Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKIdentifikasi lapisan lilin pada buah sangat sulit dilakukan tanpa adanya suatu sistem yang bersifat non-destruktif. Pada umumnya, dilakukan metode yang bersifat destruktif untuk mengetahui ada atau tidaknya suatu lapisan pada buah, seperti merendam buah pada air panas, menggunakan campuran cuka dengan air, atau campuran soda kue dengan air. Adapun metode destruktif lainnya yang menggunakan instrumentasi kromatografi gas, dimana proses ini membutuhkan waktu yang lama dan pengoperasian yang sulit. Citra VNIR menjadi metode terbaru untuk mengatasi masalah tersebut karena metode ini bersifat non-destruktif dan lebih mudah untuk dioperasikan. Dalam penelitian ini, sistem identifikasi ada atau tidaknya lapisan lilin pada buah apel berhasil dibuat. Proses dimulai melalui akuisisi citra, koreksi citra, object detection, window averaging, model klasifikasi, hingga mendapatkan status pelapisan (coating status). Citra diakuisisi pada rentang panjang gelombang 400 hingga 100 nm. Profil reflektansi yang didapat, selanjutnya dikomparasikan antara satu kelas dengan kelas lainnya, sehingga terlihat perbedaan yang mencolok diantara keduanya. Selanjutnya, model akan diuji dan dievaluasi menggunakan data referensi yang merupakan hasil klasifikasi secara manual. Pembuatan dan pengujian model dilakukan melalui proses traning dan testing data. Pada penelitian ini, digunakan beberapa model klasifikasi yang dibuat berdasarkan profil reflektansi dari setiap citra yang telah diakuisisi. Hasil akurasi model melalui evaluasi confusion matrix didapat sebesar 70,83% untuk model PCA-SVM, 95,42% untuk model DT, dan 98,33% untuk model RF.

---

ABSTRACTWax coating identification on fruits is very difficult without a non-destructive system. In general, destructive methods were used to find out whether or not there are coatings on fruit, such as soaking fruit in hot water, using a mixture of vinegar and water, or baking soda and water. There are other destructive methods using instrumentation like gas chromatography, where this process takes much time and difficult to operate. VNIR imaging becomes the latest method to overcome this problem because this method is non-destructive and easier to operate. In this study, identification system for the presence or absence of wax coating on apples has been successfully made. The process starts through image acquisition, image correction, object detection, window averaging, classification model, until we got the coating status. The image was acquired on a wavelength range from 400 to 1000 nm. The reflectance profile is obtained, then it is compared between one class and the other class, until there is a noticable difference between the two. Next, the model will be tested and evaluated using reference data which is the result of manual classification. The making and testing of the model was done through the process of data training and data testing. In this study, several classifications models were made based on the reflectance profile of each acquired image. The accuracy of the model through confusion matrix evaluatin were 70.83% for the PCA-SVM model, 95.42% for the DT model, and 98.33% for the RF model."

"ABSTRAKSistem prediksi berbasis citra VNIR mampu untuk memprediksi parameter tertentu pada suatu objek. Parameter seperti kadar fenolik dari daun bisbul dapat diprediksi dengan sistem prediksi berbasis citra VNIR. Citra VNIR daun bisbul diakuisisi menggunakan kamera hiperspektral dengan rentang 400 hingga 1000 nm. Model regresi yang digunakan pada sistem prediksi ini meliputi Support Vector Regression (SVR), Partial Least Square Regression (PLSR), serta Decision Tree Regression (DTR). Dari ketiga model tersebut didapatkan nilai error yang menunjukkan performa sistem prediksi yang dibuat. Error berupa koefisien determinasi (R2) dan Root Mean Square Error (RMSE). Nilai koefisien determinasi (R2) sebesar 0,95 (SVR); 0,91 (PLSR); dan 0,90 (DTR). Serta untuk RMSE sebesar 2,66 (SVR). 3,60 (PLSR), dan 3,90 (DTR). Berdasarkan hasil koefisien korelasi dari ketiga model tersebut, dapat disampaikan bahwa kadar fenolik dari daun bisbul dapat diprediksi dengan menggunakan model SVR untuk performa yang baik dan menggunakan parameter fungsi kernel polinomial orde 3. Nilai prediksi kadar fenolik rata-rata dari ketiga model sebesar 32,72 GAE(µg/mg) untuk DTR; 32,46 GAE(µg/mg) untuk PLSR; dan 32,27 GAE(µg/mg) untuk SVR.

---

ABSTRACT

Prediction systems based on VNIR images are able to predict certain parameters on an object. Parameters such as the phenolic content of Diospyros discolor Willd leaf can be predicted by this system. VNIR images of Diospyros discolor Willd leaf acquired using a hyperspectral camera with a range of 400 to 1000 nm. The regression model to predict the content used Support Vector Regression (SVR), Partial Least Square Regression (PLSR), and Decision Tree Regression (DTR). Based on three models, an error value is obtained that indicates the performance of the predictive system. The error value such as coefficient correlation (R) and Root Mean Square Error (RMSE). The value of R from the models are 0,95 (SVR); 0,91 (PLSR), and 0,90 (DTR). The value of RMSE from the models are 2,66 (SVR). 3,60 (PLSR), and 3,90 (DTR). Value of predicted total phenolic content from the models are 32,72 GAE(µg/mg) for DTR; 32,46 GAE(µg/mg) for PLSR; dan 32,27 GAE(µg/mg) for SVR. Based on the coefficient correlation, phenolic content can be predicted using SVR model for best result with kernel function polynomial 3 order.

"

"ABSTRAK

Diperlukan suatu sistem yang mampu membantu dokter untuk mendiagnosis seorang pasien perokok atau bukan. Smoker rsquo;s melanosis dapat digunakan sebagai salah satu indikator untuk mengetahui seseorang perokok atau bukan. Penelitian ini memfokuskan pada pembangunan suatu sistem identifikasi perokok secara tidak invasif berbasis pencitraan hiperspektral Hyperspectral Imaging . Sistem yang dikembangkan terdiri atas instrumen akuisisi citra lidah perokok dan algoritma pengolahan citra yang menggunakan ciri spektral dan spasial pada rentang Visible and Near-Infrared VNIR . Rerata intensitas piksel pada suatu rentang spasial digunakan sebagai ciri yang merepresentasikan reflektansi relatif pada panjang gelombang 400-1000 nm. Metode PCA digunakan untuk mereduksi dimensi ciri menjadi lima buah ciri representatif. Metode SVM digunakan untuk mengklasifikasikan ciri menjadi informasi piksel Smoker rsquo;s Melanosis SM dan normal. Pengujian dengan menggunakan 45 sampel yg terdiri dari 20 perokok dan 25 nonperokok dilakukan untuk menguji kinerja sistem yang dikembangkan. Berdasarkan hasil pengujian diperoleh nilai akurasi 97.31 , misclassification rate MR 2.69 , false positive rate FPR 0 , false negative rate FNR 5,83 , sensitivity 94.17 , dan specificity 100 . Secara umum, sistem telah bekerja untuk membantu mendiagnosis seorang perokok.

---

ABSTRACT

system which could help a doctor to diagnose patient who is smoker or not smoker is needed. Smoker 39 s melanosis could be used as one of indicator to identify someone is a smoker or not. This study focuses on the development of a non invasive system of smoker identification based on hyperspectral imaging. The developed system consists of smoker 39 s image acquisition instrument and image processing algorithm using spectral and spatial characteristics in the Visible and Near Infrared VNIR range. The average pixel intensity at a spatial range is used as a feature that represents the relative reflectance at the wavelength of 400 1000 nm. The PCA method is used to reduce the dimensions features into five representative features. The SVM method is used to classify the feature into Smoker 39 s Melanosis SM and normal pixel information. This experiment was using 45 samples consisting of 20 smokers and 25 nonsmokers. It were perfomed to test the performance of the developed system. The results show that the accuracy is 97.31 , misclassification rate MR is 2.69 , false positive rate FPR is 0 , false negative rate FNR is 5,83 , sensitivity is 94.17 , and specificity is 100 . In general, the system has worked to help diagnose a smoker."

"Artificial Intelligence (AI) model Machine Learning (ML) merupakan perkembangan teknologi yang memiliki potensi untuk berperan sebagai pengambil keputusan dalam kehidupan manusia. Teknolgi harus dijaga agar memberikan dampak positif dalam kehidupan masyarakat sesuai amanat dalamPasal 28C UUD 1945. Pemerintah yang memiliki kewajiban untuk memenuhi hal tersebut. Tujuan dari penelitian ini untuk menganalisa pengaturan terkait AI model ML terkait penggunaan dan pemanfaatan di Indonesia. Penelitian ini juga akan menganlisa peraturan hukum Indonesia dalam melingkupi prinsip Ethical and trustworty AI dalam penyelenggaraan AI model ML. Kemudian penelitian inijuga mengalisa bentuk pertanggunjawaban hukum terkait AI di Indonesia. Metode yang digunakan dalam penelitian ini adalah penelitian yuridis normatif dengan pendekatan kualitif yang bersifat exploratoris. Hasil dari penelitian ini menunjukan Indonesia memiliki sisnas IPTEK untuk mencapai tujuan Pasal 28C UUD 1945. AI yang tergolong dalam sistem elektronik, menjadikan tunduk padaaturan terkait penyelenggaraan sistem elektronik dalam UU ITE. Utilitarian purposes yang melekat pada teknologi AI membuat perlindungan kekayaan intelektual berada dalam perlindungan Paten. Ethical dan trustworthy pada AIdapat dikrucutkan kedalam 5 prinsip utama dalam penggunaan dan pemanfaatan AI dalam industri. Prinsip tersebut adalah Keaman dan Keselamatan, Privasi, Keadilan, Transparansi serta Akuntabilitas. Prinsip ini telah tertanggulangi dalam prinsip dalam strategi nasional kecerdasan Artifisial. Pemenuhan standar produk AI dan Kode Etik yang mengadopsi prinsip ethical and trustworthy AI diperlukan dalam peraturan hukum di Indonesia saat ini. Berdasarkan peraturan yang ada, pertanggungjawaban dalam penyelenggaraan Sistem Elektronik, termasuk AI, menerapkan prinsip praduga bersalah. Besarnya risiko pada AI membuatnya termasuk kedalam dengerous activities, sehingga perlu diterapkan strict liability.

---

Artificial Intelligence (AI) Machine Learning (ML) model is a technologicaldevelopment that has the potential to be a decision maker in human life. According to the article 28C of the UUD 1945, technology must be maintained to has a positive impact on people's lives. Government has the obligation to fulfill this. The purpose of this research is to analyze regulations related to AI model ML about its use and utilization in Indonesia. This research will also analyze Indonesian regulations covering principles of Ethical and trustworthiness of AI in implementation of AI model ML. Then this reasearch also analyzes forms of legal liabiility related to AI in Indonesia. Analysis method used a normative juridical research with a qualitative approach. The results show that Indonesia has Sisnas IPTEK to achieve a possitive impact. AI is classified as an electronic system, making it subject to rules related to the implementation of electronic systems in UU ITE. AI being protect by Paten, because of utilitarian purposes attached to it.

Ethical and trustworthy of AI can be narrowed down into 5 main principles. These are Security and Safety, Privacy, Fairness, Transparency and Accountability. They have been addressed in Stragtegi Nasional Kecerdasan Artifisial. Current regulations require product standard and Code of Ethics that adopts ethical and trustworthy principles of AI. Based on existing regulations, legal liability in operation of Electronic Systems, including AI, applies the presumption of guilt.

Big risk in AI makes it included in dengerous activities, so it is necessary to applystrict liability."

"ABSTRACTSistem prediksi berbasis citra VNIR telah teruji kemampuannya untuk memprediksi parameter tertentu pada objek, terlebih pada parameter yang sulit diamati secara visual oleh manusia. Kemampuan tersebut tidak lepas dari jumlah fitur yang besar >100 fitur . Namun, jumlah tersebut memberikan beban komputasi yang lebih. Beban yang diperoleh terkadang tidak sepadan dengan performa akhir dari sistem. Diperlukan pemilihan atas fitur-fitur yang digunakan pada sistem. Studi ini membahas pemanfaatan seleksi fitur pada kasus pengukuran kadar karotenoid daun bayam Amaranthus tricolor L. Pengukuran kadar karotenoid dilakukan dengan metode Sims-Gamon. Citra daun bayam diakuisisi pada panjang gelombang 400-1000nm. Citra melalui proses koreksi, segmentasi, dan ekstraksi sebelum digunakan sebagi input. Sistem prediksi memiliki performa dasar PLSR sebesar 0,584 pada R2 , 0,0169 pada RMSE, dan 1,94 pada RPD untuk daun bayam hijau, serta 0,815 pada R2 , 0,013 pada RMSE, dan 2,44 pada RPD untuk daun bayam merah. Penggunaan Algoritma Genetika berhasil memilih 89 dan 86 fitur untuk daun bayam hijau dan merah. Performa sistem setelah seleksi fitur menjadi 0,878 pada R2 , 0,01 pada RMSE, dan 3,05 pada RPD untuk daun bayam hijau, serta 0,962 pada R2 , 0,00596 pada RMSE, dan 5,44 pada RPD untuk daun bayam merah.

---

ABSTRACTPrediction system based on VNIR image had been tested at various prediction cases, especially at case which is hard to do inspection by human eyesight. This ability is due to lots of available features 100 features . Unfortunately, that features also give a burden to computational load. However, that load is not always worth the prediction system performance. Number of features to be used is needed to be reduce to a lesser number. In this study, feature selection is used to reduce number of features for predicting carotenoid content at Amaranthus tricolor L. Determination of carotenoid content is done by using Sims Gamon method. Image of amaranth leaf acquire at 400 1000nm. Image of amaranth leaf then processed through correction, segmentation, and extraction before being used as input. Base performance by using PLSR at green amaranth are 0.584 for R2, 0.0169 for RMSE, and 1.94 for RPD. Base performance for red amaranth are 0.815 for R2 , 0.013 for RMSE, and 2.44 for RPD. Genetic Algorithm selected 89 and 86 features for green and red amaranth. After feature selection, performance for green amaranth are 0.878 for R2 , 0.01 for RMSE, and 3.05 for RPD. Performance for red amaranth are 0.962 for R2 , 0.00596 for RMSE, and 5.44 for RPD. "

"Sistem prediksi kadar flavonoid pada daun Bisbul (Diospyros discolor Willd.)  berbasis citra VNIR sudah terbukti dapat dilakukan dan mendapatkan hasil yang cukup baik. Hasil tersebut bisa didapat karena data citra VNIR memiliki fitur yang sangat banyak (>200 fitur) sehingga dapat memberikan banyak informasi terkait kandungan flavonoid pada daun Bisbul. Namun, banyaknya jumlah fitur akan menyebabkan proses latihan pada model prediksi cukup lama dan akan memberikan beban yang cukup besar pada proses komputasi. Penelitian ini membahas tentang proses optimasi yang dilakukan kepada model regresi PLSR dengan menggunakan algoritma koloni lebah untuk meningkatkan performa dan mengurangi waktu latihan model prediksi kadar flavonoid pada daun Bisbul. Sistem prediksi menghasilkan performa dasar (PLSR) sebesar 23,6 RMSE, 0,86 pada R2, dan waktu training selama 0,6 detik untuk PLSR dengan jumlah 35 komponen dan 23,07 RMSE, 0,87 pada R2, dan waktu training selama 0,63 detik untuk PLSR dengan jumlah 50 komponen. Peningkatan performa sistem prediksi menggunakan algoritma koloni lebah berhasil dan menghasilkan performa sebesar 22,8 RMSE, 0,87 pada R2, dan waktu training selama 13,6 detik untuk PLSR dengan jumlah 35 komponen dan 22,69 RMSE, 0,88 pada R2, dan waktu training selama 13,7 detik untuk PLSR dengan jumlah 50 komponen.

---

Flavonoid content prediction system in the velvet apple leave based on VNIR image (Diospyros discolor Willd.) has been proven to be able to get good results. Those results could be earned because of VNIR image contains a lot of features (>200 features) that give a lot of information to predicts flavonoid content in velvet apple leave. Unfortunately, those features also causing a long training time and put a considerable burden on the computational process. Feature selection process using random forest algorithm proven to be able to reduce the training time, but it results is still need long time to train the prediction system. This study is aim to build and optimize PLSR prediction system using artificial bee colony algorithm to get a better performace and faster training time than random forest regression. Base performance by using 35 components of PLSR is 23.6 of RMSE, 0.86 of R2, and 0,6 seconds of training time. Base performance by using 50 components of PLSR is 23.07 of RMSE, 0.87 of R2, and 0,63 seconds of training time. After using artificial bee colony algorithm to optimize the PLSR prediction models, the results are  22.8 of RMSE, 0.87 of R2, and 13,6 seconds of training time by using 35 components of PLSR and 22.69 of RMSE, 0.88 of R2, and 13,7 seconds of training time by using 50 components of PLSR."