Hasil Pencarian  ::  Simpan CSV :: Kembali

"Coronavirus Disease 2019 (COVID-19) pertama kali diidentifikasi di Wuhan, Thiongkok pada akhir Desember 2019. COVID-19 disebabkan oleh coronavirus baru yaitu The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Sejak 11 Maret 2020, WHO secara resmi menyatakan pandemi COVID-19. COVID-19 ini menginfeksi saluran pernapasan manusia yaitu sel epitel alveolus paru-paru yang menyebabkan pneumonia. Dengan bantuan metode dari Deep learning yaitu Convolutional Neural Network (CNN) dapat digunakan dalam mendeteksi kasus COVID-19 melalui tanda-tanda pneumonia pada data citra Chest X-ray. Deteksi dini kasus COVID-19 sangat diperlukan sebagai langkah meminimalkan penularan dan mengurangi resiko kematian pasien. Oleh karena itu, penelitian ini membangun metode CNN transfer learning model DenseNet121, MobileNet dan ResNet50 dengan pendekatan pseudo-colouring (RGB) dalam mengklasifikasi kasus COVID-19 ke dalam tiga kelas yaitu: COVID-19 pneumonia, sehat dan viral pneumonia. Pendekatan pseudo-colouring (RGB) dilakukan pada tahap praproses dengan memanipulasi warna pada data citra Chest X-ray sebagai sarana untuk membantu meningkatkan hasil akurasi, presisi dan sensitivitas. Hasil evaluasi pada terbaik terdapat pada model DenseNet121 menunjukkan peningkatan akurasi total 99%, presisi total 99% dan sensitivitas total 99%. Pada model MobileNet menunjukkan peningkatan pada akurasi total 97%, presisi total 97% dan sensitivitas total 95% dan pada model ResNet50 menunjukkan peningkatan pada akurasi total 97%, presisi total 98% dan sensitivitas total 94%.

---

Coronavirus Disease 2019 (COVID-19) was first identified in Wuhan, China at the end of December 2019. COVID-19 is caused by a new coronavirus, namely The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Since March 11, 2020, WHO has officially declared a COVID-19 pandemic. This COVID-19 infects the human respiratory tract, namely the alveolar epithelial cells of the lungs which causes pneumonia. With the help of methods from Deep learning, the Convolutional Neural Network (CNN) can be used to detect cases of COVID-19 through signs of pneumonia in Chest X-ray image data. Early detection of COVID-19 cases is important to minimize transmission and reduce the risk of patient death. Therefore, this study builds the CNN transfer learning model DenseNet121, MobileNet and ResNet50 with a pseudo-coloring (RGB) approach in classifying COVID-19 cases into three classes, namely: COVID-19 pneumonia, healthy and viral pneumonia. The pseudo-coloring (RGB) approach at the preprocessing stage by manipulating the colors in the Chest X-ray image data as a means to help improve accuracy, precision and sensitivity results. The evaluation results on the DenseNet121 model showed an increase in total accuracy of 99%, total precision of 99% and total sensitivity of 99%. The MobileNet model showed an increase in total accuracy of 97% , total precision of 97% and total sensitivity of 95% and the ResNet50 model showed an increase in total accuracy of 97%, total precision of 98% and total sensitivity of 94%."

"Tanaman karet berperan sebagai komoditas penting di Indonesia karena menghasilkan karet alami yang memiliki banyak manfaat dan mampu bersaing di pasar internasional. Namun, sejak tahun 2017, produksi karet mengalami hambatan karena timbul serangan penyakit gugur daun baru yang berbeda dari penyakit terdahulu. Penyakit tersebut dapat menyebabkan gugur daun hingga 90% dan penurunan produksi lateks hingga 45%. Setelah ditelusuri, penyakit gugur daun baru ini disebabkan oleh patogen Pestalotiopsis sp. dan diberi nama penyakit gugur daun Pestalotiopsis. Sebagai penyakit baru, perlu dilakukan penelitian lebih lanjut untuk memonitor laju pertumbuhan penyakit ini. Salah satu penelitian ini adalah melakukan klasifikasi indeks atau level keparahan penyakit gugur daun Pestalotiopsis. Keparahan penyakit ini dapat dikelompokkan berdasarkan perubahan warna daun dan lesi khas yang timbul pada permukaan daun tanaman karet. Pada penelitian sebelumnya, pengukuran intensitas keparahan dilakukan dengan observasi secara langsung bercak gejala yang muncul pada daun atau pohon dalam jangka waktu tertentu. Pengamatan secara konvensional ini memerlukan tenaga yang banyak dan waktu yang cukup lama. Diperlukan suatu metode yang mampu melakukan klasifikasi level keparahan ini secara tepat dan cepat terhadap sampel daun yang berjumlah banyak. Saat ini, implementasi Artificial Intelligence (AI) melalui algoritma machine learning dapat menjadi solusi untuk menyelesaikan suatu permasalahan seperti klasifikasi multikelas secara otomatis dan efisien. Penelitian ini memanfaatkan salah satu teknik machine learning, yaitu artificial neural network berupa deep learning dengan arsitektur convolutional neural network (CNN). Dengan mempertimbangkan penelitian sebelumnya, maka penelitian ini mengajukan sebuah pengembangan dari CNN, yaitu arsitektur DenseNet121 sebagai metode untuk melakukan klasifikasi level keparahan penyakit gugur daun Pestalotiopsis menggunakan data citra daun karet. Klasifikasi level keparahan dibagi menjadi lima kelas, yaitu Level 0 (daun sehat atau tidak terinfeksi penyakit gugur daun Pestalotiopsis) dan Level 1-4 (menunjukkan tingkat keparahan penyakit gugur daun Pestalotiopsis). Pada Penelitian ini, digunakan 257 data citra daun karet yang dikumpulkan mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia ketika berkunjung ke Pusat Penelitian Karet Sembawa, Palembang pada tahun 2022. Data citra tersebut melalui preprocessing berupa crop dan resize agar dapat menjadi input yang diterima arsitektur.  Data dipisahkan menjadi data latih dan data uji dengan rasio 80:20. Model dilatih dengan pendekatan 5-fold cross validation sehingga pengujian dilakukan terhadap lima model berbeda. Berdasarkan simulasi, diperoleh rata-rata lima model berupa ccuracy sebesar 56,16% , precision sebesar 54,2% , recall sebesar 55,6%, skor F1 sebesar 51% , dan running time 3,110 detik.

---

Rubber plant is an essential commodity in Indonesia since natural rubbers from this plant are very beneficial and have high international market potential. Unfortunately, since 2017, a new leaf fall disease has caused massive decline of the rubber production. This disease leads to at most 90% leaf fall percentage and production decline as high as 45%. Subsequently, researchers found that this new leaf fall disease is caused by Pestalotiopsis sp., thus, the name of this disease is Pestalotiopsis leaf fall disease. Studies must be conducted to further investigate the growth and pattern of this new leaf fall disesase. One of these studies is to classify the intensity of the Pestalotiopsis leaf fall disease.The intensity can be measure by observing distinct symptoms and lesion frequency that would appear on the rubber plant’s leave surface. In earlier works, intensity are measured by conventionally taking notes of the symptomps that appear on the leaves or trees and these methods was done on timely basis. These traditional approaches takes a lot of time and requires a handful of people. Hence, there must be new methods to classify this disease’s intensity with less time and resource when the amount of leaf samples increase. Recent studies implement Artificial Intelligence (AI) by using machine learning to solve classification problems efficiently. This study takes a technique of machine learning, that is, deep learning convolutional neural network (CNN) architectures. By comparing previous researches, we propose the architecture DenseNet121 to implement CNN in multiclass classification problem by using leaf image data. The classification consists of five classes, which are the intensity of the Pestalotiopsis leaf fall disease from level 0 to level 4. Level 0 corresponds to healthy leaves or leaves with other diseases whereas Level 1-4 refer to leaves with the intensity of lesion and discoloration caused by Pestalotiopsis leaf fall disease. This study uses 257 image data that was taken by students of the Math and Science Faculty from Universitas Indonesia when they visited Rubber Research Center, Sembawa in 2022. The data is split into train and test data with 80:20 ratio. Models are trained with 5-fold cross validation approach so the that each model will be trained and tested towards 5 folds of data. Then, five different models are tested by evaluating their predictions to the test data. The result of this simulation shows the average performance from five models, they are an accuracy of 56,16%, a precision of 54,2%, a recall of 55,6%, an F1-score of 51% , and an average running time of 3,110 seconds."

"Katarak merupakan keadaan di mana lensa mata yang biasanya terlihat jernih dan bening menjadi keruh yang disebabkan oleh sebuah kumpulan protein yang terletak di depan retina. Hal ini menyebabkan jaringan lensa mata mulai rusak dan menggumpal, sehingga berkurangnya cahaya yang masuk ke retina dan pandangan akan terlihat buram, kurang berwarna, serta dapat menyebabkan kebutaan yang permanen. Mendiagnosis penyakit katarak pada seseorang dapat menggunakan proses pemeriksaan citra fundus, hasil dari citra fundus kemudian dideteksi menggunakan salah satu pendekatan deep learning. Dalam penelitian ini, digunakan pendekatan deep learning yaitu metode Convolutional Neural Networks (CNN) classic dan CNN LeNet-5 pada fungsi aktivasi ReLU dan Mish dalam mendeteksi katarak. Data yang digunakan dalam penelitian ini yaitu data ODR yang merupakan online database yang berisi citra fundus dengan bervariasi ukuran citra. Dataset kemudian memasuki tahap preprocessing dalam meningkatkan performa model seperti mengkonversikan citra RGB menjadi grayscale dari intensitas green channel, kemudian menerapkan proses binerisasi citra menggunakan thresholding untuk menyesuaikan target atau label berdasarkan diagnosis dokter dan mengetahui tingkat kerusakan bagian mata dalam mendeteksi mata mengalami katarak atau tidak. Hasil performa pada penelitian ini menunjukkan bahwa model CNN LeNet-5 dengan fungsi aktivasi Mish lebih baik dibandingkan model CNN clasic dengan fungsi aktivasi Mish dalam mendeteksi penyakit katarak. Hasil performa keseluruhan yang optimal pada penelitian ini berdasarkan nilai accuracy, precision, recall, dan F1- score secara berturutturut yaitu 87%, 87,5%, 89,3%, 86,7%, dengan running time yang dibutuhkan pada training 95,67 detik dan testing 0,1859 detik.

---

Cataract is a condition in which the normally clear lens of the eye becomes cloudy due to a collection of proteins located in front of the retina. This causes the tissue of the eye's lens to begin to break down and clot, resulting in less light entering the retina and blurred vision, lack of color, and can lead to permanent blindness. Diagnosing cataracts in a person can use the process of examining the fundus image, the results of the fundus image are then detected using one of the deep learning approaches. In this study, a deep learning approach was used, namely Convolutional Neural Networks (CNN) classic and CNN LeNet-5 method on the ReLU and Mish activation functions in detecting cataracts. The data used in this study is ODR data which is an online database containing fundus images with varying image sizes. The dataset then enters the preprocessing stage to improve model performance, such as converting the RGB image to grayscale from the intensity of the green channel, then applying a binary image process using thresholding to adjust the target or label based on the doctor's diagnosis and determine the level of eye damage to detect cataracts or not. The performance results in this study indicate that the CNN LeNet- 5 model with Mish activation function is better than the CNN classic model with Mish activation function in detecting cataract disease. Optimal overall performance results in this study are based on the values of accuracy, precision, recall, and F1-score, respectively, namely 87%, 87,5%, 89,3%, 86,7%, with the running time required for training 95,67 seconds and testing 0,1859 seconds."

"Tuberkulosis merupakan salah satu penyakit yang menjadi penyebab kematian tertinggi di dunia. Penyakit tuberkulosis perlu pendeteksian dan diagnosis yang tepat. Salah satu media yang umum digunakan untuk mendeteksi penyakit tuberkulosis adalah chest x-ray. Penelitian ini menggunakan model Conditional Positional Encoding Vision Transformer dengan Convolution Stem untuk mengklasifikasi penyakit tuberkulosis pada chest x-ray. Conditional Positional Encoding Vision Transformer adalah salah satu varian dari model vision transformer yang menggunakan skema Conditional Positional Encoding. Convolution Stem untuk vision transformer adalah convolution block yang diterapkan pada vision transformer untuk meningkatkan stabilitas performa model. Data yang digunakan dalam penelitian ini diambil dari chest x-ray database yang terdiri dari data citra chest x-ray dengan label normal dan label tuberkulosis. Sebelum proses pelatihan, diterapkan enam metode preprocessing pada data citra chest x-ray untuk menyiapkan data citra sebagai input model, mulai dari Red Green Blue (RGB) to gray, contrast limited adaptive histogram equalization, gaussian blur, resize, gray to RGB, dan normalisasi. Model dilatih untuk meminimalkan loss function menggunakan metode optimasi AdamW dan stochastic gradient descent. Loss function yang digunakan dalam penelitian ini adalah fungsi binary crossentropy loss. Hasil percobaan menunjukkan model Conditional Positional Encoding Vision Transformer dengan Convolution Stem dapat mengklasifikasi penyakit tuberkulosis pada citra chest x-ray dengan baik, dengan rata-rata skor akurasi terbaik sebesar 0,990488, rata-rata skor recall terbaik sebesar 0,95757, dan rata-rata skor F1 sebesar 0,97338.

---

Tuberculosis is one of the diseases that cause the highest number of deaths in the world. Tuberculosis disease need proper detection and diagnosis. One of common methods used to detect tuberculosis is chest x-ray. This research uses the Conditional Positional Encoding Vision Transformer with Convolution Stem to classify tuberculosis in chest x-ray. Conditional Positional Encoding Vision Transformer is a variant of vision transformer model that uses conditional positional encoding. Convolution Stem is a convolution block applied to vision transformer model to enhance the model’s performance stability. The data used in this research is taken from a chest x-ray database consisting of chest x-ray images with normal and tuberculosis labels. Before the training process, six preprocessing methods were applied to the chest x-ray images, including Red Green Blue (RGB) to gray, contrast limited adaptive histogram equalization, gaussian blur, resize, gray to RGB and normalization, to prepare the image data as model input. The model is trained to minimize the loss function using AdamW and stochastic gradient descent. The loss function used in this research is binary crossentropy loss function. The experimental results show that Conditonal Positional Encoding Vision Transformer with Convolution Stem can classify tuberculosis in chest x-ray images effectively, with an average best accuracy score of 0,990488, an average best recall score of 0,95757, and an average F1 score of 0,97338."

"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."

"Peningkatan resolusi vertikal dari data seismik selalu dilakukan oleh para Geosaintis, terutama pada petroleum system. Data seismik beresolusi tinggi dapat membuat pembacaan stratigrafi bawah permukaan lebih akurat. Data seismik beresolusi tinggi dilakukan peningkatan pada bandwidth frekuensi data seismik terutama pada frekuensi rendah dan tinggi. Terdapat banyak pendekatan untuk meningkatkan frekuensi pada data seismik contohnya multiscale inversion, namun metode ini susah untuk dilakukan. Penelitian ini menggunakan pendekatan baru untuk meningkatkan frekuensi pada data seismik terutama pada frekuensi rendah dengan menggunakan Convolutional Neural Network. Penelitian ini, membahas mengenai penggunaaan Convolutional Neural Network yang dilakukan pada data seismik dikalibrasi dengan data sumur. Hasil estimasi dari metode ini dilanjutkan dengan mengestimasi reservoir tipis pada daerah penelitian. Atribut seismik khususnya Root Mean Square, digunakan untuk mengestimasi daerah reservoir dan spectral Analysis digunakan untuk melihat lebih banyak frekuensi rendah dan tinggi. Hasil yang diperoleh menunjukkan bahwa penggunaan metode Convolutional Neural Network dapat meningkatkan resolusi vertikal. Metode tersebut menghasilkan gambar yang akurat dan tegas dalam melihat lapisan-lapisan tipis. Spetral analysis menunjukkan terdapat lebih banyak frekuensi rendah dan tinggi. Hasil dari Atribut Seismik medapatkan nilai tinggi di pada inline 424, crossline 1007 dan time slice -1200 hingga -1600 ms.

---

Enhancing the vertical resolution of seismic data is always carried out by geoscientists, especially in the petroleum system. High-resolution seismic data can make subsurface stratigraphic readings more accurate. an increase in the frequency bandwidth of seismic data is carried out on high resolution seismic data, especially at low and high frequencies. There are many approaches to increase the frequency of seismic data. One of the methods is multiscale inversion. the downside of this method is its level of difficulty that really high. This study uses a new approach to increase the frequency of seismic data, especially at low frequencies by using the Convolutional Neural Network. The estimation results from this method are continued by estimating the thin reservoir in the study area. Seismic attributes, especially Root Mean Square, are used to estimate the reservoir area and spectral analysis is used to see more of low and high frequencies. The results indicate that the use of the Convolutional Neural Network method can increase the vertical resolution. This method produces images that are accurate and firm in viewing thin layers. Spectral analysis also shows that there are more low and high frequencies. The result of the seismic attribute got high values at inline 424, crossline 1007 and time slice -1200 to -1600 ms."

"Kelenjar Meibom atau Meibomian Gland (MG) adalah salah satu elemen dari mata, letaknya berada pada kelopak mata. Kelenjar meibom berperan untuk mensekresikan komponen minyak sehingga mencegah sindrom mata kering. Kelainan dan perubahan ukuran dari kelenjar meibom menyebabkan kerusakan MG yang disebut dengan meibomian gland dysfunction (MGD). Kerusakan pada kelenjar meibom dapat dideteksi dengan citra yang dinamakan meibography. Kerusakan pada kelenjar meibom memiliki beberapa tingkatan yang disebut dengan meiboscore. Namun pada kenyataanya di dunia kedokteran masih subjektif untuk menentukan meiboscore tingkat keparahan disfungsi kelenjar meibom. Dalam menjawab permasalahan tersebut, metode segmentasi citra meibography dengan AI (Artificial intelligence) dapat menjadi metode klinis yang efektif untuk mengevaluasi kerusakan bentuk kelenjar meibom untuk tindakan dan diagnosa medis lebih lanjut. Penelitian ini menggunakan pendekatan machine learning khususnya deep learning yaitu metode Fully Convolutional Network (FCN) dengan menggunakan transfer learning VGG16, dengan variasi upsampling FCN-8. Data yang digunakan pada penelitian kali ini merupakan data sekunder citra meibography yang berasal dari pasien Rumah Sakit Cipto Mangunkusumo departemen RSCM-KIRANA. Pertama-tama untuk mendapatkan ground truth, maka dilakukan anotasi pada data citra dengan supervisi dari dokter. Sebelum dilakukan percobaan pada model, citra meibography akan dilakukan tahap pre-processing dengan menggunakan resize dan augmentasi data, serta one-hot encoding untuk ground truth. Eksperimen dilakukan dengan 5 kali percobaan running model pada data training dan data testing. Untuk hasil kinerja training model, dari eksperimen menunjukan bahwa training loss rata-rata yang didapat adalah 11,37% dan memperoleh rata-rata pixel accuracy sebesar 95,19%. Sementara untuk evaluasi kinerja model pada data validasi dapat diperoleh bahwa validation loss rata-rata adalah 31,776% dan memperoleh rata-rata validation pixel accuracy sebesar 91,404%. Selanjutnya untuk hasil kinerja pada data testing, diperoleh rata-rata testing loss adalah 20,88%, dan rata-rata testing pixel accuracy sebesar 92,91%. Disamping itu, diperoleh pula untuk rata-rata mean-IoU dari 5 kali percobaan adalah 71.966%.

---

Meibomian gland dysfunction (MGD) is a chronic disorder of the meibomian glands, usually with morphological changes in the secretory glands. Meibography images can detect meibomian gland dysfunction. However, in the medical world, it is still subjective to determine the severity of meibomian gland dysfunction. In answering these problems, the meibography image segmentation method with AI (Artificial intelligence) can be an effective clinical method to evaluate the morphology of the meibomian glands for further medical treatment and diagnosis. This research uses a machine learning approach, especially deep learning, namely the Fully Convolutional Network (FCN) method using transfer learning VGG16, with upsampling variations of FCN-8. The data used in this study is secondary meibography image from patients at one of the hospitals in Indonesia. The meibography image is first annotated by an ophthalmologist to get the ground truth. Subsequently, data augmentation techniques, including rotation and flipping, are applied to expand the dataset. Images are then preprocessed by resizing to 224 x 224 pixels. Moreover, the annotated data is also pre-processed using one-hot encoding. The dataset was divided into three cases, with five trials of the model training conducted for each case. A 10% data validation split from the training data was allocated for the first case, a 20% data validation split from the training data for the second case, and a 30% data validation split from the training data for the third case. Based on the testing evaluation results, the experiment reveals that Case 1 outperformed Cases 2 and 3, achieving an average pixel accuracy of 92.42%, a mean-IoU of 68.50%, and mean Dice coefficient of 81.30%."

"Diagnosa dan pengobatan kanker pada tahap jinak adalah hal yang sangat penting. Akhir akhir ini, ahli patologi menggunakan bantuan komputer dengan teknologi machine learning untuk membantu mendiagnosis pasien menggunakan citra medis. Namun, jumlah data yang dibutuhkan machine learning besar dan biasanya jumlah citra medis yang tersedia terbatas. Transfer learning adalah teknik machine learning yang dapat mengatasi terbatasnya jumlah data. Transfer learning adalah teknik yang mentransfer pengetahuan yang didapat saat model mempelajari untuk menyelesaikan suatu masalah dan digunakan untuk menyelesaikan masalah lain. Pada machine learning, pemilihan arsitektur model dan hyperparameter lainnya sangat berpengaruh pada performa model. Penelitian ini melakukan hyperparameter optimization terhadap CNN yang mengklasifikasi citra histopatologi berisi jaringan sehat dan jaringan kanker. Penelitian ini menemukan CNN dengan arsitektur DenseNet121, freeze rate 75%, 0 lapis classifier, learning rate 0.001, dan optimizer RMSProp mempunyai performa keakuratan terbaik pada 98% dengan waktu latih selama 19.5 detik.

---

Diagnosis and treatment of cancer at the benign stage is very important. Recently, pathologists are using computer-aided diagnostics with machine learning techniques to diagnose patients from medical images. However, the amount of data required for machine learning is large and the number of medical images available is usually limited. Transfer learning is a machine learning technique that can handle limited amounts of data. Transfer learning is a technique that transfers knowledge gained when learning to solve a problem, to use it to solve a different problem. In machine learning, choosing an optimum architecture and hyperparameters is very important because it affects the performance of the network. In this research, we did a hyperparameter optimization of a CNN that classifies images that contain healthy tissue and cancer tissue. The research concludes that CNN with architecture DenseNet121, freeze rate 75%, zero hidden layer on classifier, learning rate 0.001, and optimizer RMSProp have the best performance with 98% accuracy and 19.5 seconds training time."

"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."

"ABSTRAKDaerah perbatasan perairan Indonesia merupakan salah satu wilayah yang rentan akan kegiatan ilegal yang dapat merugikan negara. Oleh karena itu, perlu adanya pengawasan untuk setiap objek yang melewati perbatasan perairan tersebut. Pengawasan dapat dilakukan dengan pendeteksian jenis kapal yang melewati area perbatasan antar negara. Saat ini di Indonesia sudah terdapat pendeteksian khusus untuk mendeteksi adanya kapal perang asing. Selain kapal perang, kapal nelayan juga perlu dilakukan pengawasan untuk mencegah adanya illegal fishing. Pendeteksian kapal perang dan kapal nelayan dapat dilakukan dengan menggunakan mesin. Mesin dapat diprogram untuk menjalani perintah secara berulang kali, hal tersebut disebut sebagai Machine Learning, yang merupakan salah satu bidang dari Artificial Intelligence. Metode untuk memprogram pembelajaran mesin tersebut disebut dengan Deep Learning. Deep learning bekerja dengan membentuk hubungan antara neuron seperti layaknya cara kerja otak manusia atau biasa disebut dengan neural network.Salah satu jenis dari neural network yang terkenal adalah Convolutional Neural Network(CNN). CNN digunakan untuk simulasi pendeteksian kapal nelayan dan kapal militer dengan hasil keluaran berupa nilai akurasi training, akurasi validasi, dan juga prediksi. CNN juga ditambahkan additional layer, yaitu dropout dan batch normalization untuk meningkatkan ketepatan prediksi. Hasil yang didapatkan adalah pengaruh dari parameter layer dan dataset yang digunakan terhadap nilai akurasi pada pelatihan program. Dari simulasi didapatkan nilai akurasi yang paling baik dengan penggunaan pooling layer jenis max pooling dengan penggunaan layer tambahan berupa batch normalization dan dropout.

---

ABSTRACT

Indonesia's waters border is one of the areas that are vulnerable to illegal activities that can disserve the country. Detecting types of ships that cross border areas between countries is needed. Controlling can use machine thats automatically detect the object can do detection of warships and fishing boats. The concept is called machine learning. Machine learning is one of the types of Artificial Intelligence. The method for programming the machine learning is called Deep Learning. Deep learning works by forming relationships between neurons like the way the human brain works or commonly called a neural network. Convolutional Neural Network (CNN) is the famous method for deep learning. CNN is used to simulate the detection of fishing vessels and military vessels with the output in the form of training accuracy, validation accuracy, and the final prediction. CNN can also added an additional layer, namely dropout and batch normalization to improve the accuracy of predictions. The results obtained are the effect of the layer and dataset parameters used on the accuracy value in the training program. The best accuracy is obtained by using max pooling for pooling layer with additional layers of batch normalization and dropout."