Hasil Pencarian  ::  Simpan CSV :: Kembali

"Seiring perkembangan teknologi, pemanfaatan dari pengembangan ilmu pengetahuan tersebut harus selalu ditingkatkan. Khususnya dalam hal menciptakan keamanan dan ketertiban di Indonesia. Sementara jumlah proporsi polisi dan warga yang tidak ideal, 1:900, Kepolisian Republik Indonesia masih menggunakan cara manual yang tidak efektif dalam mengidentifikasi pelaku kejahatan. Yaitu membuat sketsa wajah pelaku kejahatan dan mencari kemiripan wajah dengan citra-citra wajah yang ada di basis data Kepolisian. Sistem Identifikasi Buron bagian Alis dibuat untuk memperbaiki ketidakefektifan proses tersebut. Sistem Identifikasi Buron bagian Alis merupakan sub-bagian dari sistem Identifikasi Buron yang menggunakan bagian-bagian wajah lainnya untuk proses identifikasi. Untuk mencari yang paling efektif dalam mengukur kemiripan alis, maka penelitian ini membandingkan dua metode yang diganakan untuk melakukan ekstraksi. Yaitu Eigenface dan Klustering K-Means dengan Koreksi Gamma. Selain itu, penelitian ini juga membagi alis menjadi lima kategori, tebal, tipis, sambung, normal, dan sedang. Citra wajah yang digunakan berasal dari citra mahasiswa Universitas Indonesia (UI) angkatan 2007 sebanyak 500 buah. Citra alis diperoleh dari data wajah tersebut yang di crop secara manual. Keseluruhan data ini diperoleh dari Pusat Pengembangan Sistem Informasi (PPSI) UI. Setiap metode akan diuji dengan memberikan lima template dari lima kategori yang berbeda untuk diuji kemiripannya. Dari penelitian ini dihasilkan bahwa Eigenface memiliki akurasi sebesar 64.64%, sedangkan Klustering K-Means dengan Koreksi Gamma memiliki akurasi sebesar 74.75%. Diharapkan hasil penelitian ini bisa membantu kepolisian dalam menjaga keamanan dan ketertiban di Indonesia."

"ABSTRAKDalam beberapa tahun terakhir, Deep Learning DL telah menarik banyak perhatian dalam penelitian pemelajaran mesin. Metode ini telah berhasil dipakai untuk berbagai aplikasi pada pemrosesan suatu, robotika, pengenalan fonetik, pencarian informasi dan bahkan analisa molekul. Meskipun DL telah berhasil sukses untuk diterapkan dalam berbagai bidang aplikasi, training yang diperlukan pada metode ini tidaklah mudah. Sejumlah cara telah diusulkan untuk membuat proses training DL menjadi lebih optimal, beberapa diantanya dengan menambahkan proses pre-training, memutuskan beberapa jaringan dalam lapisan, ataupun mengganti fungsi aktivasi dan metode gradien standar yang dipergunakan. Disertasi ini menggunakan pendekatan lain dalam optimasi DL, yaitu memakai algoritme metaheuristik. Secara umum disertasi ini dibagi dalam dua bagian besar. Bagian pertama adalah studi awal penelitian yang difokuskan pada beberapa eksperimen yang berkaitan dengan algoritme metaheuristik dan aplikasi DL dalam klasifikasi citra. Bagian kedua dari disertasi berkaitan dengan penerapan algoritme metaheuristik dalam DL. Hasil pada bagian ini misalnya untuk optimasi metode Convolutional Neural Nework CNN menggunakan dataset CIFAR10, diperoleh untuk Top-1 error pada validasi adalah 99,05 . Hasil ini lebih baik dari nilai akurasi CNN asli sebesar 88,21 , fine-tuning CNN menggunakan Harmony Search yang diusulkan G. Rosa dkk sebesar 78,28 , dan bahkan State of the art saat ini sebesar 96,53 dengan Fractional Max-Pooling.

---

ABSTRACTIn recent years, deep Learning DL has drawn many attention in machine learning research. This method has been successfully used in various applications, such as sound process, robotics, phonetic identification, information retrieval, and even molecule analysis. Although DL has been successful to be applied in many fields, it is difficult to train in this method. Various attempts and methods has been proposed to make the DL training process become more optimum, some of them are by adding pre training process, drop out some networks in the layer, or by replacing activation function and standard gradient method being used. This dissertation takes another way to optimize a DL, i.e. using metaheuristic algorithms. Overall, this dissertation will be divided into two main parts. The first part is a preliminary study of research, focusing on several experiments which were related to the metaheuristic algorithm and DL application in image classification. The second part of this dissertation is related to application of metaheuristic algorithm in DL. The results in this part, for example, the optimization of CNN method using CIFAR10 dataset for Top 1 error in validation is 99.05 . This result is higher than the accuracy level from original CNN 88,21 , fine tuning CNN using Harmony Search suggested by G. Rossa et.al 78.28 , and even ldquo State of the art rdquo right now using Fractional Max Pooling 96.53 "

"Penelitian ini bertujuan untuk mengembangkan model deteksi penyakit kulit pada hewan peliharaan menggunakan image processing dan Deep Learning. Model ini dirancang untuk mendeteksi tiga jenis penyakit kulit yang umum, yaitu Ringworm, Scabies, dan Earmite, dengan memanfaatkan gambar yang diambil menggunakan kamera ponsel. Model ini menggabungkan teknik image processing, seperti CLAHE, filter Gaussian, dan segmentasi HSV, dengan model CNN. Evaluasi model dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1-score. Pada penelitian ini digunakan dua model untuk mendeteksi penyakit yang berbeda. Hasil penelitian menunjukkan bahwa untuk model 1, yang melakukan klasifikasi multi-kelas, nilai metrik validasi Akurasi mencapai 83%, F1-score mencapai 82%, Precision mencapai 89%, dan Recall mencapai 83%. Sedangkan untuk hasil model 2, yang melakukan klasifikasi biner, nilai akurasi mencapai 100%, F1-score mencapai 100%, Precision mencapai 100%, dan Recall mencapai 100%. Model ini juga menunjukkan kinerja yang lebih baik dibandingkan dengan model transfer learning ResNet-50 dan VGG16.

---

This research aims to develop a skin disease detection model for pets using image processing and Deep Learning . The model is designed to detect three common skin diseases, namely Ringworm, Scabies, and Earmite, using images captured by mobile phone cameras. The model combines image processing techniques, such as CLAHE, Gaussian filter, and HSV segmentation, with a CNN model. Model evaluation is performed using the Accuracy, Precision, Recall, and F1-score metrics. In this study, two models were used to detect different diseases. The research results show that for model 1, which performs multi-class classification, the validation metric value of Accuracy reaches 83%, F1-score reaches 82%, Precision reaches 89%, and Recall reaches 83%. Meanwhile, for the results of model 2, which performs binary classification, the accuracy value reaches 100%, F1-score reaches 100%, Precision reaches 100%, and Recall reaches 100%. This model also shows better performance compared to the ResNet-50 and VGG16 transfer learning models."

"[ABSTRAKPerkembangan sistem informasi saat ini menyebabkan sistem informasi yang digunakan dalam sebuah organisasi terus bertambah dan semakin kompleks. Halini juga memunculkan fenomena meningkatnya jumlah data yang diolah dandihasilkan oleh sistem informasi. Kondisi ini membawa tantangan baru dalampengawasan operasional sistem informasi, seperti keterlambatan peringatankesalahan atau membanjirnya jumlah peringatan yang tidak tepat sasaran. Penelitian ini bertujuan membangun sebuah sistem pengawasan aplikasi padasistem informasi di PT. XYZ menggunakan Event Driven Architecture dan Machine Learning. Pengembangan ini menggunakan perangkat lunak R dan TIBCO StreamBase.

---

ABSTRACTAdvancement in information system nowadays has generated more quantities and complexities of an organization?s information system. This factalso leads to a phenomenon of the increase of data volume being processed andalso generated by any information system. This condition has brought a newchallenge in the operation and monitoring of the information systems, such asdelays in failure alert and also floods of incorrect alerts. This research aims to build a monitoring system for applications in the PT. XYZ information systems, using Event Driven Architecture and Machine Learning techniques. This development is done using R software and also TIBCO StreamBase. , Advancement in information system nowadays has generated more quantities and complexities of an organization’s information system. This factalso leads to a phenomenon of the increase of data volume being processed andalso generated by any information system. This condition has brought a newchallenge in the operation and monitoring of the information systems, such asdelays in failure alert and also floods of incorrect alerts. This research aims to build a monitoring system for applications in the PT. XYZ information systems, using Event Driven Architecture and Machine Learning techniques. This development is done using R software and also TIBCO StreamBase. ]"

"Pada penelitian ini dilakukan penggabungan citra dari dua sumber energi yang berbeda berdasarkan kerangka kerja deep learning. Tujuannya untuk menghasilkan citra objek dengan material penyusun lebih dari satu yang lebih baik dan lebih informatif. Hasil penelitian menunjukkan bahwa metode yang diajukan dapat menghasilkan citra yang lebih minim noise, kontras yang baik, dan dapat mempertahankan struktur objek. Evaluasi kualitas citra menggunakan metrik objektif, seperti FMIdct, FMIpixel, FMIw, Nabf, dan SSIM, menunjukkan peningkatan dibandingkan dengan metode tradisional. Rata-rata nilai FMI yang lebih tinggi menunjukan bahwa keterkaitan informasi hasil fusi dengan kedua sumber lebih baik dibanding kedua metode pembanding. Nilai Nabf yang lebih rendah menunjukan noise yang muncul akibat dari proses fusi lebih minim dibanding kedua metode lainnya. Nilai SSIM pada hasil fusi menggunakan metode ini juga memiliki nilai yang lebih tinggi dibanding dengan kedua metode yang dibandingkan. Sampel yang memiliki rata-rata nilai metrik terbaik adalah busi dengan nilai tertinggi metrik evaluasi FMIdct adalah 2,96×10^(-1), nilai FMIpixel adalah 9,70×10^(-1), nilai FMIw adalah 3,69×10^(-1), nilai SSIM adalah 9,92×10^(-1), dan nilai Nabf terrendah adalah 3,82×10^(-3). Kesimpulannya, penelitian ini berhasil mengembangkan pendekatan baru dalam penggabungan citra CT menggunakan framework VGG19. Metode ini memiliki potensi untuk meningkatkan diagnosis dan analisis non-medis seperti pada evaluasi kualitas produksi pada industri manufaktur dengan menghasilkan citra yang lebih informatif dan akurat.

---

In this research, images from two different energy sources are combined based on a deep learning framework. The goal is to produce better and more informative images of objects with more than one constituent material. The results show that the proposed method can produce images with less noise, good contrast, and can maintain the structure of the object. Evaluation of image quality using objective metrics, such as FMIdct, FMIpixel, FMIw, Nabf, and SSIM, shows improvement compared to traditional methods. The higher average FMI value indicates that the fused information is better related to the two sources than the two comparison methods. The lower Nabf value indicates that the noise arising from the fusion process is more minimal than the other two methods. The SSIM value in the fusion results using this method also has a higher value than the two methods compared. The sample that has the best average metric value is the spark plug with the highest value of FMIdct evaluation metric is 2.96×10-1, FMIpixel value is 9.70×10-1, FMIw value is 3.69×10-1, SSIM value is 9.92×10-1, and the lowest Nabf value is 3.82×10-3. In conclusion, this study successfully developed a new approach in CT image fusion using the VGG19 framework. This method has the potential to improve non-medical diagnosis and analysis such as production quality evaluation in the manufacturing industry by producing more informative and accurate images."

"Penelitian ini mengusulkan pengembangan model monolingual untuk Natural Language Inference (NLI) dalam bahasa Swahili untuk mengatasi keterbatasan model multibahasa saat ini. Studi ini melakukan fine-tuning pada model SwahBERT yang sudah dilatih sebelumnya untuk menangkap hubungan semantik dan nuansa kontekstual unik dalam bahasa Swahili. Komponen penting dari penelitian ini adalah pembuatan dataset SwahiliNLI, yang dirancang untuk mencerminkan kompleksitas bahasa Swahili, sehingga menghindari ketergantungan pada teks bahasa Inggris yang diterjemahkan. Selain itu, kinerja model SwahBERT yang telah di-fine-tune dievaluasi menggunakan dataset SwahiliNLI dan XNLI, dan dibandingkan dengan model multibahasa mBERT. Hasilnya menunjukkan bahwa model SwahBERT mengungguli model multibahasa, mencapai tingkat akurasi sebesar 78,78% pada dataset SwahiliNLI dan 73,51% pada dataset XNLI. Model monolingual juga menunjukkan presisi, recall, dan skor F1 yang lebih baik, terutama dalam mengenali pola linguistik dan memprediksi pasangan kalimat. Penelitian ini menekankan pentingnya menggunakan dataset yang dihasilkan secara manual dan model monolingual dalam bahasa dengan sumber daya rendah, memberikan wawasan berharga untuk pengembangan sistem NLI yang lebih efisien dan relevan secara kontekstual, sehingga memajukan pemrosesan bahasa alami untuk bahasa Swahili dan berpotensi menguntungkan bahasa lain yang menghadapi keterbatasan sumber daya serupa.

---

This research proposes the development of a monolingual model for Natural Language Inference (NLI) in Swahili to overcome the limitations of current multilingual models. The study fine-tunes the pre-trained SwahBERT model to capture Swahili's unique semantic relationships and contextual nuances. A critical component of this research is the creation of a SwahiliNLI dataset, crafted to reflect the intricacies of the language, thereby avoiding reliance on translated English text. Furthermore, the performance of the fine-tuned SwahBERT model is evaluated using both SwahiliNLI and the XNLI dataset, and compared with the multilingual mBERT model. The results reveal that the SwahBERT model outperforms the multilingual model, achieving an accuracy rate of 78.78% on the SwahiliNLI dataset and 73.51% on the XNLI dataset. The monolingual model also exhibits superior precision, recall, and F1 scores, particularly in recognizing linguistic patterns and predicting sentence pairings. This research underscores the importance of using manually generated datasets and monolingual models in low-resource languages, providing valuable insights for the development of more efficient and contextually relevant NLI systems, thereby advancing natural language processing for Swahili and potentially benefiting other languages facing similar resource constraints."

"Penggunaan analisis sentimen semakin umum digunakan. Dalam pengembangan analisis sentimen ini banyak tantangan yang perlu dihadapi. Karena analisis ini termasuk Natural Language Processing NLP, hal yang perlu dimengerti adalah kompleksitas bahasa. Dengan berkembangnya teknologi Artificial Neural Network, ANN semakin banyak permasalahan yang bisa diselesaikan. Ada banyak contoh struktur ANN dan untuk penelitian ini yang digunakan adalah Convolutional Neural Network CNN dan Recurrent Neural Network RNN. Kedua jenis ANN tersebut sudah menunjukkan performa yang baik untuk beberapa tugas NLP. Maka akan dilakukan analisis sentimen dengan menggunakan kedua jenis ANN tersebut dan dibandingkan kedua performa ANN tersebut. Untuk data yang akan digunakan diambil dari publikasi stanford dan untuk mengubah data tersebut bisa digunakan pada ANN digunakan word2vec. Hasil dari analisis menunjukkan bahwa RNN menunjukkan hasil yang lebih baik dari CNN. Walaupun akurasi tidak terlalu terlihat perbedaan yaitu pada RNN yang mencapai 88.35 0.07 dan CNN 87.11 0.50, tetapi waktu pelatihan RNN hanya membutuhkan waktu 8.256 detik sedangkan CNN membutuhkan waktu 544.366 detik.

---

Term of sentiment analysis become popular lately. There are many challenges developing sentiment analysis that need to be addressed. Because this kind analysis is including Natural Language Processing, the thing need to understand is the complexity of the language. With the current development of Artificial Neural Network ANN, more problems can be solved.

There are many type of ANN and for this research Convolutional Neural Network CNN and Recurrent Neural Network will be used. Both already showing great result for several NLP tasks. Data taken from stanford publication and transform it with word2vec so could be used for ANN.

The result shows that RNN is better than CNN. Even the difference of accuracy is not significant with 88.35 0.07 for RNN and 87.11 0.50 for CNN, the training time for RNN only need 8.256 secods while CNN need 544.366 seconds."

"Penyakit Alzheimer merupakan bentuk umum dari gangguan neurodegeneratif yang ditandai dengan rusaknya sel-sel otak, seperti kusutnya neurofibrillary dan adanya plak amiloid yang bersifat progresif. Salah satu ciri fisik seseorang menderita penyakit Alzheimer adalah adanya penyusutan luas daerah hippocampus pada otak. Hippocampus merupakan bagian terkecil dari otak yang berfungsi menyimpan memori. Deteksi penyakit Alzheimer dapat dilakukan dengan menggunakan Magnetic Resonance Image MRI yang merupakan satu teknik non inovasif untuk analisis struktur otak pada penderita Alzheimer. Pada penelitian ini, digunakan metode K-Means Clustering dan Watershed untuk mensegmentasi daerah hippocampus yang merupakan salah satu bagian otak yang diserang ketika terkena penyakit Alzheimer. Analisis yang dilakukan untuk mendeteksi Alzheimer, yaitu membandingkan nilai threshold dengan jumlah piksel putih pada citra. Data yang digunakan pada penelitian ini yaitu Open Acess Series of Image Studies OASIS database dengan menggunakan citra potongan koronal. Berdasarkan hasil percobaan, antara metode K-Means Clustering dan Watershed keduanya dapat mensegmentasi daerah hippocampus untuk mendeteksi penyakit Alzheimer.

---

Alzheimer 39s disease is a common form of neurodegenerative disorders characterized by defective brain cells, such as neurofibrillary tangles and amyloid plaque that is progressive. One of the physical characteristics of someone suffering from Alzheimer 39s disease is shrinking of the hippocampus area of the brain. The hippocampus is the smallest part of the brain that serves to save memory. The detection of Alzheimer 39s disease can be done using a Magnetic Resonance Image MRI which is a technique of non inovasif for an analysis of the structure of the brain in the Alzheimer 39s patient.

In this research, K Means Clustering and Watershed method are used to segment the hippocampus area which is one part of the brain that was attacked by Alzheimer 39s disease. The analysis used to detect Alzheimer 39 s is comparing the value of the threshold with the number of white pixels in the images. The data used in this research are Open Access Series of Image Studies OASIS database by using the image of coronal slice. Based on the our experiment result, both K Means Clustering and Watershed method can segment the samehippocampus area to detect Alzheimers disease."

"ABSTRACTSaat ini new psychoacytive substances NPS telah menjadi fenomena yang perlu diperhatikan karena perkembangannya yang cepat untuk menghindari hukum yang berlaku dalam suatu negara. Perkembangan senyawa katinon pada tahun 2013 tercatat sebanyak 30 senyawa katinon sintetik kemudian terjadi peningkatan pada tahun 2018 menjadi 89 senyawa katinon sintetik. Artificial intelegence AI telah menjadi menjadi alat bantu manusia dalam melakukan pengolahan data, perkembangan AI menjadi machine learning dan deep learning penggunaannya meliputi pengenalan objek, klasifikasi gambar dan pengenalan pose manusia. Struktur suatu senyawa diubah menjadi bentuk pemodelan fingerprint sebagai informasi yang akan digunakan oleh metode clustering machine learning dan deep learning untuk melakukan klasifikasi senyawa. Sedangkan metode pemodelan farmakofor akan dijadikan pembanding dengan kedua metode diatas. Metode deep learning dengan pemodelan fingerprint mampu memberikan hasil akurasi dan Kohen Kappa dengan nilai 99,32 dan 0,992. Hasil ini menunjukan bahwa metode deep learning dengan pemodelan fingerprint memiliki potensi sebagai instrumen untuk mencegah perkembangan new psychoacytive substances dengan cara menegakan hukum yang berlaku di indonesia.

---

ABSTRACTNowadays new psychoactive substances NPS have become a phenomenon that needs to be noticed because of its rapid development in order to avoid applicable law within a country. Development of the compound katinon in the year 2013 recorded as many as 30 synthetic katinon compounds then increased in 2018 to 89 synthetic katinon compounds. Artificial intelligence AI has become a tool of human being in doing data processing, AI development become machine learning and deep learning its use include object recognition, image classification and human pose recognition. The structure of a compound was transformed into a form of fingerprint modeling as the information that will be used by the clustering method machine learning and deep learning to classify the compound. While the method of modeling pharmacophore will be used as a comparison with both methods above. Deep learning method with fingerprint modeling can give accuracy and Cohen Kappa with 99.32 and 0.992. This result shows that deep learning method with fingerprint modeling has potential as an instrument to prevent expansion of new psychoactive substances by enforcing applicable law in Indonesia."

"Indonesia merupakan negara rawan gempa karena secara geografis indonesia terletak pada pertemuan empat lempeng tektonik. Karena ini, pengembangan sebuah sistem prediksi real-time gempa bumi yang mencakup wilayah yang luas dengan gempa bumi besar sangat dibutuhkan untuk mengurangi korban jiwa. Penelitian ini mengusulkan pembuatan sistem pendeteksi cepat kedatangan gelombang-p dan penentuan hiposenter dan magnitudo gempa menggunakan deep-learning. Pengembangan sistem berbasis web ini bertujuan untuk memperingati masyarakat agar dapat lebih dini untuk melindungi diri sebelum gempa terjadi. Menggunakan data dari BMKG, data yang kami gunakan mencakupi 1892 set data gempa pada tahun 2009–2017 dan 26 set data gempa dari Katalog BMKG Januari 2019, penelitian ini menggunakan algoritma STA/LTA dalam menemukan P-Arrival dan membandingkan tiga model pembelajaran mesin untuk memprediksi hiposenter gempa dimana model Conv1d digabung dengan LSTM dengan interval waktu 20 detik merupakan skenario model terbaik dengan memiliki mean absolute error sebesar 0.470. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat menampilkan visualisasi data dengan menggunakan websocket berdasarkan data seismik yang dikumpulkan oleh BMKG. Visualisasi data seismik ini ditampilkan menggunakan dynamic line chart dan peta web interaktif.

---

Indonesia is an earthquake-prone country because geographically Indonesia is located at the confluence of four tectonic plates. Therefore, the development of a real-time earthquake prediction system that covers large areas with large earthquakes is urgently needed to reduce fatalities. This study proposes the creation of a rapid detection system for the arrival of p-waves, hypocenters and earthquake magnitudes using deep-learning. The development of this web-based system is aimed at warning people so that they can protect themselves before an earthquake occurs. Using data from BMKG, we used 1892 earthquake data sets in 2009–2017 and 26 earthquake data sets from January 2019 BMKG Catalog, this research uses the STA/LTA algorithm to find P-Arrival and compares three machine learning models to predict the earthquake hypocenter where Conv1d model is combined with LSTM with a time interval of 20 seconds is the best model scenario with a mean absolute error of 0.470. In addition, this research succeeded in implementing a web-based system that can display data visualization using websocket based on seismic data collected by BMKG. This seismic data visualization is displayed using dynamic line charts and an interactive web map."