Abstract:The rapid advancement of artificial intelligence (AI) has significantly impacted the healthcare sector, particularly in supporting the early detection of diabetes; however, many AI models still face challenges due to their…
ir black-box nature, where decision-making processes are not easily understood. This study aims to compare two Explainable Artificial Intelligence (XAI) methods, namely Local Interpretable Model-Agnostic Explanations (LIME) and SHapley Additive Explanations (SHAP), in interpreting the prediction results of an Artificial Neural Network (ANN) model using the Diabetes Health Indicator dataset. Prior to modeling, the data were preprocessed through cleaning and normalization to ensure quality and consistency. The trained ANN model was then analyzed using LIME and SHAP to evaluate the contribution of each feature to the prediction outcomes. The results show that both methods are capable of providing meaningful and interpretable explanations, although SHAP demonstrates more consistent and stable interpretations across the dataset. These findings highlight the importance of integrating XAI techniques to enhance model transparency, thereby increasing trust and supporting more reliable decision-making in clinical settings, particularly for diabetes diagnosis.
Abstract:Penelitian ini bertujuan untuk mengimplementasikan metode Convolutional Neural Network (CNN) dalam pendeteksian jenis kulit wajah dan rekomendasi skincare berbasis Android. Sistem mengklasifikasikan jenis kulit menjadi normal,…
ormal, kering, berminyak, berjerawat, dan sensitif menggunakan 750 citra wajah yang telah diberi label. Model dilatih dengan 50 epoch, ukuran citra 224×224 piksel, dan optimizer Adam. Hasil pelatihan menunjukkan bahwa akurasi meningkat seiring bertambahnya epoch, sementara nilai loss menurun. Evaluasi pada data uji menghasilkan akurasi sebesar 99% dengan loss 3,73%, yang menunjukkan performa model yang sangat baik. Sistem mampu mengklasifikasikan jenis kulit secara akurat serta memberikan rekomendasi skincare yang disesuaikan dengan kondisi kulit pengguna. Implementasi dalam aplikasi Android memudahkan pengguna dalam melakukan deteksi secara langsung melalui kamera smartphone, sehingga membantu dalam memilih produk perawatan yang tepat.
Abstract:Kanker payudara dapat menurunkan kualitas hidup sehingga diperlukan skrining yang cepat dan konsisten. Penelitian ini mengembangkan sistem klasifikasi kanker payudara berbasis Convolutional Neural Network (CNN) yang diimplementasikan…
plementasikan pada aplikasi skrining berbasis web. Dataset disusun ke dalam data latih, validasi, dan uji, kemudian citra diproses melalui penyesuaian ukuran 224×224, normalisasi, serta augmentasi pada data latih. Model dibangun menggunakan arsitektur MobileNetV3 Small dengan keluaran tiga kelas, yaitu Normal, Benign, dan Malignant. Sistem juga menerapkan validasi input untuk memastikan prediksi hanya dilakukan pada citra jaringan payudara sebelum proses inferensi. Hasil pengujian pada 300 data uji menunjukkan akurasi sebesar 88,00% dengan performa per kelas yang bervariasi, di mana kesalahan klasifikasi masih terjadi pada kelas-kelas yang memiliki kemiripan ciri visual. Hasil ini menunjukkan CNN efektif untuk mendukung skrining awal kanker payudara dan dapat ditingkatkan melalui penambahan data serta optimasi pelatihan pada penelitian selanjutnya
Abstract:Gangguan tidur seperti insomnia dan sleep apnea merupakan masalah kesehatan global yang dapat menurunkan kualitas hidup. Deteksi dini terhadap gangguan ini penting dilakukan, khususnya dengan bantuan teknologi seperti algoritma…
goritma data mining untuk meningkatkan ketepatan diagnosis. Data mining adalah bagian esensial dari analitik data dalam disiplin ilmu data science, yang memberikan berbagai manfaat luas dan aplikasi yang relevan. Penelitian ini menggunakan dataset Sleep Health and Lifestyle dari Kaggle untuk mengevaluasi kinerja tiga algoritma data mining, yaitu Naïve Bayes, Support Vector Machine (SVM), dan Neural Network, dalam mengklasifikasi gangguan tidur. Proses pengembangan model mengikuti tahapan CRISP-DM dengan pengujian akurasi menggunakan Cross Validation dan evaluasi menggunakan Confusion Matrix dan kurva ROC. Berdasarkan hasil pengujian, algoritma Neural Network menunjukkan kinerja terbaik dengan akurasi 93,08% dan nilai AUC yang termasuk dalam klasifikasi "Excellent." Temuan ini menunjukkan bahwa Neural Network efektif dalam mengklasifikasi gangguan tidur, sehingga dapat mendukung proses diagnosa dan penanganan gangguan tidur secara lebih akurat.
Abstract:Stunting pada balita merupakan permasalahan kesehatan masyarakat yang serius dan memerlukan penanganan segera melalui deteksi dini yang akurat. CNN (Convolutional Neural Network) merupakan metode yang akurat, efektif dan…
tepat sasaran dalam memberikan hasil yang akurat dan presisi. Implementasi metode CNN dapat mengklasifikasikan status stunting pada balita berdasarkan parameter antropometri dan karakteristik kesehatan. Dataset yang digunakan terdiri dari 6.500 sampel data balita dengan 8 variabel meliputi jenis kelamin, usia, berat lahir, panjang lahir, berat badan, panjang badan, riwayat ASI eksklusif, dan status stunting. Metodologi yang digunakan melibatkan serangkaian tahapan preprocessing data termasuk standardisasi fitur menggunakan StandardScaler, pemisahan data training (80%) dan testing (20%), serta penggunaan arsitektur CNN yang terdiri dari layer konvolusi 1D dengan 32 filter, max pooling, dan dense layer. Model dilatih menggunakan optimizer Adam dengan fungsi loss categorical crossentropy selama 10 epoch dan batch size 32. Evaluasi performa model dilakukan menggunakan berbagai metrik termasuk accuracy, precision, recall, dan F1-score.
Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan mencapai performa yang sangat baik dengan akurasi 90%, precision 89%, recall 92%, dan F1-score 91%. Analisis confusion matrix mengkonfirmasi kemampuan model dalam mengklasifikasikan kedua kelas yaitu pada stunting dan non-stunting secara seimbang. Temuan ini mengindikasikan bahwa implementasi CNN efektif dalam mengidentifikasi status stunting pada balita dan berpotensi menjadi alat bantu yang berharga dalam screening stunting di fasilitas kesehatan.
Abstract:Perkembangan teknologi yang pesat mendorong masyarakat untuk beradaptasi dalam aktivitas sehari-hari dengan cara yang lebih mudah, cepat, dan efektif. Salah satu inovasi di bidang administrasi adalah Sistem Informasi Administrasi…
inistrasi Kependudukan (SIAK), yang memungkinkan pembuatan data kependudukan secara cepat dan akurat di seluruh wilayah Indonesia. Pemerintah pusat, melalui Dukcapil Kementerian Dalam Negeri, meluncurkan identitas kependudukan digital sebagai bentuk digitalisasi dokumen kependudukan yang dapat diakses melalui aplikasi di ponsel. Meskipun aplikasi ini memudahkan masyarakat, beberapa pengguna masih menghadapi kendala, terutama terkait keamanan data. Sebagai solusi keamanan, teknologi pengenalan wajah berbasis machine learning menjadi opsi potensial dalam memastikan identitas digital yang lebih aman. Teknik seperti Convolutional Neural Networks (CNN) terbukti efektif dalam mengenali fitur wajah, memungkinkan sistem untuk mengidentifikasi individu dengan akurasi tinggi, terutama dalam konteks keamanan. Namun teknologi ini menghadapi tantangan, seperti variasi pose, pencahayaan, dan ekspresi wajah, yang mempengaruhi kinerja sistem pengenalan wajah. Studi ini mengkaji pentingnya evaluasi model pembelajaran mesin, seperti akurasi dan recall, untuk memastikan efektivitas sistem dalam mendeteksi dan mencegah akses yang tidak sah. Dalam masyarakat, pemerintah memiliki tanggung jawab memberikan layanan optimal sebagaimana diatur dalam Undang-Undang Nomor 25 Tahun 2009 tentang Pelayanan Publik. Optimalisasi informasi teknologi diharapkan memberikan manfaat luas bagi masyarakat, memperkuat peran aparat
Abstract:Ikan hiu adalah kelompok hewan yang menarik dan menakutkan di dunia laut. Mereka termasuk dalam kelas Chondrichthyes bersama dengan pari dan hiu bersirip. Mereka dapat ditemukan di berbagai perairan dan memiliki peran penting…
nting sebagai indikator kesehatan ekosistem laut. Namun, populasi ikan hiu terancam karena penangkapan ikan ilegal dan kurangnya konservasi. Dalam proses mengidentifikasi dan mengklasifikasikan spesies hiu, peneliti membuat program dengan menggunakan teknik pengenalan visi komputer, seperti Convolutional Neural Network (CNN), dapat sangat membantu. Salah satu arsitektur CNN yang efektif adalah ResNet50, yang terbukti berhasil dalam klasifikasi gambar. Dengan menggunakan 4720 data citra ikan hiu dari 14 kelas model ResNet50 berhasil mencapai akurasi 86% dalam klasifikasi spesies ikan hiu. Model ini dapat digunakan untuk mengidentifikasi spesies hiu dengan baik, kecuali pada beberapa kelas tertentu yang perlu diperbaiki.