Hasil Pencarian  ::  Simpan CSV :: Kembali

"Wajah manusia adalah kumpulan 44 urat di tengkorak atau rangkuman identitas anda? setiap orang memiliki wajah tetapi apa yang kita ketahui tentangnya? inilah cerita mengenai wajah manusia di seluruh dunia. John Cheese-aktor komedi, Profesor di universitas lange ar corne dan pengarang buku psikologis terlaris-menggabungkan analisa intelektual dengan sentuhan humor untuk menyelidiki wajah, penciptaannya, fungsi, seksualitas, komunikasi, identitas, dan persepsi. "

"Wajah manusia adalah kumpulan 44 urat di tengkorak atau rangkuman identitas anda? setiap orang memiliki wajah tetapi apa yang kita ketahui tentangnya? inilah cerita mengenai wajah manusia di seluruh dunia. John Cheese-aktor komedi, Profesor di universitas lange ar corne dan pengarang buku psikologis terlaris-menggabungkan analisa intelektual dengan sentuhan humor untuk menyelidiki wajah, penciptaannya, fungsi, seksualitas, komunikasi, identitas, dan persepsi. "

"Wajah manusia adalah kumpulan 44 urat di tengkorak atau rangkuman identitas anda? setiap orang memiliki wajah tetapi apa yang kita ketahui tentangnya? inilah cerita mengenai wajah manusia di seluruh dunia. John Cheese-aktor komedi, Profesor di universitas lange ar corne dan pengarang buku psikologis terlaris-menggabungkan analisa intelektual dengan sentuhan humor untuk menyelidiki wajah, penciptaannya, fungsi, seksualitas, komunikasi, identitas, dan persepsi. "

"Wajah manusia adalah kumpulan 44 urat di tengkorak atau rangkuman identitas anda? setiap orang memiliki wajah tetapi apa yang kita ketahui tentangnya? inilah cerita mengenai wajah manusia di seluruh dunia. John Cheese-aktor komedi, Profesor di universitas lange ar corne dan pengarang buku psikologis terlaris-menggabungkan analisa intelektual dengan sentuhan humor untuk menyelidiki wajah, penciptaannya, fungsi, seksualitas, komunikasi, identitas, dan persepsi. "

"Perkembangan teknologi pemrosesan citra digital berjalan dengan pesat seiring dengan banyaknya pemanfaatan teknologi tersebut di berbagai bidang kehidupan manusia. Bidang kehidupan manusia yang memanfaatkan teknologi pemrosesan citra digital antara lain adalah: interasi kumputer-manusia, kesehatan, keamanan dan keselamatan, transportasi, robotika. Salah satu penerapan teknologi pemrosesan citra digital adalah pengenalan ekspresi wajah atau Facial Expression Recognition (FER). Wajah manusia dapat menampilkan berbagai macam ekspresi yang berbeda seperti ekspresi senang, sedih, marah, takut, terkejut, jijik dan sebagainya. Perbedaan ekspresi wajah ini menjadi tantangan bagi komputer untuk dapat mengenali dan membedakannya secara akurat. Salah satu teknologi yang digunakan pada aplikasi FER adalah CNN (Convolutional Neural Networks). Penelitian ini menggunakan model CNN AlexNet yang telah dilakukan perbaikan parameter (fine-tuning) untuk diaplikasikan pada pengenalan ekspresi wajah pada citra digital. Fine-Tuning yang dilakukan adalah dengan mengubah beberapa parameter dari model AlexNet. Parameter yang diubah antara lain: normalisasi input (dari normalisasi cross channel menjadi normalisasi batch), fungsi aktivasi dari ReLU (Rectified Linear Unit) menjadi Leaky ReLU, nilai dua buah dropout yang masing-masing bernilai 50% diubah menjadi 30% dan 20%. Program pengenalan ekspresi wajah yang dibuat kemudian diaplikasikan tearhadap dua buah dataset FER yaitu dataset CK+ (Extended Cohn-Kanade) dan KDEF (The Karolinska Directed Emotional Faces). Tahapan pre-processing yang dilakukan adalah mengubah tingkat kekontrasan citra dataset menggunakan metode CLAHE (Contrast Limited Adaptive Histogram Equalization). Hasil pengujian menunjukkan bahwa metode yang menggunaan prosedur CLAHE serta model fine-tuning AlexNet miliki kinerja yang lebih baik dari pada model AlexNet standard. Penggunaan metode ini pada dataset CK+ meningkatkan akurasi rata-rata sebesar 19,01% dan ketika metode ini digunakan pada dataset KDEF mampu meningkatkan akurasi rata-rata sebesar 14,82% dibandingkan pada saat menggunakan model konvensional AlexNet serta tidak melakukan prosedur CLAHE pada citra dataset. Dari hasil pengujian juga diketahui prosedur CLAHE dan fine-tuning AlexNet mampu melakukan klasifikasi ekspresi wajah secara akurat pada citra yang diuji. Sedangkan model konvensional AlexNet dalam beberapa percobaan gagal mengklasifikasikan ekspresi wajah secara tepat pada citra yang diuji.

---

The development of digital image processing technology is progressing rapidly along with the many uses of this technology in various fields of human life. Fields of human life that utilize digital image processing technology include robotics, human-computer interaction, healthcare, security and safety, and transportation. One application of digital image processing technology is facial expression recognition (FER). The human face can display a variety of different expressions such as expressions of happiness, sadness, anger, fear, surprise, disgust, and so on. There is a challenge for the computer to recognize the difference in facial expressions. One of the technologies used in facial expression recognition applications in digital images is artificial intelligence technology especially CNN (Convolutional Neural Networks). In this study, AlexNet, a CNN model was fine-tuned and combined with CLAHE (Contrast Limited Adaptive Histogram Equalization) procedure toward images dataset for facial expression recognition applications. Fine-Tuning AlexNet model were made by changing some of AlexNet's standard parameters. These parameters include: input initialization (from local normalization to batch normalization), activation function (from ReLU to Leaky ReLU), and dropout value changed from 50%; 50% to 30% and 20%. The facial expression recognition program created was then implemented in two FER (Facial Expression Recognition) datasets, namely CK+ and KDEF. After testing, the results showed that the CLAHE and Fine-Tuning AlexNet model had better performance than the basic AlexNet model. When applying the CK+ dataset that had CLAHE procedure with the Fine-Tuning AlexNet model increases the average of accuracy up to 19,01%, when applying to the KDEF dataset, this method increases accuracy up to 14,82%. From the test results it is known that the CLAHE and the Fine-Tuning AlexNet model model gives better results than the original AlexNet model. Fine-Tuning of the AlexNet model is able to give accurate classification of facial expressions in the tested images. While the original AlexNet model in several experiments failed to accurately clasify facial expressions in the tested images."

"Midfacial rejuvenation is a comprehensive review of the majority of procedures and options for midfacial aesthetic and corrective surgery. Each contributor offers a unique approach to the midfacial area, with detailed specifics for every technique. Chapters on midfacial anatomy, complications and their management complete the comprehensive coverage of the subject matter, resulting in a reference text that will benefit every practitioner dealing with the midfacial region. Features, one of the first books to focus exclusively on the midfacial area, highly illustrated and with clear, step-by-step instructions on performing a variety of midface lifts, implants, sutures, grafts, and fillers, over 300 full color images, includes in-depth chapters on midfacial anatomy and the anatomic basis of aging, multiple approaches to midfacial rejuvenation by well-known surgeons in fields such as oculoplastics, facial plastics, general plastics, and dermatologists."

"Ekspresi gen sintentik gag HIV-1 subtipe CRF01_AE dalam E. coli BL21 dan E. coli BL21-CP telah dilakukan. Gen gag merupakan salah satu gen pada HIV-1 yang tidak mengalami mutasi secara signifikan sehingga gen tersebut dapat digunakan untuk pengembangan vaksin yang dapat dimanfaatkan dalam jangka waktu yang panjang. Pengembangan vaksin HIV membutuhkan protein Gag untuk digunakan sebagai antigen yang mampu merespon pembentukan antibodi pada hewan uji coba. Protein Gag didapatkan dengan cara melakukan ekspresi gen gag yang telah diklon ke dalam vektor ekspresi pQE-81L, dan ditransformasi ke dalam bakteri E. coli BL21 dan E. coli BL21-CP. Ekspresi dilakukan dengan tiga faktor optimasi yaitu, suhu, konsentrasi isopropyl-β-D-thiogalactopyranoside (IPTG) dan waktu ekspresi setelah induksi dilakukan. Analisis hasil ekspresi dilakukan dengan SDS-PAGE dan menunjukkan tidak ada protein Gag yang dihasilkan pada semua keadaan optimasi yang dilakukan. Kegagalan ekspresi gen gag pada E. coli BL21 dan E. coli BL21-CP disebabkan oleh peristiwa kodon bias, dan pemilihan sel inang ekspresi yang kurang tepat.

---

Expression of gag gene on HIV-1 subtype CRF01_AE in E. coli BL21 and E. coli BL21-CP had been conducted. Gag gene on HIV-1 is one of the genes that can?t be significantly mutated, so it can be utilized for long term vaccines development. HIV vaccine development requires Gag protein as antigen in order to response antibody formation in animal experiment. Gag protein was obtained by gag gene expression that had been cloned into expression vector pQE-81L and transformed into E. coli BL21 and E. coli BL21-CP. Expression of the gag gene as optimized by temperature, isopropyl-β-D-thiogalactopyranoside (IPTG) concentration, and expression time after IPTG induction. The expression was analyzed by SDS-PAGE and it showed no protein produced in all optimization conditions. The failure of gag gene expression in E. coli BL21 and E. coli BL21-CP caused by codon ray and inappropriate host cell."