Hasil Pencarian  ::  Simpan CSV :: Kembali

"Cardiac CT scanners are rapidly improving, each major vendor has introduced a state of the art scanner every 2–3 years. The basic applications, terminology and acquisition has not changed dramatically, however, improvements in hardware and software continue to reduce radiation exposure, scan times, artifacts and improve image quality. This chapter outlines the basic CT terminology, functions and background behind the current state of CT scan- ners for cardiac applications. It reviews spatial, temporal and contrast resolution limits of the CT scanners. An overview of common terms, radiation exposure and protocols are included. This acts as an introductory chapter to be expanded by subsequent chapters that will each go into more details on specific topics. Comparison to magnetic resonance for image quality and functionality, and dose comparisons to mammography, nuclear and fluoroscopy are included."

"Meluasnya alih fungsi lahan sawah ke non-sawah menyebabkan susutnya lahan pertanian secara progresif sehingga mempengaruhi ketahanan pangan. Mengacu kepada program Sustainable Development Goals(SDGs) oleh Persatuan Bangsa Bangsa (PBB), terdapat 17 program yang bertujuan untuk mencapai kesejahteraan rakyat. Pemetaan lahan sawah dengan menggunakan penginderaan jauh merupakan salah satu metode yang dapat digunakan untuk mengukur luas lahan sawah secara lebih detail untuk mewujudkan ketahanan pangan di Indonesia. Kecerdasan Buatan (AI) merupakan metode unggul untuk deteksi objek yang dapat digunakan untuk mengurangi dampak alih fungsi lahan yang tidak terkendali. Pada penelitian ini dikembangkan metode klasifikasi luas lahan sawah per persil menggunakan metode kecerdasan buatan pada data citra satelit optik Pleiades Satelit Resolusi Sangat Tinggi (CSRST) yang memiliki resolusi sangat tinggi dengan arsitektur U-net untuk mengklasifikasikan lahan sawah dan non-sawah. Citra yang digunakan diambil pada tanggal 2 Juni 2022. Dataset yang digunakan berjumlah 757 citra images dan 757 citra masking dengan ukuran masing-masing 256×256 piksel dengan ukuran 3 channel (RGB). Beberapa parameter tuning diterapkan pada model ini berupa komposisi data 80:20, Learning Rate 1×10-2, dropout layer 0,5, maxpooling layer dan menggunakan fungsi aktivasi ReLU dan softmax. Model yang dibuat memiliki nilai accuracy 0,6085, serta F1 score 0,2438 (kelas non-sawah) dan 0,7359 (kelas sawah), nilai IoU yang didapatkan sebesar 0,1388 (kelas non-sawah), dan 0,5822 (kelas sawah)  dengan mengambil kawasan persawahan di Kecamatan Manisrenggo, Kabupaten Klaten, Jawa Tengah, diperoleh luasan sawah sebesar 1.393 (Ha). Performa ini lebih rendah dibandingkan metode R2U-net dengan Douglas-Peucker Algorithm (DPA) yang menghasilkan niai accuracy 84,15%. Hal tersebut terjadi karena kelas non sawah berupa bangunan dan jalan tidak dapat dideteksi secara akurat pada model yang telah dibuat.

---

The widespread conversion of rice fields to non-rice fields causes a progressive reduction in agricultural land, thereby affecting food security. Referring to the Sustainable Development Goals (SDGs) program by the United Nations (UN), there are 17 programs that aim to achieve people's welfare. Mapping rice fields using remote sensing is one method that can be used to measure the area of ​​rice fields in more detail to achieve food security in Indonesia. Artificial Intelligence (AI) is a superior method for object detection that can be used to reduce the impact of uncontrolled land conversion. In this research, a method for classifying the area of ​​rice fields per parcel was developed using artificial intelligence methods on Pleiades Very High Resolution Satellite (CSRST) optical satellite image data which has very high resolution with U-net architecture to classify rice fields and non-rice fields. The images used were taken on June 2 2022. The dataset used consisted of 757 images and 757 masking images with a size of 256×256 pixels each with a size of 3 channels (RGB). Several tuning parameters are applied to this model in the form of data composition 80:20, Learning Rate 1×10-2, dropout layer 0.5, maxpooling layer and using ReLU and softmax activation functions. The model created has an accuracy value of 0.6085, and an F1 score of 0.2438 (non-paddy field class) and 0.7359 (rice field class), the IoU values ​​obtained are 0.1388 (non-rice field class) and 0.5822 (rice field class) by taking the rice field area in Manisrenggo District, Klaten Regency, Central Java, we obtained a rice field area of ​​1,393 (Ha). This performance is lower than the R2U-net method with the Douglas-Peucker Algorithm (DPA) which produces an accuracy value of 84.15%. This happens because non-rice field classes in the form of buildings and roads cannot be detected accurately in the model that has been created."

"Penelitian ini berfokus pada pengembangan algoritma untuk EEG-based Brain Computer Interface (BCI) yang memanfaatkan sinyal otak untuk mengendalikan external device secara langsung. Jenis sinyal EEG yang digunakan dalam penelitian ini adalah sinyal Motor Imagery (MI) yang berisikan imajinasi gerakan anggota tubuh tertentu tanpa dilakukannya gerakan secara langsung. Pengaplikasian sinyal MI-EEG ke dalam BCI masih memiliki kendala utama dikarenakan pola yang dihasilkan sulit untuk dibedakan antara jenis gerakan yang satu dengan jenis gerakan lainnya, maupun pada jenis gerakan yang sama. Pembaharuan yang dilakukan oleh peneliti adalah dengan memanfaatkan metode Wavelet Packet Transform (WPT) yang digunakan untuk meningkatkan resolusi temporal dari sinyal dengan cara mendekomposisikan sinyal ke dalam pita - pita frekuensi (frequency band) baik pada frekuensi tinggi maupun frekuensi rendah, sehingga dapat meningkatkan kemampuan Common Spatial Pattern (CSP) sebagai spatial filter sehingga didapatkan resolusi spatial yang lebih baik untuk sinyal MI-EEG tersebut. Convolutional Neural Network (CNN) kemudian dipilih untuk pelatihan dari klasifier, dimana hasil pelatihan ini nantinya akan digunakan untuk mengklasifikasikan gerakan dari MI-EEG yang diberikan. Performa dari metode ini akan dianalisis dengan menggunakan dataset 2a dari Brain Computer Interface Competition IV (BCIC IV) dan menghasilkan peningkatan rerata nilai akurasi hingga 32%, Kappa hingga 0,42, dan F-Score hingga 0,39 dibandingkan dengan hanya menggunakan CNN sebagai klasifiernya. Performa dari algoritma ini juga memiliki nilai Kappa yang cukup baik dibandingkan dengan metode – metode lain yang digunakan sebelumnya pada dataset 2a dari BCIC IV.

---

This study is focused on proposed a new algorithm in EEG-based Brain Computer Interface (BCI) that can directly utilize brain signals to control external devices. Motor Imagery (MI) signal, which contains the imagination of a certain limb movement, is generally used in BCI. It does not need direct movement. The application of MI-EEG signal into BCI still has major problems because the patterns obtained for each recording can be different from one another even though they have the same type of motion. In this study, we utilize the Wavelet Packet Transform (WPT) method which is used to decompose the EEG signal into specifics sub-bands frequency and Common Spatial Pattern (CSP) as a spatial filter to increase the spatial resolution of the EEG signal. The Convolutional Neural Network (CNN) is then selected for training from the classifier. The results of this training will later be used to classify the movements of the given MI-EEG. We evaluate the model using dataset 2a from Brain-Computer Interface Competition (BCIC) IV. The results show that the average accuracy increases 32%, Kappa up to 0.42, and F-Score up to 0.39 compared to only using CNN as the classifier. The performance of this algorithm also has a fairly good Kappa value compared to other methods used previously in dataset 2a from BCIC IV."