Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 143326 dokumen yang sesuai dengan query
cover
Haris Hamzah
Prediksi hubungan struktur molekul dan aktivitas biologi inhibitor dipeptidyl peptidase-4 menggunakan metode deep neural network dengan metode pemilihan fitur catboost = Prediction of molecular structure and biological activity relationship of dipeptidyl peptidase-4 inhibitors using deep neural networks with catboost as feature selection method
"Diabetes mellitus tipe-2 (T2DM) merupakan penyakit metabolisme kronis yang sering diderita oleh orang dewasa. T2DM ditandai dengan menurunnya insulin dalam tubuh. Enzim dipeptidil peptidase-4 (DPP-4) dapat mengkatalisasi penurunan hormon peptida inkretin, terutama peptide-1 seperti hormon gastric inhibitory peptide (GIP) dan glucagon-like peptide-1 (GLP-1), yang mengakibatkan penurunan sintesis insulin. Inhibitor DPP-4 adalah target obat yang menjanjikan untuk T2DM, karena dapat memblokir kerja enzim DPP-4 dengan menghambat kerja hormon GLP-1 dan GIP. Penelitian ini menggunakan data inhibitor DPP-4 yang akan diekstraksi ciri menggunakan metode Extended-Connectivity Fingerprint (ECFP) dan Functional-Class Fingerprints (FCFP). Hasil ekstraksi ciri tersebut digunakan sebagai vektor masukan untuk metode deep neural network (DNN) untuk memprediksi inhibitor DPP-4 ke dalam senyawa aktif dan tidak aktif. Selain itu, metode CatBoost diusulkan sebagai metode pemilihan fitur terhadap hasil ekstraksi ciri metode ECFP dan FCFP. Dalam penelitian ini akan membandingkan performa metode DNN dengan menggunakan pemilihan fitur metode CatBoost dan tanpa menggunakan pemilihan fitur metode CatBoost. Hasil dari penelitian ini menunjukkan bahwa metode DNN menggunakan ekstraksi ciri ECFP_6 dengan proporsi pemilihan fitur sebesar 90% memiliki nilai sensitivitas, spesifisitas, akurasi, dan MCC berturut-turut adalah 0.927,0.881,0.906, dan 0.810.
Diabetes mellitus type-2 (T2DM) is a chronic metabolic disease that often affects adults. T2DM is characterized by a decrease of insulin in the body. The dipeptidyl peptidase-4 (DPP-4) enzyme can catalyze a decrease of incretin peptide hormones, especially peptide-1, such as gastric inhibitory peptide (GIP) hormone and glucagon-like peptide-1 (GLP-1), which results in decreased insulin synthesis. DPP-4 inhibitors are a promising drug target for T2DM because they block the action of the DPP-4 enzyme by inhibiting the activity of the GLP-1 and GIP hormones. This study uses DPP-4 inhibitor data, which will be feature extracted using the Extended-Connectivity Fingerprint (ECFP) and Functional-Class Fingerprints (FCFP) methods. The results of feature extraction are used as input vectors of the deep neural network (DNN) method to predict DPP-4 inhibitors into active and inactive compounds. In addition, the CatBoost method is proposed as a feature selection method for the feature extraction results of the ECFP and FCFP methods. In this study, we will compare the performance of the DNN method using the feature selection of the CatBoost method and without using the feature selection of the CatBoost method. The results of this study indicate that the DNN method using feature extraction ECFP_6 with 90% of the feature selection having sensitivity, specificity, accuracy, and MCC values, respectively, 0.927, 0.881, 0.906, and 0.810."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Haris Hamzah
Prediksi hubungan struktur molekul dan aktivitas biologi inhibitor dipeptidil peptidase-4 menggunakan metode deep neural network dengan metode pemilihan fitur catboost = Prediction of molecular structure and biological activity relationship of dipeptidyl peptidase-4 inhibitors using deep neural networks with catboost as feature selection method
"Diabetes mellitus tipe-2 (T2DM) merupakan penyakit metabolisme kronis yang sering diderita oleh orang dewasa. T2DM ditandai dengan menurunnya insulin dalam tubuh. Enzim dipeptidil peptidase-4 (DPP-4) dapat mengkatalisasi penurunan hormon peptida inkretin, terutama peptide-1 seperti hormon gastric inhibitory peptide (GIP) dan glucagon-like peptide-1 (GLP-1), yang mengakibatkan penurunan sintesis insulin. Inhibitor DPP-4 adalah target obat yang menjanjikan untuk T2DM, karena dapat memblokir kerja enzim DPP-4 dengan menghambat kerja hormon GLP-1 dan GIP. Penelitian ini menggunakan data inhibitor DPP-4 yang akan diekstraksi ciri menggunakan metode Extended-Connectivity Fingerprint (ECFP) dan Functional-Class Fingerprints (FCFP). Hasil ekstraksi ciri tersebut digunakan sebagai vektor masukan untuk metode deep neural network (DNN) untuk memprediksi inhibitor DPP-4 ke dalam senyawa aktif dan tidak aktif. Selain itu, metode CatBoost diusulkan sebagai metode pemilihan fitur terhadap hasil ekstraksi ciri metode ECFP dan FCFP. Dalam penelitian ini akan membandingkan performa metode DNN dengan menggunakan pemilihan fitur metode CatBoost dan tanpa menggunakan pemilihan fitur metode CatBoost. Hasil dari penelitian ini menunjukkan bahwa metode DNN menggunakan ekstraksi ciri ECFP_6 dengan proporsi pemilihan fitur sebesar 90% memiliki nilai sensitivitas, spesifisitas, akurasi, dan MCC berturut-turut adalah 0.927,0.881,0.906, dan 0.810.
Diabetes mellitus type-2 (T2DM) is a chronic metabolic disease that often affects adults. T2DM is characterized by a decrease of insulin in the body. The dipeptidyl peptidase-4 (DPP-4) enzyme can catalyze a decrease of incretin peptide hormones, especially peptide-1, such as gastric inhibitory peptide (GIP) hormone and glucagon-like peptide-1 (GLP-1), which results in decreased insulin synthesis. DPP-4 inhibitors are a promising drug target for T2DM because they block the action of the DPP-4 enzyme by inhibiting the activity of the GLP-1 and GIP hormones. This study uses DPP-4 inhibitor data, which will be feature extracted using the Extended-Connectivity Fingerprint (ECFP) and Functional-Class Fingerprints (FCFP) methods. The results of feature extraction are used as input vectors of the deep neural network (DNN) method to predict DPP-4 inhibitors into active and inactive compounds. In addition, the CatBoost method is proposed as a feature selection method for the feature extraction results of the ECFP and FCFP methods. In this study, we will compare the performance of the DNN method using the feature selection of the CatBoost method and without using the feature selection of the CatBoost method. The results of this study indicate that the DNN method using feature extraction ECFP_6 with 90% of the feature selection having sensitivity, specificity, accuracy, and MCC values, respectively, 0.927, 0.881, 0.906, and 0.810."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Adawiyah Ulfa
Evaluasi Klasifikasi Hubungan Kuantitatif Struktur Aktivitas Molekul dengan Model Hybrid Deep Learning dan Pemilihan Fitur Recursive Feature Elimination pada Inhibitor Dipeptidyl Peptidase-4 = Evaluation of the Classification in Quantitative Structures Activity Relationships of Molecular with Hybrid Deep Learning Models and Selection Features of Recursive Feature Elimination in Dipeptidyl Peptidase-4 Inhibitors
"Pengembangan inhibitor Dipeptidyl Peptidae-4 (DPP-4) sangat diperlukan dalam pengobatan Diabetes Mellitus tipe 2 dengan efek samping yang rendah. Pemodelan hubungan kuantitatif struktur aktivitas (QSAR) merupakan pendekatan analisis hubungan struktur kimia dengan aktivitasnya yang banyak digunakan dalam desain obat penyakit Diabetes. Pada tesis ini, model QSAR klasifikasi dibangun untuk memprediksi struktur aktivitas senyawa pada inhibitor DPP-4 yang dapat memblokir kerja enzim DPP-4. Dalam representasi molekul digunakan circular fingerprint ECFP dan FCFP yang menyajikan notasi SMILES dalam format vektor biner. Fingerprint ECFP dan FCFP yang berdiameter 4 dan 6 sebagai input data dalam membangun model QSAR klasifikasi. Pada QSAR klasifikasi dengan pendekatan deep learning memberikan waktu yang cepat dalam proses virtual screening senyawa aktif atau tidak aktif dalam inhibitor DPP-4. Penelitian ini menggunakan model Hybrid Deep Learning 1D CNN-LSTM untuk memprediksi aktivitas senyawa inhibitor dalam kelas aktif atau tidak aktif berdasarkan nilai aktivitas biologis dengan proporsi data latih dan data uji yang berbeda. Dalam arsitektur 1D CNN-LSTM terdiri dari model 1D CNN sebagai tahap ektraksi fitur dan output dari lapisan konvolusi 1D CNN digunakan dalam lapisan LSTM. Selain itu, pemilihan fitur dengan metode Random Forest-Recursive Feature Elimination (RF-RFE) digunakan untuk memperoleh fitur yang optimal dari dataset ECFP dan FCFP. Selanjutnya, penelitian ini membandingkan performa model dengan menerapkan pemilihan fitur RF-RFE dan tanpa pemilihan fitur RF-RFE. Hasil penelitian ini menunjukkan bahwa model QSAR klasifikasi menggunakan Hybrid Deep Learning yaitu 1D CNN-LSTM dengan pemilihan fitur RF-RFE memperoleh performa model yang lebih baik dibandingkan model tanpa pemilihan fitur optimal. Performa model 1D CNN-LSTM dengan pemilihan fitur RF-RFE menggunakan data ECFP_4 dengan proporsi data latih 80% memiliki akurasi sebesar 0.9075, sensitivitas 0.9008, spesifisitas 0.9142, dan nilai MCC 0.8151.
The development of Dipeptidyl Peptidase-4 (DPP-4) inhibitors is urgently needed in the treatment of Type 2 Diabetes Mellitus with low side effects. Activity structure quantitative relationship modeling (QSAR) is an analytical approach to the relationship between chemical structure and activity which is widely used in diabetes drug design. In this thesis, a classification QSAR model was built to predict the structure of the activity of the DPP-4 inhibitor compound that can block the action of the DPP-4 enzyme. In molecular representation, ECFP and FCFP circular fingerprints are used which present SMILES notation in binary vector format. ECFP and FCFP fingerprints with diameters of 4 and 6 as input data in building a classification QSAR model. The QSAR classification with a deep learning approach provides fast time in the virtual screening process for active or inactive compounds in DPP-4 inhibitors. This study uses the Hybrid Deep Learning 1D CNN-LSTM model to predict the activity of inhibitor compounds inactive or inactive classes based on the value of biological activity with different proportions of training data and test data. The 1D CNN-LSTM architecture consists of a 1D CNN model as the feature extraction stage and output of 1D CNN convolution layer is used in the LSTM layer. In addition, feature selection using the Random Forest-Recursive Feature Elimination (RF-RFE) method was used to obtain optimal features from the ECFP and FCFP datasets. Furthermore, this study compares the performance of the model by applying the RF-RFE feature selection and without the RF-RFE feature selection. The results of this study indicate that the classification QSAR model using Hybrid Deep Learning, namely 1D CNN-LSTM with RF-RFE feature selection, obtains better model performance than the model without optimal feature selection. The performance of the CNN-LSTM 1D model with RF-RFE feature selection using ECFP_4 data with a proportion of 80% training data has an accuracy of 0.9075, sensitivity of 0.9008, specificity of 0.9142, and an MCC value of 0.8151.
"
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
T-Pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Sarah Syarofina
Analisis Pemilihan Molekul Inhibitor Dipeptidil Peptidase 4 pada Perancangan Obat Diabetes Tipe 2 menggunakan Algoritma K-Modes Clustering dengan Levenshtein Distance = Molecular Selection Analysis of Dipeptidyl Peptidase-4 Inhibitors in The Drug Discovery of Type 2 Diabetes using K-Modes Clustering Algorithm with Levenshtein Distance
"Inhibitor dipeptidil peptidase 4 (DPP-4) baru perlu dikembangkan untuk meminimalkan efek samping merugikan yang diakibatkan oleh obat golongan inhibitor DPP-4 yang telah terdaftar. Penelitian ini bertujuan untuk menghasilkan subset molekul inhibitor DPP-4 yang representatif dengan mengaplikasikan algoritma K-Modes clustering dengan Levenshtein distance pada proses clustering dan melakukan analisis pemilihan molekul inhibitor DPP-4 berdasarkan kriteria nilai logP dari aturan Lipinskis Rule of 5. 2053 molekul inhibitor DPP-4 diperoleh dari situs ChEMBL. Clustering dilakukan terhadap fingerprint molekuler inhibitor DPP-4 yang diperoleh dari fitur SMILES (Simplified Molecular Input Line Entry System). Metode MACCS (Molecular Access System) Keys, ECFP (Extended Connectivity Fingerprint) diameter 4 dan 6, dan FCFP (Functional Class Fingerprint) diameter 4 dan 6, digunakan untuk membangun lima dataset fingerprint untuk proses clustering. Prosedur clustering diawali dengan menentukan jumlah klaster dengan menghitung nilai Koefisien Silhouette sebagai metode evaluasi klaster. Penerapan algoritma K-Modes clustering dengan Levenshtein distance pada 2053 molekul inhibitor DPP-4 menghasilkan nilai Koefisien Silhouette maksimal dari dataset MACCS sebesar 0.3947 dengan jumlah klaster 1258. Pemilihan molekul berdasarkan kriteria nilai logP dan aturan Lipinskis Rule of 5 menghasilkan 778 molekul inhibitor DPP-4 dari semua dataset dengan 298 molekul inaktif dan 480 molekul aktif dan nilai logP berkisar antara -1.67 sampai dengan 4.97.

New dipeptidyl peptidase 4 (DPP-4) inhibitors need to be developed to minimize the adverse side effects caused by registered DPP-4 inhibitor drugs. This study aims to produce a representative subset of DPP-4 inhibitor molecules by applying the K-Modes clustering algorithm with Levenshtein distance in the clustering process and analyzing the selection of DPP-4 inhibitor molecules based on the logP value criteria. 2053 DPP-4 inhibitor molecules obtained from the ChEMBL website. Clustering was carried out on the molecular fingerprint obtained from the SMILES feature. The MACCS Keys, ECFP (diameter 4 and 6), and FCFP (diameter 4 and 6) methods were used to construct fingerprint datasets for the clustering process. The clustering procedure begins by determining the number of clusters by calculating the Silhouette Coefficient value. The application of the K-Modes clustering with Levenshtein distance to 2053 DPP-4 inhibitor molecules resulted in the maximum Silhouette Coefficient value of the MACCS dataset of 0.3947 with the number of clusters 1258. Selection of molecules based on logP value criteria and Lipinskis Rule of 5 resulted in 778 DPP-4 inhibitor molecules. of all the datasets with 298 inactive molecules and 480 active molecules and the logP value ranged from -1.67 to 4.97.

"
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Revania Rismarini
Klasifikasi Data Soft Tissue Tumor menggunakan Deep Neural Network dengan Seleksi Fitur Signal-to-Noise Ratio = Classification of Soft Tissue Tumor using Deep Neural Network with Signal-to-Noise Ratio Feature Selection
"Soft Tissue Tumor atau tumor jaringan lunak adalah suatu benjolan atau pembengkakan abnormal yang disebabkan pertumbuhan sel baru. Tumor jaringan lunak dapat terjadi di seluruh bagian tubuh mulai dari ujung kepala sampai ujung kaki. Penyakit tersebut dapat terjadi disemua kelompok umur. Menurut beberapa dokter setiap benjolan/tumor yang ada haruslah diperiksa sejak dini sehingga pasien dapat mendapatkan pengobatan yang tepat dan tidak terjadinya perkembangan kanker. Pada penelitian ini, metode machine learning yang digunakan untuk mengklasifikasi soft tissue tumor. Dengan data Soft Tissue Tumor yang memiliki beragam fitur, maka akan direduksi dengan seleksi fitur signal to noise ratio. Pada penelitian ini, penyakit Soft Tissue Tumor dideteksi dengan mengklasifikasikan pasien tersebut mengidap Soft Tissue Tumor atau tidak menggunakan Deep Neural Network dengan implementasi metode seleksi fitur signal to noise ratio dan akan dibandingkan nilai akurasi klasifikasi yang dihasilkan dari Deep Neural Network tanpa seleksi fitur dan Deep Neural Network dengan seleksi fitur signal to noise ratio. Data yang diperoleh berjumlah 76 data dengan total 17 fitur. Diperoleh hasil bahwa akurasi menggunakan seleksi fitur lebih tinggi dibandingkan tanpa seleksi fitur. Metode klasifikasi mendapat akurasi tertinggi pada jumlah fitur 14.
Soft tissue tumor is an abnormal lump or swelling caused by the growth of new cells. They can occur in all parts of the body from head to toe. Some types of this disease are more common in children, while some others are more common in adults. Though initially benign, this tumor can become aggressive if not treated. The more the tumor has invaded nearby tissues, the harder it is to completely remove. Sometimes, patients underestimate lumps because there are no distinctive clinical signs between malignant and benign tumors. Therefore, doctors suggest patients to immediately examine any existing lump so that it can be treated early and not develop into cancer. The usage of machine learning method to classify the diagnosis is very beneficial. High-dimensional soft tissue tumor data will be reduced using signal to noise ratio feature selection method. In this study, soft tissue tumor disease is detected by classifying soft tissue tumor patients and non-patients data using Deep Neural Network with the implementation of signal-to-noise feature selection. The accuracy will then be compared to Deep Neural Network classification without the implementation of feature selection. The data obtained amounted to 76 data with a total of 17 features. It is found that the accuracy of Deep Neural Network with feature selection is higher compared to the one without feature selection. The highest accuracy result is obtained with the use of 14 features."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Abitya Bagaskara
Klasifikasi 4 kelas penderita demensia menggunakan metode deep convolutional neural network arsitektur VGG-16 dan VGG-19 = Classification of 4 dementia classes by using the deep convolutional neural network architecture method of VGG-16 and VGG-19
"Demensia adalah suatu istilah umum yang menggambarkan penurunan kemampuan mengingat yang cukup parah. Demensia paling umum disebabkan oleh alzheimer yang mana diagnosisnya seringkali sulit dan telat dilakukan. Padahal, pada tahap demensia sangat ringan merupakan tahap yang paling efektif dilakukan. Oleh karena itu, akan menjadi suatu keuntungan yang sangat besar apabila berhasil mendiagnosis pada tahap awal. Pendekatan paling populer untuk melakukan diagnosis pada demensia adalah dengan machine learning yang kemudian diperdalam kembali dengan deep learning. Sudah banyak arsitektur pada deep learning, di mana yang paling terkenal digunakan untuk klasifikasi berbentuk gambar adalah Convolutional Neural Network (CNN). Salah satu contoh turunan dari CNN adalah VGG di mana pertama kali diusulkan oleh tim dari Universitas Oxford. Pendekatan dengan arsitektur VGG dilakukan dalam skripsi ini, di mana menggunakan VGG-16 dan VGG-19. Hasil dari skripsi ini berhasil mendeteksi 4 kelas (sangat ringan, ringan, cukup, dan orang normal) dengan capaian akurasi di atas 89% untuk seluruh skenario, bahkan beberapa sampai 99%. Nilai akurasi tertinggi tercatat mencapai 99.68% untuk training dan 99.36% untuk validasi. Tidak hanya akurasi, pada skripsi ini juga akan menganalisis berdasar confusion matrix, presisi, recall, dan F1 Score sehingga bisa lebih mendalam analisis pendeteksiannya untuk tiap kelasnya.
Dementia is a general term that describes a severe impairment of memory. Dementia is most commonly caused by Alzheimer's and diagnosis is often difficult and late. In fact, the very mild stage of dementia is the most effective stage to do. Therefore, it will be a huge advantage if the diagnosis is successful at an early stage. The most popular approach to diagnosing dementia is machine learning which is then deepened by deep learning. There have been many architectures in deep learning, where the most well-known being used for image classification is the Convolutional Neural Network (CNN). One example of a derivative from CNN is VGG which was first proposed by a team from the University of Oxford. Approach to the VGG architecture is carried out in this thesis, which uses VGG-16 and VGG-19. The results of this thesis have successfully detected 4 classes (very light, light, moderate, and normal people) with accuracy above 89% for all scenarios, even some up to 99%. The highest accuracy value was recorded at 99.68% for training and 99.36% for validation. Not only accuracy, but this thesis will also analyze based on confusion matrix, precision, recall, and F1 Score so that the detection analysis can be more in-depth for each class."
Depok: Fakultas Teknik Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Muhammad Naufal Hisyam
Prediksi Nilai Turbiditas Air Berbasis Citra Ponsel Menggunakan Deep Convolutional Neural Network ResNet-50 dan DenseNet-121 = Water Turbidity Prediction Based on Mobile Phone Image Using Deep Convolutional Neural Networks ResNet-50 and DenseNet-121
"Turbiditas adalah salah satu ukuran yang sering digunakan untuk menilai kualitas air. Pengukuran turbiditas dapat dijadikan estimasi untuk mengetahui parameter fisis lain seperti zat padat tersuspensi total (TSS) atau parameter biologis seperti konsentrasi mikroorganisme. Beberapa penelitian telah mencoba menerapkan metode computer vision untuk memprediksi nilai turbiditas dari citra sebuah sampel air. Kebanyakan penelitian yang dilakukan masih menggunakan ekstraksi fitur secara manual sehingga diperlukan pengetahuan yang mencukupi terkait pengolahan citra dan pengukuran turbiditas. Pada penelitian ini dibuat sistem instrumentasi prediksi nilai turbiditas air berbasis pengolahan citra ponsel dengan ekstraksi fitur dan regresi oleh model deep convolutional neural network (DCNN). Penggunaan DCNN memungkinkan dilakukannya untuk melakukan ekstraksi fitur secara otomatis. Arsitektur DCNN yang digunakan yaitu ResNet-50 dan DenseNet-121. Efektivitas penerapan transfer learning berupa weight initialization pada DCNN juga ditinjau dalam kasus ini. Sampel yang digunakan pada penelitian ini berupa suspensi formazin dengan berbagai nilai turbiditas untuk pelatihan model dan beberapa sampel air untuk validasi model. Sampel disinari oleh LED di dalam kotak akuisisi yang dibuat untuk menampakkan fitur. Citra dari sampel diakuisisi menggunakan ponsel Samsung S20 FE dari dua sudut berbeda yaitu 0° (turbidimetry) dan 90° (nephelometry) terhadap sampel. Hasil terbaik pada penelitian ini diperoleh oleh Model ResNet-50 dengan transfer learning yang memperoleh MAE sebesar 2.44 untuk sampel formazin dan 7.31 untuk sampel air dengan citra turbidimetry. Hasil penelitian menunjukkan potensi menjanjikan penggunaan DCNN pada kasus regresi nilai turbiditas air untuk dikembangkan lebih lanjut.
Turbidity is a measure that is often used to assess water quality. Turbidity measurements can be used as estimates to determine other physical parameters such as total suspended solids (TSS) or biological parameters such as the concentration of microorganisms. Several studies have tried to apply computer vision methods to predict the turbidity value from images of water samples. Most of the research conducted still uses manual feature extraction, hence sufficient knowledge regarding image processing and turbidity measurements is needed. In this study, an instrumentation system for predicting water turbidity values based on mobile phone images is made. The feature extraction and regression process are done using a deep convolutional neural network (DCNN) model. The use of DCNN allows it to perform feature extraction automatically. The DCNN architecture used is ResNet-50 and DenseNet-121. The effectiveness of implementing transfer learning in the form of weight initialization on DCNN is also reviewed in this study. The samples used in this study were formazine suspensions with various turbidity values for model training and several water samples for model validation. The sample is illuminated by an LED inside an acquisition box to reveal its features. The images of the samples were acquired using a Samsung S20 FE mobile phone from two different angles, namely 0° (turbidimetry) and 90° (nephelometry) to the sample. The best results in this study were obtained by the ResNet-50 model with transfer learning applied which obtained MAE values of 2.44 for formazine samples and 7.31 for water samples using turbidimetry images. The results show the promising potential for further development of DCNN usage in the case of water turbidity values regression."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Syafura Az-Zahra
Uji Aktivitas Inhibitor Dipeptidil Peptidase-4, Anti-Inflamasi, dan Antioksidan 2-(Stiril)-N-(2-Siano) Benzil-Kuinazolinon dan Analognya Secara In Vitro = In Vitro Activity Test of Dipeptidyl Peptidase-4 Inhibitor, Anti-Inflammation, and Antioxidant 2-(Styril)-N-(2-Cyaano) Benzyl-Quinazolinone and Its Analogs
"Diabetes melitus tipe 2 (DMT2) merupakan penyakit metabolik yang ditandai dengan hiperglikemia dalam keadaan puasa atau setelah pemberian glukosa selama tes toleransi glukosa oral. Di dalam tubuh terdapat enzim dipeptidil peptidase-4 (DPP-4) menyebabkan degradasi Glucagon Like Peptide-1 (GLP-1) dan Glucose-dependent Insulinotropic Polypeptide (GIP) sehingga mengurangi bioavailabilitas dan efek inkretin. Penyakit DMT2 yang terjadi secara kronis dapat menyebabkan respon inlamasi hingga stres metabolik yang ditandai dengan meningkatnya kadar IL-1β, IL-6, TNF-α, dan CRP. Tujuan dari penelitian ini yaitu mengevaluasi aktivitas antidiabetes, anti-inflamasi, dan antioksidan in vitro senyawa 2-(Striril)-N-(2-siano) benzil-kuinazolinon dan lima analognya. Pengujian ini diukur menggunakan Glomax-Multi Detection System dan spektrofotometer UV-Vis. Pengujian ini dilakukan pada berbagai konsentrasi uji dan dihitung nilai IC50 dan atau persen/nilai aktivitasnya. Berdasarkan hasil uji, aktivitas antidiabetes in vitro menggunakan mekanisme penghambatan enzim DPP-4 memiliki IC50 dengan rentang (0,7545 – 28,4742 μM) dengan senyawa QBNS-OCH3 memberikan aktivitas penghambatan terbaik dengan IC50 (0,7545 μM), aktivitas anti-inflamasi in vitro menggunakan mekanisme denaturasi protein menunjukkan % inhibisi dengan rentang (-67,4364% – 39,1948%) dengan senyawa QBNS-CF3 memberikan % inhibisi terbaik (39,1948%), aktivitas antioksidan in vitro menggunakan mekanisme DPPH menunjukkan % inhibisi dengan rentang (4,4124% – 13,2371%) dengan senyawa QBNS-OH memberikan % inhibisi terbaik (13,2371%), aktivitas antioksidan in vitro menggunakan mekanisme FRAP menunjukkan nilai FeEAC dengan rentang (0,2845 – 0,4919) dengan senyawa QBNS-OH memberikan nilai FeEAC terbaik (0,4919). Berdasarkan hasil uji, senyawa uji memiliki aktivitas yang kurang baik sehingga diperlukan penelitian lebih lanjut mengenai subtituen-substituen yang nemiliki aktivitas penghambatan antidiabetes, anti-inflamasi, dan antioksidan yang lebih poten.
Type 2 diabetes mellitus (T2DM) is a metabolic disease characterized by hyperglycemia in the fasting state or after glucose administration during an oral glucose tolerance test. In the body, the enzyme dipeptidyl peptidase-4 (DPP-4) causes the degradation of Glucagon Like Peptide-1 (GLP-1) and Glucose-dependent Insulinotropic Polypeptide (GIP), thereby reducing bioavailability and incretin effects. T2DM chronic disease can cause an inflammatory response to metabolic stress, characterized by increased levels of IL-1β, IL-6, TNF-α, and CRP. This study evaluated the in vitro antidiabetic, anti-inflammatory and antioxidant activities of 2-(Striril)-N-(2-cyano) benzyl-quinazolinone and its five analogues. This test was measured using the Glomax-Multi Detection System and a spectrophotometer UV-Vis. This test is carried out at various test concentrations, and the IC50 value and or percent/activity value is calculated. Based on the test results, in vitro antidiabetic activity using the DPP-4 enzyme inhibition mechanism had IC50 in the range (0,7545 – 28,4742 μM), with the QBNS-H compound giving the best inhibitory activity with IC50 (0,7545 μM), In vitro anti-inflammation activity using a protein denaturation mechanism showed a wide range of % inhibition (-67,4364% – 39,1948%) with the QBNS-CF3 compound giving the best % inhibition (39,1948%), in vitro antioxidant activity using the DPPH mechanism showed a wide range of % inhibition (4,4124% – 13,2371%) with QBNS-OH compound giving the best % inhibition (13,2371%), antioxidant activity in vitro using the FRAP mechanism showed FeEAC values in the range (0,2845 – 0,4919) with QBNS-OH compound giving the best FeEAC value (0,4919). Based on the test results, the tested compounds had poor activity, so further research is needed on substituents that have antidiabetic, anti-inflammatory, and antioxidant inhibitory activities that are more potent."
Depok: Fakultas Farmasi Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Noer Fitria Putra Setyono
Pengenalan gerakan isyarat kata pada kalimat SIBI (Sistem Isyarat Bahasa Indonesia) menggunakan deep convolutional neural network sebagai ekstraksi fitur dan long short-term memory sebagai metode klasifikasi = Recognizing word gesture in Sign System for Indonesian Language (SIBI) sentences using deep convolutional neural network as feature extraction and long short-term memory as classification
"SIBI merupakan bahasa isyarat resmi yang digunakan di Indonesia. Penggunaan SIBI seringkali ditemukan permasalahan karena banyaknya gerakan isyarat yang harus diingat. Penelitian ini bertujuan untuk mengenali gerakan isyarat SIBI dengan cara mengekstraksi fitur tangan dan wajah yang kemudian diklasifikasikan menggunakan Bidirectional Long ShortTerm Memory (BiLSTM). Ekstraksi fitur yang digunakan dalam penelitian ini adalah Deep Convolutional Neural Network (DeepCNN) seperti ResNet50 dan MobileNetV2, di mana kedua model tersebut digunakan sebagai pembanding. Penelitian ini juga membandingkan performa dan waktu komputasi antara kedua model tersebut yang diharapkan dapat diterapkan pada smartphone nantinya, dimana model tersebut akan diimplementasikan. Hasil penelitian menunjukkan bahwa penggunaan model ResNet50-BiLSTM memiliki kinerja yang lebih baik dibandingkan dengan MobileNetV2-BiLSTM yaitu 99,89%. Namun jika akan diaplikasikan pada arsitektur mobile, MobileNetV2-BiLSTM lebih unggul karena memiliki waktu komputasi yang lebih cepat dengan performa yang tidak jauh berbeda jika dibandingkan dengan ResNet50-BiLSTM.
SIBI is a sign language that is officially used in Indonesia. The use of SIBI is often found to be a problem because of the many gestures that have to be remembered. This study aims to recognize SIBI gestures by extracting hand and facial features which are then classified using Bidirectional Long ShortTerm Memory (BiLSTM). The feature extraction used in this research is Deep Convolutional Neural Network (DeepCNN) such as ResNet50 and MobileNetV2, where both models are used as a comparison. This study also compares the performance and computational time between the two models which is expected to be applied to smartphones later, where both models can now be implemented on smartphones. The results showed that the use of ResNet50-BiLSTM model have better performance than MobileNetV2-BiLSTM which is 99.89\%. However, if it will be applied to mobile architecture, MobileNetV2-BiLSTM is superior because it has a faster computational time with a performance that is not significantly different when compared to ResNet50-BiLSTM."
Depok: Fakultas Komputer Universitas Indonesia, 2020
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Faris Adnan Padhilah
Metode penjejakan posisi bola bergerak dengan prediksi multistep ahead depan menggunakan metode neural network = Tracking of a moving ball position based on multistep prediction using ANN method
"Makalah ini menjelaskan metode pelacakan objek bergerak berdasarkan prediksi 1 hingga 5 langkah di depan. Prediksi menggunakan jaringan syaraf tiruan dengan metode propagasi balik untuk melatih jaringan. Objek bergerak yang digunakan dalam percobaan adalah bola tenis meja kecil. Struktur JST memiliki enam neuron input dan lima neuron output dengan sepuluh neuron di lapisan tersembunyi. Menggunakan data 70 dari posisi pergerakan objek untuk pelatihan, dan 30 data untuk menguji prediksi posisi bola. Itu menunjukkan bahwa pelatihan ANN dapat mencapai berarti kesalahan persegi MSE sekecil 0,0091 untuk koordinat X dan 0,0012 untuk koordinat Y. Pada pengujian prediksi posisi bola, ditunjukkan bahwa metode dapat mencapai MSE sebesar 4,72 untuk koordinat X dan MSE sebesar 2,48 untuk koordinat Y.
This paper described a method of tracking a moving object based on 1 to 5 step ahead prediction. The prediction was using the artificial neural network with back propagation method for training the network. The moving object used in the experiments is a small table tennis ball. The ANN structures have six inputs neurons and five outputs neurons with ten neurons in the hidden layer. Using 70 data of the object movement positions for training, and 30 data for testing the prediction of the ball positions. It was shown that the training of the ANN can achieved means square error MSE as small as 0.0091 for the X coordinate and 0.0012 for the Y coordinate. At the ball position prediction testing, it was shown that the method can achieved the MSE of 4.72 for X coordinate and MSE of 2.48 for Y coordinate."
Depok: Fakultas Teknik Universitas Indonesia, 2018
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>