Hasil Pencarian  ::  Simpan CSV :: Kembali

"Mata merupakan salah satu dari panca indra yang digunakan untuk melihat dan menjadi aset terpenting dalam hidup manusia. Salah satu bagian terpenting dari mata ialah kelopak mata di mana terdapat sebuah kelenjar yang disebut kelenjar meibom. Kelenjar ini berada pada lapisan air mata yang berguna untuk menyekresikan komponen minyak atau lipid dan berperan penting dalam memperlambat proses evaporasi yang menyebabkan terjaganya kelembapan pada mata. Kekurangan kelenjar meibom yang dikenal sebagai Disfungsi Kelenjar Meibom (DKM) merupakan penyebab utama dari penyakit mata kering. Karena proses diagnosis yang dikerjakan oleh tenaga medis terbilang subjektif, maka penelitian ini menggunakan pendekatan deep learning untuk melakukan klasifikasi pada tingkat keparahan dari DKM. Klasifikasi dilakukan dengan membagi tingkat keparahan atau kehilangan kelenjar meibom berdasarkan hasil meiboscore-nya menjadi 4 kelas, yaitu kelas 0 untuk meiboscore ≤ 25%, kelas 1 untuk 25% < meiboscore ≤ 50%, kelas 2 untuk 50% < meiboscore ≤ 75%, dan kelas 3 untuk meiboscore  > 75%. Metode deep learning yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur AlexNet. Data yang digunakan pada penelitian ini adalah 139 citra meibography yang bersumber dari Rumah Sakit Ciptomangunkusumo (RSCM) Departemen Kirana dari 35 pasien mata kering yang sudah mengalami augmentasi dan segmentasi, sehingga data akhir yang digunakan yaitu sebanyak 417 citra segmentasi. Pada tahap pre-processing, dilakukan perhitungan meiboscore dengan bantuan software dan membaginya ke dalam 4 kelas sesuai dengan nilai meiboscore­-nya. Citra yang sudah dilabel ini kemudian dibagi menjadi 80% data training dan 20% data testing. Dari 80% data training, diambil 10% untuk dijadikan data validation, sehingga 417 data tersebut terbagi menjadi 299 data training, 84 data testing, serta 34 data validation. Training model dilakukan menggunakan arsitekur AlexNet dengan hyperparameter berupa epoch sebanyak 100, batch size 32, dan learning rate 0,0001. Pada arsitektur ini juga diterapkan fungsi optimasi yaitu Adam (Adaptive moment estimation) dan fungsi loss categorical cross entropy. Proses modelling dilakukan sebanyak 5 kali percobaan dan memperoleh nilai rata-rata akurasi training dan validation sebesar 99,59% dan 99,41% dan nilai dari loss training dan loss validation sebesar 0,1259 dan 0,0524. Sedangkan rata-rata kinerja testing model berhasil memperoleh akurasi testing sebesar 87,38%; testing loss sebesar 0,5151; dan Area Under Curve (AUC) sebesar 0,9715.

---

The eye is one of the five senses used to see and is the most important asset in human life. One of the most important parts of the eye is the eyelid where there is a gland called meibomian gland. This gland is located in the tear film which is useful for secreting oil or lipid components and plays an important role in slowing down the evaporation process which leads to maintaining moisture in the eye. Meibomian gland deficiency, known as Meibomian Gland Dysfunction (MGD), is a major cause of dry eye disease. Since the diagnosis process carried out by medical personnel is subjective, this study uses a deep learning approach to classify the severity of MGD. Classification is done by dividing the severity or loss of meibomian glands based on meiboscore results into 4 classes, namely class 0 for meiboscore ≤ 25%, class 1 for 25% < meiboscore ≤ 50%, class 2 for 50% < meiboscore ≤ 75%, and class 3 for meiboscore > 75%. The deep learning method used is Convolutional Neural Network (CNN) with AlexNet architecture. The data used in this study are 139 meibography images sourced from Ciptomangunkusumo Hospital (RSCM) Kirana Department from 35 dry eye patients that have undergone augmentation and segmentation, so that the final data used is 417 segmentation images. In the pre-processing stage, meiboscore was calculated with the help of software and divided into 4 classes according to the meiboscore value. The labeled images were then divided into 80% training data and 20% testing data. From 80% of the training data, 10% is taken to be used as validation data, so that the 417 data is divided into 299 training data, 84 testing data, and 34 validation data. The training model is carried out using the AlexNet architecture with hyperparameters in the form of epochs of 100, batch size 32, and learning rate 0,0001. In this architecture, the optimization function Adam (Adaptive moment estimation) and categorical cross entropy loss function are also applied. The modeling process was carried out 5 times and obtained an average training and validation accuracy value of 99,59% and 99,41% and the value of training loss and validation loss of 0,1259 and 0,0524. While the average performance of the testing model successfully obtained a testing accuracy of 87,38%; testing loss of 0,5151; and Area Under Curve (AUC) of 0,9715."

"Kanker kolorektal adalah kanker yang berkembang pada usus besar dan/atau rektum. Berdasarkan survei GLOBOCAN 2012, insidens kanker kolorektal di seluruh dunia menempati urutan ketiga dan menduduki peringkat keempat sebagai penyebab kematian. Dalam proses diagnosis kanker kolorektal, telah diterapkan pendekatan medis dengan digital rectal examination menggunakan colonoscopy untuk menilai keadaan tumor dan mobilitas tumor. Namun, seiring berkembangnya teknologi, para ilmuwan mencoba pendekatan lain untuk pendeteksian kanker kolorektal salah satunya menggunakan penggunaan artificial intelligence khususnya machine learning. Terdapat beberapa penelitian yang lalu mengenai pengaplikasian machine learning dalam kasus klasifikasi kanker kolorektal dengan berbagai model dan tingkat akurasi. Pada penelitian ini, penulis menggunakan pendekatan Convolutional Neural Network (CNN) dengan arsitektur You Only Look Once (YOLO) untuk mengklasifikasi kanker kolorektal tipe ganas dan jinak. Data yang digunakan pada penelitian ini adalah Lung and Colon Cancer Histopathological Image Dataset oleh Borkowski AA, dkk. dengan mengambil dataset kanker kolorektal yaitu 5000 kanker ganas dan 5000 kanker jinak. Model akan dibangun melalui data tersebut, yang dilatih menggunakan metode CNN dengan arsitektur YOLO. Data di split dengan perbandingan data latih dan data uji 70:30 dan 80:20. Kinerja model dievaluasi dengan nilai accuracy, recall, loss dan running time. Accuracy dan Recall yang didapatkan pada masing-masing split data sebesar 100% dengan running time 3 jam 7 menit 43 detik pada split data 70:30 dan 3 jam 30 menit 6 detik pada split data 80:20.

---

Colorectal cancer is cancer that develops in the colon and/or rectum. Based on the 2012 GLOBOCAN survey, the incidence of colorectal cancer worldwide ranks third and ranks fourth as a cause of death. In the process of diagnosing colorectal cancer, a medical approach has been applied with digital rectal examination using colonoscopy to assess the state and mobility of the tumor. However, as technology develops, scientists try other approaches to detect colorectal cancer, one of which is using artificial intelligence, especially machine learning. There have been several past studies regarding the application of machine learning in the case of colorectal cancer classification with various models and levels of accuracy. In this study, the authors used a Convolutional Neural Network (CNN) approach with You Only Look Once (YOLO) architecture to classify malignant and benign types of colorectal cancer. The data used in this study was the Lung and Colon Cancer Histopathological Image Dataset by Borkowski AA, et al. by taking the colorectal cancer dataset, namely 5000 malignant cancers and 5000 benign cancers. The model will be built using the data, which is trained using the CNN method with the YOLO architecture. The data is split with a comparison of training data and test data of 70:30 and 80:20. The performance of the model is evaluated with the values of accuracy, recall, loss and running time. Accuracy and Recall obtained in each data split is 100% with a running time of 3 hours 7 minutes 43 seconds on a 70:30 data split and 3 hours 30 minutes 6 seconds on an 80:20 data split."

"Survei Kesehatan Indonesia (SKI) tahun 2023 yang dilakukan oleh Kementerian Kesehatan (Kemenkes) ada sekitar 70 juta perokok aktif di Indonesia. Apabila dihitung dari populasi penduduk Indonesia ada 28,62% penduduk yang merokok di tahun 2023 dan persentase ini meningkat dari tahun sebelumnya sebanyak 0,36%. Perilaku merokok ini menyebabkan berbagai penyakit seperti penyakit paru-paru kronis, kerusakan gigi, penyakit mulut, stroke, serangan jantung, kanker rahim, gangguan mata, dan kerusakan pada rambut. Untuk menekan jumlah perokok di Indonesia, diperlukan sistem untuk deteksi perokok. Deteksi perokok saat ini memakan biaya yang mahal, bantuan ahli, dan sistem yang kompleks. Oleh karena itu, deep learning dengan algoritma Convolutional Neural Network hadir sebagai solusi untuk mengatasi masalah tersebut. Skripsi ini membahas bagaimana merancang sistem deep learning dengan Convolutional Neural Network (CNN) untuk keperluan deteksi wajah perokok. Skripsi ini juga membahas bagaimana pengaruh berbagai skenario jumlah data pelatihan dan data pengujian serta penambahan ekstraksi fitur wajah terhadap metrik evaluasi . Hasil dari rancangan dievaluasi dengan metrik evaluasi kalkulasi loss function, akurasi, dan F1 score. Hasil simulasi menunjukan skenario data pelatihan 70% dan data pengujian 30% adalah skenario terbaik dengan nilai metrik evaluasi pengujian pada skenario ini sebesar 2.236 untuk loss, 54.5% untuk akurasi, dan 34.9% untuk F1 score. Skenario ini diimprovisasi dengan adanya penambahan ekstraksi fitur perokok pada awal preprocessing yang ditandai dari penurunan loss sebesar 65.65%, peningkatan akurasi sebesar 19%, dan peningkatan F1 score sebesar 24.08%.

---

The 2023 Indonesian Health Survey (SKI) conducted by the Ministry of Health (Kemenkes) reported that there are approximately 70 million active smokers in Indonesia. This accounts for 28.62% of the Indonesian population in 2023, representing a 0.36% increase from the previous year. Smoking behavior leads to various diseases such as chronic lung disease, tooth damage, oral diseases, stroke, heart attacks, uterine cancer, eye disorders, and hair damage. To reduce the number of smokers in Indonesia, a smoker detection system is necessary. Current smoker detection methods are expensive, require expert assistance, and involve complex systems. Therefore, deep learning with Convolutional Neural Network (CNN) algorithms presents a solution to address these issues. This thesis discusses how to design a deep learning system using Convolutional Neural Networks (CNN) for smoker face detection. It also examines the impact of different training and testing data scenarios and the addition of facial feature extraction on evaluation metrics. The designed system is evaluated using metrics such as loss function calculation, accuracy, and F1 score. The simulation results show that a scenario with 70% training data and 30% testing data is the best scenario, yielding evaluation metric values of 2.236 for loss, 54.5% for accuracy, and 34.9% for F1 score. This scenario was improved with the addition of smoker feature extraction in the preprocessing stage, resulting in a 65.65% reduction in loss, a 19% increase in accuracy, and a 24.08% increase in F1 score."

"SIBI merupakan bahasa isyarat resmi yang digunakan di Indonesia. Penggunaan SIBI seringkali ditemukan permasalahan karena banyaknya gerakan isyarat yang harus diingat. Penelitian ini bertujuan untuk mengenali gerakan isyarat SIBI dengan cara mengekstraksi fitur tangan dan wajah yang kemudian diklasifikasikan menggunakan Bidirectional Long ShortTerm Memory (BiLSTM). Ekstraksi fitur yang digunakan dalam penelitian ini adalah Deep Convolutional Neural Network (DeepCNN) seperti ResNet50 dan MobileNetV2, di mana kedua model tersebut digunakan sebagai pembanding. Penelitian ini juga membandingkan performa dan waktu komputasi antara kedua model tersebut yang diharapkan dapat diterapkan pada smartphone nantinya, dimana model tersebut akan diimplementasikan. Hasil penelitian menunjukkan bahwa penggunaan model ResNet50-BiLSTM memiliki kinerja yang lebih baik dibandingkan dengan MobileNetV2-BiLSTM yaitu 99,89%. Namun jika akan diaplikasikan pada arsitektur mobile, MobileNetV2-BiLSTM lebih unggul karena memiliki waktu komputasi yang lebih cepat dengan performa yang tidak jauh berbeda jika dibandingkan dengan ResNet50-BiLSTM.

---

SIBI is a sign language that is officially used in Indonesia. The use of SIBI is often found to be a problem because of the many gestures that have to be remembered. This study aims to recognize SIBI gestures by extracting hand and facial features which are then classified using Bidirectional Long ShortTerm Memory (BiLSTM). The feature extraction used in this research is Deep Convolutional Neural Network (DeepCNN) such as ResNet50 and MobileNetV2, where both models are used as a comparison. This study also compares the performance and computational time between the two models which is expected to be applied to smartphones later, where both models can now be implemented on smartphones. The results showed that the use of ResNet50-BiLSTM model have better performance than MobileNetV2-BiLSTM which is 99.89\%. However, if it will be applied to mobile architecture, MobileNetV2-BiLSTM is superior because it has a faster computational time with a performance that is not significantly different when compared to ResNet50-BiLSTM."

"Automatic Modulation Classification (AMC) secara otomatis mengidentifikasi jenis modulasi apa yang digunakan pada pemancar berdasarkan pengamatan terhadap sinyal yang diterima. Seiring dengan perkembangan pada topik ini, Deep Learning (DL) dapat diterapkan pada AMC dan memiliki kinerja yang menjanjikan. Namun, sebagian besar model DL yang dibuat hanya berfokus pada akurasi, mengabaikan ukuran model dan kompleksitas komputasi yang dapat menjadi masalah bagi perangkat dengan ukuran memori dan daya komputasi yang terbatas. Dalam penelitian ini, model Convolutional Long short-term memory Deep Neural Network (CLDNN) ringan diusulkan untuk mengklasifikasi modulasi. Model yang diusulkan dilatih dan diuji dengan dataset RML2016.10b. Model yang diusulkan memiliki ukuran model dan jumlah parameter yang lebih kecil, serta waktu pelatihan dan klasifikasi yang lebih cepat, relatif terhadap model pembanding, dengan tetap menjaga kualitas akurasinya.

---

Automatic Modulation Classification (AMC) automatically identifies what type of modulation is used on the transmitter based on observations of the received signal. Along with the development on this topic, Deep Learning (DL) can be applied to AMC and has promising performance. However, most of the DL models created only focus on accuracy, ignoring the model size and computational complexity which can be a problem for devices with limited memory size and computing power. In this study, a lightweight Convolutional Long short-term memory Deep Neural Network (CLDNN) model was proposed to classify modulation. The proposed model was trained and tested with the RML2016.10b dataset. The proposed model has a small model size and parameters, as well as fast training and classification time, relative to the comparison models, while maintaining the quality of its accuracy."

"Glaukoma adalah salah satu penyebab kebutaan terbanyak kedua di dunia yang disebabkan oleh tekanan yang meninggi pada bola mata. Dalam proses mendiagnosa glaukoma, dibutuhkan waktu yang lama dikarenakan tidak ada perubahan secara signifikan pada citra fundus. Pada penelitian ini, penulis menggunakan Convolutional Neural Network (CNN) untuk mengekstraksi fitur dan metode klasifikasi Deep Belief Network (DBN) dalam mengklasifikasi glaukoma pada data citra fundus. Hasil pada model CNN-DBN dibandingkan dengan metode ekstraksi fitur CNN dan klasifikasi Support Vector Machine (SVM) yang dinamakan model CNN-SVM. Arsitektur CNN yang digunakan pada penelitian ini adalah ResNet-50. Dataset yang digunakan dalam penelitian ini diperoleh dari 2 online database, yaitu cvblab dan kroy1809. Pada proses ekstraksi fitur, model dilatih dari fully connected layer pada ResNet-50. Kemudian, vektor fitur dari fully connected layer diklasifikasi menggunakan metode klasifikasi DBN dan SVM. Berdasarkan hasil simulasi, CNN-DBN memiliki hasil akurasi, precision, dan recall terbaik dibandingkan dengan metode CNN-SVM dan CNN dengan akurasi 96.46%, precision 95.86%, dan recall 98.05% pada pembagian dataset training dan testing 70:30.

---

Glaucoma is the second most common factor of blindness in the world caused by the increasing pressure on the eyeball. It takes a long time to diagnose glaucoma due no significant change in the fundus image. In this study, the author used the Convolutional Neural Network (CNN) to extract the features and the Deep Belief Network (DBN) classification method to classify glaucoma in fundus images. The results on the CNN-DBN model will be compared with to the CNN feature extaction method and the Support Vector Machine (SVM) classification method, named the CNN-SVM model. The CNN architecture used in this study is ResNet-50. The dataset used in this study are from 2 online database, cvblab and kroy1809. In the feature extraction process, the model is trained using the CNN method with the ResNet-50 architecture. Afterward, the feature vectors of the fully connected layer are classified using the DBN and SVM classification methods. Based on the simulation results, CNN-DBN has the best results than CNN-SVM and CNN method with the accuracy of 90%, precision of 95%, and recall of 92% with splitting data training and testing of 70:30."

"Kemajuan di bidang teknologi dan kecerdasan buatan memungkinkan inspeksi otomatis dapat dilakukan. Sebuah drone dilengkapi kamera yang dapat mengidentifikasi permasalahan struktur kapal seperti korosi akan membuat proses inspeksi kapal menjadi lebih efisien dari segi waktu dan biaya yang dibutuhkan sekarang. Pada studi ini dibuat model yang dilatih untuk dapat mengidentifikasi korosi secara otomatis dengan algoritma Convolutional Neural Network memanfaatkan metode transfer learning. MobileNetV2 dipilih sebagai artsitektur model klasifikasi yang memanfaatkan transfer learning dari ImageNet ke dalam dataset yang digunakan. Berdasarkan model yang telah dibuat model mencapai nilai akurasi training sebesar 92,86% dengan loss sebesar 0.0578 dan akurasi validasi sebesar 90,66% dengan loss sebesar 0.0091. Secara keseluruhan, model mempunyai performa yang baik dalam proses training maupun validasi dataset. Tidak ada indikasi overfitting berdasarkan kurva akurasi dan loss.

---

Advancements in technology and artificial intelligence make automated inspections become possible to do. A drone which is mounted with a camera identifying ship structural issues such as corrosion will make ship inspections become more efficient for a fraction of time and cost that is currently needed. In this study, a trained model is made in order to automatically identify corrosion using Convolutional Neural Network employing transfer learning method. MobileNetV2 is chosen as a classification model architecture which leverages transfer learning from ImageNet to the dataset. According to the data, the model achieved a training accuracy of 92,86% with loss 0.0578 and a validation accuracy of 90,66 with loss 0.0091. Overall, the model performs well on both the training and validation datasets. There is not any indication of overfitting based on their accuracy and loss curves."