Hasil Pencarian  ::  Simpan CSV :: Kembali

"[ABSTRAKRontgen dada atau Chest X-Ray (CXR) merupakan salah satu aplikasi pencitraan medis yang paling sering digunakan dalam pendeteksian kelainan khususnya tumor pada paru – paru. Untuk menentukan diagnosis kelainan tersebut, seorang dokter masih mengandalkan pengamatan visual dalam pembacaan hasil citra CXR sehingga penilaian bersifat subyektif tergantung pada masing – masing dokter. Oleh karena itu, pada penelitian ini dilakukan perancangan sistem pengolahan citra sebagai alat bantu identifikasi kelainan paru – paru. Kategori citra CXR yang digunakan adalah citra pada keadaan normal, tumor, dan kelainan bukan tumor. Tahapan pengolahan yang dilakukan berupa pre-processing menggunakan median filtering dan ekualisasi histogram serta proses segmentasi menggunakan otsu’s thresholding dan active contour : snake. Uji hasil pengolahan citra dengan hasil diagnosis dokter menggunakan jaringan syaraf tiruan backpropagation menghasilkan akurasi sebesar 92,85 %.

---

ABSTRACTChest X-Ray (CXR) is a medical imaging applications that most commonly used for detects of abnormalities, especially tumors of the lung. To determine the abnormality diagnosis, doctors still rely on visual observations to read a CXR image, so that the assessments are subjective depending on each doctor. This study purposes to design an image processing system as a tool for identification of lung’s abnormalities. It used three classification of CXR image, which are lungs image in normal circumstances, tumors, and abnormalities besides tumor. Stages of image processing are done in the form of pre-processing using a median filtering and histogram equalization and also the process of segmentation using Otsu's thresholding and active contour: snake. Test the image processing results with the results of the doctor's diagnosis using artificial neural network backpropagation produces an accuracy of 92,85 %., Chest X-Ray (CXR) is a medical imaging applications that most commonly used for detects of abnormalities, especially tumors of the lung. To determine the abnormality diagnosis, doctors still rely on visual observations to read a CXR image, so that the assessments are subjective depending on each doctor. This study purposes to design an image processing system as a tool for identification of lung’s abnormalities. It used three classification of CXR image, which are lungs image in normal circumstances, tumors, and abnormalities besides tumor. Stages of image processing are done in the form of pre-processing using a median filtering and histogram equalization and also the process of segmentation using Otsu's thresholding and active contour: snake. Test the image processing results with the results of the doctor's diagnosis using artificial neural network backpropagation produces an accuracy of 92,85 %.]"

"Penelitian ini bertujuan untuk mendapatkan kombinasi parameter yang optimal dalam simulasi pemeriksaan kranial, toraks, dan abdomen menggunakan sistem digital radiography (DR). Optimasi dilakukan menggunakan phantom in-house dengan objek kontras pada DR Siemens Luminos Agile Max. Pasien pediatrik dipisahkan menjadi empat kelompok usia; grup A (0-1 tahun), grup B (1-5 tahun), grup C (5-10 tahun), dan grup D (10-15 tahun). Kombinasi lapisan PMMA dan cork dengan ketebalan total yang berbeda digunakan untuk mensimulasikan pasien yang termasuk dalam setiap kelompok usia untuk wilayah anatomis yang berbeda (kranial, toraks, dan abdomen). Optimasi dilakukan dalam tiga langkah; kVp, diikuti oleh mAs, dan kemudian optimasi filter tambahan. Semua langkah optimasi dilakukan berdasarkan nilai FOM (figure of merit) yang dihitung sebagai rasio SDNR (signal difference to noise ratio) kuadrat dan entrance surface dose dengan FOM tertinggi yang mewakili kondisi optimum. Hasil dari optimasi ini dievaluasi berdasarkan FOM tertinggi yang dihasilkan dari setiap eksposi. Adapun MTF dan CV digunakan sebagai parameter pembanding terhadap nilai FOM yang rancu. Dalam pemeriksaan kranial, FOM tertinggi dihasilkan oleh faktor eksposi 44 kV, 3.2 mAs, dan 0 mmCu atau tanpa filter (A), 46 kV, 5.6 mAs, dan 0.1 mmCu (B), 49 kV, 7.1 mAs, dan 0.2 mmCu (C) dan 50 kV, 9 mAs, dan 0.1 mmCu (D). Untuk pemeriksaan toraks, nilai FOM tertinggi dihasilkan oleh faktor eksposi 45 kV, 2,5 mAs, dan 0,2 mmCu (A), 45 kV, 4 mAs, dan 0.2 mmCu (B), 46 kV, 5.6 mAs, dan 0.2 mmCu (C), dan 47 kV, 6.3 mAs, dan 0.2 mmCu (D). Untuk pemeriksaan abdomen, nilai FOM tertinggi dihasilkan oleh faktor eksposi 48 kV, 4 mAs, dan 0.1 mmCu (A), 50 kV, 6.3 mAs, dan 0.2 mmCu (B), 53.5 kV, 8 mAs, dan 0 mmCu (C), dan 58.5 kV, 8 mAs, dan 0 mmCu (D).

---

This study was aimed to obtain optimum parameter combination in simulated cranial, thorax, and abdominal examinations using digital radiography (DR) systems. Optimization was performed using in-house phantom with contrast objects on Siemens Luminos Agile Max DR. Paediatric patients were separated into four age groups; group A (0-1 year), group B (1-5 years), group C (5-10 years), and group D (10-15 years). Slab phantoms consisted of PMMA and cork with different total thickness were used to simulate patients belonging to each age group for different anatomical region (cranial, thorax, and abdomen). Optimization were performed in three steps; first kVp, followed by mAs, and then additional filter optimization. All the steps of optimization were performed based on FOM (figure of merit) values calculated as ratio of squared SDNR (signal difference to noise ratio) and entrance surface dose with the highest FOM representing the optimum condition.

The results of this optimization were evaluated based on the highest FOM generated from each exposure. For this DR, optimum parameters (i.e. highest FOM) are different for each age group and anatomical region. In cranial examination, the highest FOM are generated by exposure factors of 44 kV, 3.2 mAs, and 0 mmCu filter (A), 46 kV, 5.6 mAs, and 0.1 mmCu filter (B), 49 kV, 7.1 mAs, and 0.2 mmCu filter (C) and 50 kV, 9 mAs, and 0.1 mmCu filter (D). For thorax examination, the highest FOM value is generated by exposure factor 45 kV, 2.5 mAs, and 0.2 mmCu (A), 45 kV, 4 mAs, and 0.2 mmCu (B), 46 kV, 5.6 mAs, and 0.2 mmCu (C), and 47 kV, 6.3 mAs, and 0.2 mmCu (D). For abdominal examination, the highest FOM value is produced by exposure factor 48 kV, 4 mAs, and 0.1 mmCu (A), 50 kV, 6.3 mAs, and 0.2 mmCu (B), 53.5 kV, 8 mAs, and 0 mmCu (C), and 58.5 kV, 8 mAs, and 0 mmCu (D)."

"Pada beberapa tahun kebelakang perkembangan bidang machine learning telah mengalami kemajuan yang pesan dari berbagai domain dimana dibutuhkan sistem otomasi. Hal ini membuat model yang advanced seperti Deep Convolutional Neural Network dapat mencapai performa yang baik dalam melakukan klasifikasi, identifikasi objek hingga bahkan melebihi kemampuan manusia dalam beberapa domain. Salah satu aplikasi dari perkembangan ini adalah klasifikasi gambar terutama pada bidang medis misalnya pada klasifikasi paru-paru. Belakangan ini pandemi COVID-19 menjadi peristiwa yang cukup berdampak kepada dunia medis. Machine learning dapat membantu proses penanganan pandemi COVID-19 terutama dalam klasifikasi jenis penyakit pada paru-paru. Pada penelitian ini digunakan dataset hasil x-ray paru-paru COVID-19 radiography yang dibuat oleh kelompok riset dari Qatar. Pada dataset ini terdapat 4 kelas label yaitu paru-paru normal, Covid, Lung Opacity dan Viral Pneumonia yang akan diklasifikasi menggunakan model CNN berbasis transfer learning. Model yang digunakan pada penelitian ini adalah MobileNetV2 dan EfficientNetB6. Kemudian dilakukan penanganan imbalanced data dengan menggunakan metode upweighting, downsampling dan class weighting untuk mengangani dataset yang tidak rata. Didapatkan hasil klasifikasi terbaik dari model EfficientNetB6 dengan skema training 60: validasi 40 dengan akurasi 96.74%. Sedangkan untuk  model MobileNetV2 didapat hasil klasifikasi terbaik dengan skema training 60: validasi 40 dengan akurasi 94.28 %.  

---

Messages from various domains where automation systems are required have been incorporated into the machine learning field's development over the last few years. This enables sophisticated models, like Deep Convolutional Neural Networks, to perform well in classifying and object identification—even outperforming human capabilities in some cases. One use for this technology is image classification, particularly in the medical industry where the classification of the lungs is one example. A significant impact on the medical community has recently been caused by the COVID-19 pandemic. Machine learning can aid in the management of the COVID-19 pandemic, particularly in the classification of different lung disease types. Four label classes—normal lungs, Covid, lung opacity, and viral pneumonia—are present in this dataset and will be identified using a transfer learning-based CNN model. MobileNetV2 and EfficientNetB6 are the models that were used in this study. The EfficientNetB6 model, which had a training scheme of 60: 40 validation and an accuracy of 96.74 percent, produced the best classification results. The best classification outcomes for the MobileNetV2 model, meanwhile, were achieved with a training scheme of 60: 40 validation and an accuracy of 94.28 percent."

"Kanker payudara (KPD) merupakan salah satu penyakit yang masih banyak terjadi di negara berkembang seperti Indonesia. Di Indonesia sendiri, KPD menempati peringkat pertama terbanyak dari berbagai jenis kanker yang terjadi.  Pendeteksian kanker ini dapat dilakukan sejak dini dengan memeriksa manual apakah terdapat benjolan atau kelainan pada payudara. Jika terasa ada benjolan, maka disarankan untuk diperiksa ke dokter dengan berbagai metode, seperti mammogram, Magnetic Resonance Imaging (MRI), dan USG. Diagnosa citra ini sering terkendala karena tidak setiap rumah sakit memiliki tenaga spesialis radiologi. Maka dari itu, untuk mengatasinya diperlukan bantuan komputer untuk mendiagnosa citra tersebut yang sering disebut computer aided diagnostis (CAD). Algoritma Convolutional Neural Network didasari pada hasil pemeriksaan rutin citra x-ray payudara normal/abnormal yang cenderung menunjukkan perubahan, salah satunya tekstur (konten). Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Sistem dimulai dengan mengenal dan mempelajari data 3 jenis mamografi, yakni mamografi normal (sehat), mamografi benign, dan mamografi malignant. Setelah mempelajari data tersebut, sistem akan mencoba untuk mendeteksi jenis kanker payudara dari data baru yang dimasukkan. Nilai akurasi yang didapatkan adalah 100%, dengan rasio data pembelajaran sebanyak 1247 data (setelah diaugmentasi) dan data pengujian sebanyak 93 data, sehingga disimpulkan bahwa sistem ini baik. Namun nilai ini hanya untuk data MIAS, sehingga masih perlu pengembangan lebih lanjut supaya dapat diterapkan ke data-data yang lain juga.

---

Breast Cancer (BC) is one of the diseases that still occur a lot in developing countries like Indonesia. In Indonesia alone, BC is the number one most occurrence cancer. This cancer detection can be done early by manual, checking if there is any lump or abnormality in breast. If there are any lump, it is recommended to go check in hospital. There are a lot of methods like Magnetic Resonance Imaging (MRI), and Ultrasonography (USG). This image diagnostics sometimes got constrained by the lack of radiology specialist in some hospital. Therefore, to counter this problem, Computer Aided Diagnostics (CAD) help is needed to detect those images. Convolutional Neural Network algorithm is based on the result of the routine x-ray's check of breast, both normal and abnormal which tend to show some changes, which one of them is texture (content). Data used in this research came from Pilot European Image Processing Archive (PEIPA) website, Mammographic Image Analysis Society (MIAS) database. The system start by recognizing and learning 3 types of mammograph data, normal (healthy), benign and malignant. Then, system will try to detect and classify breast cancer type from the new input data. The accuracy score is 100%, with a ratio of 1247 datas for learning (after augmented) and 93 datas for testing, so it can be concluded that this system is good. But this score is achieved only for MIAS data, it still need further improvement  so it can be applied to another data."

"Saat ini, komputasi tomografi (computed tomography/CT) sinar-X sudah banyak diterapkan di industri manufaktur untuk menguji atau memeriksa struktur internal suatu sampel. Metode Filtered Back Projecrtion (FBP) merupakan metode rekonstruksi citra CT yang popular digunakan untuk menghasilkan citra yang mempunyai noise lebih sedikit, kontras yang tajam dan mampu membedakan densitas antara latar belakang dan objek. Pemindaian citra digunakan mode geometri cone beam dengan rentang sudut 360° dan inkremen sudut 1°. Proses dimulai dari denoising, normalisasi, sintesis sinogram, dan rekonstruksi citra menggunakan FBP. Hasil dari penelitian ini adalah citra 2 dimensi hasil dari pemindaian citra geometri cone beam, sinogram dan hasil rekonstruksi citra irisan dengan parameter evaluasi yaitu Signal to Noise Ratio (SNR), Contrast to Noise Ratio (CNR), dan kontras relatif. Untuk mencari parameter evaluasi tersebut digunakan input koordinat Region of Interest (RoI). Diperoleh filter Cosine paling baik dalam memberikan nilai SNR, CNR dan kontras relatif paling tinggi. Dalam post processing akan digunakan variasi filter low pass (Ideal, Butterworth dan Gaussian). Input citra hasil rekonstruksi FBP menggunakan filter Cosine. Terdapat parameter evaluasi tambahan yaitu SSIM (Structural Similarity Index Measure). Beberapa parameter input seperti frekuensi cut-off, dan orde akan mempengaruhi frekuensi spasial. Frekuensi ini mengacu pada seberapa sering suatu gray value muncul atau berulang dalam citra.

---

Currently, X-ray computational tomography (CT) has been widely applied in the manufacturing industry to test or examine the internal structure of a sample. The Filtered Back Projection (FBP) method is a popular CT image reconstruction method used to produce images that have less noise, sharp contrast and are able to distinguish densities between the background and the object. Image scanning uses the cone beam geometry mode with an angle range of 360° and an angle increment of 1°. The process starts from denoising, normalizing, sinogram synthesis, and image reconstruction using FBP. The results of this study are 2-dimensional images resulting from scanning geometric cone beam images, sinograms and reconstructed sliced images with evaluation parameters namely Signal to Noise Ratio (SNR), Contrast to Noise Ratio (CNR), and relative contrast. To find the evaluation parameters, the Region of Interest (RoI) coordinate input is used. The Cosine filter is the best in providing the highest SNR, CNR and relative contrvalues. In post processing, variations of low pass filters (Ideal, Butterworth and Gaussian) will be used. Input the FBP reconstruction image using the Cosine filter. There is an additional evaluation parameter, namely SSIM (Structural Similarity Index Measure). Several input parameters such as cut-off frequency, and order will affect the spatial frequency. This frequency refers to how often a gray value appears or repeats in the image."

"Meskipun pandemi COVID-19 sudah mereda yang ditandai dengan banyak negara yang melonggarkan pembatasanpembatasan, namun masih ditemui kasus dan kematian yang disebabkan oleh COVID-19. Salah satu metode pendeteksian COVID-19 adalah dengan menggunakan citra CT scan yang di-training menggunakan arsitektur berbasis deep learning. Namun, ketersediaan dataset publik mengenai hal tersebut sangat terbatas. Untuk mengatasi hal itu, diperlukan metode pembuatan citra sintesis berbasis GAN (generative adversarial networks) yang diharapkan dapat meningkatkan performa dari arsitektur deep learning. Salah satu arsitektur GAN yang dapat digunakan yakni TinyGAN yang memiliki parameter training yang lebih sederhana dari GAN namun tidak mengurangi performa yang dihasilkan. Hasil augmentasi citra sintesis menggunakan TinyGAN tersebut kemudian dibandingkan dengan metode berbasis GAN lainnya, seperti BigGAN yang mana diharapkan mengurangi cost komputasi sehingga dapat digunakan pada perangkat yang terbatas dari segi resource. Dari hasil percobaan yang telah dilakukan menunjukkan bahwa penggunaan augmentasi citra mampu meningkatkan performa secara keseluruhan, yakni akurasi sebesar 98.42% dan F1-score sebesar 98.48% dengan metode VGG 16 serta dalam pengujian menggunakan aplikasi berbasis web model mampu memprediksi dengan benar dan waktu running terbilang singkat, yakni 0.0036 detik. Dalam hal evaluasi kualitas citra, metode TinyGAN dalam hal inception score menghasilkan hasil yang lebih baik, yakni sebesar 2.2037 daripada metode BigGAN yang bernilai 2.03502. Sedangkan dalam hal frechet inception distance metode TinyGAN menghasilkan hasil yang lebih baik, yakni sebesar 39.833 daripada metode BigGAN yang bernilai 40.601.

---

Although the COVID-19 pandemic has subsided, which is marked by many countries easing restrictions, there are still cases and deaths caused by COVID-19. One to detect COVID-19 is to use CT scan images trained using a deep learning-based architecture. However, the availability of public datasets on this subject is very limited. To overcome this, a synthetic image generation method based on GAN (generative adversarial networks) is needed that is expected to improve the performance of the deep learning architecture. One of the GAN architectures that can be used is TinyGAN which has simpler training parameters than GAN but does not reduce the resulting performance. The results of the synthetic image augmentation using TinyGAN are then compared with other GAN-based methods, such as BigGAN which is expected to reduce computational costs so that it can be used on devices that are limited resources. From the results of experiments that have been carried out, it shows that the use of image augmentation resulted in increased performance (accuracy of 98.42% and F1-score of 98.48% using VGG16 method) and in testing using a web-based application model. able to predict correctly and the running time is relatively short, which is 0.0036 seconds. In terms of evaluating image quality, the TinyGAN method in terms of inception score produces better results, which is equal to 2.2037 than the BigGAN method which has a value of 2.03502. Whereas in terms of frechet inception distance the TinyGAN method produces better results, namely 39,833 compared to the BigGAN method which has a value of 40,60"

"Penelitian ini bertujuan untuk memberikan gambaran pajanan radiasi sinar X pada petugas Radiologi di unit Radiologi RS Paru Dr.H.A.Rotinsulu Bandung dengan menggunakan analisis deskriptif kuantitatif. Penelitian dilakukan terhadap 11 responden pada bulan April?Mei 2014 menggunakan desain cross-sectional, data primer berupa kuesioner,observasi, pemeriksaan kelenjar Tiroid dengan USG,pemeriksaan hematologi, pemeriksaan sel darah tepi pada seluruh petugas Radiologi, dan pengukuran dosis paparan radiasi di unit Radiologi,data sekunder berupa hasil pengukuran dosis paparan radiasi pada petugas Radiologi dan gambaran desain ruang Rontgen dan ruang pesawat CT Scan. Hasil penelitian menunjukkan bahwa ada 45 % petugas radiologi yang menderita Nodul Tiroid, dimana frekuensi kejadian Nodul Tiroid tinggi pada petugas Radiologi : berusia lebih dari 40 tahun (60%), memiliki masa kerja lebih dari 5 tahun (55,60%), tidak terproteksi (75%). Untuk menindaklanjuti adanya kejadian Nodul Tiroid pada petugas Radiologi, dan mencegah terjadinya dampak kesehatan yang tidak diinginkan, perlu dilakukan pemeriksaan kesehatan yang lebih lanjut pada seluruh petugas Radiologi RS Paru Dr.H.A.Rotinsulu.

---

This study aims to provide an overview of the exposure to X-ray radiation at the officers in the unit Radiology Radiology Dr.HARotinsulu Lung Hospital using quantitative descriptive analysis. The study was conducted on 11 respondents in the April-May 2014 using cross-sectional design, the primary data in the form of questionnaires, observation, examination of the thyroid gland with ultrasound, hematology examination, examination of peripheral blood cells in whole officer Radiology, radiation exposure and dose measurements in units of Radiology, secondary data from the results of measurements of radiation exposure dose to the official description of the design room of Radiology and Xray and CT scan space shuttle.

The results showed that there was a 45% radiology staff who suffer from thyroid nodules, Thyroid nodules in which the high frequency of occurrence in the officer Radiology: over the age of 40 years (60%), has a life of over 5 years (55.60%), are not protected (75%). To follow up on a similar incidence of Thyroid Nodules Radiology officers, and prevent the occurrence of undesirable health effects, is necessary to further medical examinations on all officers Dr.HARotinsulu Radiology Lung Hospital."

"Dalam setiap pengukuran sinar-X dengan menggunakan detector, noise dan spektrum yang bukan berasal dari sumber yang kita inginkan pasti akan terjadi sehingga menyebabkan interpretasi hasil pengukuran tidak akurat. Noise spektrum lain yang muncul dalam pengukuran dapat dikoreksi dengan menggunakan bantuan metode unfolding. Metode unfolding membutuhkan bantuan matrik respon detektor pada kondisi ideal untuk mengkoreksi hasil pengukurann. Matrik respon dibuat pada rentang 2keV-100keV menggunakan simulasi spektrum diskrit dengan program simulasi monte carlo egsnrcMP. Matrik respon yang dibuat telah berhasil menghilangkan noise pada hasil pengukuran spektrum pada tegangan tabung sinarX 40kV, 50kV, 70kV dan 80kV. Akan tetapi noise akibat noise respon dari matrik respon pada eneri rendah muncul cukup signifikan pada energy 20keV-30keV.

---

In every x-ray measurement using a detector, noise and spectrum which not from the source that we did not expected is always created so it makes an inaccurate result interprentation. Other spectrum which appear in measurement can be corrected using unfolding method. Unfolding method needs a matrix respone detector help in ideal condition to correct measurement result. Matrix respone is created in 2keV-100keV using diskrit spectrum simulation in monte carlo egsnrcMP program. Matrix respone that made dissapeared the noise in spectrum measurement result in 40kV, 50kV, 70kV and 80kV x-ray voltage tube. But noise respone which from lower energy matrix respone is appear signivicanly in 20keV-30keV energy."

"Indonesia masuk kedalam 20 besar Negara terbanyak tekonfirmasi kasus COVID-19. Hingga 17 Mei 2021, sudah tercatat lebih dari 1 juta kasus COVID-19 terkonfirmasi dengan jumlah kematian mencapai lebih dari 48 ribu orang. tes Reverse transcriptionpolymerase chain reaction (RT-PCR) merupakan standarisasi alat pendeteksian dini COVID-19. Namun, tes RT-PCR membutuhkan waktu waktu yang lama dan biaya yang mahal dalam mengidentifikasi tahap awal kasus COVID-19. Hal ini mengakibatkan peningkatan jumlah pasien COVID-19 terjadi terus menerus secara eksponensial dan terjadi antrian panjang dalam menggunakan Intensive Care Unit (ICU) pada rumah sakit. Oleh karena itu, dibutuhkan alat pendeteksian dini yang cepat dan akurat salah satunya menggunakan citra chest X-ray. Deep learning merupakan salah satu metode klasifikasi citra yang populer dan terbukti baik dalam melakukan klasifikasi citra medis, salah satunya adalah Capsule Network (CapsNet) yang merupakan pengembangan dari Convolutional Neural Network (CNN). Pada penelitian ini, penulis menggunakan model CapsNet berbasis Inception V3 dengan optimasi AdaBelief (Adapting Stepsizes by the Belief in Observed Gradients) untuk mengklasifikasikan citra chest X-ray COVID-19. Data yang digunakan dalam penelitian ini diambil dari situs kaggle yang berisi citra chest X-ray COVID-19. Selanjutnya, dilakukan tahap pra-pengolahan pada citra seperti resize dan menerapkan normalisasi agar semua citra dapat diinput ke dalam model dengan ukuran yang sama serta meningkatkan kinerja model. Hasil penelitian ini menunjukkan model CapsNet berbasis Inception V3 dengan optimasi AdaBelief pada dataset citra chest X-ray COVID-19 dapat mengklasifikasikan data menjadi dua kelas, yaitu normal dan COVID-19, sehingga dapat membantu untuk mendiagnosis COVID-19 dengan baik. Selain itu, hasil terbaik juga diperoleh oleh model CapsNet berbasis Inception V3 dengan optimasi AdaBelief berdasarkan nilai loss sebesar 0,2703 dan akurasi 88,75% dibandingkan metode CapsNet tradisional dan berbagai optimasi lainnya untuk mengklasifikasikan dataset citra chest X-ray COVID-19.

---

Indonesia is in the top 20 countries with the most confirmed cases of COVID-19. As of May 17, 2021, there have been more than 1 million confirmed cases of COVID-19 with the death toll reaching more than 48 thousand people. Reverse transcription polymerase chain reaction (RT-PCR) test is a standardization tool for early detection of COVID-19. However, the RT-PCR test takes a long time and is expensive to identify early stages of COVID-19 cases. This resulted in an exponential increase in the number of COVID-19 patients and long queues for using the Intensive Care Unit (ICU) at the hospital. Therefore, a fast and accurate early detection tool is needed, one of which is using chest X-ray images. Deep learning is one of the popular image classification methods and has proven good in classifying medical images, one of which is the Capsule Network (CapsNet) which is the development of the Convolutional Neural Network (CNN). In this study, the authors used the Inception V3-based CapsNet model with AdaBelief optimization (Adapting Stepsizes by the Belief in Observed Gradients) to classify COVID-19 chest X-ray images. The data used in this study was taken from the kaggle site which contains COVID-19 chest Xray images. Furthermore, pre-processing is carried out on the image such as resizing and applying normalization so that all images can be inputted into the model with the same size and improve model performance. The results of this study show that the Inception V3-based CapsNet model with AdaBelief optimization on the COVID-19 chest X-ray image dataset can classify data into two classes, namely normal and COVID-19, so that it can help to diagnose COVID-19 properly. In addition, the best results were also obtained by the Inception V3-based CapsNet model with AdaBelief optimization based on a loss value of 0,2703 and 88,75% accuracy compared to traditional CapsNet methods and various other optimizations to classify COVID-19 chest X-ray image datasets."

"Dalam dokumen Global Tuberculosis Report 2022, World Health Organization (WHO) melaporkan bahwa Indonesia tercatat sebagai negara dengan beban kasus tuberkulosis (TB) terbanyak kedua setelah India pada tahun 2021 lalu, di mana terhitung dari estimasi 969.000 kasus penderita TB di Indonesia, terdapat 525.765 (54,3%) kasus diantaranya belum ditemukan dan diobati, ini berpotensi menjadi sumber penularan serta meningkatan risiko transmisi komunal jika tidak mendapatkan penanganan segera. Menanggapi hal tersebut, dengan kemajuan teknologi kecerdasan buatan yang ada serta melalui peran pencitraan medis sebagai salah satu metode skrining pendukung, dikembangkan sebuah model pendeteksian berbasis arsitektur U-Net yang mampu secara otomatis mengenali dan melokalisasi area berbagai jenis kelainan indikator TB paru pada citra rontgen thorax. Selain melakukan tuning parameter, dibandingkan beberapa kasus segmentasi semantik multi-kelas, diantaranya terdiri atas 14 kelas kelainan spesifik, 5 kelas kelompok kelainan, dan 3 kelas kelompok kelainan, serta kasus segmentasi semantik biner. Hasil memperlihatkan bahwa pada kasus multi-kelas, semakin sedikit kelas yang digunakan, maka semakin besar nilai dice score yang didapat, yaitu mencapai 0,71. Sementara, jika dibandingkan dengan kasus segmentasi biner, meski dice score mengalami peningkatan, namun berdasarkan hasil visualisasi, kasus segmentasi multi-kelas kurang mampu dalam mengenali kondisi paru normal atau tidak memiliki kelainan.

---

In the Global Tuberculosis Report 2022 document, the World Health Organization (WHO) reports that Indonesia is listed as the country with the second highest burden of tuberculosis (TB) cases after India in 2021, where from an estimated 969.000 cases of TB sufferers in India, there are 525.765 ( 54,3%) cases of which have not been found and treated, this has the potential to become a source of transmission and increase the risk of communal transmission if treatment is not immediately received. In response to this, with advances in existing artificial intelligence technology and through the role of medical imaging as a screening support method, a detection model based on the U-Net architecture was developed that can automatically recognize and localize areas of various types of pulmonary TB marker indicators on chest X-ray images. In addition to parameter tuning, several cases of multi-class semantic segmentation were compared, which consisted of 14 specific disorder classes, 5 class disorder clusters, and 3 class disorder clusters, as well as cases of binary semantic segmentation. The results reveal that in the multi-class case, the fewer classes used, the greater the dice score obtained, which is 0,71. Meanwhile, when compared with binary segmentation cases, even though the dice score has increased, based on visualization results, multi-class segmentation cases are less able to recognize normal lung conditions or have no abnormalities."