Deteksi Objek Daun Semanggi Secara Real Time Menggunakan  CNN-Single Shot Multibox Detector (SSD)

Astuti, Ida; Ariestya, Winda Widya; Solehudin, Bambang

doi:10.22441/fifo.2022.v14i1.005

Cited by 4 publications

(2 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Confusion Matrix dapat digunakan untuk mengevaluasi kinerja algoritma Machine Learning (ML). Ini mewakili prediksi serta keadaan aktual dari data yang dibuat oleh algoritma ML [16].…”

Section: Tahap Evaluasiunclassified

Data Mining untuk Klasifikasi Diagnosa Kanker Payudara Dengan Menerapkan Algoritma C4.5

Praptiningsih,

Ariestya,

Astuti

et al. 2023

FIFO

View full text Add to dashboard Cite

Penyakit kanker merupakan gangguan kesehatan pada organ tubuh manusia atau jaringan tubuh di mana sel-sel yang tidak normal berkembang biak dengan tidak terkendali. Kanker adalah penyebab kematian terbesar kedua, tak terkecuali kanker payudara yang diderita sebagian besar wanita Indonesia. Tujuan penelitian ini adalah untuk mendiagnosa penyakit kanker payudara yang diderita pasien apakah bersifat ganas atau jinak menggunakan algoritma C4.5 sehingga dapat membantu penanganan penyakit kanker tersebut untuk mencegah kematian. Metode penelitian yang digunakan terdiri dari tiga tahapan yaitu preprocessing, modeling, dan evaluation. Tahap preprocessing, 570 catatan data klinis dari UCI (UC Irvine) Machine Learning Repository digunakan dalam penelitian ini dan selanjutnya dilakukan split data yaitu data train dan data test. Tahap modeling (pembentukan model) mengimplementasikan algoritma C4.5 sebagai metode klasifikasi penyakit kanker payudara ganas dan jinak. Tahap akhir evaluation dari hasil klasifikasi pada 32 atribut diperoleh 8 atribut sebagai penentu. Hasil evaluasi performance menunjukan algoritma C4.5 dapat digunakan sebagai algoritma pada klasifikasi penyakit kanker payudara karena nilai akurasi yang diperoleh cukup besar yaitu 93,04%, presisi 80,00% dan recall 92,31%.

show abstract

“…Confusion Matrix dapat digunakan untuk mengevaluasi kinerja algoritma Machine Learning (ML). Ini mewakili prediksi serta keadaan aktual dari data yang dibuat oleh algoritma ML [16].…”

Section: Tahap Evaluasiunclassified

Data Mining untuk Klasifikasi Diagnosa Kanker Payudara Dengan Menerapkan Algoritma C4.5

Praptiningsih,

Ariestya,

Astuti

et al. 2023

FIFO

View full text Add to dashboard Cite

show abstract

“…Dari keseluruhan dataset yang digunakan baik untuk (S1, S2 maupun S3) dibagi dengan rasio 80:20, yaitu 80% dari total data akan digunakan dalam proses pelatihan (training) dan 20% nya digunakan dalam proses evaluasi (testing). Pembagian rasio ini dipilih sesuai dengan penelitian sebelumnya [22] dengan rasio 80:20 memberikan hasil akurasi yang terbaik. Hasil dari proses training menghasilkan 24 model yang dibandingkan berdasarkan parameter keakuratan sebuah model dalam mengenali suatu objek menggunakan metode confussion metrics.…”

Section: Hasil Dan Pembahasanunclassified

Pengaruh Data Preprocessing terhadap Imbalanced Dataset pada Klasifikasi Citra Sampah menggunakan Algoritma Convolutional Neural Network

Yudianto¹,

Sukmasetya²,

Hasani³

et al. 2022

bits

View full text Add to dashboard Cite

Garbage is one of Indonesia's most significant problems with an increase in waste each year reaching 187.2 million tonnes/year. Various efforts to reduce the amount of waste such as Garbage Banks have been encouraged. However, this program has not run well, because some people have difficulty distinguishing the type of waste. One solution to overcome this problem is that need a system that can classify the type of waste. The deep learning approach with the CNN algorithm is currently widely used to solve classification problems. This method requires a large number of datasets to increase the level of accuracy. Getting a garbage dataset is a particular problem in the training process because the dataset is unbalanced. The dataset used amounted to 2527 data consisting of 6 classes. Several treatments such as undersampling and image augmentation are applied to overcome imbalanced datasets. Other treatments such as the type of input image channel and the use of filters are combined into 24 experimental scenarios to achieve the highest accuracy. The results of the experiment get the best scenario, namely, the dataset is undersampling and then augmented with 5 geometric transformation parameters with the input image being RGB and applying a sharpening filter to get an accuracy value of 0.9919 with 20 epochs.

show abstract

Application of the transfer learning method to detect diseases in cassava

Sakira,

Fajar,

Kaswar

et al. 2024

The 1ST INTERNATIONAL MULTIDISCIPLINARY CONFERENCE OF APPLIED SCIENCES: Applied Sciences for Sustainable Earth, Environment And

View full text Add to dashboard Cite

Deteksi Objek Daun Semanggi Secara Real Time Menggunakan CNN-Single Shot Multibox Detector (SSD)

Cited by 4 publications

References 0 publications

Data Mining untuk Klasifikasi Diagnosa Kanker Payudara Dengan Menerapkan Algoritma C4.5

Data Mining untuk Klasifikasi Diagnosa Kanker Payudara Dengan Menerapkan Algoritma C4.5

Pengaruh Data Preprocessing terhadap Imbalanced Dataset pada Klasifikasi Citra Sampah menggunakan Algoritma Convolutional Neural Network

Application of the transfer learning method to detect diseases in cassava

Contact Info

Product

Resources

About