Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian bertujuan untuk menentukan rumusan kebutuhan untuk merancang sistem anotasi x-ray secara kolaboratif bagi ahli radiologi dan membuat rancangan desain sistem dan interaksi aplikasi berdasarkan rumusan kebutuhan yang diidentifikasi peneliti. Pembasahan utama dalam penelitian ini terletak pada pengembangan desain antarmuka aplikasi anotasi untuk data x-ray yang mengedepankan aspek-aspek kolaboratif dalam kegiatan anotasi, segmentasi, dan analisis data x-ray. Evaluasi dilakukan pada prototipe yang dikembangkan melalui usability testing dan pengukuran system usability test dengan nilai rerata akhir 75,6 yang diperoleh dari tiga responden eksper. Hasil usability testing yang dilakukan menunjukkan ada beberapa perbaikan yang diperlukan agar potensi manfaat aplikasi dapat dimaksimalkan.

---

The study aims to determine the need for designing a collaborative x-ray annotation system for radiologists and to design system designs and application interactions based on the formulation of needs identified by the researcher. The main discussion in this study lies in the development of annotation application interface design for x-ray data that prioritizes collaborative aspects of x-ray data annotation, segmentation, and analysis activities. The evaluation was conducted through usability testing on a prototype that has been developed through. System usability scale measurement was conducted with a final average value of 75.6 obtained from three expert respondents. The result of usability testing that was conducted shows there are some improvements needed so that the potential benefits of the application can be maximized."

"Didalam menjalankan tugasnya, teknisi penerbangan sering kekurangan data mengenai kondisi mesinnya. Melihat kondisi ini, kami mengembangkan, merancang dan menganalisa kinerja sistem pemeliharaan dan smart monitoring peralatan bandara. Obyeknya adalah Modul Power Supply dan DC-DC conventer di Mesin X-ray. arsitekturnya berdasarkan client-server menggunakan protokol TCP / IP dan HTTP. Raspberry Pi berfungsi sebagai mini web server, database dan access point. Arduino Mega2560 sebagai client difungsikan menerima data suhu, tegangan Alernate Current (AC) dan Direct Current (DC). Arduino Ethernet Shield berfungsi sebagai jembatan pengiriman data ke database Mysql di Raspberry Pi menggunakan kabel UTP. Koneksi antara Raspberry Pi dengan perangkat Android secara Wireless Local Area Network. Pengembangan perangkat lunaknya sesuai tahapan System Development Life Cycle (SDLC) mengggunakan metode prototype. Data sensor ditampilkan di aplikasi Android mobile. Dari hasil pengujian, intergrasi TCP/IP dan HTTP antar perangkat bisa berjalan baik, Hasil data sensor yang ditampilkan di aplikasi android rata rata dibawah 1 % setelah dikalibrasi, Pengujian aplikasinya menggunakan metode black box dan masih diketemukan kekurangan yang perlu disempurnakan. Untuk penilaian Quality Of Experience (QoE) respondennya berjumlah 20 orang teknisi penerbangan. Mean Opinion Score (MOS) aplikasinya untuk performa 72%, kepuasan tampilan User Interface 42 % dan 81% responden menyetujui sistem ini mempermudah dan bermanfaatkan sebagai solusi permasalahan teknis penerbangan dilapangan.

---

In performing their duties, the aviation engineer is often a lack of data regarding the condition of the engine. Seeing this condition, we develop, design and analyze the performance of system maintenance and smart monitoring equipment airport. The object is a module Power Supply and DC-DC conventer in the X-ray machine. based on client-server architecture using TCP / IP and HTTP. Raspberry Pi serves as a mini web server, database and access point.

Arduino Mega2560 functioned as a client receives the data of temperature, voltage Alernate Current (AC) and Direct Current (DC). Arduino Ethernet Shield serves as a bridge sending data to Mysql database in the Raspberry Pi using UTP cable. Connection between the Raspberry Pi with Android devices in Wireless Local Area Network. Phases of the software development using System Development System Life Cycle (SDLC) with the prototype method. Sensor data is displayed in the Android mobile apps.

From the test results, integration of TCP / IP and HTTP can work well across devices, sensor data results are displayed in android application average below 1% after calibration, testing applications using black box and still found deficiencies that need to be refined. For the assessment of Quality Of Experience (QoE) respondents totaled 20 aviation engineer. Mean Opinion Score (MOS) for application performance 72%, satisfaction display User Interface 42% and 81% of respondents agreed and bermanfaatkan system facilitates the solution of technical problems flying field."

"Pencitraan 'X-ray' dapat digunakan sebagai alternatif penunjang diagnostik klinis untuk mendeteksi penyakit COVID-19 pada paru-paru pasien. 'Machine learning' atau 'Deep Learning' akan disematkan pada 'computer-aided-diagnosis' (CAD) untuk meningkatkan efisiensi dan akurasi dalam menangani permasalahan membedakan COVID-19 dengan penyakit lain yang memiliki karakteristik yang serupa. Beberapa sistem kecerdasan buatan berbasis 'Convolutional Neural Network' (CNN) pada penelitian sebelumnya, memiliki akurasi yang menjanjikan dalam mendeteksi COVID-19 menggunakan citra 'X-ray' rongga dada. Dalam penelitian ini, dikembangkan 'classifier' berbasis CNN dengan teknik 'transfer learning', yakni memanfaatkan model CNN pra-terlatih dari ImageNet bernama Xception dan ResNet50V2 yang dikombinasikan agar sistem menjadi lebih akurat dalam kemampuan ekstraksi fitur untuk mendeteksi COVID-19 melalui citra 'X-ray' rongga dada. 'Classifier' yang dikembangkan terdiri dari 2 jenis, yakni 'classifier' yang disusun secara serial dan paralel. Pengujian dilakukan dalam 2 skenario berbeda. Pada skenario 1, digunakan 'dataset' dan pengaturan parameter yang mengacu pada penelitian sebelumnya, sedangkan skenario 2 dilakukan dengan menambahkan sejumlah citra kedalam 'dataset' baru serta pengaturan parameter yang berbeda untuk memperoleh peningkatan akurasi. Dari pengujian untuk kelas COVID-19 pada skenario 1, diperoleh 'classifier' paralel berhasil menggungguli 'classifier' lain dengan mencapai akurasi rata-rata 93,412% serta memperoleh 'precision', 'recall,' dan 'f1-score' masing – masing mencapai 96.8%, 99.6% dan 98%. Pada skenario 2, 'classifier' paralel mencapai akurasi rata-rata yang lebih tinggi, yakni mencapai 96,678% serta memperoleh 'precision', 'recall,' dan 'f1-score' yang cukup tinggi pula, yakni masing – masing mencapai 98.8%, 99.8% dan 99.4% untuk kelas COVID-19. Adanya penambahan jumlah 'dataset' pada skenario 2 dapat meningkatkan akurasi dari 'classifier' yang dikembangkan. Secara keseluruhan, 'classifier' paralel yang dikembangkan dapat direkomendasikan menjadi alat yang dapat membantu praktisi klinis dan ahli radiologi untuk membantu mereka dalam diagnosis, kuantifikasi, dan tindak lanjut kasus COVID-19.

---

X-ray imaging can be used as an alternative support clinical diagnostics to detect COVID-19 in the patient's lungs. Machine learning or Deep Learning will be embedded in computer-aided diagnosis (CAD) to increase efficiency and accuracy in dealing with problems distinguishing COVID-19 from other diseases that have similar characteristics. Several artificial intelligence systems based on the Convolutional Neural Network (CNN) in previous studies have promising accuracy in detecting COVID-19 using Chest X-ray images. In this study, a CNN-based classifier with transfer learning techniques was developed, which utilizes a pre-trained CNN model from ImageNet named Xception and ResNet50V2 combined that makes the system powerful using multiple feature extraction capabilities to detect COVID-19 through Chest X-ray images. There are 2 types of classifiers developed, classifiers arranged in serial and parallel. The testing in this study was carried out in two different scenarios. In the scenario 1, the dataset and parameter settings are used referring to previous studies, while the scenario 2 was carried out by adding several images to the new dataset and setting different parameters to obtain increased accuracy. From testing of the COVID-19 class in the scenario 1, the parallel classifier succeeded in outperforming other classifiers by achieving an average accuracy in 93.412% and also obtains precision, recall and f1-score, which reached 96.8%, 99.6%, and 98% respectively. In the scenario 2, the parallel classifier achieved a higher average accuracy of 96.678%, and also obtained quite high precision, recall and f1-score, which reached 98.8%, 99.8% and 99.4% for the COVID-19 class, respectively. The addition of the number of datasets in scenario 2 can increase the accuracy of the developed classifier. Overall, the developed parallel classifier can be recommended as a tool that can help clinical practitioners and radiologists to aid them in diagnosis, quantification, and follow-up of COVID-19 cases."

"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."

"COVID-19 merupakan penyakit yang telah menjadi pandemi pada tahun 2020. Penyakit ini dinyatakan sebagai pandemi karena menjadi wabah yang sangat luas hingga seluruh dunia terpapar. Dalam usaha penekanan penyebaran penyakit COVID-19, banyak peneliti yang menerapkan deep learning untuk mendeteksi penyakit ini. Convolutional Neural Network(CNN) merupakan jenis deep learning yang paling banyak digunakan untuk usaha mengklasifikasi citra X-ray paru-paru. Algoritma yang dikembangkan pada penelitian ini menggunakan deep learning dengan model CNN ResNet152v2 dengan Python untuk bahasa pemrogramannya serta Keras Tensorflow sebagai API. penelitian ini melakukan beberapa ekperimen untuk meningkatkan akurasi dan performa dengan memvariasikan dataset serta parameter seperti epoch, batch size, optimizer. Performa terbaik didapatkan dengan pengaturan parameter pada jumlah dataset 3000, epoch 15, batch size 16, dan optimizer Nadam dengan nilai akurasi hingga 96%. Hasil akurasi ini merupakan peningkatan yang didapatkan penelitian terdahulu yang menggunakan model VGG16 dengan akurasi hingga 92%.

---

COVID-19 is a disease that has become a pandemic in 2020. This disease is declared a pandemic because it is an epidemic that is so widespread that the entire world is exposed. In an effort to suppress the spread of the COVID-19 disease, many researchers have applied deep learning to detect this disease. Convolutional Neural Network (CNN) is a type of deep learning that is most widely used to classify X-ray images of the lungs. The algorithm developed in this study uses deep learning with the CNN ResNet152v2 model with Python for the programming language and Keras Tensorflow as the API. This study conducted several experiments to improve accuracy and performance by varying the dataset and parameters such as epoch, batch size, optimizer. The best performance is obtained by setting parameters on the number of datasets 3000, epoch 15, batch size 16, and optimizer Nadam with an accuracy up to 96%. The result of this accuracy is an improvement obtained from previous studies using the VGG16 model with an accuracy of up to 92%."