Hasil Pencarian  ::  Simpan CSV :: Kembali

"Retinopati Diabetik (RD) merupakan salah satu penyakit yang dapat menyebabkan penurunan fungsi penglihatan pada mata, bahkan dapat menyebabkan kebutaan jika penanganan yang dilakukan tidak tepat. Upaya penanganan penyakit RD dapat dilakukan dengan deteksi dini. Melalui pendeteksian dini, pasien RD dapat diobati sesuai dengan tingkat keparahan yang diderita. Namun, pemeriksaan penyakit RD membutuhkan waktu yang lama dan hanya dapat dilakukan oleh profesional.Para peneliti telah mengembangkan sistem deteksi pengklasifikasian penyakit RD yang dengan memanfaatkan perkembangan teknologi seperti penerapan Artifficial Intelligence (AI) pada gambar fundus. Dalam penelitian ini, peneliti mengaplikasikan Attention Mechanism (AM) pada Convolutional Neural Network (CNN) untuk selanjutnya menganalisis dan mengevaluasi hasil dari kinerja algoritma tersebut dalam mengklasifikasikan RD ke dalam level normal, mild, moderate, severe dan PDR. AM berfokus pada daerah yang berpenyakit dan CNN digunakan untuk proses klasifikasi. Arsitektur CNN yang digunakan adalah AlexNet dan GoogleNet. Phyton digunakan sebagai bahasa pemrograman dengan perpustakaan Pytorch. Hasil performa akurasi yang paling tinggi diperoleh oleh GoogleNet dan AM dengan capaian akurasi mencapai 85%. Performa model pada tiap-tiap kelas menunjukkan nilai akurasi terbaik pada kelas normal, severe, dan PDR dengan capaian nilai f-1 score masing-masing 86%, 90% dan 95%. Sementara untuk kedua kelas lainnya yaitu mild dan moderate cenderung lebih rendah, yaitu 73% dan 76%. Hal ini menunjukkan bahwa model mampu mengklasifikasikan kelas normal, Severe, dan PDR lebih baik daripada mild dan moderate.

---

Diabetic retinopathy (DR) is a disease that can cause decreased vision function in the eye, and can even lead to blindness. Efforts to treat DR disease can be done with early detection. Through early detection, DR patients can be treated according to their severity. However, DR disease examination takes a long time and can only be done by a professional.

Researchers have developed a detection system for classifying DR disease by technological developments such as the application of Artifficial Intelligence to fundus images. In this study, the researchers applied the Attention Mechanism (AM) to CNN to further analyze and evaluate the results of the algorithm's performance in classifying RD into normal, mild, moderate, severe and PDR levels. AM focused on pathological area in the fundus images and CNN is used as classifier. We used Architecture of CNN such AlexNet and GoogleNet. The results of the highest accuracy performance were obtained by GoogleNet and AM with the achievement of 85%. The performance of the model in each class shows the best accuracy values in the normal, severe, and PDR classes with the achievement of f-1 scores of 86%, 90% and 95%, respectively. Meanwhile, the other two classes, namely mild and moderate, tended to be lower, namely 73% and 76%. This shows that the model is able to classify normal, severe, and PDR classes better than mild and moderate."

"Artificial Intelligence (AI) telah berkembang sangat pesat sehingga sudah sering terlihat dan digunakan secara umum oleh masyarakat. Salah satu jenis AI yang sering digunakan adalah speech recognition terutama keyword spotting yang disebabkan karena pandemi COVID-19. Implementasi keyword spotting dapat diterapkan pada lift sebagai sistem navigasi agar para pengguna lift tidak perlu melakukan kontak pada tombol, melainkan dapat menggerakkan lift hanya dengan mengucapkan lantai yang dituju. Metode untuk melakukan implementasi keyword spotting pada sistem lift dapat dilakukan dengan banyak metode, namun pada skripsi ini, metode yang diujikan adalah CNN (Convolutional Neural Network) dan MHAtt RNN (Multihead Attention Recurrent Neural Network). Penelitian yang dilakukan memiliki batasan untuk setiap metode agar dapat melakukan klasifikasi enam keyword dan melihat performa kedua metode dalam berbagai skenario yang dapat terjadi dalam lift. Dalam pembentukan model dari MHAtt RNN, dapat diketahui bahwa model memiliki performa terbaik ketika dibentuk dengan jumlah head untuk attention sebesar 8 dan LSTM dengan jumlah unit sebanyak 32. Pelatihan pada model dilakukan menggunakan optimizer Adam dengan learning rate sebesar 0.001 dan decay 0.005 agar pelatihan dapat menghasilkan model yang paling baik. Setelah melakukan pengujian pada berbagai skenario yang dapat terjadi di dalam sebuah lift, didapatkan hasil bahwa secara keseluruhan model CNN memiliki performa yang lebih baik dibandingkan model MHAtt RNN karena memiliki nilai F1-score dan precision yang lebih tinggi.

---

Artificial Intelligence (AI) has grown so rapidly that it has often been seen and used in general by the public. One type of AI that is often used is speech recognition, especially keyword spotting caused by the COVID-19 pandemic. The implementation of keyword spotting can be applied to elevators as a navigation system so that elevator users do not need to make contact with buttons but can move the elevator just by saying the intended floor. There are many methods to implement keyword spotting in elevator systems, but in this thesis, the methods tested are CNN (Convolutional Neural Network) and MHAtt RNN (Multihead Attention Recurrent Neural Network). The research conducted has limitations for each method in order to be able to classify six keywords and see the performance of both methods in various scenarios that can occur in an elevator. In forming the model from MHAtt RNN, it can be seen that the model has the best performance when it is formed with the number of heads for attention of 8 and the LSTM with the number of units of 32. The training on the model is carried out using the Adam optimizer with a learning rate of 0.001 and a decay of 0.005 so that the training can produce the best models. After testing on various scenarios that can occur in an elevator, the results show that the CNN model overall has better performance than the MHAtt RNN model because it has a higher F1-score and precision."

"Perkembangan Artificial Intelligence (AI) sudah berkembang pesat. Dari ketiga arah pengembangan AI yakni computer vision, speech processing dan natural language processing. Speech processing memiliki tren paling rendah di antara ketiga pengembangan tersebut. Meskipun begitu pengembangan di bidang speech processing seperti speech recognition dan keyword spotting sudah banyak di implementasikan seperti model keyword spotting menggunakan Convolutional Neural Network (CNN) di microcontroller, mobile device dan perangkat lainnya. Namun CNN saja belum tentu menghasilkan akurasi yang tinggi maka dicoba Depthwise Separable Convolutional Neural Network (DSCNN) untuk mendapatkan hasil dengan akurasi yang lebih tinggi. Pengembangan model keyword spotting belum banyak diimplementasikan di edge device lainnya, yang dimaksud dengan edge device yaitu perangkat sederhana di sisi pengguna yang kemampuan komputasinya terbatas. Dengan menggunakan DSCNN menunjukkan nilai F1 score yang dibandingkan dengan model CNN. Model DSCNN menghasilkan model dengan nilai F1 score paling optimal dengan 4 layer konvolusi depthwise separable, menggunakan filter konvolusi sebanyak 256 dengan jumlah filter konvolusi depthwise 512 menggunakan optimizer RMSprop dan menggunakan batch size berukuran 126. Dari hasil pengujian dapat diketahui bahwa secara umum DSCNN menghasilkan F1 score yang lebih baik dibandingkan CNN yaitu sebesar 31,8% dengan CNN sebesar 28,35%. Namun DSCNN menggunakan sumber daya yang lebih banyak dan lebih lama waktu responsnya.

---

The development of Artificial Intelligence (AI) has grown rapidly. Of the three directions of AI development, namely computer vision, speech processing, and natural language processing. Speech processing has the lowest trend among the three developments. However, many developments in speech processing such as speech recognition and keyword spotting have been implemented, such as the keyword spotting model using the Convolutional Neural Network (CNN) in microcontrollers, mobile devices, and other devices. However, CNN alone does not necessarily produce high accuracy, so a Depthwise Separable Convolutional Neural Network (DSCNN) is used to get results with higher accuracy. The development of the keyword spotting model has not been widely implemented in other edge devices, which is meant by edge devices, namely simple devices on the user's side with limited computing capabilities. Using DSCNN shows the F1 score which is compared with the CNN model. The DSCNN model produces a model with the most optimal F1 score with 4 layers of convolution depthwise separable, using a convolution filter of 256 with a convolution depthwise filter of 512 using the RMSprop optimizer and using a batch size of 126. From the test results, in general DSCNN produces F1 score which is better than CNN, which is 31,8% with CNN at 28,35%. However, DSCNN uses more resources and a longer response time."

"Bayi prematur adalah bayi yang lahir dengan usia kehamilan kurang dari 37 minggu yang memiliki sistem saraf dan organ-organ yang belum sempurna sehingga lebih beresiko mengalami berbagai masalah kesehatan. Salah satu masalah kesehatan yang dapat terjadi adalah pada organ mata yang merupakan organ penting dalam perkembangan bayi. Retinopathy of Prematurity (ROP) merupakan salah satu penyakit mata yang terjadi pada bayi prematur yang disebabkan oleh pembentukan pembuluh darah retina yang tidak normal. Proses diagnosis yang dilakukan oleh dokter mata belum bisa mengatasi kenaikan jumlah kasus ROP, sehingga disini penulis menggunakan pendekatan deep learning untuk melakukan klasifikasi tingkat keparahan ROP pada citra fundus retina. Metode deep learning yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur ResNet50. Data yang digunakan pada penelitian ini merupakan data sekunder yang diperoleh dari online database Kaggle berupa 90 data citra fundus retina yang terbagi atas 38 citra bukan penderita ROP, 19 citra penderita ROP Stage 1, 22 citra penderita ROP Stage 2, dan 11 citra penderita ROP Stage 3. Pada tahap persiapan data, dilakukan perbaikan kontras citra menggunakan Contrast Limited Adaptive Histogram (CLAHE) dan image masking. Kemudian dilakukan resize citra menjadi ukuran 224×224. Data kemudian diaugmentasi menggunakan teknik flip horizontal dan rotation agar data menjadi lebih banyak yang kemudian dibagi menjadi 80% data training dan 20% data testing. Dari 80% data training, diambil 20% untuk data validation. Training model dilakukan menggunakan model dengan arsitektur ResNet50 dengan hyerparameter model yaitu batch size 64, learning rate 0.001, dan epoch sebanyak 30, fungsi optimasi Adam (Adaptive moment estimation), dan fungsi loss categorical cross entropy. Proses modelling dilakukan sebanyak 5 kali percobaan dan berhasil memperoleh nilai rata-rata kinerja training model sebesar 99.714% dan 92.85% pada akurasi training dan akurasi validation-nya, selain itu diperoleh nilai 0.01864 dan 0.18434 pada loss training dan loss validation. Sedangkan rata-rata kinerja testing model berhasil memperoleh akurasi testing sebesar 97.352%, testing loss sebesar 0.0986374, dan AUROC sebesar 0.0955. Selain melakukan evaluasi kinerja, peneliti juga akan menggunakan GradCAM untuk menampilkan visualisasi ciri-ciri yang dianggap penting untuk nantinya membantu dokter dalam mengevaluasi ROP.

---

Premature infants are babies born with a gestational age of less than 37 weeks, and they have underdeveloped nervous systems and organs, making them more susceptible to various health issues. One of the health problems that can occur involves the eye, which plays a crucial role in the baby's development. Retinopathy of Prematurity (ROP) is one of the eye diseases that affects premature infants and is caused by abnormal blood vessel formation in the retina. The current diagnostic processes performed by ophthalmologists have not been effective in addressing the increase in ROP cases. Therefore, in this study, the author employs a deep learning approach to classify the severity of ROP in retinal fundus images. The deep learning method utilized is the Convolutional Neural Network (CNN) with the ResNet50 architecture. The research data consists of 90 retinal fundus images obtained from the online database Kaggle, comprising 38 images of non-ROP cases, 19 images of ROP Stage 1, 22 images of ROP Stage 2, and 11 images of ROP Stage 3. In the data preparation phase, the image contrast is enhanced using Contrast Limited Adaptive Histogram (CLAHE) and image masking techniques. Subsequently, the images are resized to 224×224 dimensions. Data augmentation is performed using horizontal flip and rotation techniques to increase the dataset, which is then split into 80% training data and 20% testing data. From the 80% training data, 20% is further allocated for validation data. The model is trained using the ResNet50 architecture with hyperparameters set to batch size 64, learning rate 0.001, and 30 epochs. The optimization function used is Adam (Adaptive Moment Estimation), and the loss function is categorical cross-entropy. The modeling process is repeated five times, and the average performance of the training model is achieved at 99.714% for training accuracy and 92.85% for validation accuracy, with training and validation losses of 0.01864 and 0.18434, respectively. As for the average performance of the testing model, the testing accuracy is 97.352%, the testing loss is 0.0986374, and the AUROC (Area Under the Receiver Operating Characteristic) is 0.0955. In addition to evaluating the model's performance, the researcher also employs GradCAM to visualize important features, which can assist doctors in evaluating ROP cases."

"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."

"Retinopati diabetik adalah kelainan vaskular retina yang disebabkan oleh diabetes jangka panjang. Deteksi dini retinopati diabetik pada pasien diabetes diperlukan karena tidak ada gejala yang terlihat selama tahap awal penyakit. Para peneliti mengembangkan metode berbasis komputer untuk membantu dokter dalam proses deteksi dini. Dokter dapat menggunakan output dari metode tersebut sebagai pertimbangan dalam mediagnosis tipe retinopati diabetik yang diderita pasien. Salah satu metode yang populer adalah deep learning. Pada penelitian ini, dibangun gabungan dua algoritma deep learning, yaitu Convolutional Neural Network (CNN)-Long Short-Term Memory (LSTM) untuk deteksi retinopati diabetik dengan output berupa caption yang menjelaskan kondisi yang ada pada citra fundus pasien. CNN digunakan untuk mengekstraksi fitur lesi retinopati diabetik pada citra fundus, dan LSTM digunakan untuk membuat caption berdasarkan fitur lesi tersebut. Penelitian ini menggunakan empat model CNN, yakni AlexNet, pre-trained AlexNet, GoogleNet, dan pre-trained GoogleNet. Simulasi gabungan algoritma CNN-LSTM dilakukan dengan proporsi data yang berbeda menggunakan data set dari Rumah Sakit Cipto Mangunkusumo. Hasil simulasi menunjukkan bahwa gabungan algortima CNN-LSTM dapat mendeteksi fitur lesi dan membuat caption dengan rata-rata kinerja akurasi tertinggi sebesar 91.69% untuk model pre-trained GoogleNet-LSTM dan proporsi data 80% data training dan 20% data testing.

---

Diabetic retinopathy is a retinal vascular disorder caused by long-term diabetes. Early diabetic retinopathy detection in diabetes patients is needed because no symptoms can be seen during the early stage of disease. The researchers developed a computer-based method to assist ophthalmologists in the early detection process. Ophthalmologists can use the output of the method as a consideration in diagnosing the type of diabetic retinopathy. One of the popular methods is deep learning. In this study, a combination of two deep learning algorithms, namely Convolutional Neural Network (CNN)-Long Short-Term Memory (LSTM), was constructed for diabetic retinopathy detection with the output in the form of a caption that explains the condition present in the patient’s fundus images. CNN is used to extract features of diabetic retinopathy lesions on fundus images, and LSTM is used to generate a caption based on those lesion features. This study used four CNN models that are AlexNet, pre-trained AlexNet, GoogleNet, and pre-trained GoogleNet. Simulation of a combined CNN-LSTM algorithm has been done with the different proportions of data using a data set from Cipto Mangunkusumo National General Hospital. The simulation results show that a combined CNN-LSTM algorithm can detect lesion features and generate caption with the highest average performance accuracy of 91.69% for pre-trained GoogleNet-LSTM and the proportion 80% training data and 20% testing data."

"Penyakit mata perlu pendeteksian dan diagnosis yang tepat mengingat peran organ mata yang penting dalam kehidupan. Salah satu cara mendeteksi penyakit mata yang menyebabkan kebutaan adalah melalui ophthalmoscopy, dengan hasil pemeriksaan berupa citra fundus. Penelitian ini menggunakan metode Convolution Neural Network (CNN) dengan arsitektur CO-ResNet. Data yang digunakan dalam penelitian ini diambil dari online database yang berisi data multi-kelas penyakit mata. Preprocessing crop center dan resize digunakan dalam penelitian ini agar ukuran data citra dapat dijadikan input model. Fungsi optimasi untuk meminimalkan loss function ketika melatih model yang digunakan dalam penelitian ini adalah fungsi Adam dengan setting hyperparameter learning rate, epoch, 𝛽1 , dan 𝛽2 . Fungsi loss yang digunakan untuk masalah pengklasifikasian multikelas dalam penelitian ini adalah categorical cross entropy. Hasil penelitian menunjukan nilai yang diperoleh dengan training loss terkecil sebesar 0,4066 dan validation loss terkecil sebesar 0,4950. Sementara itu, nilai training accuracy terbaik sebesar 87% dan validation accuracy terbaik sebesar 79%. Setelah melalui proses training, dilakukan proses testing untuk mengevaluasi kinerja model. Hasil testing terbaik yang didapat dengan nilai testing accuracy sebesar 75,25%, precision sebesar 75,6%, recall sebesar 75,4%, dan F1-score sebesar 75,4%. Secara keseluruhan, metode CO- ResNet bekerja dengan cukup baik dalam mengklasifikasi dan mendeteksi penyakit mata.

---

Eye diseases need proper detection and diagnosis considering the important role of eye organs in life. One way to detect eye diseases that cause blindness is through ophthalmoscopy, with the results of the examination being an image of the fundus. This research uses the Convolution Neural Network (CNN) method with CO-ResNet architecture. The data used in this study were taken from an online database containing data on multi-class eye diseases. Preprocessing crop center and resize are used in this study so that the size of the image data can be used as model input. The optimization function to minimize the loss function when training the model used in this study is the Adam function with the hyperparameters setting are learning rate, epoch, 𝛽1, and 𝛽2. The loss function used for the multiclass classification problem in this study is categorical cross entropy. The results showed that the value obtained with the smallest training loss was 0.4066 and the smallest validation loss was 0.4950. Meanwhile, the best training accuracy value is 87% and the best validation accuracy is 79%. After going through the training process, a testing process is carried out to evaluate the performance of the model. The best testing results were obtained with testing accuracy values of 75.25%, precision of 75.6%, recall of 75.4%, and F1-score of 75.4%. Overall, the CO-ResNet method works quite well in classifying and detecting eye diseases."