Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAK: Iridologi adalah studi tentang pola dan warna pada iris mata untuk menentukan informasi tentang kesehatan pasien secara keseluruhan. Salah satu pola yang dapat dilihat adalah Lymphatic Rosary yang terlihat seperti bintik – bintik kecil berwarna putih seperti awan yang mengililingi iris mata membentuk menyerupai untaian mutiara atau rosario. Lymphatic Rosary mengindikasikan adanya penyumbatan pada saluran limfa, yang dapat menyebabkan daya tahan tubuh terhadap stress dan penyakit melemah, menjadi rentan terhadap penyakit. Telah banyak penilitian yang dilakukan menggunakan Deep Learning ataupun Machine Learning terkait Iridologi untuk melakukan pengenalan pada pola dan warna pada iris mata secara otomatis untuk mendeteksi berbagai penyakit, seperti diabetes dan kolestrol yang tinggi. Tetapi belum ada penelitian yang mengaplikasikan Deep Learning ataupun Machine Learning untuk melakukan pengenalan otomatis pada Lymphatic Rosary. Penelitian ini akan mengevaluasi performa model Deep Learning dalam melakukan pengenalan otomatis pada Lymphatic Rosary untuk melakukan klasifikasi pada gambar mata normal dan gambar mata dengan Lymphatic Rosary menggunakan algoritma SVM, KNN dan CNN. Dari algoritma yang diuji, algoritma CNN tidak berhasil dalam mengklasifikasikan gambar mata normal dengan gambar mata dengan Lymphatic Rosary. Hasil dari algoritma SVM mendapatkan tingkat akurasi yang paling tinggi, sampai 98,62%.

---

Abstract : Iridology is the study of the pattern and color of the iris of the eyes to determine information about the patient's overall health. One of the patterns that can be seen is the Lymphatic Rosary which looks like small white spots like clouds that surround the irises to form like a string of pearls or a rosary. Lymphatic Rosary is an obstruction in the lymph channels, which can cause the body's resistance to stress and disease to weaken, making it susceptible to disease. Many studies have been carried out using Deep Learning or Machine Learning related to Iridology to automatically recognize patterns and colors in the iris to detect various disease, such as diabetes and high cholesterol. But there is no research that applies Deep Learning or Machine Learning to perform automatic recognition of the Lymphatic Rosary. This study will analyze the performance of the Deep Learning model in performing automatic recognition on the Lymphatic Rosary to classify images of normal eyes and images of eyes with the Lymphatic Rosary using the SVM, KNN and CNN algorithms. Of the algorithms tested, the CNN algorithm was not successful in classifying normal eye images with eye images with the Lymphatic Rosary. The results of the SVM algorithm get the highest level of accuracy, up to 98.62%"

"Dengan bertambahnya populasi di Bumi ini, meningkat juga kebutuhan pangan dalam kehidupan. Karena itu, dunia agrikultur diharuskan dapat berjalan dengan efektif dan aman dari ancaman. Meski begitu, pengawasan perkebunan tidak dapat dilakukan oleh manusia terus-menerus, sehingga lahan tersebut dapat diserang oleh gulma, yaitu hama tanaman yang tumbuh dan mengambil nutrisi tanah yang membantu pertumbuhan tanaman agrikultur. Dengan adanya pertimbangan ini, dirancang sistem deteksi objek yang menggunakan ekstraksi objek yang dapat mengambil fitur dari dedaunan tanaman dan membandingkannya dengan fitur dedaunan gulma. Fitur yang diambil berupa bentuk dari daun, dilihat melalui ekstraksi fitur titik ujung suatu objek melalui Oriented FAST and Rotated BRIEF (ORB), dan ekstraksi fitur tekstur objek melalui Local Binary Pattern (LBP). Kedua ekstraksi fitur ini digabungkan melalui metode normalisasi dan z-score, dan akan dijalankan dalam bahasa Python. Evaluasi dilakukan dengan membandingkannya dengan bila sistem dijalankan dengan ORB sendiri dan LBP sendiri, melalui akurasinya. Selain itu, dilakukan evaluasi terhadap SVM untuk klasifikasi citra, dengan menentukan akurasi mana yang lebih tinggi di antara SVC dengan tiga kernel linear, RBF, dan polynomial, atau LinearSVC. Hasil penelitian menunjukan bahwa model deteksi objek menggunakan ORB saja memiliki akurasi lebih tinggi dengan nilai akurasi 0.912 dibanding dengan model deteksi objek dengan LBP yang memiliki akurasi 0.808. Untuk evaluasi model klasifikasi SVM yang sudah menggunakan ekstraksi fitur LBP, SVC dengan kernel linear dan RBF memiliki akurasi yang tinggi, di mana SVC dengan kernel linear memiliki nilai 0.77, dan dengan RBF 0.79. Namun, peningkatan dari akurasi SVC dengan RBF tidak dapat menandingi waktu eksekusi SVC dengan kernel linear yang memiliki nilai 2.62 ms, bila dibanding dengan kernel RBF yang mencapai 3.76 ms.

---

, With the increase in Earth’s population, the daily need for food also rises. Due to this, the world of agriculture must run effectively and safe from any threats. However, constant observations of plantations by humans are not possible, leading to the fields to be overgrown by weeds, a pest in the form of plants that grow and take the nutrients of planted crops. With this in consideration, a detection system utilizing feature extraction algorithms designed that is capable of extracting the features, which are shapes and textures, of leaves and weeds. Shapes are taken into account by edge-based feature extraction model, Oriented FAST and Rotated BRIEF(ORB), while textures are analyzed by binary-based Locab Binary Pattern (LBP). These two features are joined using normalization and z-score method, and is run using Python. Evaluation is done by comparing the system with two others using only ORB and LBP, through its accuracy in the system. Other than that, Evaluation will be done on SVM-based image classification, by deciding which of the SVM with three different kernels, linear, RBF and polynomial, and LinearSVC, has the highest accuracy. After evaluation, it is found that ORB is a better feature extraction algorithm within the system, with an accuracy of 0.912, followed by LBP with accuracy of 0.808. For evaluation on SVM with LBP as feature extraction algorithm, SVC with linear and RBF kernels are two of the highest classification models in term of accuracy, with SVC with linear kernel having 0.77 in value, while SVC with RBF kernel having 0.79. However, the 0.02 increase in SVC with RBF kernel’s accuracy is negligible, due to having a longer execution time of 3.76 ms, while SVC with linear kernel has 2.62 ms, making SVC with linear kernel a better choise due to efficiency."

"Seiring dengan berjalannya waktu, jumlah populasi di dunia terus bertambah. Dengan demikian, lebih banyak upaya dan inovasi yang dibutuhkan dalam meningkatkan produksi pertanian secara berkelanjutan. Hal ini bertujuan untuk mengurangi kehilangan dan pemborosan pangan, serta memastikan bahwa tidak ada yang menderita kelaparan dan kekurangan gizi. Dengan berdasarkan kepada Kebijakan RPJMN 2020-2024 dan mengingat bahwa Indonesia merupakan negara agraris, penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi suatu sistem yang mampu mengklasifikasikan tanaman sehat dan gulma berbasis Machine Learning (ML) dengan metode Local Binary Pattern (LBP) sebagai feature extraction dan Extra-Trees sebagai classifier utama. Penelitian ini membuktikan bahwa sistem klasifikasi dengan LBP lebih optimal jika dibandingkan dengan sistem klasifikasi tanpa LBP serta membuktikan bahwa Extra-Trees merupakan classifier yang paling optimal untuk dikombinasikan dengan LBP jika dibandingkan dengan classifier lainnya. Hasilnya, tingkat akurasi dari sistem klasifikasi yang mengimplementasikan LBP sebagai ekstraksi fitur, yakni 99.65%, lebih tinggi daripada sistem klasifikasi yang tidak mengimplementasikan LBP, yakni 98%. Sistem klasifikasi yang mengimplementasikan LBP memperoleh nilai TPR / Sensitivity sebesar 99.3915, FPR sebesar 0.0986, TNR / Specificity sebesar 99.9014, dan FNR sebesar 0.6085. Selain itu, Extra-Trees menjadi classifier dengan tingkat akurasi tertinggi ketika dikombinasikan dengan LBP, jika dibandingkan dengan classifier lainnya. Urutan classifier yang dikombinasikan dengan LBP mulai dari tingkat akurasi tertinggi hingga tingkat akurasi terendah adalah Extra-Trees (99.65%), Stacking (99.55%), Bagging (99.4%), Random Forest (99.4%), Ada Boost (99.35%), Extra Tree (99.25%), Linear SVC (99.25%), MLP (99.2%), Decision Tree (99%), dan NuSVC (98.8%). Dengan demikian, sistem klasifikasi dengan LBP lebih optimal jika dibandingkan dengan sistem klasifikasi tanpa LBP serta Extra-Trees menjadi classifier yang paling optimal untuk dikombinasikan dengan LBP jika dibandingkan dengan classifier lainnya.

---

Over time, the world's population continues to grow. Thus, more efforts and innovations are needed to increase agricultural production in a sustainable manner. This aims to reduce food loss and waste, as well as ensure that no one suffers from hunger and malnutrition. Based on Kebijakan RPJMN 2020-2024 and remembering that Indonesia is an agricultural country, the author decided to implement and evaluate a system that capable to classifying healthy plants and weeds based on Machine Learning (ML) using the Local Binary Pattern (LBP) method as feature extraction and Extra-Trees as main classifier. This study proves that the classification system with LBP is more optimal than the classification system without LBP and proves that Extra-Trees is the most optimal classifier to be combined with LBP when compared to other classifiers. As a result, the level of accuracy of the classification system that implements LBP as feature extraction, which is 99.65%, is higher than the classification system that does not implement LBP, which is 98%. The classification system that implements LBP has a TPR / Sensitivity value of 99.3915, an FPR of 0.0986, a TNR / Specificity of 99.9014, and an FNR of 0.6085. In addition, Extra-Trees is a classifier with the highest level of accuracy when combined with LBP, if compared to other classifiers. The order of classifiers combined with LBP starting from the highest level of accuracy to the lowest level of accuracy is Extra-Trees (99.65%), Stacking (99.55%), Bagging (99.4%), Random Forest (99.4%), Ada Boost (99.35%), Extra Tree (99.25%), Linear SVC (99.25%), MLP (99.2%), Decision Tree (99%), and NuSVC (98.8%). Thus, the classification system with LBP is more optimal than the classification system without LBP and Extra-Trees is the most optimal classifier to be combined with LBP if compared to other classifiers."

"Kanker payudara adalah sekelompok penyakit di mana sel-sel di jaringan payudara berubah dan membelah secara tidak terkendali, yang biasanya menghasilkan benjolan atau massa. World Health Organization (WHO) telah merilis data dari Global Burden of Cancer (GLOBOCAN) yang menyebutkan bahwa jumlah kasus dan kematian akibat kanker payudara diperkirakan terus meningkat hingga lebih dari 13,1 juta pada tahun 2030. Salah satu metode yang menjadi gold standard dalam mendiagnosis kanker payudara adalah melalui pemeriksaan histopatologi, yang melibatkan pengambilan jaringan utuh melalui operasi, biopsi atau kerokan untuk menentukan jenis tumor payudara baik ganas ataupun jinak. Pemeriksaan ini berfungsi untuk melihat perubahan morfologi sel dari jaringan dengan metode paraffin. Metode machine learning dan deep learning berperan penting dalam klasifikasi kanker payudara. Belakangan ini, metode deep learning telah mengalami kemajuan yang besar dan kinerja yang baik dalam visi computer dan pemrosesan gambar yang diterapkan dalam metode klasifikasi pada citra gambar histopatologi. Dalam penelitian ini, penulis mengklasifikasi dua kelas pada kanker payudara menggunakan metode Xtreme of Inception (Xception) pada data citra histopatologi menjadi dua kelas, yaitu kelas jinak dan kelas ganas, yang terbagi menjadi dua kasus, dimana kasus 1 memiliki rasio pemisah data dimana data training : validation : testing sebesar 8:1:1 dan kasus kedua memiliki rasio 7:2:1. Dari hasil simulasi yang telah dilakukan, diperoleh hasil evaluasi dari kedua kasus penelitian bahwa pada evaluasi training model, kasus 1 memiliki hasil terbaik dimana pemisah data memiliki rasio 8:1:1 yang memiliki rata-rata accuracy 98,11%, validation 98,45% serta running time 663027.5772 ms. Seperti halnya pada evaluasi training model, pada evaluasi testing model kasus 1 dengan rasio pemisah data 8:1:1 memiliki hasil terbaik yaitu precision 96,56%, recall 99,55%, accuracy 99,55% serta running time 607,6727 ms.

---

Breast cancer is a group of diseases in which cells in the breast tissue change and divide uncontrollably, which usually results in a lump or mass. The World Health Organization (WHO) has released data from the Global Burden of Cancer (GLOBOCAN) which states that the number of cases and deaths from breast cancer is expected to continue to increase to more than 13.1 million in 2030. One of the methods that has become the gold standard in diagnosing Breast cancer is through histopathological examination, which involves taking intact tissue through surgery, biopsy or scraping to determine the type of breast tumor whether malignant or benign. This examination serves to see changes in cell morphology of tissues with the paraffin method. Machine learning and deep learning methods play an important role in breast cancer classification. Recently, deep learning methods have experienced great progress and good performance in computer vision and image processing applied in classification methods on histopathological images. In this study, the authors classified two classes of breast cancer using the Xtreme of Inception (Xception) method on histopathological image data into two classes, namely the benign class and the malignant class, which were divided into two cases, where case 1 had a data separator ratio where the training data : validation : testing is 8:1:1 and the second case has a ratio of 7:2:1. From the simulation results that have been carried out, the evaluation results of the two research cases show that in the training model evaluation, case 1 has the best results where the data separator has a ratio of 8:1:1 which has an average accuracy of 98.11%, validation of 98.45 % and running time 663027.5772 ms. As with the evaluation of the training model, the evaluation of testing model case 1 with a data separation ratio of 8:1:1 has the best results, namely 96.56% precision, 99.55% recall, 99.55% accuracy and 607.6727 ms running time."

"Diagnosis COVID-19 dapat dilakukan dengan berbagai metode, salah satunya dengan interpretasi citra medis rongga dada menggunakan machine learning. Namun, metode ini memiliki memerlukan waktu dan biaya yang besar, tidak ada standar dalam pengambilan gambar citra medis, dan pelindungan privasi pada data pasien. Model yang dilatih dengan dataset publik tidak selalu dapat mempertahankan performanya. Diperlukan metode pengklasifikasi berbasis multicenter yang dapat memiliki performa optimal pada dataset yang berbeda-beda. Skenario pertama dengan melatih model menggunakan arsitektur VGG-19 dan ConvNeXt dengan gabungan seluruh data dan masing-masing data. Lalu dilakukan fine tuning terhadap model yang dilatih pada gabungan seluruh data. Skenario kedua dengan Unsupervised Domain Adaptation berbasis maximum mean discrepancy dengan data publik sebagai source domain dan data privat sebagai target domain. Metode transfer learning dengan fine-tuning model pada arsitektur VGG-19 menaikkan train accuracy pada data Github menjadi 95% serta menaikkan test accuracy pada data Github menjadi 93%, pada data Github menjadi 93%, pada data RSCM menjadi 72%, dan pada data RSUI menjadi 75%. Metode transfer learning dengan fine-tuning model pada arsitektur ConvNeXt menaikkan evaluation accuracy pada data RSCM menjadi 73%. Metode unsupervised domain adaptation (UDA) berbasis maximum mean discrepancy (MMD) memiliki akurasi sebesar 89% pada dataset privat sehingga merupakan metode yang paling baik. Berdasarkan GRAD-CAM, model sudah mampu mendeteksi bagian paru-paru dari citra X-Ray dalam memprediksi kelas yang sesuai.

---

Diagnosis of COVID-19 can be done using various methods, one of which is by interpreting medical images of the chest using machine learning. However, this method requires a lot of time and money, there is no standard in taking medical images, and protecting patient data privacy. Models that are trained with public datasets do not always maintain their performance. A multicenter-based classification method is needed that can have optimal performance on different datasets. The first scenario is to train the model using the VGG-19 and ConvNeXt architecture by combining all data and each data. Then, the model trained using combined data is fine tuned. The second scenario uses Unsupervised Domain Adaptation based on maximum mean discrepancy with public data as the source domain and private data as the target domain. The transfer learning method with the fine-tuning model on the VGG-19 architecture increases train accuracy on Github data to 95% and increases test accuracy on Github data to 93%, on Github data to 93%, on RSCM data to 72%, and on data RSUI to 75%. The transfer learning method with the fine-tuning model on the ConvNeXt architecture increases the evaluation accuracy of RSCM data to 73%. The unsupervised domain adaptation (UDA) method based on maximum mean discrepancy (MMD) has an accuracy of 89% in private dataset making it the best method. Based on GRAD-CAM, the model has been able to detect parts of the lungs from X-Ray images in predicting the appropriate class."

"Serangan MitM ini memiliki dampak yang cukup besar dan dapat membuka jalan untuk serangan selanjutnya, seperti Phishing. Penelitian ini membahas tentang pendekatan metode hybrid deep learning yang dapat membantu pendeteksian serangan MitM secara efektif. Metode hybrid deep learning yang digunakan dalam penelitian ini adalah CNN-MLP dan CNN-LSTM, yaitu merupakan gabungan dari CNN, MLP, dan LSTM. Selain itu, dalam skenario eksperimennya menggunakan berbagai metode feature scaling (StandardScaler, MinMaxScaler, dan MaxAbsScaler) dan tanpa menggunakan metode feature scaling sebelum melakukan pemodelan, yang kemudian akan ditentukan metode hybrid deep learning yang terbaik untuk mendeteksi serangan MitM dengan baik. Dataset yang digunakan dalam penelitian ini yaitu Kitsune Network Attack Dataset (ARP MitM Ettercap). Hasil dari penelitian ini yaitu metode CNN-MLP dengan 10 epoch menggunakan MaxAbsScaler memiliki nilai accuracy tertinggi, yaitu 99.93%. Pada urutan kedua, CNN-MLP dengan 10 epoch menggunakan StandardScaler memiliki nilai accuracy sebesar 99.89%.

---

Man in the Middle (MitM) has a sizeable impact because it could make the attackers will do another attacks, such as Phishing. This research is discussing about hybrid deep learning methods-approach on detecting MitM attacks effectively. We were used 2 (two) combinations of the Deep Learning methods (CNN, MLP, and LSTM), which are CNN-MLP and CNN-LSTM. Besides that, in the experiment scenarios, we also used various Feature Scaling methods (StandardScaler, MinMaxScaler, and MaxAbsScaler) and without using any Feature Scaling methods before building the models and will determine the better hybrid Deep Learning methods for detecting MitM attack. Kitsune Network Attack Dataset (ARP MitM Ettercap) is the dataset used in this study. The results of this research proves that CNN-MLP that with 10 epoch using MaxAbsScaler has the highest accuracy rate of 99.93%. In second place, CNN-MLP with 10 epoch using StandardScaler has the accuracy rate of 99.89%."

"Twitter merupakan salah satu media sosial yang digunakan secara massive di Indonesia. Para pengguna Twitter ini membicarakan berbagai macam hal, salah satunya terkait pencalonan presiden. Perbincangan para pengguna Twitter ini memiliki nilai sentimen baik positif maupun negatif. Dukungan masyarakat terhadap masing-masing kandidat calon presiden dapat diketahui dengan melihat sentimen masyarakat melalui perbincangan mereka di Twitter, hal ini sering disebut juga sebagai analisis sentimen. Namun, jumlah pengguna dan obrolan para pengguna Twitter yang sangat banyak mengakibatkan data yang akan diproses membutuhkan waktu yang cukup lama. Untuk melakukan proses analisis sentimen para pengguna Twitter secara cepat dan otomatis dapat digunakan bantuan mesin. Salah satu metode yang digunakan untuk melakukan proses analisis sentimen adalah Support Vector Machine (SVM). Pada dasarnya, semakin banyak data yang digunakan sebagai data training dalam pemilihan model fungsi klasifikator maka akan memberikan generalisasi akurasi analisis sentimen untuk data testing yang tinggi pula. Namun di sisi lain, semakin banyaknya data training juga akan menyebabkan besarnya dimensi ruang fitur. Hal ini membuat mesin membutuhkan waktu yang cukup lama dalam melakukan pembentukan fungsi klasifikator. Untuk menanggulangi hal ini, akan dilakukan metode optimasi fitur sehingga mesin dapat tetap membentuk fungsi klasifikator dengan akurasi yang tinggi namun dengan dimensi ruang fitur yang rendah.

---

Twitter is a social media that used in Indonesia massively. Twitter users talk (tweet) about various things, one of them is about presidential nomination. Twitter user conversations have a positive or negative sentiment. Community support for each presidential candidate can be determined by looking at the public sentiment through their conversations on Twitter, this is often referred to sentiment analysis. However, the number of users and tweets cause the data to be processed requires quite a long time. Machine can be used to make the process of Twitter sentiment analysis quickly and automatically. One method that used to perform the sentiment analysis process is a Support Vector Machine (SVM). Basically, the more data that used as data training in the model selection function will give a high accuracy generalization sentiment analysis on data testing. On the other hand, the increasing number of training data will also cause large dimensional feature space. This makes the machine takes a long time to perform model selection. To overcome this problem, feature optimization will be performed. Feature optimization will preserve the high accuracy of the model, but with a low dimensional feature space."

"

Dalam kehidupan kita sehari-hari umumnya banyak barang yang kita butuhkan dan gunakan dalam rumah tangga kita. Mulai dari bahan pangan, minuman, barang untuk membersihkan rumah, barang untuk mencuci pakaian, kudapan, dan lain sebagainya, Pada masyarakat kini banyak barang keperluan sehari-hari tersebut kita beli dan jumpai di berbagai tempat mulai dari warung di dekat rumah, supermarket, toko sembako, dan lain sebagainya. Akhir-akhir ini jumlah supermarket dan minimarket mulai menjamur. Pada tahun 2021 jumlah minimarket di Indonesia mencapai 38.323 gerai yang merupakan peningkatan sebanyak 21,7% dibandingkan pada tahun 2017 yakni hanya sebanyak 31.488 gerai saja. Dengan jumlah gerai yang semakin banyak, banyak masyarakat yang semakin banyak menggunakan jasanya untuk mendapatkan barang-barang kebutuhan sehari-hari mereka. Apalagi bila barang yang dibeli juga cukup banyak sehingga akan sulit untuk mendata barang-barang apa saja yang telah dibeli. Untuk memudahkan hal tersebut, penulis mengajukan sebuah solusi untuk membuat sebuah rancangan sistem yang akan memanfaatkan teknologi Deep Learning untuk mendeteksi tulisan pada struk belanja dari hasil pembelian barang pada minimarket. Hasilnya dari pengujian yang sudah dilakukan pada penelitian ini, masing-masing model Deep Learning memiliki tingkat akurasi mAP50 99,4% dan mAP50:95 72,9% untuk YOLOv5, tingkat akurasi mAP50 99,61% dan mAP50:95 65,19% untuk Faster R-CNN, dan tingkat akurasi mAP50 61,77% dan mAP50:95 98,09% untuk RetinaNet. Dimana YOLOv5 memiliki tingkat akurasi mAP50:95 tertinggi yakni 72,9% dan Faster R-CNN memiliki tingkat akurasi mAP50 tertinggi yakni 99,61%. Dimana pada proses implementasi sistem YOLOv5 dan Faster R-CNN berhasil melakukan proses pengenalan sedangkan RetinaNet gagal untuk melakukannya.

---

In our daily lives, we generally need and use many items in our households. Starting from food ingredients, drinks, household cleaning items, laundry items, snacks, and so on. Nowadays, many of these daily necessities are bought and found in various places such as small shops near our homes, supermarkets, grocery stores, and so on. Recently, the number of supermarkets and minimarkets has increased. In 2021, the number of minimarkets in Indonesia reached 38,323 branches which is an increase of 21.7% compared to 2017 which was only 31,488 branches. With the increasing number of branches, many people are using their services to obtain their daily necessities. Especially when the purchased items are quite a lot so it will be difficult to record what items have been purchased. To facilitate this matter, the author proposes a solution to create a system design that will utilize Deep Learning technology to detect writing on receipts from purchasing items at minimarkets. The results of testing that have been carried out in this study show that each Deep Learning model has an mAP50 accuracy level of 99.4% and mAP50:95 72.9% for YOLOv5, an mAP50 accuracy level of 99.61% and mAP50:95 65.19% for Faster R-CNN, and an mAP50 accuracy level of 61.77% and mAP50:95 98.09% for RetinaNet. YOLOv5 has the highest mAP50:95 accuracy rate at 72.9%, while Faster R-CNN has the highest mAP50 accuracy rate at 99.61%. Where in the implementation process, YOLOv5 and Faster R-CNN systems were able to perform recognition processes while RetinaNet failed to do so."

"Ledakan batu merupakan kecelakaan destruktif yang cukup sering terjadi pada tambang bawah tanah. Seiring dengan berkembangnya teknologi, machine learning hadir sebagai alternatif solusi yang dapat dimanfaatkan dalam langkah preventif atas kasus ledakan batu. Penelitian ini menggunakan GWO-SVM dan XGBoost sebagai model machine learning dalam klasifikasi ledakan batu dan intensitasnya pada tambang bawah tanah. Grey Wolf Optimization (GWO) digunakan sebagai optimizer dari parameter SVM. Intensitas ledakan batu dibedakan atas tidak ada ledakan batu, lemah, sedang dan kuat. Dalam implementasi model, digunakan 467 kasus ledakan batu yang dikumpulkan dari berbagai sumber. Fitur yang digunakan pada penelitian ini meliputi tegangan maksimal tangensial, kekuatan tekan uniaksial, kekuatan tarik uniaksial, koefisien tegangan, koefisien kerapuhan batuan, dan indeks regangan elastis. Sebelum implementasi model dilakukan data preprocessing yang meliputi imputasi missing values, menghapus outlier, normalisasi fitur dan resampling data. Kinerja model dievaluasi berdasarkan nilai metrik accuracy, precision, recall, dan f1-score dengan memerhatikan running time dan proporsi data training berkisar dari 50% hingga 90%. Hasil penelitian menunjukkan bahwa GWO-SVM mengungguli XGBoost baik dalam klasifikasi ledakan batu dengan accuracy 98.0392%, precision 97.8495%, recall 98.2609%, dan f1-score 98.0161% serta klasifikasi intensitas ledakannya dengan accuracy 75.8242%, precision 75.1473%, recall 75.3115%, dan f1-score 75.2150%.

---

Rockburst is a destructive accident that frequently occurs in underground mines. With the advancement of technology, machine learning has emerged as an alternative solution that can be utilized to measures against rockbursts. This research employs GWO-SVM and XGBoost as machine learning models for the classification of rockburst and its intensity in underground mines. Grey Wolf Optimization (GWO) is used as an optimizer for SVM parameters. The intensity of a rockburst is classified into four categories: no rockburst, weak, moderate, and strong. The implementation of the model utilizes 476 cases of rockburst collected from various sources. The features used in this study include maximum tangential stress, uniaxial compressive strength, uniaxial tensile strength, stress coefficient, rock brittleness coefficient, and elastic strain index. Before implementing the model, data preprocessing is conducted, which includes imputing missing values, removing outliers, feature normalization, and data resampling. The performance of the model is evaluated based on metrics such as accuracy, precision, recall, and f1-score with various training data proportions ranging from 50% to 90%. The research results indicate that GWO-SVM outperforms XGBoost in both the classification of rockburst with 98.0392% accuracy, 97.8495% precision, 98.2609% recall, and 98.0161% f1-score as well as intensity with 75.8242% accuracy, 75.1473% precision, 75.3115% recall, and 75.2150% f1-score."

"Uji kendali mutu pada citra mamografi dengan menggunakan fantom CDMAM merupakan langkah penting dalam memastikan kualitas proses diagnostik pada pesawat mamografi. Namun, untuk mengatasi masalah variabilitas manusia dan meningkatkan efisiensi waktu, penggunaan Convolutional Neural Network (CNN) dapat menjadi solusi yang akurat dalam menganalisis citra fantom CDMAM. Penelitian ini menerapkan arsitektur CNN Resnet50 pada total 1.392 citra fantom CDMAM dengan dan tanpa regularizer L2. Hasil prediksi CNN pada rentang diameter 0,10 hingga 0,20 mm menunjukkan tingkat prediksi dengan tingkat kesalahan relatif di bawah 32% pada prediksi satuan dan di bawah 16% pada rata-rata prediksi dari 16 citra. Dari hasil prediksi yang diperoleh, diperlukan optimasi lebih lanjut untuk mencapai akurasi prediksi yang lebih tinggi.

---

Quality control testing on mammography images using CDMAM phantoms is an important step in ensuring the quality of the diagnostic process in mammography devices. However, to overcome human variability issues and improve time efficiency, the use of Convolutional Neural Network (CNN) can be an accurate solution for analyzing CDMAM phantom images. This study applied the CNN architecture ResNet50 to a total of 1.392 CDMAM phantom images with and without L2 regularizer. The CNN prediction results for the diameter range of 0,10 to 0,20 mm showed prediction with relative error below 32% for individual predictions and below 16% for average predictions from 16 images. Based on the obtained prediction results, further optimization is needed to achieve higher prediction accuracy."