Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tuberkulosis (TB) merupakan suatu penyakit menular yang sebagian besar menyerang paru-paru manusia. Penularan penyakit ini terjadi ketika pasien tuberkulosis paru mengeluarkan percikan dahak yang mengandung kuman tuberkulosis ke udara. Penularannya yang mudah menjadikan tuberkulosis sebagai masalah kesehatan masyarakat, baik di Indonesia maupun internasional. Deteksi dini tuberkulosis paru dapat mencegah penularan serta menyembuhkan pasien. Namun, adanya pandemi COVID-19 saat ini dapat menurunkan angka kasus tuberkulosis yang berhasil terdeteksi. Hal ini menunjukkan perlu adanya kemajuan dalam metode pendeteksian penyakit tuberkulosis paru. Kini, perkembangan teknologi dapat dimanfaatkan untuk membantu bidang kesehatan, salah satunya dengan machine learning. Machine learning dapat digunakan untuk mendeteksi adanya suatu penyakit berdasarkan data citra. Dalam penelitian ini, model machine learning, Convolutional Neural Network–Random Forest (CNN– Random Forest) dan Convolutional Neural Network–XGBoost (CNN–XGBoost), diimplementasikan untuk mendeteksi tuberkulosis paru berdasarkan citra radiografi toraks. Selanjutnya, kedua model tersebut dievaluasi dan dibandingkan kinerjanya berdasarkan nilai akurasi dan nilai luas wilayah di bawah kurva ROC, atau biasa disebut dengan area under the curve (AUC). Data yang digunakan sebanyak 6000 yang terdiri dari 3000 citra radiografi toraks tuberkulosis paru dan 3000 citra radiografi toraks normal. Berdasarkan hasil yang diperoleh, model CNN-Random Forest dan CNN-XGBoost memberikan kinerja yang baik dan dapat diterapkan untuk mendeteksi tuberkulosis paru, dimana CNN digunakan untuk mengekstraksi fitur pada citra, kemudian hasil ekstraksi fitur tersebut menjadi input bagi pengklasifikasi Random Forest dan XGBoost. Evaluasi kinerja berdasarkan rata-rata nilai akurasi dan rata-rata nilai AUC pada model CNN- Random Forest memberikan hasil terbaik masing-masing sebesar 98.667% dan 99.933%, sementara pada model CNN-XGBoost memberikan hasil terbaik masing-masing sebesar 98.367% dan 99.866%. Kemudian berdasarkan perbandingan kinerja yang dilakukan, model CNN-Random Forest memberikan kinerja yang lebih baik dalam mendeteksi tuberkulosis paru dibandingkan dengan model CNN-XGBoost.

---

Tuberculosis (TB) is an infectious disease that in most cases attacks the human lungs. Transmission of this disease occurs when a patient with pulmonary tuberculosis expels phlegm containing tuberculosis germs into the air. Its easy transmission makes tuberculosis a public health problem, both in Indonesia and internationally. Early detection of pulmonary tuberculosis can prevent transmission and cure patients. However, the current COVID-19 pandemic can reduce the number of successfully detected tuberculosis cases. This shows the need for progress in the detection method of pulmonary tuberculosis. Now, technological developments can be used to help the health sector, one of which is machine learning. Machine learning can be used to detect the presence of a disease based on image data. In this study, machine learning models, Convolutional Neural Network–Random Forest (CNN–Random Forest) and Convolutional Neural Network–XGBoost (CNN–XGBoost), were implemented to detect pulmonary tuberculosis based on thorax radiography images. Furthermore, the performances of the two models were evaluated and compared based on the values of accuracy and area under the ROC curve, or commonly called the area under the curve (AUC). The data used were 6000 consisting of 3000 thorax radiography images of pulmonary tuberculosis and 3000 normal thorax radiography images. Based on the results obtained, the CNN-Random Forest and CNN-XGBoost models provided good performances and can be applied to detect pulmonary tuberculosis, where CNN was used to extract features in the image, then the results of the feature extraction became input for the Random Forest and XGBoost classifiers. Performance evaluation based on the average values of accuracy and AUC in the CNN-Random Forest model gave the best results of 98.667% and 99.933%, respectively, while the CNN-XGBoost model gave the best results of 98.367% and 99.866, respectively. Then based on the performance comparison, the CNN-Random Forest model provided a better performance in detecting pulmonary tuberculosis compared to the CNN-XGBoost model."

"Tuberkulosis (TB) merupakan suatu penyakit menular yang sebagian besar menyerang paru-paru manusia. Penularan penyakit ini terjadi ketika pasien tuberkulosis paru mengeluarkan percikan dahak yang mengandung kuman tuberkulosis ke udara. Penularannya yang mudah menjadikan tuberkulosis sebagai masalah kesehatan masyarakat, baik di Indonesia maupun internasional. Deteksi dini tuberkulosis paru dapat mencegah penularan serta menyembuhkan pasien. Namun, adanya pandemi COVID-19 saat ini dapat menurunkan angka kasus tuberkulosis yang berhasil terdeteksi. Hal ini menunjukkan perlu adanya kemajuan dalam metode pendeteksian penyakit tuberkulosis paru. Kini, perkembangan teknologi dapat dimanfaatkan untuk membantu bidang kesehatan, salah satunya dengan machine learning. Machine learning dapat digunakan untuk mendeteksi adanya suatu penyakit berdasarkan data citra. Dalam penelitian ini, model machine learning, Convolutional Neural Network-Random Forest (CNN-Random Forest) dan Convolutional Neural Network-XGBoost (CNN-XGBoost), diimplementasikan untuk mendeteksi tuberkulosis paru berdasarkan citra radiografi toraks. Selanjutnya, kedua model tersebut dievaluasi dan dibandingkan kinerjanya berdasarkan nilai akurasi dan nilai luas wilayah di bawah kurva ROC, atau biasa disebut dengan area under the curve (AUC). Data yang digunakan sebanyak 6000 yang terdiri dari 3000 citra radiografi toraks tuberkulosis paru dan 3000 citra radiografi toraks normal. Berdasarkan hasil yang diperoleh, model CNN-Random Forest dan CNN-XGBoost memberikan kinerja yang baik dan dapat diterapkan untuk mendeteksi tuberkulosis paru, dimana CNN digunakan untuk mengekstraksi fitur pada citra, kemudian hasil ekstraksi fitur tersebut menjadi input bagi pengklasifikasi Random Forest dan XGBoost. Evaluasi kinerja berdasarkan rata-rata nilai akurasi dan rata-rata nilai AUC pada model CNN-Random Forest memberikan hasil terbaik masing-masing sebesar 98.667% dan 99.933%, sementara pada model CNN-XGBoost memberikan hasil terbaik masing-masing sebesar 98.367% dan 99.866%. Kemudian berdasarkan perbandingan kinerja yang dilakukan, model CNN-Random Forest memberikan kinerja yang lebih baik dalam mendeteksi tuberkulosis paru dibandingkan dengan model CNN-XGBoost.

---

Tuberculosis (TB) is an infectious disease that in most cases attacks the human lungs. Transmission of this disease occurs when a patient with pulmonary tuberculosis expels phlegm containing tuberculosis germs into the air. Its easy transmission makes tuberculosis a public health problem, both in Indonesia and internationally. Early detection of pulmonary tuberculosis can prevent transmission and cure patients. However, the current COVID-19 pandemic can reduce the number of successfully detected tuberculosis cases. This shows the need for progress in the detection method of pulmonary tuberculosis. Now, technological developments can be used to help the health sector, one of which is machine learning. Machine learning can be used to detect the presence of a disease based on image data. In this study, machine learning models, Convolutional Neural Network-Random Forest (CNN-Random Forest) and Convolutional Neural Network-XGBoost (CNN-XGBoost), were implemented to detect pulmonary tuberculosis based on thorax radiography images. Furthermore, the performances of the two models were evaluated and compared based on the values of accuracy and area under the ROC curve, or commonly called the area under the curve (AUC). The data used were 6000 consisting of 3000 thorax radiography images of pulmonary tuberculosis and 3000 normal thorax radiography images. Based on the results obtained, the CNN-Random Forest and CNN-XGBoost models provided good performances and can be applied to detect pulmonary tuberculosis, where CNN was used to extract features in the image, then the results of the feature extraction became input for the Random Forest and XGBoost classifiers. Performance evaluation based on the average values of accuracy and AUC in the CNN-Random Forest model gave the best results of 98.667% and 99.933%, respectively, while the CNN-XGBoost model gave the best results of 98.367% and 99.866, respectively. Then based on the performance comparison, the CNN-Random Forest model provided a better performance in detecting pulmonary tuberculosis compared to the CNN-XGBoost model."

"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."

"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 berturut- turut 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."

"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."

"Digitalisasi proses pengisian data Kartu Tanda Penduduk (KTP) memerlukan prosesotomatisasi dan otentikasi, yang dapat dilakukan dengan proses pembacaan teks pada gambarKTP oleh komputer secara otomatis serta mengevaluasi kemiripan wajah pada foto KTP danswafoto pendaftar. Proses pembacaan data pada KTP secara otomatis disebut juga secagai prosesOptical Character Recognition (OCR), sedangkan pengevaluasian kemiripan wajah dapatdilakukan dengan model Siamese Network. Baik Siamese Network maupun model untuk OCRmerupakan model yang pada dasarnya digunakan untuk mengolah gambar. Oleh karena itudigunakan Convolutional Neural Network (CNN) sebagai model dasar pada penelitian ini. Padaproses OCR dan evaluasi kemiripan wajah dibutuhkan model yang mampu mendeteksi lokasi teksdan wajah yang akan diekstrak dari gambar, model tersebut merupakan model text detection danface detection. Model text detection dan face detection merupakan aplikasi dari model objectdetection. Pada model object detection terbaru, dikembangkan model modifikasi CNN yangmampu mendeteksi obek yang berukuran sangat kecil dan sangat besar, model tersebut dinamakanBidirectional Feature Pyramid Network (BiFPN). Setelah mengekstrak lokasi teks, langkah dariproses OCR selanjutnya adalah mengenali setiap karakter dalam teks (text recognition), yangdapat dilakukan dengan model Bidirectional Long Short-Term Memory (BiLSTM). Sedangkandari wajah yang diekstrak selanjutnya ditentukan apakah berasal dari orang yang sama atau tidakoleh model Siamese Network. Pada penelitian ini akan dibangun arsitektur CNN Effiception, yangdigabungkan menjadi CNN-BiFPN untuk proses object detection, CNN-BiLSTM, untuk prosestext recognition, dan CNN dalam bentuk Siamese Network untuk mengevaluasi kemiripan wajah

---

Digitization of ID card applications requires automation and an authentication process,

which can be done by computerized ID card information reading and face's similarity evaluating

on ID card's photo and applicant selfie. The computerized ID card information reading is named

Optical Character Recognition (OCR). While the face's similarity authentication is done by the

Siamese Network model. Both the Siamese Network and OCR model basically used to process

images. Therefore, the Convolutional Neural Network (CNN) became the base model for this

study. Each of OCR and face's similarity authentication required a model that can detect the

location of text and face to be extracted from the image. They are text detection and face detection

model, which are the applications of object detection. The latest object detection model,

EfficientDet, used CNN modification that capable to detect a tiny and huge object at the same

time, is called Bidirectional Feature Pyramid Network (BiFPN). After extracting the location of

the text, the next step of the OCR process is to recognize each character in the text (text

recognition), which can be done with the Bidirectional Long Short-Term Memory (BiLSTM).

Meanwhile, the extracted face, from the selfie and ID card's photo, then be determined either from

the same person or not, by the Siamese Network. The product of this study is the CNN

architecture, Effiception, which is combined into CNN-BiFPN for object detection process, CNNBiLSTM,

for text recognition process, and its modification into Siamese Network architecture to

evaluate the face's similarity"

"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."

"ABSTRAKDiabetic Retinopathy (DR) merupakan komplikasi jangka panjang dari Diabetes Mellitus (DM) yang mempengaruhi penglihatan karena adanya mikrovaskular pada retina. Hal ini dapat mengakibatkan gangguan penglihatan dan kebutaan jika ditangani terlambat. DR dapat dideteksi melalui pemeriksaan citra fundus. Salah satu pendekatan dalam mendeteksi DR pada citra fundus yaitu dengan pendekatan deep learning yang merupakan salah satu metode implementasi dari machine learning.  Dalam penelitian ini, digunakan metode Convolutional Neural Networks (CNN) dengan arsitektur ResNet-50 dan DenseNet-121. Data yang digunakan dalam penelitian ini diambil dari DIARETDB1 yang merupakan online database yang berisi gambar fundus. Selanjutnya, dilakukan tahap preprocessing pada citra untuk meningkatkan kinerja model seperti mengambil green channel dan menerapkan inverted green channel, mengubah citra warna menjadi grayscale, dan menerapkan Contrast Limited Adaptive Histogram Equalization (CLAHE) untuk penyeragaman kontras pada citra. Hasil penelitian ini menunjukkan bahwa model ResNet-50 lebih baik dibandingkan DenseNet-121 dalam mendeteksi DR. Hasil terbaik dari beberapa kasus testing model ResNet-50 yaitu accuracy, precision, dan recall masing-masing sebesar 92,2%, 93,6%, dan 92,6% dengan running time untuk training selama 6 menit 21,296 detik dan testing selama 1,174 detik.

---

ABSTRACTDiabetic Retinopathy (DR) is a long-term complication of Diabetes Mellitus (DM) that affects vision because of the presence of microvascular retinal. This can result in visual impairment and blindness if treated late. DR can be detected by examining fundus images. One approach to detecting DR in fundus images is the deep learning approach which is one of the methods of implementing machine learning. In this study, the Convolutional Neural Networks (CNN) method is used with the ResNet-50 and DenseNet-121 architectures. The data used in this study were taken from DIARETDB1, which is an online database that contains fundus images. Then, pre-processing stage is carried out on the fundus image to improve model performance such as selected the green channel from the images and inverted it, converted the images into grayscale images, and applied Contrast Limited Adaptive Histogram Equalization (CLAHE) for uniform contrast in the images. The results of this study indicate that the ResNet-50 model is better than DenseNet-121 in detecting DR. The best results from several cases testing the ResNet-50 model are accuracy, precision, and recall of 92.2%, 93.6%, and 92.6% respectively with running time for training for 6 minutes 21.296 seconds and testing for 1.174 seconds."

"Hadirnya beragam layanan penyintesis suara manusia di Internet memungkinkan siapa pun untuk melakukan sintesis suara manusia dengan memanfaatkan layanan ini. Di tangan yang salah, teknologi ini dapat merugikan masyarakat awam dan meningkatkan peluang keberhasilan penipuan. Maraknya layanan penyintesis suara manusia yang sudah hampir tidak dapat dibedakan oleh telinga manusia memberikan keluangan untuk menghadirkan sebuah sistem yang dapat membedakan suara manusia dengan suara manusia sintetis. Penelitian ini memanfaatkan teknologi pembelajaran mesin yang berupa Convolutional Neural Networks pada spektogram suara manusia dari himpunan data pelatihan dengan 16 suara manusia yang berisikan 4 suara pria asli, 4 suara pria sintetis, 4 suara wanita asli, dan 4 suara wanita sintetis dengan jumlah 1.008 berkas rekaman suara manusia berformat WAV yang telah dirancang dan dibuat khusus untuk penelitian ini dengan pembagian pelatihan dan validasi sebesar 80% dan 20% secara berurut. Hasil akhir dari penelitian ini memberikan sebuah model CNN dengan bobotnya yang memberikan nilai data loss sekecil 0,00022 dan sebuah sistem yang dapat melakukan deteksi keaslian suara manusia berdasarkan berkas rekaman suara manusia dan model CNN serta bobot yang diberikan.

---

The presence of human voice synthesis services on the Internet allows everyone to create synthetic human voices by leveraging these services. In the wrong hands, this technology could harm unsuspecting citizens and promote chances of scams. The abundance of human voice synthesis service that is almost indistinguishable by human ears gave presence to a system that could distinguish between real and synthetic human voices. This study leverages machine learning technology in the form of Convolutional Neural Networks on a spectrogram from a training dataset with 16 different human voices consisting 4 authentic men voices, 4 synthetic men voices, 4 authentic women voices, and 4 synthetic women voices with the total of 1,008 WAV formatted human voice recording files that was designed and made specifically for this study with the splitting ratio for training and validation set to 80% and 20% respectively. The end result of this study produces a CNN model and its weights with a data loss score of 0.00022, as well as a system that can perform authenticity detection on a human voice based on the given human voice recording file and the CNN model with its weights."

"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%."