Hasil Pencarian  ::  Simpan CSV :: Kembali

"Menangis merupakan bahasa pertama yang dikuasai oleh bayi yang baru lahir. Tangisan bayi ini menjadi sinyal untuk orang tua atau pengasuh agar memberikan perlindungan dan kenyamanan yang dibutuhkan oleh bayi. Umumnya bayi membutuhkan pertolongan pengasuhnya ketika merasa haus, mengantuk, tidak dapat bersendawa, mengalami masalah perut dan merasa tidak nyaman. Apabila pertolongan tidak segera diberikan maka dapat membahayakan bayi tersebut. Namun terdapat faktor psikologis dan pengetahuan orang tua yang kurang dalam memahami setiap tangisan bayi. Berdasarkan masalah tersebut, studi klasifikasi arti tangisan bayi menjadi salah satu domain yang mulai dikembangkan agar dapat membantu orang tua dan pengasuh dalam memahami bayi. Berbagai metode diusulkan untuk memberikan hasil terbaik namun terdapat tantangan dalam studi ini yaitu sinyal suara tangis bayi yang susah dikenali karakteristiknya dibandingkan suara verbal dewasa. Oleh karena itu, penelitian ini mengusulkan pengembangan metode gabungan dari CNN dan RNN untuk mengatasi tantangan dan permasalahan pada studi pengenalan tangisan bayi. Hasil akurasi terbaik metode usulan CRNN mencapai 87,31%.

---

Crying is the first communication language of newborns. Infant cries can be considered as a cue that hopefully motivate parents and caregivers to give affection, safety, and protection to their infants. Generally, infant cries can be caused by many different reasons, for example when they feel hungry, sleepy, uncomfortable, want to burp, and have a stomachache. If the caregivers do not give their need immediately, it may get worse and harm their safety. But there are some psychological factors and lack of knowledge in understanding each infant’s cries. Based on these problems, the study of infant cry classification becomes one of the studies that began to be developed in order to help parents and caregivers understand their infants. Various methods have been proposed to provide the best result, but there is a challenge in this study which is infant cries signal is difficult to recognize compared to adult speech. Therefore, this study proposes the development CNN and RNN combination methods to overcome challenges and problems in the study of infant cry classification. We obtain best result of CRNN performance up to 87,31%."

"Hati adalah salah satu organ yang paling aktif secara metabolik di dalam tubuh dan berfungsi dalam proses homeostatis dan sintetik yang penting untuk kelangsungan hidup manusia. Kanker hati diperkirakan menjadi kanker keenam yang paling sering didiagnosis dan penyebab utama kematian keempat akibat kanker di seluruh dunia pada tahun 2018. Dalam mendeteksi kanker hati, terdapat metode magnetic resonance imaging (MRI) atau computed tomography (CT) yang digunakan. Namun, kurang dari 40% pasien didiagnosis pada tahap awal dan pada kanker hati lanjut hanya pilihan pengobatan paliatif yang tersedia dengan kelangsungan hidup yang buruk. Oleh karena itu, diperlukannya riset-riset terkait metode yang tepat untuk mengklasifikasi kanker hati. Salah satu metode yang dapat digunakan adalah machine learning yang menemukan pola melalui pembelajaran historis dan tren pelatihan data untuk memprediksi karakteristik data baru. Pada tugas akhir ini, dua metode machine learning yang digunakan adalah Convolutional Neural Network (CNN) dan Gated Recurrent Unit (GRU). Keutamaan dari CNN adalah adanya konvolusi yang bertugas untuk mengubah input menjadi sekumpulan fitur melalui filter atau kernel. Sedangkan keutamaan metode GRU adalah adanya update gate dan reset gate yang dapat mengingat informasi penting sebelumnya. Pada tugas akhir ini, CNN digunakan dalam mengekstraksi data citra dan GRU digunakan untuk klasifikasi data citra. Penggabungan metode CNN dan GRU menjadi CNN-GRU bertujuan untuk meningkatkan performa dari CNN dalam mengklasifikasi data citra kanker hati. CNN-GRU menghasilkan nilai akurasi terbesar 81,25% sedangkan CNN menghasilkan nilai akurasi terbesar 77,78% dari lima kali percobaan.

---

The liver is one of the most metabolically active organs in the body and functions in the homeostatic and synthetic processes essential for human survival. Liver cancer is estimated to be the sixth most frequently diagnosed cancer and the fourth leading cause of cancer death worldwide in 2018. In detecting liver cancer, magnetic resonance imaging (MRI) or computed tomography (CT) methods are used. However, less than 40% of patients are diagnosed at an early stage, and in advanced liver cancer, only palliative treatment options are available with poor survival. Therefore, research is needed regarding the right method to classify liver cancer. One method that can be used is machine learning which finds patterns through historical learning and data training trends to predict the characteristics of new data. In this final project, the two machine learning methods used are Convolutional Neural Network (CNN) and Gated Recurrent Unit (GRU). The advantage of CNN is a convolution whose task is to convert the input into a set of features through a filter or kernel. Meanwhile, the advantage of GRU method is that can remember important previous information because GRU has reset and update gate. In this final project, CNN is used in extracting image data and GRU is used for image data classification. The combination of the CNN and GRU methods into CNN-GRU aims to improve the performance of CNN in classifying liver cancer image data. CNN-GRU produced the greatest accuracy value of 81.25% while CNN produced the greatest accuracy value of 77.78% from five experiments."

"Penyakit kardiovaskular, khususnya aritmia, merupakan salah satu penyebab utama kematian di dunia. Aritmia terjadi akibat gangguan irama jantung yang dapat dideteksi menggunakan Elektrokardiogram (EKG), yang dideteksi dengan menganalisa perubahan atau kejanggalan dari sinyal EKG yang dilihat oleh pengamat. Namun, sinyal EKG seringkali tidak akurat karena bersifat non-linear dan memiliki amplitudo rendah, sehingga perubahan kecil mungkin dilalaikan oleh mata telanjang manusia. Oleh karena itu, diperlukan metode yang lebih efektif dalam mengklasifikasikan aritmia. Penelitian ini mengusulkan penggunaan metode Bidirectional Recurrent Convolutional Neural Network (BiRCNN) untuk klasifikasi sinyal EKG. Metode BiRCNN menggabungkan Convolutional Neural Network (CNN) yang mengekstraksi fitur morfologi sinyal EKG dan Recurrent Neural Network (RNN) yang menangkap informasi temporal dari detak jantung. Gabungan kedua metode ini diharapkan dapat memberikan hasil yang akurat dan konsisten. Data yang digunakan dalam penelitian ini berasal dari Basis Data MIT-BIH Arrhythmia, yang terdiri dari ribuan rekaman detak jantung normal dan aritmia. Data yang digunakan melalui tahap praproses dengan memilih segmen sinyal EKG dengan 187 titik waktu, dengan normalisasi pada semua data agar berada dalam rentang amplitudo yang sama. Untuk mengatasi ketidakseimbangan kelas dalam dataset, metode SMOTE digunakan untuk meningkatkan jumlah sampel kelas minoritas hingga mencapai 100% dari jumlah sampel kelas mayoritas, sehingga memastikan distribusi data yang lebih seimbang. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, sensitivitas, spesifisitas, dan nilai AUC-ROC. Hasil penelitian dari lima simulasi pembangunan model menunjukkan bahwa metode BiRCNN memiliki kinerja yang baik dalam klasifikasi aritmia, dengan rata-rata nilai akurasi sebesar 98.25%, sensitivitas sebesar 94.67%, spesifisitas sebesar 98.70%, dan AUC-ROC sebesar 99.44%. Berdasarkan hasil penelitian tersebut, metode ini mampu mengidentifikasi aritmia secara konsisten dengan ketepatan yang cukup baik.

---

Cardiovascular disease, particularly arrhythmia, is one of the leading causes of death in the world. Arrhythmias occur due to heart rhythm disturbances that can be detected using an Electrocardiogram (ECG), detected by analyzing the changes or irregularities in the ECG signal seen by the observer. However, ECG signals are often inaccurate because they are non-linear and have low amplitude, so small changes may be overlooked by the naked human eye. Therefore, a more effective method of classifying arrhythmias is needed. This research proposes the use of Bidirectional Recurrent Convolutional Neural Network (BiRCNN) method for ECG signal classification. The BiRCNN method combines a Convolutional Neural Network (CNN) that extracts morphological features of ECG signals and a Recurrent Neural Network (RNN) that captures temporal information of the heartbeat. The combination of these two methods is expected to provide accurate and consistent results. The data used in this study comes from the MIT-BIH Arrhythmia Database, which consists of thousands of normal and arrhythmic heartbeat recordings. The data used went through a preprocessing stage by selecting ECG signal segments with 187 time points, with normalization on all data to be in the same amplitude range. To overcome the class imbalance in the dataset, the SMOTE method was applied to increase the number of minority class samples to 100% of the number of majority class samples, thus ensuring a more balanced data distribution. Model performance evaluation was performed using accuracy, sensitivity, specificity, and AUC-ROC value metrics. The results of five model fitting simulations showed that the BiRCNN method performed well in arrhythmia classification, with an average accuracy value of 98.25%, sensitivity of 94.67%, specificity of 98.70%, and AUC-ROC of 99.44%. Based on the results, this method is able to identify arrhythmias consistently with fairly good accuracy."

"Pada beberapa orang difabel mengalami kesulitan pada saat bergerak dalam aktivitas sehari-harinya. Penggunaan prostetik dapat mengurangi keterbatasan tersebut. Pada penggunaan prostetik dapat dimodifikasi dengan alat bantu gerak (aktuator) yang dikendalikan oleh brain computer interface (BCI) guna mengontrol prostetik dengan gelombang otak. Aktivitas membayangkan melakukan gerak motorik yang disebut motor imagery (MI) apabila dapat di-recognition dapat memudahkan pada difabel untuk mengendalikan prostetik miliknya. Tulisan ini bertujuan untuk menjelaskan bagaimana me-recognition sinyal elektroensefalografi (EEG) dengan mencoba mengklasifikasikan sinyal MI EEG. Simulasi dilakukan pada bahasa Python pada framework Tensorflow, Keras. Jenis machine learning yang dipilih adalah Convolutional Neural Network (CNN). Dataset diperoleh dari PhysioNet.org, diolah dengan metode Continuous Wavelet Transformation (CWT) dengan library MNE.

---

Some people with disabilities have trouble doing their daily activities. Prosthetics could reduce the difficulties to some degree. The use of a prosthetic can be modified by the addition of an actuator (generate of motion) driven by BCI (brain computer interface) to control prosthetic by brain waves. If we could make the recognition of the brain wave in imaginary activities of motoric movement called motor imagery (MI), it would help people with disabilities to better control their prosthetics. This article’s aim to describe how to do the recognition of EEG signals (electroencephalography) by trying to classify the MI EEG signals. The simulation was run in Phyton on a Tensorflow framework, with a keras wrapper. Convolutional Neutral Network (CNN) was chosen in this research as the machine learning. The datasets gathered from PhysioNet.org were transformed using the library MNE with the Continuous Wavelet Transformation (CWT) method."

"Survei Kesehatan Indonesia (SKI) tahun 2023 yang dilakukan oleh Kementerian Kesehatan (Kemenkes) ada sekitar 70 juta perokok aktif di Indonesia. Apabila dihitung dari populasi penduduk Indonesia ada 28,62% penduduk yang merokok di tahun 2023 dan persentase ini meningkat dari tahun sebelumnya sebanyak 0,36%. Perilaku merokok ini menyebabkan berbagai penyakit seperti penyakit paru-paru kronis, kerusakan gigi, penyakit mulut, stroke, serangan jantung, kanker rahim, gangguan mata, dan kerusakan pada rambut. Untuk menekan jumlah perokok di Indonesia, diperlukan sistem untuk deteksi perokok. Deteksi perokok saat ini memakan biaya yang mahal, bantuan ahli, dan sistem yang kompleks. Oleh karena itu, deep learning dengan algoritma Convolutional Neural Network hadir sebagai solusi untuk mengatasi masalah tersebut. Skripsi ini membahas bagaimana merancang sistem deep learning dengan Convolutional Neural Network (CNN) untuk keperluan deteksi wajah perokok. Skripsi ini juga membahas bagaimana pengaruh berbagai skenario jumlah data pelatihan dan data pengujian serta penambahan ekstraksi fitur wajah terhadap metrik evaluasi . Hasil dari rancangan dievaluasi dengan metrik evaluasi kalkulasi loss function, akurasi, dan F1 score. Hasil simulasi menunjukan skenario data pelatihan 70% dan data pengujian 30% adalah skenario terbaik dengan nilai metrik evaluasi pengujian pada skenario ini sebesar 2.236 untuk loss, 54.5% untuk akurasi, dan 34.9% untuk F1 score. Skenario ini diimprovisasi dengan adanya penambahan ekstraksi fitur perokok pada awal preprocessing yang ditandai dari penurunan loss sebesar 65.65%, peningkatan akurasi sebesar 19%, dan peningkatan F1 score sebesar 24.08%.

---

The 2023 Indonesian Health Survey (SKI) conducted by the Ministry of Health (Kemenkes) reported that there are approximately 70 million active smokers in Indonesia. This accounts for 28.62% of the Indonesian population in 2023, representing a 0.36% increase from the previous year. Smoking behavior leads to various diseases such as chronic lung disease, tooth damage, oral diseases, stroke, heart attacks, uterine cancer, eye disorders, and hair damage. To reduce the number of smokers in Indonesia, a smoker detection system is necessary. Current smoker detection methods are expensive, require expert assistance, and involve complex systems. Therefore, deep learning with Convolutional Neural Network (CNN) algorithms presents a solution to address these issues. This thesis discusses how to design a deep learning system using Convolutional Neural Networks (CNN) for smoker face detection. It also examines the impact of different training and testing data scenarios and the addition of facial feature extraction on evaluation metrics. The designed system is evaluated using metrics such as loss function calculation, accuracy, and F1 score. The simulation results show that a scenario with 70% training data and 30% testing data is the best scenario, yielding evaluation metric values of 2.236 for loss, 54.5% for accuracy, and 34.9% for F1 score. This scenario was improved with the addition of smoker feature extraction in the preprocessing stage, resulting in a 65.65% reduction in loss, a 19% increase in accuracy, and a 24.08% increase in F1 score."

"Speech Emotion Recognition adalah teknologi yang mampu bisa mendeteksi emosi lewat data suara yang diproses oleh sebuah mesin. Media yang sering digunakan untuk menjadi media interaksi antara 2 orang atau lebih yang saat ini sedang digunakan oleh banyak orang adalah Podcast, dan Talkshow. Seiring berkembangya SER, penelitian terakhir menunjukkan bahwa penggunaan metode Deep Learning dapat memberikan hasil yang memuaskan terhadap sistem SER. Pada penelitian ini akan diimplementasikan model Deep Learning yaitu dengan Recurrent Neural Network (RNN) variasi Long Short Term Memory (LSTM) untuk mengenali 4 kelas emosi (marah, netral, sedih, senang). Penelitian ini menguji model yang digunakan untuk mengenali emosi dari fitur akustik pada data secara sekuensial. Skenario training dan testing dilakukan dengan metode one-against-all dan mendapatkan hasil (1) Dataset talkshow mengungguli dataset podcast untuk tipe 1 dan 2 dan untuk semua emosi yang dibandingkan; (2) Untuk dataset podcast pada emosi marah, senang, dan sedih didapatkan akurasi optimal pada dataset tipe 1 yaitu 67.67%, 71.43%, dan 68,29%, sedangkan untuk emosi netral didapatkan akurasi terbaik pada dataset tipe 2 dengan 77.91%; (3) Untuk dataset talkshow pada emosi marah, netral, dan sedih didapatkan akurasi terbaik pada dataset tipe 2 yaitu 78.13%, 92.0%, dan 100%. Dapat disimpulkan bahwa dataset talkshow secara garis besar memberikan hasil yang lebih optimal namun memiliki variasi data yang lebih sedikit dari dataset podcast. Dari sisi panjang data, pada penelitian ini didapatkan akurasi yang lebih optimum pada dataset dengan tipe 2.

---

Speech Emotion Recognition is a technology that is able to detect emotions through voice data that is processed by a machine. Media that is often used to be a medium of interaction between two or more people who are currently being used by many people are Podcasts, and Talkshows. As SER develops, recent research shows that the use of the Deep Learning method can provide satisfactory results on the SER system. In this study a Deep Learning model will be implemented, this study uses Long Short Term Memory (LSTM) as one of the variation of Recurrent Neural Network (RNN) to recognize 4 classes of emotions (angry, neutral, sad, happy). This study examines the model used to recognize emotions from acoustic features in sequential data. Training and testing scenarios are conducted using the one-against-all method and get results (1) The talkshow dataset outperforms the podcast dataset for types 1 and 2 and for all emotions compared; (2) For the podcast dataset on angry, happy, and sad emotions, the optimal accuracy in type 1 dataset is 67.67%, 71.43%, and 68.29%, while for neutral emotions the best accuracy is obtained in type 2 dataset with 77.91%; (3) For the talkshow dataset on angry, neutral, and sad emotions the best accuracy is obtained for type 2 datasets, namely 78.13%, 92.0%, and 100%. It can be concluded that the talkshow dataset in general gives more optimal results but has fewer data variations than the podcast dataset. In terms of data length, this study found more optimum accuracy in dataset with type 2."

"Penggunaan analisis sentimen semakin umum digunakan. Dalam pengembangan analisis sentimen ini banyak tantangan yang perlu dihadapi. Karena analisis ini termasuk Natural Language Processing NLP, hal yang perlu dimengerti adalah kompleksitas bahasa. Dengan berkembangnya teknologi Artificial Neural Network, ANN semakin banyak permasalahan yang bisa diselesaikan. Ada banyak contoh struktur ANN dan untuk penelitian ini yang digunakan adalah Convolutional Neural Network CNN dan Recurrent Neural Network RNN. Kedua jenis ANN tersebut sudah menunjukkan performa yang baik untuk beberapa tugas NLP. Maka akan dilakukan analisis sentimen dengan menggunakan kedua jenis ANN tersebut dan dibandingkan kedua performa ANN tersebut. Untuk data yang akan digunakan diambil dari publikasi stanford dan untuk mengubah data tersebut bisa digunakan pada ANN digunakan word2vec. Hasil dari analisis menunjukkan bahwa RNN menunjukkan hasil yang lebih baik dari CNN. Walaupun akurasi tidak terlalu terlihat perbedaan yaitu pada RNN yang mencapai 88.35 0.07 dan CNN 87.11 0.50, tetapi waktu pelatihan RNN hanya membutuhkan waktu 8.256 detik sedangkan CNN membutuhkan waktu 544.366 detik.

---

Term of sentiment analysis become popular lately. There are many challenges developing sentiment analysis that need to be addressed. Because this kind analysis is including Natural Language Processing, the thing need to understand is the complexity of the language. With the current development of Artificial Neural Network ANN, more problems can be solved.

There are many type of ANN and for this research Convolutional Neural Network CNN and Recurrent Neural Network will be used. Both already showing great result for several NLP tasks. Data taken from stanford publication and transform it with word2vec so could be used for ANN.

The result shows that RNN is better than CNN. Even the difference of accuracy is not significant with 88.35 0.07 for RNN and 87.11 0.50 for CNN, the training time for RNN only need 8.256 secods while CNN need 544.366 seconds."

"Kemajuan di bidang teknologi dan kecerdasan buatan memungkinkan inspeksi otomatis dapat dilakukan. Sebuah drone dilengkapi kamera yang dapat mengidentifikasi permasalahan struktur kapal seperti korosi akan membuat proses inspeksi kapal menjadi lebih efisien dari segi waktu dan biaya yang dibutuhkan sekarang. Pada studi ini dibuat model yang dilatih untuk dapat mengidentifikasi korosi secara otomatis dengan algoritma Convolutional Neural Network memanfaatkan metode transfer learning. MobileNetV2 dipilih sebagai artsitektur model klasifikasi yang memanfaatkan transfer learning dari ImageNet ke dalam dataset yang digunakan. Berdasarkan model yang telah dibuat model mencapai nilai akurasi training sebesar 92,86% dengan loss sebesar 0.0578 dan akurasi validasi sebesar 90,66% dengan loss sebesar 0.0091. Secara keseluruhan, model mempunyai performa yang baik dalam proses training maupun validasi dataset. Tidak ada indikasi overfitting berdasarkan kurva akurasi dan loss.

---

Advancements in technology and artificial intelligence make automated inspections become possible to do. A drone which is mounted with a camera identifying ship structural issues such as corrosion will make ship inspections become more efficient for a fraction of time and cost that is currently needed. In this study, a trained model is made in order to automatically identify corrosion using Convolutional Neural Network employing transfer learning method. MobileNetV2 is chosen as a classification model architecture which leverages transfer learning from ImageNet to the dataset. According to the data, the model achieved a training accuracy of 92,86% with loss 0.0578 and a validation accuracy of 90,66 with loss 0.0091. Overall, the model performs well on both the training and validation datasets. There is not any indication of overfitting based on their accuracy and loss curves."

"ABSTRAKDaerah perbatasan perairan Indonesia merupakan salah satu wilayah yang rentan akan kegiatan ilegal yang dapat merugikan negara. Oleh karena itu, perlu adanya pengawasan untuk setiap objek yang melewati perbatasan perairan tersebut. Pengawasan dapat dilakukan dengan pendeteksian jenis kapal yang melewati area perbatasan antar negara. Saat ini di Indonesia sudah terdapat pendeteksian khusus untuk mendeteksi adanya kapal perang asing. Selain kapal perang, kapal nelayan juga perlu dilakukan pengawasan untuk mencegah adanya illegal fishing. Pendeteksian kapal perang dan kapal nelayan dapat dilakukan dengan menggunakan mesin. Mesin dapat diprogram untuk menjalani perintah secara berulang kali, hal tersebut disebut sebagai Machine Learning, yang merupakan salah satu bidang dari Artificial Intelligence. Metode untuk memprogram pembelajaran mesin tersebut disebut dengan Deep Learning. Deep learning bekerja dengan membentuk hubungan antara neuron seperti layaknya cara kerja otak manusia atau biasa disebut dengan neural network.Salah satu jenis dari neural network yang terkenal adalah Convolutional Neural Network(CNN). CNN digunakan untuk simulasi pendeteksian kapal nelayan dan kapal militer dengan hasil keluaran berupa nilai akurasi training, akurasi validasi, dan juga prediksi. CNN juga ditambahkan additional layer, yaitu dropout dan batch normalization untuk meningkatkan ketepatan prediksi. Hasil yang didapatkan adalah pengaruh dari parameter layer dan dataset yang digunakan terhadap nilai akurasi pada pelatihan program. Dari simulasi didapatkan nilai akurasi yang paling baik dengan penggunaan pooling layer jenis max pooling dengan penggunaan layer tambahan berupa batch normalization dan dropout.

---

ABSTRACT

Indonesia's waters border is one of the areas that are vulnerable to illegal activities that can disserve the country. Detecting types of ships that cross border areas between countries is needed. Controlling can use machine thats automatically detect the object can do detection of warships and fishing boats. The concept is called machine learning. Machine learning is one of the types of Artificial Intelligence. The method for programming the machine learning is called Deep Learning. Deep learning works by forming relationships between neurons like the way the human brain works or commonly called a neural network. Convolutional Neural Network (CNN) is the famous method for deep learning. CNN is used to simulate the detection of fishing vessels and military vessels with the output in the form of training accuracy, validation accuracy, and the final prediction. CNN can also added an additional layer, namely dropout and batch normalization to improve the accuracy of predictions. The results obtained are the effect of the layer and dataset parameters used on the accuracy value in the training program. The best accuracy is obtained by using max pooling for pooling layer with additional layers of batch normalization and dropout."