Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKTesis ini membahas kemampuan program segmentasi dan klasifikasi untuk melokalisasi daerah terduga kanker serviks dan mengelompokkan antara citra normal dan abnormal berdasarkan fitur-fitur yang terdapat dalam suatu citra. Citra yang digunakan terdiri dari dua macam, yaitu citra serviks abnormal dari pasien-pasien kanker serviks dan citra serviks normal dari pasien-pasien penyakit lainnya. Beberapa parameter dasar digunakan untuk mengklasifikasikan data citra ke dalam kelompok Abnormal dan Normal, yaitu panjang serviks, distribusi nilai piksel, jumlah piksel dan volume serviks pada citra CT-Scan. Namun, parameter-parameter tersebut memberikan hasil klasifikasi yang kurang akurat. Solusi yang ditawarkan adalah mensegmentasi daerah serviks dan mendapatkan fitur-fitur tekstur daerah tersebut pada data citra CT-Scan. Algoritma segmentasi yang digunakan adalah edge detection dan region-based snake model. Proses ekstraksi fitur menggunakan analisis tekstur Gray-Level Co-occurrence Matrix GLCM dengan machine learning berupa Support Vector Machine SVM . Hasil penelitian menyatakan bahwa SVM dapat digunakan untuk mengelompokkan citra ke kelompok normal dan abnormal dengan sensitivitas 95,2 , spesifisitas 90,5 , akurasi 92,9 , presisi 90,9 dan error keseluruhan 7,1.

---

ABSTRACT

The focus of this study is discussing the ability of segmentation and classification programs to localize areas of cervical cancer and to classify image data to normal and abnormal group based on features contained in images. Image data consists of two kinds, abnormal cervical images of cervical cancer patients and normal cervical images from patients of other diseases. Some basic parameters are used to classify image data into Abnormal and Normal groups, ie. cervical length, pixel value distribution, number of pixels and cervical volume on CT Scan images. However, these parameters give inaccurate classification results. The offered solution is to segment the cervical area and get the texture features of the area on the CT Scan image data. Segmentation algorithms we used are edge detection and region based snake model. The feature extraction process is in form of Gray Level Co occurrence Matrix GLCM texture analysis with machine learning in the form of Support Vector Machine SVM . The results suggest that SVM can be used to classify images to normal and abnormal groups with a sensitivity of 95,2 , a specificity of 90,5 , an accuracy of 92,9 , a precision of 90,9 and an overall error of 7,1 ."

"Kanker liver pada citra hasil CT-Scan memiliki bentuk, lokasi serta tekstur yang berbeda – beda disetiap citra. Perbedaan contrast antara abnormalitas dan liver sehat sering kali tidak dapat terlihat jelas, sehingga menyulitkan dalam evaluasi. Abnormalitas liver antara lain pembengkakan, fibrosis, kehadiran tumor jinak atau tumor ganas. Perbedaan contrast rendah dengan ukuran lebar dalam citra mudah dikenali sebagai abnormalitas, namun untuk massa kecil dan contrast rendah sulit dievaluasi. Dalam penelitian ini telah dilakukan CAD dengan tujuan untuk membantu evaluasi abnormalitas liver utamanya abnormalitas dengan ukuran kecil. Metode penelitian yang digunakan dalam penelitian ini adalah metode segmentasi berdasarkan active contour. Data yang digunakan merupakan data sekunder citra abdomen yang dihasilkan dari modalitas Computed Tomography Scanner (CT-Scan) RSUD Cibinong Bogor. Teknik pengumpulan data yang digunakan dengan melakukan observasi pada data pasien citra liver abnormal dari pasien-pasien kanker liver dan citra liver normal dari pasien-pasien penyakit lainnya sesuai dengan diagnosis dokter. Sedangkan untuk olah data digunakan proses ekstraksi fitur menggunakan analisis tekstur Gray-Level Co-occurrence Matrix (GLCM) dengan machine learning berupa Artificial Neural Network (ANN) untuk deteksi abnormalitas citra. Hasil penelitian menyatakan bahwa ANN dapat digunakan untuk mengelompokkan citra kedalam grup normal dan abnormal dengan akurasi sebesar 89% sensitivitas 86%, spesifisitas 92%, presisi 91%, error keseluruhan 10%.

---

Liver abnormalities in CT image commonly have different shape, location and texture. The contrast between abnormalities and healthy liver often cannot be clearly seen, making it difficult to evaluate. Liver abnormalities include swelling, fibrosis, the presence of benign tumors or malignant tumors. Low contrast differences with width measurements in images are easily recognized as abnormalities, but for small masses and low contrast it is difficult to evaluate. In this study CAD was carried out with the aim to help evaluate liver abnormalities, especially small size abnormalities. The segmentation method based on active contour is the method was employed in this research. The data which used was secondary data resulting abdomen image  from modalities of Computed Tomography Scanner (CT-Scan) of Cibinong Hospital, Bogor. The data collection techniques was used in this research were data abnormal liver image from patients liver cancer and normal liver image from patients other diseases according to the doctor's diagnosis. Meanwhile, the technique used to processing data was extraction feature process with analysis Gray-Level Co-occurrence Matrix (GLCM) texture and machine learning of Artificial Neural Network (ANN) for detection abnormality image. Results of this research stated that ANN can used for classify image to normal and abnormal group with accuracy of 89%, sensitivity of 86%, specificity of 92%, precision of 91%, and error of 10%."

"Kanker kandung kemih pada citra Computed Tomography Scanner (CT-Scan) memiliki bentuk, lokasi dan tekstur yang berbeda untuk setiap citra. Kandung kemih setiap orang memiliki ukuran yang berbeda saat pengambilan gambar. Gambar kontras dan non-kontras yang diambil pada CT scan kandung kemih dapat digunakan untuk menentukan struktur dan bentuk kandung kemih. Namun, perbedaan gambar kontras antara kelainan dan kandung kemih yang sehat seringkali tidak terlihat secara visual, sehingga sulit untuk mengevaluasi. Walaupun sudah banyak penelitian tentang deteksi kanker kandung kemih berdasarkan citra CT yang telah dilakukan, namun dilaporkan bahwa tingkat keberhasilan pendeteksian kanker kandung kemih masih tergolong rendah. Dalam penelitian ini, Computer-Aided Diagnosis (CAD) digunakan untuk membantu mengevaluasi kelainan kandung kemih menggunakan metode segmentasi berdasarkan algoritma Active Contour. Fitur citra berbasis Gray Level Co-Occurrence Matrix (GLCM) digunakan sebagai masukan dari Artificial Neural Network (ANN) untuk mengklasifikasikan citra normal dan citra abnormal. Penelitian CAD ini menggunakan MATLAB. Sampel yang digunakan berjumlah 320 citra dengan ketentuan 200 citra abnormal (25 pasien) dan 120 citra normal (8 pasien) digunakan sebagai data latih dan pengujian. Hasil pengujian berdasarkan Receiver Operating Characteristic (ROC) didapatkan akurasi pelatihan sebesar 90.2 ± 2.68% dan akurasi pengujian sebesar 89.2 ± 2.95%. Hasil ini berarti bahwa sistem CAD yang dikembangkan ini dapat mengenali citra kandung kemih yang normal dan abnormal.

---

Bladder cancer on a Computed Tomography Scanner (CT-Scan) image has a different shape, location and texture for each image. Each person's bladder is different in size when the image is taken. Contrast and non-contrast image captured on a CT scan of the bladder can be used to determine the structure and shape of the bladder. However, the difference in contrast images between an abnormality and a healthy bladder is often not visually obvious, making the evaluation is difficult. In this study, Computer-Aided Diagnosis (CAD) is used to help evaluating bladder abnormalities using the segmentation method based on an active contour algorithm. The Gray Level Co-Occurrence Matrix (GLCM)-based features of the images are used as the inputs of the Artificial Neural Network (ANN) to classify the normal and abnormal images. The research CAD in this study using MATLAB. A total number of samples were 320 images with 200 abnormal (25 patient) and 120 normal (8 patient) images were used as training and testing data. The result based on Receiver Operating Characteristic (ROC) illustrated that the training accuracy was 90,2 ± 2.68% and the test accuracy was 89,2 ± 2,95%. These results mean that this developed CAD system can recognize normal and abnormal bladder images"

"ABSTRAKPositron Emission Tomography (PET) telah dikenal sebagai modalitas molecular imaging yang sering memberikan informasi yang mendahului hasil pencitraan anatomi dari modalitas lain seperti Computed Tomography (CT) dan Magnetic Resonance (MR). Keunggulan PET untuk mendeteksi uptake yang sangat sedikit dari FDG dapat memberikan informasi abnormalitas pada organ, salah satunya pada otak. Pencitraan modalitas PET digunakan untuk mendiagnosis apabila terdapat abnormalitas dalam organ serta untuk memantau keberhasilan perlakuan radioterapi. Pada pencitraan otak menggunakan 2-Deoxy-2-[18F] fluoroglucose (FDG) uptake yang kecil tidak mudah dikenali secara visual, sehingga perlu menggunakan metode yang dapat membantu untuk mendeteksi. Dengan adanya teknik Computer-Aided Diagnosis (CAD) berupa segmentasi dan klasifikasi menggunakan citra PET diharapkan memberikan informasi abnormalitas dengan ukuran kecil yang tidak tampak secara visual. Pada penelitian ini, dikembangkan CAD menggunakan citra otak dengan modalitas PET untuk mendeteksi abnormalitas otak dengan metode klasifikasi menggunakan ekstraksi fitur berupa Gray Level Co-Occurrance Matrix (GLCM), intensity histogram, dan Gray Level Run Length Matrix (GLRLM) sebagai dataset dari klasifikasi teknik Artificial Neural Network (ANN). Hasil klasifikasi yang dievaluasi menggunakan Receiver Operating Characteristic (ROC) dengan hasil error pelatihan terkecil 1.92 ± 0.70 % dan error pengujian terkecil 12.30 ± 3.47%. Hasilnya menunjukkan bahwa sistem CAD yang dikembangkan dapat mengenali citra otak normal dan abnormal.

---

ABSTRACTPositron Emission Tomography (PET) is well known as a molecular imaging modality that provides functional organ information. This information supports the results of anatomical imaging from other modalities such as Computed Tomography (CT) and Magnetic Resonance Imaging (MRI). This superiority is due to the ability of PET to detect of small amount uptake from 2-Deoxy-2-[18F] fluoroglucose (FDG) which provide for information about abnormalities of organs, especially in the brain. Therefore, PET imaging is powerful to diagnose the presence of abnormalities, staging cancer, and evaluating radiotherapy treatment results. In brain PET imaging sometimes, small uptake is not easily visual recognized, hence an additional supporting method for its detection is needed. In this study, Computer-Aided Diagnosis (CAD) of brain abnormalities from PET images using classification methods based on a feature in the form of Gray Level Co-Occurrence Matrix (GLCM), intensity histogram, dan Gray Level Run Length Matrix (GLRLM) as a dataset of Artificial Neural Network (ANN). The result based on Receiver Operating Characteristic (ROC) illustrated that the training error was 1.92 ± 0.70 % and the test error was 12.30 ± 3.47%. These results mean that this developed CAD system can recognize normal and abnormal brain images."

"Kanker payudara adalah salah satu kanker paling umum terjadi di kalangan wanita dan tingkat kelangsungan hidupnya cenderung rendah ketika stadiumnya ditemukan sudah tinggi. Untuk meningkatkan kelangsungan hidup kanker payudara, deteksi dini sangat penting. Ada dua cara untuk mendeteksi kanker payudara: diagnosis dini dan skrining. Untuk membuat diagnosa yang akurat pada stadium awal kanker payudara, munculnya massa dan mikro-kalsifikasi pada citra mamografi merupakan dua indikator penting. Beberapa Computer-Aided Detection (CADe) telah dikembangkan untuk mendukung ahli radiologi karena pendeteksian mikro-kalsifikasi penting dalam menegakkan diagnosis dan perawatan yang direkomendasikan berikutnya. Sebagian besar sistem CADe yang ada saat ini mulai menggunakan Convolutional Neural Network (CNN) untuk mengimplementasikan deteksi mikro-kalsifikasi pada mammogram dan hasil kuantitatifnya sangat memuaskan, rata-rata tingkat akurasinya lebih dari 90%. Penelitian ini melakukan pendekatan otomatis untuk mendeteksi lokasi setiap mikro-kalsifikasi pada citra mammogram yang lengkap dan secara sederhana. Total lebih dari 350 gambar dari dataset INbreast digunakan dalam studi penelitian ini serta implementasi menggunakan data lokal Rumah Sakit (RS) sebanyak 23 citra. Proses ini dapat membantu ahli radiologi untuk melakukan diagnosis dini dan meningkatkan akurasi deteksi wilayah mikro-kalsifikasi. Performa sistem yang diusulkan diukur berdasarkan nilai error Mean Squared Logarithmic Error (MSLE) sebagai teknik untuk mengetahui perbedaan antara nilai yang diprediksi oleh model yang diusulkan dan nilai sebenarnya, didapat nilai loss terbaik yang diperoleh adalah 0,05. Hasil validasi daring mendapatkan nilai sensitivitas sebesar 88.14%, presisi 91.6% dan akurasi sebesar 90.3%. Hasil implementasi pada data lokal RS menunjukkan model CADe dapat mendeteksi mikro-kalsifikasi dengan cukup baik.

---

Breast cancer is one of the most common cancer among women and the survival rate tends to be low when its stage found high when treated. To improve breast cancer survival, early detection is critical. There are two ways of detection for breast cancer: early diagnosis and screening. To make an accurate diagnosis in the early stage of breast cancer, the appearance of masses and micro-calcifications on the mammography image are two important indicators. Several Computer-Aided Detection (CADe) have been developed to support radiologists because the automatic detection of micro-calcification is important for diagnosis and the next recommended treatment. Most of the current CADe systems at this time started using Convolutional Neural Network (CNN) to implement the micro-calcification detection in mammograms and their quantitative results are very satisfying, the average level of accuracy is more than 90%. This research conducts an automated approach to detect the location of any micro-calcification in the mammogram images with the complete image and in a simple way. A total more than 350 images from INbreast dataset were used in this research study and for implementation used 23 images from local hospital data. This process can help as an assistant to the radiologist for early diagnosis and increase the detection accuracy of the microcalcification regions. The proposed system performance is measured according to the error values of Mean Squared Logarithmic Error (MSLE) as the technique to find out the difference between the values predicted by the proposed model and the actual values, the best loss value obtained by the training model was achieved in 0.05. The results for data online validation for sensitivity is 88.14%, precision is 91.6% and accuracy is 90.3%. The CADe model can detect micro-calcification quite well using local hospital data."

"Modalitas pencitraan yang sering digunakan pada diagnosis kanker kandung kemih adalah Computed Tomography (CT). Informasi dari hasil pembacaan citra CT diharapkan berupa volume pada jaringan abnormal yang berguna untuk penentuan tindakan medis selanjutnya. Namun karena pada setiap slice citra memiliki ukuran, bentuk dan lokasi kanker kandung kemih yang berbeda-beda, maka penentuan volume menjadi tidak mudah. Oleh karena itu untuk meningkatkan keakuratan dan konsistensi penentuan diagnosa dan volume jaringan abnormalnya maka diperlukan bantuan Computer-Aided Diagnosis (CAD). CAD dapat dikembangkan menjadi perhitungan volume jaringan abnormal berdasarkan segmentasi dan klasifikasi citra. Pada penelitian ini, sistem CAD yang dikembangkan menggunakan metode segmentasi, fitur ekstrasi berbasis Gray Level Co-Occurrence Matrix (GLCM) dan klasifikasi citra normal dan abnormal menggunakan k-Nearest Neighbors (kNN). Data yang digunakan pada penelitian ini adalah 300 citra CT kandung kemih dari Rumah Sakit Kanker Dharmais, terdiri dari 100 citra normal dan 200 citra abnormal dengan 210 citra digunakan sebagai data pelatihan dan 90 citra digunakan sebagai data pengujian. Hasil performa sistem klasifikasi citra berupa akurasi sebesar 94,28% untuk data pelatihan dan 91,22% untuk data pengujian. Pada penelitian ini dilakukan kalkulasi volume jaringan abnormal kandung kemih terhadap 6 pasien dan hasilnya diperoleh volume terkecil 4,15 cm³ dan terbesar 77,40 cm³. Selain itu ditunjukkan pula volume jaringan abnormal terkecil yang dapat dideteksi adalah sekitar 0,03 cm³.

---

The most frequency using in the diagnosis of bladder cancer is computed tomography (CT). Information from CT image reading is expected to be in in the form abnormal tissue volume that is useful for determining the next treatment. However, the resulting image slices has a different size, shape and location of bladder cancer, determining the volume is not easy. Therefore, to improve the accuracy and consistency of reading medical images and abnormal tissue volume, Computer-Aided Diagnosis (CAD) can be assisted. CAD can be developed into abnormal tissue volume calculations based on image segmentation and classification. In this study, the CAD system was developed using preprocessing, segmentation, feature extraction based on Gray Level Co-Occurrence Matrix (GLCM) and normal and abnormal image classification using k-Nearest Neighbors (kNN). The data used in this study are 300 bladder CT images from Dharmais National Cancer Hospital, consisting of 100 normal images and 200 abnormal images. 210 images are used as training data, and 90 images are used as testing data. The results of CAD system performance in this study are in the form of the accuracy of 94.28% for training data and 91.22% for testing data. In this study, the volume of abnormal bladder tissue was calculated for 6 patients, and the results obtained the smallest volume is 4.15 cm³ and the largest 77.40 cm³. In addition, it is also shown that the smallest abnormal tissue slice in slice volume that can be detected is about 0.03 cm³."

"Di Indonesia, stroke merupakan penyakit dengan angka kematian tertinggi yaitu menempati urutan pertama selamalebih dari dua dekade, 1990-2017. Stroke dibagi menjadi dua jenis, iskemik dan hemoragik, namun 87% penderitastroke adalah stroke iskemik. Sementara itu, jika pasien menderita stroke iskemik dan hal tersebut baru pertama kaliterjadi, maka penderita harus segera mungkin mendapatkan penanganan. Hal ini dikarenakan adanya golden periodpada penanganan stroke yaitu selama 4.5 jam, agar penderita dapat tertolong dan mengurangi risiko kematian ataukecacatan permanen. Oleh karena itu, penting adanya deteksi dini, sehingga banyak penelitian yang dilakukankhususnya di bidang teknologi untuk melakukan diagnosis otomatis guna membantu dokter. Machine learning dandeep learning adalah metode yang sering digunakan karena kemampuannya memberikan hasil prediksi dengan akurasi tinggi. Pada penelitian ini penulis akan memberikan pembaruan dalam pendeteksian stroke iskemik berdasarkan CT scan pasien dengan mengganti peran neural networks untuk klasifikasi pada CNN dengan random forest, support vector machines and k-nearest neighbors. Berdasarkan metode yang dirancang, akurasi pada data training didapatkan 100% untuk RF dan SVM. Dalam validasi data, RF (94,07%) menghasilkan akurasi yang lebih tinggi pada nilai rata-rata dibandingkan dengan SVM (93,20%) dan kNN (79,01%).

---

In Indonesia, stroke is a disease with the highest mortality rate, which ranks first for more than two decades, 1990-

2017. Stroke is divided into two types, ischemic and hemorrhagic, but 87% of stroke patients are ischemic stroke.

Meanwhile, if the patient suffers from an ischemic stroke and this is the first time it has happened, then the patient

should get treatment as soon as possible. This is because there is a golden period in stroke treatment, which is 4.5

hours, so that patients can be helped and reduce the risk of death or permanent disability. Therefore, early detection is important, so that a lot of research has been carried out, especially in the field of technology to carry out automatic diagnosis to help doctors. Machine learning and deep learning are methods that are often used because of their ability to provide predictive results with high accuracy. In this study, the authors will provide an update in the detection of ischemic stroke based on CT scans of patients by replacing the role of neural networks for classification on CNN with random forests, support vector machines and k-nearest neighbors. Based on the designed method, the accuracy of the training data is 100% for RF and SVM. In data validation, RF (94.07%) resulted in higher accuracy in the average value compared to SVM (93.20%) and kNN (79.01%)."

"Coronavirus Disease 2019 (COVID-19) merupakan sebuah penyakit yang disebabkan oleh novel coronavirus SARS-CoV-2. Penyakit yang berasal dari Provinsi Hubei di China ini sudah menyebar ke seluruh dunia, menjangkiti banyak hingga seluruh negara di dunia. Sudah menginfeksi kurang lebih 400 juta jiwa di seluruh dunia pada pertengahan kuartal pertama tahun 2022. Mencegah penyebaran COVID-19 merupakan tindakan yang harus segera dilakukan, salah satu caranya adalah dengan pendeteksian sedini mungkin.Pendeteksian COVID-19 selain menggunakan metode kedokteran, dapat dipertimbangkan mengenai penggunaan artificial intelligence. Penelitian mengenai metode pendeteksian COVID-19 menggunakan citra X-Ray yang telah dilakukan oleh Dhita menuai hasil yang cukup sukses. Menambahkan penelitian tersebut, kami melakukan metode pendeteksian menggunakan citra CT Scan. Beberapa penelitian mengenai pendeteksian COVID-19 menggunakan citra CT Scan seperti Tang et al. meneliti mengenai segmentasi citra CT Scan terhadap daerah local lesi terindikasi COVID-19 atau Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei juga melakukan penelitian sebelumnya mengenai pengklasifikasian pasien COVID-19 menggunakan citra CT Scan dengan mendapatkan hasil 90% akurasi dengan menggunakan metode FPN.

---

Coronavirus Disease 2019 (COVID-19) is a disease caused by the novel coronavirus SARS-CoV-2. This disease which originates from the Hubei Province in China has already spread throughout the world, reaching many if not all countries in the world. There have been more than 400 million people infected across the globe as of the first quarter of 2022. Prevention of the spreading of the disease is very important, and one of the best ways to do so is to detect its infection as soon as possible.

Aside from asking a doctor, the task of detecting COVID-19 using artificial intelligence has been considered. The research done by Dhita to detect COVID-19 using X-ray images has been seen as a success. Adding to that, we attempt to detect COVID-19 using CT Scan images.

A couple research papers about detecting COVID-19 using CT Scan images such as the ones done by Tang et al. tried to segment CT Scan images related to the lesions that indicate COVID-19 or Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei also conducted research related to classifying COVID-19 patients using CT Scan images and found success at 90% accuracy with an FPN model."

"Coronavirus Disease 2019 (COVID-19) merupakan sebuah penyakit yang disebabkan oleh novel coronavirus SARS-CoV-2. Penyakit yang berasal dari Provinsi Hubei di China ini sudah menyebar ke seluruh dunia, menjangkiti banyak hingga seluruh negara di dunia. Sudah menginfeksi kurang lebih 400 juta jiwa di seluruh dunia pada pertengahan kuartal pertama tahun 2022. Mencegah penyebaran COVID-19 merupakan tindakan yang harus segera dilakukan, salah satu caranya adalah dengan pendeteksian sedini mungkin. Pendeteksian COVID-19 selain menggunakan metode kedokteran, dapat dipertimbangkan mengenai penggunaan artificial intelligence. Penelitian mengenai metode pendeteksian COVID-19 menggunakan citra X-Ray yang telah dilakukan oleh Dhita menuai hasil yang cukup sukses. Menambahkan penelitian tersebut, kami melakukan metode pendeteksian menggunakan citra CT Scan. Beberapa penelitian mengenai pendeteksian COVID-19 menggunakan citra CT Scan seperti Tang et al. meneliti mengenai segmentasi citra CT Scan terhadap daerah local lesi terindikasi COVID-19 atau Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei juga melakukan penelitian sebelumnya mengenai pengklasifikasian pasien COVID-19 menggunakan citra CT Scan dengan mendapatkan hasil 90% akurasi dengan menggunakan metode FPN.

---

Coronavirus Disease 2019 (COVID-19) is a disease caused by the novel coronavirus SARS-CoV-2. This disease which originates from the Hubei Province in China has already spread throughout the world, reaching many if not all countries in the world. There have been more than 400 million people infected across the globe as of the first quarter of 2022. Prevention of the spreading of the disease is very important, and one of the best ways to do so is to detect its infection as soon as possible. Aside from asking a doctor, the task of detecting COVID-19 using artificial intelligence has been considered. The research done by Dhita to detect COVID-19 using X-ray images has been seen as a success. Adding to that, we attempt to detect COVID-19 using CT Scan images. A couple research papers about detecting COVID-19 using CT Scan images such as the ones done by Tang et al. tried to segment CT Scan images related to the lesions that indicate COVID-19 or Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei also conducted research related to classifying COVID-19 patients using CT Scan images and found success at 90% accuracy with an FPN model."

"Segregasi adalah sebuah fenomena pemisahan fraksi berukuran kecil dan besar didalam suatu campuran sehingga timbul keberadaan agregat kasar dan agregrat halus pada suatu campuran yang tidak merata. Akibat distribusi yang tidak seragam tersebut, kemungkinan timbulnya lubang, pengelupasan, dan retak pada aspal jalan raya sangat mungkin terjadi. Maka dari itu penting untuk kita bisa melakukan tindakan pencegahan sebagai bentuk meminimalisir kemungkinan terjadinya fenomena tersebut. Segregasi pada aspal umumnya biasa dideteksi lewat inspeksi visual secara manual. Namun, dalam menggunakan metode tersebut dinilai penilaian yang didapatkan akan cenderung subjektif dan diperlukan waktu yang lama. Dengan demikian, penelitian kali ini dilakukan untuk memberikan solusi terbaru untuk mendeteksi daerah segregasi dengan cara yang lebih kredibel, waktu yang lebih cepat, dan ekonomis. Solusi tersebut dengan memanfaatkan metode pengolahan citra digital yang masih jarang penggunaanya. Dalam prosesnya, metode ini akan dicoba diimplementasikan bersama dengan metode Support Vector Machine. Kemudian, variabel yang akan digunakan sebagai fokus utama adalah standar deviasi. Pada penelitian kali ini akan dilakukan pengujian klasifikasi daerah segregasi dan non segregasi pada lingkungan aspal jalan di Universitas Indonesia.

---

Segregation is a phenomenon of separating small and large fractions in a mixture, resulting in the presence of coarse aggregate and fine aggregate in an uneven mixture. As a result of the non-uniform distribution, the possibility of potholes, raveling, and cracks in the asphalt of the highway is very likely to occur. Therefore, it is important for us to be able to take preventive measures as a form of minimizing the possibility of this phenomenon occurring. Segregation in asphalt is generally detected through manual visual inspection. However, in using the assessment method obtained will tend to choose and take a long time. Thus, this research was conducted to provide a new solution to detect segregation areas in a more credible, faster and economical way. This solution utilizes digital image processing methods that are still rarely used. In the process, this method will be implemented together with the Support Vector Machine method. Then, the variable that will be used as the main focus is the standard deviation. In this study, we will test the classification of segregated and non-segregated areas on the asphalt road environment at the University of Indonesia."