Hasil Pencarian  ::  Simpan CSV :: Kembali

""

"Beras Organik merupakan salah satu jenis beras yang memiliki penanaman yang berbeda dengan beras pada umumnya dengan cara teknik penanaman yang berbeda tanpa bahan kimia. Pada zaman sekarang ini terdapat para pengepul beras maupun penjual beras yang mencampurkan beras organik dengan beras kualitas rendah maupun beras nonorganik untuk dijual dipasaran karena untuk beras murni organik memiliki harga yang terbilang cukup mahal. Pendeteksian pencampuran beras organik ini-pun masih sulit dilakukan karena untuk beras organik tidak banyak penelitiannya di Indonesia. Pada penelitian sistem identifikasi kemurnian beras organik dibuat dengan menggunakan pencitraan hyperspectral dengan menggunakan model klasifikasi convolutional neural network. Penelitian ini dirancang dengan membuat suatu eksperimen kemurnian beras organik dengan perbandingan 50%, 60%, 70%, 80%, dan 90%. Model klasifikasi Convolutional Neural Network menggunakan tiga arsitektur yaitu AlexNet, Autoencoder dan Proposed CNN. Model Proposed CNN memiliki hasil akurasi dalam mengklasifikasikan data kemurnian beras organik yang lebih tinggi dibandingkan dengan arsitektur lainnya dengan hasil akurasi rata-rata untuk seluruh eksperimen 91,26% ± 2,66%. Hasil ini menunjukkan bahwa sistem identifikasi kemurnian beras organik dengan menggunakan kamera hyperspectral berbasis pemodelan klasifikasi Convolutional Neural Network telah bekerja secara optimal.

---

Organic rice are one of many type of rice with a different cultivation way of planting techniques without using any of chemicals that are not healthy for human body. On thus day, there are some rice collectors and sellers that mixing the organic rice with some low quality or non-organic rice for sell in the marketplace, because if they use only pure organic type of rice the price will be fairly expensive compared to a non-organic rice. To detect the mixed rice are hard because there are not many specific studies related about it in Indonesia. This studies are designed to make an experiments about purity of organic rice with ratio of 50%, 60%, 70%, 80%, and 90%. In this studies the system for identifying the purity of organic rice was made using hyperspectral imaging and a convolutional neural network classification model. The convolutional neural network uses three types of architectures such as AlexNet, Autocoder, and proposed CNN. The proposed CNN model has a result of accuracy at 91,26% ± 2,66%. These results indicate that the identification system of organic rice purity using a hyperspectral camera based on Convolutional Neural Network classification modeling has worked optimally.

"

"Tanaman karet merupakan salah satu komoditas utama ekspor Indonesia. Namun, dalam beberapa tahun terakhir, produksi karet di Indonesia mengalami penurunan. Hal tersebut disebabkan karena adanya penyakit gugur daun yang disebabkan oleh jamur Pestalotiopsis sp.. Berkembangnya teknologi artificial intelligence dengan pendekatan deep learning mampu melakukan pendeteksian pada penyakit ini dengan menggunakan data citra. Convolutional Neural Network (CNN) merupakan algoritma deep learning yang diterapkan pada data berbentuk visual atau citra. Pada penelitian ini, peneliti menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur Residual Network 50 (ResNet-50). Pada penelitian ini juga digunakan Transfer Learning yang merupakan sebuah model yang dapat diajarkan dan disempurnakan untuk suatu kegiatan dan kemudian bisa diterapkan pada kegiatan lain. Dataset yang digunakan pada penelitian ini adalah data daun karet yang berjumlah 1629 data yang dibagi dalam 5 kelas yaitu level 0 atau sehat merupakan daun yang sehat, level 1 merupakan daun yang telah terbentuk bercak coklat yang merupakan gejala dari penyakit namun belum memiliki tanda-tanda perubahan warna, level 2 merupakan daun yang telah terbentuk banyak bercak cokelat disertai dengan adanya perubahan warna pada daun, level 3 merupakan daun yang mengalami kerusakan jaringan, perubahan warna menjadi cokelat atau kuning namun masih memiliki sedikit bagian daun yang berwarna hijau, level 4 merupakan daun yang mengalami kerusakan jaringan cukup parah, dipenuhi bercak cokelat dan telah berwarna cokelat menyeluruh. Dari hasil simulasi yang dilakukan, diperoleh hasil terbaik dengan rata-rata accuracy 96,01%, recall 95,888%, dan precision 96,184% dengan running time rata-rata running time 69,759 detik.

---

Rubber plants are one of Indonesia's main export commodities. However, in recent years, rubber production in Indonesia has experienced a decline. This is due to the presence of the leaf fall disease caused by the Pestalotiopsis sp. fungus. The advancement of artificial intelligence technology using deep learning approaches enables the detection of this disease using image data. The Convolutional Neural Network (CNN) is a deep learning algorithm applied to visual or image data. In this study, researchers utilized the Convolutional Neural Network (CNN) method with the Residual Network 50 (ResNet50) architecture. Transfer Learning was also employed in this research, which involves training and refining a model for one task and then applying it to another task. The dataset used in this study consists of 1629 rubber leaf samples divided into 5 classes: level 0, representing the healthy leaves; level 1, indicating leaves with brown spots, a symptom of the disease, but without major visible color changes; level 2, comprising of leaves with numerous brown spots accompanied by slight color changes; level 3, representing leaves with tissue damage, a color change from green to brown or yellow, but still retaining some green parts; and level 4, depicting leaves with severe tissue damage, extensively covered in brown spots and having turned completely brown. The simulation results showed the best outcome with an average accuracy of 96.01%, recall of 95.888%, and precision of 96.184%, with an average running time of 69.759 seconds."

"Leptomeningeal metastatis merupakan indikasi keganasan yang terjadi pada pasien leukemia. Meskipun hanya memiliki porsi 30-40% yang menyebabkan kekambuhan keganasan pada pasien leukemia, hal tersebut yang dijadikan dasar dalam menentukan pengobatan terbaik yang diberikan kepada mereka. Leptomeningeal metastasis lebih baik dideteksi dengan menggunakan Magnetic Resonance Imaging (MRI) karena sensitivitasnya yang tinggi dalam citra neuraxis. Kemampuan expert yang tinggi untuk melihat dan menganalisis sangat diperlukan dalam membaca hasil Brain MRI pasien leukemia dengan suspek leptomeningeal metastasis. Oleh karena itu, klasifikasi akan memakan waktu yang lama dan memungkinkan kesalahan pembacaan hasil. Berbagai metode telah banyak diusulkan dan dikembangkan dalam klasifikasi Brain MRI untuk mendapatkan hasil terbaik namun tantangan dalam penelitian ini adalah leptomeningeal metastasis yang karakteristiknya lebih sudah dikenali dibandingkan tumor pada otak. Oleh karena itu peneliti mengusulkan pengklasifikasian leptomeningeal metastasis dengan menggunakan metode CNN via transfer learning. Dengan berbagai skenario yang dilakukan, hasil akurasi terbaik adalah implementasi metode CNN (ResNet50) via transfer learning mencapai 82,22%.

---

Leptomeningeal metastasis is an indication of malignancy that occurs in leukemia patients. Although it only has a 30-40% portion, which causes recurrence of malignancy in leukemia patients, it is the basis for determining the best treatment given to them. Leptomeningeal metastases are better detected by using Magnetic Resonance Imaging (MRI) because of their high sensitivity in neuroaxis images. A high expert ability to see and analyze is needed in reading the brain MRI results of leukemia patients with suspected leptomeningeal metastasis. Therefore, the classification will take a long time and may an incorrect reading of the results. Various methods have been proposed and developed in the brain MRI classification to get the best results, but the challenge in this research is leptomeningeal metastasis, whose characteristics are more not recognizable than tumors in the brain. Therefore, we propose the classification of leptomeningeal metastasis using the CNN method via transfer learning. With various scenarios done, we obtained the best accuracy result is the implementation of the CNN (ResNet50) method via transfer learning, up to 82.22%."

"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."

"Klorofil-a selama ini dianggap mencerminkan kelimpahan ikan pelagis, padahal kondisi berlebih menyebabkan kematian ikan. Hal tersebut dipengaruhi oleh pencemaran dan perubahan iklim. Pencemaran Sungai Citarum mengakibatkan tangkapan ikan nelayan Muara Bendera menurun. Tujuan penelitian ini adalah mengkaji pola spasial dan tren klorofil-a, hubungan klorofil-a dengan produktivitas tangkapan pelagis, serta pengaruh ENSO dan IOD terhadap produktivitas tangkapan pelagis. Metode yang digunakan adalah kualitatif dan kuantitatif. Hasilnya menunjukkan konsentrasi klorofil-a tertinggi berada di sekitar muara sungai, semakin menjauhi muara dan pantai semakin menurun. Tahun 1997 - 2021, tren klorofil-a meningkat sebesar +0,013 mg/m3/tahun atau +1,43 %/tahun. Secara spasial peningkatan tren klorofil-a tahun 1997 – 2021 konsisten berada di sekitar Muara Citarum dan Cisadane. Sejak tahun 2000 klorofil-a perairan Kepulauan Seribu Utara menunjukkan peningkatan tren dan penurunan di bagian tengah Teluk Jakarta. klorofil-a dan produktivitas tangkapan pelagis mempunyai hubungan negatif sebesar -0,13. Tidak ada pengaruh ENSO terhadap produktivitas tangkapan pelagis di wilayah ini. Produktivitas tangkapan pelagis terindikasi sedikit dipengaruhi oleh IOD. Kenaikan tren klorofil-a di wilayah tangkapan Muara Bendera tidak diimbangi dengan kenaikan produktivitas tangkapan pelagis, justru mengindikasikan penurunan

---

Chlorophyll-a has been considered to reflect pelagic fish, but excess conditions cause fish death. It is influenced by pollution and climate change. The pollution of the Citarum River has resulted in a decline in fish catches from Muara Bendera fishermen. The purpose of this study was to examine the spatial pattern and trend of chlorophyll-a, the relationship of chlorophyll-a to pelagic catch productivity, and the effect of ENSO and IOD on pelagic catch productivity. The method used is qualitative and quantitative. The results showed the highest concentration of chlorophyll-a around the river mouth, the increase in the estuary and the coast increased. In 1997 - 2021, the trend of chlorophyll-a increased by +0.013 mg/m3/year or +1.43%/year. Spatially, the increasing trend of chlorophyll-a from 1997 to 2021 was consistent around Muara Citarum and Cisadane. Since 2000, chlorophyll-a in the waters of the North Thousand Islands has shown an increasing and decreasing trend in the central part of Jakarta Bay. chlorophyll-a and pelagic catch productivity had a negative relationship of -0.13. There is no effect of ENSO on pelagic catch productivity in this region. The productivity of pelagic catches is slightly affected by IOD. The increasing trend of chlorophyll-a in each catchment area of Muara Bendera did not increase with the increase in pelagic income, instead it decreased."

"Uji kendali mutu pada citra mamografi dengan menggunakan fantom CDMAM merupakan langkah penting dalam memastikan kualitas proses diagnostik pada pesawat mamografi. Namun, untuk mengatasi masalah variabilitas manusia dan meningkatkan efisiensi waktu, penggunaan Convolutional Neural Network (CNN) dapat menjadi solusi yang akurat dalam menganalisis citra fantom CDMAM. Penelitian ini menerapkan arsitektur CNN Resnet50 pada total 1.392 citra fantom CDMAM dengan dan tanpa regularizer L2. Hasil prediksi CNN pada rentang diameter 0,10 hingga 0,20 mm menunjukkan tingkat prediksi dengan tingkat kesalahan relatif di bawah 32% pada prediksi satuan dan di bawah 16% pada rata-rata prediksi dari 16 citra. Dari hasil prediksi yang diperoleh, diperlukan optimasi lebih lanjut untuk mencapai akurasi prediksi yang lebih tinggi.

---

Quality control testing on mammography images using CDMAM phantoms is an important step in ensuring the quality of the diagnostic process in mammography devices. However, to overcome human variability issues and improve time efficiency, the use of Convolutional Neural Network (CNN) can be an accurate solution for analyzing CDMAM phantom images. This study applied the CNN architecture ResNet50 to a total of 1.392 CDMAM phantom images with and without L2 regularizer. The CNN prediction results for the diameter range of 0,10 to 0,20 mm showed prediction with relative error below 32% for individual predictions and below 16% for average predictions from 16 images. Based on the obtained prediction results, further optimization is needed to achieve higher prediction accuracy."

"Tingkat morbiditas tuberkulosis (TB) di Indonesia menunjukkan banyaknya penduduk di Indonesia yang menderita TB. Tingkat morbiditas TB dapat digunakan oleh perusahaan asuransi untuk memprediksi risiko seseorang terkena TB sehingga perusahaan asuransi dapat menentukan premi yang akan dibebankan kepada pemohon asuransi berdasarkan risikonya. Oleh karena itu, kemampuan untuk memperkirakan tingkat morbiditas TB secara akurat sangat penting bagi perusahaan asuransi untuk dapat menentukan jumlah premi yang tepat namun tetap kompetitif. Penelitian ini bertujuan untuk membangun dan membandingkan dua model yang dapat digunakan untuk memprediksi angka morbiditas TB di Indonesia. Model ini dibangun menggunakan metode Temporal Convolutional Neural Network (TCNN) dan exponential smoothing. Data yang digunakan dalam penelitian ini diperoleh dari situs resmi Kementerian Kesehatan Republik Indonesia. Sebelum model dibangun, data yang digunakan dalam penelitian ini disusun menjadi dataset pelatihan dan validasi. Model tersebut dibangun dengan menggunakan dataset training dan divalidasi menggunakan dataset validasi. Hasil validasi model kemudian dievaluasi dan dibandingkan berdasarkan nilai mean squared error (MSE). Hasil dari penelitian ini menunjukkan bahwa model TCNN yang dibangun menghasilkan nilai MSE yang lebih rendah dari pada model exponential smoothing.

---

Tuberculosis (TB) morbidity rate in Indonesia shows the number of population in Indonesia who suffer from TB. The TB morbidity rate can be used by insurance companies to predict a person's risk of TB so that insurance companies can determine the premiums that will be charged to insurance applicants based on the risks. Thus, the ability to estimate the TB morbidity rate accurately is essential for insurance companies to be able to determine the right premium amount while remaining competitive. This study compared two models that can be used to predict TB morbidity rate in Indonesia. The model was built using the temporal convolutional neural network (TCNN) and exponential smoothing methods. The data that is used in this study are obtained from the official website of the ministry of health of the Republic of Indonesia. Before the model was built, the data used in this study were compiled into training and validation datasets. The model is built using a training dataset and validated using the validation dataset. The results of the model's validation are then evaluated and compared based on the value of the mean squared error (MSE). The result of this study shows that the TCNN model provides lower MSE compared to exponential smoothing."