Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini memiliki tujuan untuk mencari model machine learning yang dapat mengenali kegiatan yang dilakukan pengguna ATM, serta mencari algoritma terbaik untuk mengetahui kapan suatu kegiatan pengguna ATM dimulai dan selesai pada suatu video. Terdapat sembilan jenis aktivitas berbeda yang ingin dideteksi. Penelitian ini dapat dibagi dalam dua fase, yaitu fase mencari rentang waktu aktivitas pada video yang disebut fase deteksi aktivitas, dan fase mengenali aktivitas tersebut yang disebut fase pengenalan aktivitas. Pada fase pengenalan aktivitas, penulis mengajukan suatu rancangan arsitektur 3D CNN, serta melakukan eksperimen terhadap parameter pada arsitektur tersebut. Setelah melakukan beberapa eksperimen, didapatkan model terbaik dengan kernel berukuran 3 x 3 x 3, menggunakan input video dengan piksel berukuran 20 x 20 per frame, dan menggunakan dua lapis layer ekstraksi fitur. Pada fase deteksi aktivitas, penulis mengajukan suatu rancangan fungsi deteksi aktivitas, yang mengikuti framework ‘classification lalu post-processing’ yang merupakan salah satu framework untuk deteksi aktivitas (Yao et al., 2018), serta melakukan eksperimen terhadap parameter pada fungsi tersebut. Setelah melakukan beberapa eksperimen, didapatkan performa terbaik dengan parameter teta sebesar 20, dan konstanta C sebesar 365. Pada kedua eksperimen tersebut, terdapat beberapa kesalahan yang dilakukan, sehingga diperlukan eksperimen lanjutan dimana kesalahan tersebut tidak dilakukan. Kesalahan tersebut adalah model kemungkinan besar masih underfit, dan terdapat permasalahan pada pemotongan video manual pada dataset. Setelah menyelesaikan kesalahan tersebut, model untuk fase pengenalan aktivitas mendapatkan akurasi sebesar 93.94%, presisi sebesar 96.36%, recall sebesar 93.94%, dan f-score sebesar 93.69%. Pada sisi lain, dalam fase deteksi aktivitas didapatkan akurasi sebesar 94.44%, presisi sebesar 96.30%, recall sebesar 96.30%, dan f-score sebesar 94.07%.

---

This research aims to find a machine learning model that can recognize the activities of ATM users, and find the best algorithm to find when each ATM user activity starts and finishes on a video. There are nine different types of activities that this study want to detect. This research can be divided into two phases, namely the phase of detecting for a time span of activity on a video that is called the activity detection phase, and the phase of recognizing that activity that is called the activity recognition phase. In the activity recognition phase, I propose a 3D CNN architecture design, and conduct experiments on the parameters of the architecture. After carrying out several experiments, the best model is obtained with a kernel with dimensions of 3 x 3 x 3, using video input with pixels measuring 20 x 20 per frame, and using two layers of feature extraction layer. In the activity detection phase, I propose an activity detection function, which follows the ‘classification then post-processing’ framework, which is one of the frameworks for activity detection (Yao et al., 2018), and conducts experiments on the parameters of the function. After carrying out several experiments, the best performance was obtained with a theta parameter of 20, and a constant C of 365. In both experiments, there were some errors made, so that further experiments were needed to be done, where the errors were not carried out. The error is that the model is most likely still in underfit phase, and there are problems with manual video clipping on the dataset. After resolving these errors, the model for the activity recognition phase gained an accuracy of 93.94%, a precision of 96.36%, a recall of 93.94%, and an f-score of 93.69%. On the other hand, in the activity detection phase an accuracy of 94.44% is obtained, a precision of 96.30%, a recall of 94.44%, and an f-score of 94.07%."

"Badan Meteorologi Klimatologi dan Geofisika (BMKG) memiliki tugas untuk memberikan informasi cuaca termasuk curah hujan. Cuaca merupakan seluruh fenomena yang terjadi di atmosfer bumi. Kondisi cuaca baik hujan atau cerah sangat mempengaruhi aktivitas masyarakat dalam kehidupan sehari-hari, terutama untuk aktivitas di luar ruangan. Kondisi hujan yang terjadi dapat ditentukan dengan adanya curah hujan. BMKG memiliki beberapa jenis alat pengukur curah hujan, dengan jumlah yang belum merata di seluruh wilayah. Harga peralatan itu relative mahal. Solusi yang bisa dilakukan untuk menambah kerapatan pengamatan curah hujan yaitu dengan memanfaatkan sumber yang sudah ada untuk mendapatkan informasi cuaca. Penelitian ini akan memanfaatkan CCTV yang tersebar di wilayah Jakarta untuk diolah sehingga menghasilkan informasi kondisi hujan. Metode yang digunakan yaitu melakukan image processing menggunakan metode Convolutional Neural Network (CNN). Gambar CCTV akan diambil dari internet secara otomatis dengan metode crawling untuk mendapatkan data citra digital. Gambar yang telah tersedia selanjutnya akan dilakukan proses pelatihan dan pengujian model untuk mendapatkan model dengan akurasi terbaik. Hasil dari model ini akan digunakan untuk deteksi hujan pada citra digital CCTV. Proses deteksi hujan akan dilakukan secara otomatis dan real time. Hasil proses deteksi hujan akan ditampilkan ke dalam peta sesuai dengan lokasi terpasangnya CCTV. Penelitian ini telah membuat model CNN untuk deteksi hujan secara otomatis dengan akurasi training 98,8% dan akurasi testing sebesar 96,4% serta telah dilakukan evaluasi dengan data pengamatan BMKG sehingga memiliki akurasi evaluasi sebesar 96,7%.

---

Meteorology Climatology and Geophysics Agency (BMKG) has the duty to provide weather information including rainfall. Weather is a whole phenomenon that occurs in the Earth's atmosphere. Rainy or sunny weather conditions greatly affect community activities in daily life, especially for outdoor activities. Rainfall conditions that occur can be determined by the presence of rainfall. BMKG has several types of rainfall gauges, with a number that has not been evenly distributed throughout the region. The price of the equipment is relatively expensive. The solution that can be done to increase the density of rainfall observations is to utilize existing sources to obtain weather information.

This research will utilize CCTV that is spread in the Jakarta area to be processed so as to produce information on rain conditions. The method used is to do image processing using the Convolutional Neural Network (CNN) method. CCTV images will be taken from the internet automatically by the crawling method to get digital image data. The available images will then be carried out a training process and model testing to get the model with the best accuracy. The results of this model will be used for rain detection on digital CCTV images. The rain detection process will be done automatically and in real time.

The results of the rain detection process will be displayed on the map according to the location of the installed CCTV. This research has made a CNN model for automatic rain detection with 98.8% training accuracy and 96.4% testing accuracy and has been evaluated with BMKG observation data so that it has an evaluation accuracy of 96.7%."

"Kanker paru merupakan kanker yang paling banyak ditemukan dan paling mematikan di dunia. Penentuan stadium kanker paru umumnya dilakukan oleh dokter radiologi dengan melihat pembesaran kelenjar getah bening (KGB) mediastinal. KGB mediastinal cukup sulit dideteksi secara visual dikarenakan memiliki kontras yang rendah  terhadap jaringan di sekitarnya, ukuran dan bentuknya yang bervariasi, serta tersebar di berbagai lokasi. Oleh karena itu, akhir – akhir ini dikembangkan sistem computer-aided detection (CADe) sebagai alat bantu bagi dokter radiologi untuk mendeteksi KGB mediastinal secara otomatis. Metode terbaik saat ini dalam sistem CADe KGB mediastinal tersebut menggunakan 2D convolutional neural network (CNN) yang diterapkan dari 3 sudut pandang (axial, coronal, sagittal). Namun, sifat 3D dari KGB mediastinal dihipotesakan akan lebih terwakili jika menggunakan 3D CNN. Oleh karena itu, dalam penelitian ini digunakan 3D CNN yang kemudian diubah menjadi 3D fully convolutional network (FCN)  untuk mendeteksi kandidat KGB mediastinal di dalam suatu tumpukkan citra CT. Kandidat KGB mediastinal tersebut kemudian dianalisa untuk mengurangi false positive (FP) menggunakan 3 metode, yaitu perhitungan mean HU, deteksi kontur menyerupai lingkaran, dan klasifikasi menggunakan 3D CNN. Performa terbaik dari sistem CADe KGB mediastinal ini diperoleh ketika menggunakan 3D CNN dalam tahap pengurangan FP dengan sensitivitas 77% dan 12 FP/pasien.

---

Lung cancer is the most common and the deadliest cancer in the world. Lung cancer staging usually was done by radiologist by detecting mediastinal lymph node (LN) enlargement. Mediastinal LN is difficult to be detected visually due to its low contrast to the surrounding tissues, various size and shape, and sparse location. Therefore, computer-aided detection (CADe) system has been developed as a tool for radiologist to detect medistinal LN automatically. The state of the art mediastinal LN CADe system used 2D convolutional neural network (CNN) from 3 planar views (axial, coronal, sagittal). However, the 3D features of mediastinal LN are hypothesized to be more reprenseted if 3D CNN is used. Therefore, in this experiment we used 3D CNN which is converted to 3D fully convolutional network (FCN) to detect mediastinal LN candidate in a stack of CT images. Then, the mediastinal LN candidates were analyzed using 3 methods to reduce the false positive (FP), which are the calculation of the mean HU, the blob detection, and the classification using 3D CNN. The best performance of this CADe system was achieved when the 3D CNN was used in the FP reduction stage which has 77% of sensitivity and 12 FP/ patient."

"Jatuh merupakan penyebab utama kedua cedera dan kematian yang tidak disengaja di seluruh dunia. Kejadian ini sering terjadi pada lansia dan frekuensinya meningkat setiap tahun. Sistem pendeteksi aktivitas jatuh yang reliabel dapat mengurangi risiko cedera yang dialami. Mengingat jatuh adalah kejadian yang tidak dikehendaki atau terjadi secara tiba-tiba, sulit untuk mengumpulkan data jatuh yang sebenarnya. Deteksi jatuh juga sulit karena kemiripannya dengan beberapa aktivitas seperti jongkok, dan mengambil objek dari lantai. Selain itu, beberapa tahun belakangan dataset mengenai aktivitas jatuh yang tersedia secara publik juga terbatas. Oleh karena itu, di tahun 2019, beberapa peneliti mencoba membuat dataset jatuh yang komprehensif yang mensimulasikan kejadian yang sebenarnya dengan menggunakan perangkat kamera dan sensor. Dataset yang dihasilkan dataset multimodal bernama UP-Fall. Menggunakan dataset tersebut, penelitian ini mencoba mendeteksi aktivitas jatuh dengan pendekatan Convolutional Neural Network (CNN) dan Long Short Term Memory (LSTM). CNN digunakan untuk mendeteksi informasi spasial dari data citra, sedangakan LSTM digunakan untuk mengeksploitasi informasi temporal dari data sinyal. Kemudian, hasil dari kedua model digabungkan dengan strategi majority voting. Berdasarkan hasil evaluasi, CNN memperoleh akurasi sebesar 98,49% dan LSTM 98,88%. Kedua model berkontribusi kepada performa strategi majority voting sehingga mendapatkan akurasi (98,31%) yang melebihi akurasi baseline (96,4%). Metrik evaluasi lain juga meningkat seperti precision naik 11%, recall 14%, dan F1-score 12% jika dibandingan dengan baseline

---

.Fall is the second leading cause of accidental injury and death worldwide. This event often occurs in the elderly and the frequency is increasing every year. Reliable fall activity detection system can reduce the risk of injuries suffered. Since falls are unwanted events or occur suddenly, it is difficult to collect actual fall data. It is also difficult because of the similarity to some activities such as squatting, and picking up objects from the floor. In addition, in recent years the fall dataset that is publicly available is limited. Therefore, in 2019, some researchers tried to create a comprehensive fall dataset that simulates the actual events using camera and sensor devices. The experiment produced a multimodal dataset UP-Fall. Using this dataset, this study tries to detect falling activity using Convolutional Neural Network and Long Short Term Memory approaches. CNN is used to detect spatial information from image data, while LSTM is used to exploit temporal information from signal data. Then, the results of the two models are combined with the majority voting strategy. Based on the evaluation results, CNN obtained an accuracy of 98.49% and LSTM 98.88%. Both models contribute to the performance of the majority voting strategy with the result that the accuracy (98.31%) exceeds baseline accuracy (96.4%). Other evaluation metrics also improved such as precision goes up to 11%, recall 14%, and F1-score 12% in comparison with baseline."

"Kanker payudara adalah salah satu kanker paling umum terjadi di kalangan wanita dan tingkat kelangsungan hidupnya cenderung rendah ketika stadiumnya ditemukan sudah tinggi. Untuk meningkatkan kelangsungan hidup kanker payudara, deteksi dini sangat penting. Ada dua cara untuk mendeteksi kanker payudara: diagnosis dini dan skrining. Untuk membuat diagnosa yang akurat pada stadium awal kanker payudara, munculnya massa dan mikro-kalsifikasi pada citra mamografi merupakan dua indikator penting. Beberapa Computer-Aided Detection (CADe) telah dikembangkan untuk mendukung ahli radiologi karena pendeteksian mikro-kalsifikasi penting dalam menegakkan diagnosis dan perawatan yang direkomendasikan berikutnya. Sebagian besar sistem CADe yang ada saat ini mulai menggunakan Convolutional Neural Network (CNN) untuk mengimplementasikan deteksi mikro-kalsifikasi pada mammogram dan hasil kuantitatifnya sangat memuaskan, rata-rata tingkat akurasinya lebih dari 90%. Penelitian ini melakukan pendekatan otomatis untuk mendeteksi lokasi setiap mikro-kalsifikasi pada citra mammogram yang lengkap dan secara sederhana. Total lebih dari 350 gambar dari dataset INbreast digunakan dalam studi penelitian ini serta implementasi menggunakan data lokal Rumah Sakit (RS) sebanyak 23 citra. Proses ini dapat membantu ahli radiologi untuk melakukan diagnosis dini dan meningkatkan akurasi deteksi wilayah mikro-kalsifikasi. Performa sistem yang diusulkan diukur berdasarkan nilai error Mean Squared Logarithmic Error (MSLE) sebagai teknik untuk mengetahui perbedaan antara nilai yang diprediksi oleh model yang diusulkan dan nilai sebenarnya, didapat nilai loss terbaik yang diperoleh adalah 0,05. Hasil validasi daring mendapatkan nilai sensitivitas sebesar 88.14%, presisi 91.6% dan akurasi sebesar 90.3%. Hasil implementasi pada data lokal RS menunjukkan model CADe dapat mendeteksi mikro-kalsifikasi dengan cukup baik.

---

Breast cancer is one of the most common cancer among women and the survival rate tends to be low when its stage found high when treated. To improve breast cancer survival, early detection is critical. There are two ways of detection for breast cancer: early diagnosis and screening. To make an accurate diagnosis in the early stage of breast cancer, the appearance of masses and micro-calcifications on the mammography image are two important indicators. Several Computer-Aided Detection (CADe) have been developed to support radiologists because the automatic detection of micro-calcification is important for diagnosis and the next recommended treatment. Most of the current CADe systems at this time started using Convolutional Neural Network (CNN) to implement the micro-calcification detection in mammograms and their quantitative results are very satisfying, the average level of accuracy is more than 90%. This research conducts an automated approach to detect the location of any micro-calcification in the mammogram images with the complete image and in a simple way. A total more than 350 images from INbreast dataset were used in this research study and for implementation used 23 images from local hospital data. This process can help as an assistant to the radiologist for early diagnosis and increase the detection accuracy of the microcalcification regions. The proposed system performance is measured according to the error values of Mean Squared Logarithmic Error (MSLE) as the technique to find out the difference between the values predicted by the proposed model and the actual values, the best loss value obtained by the training model was achieved in 0.05. The results for data online validation for sensitivity is 88.14%, precision is 91.6% and accuracy is 90.3%. The CADe model can detect micro-calcification quite well using local hospital data."

"Jagung (Zea mays L.) merupakan salah satu tanaman serelia atau tanaman biji-bijian yang menjadi bahan pangan utama terpenting setelah padi dan gandum di dunia. Komoditas jagung dinilai sangat penting karena memiliki fungsi multiguna sebagai bahan pangan, bahan baku industri, bahan pakan ternak dan bahan bakar nabati. Seiring dengan kebutuhan jagung yang kian naik dari tahun ke tahunnya, kekurangan produksi dalam pasokan jagung global dan kenaikan harga input jagung menjadi hal yang harus diperhatikan karena memiliki dampak yang serius. Salah satu ancaman utama bagi produksi jagung adalah penyakit daun jagung yang disebabkan oleh jamur, beberapa diantaranya adalah Gray leaf spot, Northern leaf blight, dan Common rust. Gray leaf spot, Northern leaf blight, dan Common rust dapat menyebabkan hilangnya hasil panen sekitar 50%-70% di beberapa daerah penghasil jagung di dunia. Oleh karena itu, salah satu cara yang dapat dilakukan untuk mengurangi resiko kegagalan produksi jagung adalah mengambil langkah-langkah pencegahan dengan pendeteksian dini pada penyakit daun jagung melalui citra digital. Pada penelitian ini, digunakan pendekatan deep learning dengan metode Convolutional Neural Network (CNN) arsitektur ResNet-50 yang merupakan salah satu metode yang paling baik dalam mengolah citra digital. Data yang digunakan adalah Maize or Corn Dataset oleh Smaranjit Ghose dan diambil dari Kaggle yang merupakan online database. Setelah itu, dilakukan tahapan mengolah data citra dengan melakukan preprocessing data yang bertujuan agar meningkatkan akurasi seperti mengubah ukuran dan melakukan flip horizontal kemudian rotasi. Hasil penelitian menunjukkan bahwa Convolutional Neural Network ResNet-50 dengan menggunakan fungsi optimasi Adam dapat mendeteksi penyakit daun jagung dengan sangat baik. Hasil tersebut diperoleh dari 5 kali percobaan simulasi pada setiap skenario kasus yang menghasilkan rata-rata nilai training dan validation accuracy sebesar 98,68% dan 97,86%. Kemudian, rata-rata hasil accuracy testing, recall macro, recall micro, precision macro dan precision micro terbaik diperoleh dengan hasil masing-masing sebesar sebesar 97,49%, 97,13%, 97,53%, 96,69% dan 97,87%.

---

Maize (Zea Mays L.) is one of the cereal plants or grain crops that become an important food ingredient after rice and wheat in the world. Maize is also considered very important because it has a multi-purpose function as food, industrial raw materials, animal feed ingredients, and biofuels. Along with increasing demand for maize from year to year, lack of production for global maize supply and increase of maize price is one thing that needs more attention because it has a serious impact. One of the main threats to maize production is maize leaf disease that is caused by fungi, some of them are Gray leaf spot, Northern leaf blight, and Common rust. Gray leaf spot, Northern leaf blight, and Common rust can lead to reduced yields of about 50%-70% in some maize-producing areas. Therefore, one method that can be done to reduce the failure of maize production is taking preventive measures by detecting disease using digital images. This study uses deep learning methods by Convolutional Neural Network (CNN) ResNet-50 architecture, which is one of the best methods in processing digital images. The data used in this study is Maize or Corn Dataset by Smaranjit Ghose and taken from Kaggle which is an online database. After that, the stages of processing image data are carried out by preprocessing data to increase accuracies such as resizing and doing horizontal flips and rotations. The results showed that the Convolutional Neural Network ResNet-50 using the Adam optimization function could detect maize leaf disease very well. These results were obtained from 5 simulations experiments in each case scenario which resulted in an average value of training and validation accuracy of 98.68% and 97.86. Then, the average results of the best accuracy testing, recall macro, recall micro, precision macro, and precision micro were obtained with results of 97.49%, 97.13%, 97.53%, 96.69%, and 97,87%."

"Speech Emotion Recognition adalah teknologi yang mampu bisa mendeteksi emosi lewat data suara yang diproses oleh sebuah mesin. Media yang sering digunakan untuk menjadi media interaksi antara 2 orang atau lebih yang saat ini sedang digunakan oleh banyak orang adalah Podcast, dan Talkshow. Seiring berkembangya SER, penelitian terakhir menunjukkan bahwa penggunaan metode Deep Learning dapat memberikan hasil yang memuaskan terhadap sistem SER. Pada penelitian ini akan diimplementasikan model Deep Learning yaitu dengan Recurrent Neural Network (RNN) variasi Long Short Term Memory (LSTM) untuk mengenali 4 kelas emosi (marah, netral, sedih, senang). Penelitian ini menguji model yang digunakan untuk mengenali emosi dari fitur akustik pada data secara sekuensial. Skenario training dan testing dilakukan dengan metode one-against-all dan mendapatkan hasil (1) Dataset talkshow mengungguli dataset podcast untuk tipe 1 dan 2 dan untuk semua emosi yang dibandingkan; (2) Untuk dataset podcast pada emosi marah, senang, dan sedih didapatkan akurasi optimal pada dataset tipe 1 yaitu 67.67%, 71.43%, dan 68,29%, sedangkan untuk emosi netral didapatkan akurasi terbaik pada dataset tipe 2 dengan 77.91%; (3) Untuk dataset talkshow pada emosi marah, netral, dan sedih didapatkan akurasi terbaik pada dataset tipe 2 yaitu 78.13%, 92.0%, dan 100%. Dapat disimpulkan bahwa dataset talkshow secara garis besar memberikan hasil yang lebih optimal namun memiliki variasi data yang lebih sedikit dari dataset podcast. Dari sisi panjang data, pada penelitian ini didapatkan akurasi yang lebih optimum pada dataset dengan tipe 2.

---

Speech Emotion Recognition is a technology that is able to detect emotions through voice data that is processed by a machine. Media that is often used to be a medium of interaction between two or more people who are currently being used by many people are Podcasts, and Talkshows. As SER develops, recent research shows that the use of the Deep Learning method can provide satisfactory results on the SER system. In this study a Deep Learning model will be implemented, this study uses Long Short Term Memory (LSTM) as one of the variation of Recurrent Neural Network (RNN) to recognize 4 classes of emotions (angry, neutral, sad, happy). This study examines the model used to recognize emotions from acoustic features in sequential data. Training and testing scenarios are conducted using the one-against-all method and get results (1) The talkshow dataset outperforms the podcast dataset for types 1 and 2 and for all emotions compared; (2) For the podcast dataset on angry, happy, and sad emotions, the optimal accuracy in type 1 dataset is 67.67%, 71.43%, and 68.29%, while for neutral emotions the best accuracy is obtained in type 2 dataset with 77.91%; (3) For the talkshow dataset on angry, neutral, and sad emotions the best accuracy is obtained for type 2 datasets, namely 78.13%, 92.0%, and 100%. It can be concluded that the talkshow dataset in general gives more optimal results but has fewer data variations than the podcast dataset. In terms of data length, this study found more optimum accuracy in dataset with type 2."

"Kondisi pasca bencana adalah sebuah kondisi darurat yang membutuhkan pertolongan pertama dari tim penyelamat. Oleh karena itu, dikembangkan pemanfaatan radar yang digunakan untuk mendeteksi manusia dalam kondisi pasca-bencana. Sayangnya, banyaknya parameter yang mempengaruhi pengklasifikasian membatasi pemakaian radar 24 GHz seperti reruntuhan yang menutupi manusia. Oleh karena itu, radar dengan frekuensi yang lebih tinggi dimanfaatkan dengan frekuensi 77 GHz yaitu sinyal milimeter. Metode seperti deep learning dan backpropagation neural network sudah diterapkan pada penelitian-penelitian sebelumnya menggunakan radar sinyal milimeter. Namun, tingkat akurasi dari klasifikasi kelas dari makhluk hidup hanya mencapai 49% dengan jumlah klasifikasi 2 kelas dan 32% dengan jumlah klasifikasi 3 kelas. Oleh karena itu, dikembangkan kembali dengan metode Convolutional Neural Network. Akurasi yang didapatkan meningkat hingga mencapai 99% untuk klasifikasi 2 kelas dan 3 kelas. Namun akurasinya menurun untuk klasifikasi kelas yang lebih banyak hingga 68%. Skripsi ini mengajukan metode 3D-Convolutional Neural Network guna meningkatkan resolusi dari data yang diberikan dalam pelatihan dari model untuk meningkatkan akurasi pada klasifikasi kelas dengan model yang diajukan.

---

The post-disaster condition is an emergency that requires immediate first aid from rescue teams. Therefore, the use of radar has been developed to detect humans in post-disaster conditions. Unfortunately, the numerous parameters affecting classification, such as rubble covering humans, limit the use of 24 GHz radar. Consequently, higher frequency radar, specifically 77 GHz millimeter-wave signals, is utilized. Methods like deep learning and backpropagation neural networks have been applied in previous studies using millimeter-wave radar signals. However, the classification accuracy for living beings reached only 49% for two-class classification and 32% for three-class classification. Therefore, the method was further developed using Convolutional Neural Networks (CNN). The accuracy achieved improved to 99% for both two-class and three-class classifications, but it decreased to 68% for classifications with more classes. This thesis proposes the use of a 3D-Convolutional Neural Network method to enhance the resolution of the data used in model training, aiming to improve the accuracy of class classification with the proposed model."

"Proses segmentasi organ secara manual memakan waktu dan hasilnya subyektif terhadap definisi batas-batas kontur. Pemanfaatan teknologi Machine Learning (ML) berjenis 3D convolutional neural network (3D CNN) untuk mensegmentasi organ secara otomatis dapat mempercepat dan menstandarisasi hasil segmentasi organ. Penelitian ini mengimplementasilan network ML berbasis VoxResNet dan memanfaatkan 60 dataset CT Scan toraks dari Grand Callenge AAPM 2017 untuk melatih, memvalidasi, dan menguji model-model ML dengan berbagai variasi hyperparameter. Pengaruh variasi hyperparameter terhadap hasil segmentasi model juga dipelajari. Dataset dibagi menjadi 3 yaitu, 36 untuk perlatihan, 12 untuk validasi, dan 12 untuk pengujian. Dalam penelitian ini paru-paru kiri dan paru-paru kanan dijadikan satu jenis OAR bernama paru-paru, esophagus dan spinal cord dijadikan satu OAR bernama ESP, sedangkan jantung tetap OAR tersendiri. Variasi hyperparameter adalah variasi ukuran patch, jumlah batch, dan weight class. Hasil segmentasi model-model dievaluasi dan diperbandingkan untuk mencari model terbaik dengan hyperparameter-nya yang mampu menghasilkan kualitas hasil segmentasi organ terbaik. Kemampuan network dalam proses perlatihan dan validasi dievaluasi menggunakan kurva pembelajaran. Kualitas hasil segmentasi model organ dievaluasi menggunakan boxplot distribusi populasi nilai metrik Dice Similiarity Coefficient (DSC) dan Housdorf Distance (HD) setiap slice. Peningkatan atau penurunan kinerja model akibat variasi hyperparameter dinilai menggunakan skor peningkatan metrik. Terakhir, metrik DSC dan HD95 secara 3D hasil segmentasi model terbaik dibandingkan dengan hasil segmentasi oleh interrater variability AAPM 2017 dan hasil segmentasi team virginia. Hasil kurva pembelajaran tidak mengalami underfitting menunjukkan bahwa network mampu mempelajari data perlatihan dengan baik. Overfitting terjadi pada model organ jantung dan ESP. Hasil eksperimen variasi ukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja moukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja model. Model ukuran patch tengah memberikan kualitas distribusi metrik dan skor paling baik dibandingkan model ukuran patch terkecil dan terbesar pada semua OAR dengan skor 11, 13, dan 13 dari 16. Hasil eksperimen variasi jumlah batch menunjukkan bahwa peningkatan jumlah batch tidak selalu berdampak positif terhadap kinerja model. Untuk model jantung ukuran patch terbesar, peningkatan batch dapat meningkatkan skor dari 2 menjadi 12. Untuk model ESP ukuran patch terbesar, peningkatan batch menurunkan skor dari 13 menjadi 2. Hasil eksperimen variasi weight class (W) menunjukkan bahwa baik model jantung maupun ESP cenderung memberikan distribusi metrik dan skor terbaik di sekitar W = [1,3.67] atau W = [1, C1 < 11]. Dibandingkan dengan interrater variability AAPM, model jantung terbaik menghasilkan nilai metrik yang comparable, yaitu untuk DSC 3D 0.932 ± 0.016 = 0.931 ± 0.015 dan untuk HD95 4.00 ± 0.25 < 6.42 ± 1.82. Sedangkan untuk model paru-paru memberikan metrik lebih baik, yaitu 0.964 ± 0.025 > 0.956 ± 0,019 dan 4,72± 0,21 < 6.71 ± 3,91. Dibandingkan dengan team virginia, model jantung terbaik berhasil memberikan nilai metrik yang lebih baik. yaitu 0.932 ± 0.016 > 0.925 ± 0.015 dan 4.00 ± 0.25 < 6.57 ± 1.50, sedangkan model ESP terbaik menghasilkan metrik yang comparable, yaitu 0.815 ± 0.049 = 0,810 ± 0,069 dan 4,68 ± 0,17 < 8,71 ± 10,59. Dari hasil-hasil ini memberikan potensi adanya perpaduan ukuran patch, jumlah batch, dan weight class tertentu yang dapat menyebabkan hasil segmentasi model ukuran patch lebih kecil dapat mengimbangi hasil segmentasi model ukuran patch lebih besar sehingga tuntutan akan perangkat dengan spesifikasi tinggi dan mahal dapat berkurang.

---

The process of manual organ segmentation is time consuming and the results are subjective in term of definition of contour boundaries. The utilization of Machine Learning (ML) technology using 3D convolutional neural network (3D CNN) to segment organs automatically can speed up the procces as well as standardizing the results of organ segmentation. This study implements a VoxResNet-based ML network and utilizes 60 thoracic CT scan datasets obtained from Grand Callenge AAPM 2017 to train, validate, and test ML models with various hyperparameter variations. The effects of hyperparameter variations on the segmentation results of models are also studied. The dataset is divided into 3 parts, namely 36 for training, 12 for validation, and 12 for testing. In this study the left lung and right lung were combined into one type of OAR called the lung, the esophagus and spinal cord were combined into one OAR called ESP, while the heart remained a separate OAR. Hyperparameter variations are variations in patch size, number of batches, and weight loss. The segmentation results of the models are evaluated and compared each other to find the best model and it’s hyperparameters which is able to produce the best segmentation’s quality. The ability of the network in training and validation procceses is evaluated using learning curve. The quality of the organ model’s segmentation results is evaluated using boxplot of population’s distribution of the Dice Similiarity Coefficient (DSC) and Housdorf Distance (HD) metrics for each slice. The increases or decreases in model performance due to variations in hyperparameters are assessed using the metric improvement score. Finally, the 3D DSC and HD95 metrics of the best model’s segmentation results are compared to the results of segmentation by the AAPM 2017’s interrater variability and to the segmentation results by team virginia. There is no underfitting of learning curve indicates that the network is able to learn the training data. Overfitting occurs in the heart and ESP models. The experimental results from patch size variations show that the size of the patch is not always linear with the performance of the model. The middle patch sized models give the best metric distribution’s quality as well as scores compared to the smallest and largest patch sized models for all OARs with scores of 11, 13, and 13 out of 16. The experimental results from batch number variations show that an increase in batch does not always have a positive impact on model performance. For the largest patch sized heart’s model, the increase increases the score from 2 to 12. For the largest patch sized ESP's model, the increase reduces the score from 13 to 2. The results from variations in weight loss (W) experiment show that both heart’s and ESP's models tend to provide the best distributions in term of metrics and scores around W = [1, 3.67] or W = [1, C1 < 11]. By comparing with AAPM's interrater’s variability, the best heart model produces comparable metric's result, that is 0.932 ± 0.016 = 0.931 ± 0.015 for DSC 3D and 4.00 ± 0.25 < 6.42 ± 1.82 for HD95. The best lungs model produces better metrics, that is 0.964 ± 0.025 > 0.956 ± 0,019 and 4,72 ± 0,21 < 6.71 ± 3,91. By comparing with team virginia's results, the best heart model produces better results that is 0.932 ± 0.016 > 0.925 ± 0.015 and 4.00 ± 0.25 < 6.57 ± 1.50. Meanwhile the best ESP model produces comparable results that is 0.815 ± 0.049 = 0,810 ± 0,069 and 4,68 ± 0,17 < 8,71 ± 10,59. The results of this study suggests that there is a certain combination of patch size, batch, and weight class by which enables smaller patch sized model to produce comparable metric's result produced by larger patch sized model thus decreasing the need to use higher specificationed and expensive computer."

"Kanker payudara (KPD) merupakan salah satu penyakit yang masih banyak terjadi di negara berkembang seperti Indonesia. Di Indonesia sendiri, KPD menempati peringkat pertama terbanyak dari berbagai jenis kanker yang terjadi.  Pendeteksian kanker ini dapat dilakukan sejak dini dengan memeriksa manual apakah terdapat benjolan atau kelainan pada payudara. Jika terasa ada benjolan, maka disarankan untuk diperiksa ke dokter dengan berbagai metode, seperti mammogram, Magnetic Resonance Imaging (MRI), dan USG. Diagnosa citra ini sering terkendala karena tidak setiap rumah sakit memiliki tenaga spesialis radiologi. Maka dari itu, untuk mengatasinya diperlukan bantuan komputer untuk mendiagnosa citra tersebut yang sering disebut computer aided diagnostis (CAD). Algoritma Convolutional Neural Network didasari pada hasil pemeriksaan rutin citra x-ray payudara normal/abnormal yang cenderung menunjukkan perubahan, salah satunya tekstur (konten). Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Sistem dimulai dengan mengenal dan mempelajari data 3 jenis mamografi, yakni mamografi normal (sehat), mamografi benign, dan mamografi malignant. Setelah mempelajari data tersebut, sistem akan mencoba untuk mendeteksi jenis kanker payudara dari data baru yang dimasukkan. Nilai akurasi yang didapatkan adalah 100%, dengan rasio data pembelajaran sebanyak 1247 data (setelah diaugmentasi) dan data pengujian sebanyak 93 data, sehingga disimpulkan bahwa sistem ini baik. Namun nilai ini hanya untuk data MIAS, sehingga masih perlu pengembangan lebih lanjut supaya dapat diterapkan ke data-data yang lain juga.

---

Breast Cancer (BC) is one of the diseases that still occur a lot in developing countries like Indonesia. In Indonesia alone, BC is the number one most occurrence cancer. This cancer detection can be done early by manual, checking if there is any lump or abnormality in breast. If there are any lump, it is recommended to go check in hospital. There are a lot of methods like Magnetic Resonance Imaging (MRI), and Ultrasonography (USG). This image diagnostics sometimes got constrained by the lack of radiology specialist in some hospital. Therefore, to counter this problem, Computer Aided Diagnostics (CAD) help is needed to detect those images. Convolutional Neural Network algorithm is based on the result of the routine x-ray's check of breast, both normal and abnormal which tend to show some changes, which one of them is texture (content). Data used in this research came from Pilot European Image Processing Archive (PEIPA) website, Mammographic Image Analysis Society (MIAS) database. The system start by recognizing and learning 3 types of mammograph data, normal (healthy), benign and malignant. Then, system will try to detect and classify breast cancer type from the new input data. The accuracy score is 100%, with a ratio of 1247 datas for learning (after augmented) and 93 datas for testing, so it can be concluded that this system is good. But this score is achieved only for MIAS data, it still need further improvement  so it can be applied to another data."