Hasil Pencarian  ::  Simpan CSV :: Kembali

"Age-related macular degeneration (AMD) adalah penyakit degeneratif pada makula yang menyebabkan gangguan penglihatan sentral pada orang lanjut usia. Secara global, orang yang didiagnosis mengalami AMD mencapai 170 juta orang. Pada 2018, AMD menjadi penyebab kebutaan terbesar ketiga di Indonesia, setelah katarak dan gangguan refraksi. Salah satu pendekatan teknologi dalam bidang kedokteran adalah menggunakan sains data dan deep learning untuk mendeteksi dan mendiagnosis penyakit mata. Salah satu metode deep learning yang paling efektif untuk memahami data berbasis citra adalah Convolutionl Neural Network (CNN). Di antara arsitektur CNN yang dikembangkan, arsitektur EfficientNet merupakan salah satu yang paling efektif untuk mencapai akurasi terbaik pada tugas klasifikasi gambar serta efisien secara komputasional. Data yang digunakan dalam penelitian ini adalah data citra fundus retina yang bersumber dari empat open source database. Terdapat dua kelas yang akan diklasifikasi yaitu Normal dan AMD. Dengan penggabungan beberapa dataset muncul beberapa masalah yaitu terdapat perbedaan dimensi dan kontras pada citra. Sebelum dataset digunakan untuk melatih model, dilakukan preprocessing dengan centered crop, resize, dan Contrast Limited Adaptive Histogram Equalization (CLAHE). Masalah lain yang muncul adalah ukuran dataset yang kecil karena sulitnya mendapatkan data medis pasien. Salah satu metode yang dapat menjadi solusi adalah Generative Adversarial Network (GAN) yang digunakan untuk menghasilkan data citra sintetis. Penelitian ini diajukan untuk menerapkan metode GAN guna meningkatkan kinerja model EfficientNet dalam mendeteksi AMD. Untuk melakukan hal tersebut dibuat tiga skenario untuk membandingkan kinerja EfficientNet. Skenario A yaitu melakukan klasifikasi dengan dataset asli, tanpa preprocessing CLAHE dan tanpa augmentasi GAN. Skenario B melakukan klasifikasi dengan dataset yang sudah diaugmentasi dengan GAN. Sedangkan, skenario C melakukan klasifikasi dengan dataset yang diaugmentasi dengan GAN dan melalui preprocessing CLAHE. Metrik evaluasi yang digunakan untuk mengukukur kinerja adalah akurasi, sensitivity, dan specifity. Pada skenario A dengan rasio splitting data 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 89,01% dan 88,52%. Sedangkan, pada skenario B dengan rasio 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 87,10% dan 89,86%. Pada Skenario C dengan rasio 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 88,97% dan 91,27%. Skenario terbaik adalah skenario C dengan rasio 80:10:10 dengan nilai akurasi tertinggi 92,96%, sensitivity tertinggi mencapai 93,55%, dan specifity tertinggi mencapai 95,00%.

---

Age-related macular degeneration (AMD) is a degenerative disease of the macula that causes central vision impairment in the elderly. Globally, the number of people diagnosed with AMD reaches 170 million. In 2018, AMD became the third leading cause of blindness in Indonesia, following cataracts and refractive errors. One technological approach in the field of medicine is utilizing data science and deep learning to detect and diagnose eye diseases. One of the most effective deep learning methods for understanding image-based data is the Convolutional Neural Network (CNN). Among the developed CNN architectures, EfficientNet is one of the most effective in achieving the best accuracy in image classification tasks while being computationally efficient. The data used in this research consists of fundus retinal images sourced from four open source databases. There are two classes: Normal and AMD. Combining multiple datasets presents several issues, such as differences in image dimensions and contrast. Before the dataset is used to train the model, preprocessing is conducted using centered crop, resize, and Contrast Limited Adaptive Histogram Equalization (CLAHE). Another emerging issue is the small dataset size due to the difficulty of obtaining patient medical data. One method that can provide a solution is the Generative Adversarial Network (GAN), which is used to generate synthetic image data. This study proposes to implement GAN to enhance the performance of the EfficientNet model in detecting AMD. To achieve this, three scenarios were created to compare the performance of EfficientNet. Scenario A involves classification with the original dataset, without CLAHE preprocessing and without GAN augmentation. Scenario B involves classification with the dataset augmented by GAN. Scenario C involves classification with the dataset augmented by GAN and processed through CLAHE preprocessing. The evaluation metrics used to measure performance are accuracy, sensitivity, and specificity. In Scenario A, with data splitting ratios of 70:15:15 and 80:10:10, the average accuracy obtained was 89.01% and 88.52%, respectively. In Scenario B, with the same data splitting ratios, the average accuracy obtained was 87.10% and 89.86%, respectively. In Scenario C, with data splitting ratios of 70:15:15 and 80:10:10, the average accuracy obtained was 88.97% and 91.27%, respectively. The best scenario is Scenario C with a ratio of 80:10:10, achieving the highest accuracy of 92.96%, the highest sensitivity of 93.55%, and the highest specificity of 95.00%."

"Tanaman karet merupakan salah satu komoditas utama ekspor Indonesia. Namun, dalam beberapa tahun terakhir, produksi karet di Indonesia mengalami penurunan. Hal tersebut disebabkan karena adanya penyakit gugur daun yang disebabkan oleh jamur Pestalotiopsis sp.. Berkembangnya teknologi artificial intelligence dengan pendekatan deep learning mampu melakukan pendeteksian pada penyakit ini dengan menggunakan data citra. Convolutional Neural Network (CNN) merupakan algoritma deep learning yang diterapkan pada data berbentuk visual atau citra. Pada penelitian ini, peneliti menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur Residual Network 50 (ResNet-50). Pada penelitian ini juga digunakan Transfer Learning yang merupakan sebuah model yang dapat diajarkan dan disempurnakan untuk suatu kegiatan dan kemudian bisa diterapkan pada kegiatan lain. Dataset yang digunakan pada penelitian ini adalah data daun karet yang berjumlah 1629 data yang dibagi dalam 5 kelas yaitu level 0 atau sehat merupakan daun yang sehat, level 1 merupakan daun yang telah terbentuk bercak coklat yang merupakan gejala dari penyakit namun belum memiliki tanda-tanda perubahan warna, level 2 merupakan daun yang telah terbentuk banyak bercak cokelat disertai dengan adanya perubahan warna pada daun, level 3 merupakan daun yang mengalami kerusakan jaringan, perubahan warna menjadi cokelat atau kuning namun masih memiliki sedikit bagian daun yang berwarna hijau, level 4 merupakan daun yang mengalami kerusakan jaringan cukup parah, dipenuhi bercak cokelat dan telah berwarna cokelat menyeluruh. Dari hasil simulasi yang dilakukan, diperoleh hasil terbaik dengan rata-rata accuracy 96,01%, recall 95,888%, dan precision 96,184% dengan running time rata-rata running time 69,759 detik.

---

Rubber plants are one of Indonesia's main export commodities. However, in recent years, rubber production in Indonesia has experienced a decline. This is due to the presence of the leaf fall disease caused by the Pestalotiopsis sp. fungus. The advancement of artificial intelligence technology using deep learning approaches enables the detection of this disease using image data. The Convolutional Neural Network (CNN) is a deep learning algorithm applied to visual or image data. In this study, researchers utilized the Convolutional Neural Network (CNN) method with the Residual Network 50 (ResNet50) architecture. Transfer Learning was also employed in this research, which involves training and refining a model for one task and then applying it to another task. The dataset used in this study consists of 1629 rubber leaf samples divided into 5 classes: level 0, representing the healthy leaves; level 1, indicating leaves with brown spots, a symptom of the disease, but without major visible color changes; level 2, comprising of leaves with numerous brown spots accompanied by slight color changes; level 3, representing leaves with tissue damage, a color change from green to brown or yellow, but still retaining some green parts; and level 4, depicting leaves with severe tissue damage, extensively covered in brown spots and having turned completely brown. The simulation results showed the best outcome with an average accuracy of 96.01%, recall of 95.888%, and precision of 96.184%, with an average running time of 69.759 seconds."

"ABSTRACTKanker telah dikenal sebagai penyakit yang terdiri dari beberapa jenis berbeda. Kanker adalah penyakit yang mengancam jiwa di dunia saat ini. Ada begitu banyak jenis kanker di dunia, salah satunya adalah kanker usus besar, di mana kanker ini adalah salah satu pembunuh nomor satu di dunia. Banyak pembelajaran mesin telah diterapkan dalam klasifikasi kanker. Penulis membandingkan model Naïve Bayes Classifier dan Support Vector Machine (SVM) dalam klasifikasi kanker usus besar. Naïve Bayes Classifier adalah teknik prediksi berbasis probabilitas sederhana berdasarkan pada penerapan teorema Bayes (atau aturan Bayes) dengan asumsi kemandirian yang kuat. Sedangkan konsep dasar metode SVM adalah membentuk bidang atau hyperplane optimal yang memisahkan data menjadi bidang-bidang yang memisahkan data ke dalam setiap kelas. Kedua metode menghasilkan akurasi tinggi hingga 95,24% untuk Naïve Bayes Classifier dan 94,05% untuk SVM dengan kernel linier.

---

ABSTRACTCancer has been known as a disease that consists of several different types. Cancer is a life-threatening disease in the world today. There are so many types of cancer in the world, one of which is colon cancer, where this cancer is one of the number one killers in the world. Much machine learning has been applied in the classification of cancer. The author compares the Naïve Bayes Classifier and Support Vector Machine (SVM) models in the classification of colon cancer. Naïve Bayes Classifier is a simple probability-based prediction technique based on the application of the Bayes theorem (or Bayes rule) with a strong assumption of independence. While the basic concept of the SVM method is to form an optimal plane or hyperplane that separates data into fields that separate data into each class. Both methods produce high accuracy up to 95.24% for Naïve Bayes Classifier and 94.05% for SVM with linear kernels."

"Degenerasi makula yang berhubungan dengan penuaan (age-related macular degeneration: AMD) adalah kelainan degeneratif pada makula yang ditandai oleh satu atau lebih dari beberapa gejala berikut, yaitu pembentukan drusen, kelainan epitel pigmen retina yang berupa hipopigmentasi atau hiperpigmentasi, atrofi geografik epitel pigmen retina dan koriokapiler yang melibatkan bagian sentral fovea, makulopati neovaskular (eksudatif). AMD terbagi menjadi 2 tipe, dry AMD dengan angka kejadian mencapai 80-90% kasus AMD, dan sisanya adalah tipe kedua yaitu wet AMD. Pengobatan dry AMD sendiri, hingga saat ini belum menunjukkan hasil efektif dalam mencegah progresifitasnya. Dry AMD sampai saat ini belum memiliki pengobatan standar, disebabkan oleh patofisiologi penyakit yang belum terlalu jelas, oleh karena itu penelitian untuk menemukan terapi untuk dry AMD terus dilakukan. Akupunktur terbukti dapat mengurangi gejala dry AMD, meningkatkan visus sehingga dapat meningkatkan kualitas hidup pasien. Elektroakupunktur merupakan intervensi yang menstimulasi titik akupunktur menggunakan aliran listrik. Dibandingkan dengan akupunktur manual, elektroakupunktur memiliki kelebihan seperti stimulasi yang dihasilkan lebih intensif, terukur dan konstan. Penelitian ini menilai efek elektroakupunktur terhadap perubahan gambaran foto fundus makula dan perubahan visus pada pasien dry AMD. Tiga puluh empat pasien dibagi secara acak menjadi dua kelompok, kelompok elektroakupunktur (n = 17) dan kelompok elektroakupunktur sham (n = 17). Kedua kelompok menerima sesi elektroakupunktur yang sama, 2 kali/minggu selama 6 minggu. Penilaian gambaran foto fundus makula dan penilaian visus dilakukan sebelum dan sesudah sesi terapi. Hasil menunjukkan terdapat perbedaan bermakna pada perubahan foto fundus makula (p=0,001, CI 95%) dan perubahan visus (p=0,001, CI 95%) antara kelompok elektroakupunktur dan kelompok elektroakupunktur sham sebelum dan sesudah sesi terapi. Penemuan ini menunjukkan bahwa terapi elektroakupunktur memberikan efek yang baik terhadap gejala klinis dan visus pasien dry AMD.

---

Age-related macular degeneration or known as AMD is a macular degeneration that posts certain symptoms such drusens, hypopigmentation or hyperpigmentation on retinal pigment epithelium, geographic atrophy and choroidal capillary that affects fovea centralis, and neovascular maculopathy (exudative). Two types of AMD are dry AMD that covers 80-90% cases of AMD and wet AMD. Until now, dry AMD treatment has not been effective to prevent its progression. Since the pathophysiology has been cleared, the research to cure dry AMD must be conducted. Acupuncture is proven to prevent the symptoms of dry AMD, increase the visual acuity, and patients life quality. Electroacupuncture is a form of intervention that stimulates the point using electric current. Compared to manual acupuncture, electroacupuncture can produce more intensive, measurable and constant. This research assesses the changes in the macular fundus photography and visual acuity on dry AMD patient. Thirty-four patients are divided into two groups; Electroacupuncture group (n=17) and sham group (n=17). Both groups receive the same amount of electroacupuncture session which is twice a week for six weeks. Assessment towards the macular fundus photography and visual acuity will be conducted before and after a session. The result shows differences in macular fundus photography (p=0,001, CI 95%) and visual acuity (p=0,001, CI 95%) between electroacupuncture group and sham group before and after sessions. The findings show that electroacupuncture gives positive results towards symptoms in fundus photography and visual acuity of dry AMD patients."

"Setiap tahun, ada sekitar 7.8 juta ton sampah plastik yang tidak dikelola di Indonesia. Metode yang banyak digunakan dalam pengolahan sampah tersebut adalah reduce, recycling, dan reusing. Dari ketiga metode tersebut, recycling menjadi solusi terbaik dalam penanganan sampah plastik karena kapasitas pengelolaan yang besar. Botol plastik menjadi jenis plastik yang paling banyak di recycling karena tingkat kemurnian material plastiknya tinggi. Namun, masalah terbesar dalam recycling sampah botol plastik adalah klasifikasi sampah plastik berdasarkan material penyusunya. Proses recycling saat ini sudah dimudahkan karena memanfaatkan machine learning. Machine learning dapat melakukan suatu pekerjaan tanpa harus diberi perintah berulang sehingga dapat dimanfaatkan untuk melakukan klasifikasi sampah botol plastik. Salah satu metode dalam Machine learning yang digunakan adalah Convolutional Neural Network karena dapat mengklasifikasikan sampah botol plastik PET, HDPE, LDPE, dan PP. Diperoleh akurasi testing PET terbaca sepuluh kali dari sepuluh percobaan sedangkan HDEP, LDPE, dan PP terbaca sembilan kali dari sepuluh percobaan. Selain itu, metode tersebut juga mampu mengklasifikasi sampah botol plastik dengan beberapa kondisi yaitu botol yang menggunakan tutup, kotor, serta remuk. Diperoleh akurasi testing untuk ketiga kondisi terbaca sepuluh kali dari sepuluh percobaan.

---

There are around 7.8 million tons of unmanaged plastic waste in Indonesia each year. Solving the problem there are three method that are widely used in processing the waste namely reduce, recycle, and reuse. From those methods, Recycling is the best solution in handling plastic waste because of its large management capacity. Plastic bottles are the type of plastic that is most widely recycled because of the high level of purity of the plastic material. However, the biggest problem in recycling plastic bottle waste is the classification of plastic waste based on its materials. The recycling process is now much easier because it utilizes machine learning. Machine learning can do a job without having to be given repeated orders so that it can be used to classify plastic bottle waste. One of the machine learning methods used is convolutional neural network because it can classify PET, HDPE, LDPE, and PP plastic bottles. PET testing accuracy was read ten times from ten times testing while HDPE, LDPE, and PP read nine times from ten times testing. In addition, this method is also able to classify plastic bottle waste under several conditions, namely using a lid, dirty, and crumbling. Obtained testing accuracy for all three condition read ten times from ten time testing."

"Leptomeningeal metastatis merupakan indikasi keganasan yang terjadi pada pasien leukemia. Meskipun hanya memiliki porsi 30-40% yang menyebabkan kekambuhan keganasan pada pasien leukemia, hal tersebut yang dijadikan dasar dalam menentukan pengobatan terbaik yang diberikan kepada mereka. Leptomeningeal metastasis lebih baik dideteksi dengan menggunakan Magnetic Resonance Imaging (MRI) karena sensitivitasnya yang tinggi dalam citra neuraxis. Kemampuan expert yang tinggi untuk melihat dan menganalisis sangat diperlukan dalam membaca hasil Brain MRI pasien leukemia dengan suspek leptomeningeal metastasis. Oleh karena itu, klasifikasi akan memakan waktu yang lama dan memungkinkan kesalahan pembacaan hasil. Berbagai metode telah banyak diusulkan dan dikembangkan dalam klasifikasi Brain MRI untuk mendapatkan hasil terbaik namun tantangan dalam penelitian ini adalah leptomeningeal metastasis yang karakteristiknya lebih sudah dikenali dibandingkan tumor pada otak. Oleh karena itu peneliti mengusulkan pengklasifikasian leptomeningeal metastasis dengan menggunakan metode CNN via transfer learning. Dengan berbagai skenario yang dilakukan, hasil akurasi terbaik adalah implementasi metode CNN (ResNet50) via transfer learning mencapai 82,22%.

---

Leptomeningeal metastasis is an indication of malignancy that occurs in leukemia patients. Although it only has a 30-40% portion, which causes recurrence of malignancy in leukemia patients, it is the basis for determining the best treatment given to them. Leptomeningeal metastases are better detected by using Magnetic Resonance Imaging (MRI) because of their high sensitivity in neuroaxis images. A high expert ability to see and analyze is needed in reading the brain MRI results of leukemia patients with suspected leptomeningeal metastasis. Therefore, the classification will take a long time and may an incorrect reading of the results. Various methods have been proposed and developed in the brain MRI classification to get the best results, but the challenge in this research is leptomeningeal metastasis, whose characteristics are more not recognizable than tumors in the brain. Therefore, we propose the classification of leptomeningeal metastasis using the CNN method via transfer learning. With various scenarios done, we obtained the best accuracy result is the implementation of the CNN (ResNet50) method via transfer learning, up to 82.22%."

"Diabetes is one of the most serious health challenges in both developed and developing countries. Early detection and accurate diagnosis of diabetes can reduce the risk of complications. In recent years, the use of machine learning in predicting disease has gradually increased. A promising classification technique in machine learning is the use of support vector machines in combination with radial basis function kernels (SVM-RBF). In this study, we used SVM-RBF to predict diabetes. The study used a Pima Indian diabetes dataset from the University of California, Irvine (UCI) Machine Learning Repository. The subjects were female and ? 21 years of age at the time of the index examination. Our experiment design used 10-fold cross-validation. Confusion matrix and ROC were used to calculate performance evaluation. Based on the experimental results, the study demonstrated that SVM-RBF shows promise in aiding diagnosis of Pima Indian diabetes disease in the early stage."