Hasil Pencarian  ::  Simpan CSV :: Kembali

"Saat ini komputasi tomografi (CT) sinar-X sudah banyak diterapkan di industri manufaktur untuk keperluan kontrol kualitas seperti penentuan cacat, porositas, koreksi geometri manufaktur dan reverse engineering. Kemampuan untuk memeriksa struktur internal material yang kompleks tanpa merusak konstruksi material tersebut merupakan salah satu keuntungan CT industri. Namun biaya perangkat CT industri komersial sangat mahal, karena hampir semuanya diimpor. Penelitian ini bertujuan untuk mengembangkan perangkat CT sinar-X berbasis fluoroskopi untuk industri manufaktur. Perangkat ini terdiri dari komponen utama yaitu detektor fluoroskopi, meja putar, pesawat sinar-X dan komputer beserta perangkat lunak akuisisi dan rekonstruksi citra. Telah dilakukan akuisisi citra dengan menggunakan berbagai benda uji dengan bentuk, material dan ketebalan yang berbeda beda. Kualitas citra tomografi berbagai benda uji sangat memuaskan. Data penelitian ini diharapkan dapat dijadikan referensi untuk pengembangan perangkat CT industri yang produksi dalam negeri dengan biaya lebih murah.

---

Currently, X-ray computed tomography (CT) has been widely applied in the manufacturing industry for quality control purposes such as defect determination, porosity, manufacturing geometry correction, and reverse engineering. The ability to inspect the internal structure of complex materials without destructive the construction of the material is one of the advantages of industrial CTs. However, the cost of commercial industrial CT devices is very expensive, because almost all of them are imported. This study aims to develop a development of fluoroscopy-based X-ray CT system for the manufacturing industry. The device consists of the main components, that is a fluoroscopy detector, a rotary table, an X-ray device, and a computer along with image acquisition and reconstruction software. Image acquisition has been carried out using various test objects with different shapes, materials, and thicknesses. The tomographic image quality of various test objects is very satisfying. Hopefully this research data can be used as references for the development of producing a low-cost industrial X-ray CT equipment made within the country."

"Saat ini, komputasi tomografi (computed tomography/CT) sinar-X sudah banyak diterapkan di industri manufaktur untuk menguji atau memeriksa struktur internal suatu sampel. Metode Filtered Back Projecrtion (FBP) merupakan metode rekonstruksi citra CT yang popular digunakan untuk menghasilkan citra yang mempunyai noise lebih sedikit, kontras yang tajam dan mampu membedakan densitas antara latar belakang dan objek. Pemindaian citra digunakan mode geometri cone beam dengan rentang sudut 360° dan inkremen sudut 1°. Proses dimulai dari denoising, normalisasi, sintesis sinogram, dan rekonstruksi citra menggunakan FBP. Hasil dari penelitian ini adalah citra 2 dimensi hasil dari pemindaian citra geometri cone beam, sinogram dan hasil rekonstruksi citra irisan dengan parameter evaluasi yaitu Signal to Noise Ratio (SNR), Contrast to Noise Ratio (CNR), dan kontras relatif. Untuk mencari parameter evaluasi tersebut digunakan input koordinat Region of Interest (RoI). Diperoleh filter Cosine paling baik dalam memberikan nilai SNR, CNR dan kontras relatif paling tinggi. Dalam post processing akan digunakan variasi filter low pass (Ideal, Butterworth dan Gaussian). Input citra hasil rekonstruksi FBP menggunakan filter Cosine. Terdapat parameter evaluasi tambahan yaitu SSIM (Structural Similarity Index Measure). Beberapa parameter input seperti frekuensi cut-off, dan orde akan mempengaruhi frekuensi spasial. Frekuensi ini mengacu pada seberapa sering suatu gray value muncul atau berulang dalam citra.

---

Currently, X-ray computational tomography (CT) has been widely applied in the manufacturing industry to test or examine the internal structure of a sample. The Filtered Back Projection (FBP) method is a popular CT image reconstruction method used to produce images that have less noise, sharp contrast and are able to distinguish densities between the background and the object. Image scanning uses the cone beam geometry mode with an angle range of 360° and an angle increment of 1°. The process starts from denoising, normalizing, sinogram synthesis, and image reconstruction using FBP. The results of this study are 2-dimensional images resulting from scanning geometric cone beam images, sinograms and reconstructed sliced images with evaluation parameters namely Signal to Noise Ratio (SNR), Contrast to Noise Ratio (CNR), and relative contrast. To find the evaluation parameters, the Region of Interest (RoI) coordinate input is used. The Cosine filter is the best in providing the highest SNR, CNR and relative contrvalues. In post processing, variations of low pass filters (Ideal, Butterworth and Gaussian) will be used. Input the FBP reconstruction image using the Cosine filter. There is an additional evaluation parameter, namely SSIM (Structural Similarity Index Measure). Several input parameters such as cut-off frequency, and order will affect the spatial frequency. This frequency refers to how often a gray value appears or repeats in the image."

"Penelitian ini bertujuan untuk mendapatkan kombinasi parameter yang optimal dalam simulasi pemeriksaan kranial, toraks, dan abdomen menggunakan sistem digital radiography (DR). Optimasi dilakukan menggunakan phantom in-house dengan objek kontras pada DR Siemens Luminos Agile Max. Pasien pediatrik dipisahkan menjadi empat kelompok usia; grup A (0-1 tahun), grup B (1-5 tahun), grup C (5-10 tahun), dan grup D (10-15 tahun). Kombinasi lapisan PMMA dan cork dengan ketebalan total yang berbeda digunakan untuk mensimulasikan pasien yang termasuk dalam setiap kelompok usia untuk wilayah anatomis yang berbeda (kranial, toraks, dan abdomen). Optimasi dilakukan dalam tiga langkah; kVp, diikuti oleh mAs, dan kemudian optimasi filter tambahan. Semua langkah optimasi dilakukan berdasarkan nilai FOM (figure of merit) yang dihitung sebagai rasio SDNR (signal difference to noise ratio) kuadrat dan entrance surface dose dengan FOM tertinggi yang mewakili kondisi optimum. Hasil dari optimasi ini dievaluasi berdasarkan FOM tertinggi yang dihasilkan dari setiap eksposi. Adapun MTF dan CV digunakan sebagai parameter pembanding terhadap nilai FOM yang rancu. Dalam pemeriksaan kranial, FOM tertinggi dihasilkan oleh faktor eksposi 44 kV, 3.2 mAs, dan 0 mmCu atau tanpa filter (A), 46 kV, 5.6 mAs, dan 0.1 mmCu (B), 49 kV, 7.1 mAs, dan 0.2 mmCu (C) dan 50 kV, 9 mAs, dan 0.1 mmCu (D). Untuk pemeriksaan toraks, nilai FOM tertinggi dihasilkan oleh faktor eksposi 45 kV, 2,5 mAs, dan 0,2 mmCu (A), 45 kV, 4 mAs, dan 0.2 mmCu (B), 46 kV, 5.6 mAs, dan 0.2 mmCu (C), dan 47 kV, 6.3 mAs, dan 0.2 mmCu (D). Untuk pemeriksaan abdomen, nilai FOM tertinggi dihasilkan oleh faktor eksposi 48 kV, 4 mAs, dan 0.1 mmCu (A), 50 kV, 6.3 mAs, dan 0.2 mmCu (B), 53.5 kV, 8 mAs, dan 0 mmCu (C), dan 58.5 kV, 8 mAs, dan 0 mmCu (D).

---

This study was aimed to obtain optimum parameter combination in simulated cranial, thorax, and abdominal examinations using digital radiography (DR) systems. Optimization was performed using in-house phantom with contrast objects on Siemens Luminos Agile Max DR. Paediatric patients were separated into four age groups; group A (0-1 year), group B (1-5 years), group C (5-10 years), and group D (10-15 years). Slab phantoms consisted of PMMA and cork with different total thickness were used to simulate patients belonging to each age group for different anatomical region (cranial, thorax, and abdomen). Optimization were performed in three steps; first kVp, followed by mAs, and then additional filter optimization. All the steps of optimization were performed based on FOM (figure of merit) values calculated as ratio of squared SDNR (signal difference to noise ratio) and entrance surface dose with the highest FOM representing the optimum condition.

The results of this optimization were evaluated based on the highest FOM generated from each exposure. For this DR, optimum parameters (i.e. highest FOM) are different for each age group and anatomical region. In cranial examination, the highest FOM are generated by exposure factors of 44 kV, 3.2 mAs, and 0 mmCu filter (A), 46 kV, 5.6 mAs, and 0.1 mmCu filter (B), 49 kV, 7.1 mAs, and 0.2 mmCu filter (C) and 50 kV, 9 mAs, and 0.1 mmCu filter (D). For thorax examination, the highest FOM value is generated by exposure factor 45 kV, 2.5 mAs, and 0.2 mmCu (A), 45 kV, 4 mAs, and 0.2 mmCu (B), 46 kV, 5.6 mAs, and 0.2 mmCu (C), and 47 kV, 6.3 mAs, and 0.2 mmCu (D). For abdominal examination, the highest FOM value is produced by exposure factor 48 kV, 4 mAs, and 0.1 mmCu (A), 50 kV, 6.3 mAs, and 0.2 mmCu (B), 53.5 kV, 8 mAs, and 0 mmCu (C), and 58.5 kV, 8 mAs, and 0 mmCu (D)."

"Citra Cone Beam CT (CBCT) sangat berperan dalam menentukan keberhasilan verifikasi posisi pasien radioterapi, oleh karena itu jaminan kualitas sistem CBCT sangat diperlukan. Percobaan ini dilakukan dengan menggunakan pesawat Linear accelerator yang dilengkapi dengan CBCT dan CT Simulator GE Bright Speed Edge. Fantom Catphan® 600 dan CBCT Electron DensityTM digunakan untuk menilai kualitas dari citra CBCT dan linearitas CT Number. Sesuai dengan uji kualitas, citra pada CBCT hanya dapat membedakan kontras rendah dan kontras tinggi (udara, jaringan dan tulang). Hasil uji ketebalan slice menunjukkan nilai yang didapat masih dalam batas toleransi ±0.5 mm. Pada uji kontras rendah bagian supra-slice untuk target kontras 1%, 0.5%, dan 0.3% nilai konstantanya sebesar 3, 2.5, dan 4.5, sedangkan pada bagian sub-slice untuk target kontras jarak 7, 5, dan 3 mm memiliki nilai konstanta 5 mm. Hasil pengujian resolusi tinggi pada CBCT dan CT Simulator adalah 3 lp/cm dan 7 lp/cm. Hasil pengujian uniformitas pada CBCT tidak memenuhi standar dari batas toleransi rata-rata CT Number tepi dan tengah kurang dari 5 HU, dan nilai setiap titik tepi dan tengah ±2 HU.

---

Cone Beam Computed Tomography (CBCT) image is very important in verification of patient positioning in the treatment couch radiotherapy machine so quality control of the system is required. The experiment was performed using the Linear accelerator with equipped with CBCT and CT simulator GE Bright Speed Edge. Catphan® 600 and CBCT Electron DensityTM phantom was used to evaluate the quality of CBCT and CT Number linearity. According to the image quality test, the CBCT image only be able to distinguish low contrast and high contras for air, tissue and bone.

Quantitavely, the slice thickness was in tolerance limit ±0.5 mm, low contrast with constant value of 3, 2.5, dan 4.5 for supra-slice contrast targets 1%, 0.5%, dan 0.3% whereas sub-slice targets axis lenghts for 3, 5, and 7 mm with constant value of 5 mm, the high resolution appear in 3 lp/cm and 7 lp/cm for CBCT and CT simulator, respectively. On the one hand, CBCT uniformity was out of tolerance limit with average CT number edge and central less than 5 HU, and ±2 HU for the edge and center point."

"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 bertujuan mengevaluasi karakter sistem DR menggunakan fantom in-house untuk mengetahui respon detektor DR. Pesawat DR GE Brivo DRF di eksposi untuk mengetahui karakter linearitas detektor, sensitifitas detektor, dan kualitas citra. Karakterisasi linearitas meninjau hubungan antara nilai piksel dan dosis, sedangkan sensitifitas meninjau hubungan antara dosis dan nilai eksposi (DEI). Karakter kualitas citra dievaluasi dengan parameter linearitas kontras (CL), konsistensi kontras (CV), dan MTF. Parameter CL, CV, dan MTF dievaluasi dengan variasi kVp, mAs, pada tiga simulasi anatomi. Hasil karakterisasi linearitas pada DR GE menunjukkan hubungan linier positif antara dosis dan nilai piksel, begitupun pada karakter sensitifitas. Nilai CL pada abdomen tidak dipengaruhi faktor eksposi sementara pada toraks dan kranial, nilai CL akan naik seiring kenaikan kVp dan lebih stabil pada mAs yang rendah.Karakter konsistensi kontras (CV) pada abdomen lebih stabil ketika nilai mAs rendah, sementara pada toraks dan kranial, nilai CV tidak dipengaruhi faktor eksposi. Karakter MTF 10% dan 50% pada abdomen, toraks, dan kranial menunjukkan hasil hampir identik pada tiap variasi namun lebih stabil pada keadaan mAs yang tinggi. Fantom in-house yang telah dibuat direkomendasikan untuk digunakan pada 70 kVp pada representasi anatomi abdomen, 120 kVp atau 115 kVp untuk mensimulasikan pemeriksaan thorax dan 65 kVp atau 80 kVp pada simulasi pemeriksaan cranial.

---

The aim of this study is evaluating DR system character using in-house phantom to identify DR detector responses. DR GE Brivo DRF modality was exposed to discover detector linearity, detector sensitivity, and also image quality character. Linearity character was characterized by plotting the correlation between dose and DEI, while sensitivity was characterized by plotting the correlation between dose and pixel value. Character of image quality was determined by contrast linearity(CL), contrast consistency (CV), and MTF. These parameters were evaluated within exposing variaton such as kVp, mAs, and anatomy simulation. The detector sensitivity test results positive linearity correlation between dose and pixel value. Thiss is as same as result of detecteor lienarity test.

Character of contrast linearity on abdomen simulations results no correlation within exposing factors (kVp and mAs), meanwhile CL value on thorax and cranial tend to increase as kVp increasing. Character of contrast consistency in thorax simulation has no correlation with exposing factors, meanwhile CV value in abdomen and cranial simulation seems more stable on low mAs. Characters MTF 10% and MTF 50% on three anatomies showed almost identic results for each condition, however MTF values were more stable when they are on high mAs. The constructed in-house phantom was recommended to be used at 70 kVp when representing the abdominal anatomy, 120 kVp or 115 kVp for thorax examination and 65 kVp or 80 kVp in cranial examination simulation."

"ABSTRAKPengenalan wajah 3D memerlukan perangkat khusus untuk merekam citra wajah dengan berbagai sudut pandang. Tesis ini merancang sebuah sistem akusisi perekaman data citra wajah secara otomatis menggunakan multi kamera dengan perbedaan sudut pandang 5o setiap kamera. Sudut pandang keseluruhan yang direkam adalah 180o secara horizontal dari kiri kekanan dan 70o secara vertikal dari posisi horizontal depan dada sampai atas. Kamera yang digunakan adalah kamera IP yang dipasang pada dua buah lengan yang membentuk sudut 90o, masing-masing lengan dipasang 15 kamera IP berjarak 5o secara vertikal antara satu dengan lainnya. Lengan digerakkan oleh motor DC yang dikendalikan secara otomatis dengan sebuah mikrokontroller yang dikoordinasikan oleh komputer. Pembuatan software perekaman citra menggunakan bahasa pemograman C#. Secara fungsional sistem dapat berjalan dengan baik, data yang direkam langsung berupa citra dalam format JPEG. Durasi waktu perekaman untuk satu ekspresi wajah sebanyak 30 kali perekaman dengan sudut pandang sebesar 180o horizontal dan 70o vertikal adalah 3 menit 44 detik 492 milidetik dengan total jumlah citra sebanyak 16.650 buah yang terekam.

---

ABSTRACTFace recognition 3D system needs a spesially hardware for capturing data of face images with multi angle view. This thesis is designing an automatic data acquisition system using mutlicamera for capturing facial images with angle view of each 5o. Total angle view that are captured is 180° horizontally from left to right and 70o vertically from horizontal to top. This system using IP cameras that mount on two arms forming angle of 90, each arms are mounted 15 IP cameras with 5o spacing vertically each to others. This arm is driven by a DC motor which is controlled by a microcontroller which is supervised by a laptop computer. The software for capturing images using C# GUI programming language. Functionally, the system is already working in good condition and images data are saved in JPEG format. Time duration of capturing images data for one face expression with 30 times capturing for 180° horizontal and 70° vertical views, are 3 minutes 44 seconds 492 milliseconds with total number of images are 16,650 images"

"[ABSTRAKRontgen dada atau Chest X-Ray (CXR) merupakan salah satu aplikasi pencitraan medis yang paling sering digunakan dalam pendeteksian kelainan khususnya tumor pada paru – paru. Untuk menentukan diagnosis kelainan tersebut, seorang dokter masih mengandalkan pengamatan visual dalam pembacaan hasil citra CXR sehingga penilaian bersifat subyektif tergantung pada masing – masing dokter. Oleh karena itu, pada penelitian ini dilakukan perancangan sistem pengolahan citra sebagai alat bantu identifikasi kelainan paru – paru. Kategori citra CXR yang digunakan adalah citra pada keadaan normal, tumor, dan kelainan bukan tumor. Tahapan pengolahan yang dilakukan berupa pre-processing menggunakan median filtering dan ekualisasi histogram serta proses segmentasi menggunakan otsu’s thresholding dan active contour : snake. Uji hasil pengolahan citra dengan hasil diagnosis dokter menggunakan jaringan syaraf tiruan backpropagation menghasilkan akurasi sebesar 92,85 %.

---

ABSTRACTChest X-Ray (CXR) is a medical imaging applications that most commonly used for detects of abnormalities, especially tumors of the lung. To determine the abnormality diagnosis, doctors still rely on visual observations to read a CXR image, so that the assessments are subjective depending on each doctor. This study purposes to design an image processing system as a tool for identification of lung’s abnormalities. It used three classification of CXR image, which are lungs image in normal circumstances, tumors, and abnormalities besides tumor. Stages of image processing are done in the form of pre-processing using a median filtering and histogram equalization and also the process of segmentation using Otsu's thresholding and active contour: snake. Test the image processing results with the results of the doctor's diagnosis using artificial neural network backpropagation produces an accuracy of 92,85 %., Chest X-Ray (CXR) is a medical imaging applications that most commonly used for detects of abnormalities, especially tumors of the lung. To determine the abnormality diagnosis, doctors still rely on visual observations to read a CXR image, so that the assessments are subjective depending on each doctor. This study purposes to design an image processing system as a tool for identification of lung’s abnormalities. It used three classification of CXR image, which are lungs image in normal circumstances, tumors, and abnormalities besides tumor. Stages of image processing are done in the form of pre-processing using a median filtering and histogram equalization and also the process of segmentation using Otsu's thresholding and active contour: snake. Test the image processing results with the results of the doctor's diagnosis using artificial neural network backpropagation produces an accuracy of 92,85 %.]"

"Pencitraan 'X-ray' dapat digunakan sebagai alternatif penunjang diagnostik klinis untuk mendeteksi penyakit COVID-19 pada paru-paru pasien. 'Machine learning' atau 'Deep Learning' akan disematkan pada 'computer-aided-diagnosis' (CAD) untuk meningkatkan efisiensi dan akurasi dalam menangani permasalahan membedakan COVID-19 dengan penyakit lain yang memiliki karakteristik yang serupa. Beberapa sistem kecerdasan buatan berbasis 'Convolutional Neural Network' (CNN) pada penelitian sebelumnya, memiliki akurasi yang menjanjikan dalam mendeteksi COVID-19 menggunakan citra 'X-ray' rongga dada. Dalam penelitian ini, dikembangkan 'classifier' berbasis CNN dengan teknik 'transfer learning', yakni memanfaatkan model CNN pra-terlatih dari ImageNet bernama Xception dan ResNet50V2 yang dikombinasikan agar sistem menjadi lebih akurat dalam kemampuan ekstraksi fitur untuk mendeteksi COVID-19 melalui citra 'X-ray' rongga dada. 'Classifier' yang dikembangkan terdiri dari 2 jenis, yakni 'classifier' yang disusun secara serial dan paralel. Pengujian dilakukan dalam 2 skenario berbeda. Pada skenario 1, digunakan 'dataset' dan pengaturan parameter yang mengacu pada penelitian sebelumnya, sedangkan skenario 2 dilakukan dengan menambahkan sejumlah citra kedalam 'dataset' baru serta pengaturan parameter yang berbeda untuk memperoleh peningkatan akurasi. Dari pengujian untuk kelas COVID-19 pada skenario 1, diperoleh 'classifier' paralel berhasil menggungguli 'classifier' lain dengan mencapai akurasi rata-rata 93,412% serta memperoleh 'precision', 'recall,' dan 'f1-score' masing – masing mencapai 96.8%, 99.6% dan 98%. Pada skenario 2, 'classifier' paralel mencapai akurasi rata-rata yang lebih tinggi, yakni mencapai 96,678% serta memperoleh 'precision', 'recall,' dan 'f1-score' yang cukup tinggi pula, yakni masing – masing mencapai 98.8%, 99.8% dan 99.4% untuk kelas COVID-19. Adanya penambahan jumlah 'dataset' pada skenario 2 dapat meningkatkan akurasi dari 'classifier' yang dikembangkan. Secara keseluruhan, 'classifier' paralel yang dikembangkan dapat direkomendasikan menjadi alat yang dapat membantu praktisi klinis dan ahli radiologi untuk membantu mereka dalam diagnosis, kuantifikasi, dan tindak lanjut kasus COVID-19.

---

X-ray imaging can be used as an alternative support clinical diagnostics to detect COVID-19 in the patient's lungs. Machine learning or Deep Learning will be embedded in computer-aided diagnosis (CAD) to increase efficiency and accuracy in dealing with problems distinguishing COVID-19 from other diseases that have similar characteristics. Several artificial intelligence systems based on the Convolutional Neural Network (CNN) in previous studies have promising accuracy in detecting COVID-19 using Chest X-ray images. In this study, a CNN-based classifier with transfer learning techniques was developed, which utilizes a pre-trained CNN model from ImageNet named Xception and ResNet50V2 combined that makes the system powerful using multiple feature extraction capabilities to detect COVID-19 through Chest X-ray images. There are 2 types of classifiers developed, classifiers arranged in serial and parallel. The testing in this study was carried out in two different scenarios. In the scenario 1, the dataset and parameter settings are used referring to previous studies, while the scenario 2 was carried out by adding several images to the new dataset and setting different parameters to obtain increased accuracy. From testing of the COVID-19 class in the scenario 1, the parallel classifier succeeded in outperforming other classifiers by achieving an average accuracy in 93.412% and also obtains precision, recall and f1-score, which reached 96.8%, 99.6%, and 98% respectively. In the scenario 2, the parallel classifier achieved a higher average accuracy of 96.678%, and also obtained quite high precision, recall and f1-score, which reached 98.8%, 99.8% and 99.4% for the COVID-19 class, respectively. The addition of the number of datasets in scenario 2 can increase the accuracy of the developed classifier. Overall, the developed parallel classifier can be recommended as a tool that can help clinical practitioners and radiologists to aid them in diagnosis, quantification, and follow-up of COVID-19 cases."

"Telah dilakukan penelitian untuk pemograman rekonstruksi citra dua dimensi gamma rays computed tomography single detector Metode atau algoritma yang digunakan dalam proses rekonstruksi filtered backprojection karena metode ini relatif mudah digunakan dan menghasilkan citra yang cukup akurat Metode ini menggunakan filter frekuensi untuk menghilangkan noise yang timbul saat pengambilan data Prinsip dasar dari metode ini adalah menjumlahkan dan memutar sejauh 180o atau 360o semua data proyeksi yang didapat dari hasil pengukuran yang sudah berbentuk sinogram dan juga telah melalui proses filterisasi Proses rekonstruksi dilakukan dengan menggunakan fungsi iradon dalam MATLAB Hasil dari penelitian ini adalah citra hasil rekonstruksi dalam bentuk dua dimensi dengan perbedaan warna grayscale yang mengandung nilai koefisen atenuasi linear dengan variasi metode interpolasi dan jenis filter yang digunakan

---

This research has carried out to programming for image reconstruction two dimension for gamma rays computed tomography single detector The mtheode or algorithms that used to reconstructed image is filtered backprojection because this method is relative easier and build an image more accurate than the older methods This methode used frequencies filter to disapear noise when measurement process The basic principle of this methode is adding and rotate 180o or 360o all projection data that formed in sinogram and have passed filtering process This process used iradon function that include in MATLAB The result of this research is an image as reconstruction result in two dimensional with grayscale colour which contain linear atenuation coeficien data with varian in interpolation methode and kind of filters"