbing)
    Penyakit pada tanaman padi merupakan ancaman serius dalam sektor pertanian karena dapat menurunkan hasil panen secara signifikan. Upaya deteksi dini menjadi langkah penting untuk mencegah kerugian yang lebih besar. Penelitian ini memanfaatkan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV3 Large berbasis TensorFlow. Model dilatih menggunakan 13.876 citra daun padi dari 10 kelas, termasuk kondisi normal. Tahapan pengembangan meliputi augmentasi data, pra-pemrosesan, serta pengujian delapan konfigurasi hyperparameter. Konfigurasi terbaik diperoleh pada batch size 32, learning rate 0,0003, epoch 30, dropout 0,4, dan metode oversampling, yang menghasilkan akurasi validasi sebesar 95%. Model kemudian diimplementasikan dalam aplikasi Android untuk mendukung deteksi secara langsung di lapangan. Evaluasi dengan 100 citra uji memperlihatkan akurasi klasifikasi tinggi pada kelas dead heart, hispa, tungro, dan bacterial panicle blight dengan confidence score konsisten di atas 90%, sedangkan kelas brown spot, blast, dan normal masih menunjukkan ketidakstabilan. Hasil penelitian ini membuktikan bahwa konfigurasi ketujuh layak digunakan dengan rata-rata akurasi prediksi akhir sebesar 89%.
  • Thumbnail Image
    Item
    PERBANDINGAN ALGORITMA K-MEDOIDS DAN K-MEANS DALAM MENENTUKAN SEGMENTASI PASAR PADA PERENCANAAN PEMBUATAN PRODUK SUNSCREEN
    (Program Studi S1 Informatika, 2024) Putri, Astriani Santi Ega; Sriyani Violina (Pembimbing)
    Pada era saat ini, dengan maraknya penggunaan media sosial X berbasis teks ini seringkali masyarakat membuat tweet berupa opini terhadap produk atau barang yang digunakannya sehingga memberikan pengaruh terhadap pengguna lain bagi yang membaca tweet tersebut. Karena hal tersebut, pada penelitian ini akan membahas mengenai sentimen analisis yang bertujuan memberikan suatu keputusan dari berbagai macam opini masyarakat di X terhadap produk sunscreen yang marak digunakan saat ini yang nantinya bisa menjadi peluang untuk produsen dalam membuat inovasi produk yang dibutuhkan oleh masyarakat saat ini. Dari data sentimen analisis ini data diolah menggunakan algoritma K-Medoids dan K-Means yang dianalisis yang bertujuan untuk mengetahui tingkat keakurasian dari masingmasing metode algoritma. Adapun untuk tahapan untuk penelitian ini dimulai dari pengumpulan data dari platform sosial media X sebanyak sekitar 10.000 tweet yang berkaitan dengan kata kunci sunscreen, selanjutnya dilakukan pre-processing untuk mencari kata-kata yang sering muncul pada tweet, lalu data yang sudah di preprocessing diproses menggunakan metode sentimen analisis dengan menghasilkan 3 kelompok yaitu tweet dengan kelompok positif, netral, dan negatif. Dari hasil kelompok tersebut, kelompok tweet dengan hasil positif dihitung jumlah frekuensi kemunculannya sehingga dihasilkan jenis sunscreen dengan keunggulan tertentu yang dapat dijadikan inovasi produk selanjutnya. Dari hasil data sentimen analisis sebelumnya, data diproses menggunakan metode algoritma clustering K-Medoids dan K-Means untuk mengetahui hasil akurasi dari masing-masing algoritma dengan diperoleh hasil algoritma K-Means dengan indeks hasil uji tertinggi yaitu 0,609 pada cluster 5 sedangkan pada algoritma K-Medoids dengan indeks hasil uji tertinggi sebesar 0, 689 berada pada cluster 3. Sehingga untuk algoritma yang baik dalam pengolahan data sentimen ini adalah algoritma K-Medoids.