Hasil Pencarian  ::  Simpan CSV :: Kembali

"Paduan super merupakan material yang memiliki performa baik dalam mempertahankan sifat mekanisnya pada temperatur tinggi. Paduan super berbasis nikel setidaknya memiliki kandungan nikel sebesar 38–76% dan paduan super berbasis besi-nikel memiliki kandungan 15–60% besi serta 25–45% nikel yang umum digunakan pada industri aviasi. Dalam kondisi operasinya, komponen tersebut terpapar temperatur yang sangat tinggi sehingga memengaruhi kekuatan tarik dan titik leburnya. Selain itu, perputaran kecepatan tinggi dan lingkungan yang abrasif menjadi alasan dibutuhkan nilai kekerasan yang tinggi. Oleh karena itu, modifikasi material tersebut diperlukan agar dapat menunjang kebutuhan sifat minimal pada aplikasi mesin turbin gas. Machine learning (ML) dan deep learning (DL) menjadi pilihan yang solutif dalam proses desain rekayasa sifat kekuatan tarik, kekerasan, dan titik lebur material tersebut karena tidak membutuhkan waktu yang panjang. Pada penelitian ini, dua model ML dan satu model DL digunakan untuk menentukan model yang dapat menghasilkan prediksi sifat material yang terbaik. Beberapa parameter divariasikan untuk mencari nilai akurasi prediksi yang paling optimal. Model ANN menjadi pilihan tepat untuk memprediksi sifat-sifat material paduan super. Model tersebut diaplikasikan untuk memodifikasi komposisi INCONEL-718 dan berhasil meningkatkan nilai kekuatan tarik menjadi 1592 MPa, kekerasan menjadi 152 HRB, dan titik lebur menjadi 1665ºC.

---

Superalloys are materials that preserve their mechanical properties well at high temperatures. Nickel-based superalloys have at least 38-76% nickel, whereas iron-nickel-based superalloys contain 15-60% iron and 25-45% nickel and are widely utilized in the aviation industry. These components are subjected to extremely high temperatures during operation, which affects their tensile strength and melting point. Furthermore, high rotating speeds and an abrasive environment demand high hardness values. As a result, material modification is required to meet the minimum requirements for gas turbine engine applications. Machine learning (ML) and deep learning (DL) are acceptable alternatives in the engineering design process for predicting the tensile strength, hardness, and melting point properties of these materials because they do not require a long time. Two ML models and one DL model are utilized in this research to discover which model can generate the best predictions of material properties. Several parameters are adjusted to achieve the best prediction accuracy. The ANN model is the best option for predicting superalloy material properties. This model is implemented to INCONEL-718 and successfully increasing the tensile strength to 1592 MPa, hardness to 152 HRB, and melting point to 1665ºC."

"Paduan super berbasis besi-nikel biasanya mengandung lebih dari delapan elemen paduan dan umum digunakan dalam aplikasi aerospace seperti pada komponen cakram turbin menjadikan perubahan komposisi dapat menyebabkan perubahan sifat mekanis yang signifikan. Paduan super ini mengandung 15–60% besi dan 25–45% nikel dan digunakan dalam bilah dan cakram mesin yang memerlukan sifat ekspansi termal rendah. Paduan super berbasis besi ini menarik untuk dipelajari karena karakteristik temperatur tinggi dan koefisien ekspansi termal yang rendah tetapi di sisi lain menawarkan harga yang lebih ekonomis. Dalam aplikasi temperatur tinggi kekuatan tarik akan berubah sesuai dengan temperaturnya sehingga rentan terjadi kegagalan. Sementara dalam aplikasi seperti turbin yang dalam penggunaannya sering ditemukan kegagalan karena bekerja pada putaran yang tinggi dan lingkungan abrasif dibutuhkan nilai kekerasan yang sesuai. Sehingga dibutuhkan sebuah solusi yang kompetitif dan efisien dalam proses desain dan rekayasa paduan super berbasis besi-nikel. Metode pembelajaran mesin deep learning regresi dapat menjadi solusi dalam memberikan prediksi kekuatan tarik, kekerasan dan titik lebur yang presisi untuk aplikasi tertentu sehingga tidak dibutuhkan eksperimen yang memakan waktu. Dalam penelitian ini dilakukan variasi parameter berupa arsitektur model, learning rate, test size, random state, batch size, dan epoch dalam rangka mencari parameter optimum bagi model C2P besi-nikel. Nilai akurasi optimum yang dihasilkan dengan matriks R2 sebesar 98,2% dan matriks RRMSE 4,12%. Nilai ini didapat menggunakan parameter yaitu 4 hidden layers dengan noda (128,128,128,128), learning rate sebesar 10-3, test size sebesar 0,2, random state sebesar 25, batch size sebesar 64, dan epoch sebesar 250.

---

Iron-nickel-based superalloys typically contain more than eight alloying elements and are commonly used in aerospace applications such as in turbine disc components where compositional changes can lead to significant changes in mechanical properties. This superalloy contains 15–60% iron and 25–45% nickel and is used in engine blades and discs where low thermal expansion properties are required. This iron-based super alloy is interesting to study because of its high temperature characteristics and low coefficient of thermal expansion, but on the other hand offers a more economical price. In high temperature applications the tensile strength will change according to the temperature so that it is susceptible to failure. Meanwhile, in applications such as turbines where failure is often found due to working at high rotations and an abrasive environment, an appropriate hardness value is required. So that a competitive and efficient solution is needed in the design and engineering process of iron-nickel-based super alloys. The deep learning regression machine learning method can be a solution in providing precise predictions of tensile strength, hardness and melting point for certain applications, eliminating the need for time-consuming experiments. In this study, various parameters were carried out in the form of model architecture, learning rate, test size, random state, batch size, and epoch in order to find the optimum parameters for the iron-nickel C2P model. The optimum accuracy value generated by the R2 matrix is 98.2% and the RRMSE matrix is 4.12%. This value is obtained using parameters, namely 4 hidden layers with dense (128,128,128,128), learning rate of 10-3, test size of 0.2, random state of 25, batch size of 64, and epoch of 250."

"Sayap bagian atas pesawat dan tailcone merupakan komponen yang banyak menerima tension stress yang tinggi saat beroperasi. Dibutuhkan paduan material yang memiliki kekuatan tarik yang tinggi untuk mencegah terjadinya kegagalan pada komponen tersebut. Paduan titanium dipilih untuk menjadi solusi dari permasalahan tersebut karena memenuhi spesifikasi yang diinginkan serta memiliki beberapa aspek kelebihan lain yang dibutuhkan untuk industri kedirgantaraan. Namun dalam pengembangannya masih menggunakan metode konvensional dengan proses eksperimen yang memerlukan biaya yang tinggi, akurasi penelitian yang sangat ditentukan oleh data dan pengalaman empiris, serta memakan banyak waktu dan rentan terhadap kesalahan manusia. Penelitian rekayasa material menggunakan pembelajaran mesin regresi memberikan solusi yang menjanjikan untuk masalah tersebut, karena menggunakan data eksperimen maupun data dari penelitian terdahulu sehingga dapat memangkas waktu, tenaga, dan biaya dalam proses pengembangan paduan titanium. Pada penelitian ini berhasil dikembangkan model pembelajaran mesin dengan menggunakan algoritma KNN. model menghasilkan performa yang cukup baik, dibuktikan dari perbandingan nilai aktual dan prediksi serta nilai metrik model sebesar 86,22%. Selain itu, dilakukan studi berbasis fitur atomik yang menunjukkan bahwa elektron valensi berpengaruh besar terhadap sifat kekuatan tarik paduan titanium. 

---

The upper wing of the aircraft and tail cone are components that receive high tension stress during operation. A material alloy with high tensile strength is required to prevent failure of these components. Titanium alloys are chosen as the solution to the problem because they meet the desired specifications and have several other advantages needed for the aerospace industry. However, its development still uses conventional methods with an experimental process that requires high costs, the accuracy of research is largely determined by empirical data and experience, and takes a lot of time and is prone to human error. Materials engineering research using regression machine learning provides a promising solution to the problem, because it uses experimental data as well as data from previous research so that it can cut time, energy, and costs in the process of developing titanium alloys. In this study, a machine learning model using the KNN algorithm was successfully developed. The model produces quite good performance, as evidenced by the comparison of actual and predicted values and the model metrik value of 86.22%. In addition, a study based on atomic features was carried out which showed that valence electrons have a major effect on the tensile strength properties of titanium alloys."

"Leadframe merupakan salah satu komponen penting dalam pembuatan sirkuit terpadu. Aplikasi ini membutuhkan spesifikasi kompleks seperti kekuatan tarik dan konduktivitas listrik yang tinggi serta koefisien ekspansi termal yang rendah untuk memastikan performa yang baik. Hal tersebut menjadikan kandidat material yang layak digunakan untuk aplikasi ini menjadi sangat terbatas. Salah satu material yang umum digunakan dalam pembuatan leadframe adalah paduan tembaga. Namun, pengembangan material tersebut untuk memenuhi spesifikasi yang dibutuhkan bukanlah hal yang mudah. Penemuan kandidat paduan tembaga ini membutuhkan banyak uji coba hingga ditemukan kombinasi unsur paduan dan jenis pemrosesan yang optimal. Oleh karena itu, dibutuhkan sebuah pendekatan baru yang dapat mempercepat proses penemuan paduan tembaga baru dengan kombinasi sifat mekanis, elektrik, dan termal yang optimal. Salah satu solusi yang ditawarkan untuk mengatasi permasalahan ini adalah menggunakan metode ML. Pada penelitian ini enam buah model yang terdiri atas lima model ML klasik dan satu model DL dibangun untuk melakukan prediksi struktur material (model P2S) dan prediksi properti material (model S2P). Berdasarkan nilai koefisien determinasi (R2 ) ditemukan dua model P2S dan S2P terbaik adalah BPNN dan XGB. Kemudian, masing-masing model tersebut diintegrasikan untuk membentuk MLDS. Hasil MLDS menunjukkan bahwa program yang dibangun menggunakan model XGB memiliki fluktuasi (standar deviasi) yang lebih rendah dan dapat digunakan untuk memberikan rekomendasi paduan tembaga baru untuk aplikasi leadframe yang sejalan dengan literatur.

---

The leadframe is one of the crucial components in the manufacturing of Integrated Circuits (ICs). This application requires complex specifications such as high tensile strength and electrical conductivity, as well as low thermal expansion coefficients to ensure optimal performance. These requirements significantly limit the potential materials suitable for this application. One of the materials commonly used in the production of leadframes is copper alloys. However, developing this material to meet the necessary specifications is not easy. Discovering a suitable copper alloy candidate involves a lot of trial and error to find the optimal combination of alloying elements and processing methods. Therefore, a new approach is needed to accelerate the discovery process of new copper alloys with an optimal combination of mechanical, electrical, and thermal properties. One proposed solution to address this issue is the use of machine learning methods. In this study, six models consisting of five classical machine learning models and one deep learning model were developed to predict material structure (P2S model) and material properties (S2P model). Based on the coefficient of determination (R²) values, the best P2S and S2P models were found to be BPNN and XGB, respectively. These models were then integrated to form a Machine Learning Design System (MLDS). The results of the MLDS showed that the program built using the XGB model has lower fluctuation (standard deviation) and could be used to recommend new copper alloys for leadframe applications in line with the literature."

"Penggunaan polimer biodegradable sebagai matriks pada material komposit mulai dipertimbangkan untuk digunakan pada berbagai macam aplikasi karena memiliki sifat yang ramah lingkungan karena memiliki kemampuan yang dapat terdegradasi dengan baik dan cepat. Namun, polimer biodegradable memiliki beberapa kekurangan seperti sifat mekanisnya yang buruk. Metode yang dapat dilakukan untuk memperbaiki sifat mekanis dari polimer biodegradable ini adalah dengan menambahkan serat alami yang bertujuan sebagai penguat ke dalam matriks polimer sehingga membentuk material komposit. Untuk memperoleh produk dengan sifat mekanis yang sesuai dengan melakukan eksperimen secara langsung dibutuhkan proses yang panjang dan memakan biaya yang besar. Oleh karena itu, pembelajaran mesin hadir sebagai solusi dalam menciptakan proses pemilihan material yang efektif, akurat, singkat, dan hemat. Dalam penelitian ini, prediksi kekuatan tarik material polimer biodegradable berpenguat serat alami melibatkan empat model pembelajaran mesin dengan Extreme Gradient Boosting (XGB) sebagai model terpilih karena performanya yang stabil dan baik dengan metrik evaluasi skor R^2 sebesar 0,866, RMSE sebesar 7,26, dan MAE sebesar 4,84. Dilakukan proses validasi dengan melakukan perbandingan nilai yang model hasilkan dengan nilai aktual berdasarkan penelitian yang telah dilakukan terdahulu dan memperoleh performa yang baik dan optimum dengan selisih akurasi, yaitu rentang 1,02% sampai 27,19%.

---

The use of biodegradable polymers as matrices in composite materials is starting to be considered for use in a wide variety of applications due to their environmentally friendly properties as they have the ability to degrade well and quickly. However, biodegradable polymers have some drawbacks such as poor mechanical properties. A possible method to improve the mechanical properties of these biodegradable polymers is to add natural fibers that act as reinforcement into the polymer matrix to form a composite material. Obtaining a product with suitable mechanical properties by conducting direct experiments is a lengthy and costly process. Therefore, machine learning comes as a solution in creating an effective, accurate, short, and economical material selection process. In this study, the tensile strength prediction of natural fiber-reinforced biodegradable polymer materials involves four machine learning models with Extreme Gradient Boosting (XGB) as the selected model due to its stable and good performance with the evaluation metrics of R^2 score of 0.866, RMSE of 7.26, and MAE of 4.84. The validation process was carried out by comparing the values generated by the model with the actual values based on previous research and obtained good and optimum performance with a difference in accuracy, which ranges from 1.02% to 27.19%."

"Rancang campur beton merupakan proses bertahap dan kompleks untuk mencoba menemukan komposisi bahan terbaik guna menghasilkan beton dengan performa terbaik. Kuat tekan beton merupakan sifat terpenting dalam kualitas beton dibandingkan sifat-sifat lain. Dalam proses pembuatannya, banyak variabel terutama jumlah komposisi material penyusun yang dapat memengaruhi kuat tekan beton. Terdapat beberapa metode konvensional dalam memprediksi beton yang terkadang memberikan hasil prediksi lebih atau kurang dari kuat tekan yang ditargetkan. Diperlukan metode yang akurat dalam memprediksi kuat tekan beton agar dapat memberikan keuntungan secara signifikan terhadap penggunaan bahan. Oleh karena itu, penelitian ini menggunakan Deep Neural Network (DNN) sebagai subbidang dari Machine Learning (ML) dan Artificial Intelligence (AI), untuk memprediksi kuat tekan beton berdasarkan komposisi campuran dan properti materialnya. Penelitian ini menghasilkan formula matematika berupa persamaan yang dihasilkan dari model DNN terbaik dengan melihat aspek error model dan grafik model loss. Terdapat total 2048 model yang dianalisis dengan variasi jumlah variabel input (feature) yang berbeda-beda. Model 280 pada kasus 1 dan model 23 pada kasus 5 merupakan model terbaik yang dihasilkan penelitian ini, dengan masing-masing nilai error model 43,8028 dan 5778,5850 untuk Mean Squared Error (MSE) serta 5,0073 dan 59,8225 Maen Absolute Error (MAE).

---

Concrete mix design is a gradual and complex process of trying to find the best ingredient composition to produce the best performing concrete. The compressive strength of concrete is the most important property in concrete quality compared to other properties. In the manufacturing process, many variables, especially the amount of material composition, can affect the compressive strength of concrete. There are several conventional methods of predicting concrete that sometimes give predictive results more or less than the targeted compressive strength. An accurate method of predicting the compressive strength of concrete is needed in order to significantly benefit the use of materials. Therefore, this research utilizes Deep Neural Network (DNN), a subfield of Machine Learning (ML) and Artificial Intelligence (AI), to predict the compressive strength of concrete based on its mix composition and material properties. This research produces mathematical formulas in the form of equations generated from the best DNN model by looking at the aspects of model error and model loss graphs. There are a total of 2048 models analyzed with different variations in the number of input variables (features). Model 280 in case 1 and model 23 in case 5 are the best models produced by this study, with model error values of 43.8028 and 5778.5850 for Mean Squared Error (MSE) and 5.0073 and 59.8225 Maen Absolute Error (MAE), respectively."

"Fatik menjadi salah satu indikator utama yang menjadi perhatian pada penggunaan paduan alumunium sebagai aplikasi struktural pesawat terbang, dimana sebanyak lebih dari 50% kecelakaan dirgantara disebabkan oleh kegagalan fatik material. Metode eksperimental trial and error untuk mendesain material memerlukan waktu panjang, biaya tinggi, serta efisiensi penelitian yang dipengaruhi oleh intuisi dan keberuntungan dari peneliti menimbulkan urgensi pendekatan lain dalam penelitian mekanika material. Penelitian mekanika material berbasis Pembelajaran Mesin (PM) dapat memanfaatkan data-data eksperimen dan penelitian terdahulu, sehingga dapat memangkas biaya dan waktu penelitian. Pada penelitian ini telah berhasil dikembangkan dua model deep learning yang mampu memetakan dengan baik hubungan antara data paduan alumunium dengan sifat fatik yang dihasilkan. Model dibuat dengan arsitektur Deep Neural Network menggunakan TensorFlow. Model S2P (Structure to Performance) dapat memprediksi performa fatik suatu paduan alumunium dari data komposisi, perlakuan panas, sifat mekanis, dan pembebanan fatik yang diterima. Model P2S (Performance to Structure) dapat memprediksi komposisi paduan alumunium yang dapat memenuhi performa fatik yang diharapkan. Kedua model menghasilkan performa baik berdasarkan pada metrik penilaian R2, yaitu senilai 0,92 untuk model S2P dan 0,96 untuk model P2S. Formula matematika sifat mekanis dan sifat fatik paduan alumunium dibuat sebagai fungsi dari variabel unsur paduan dan perlakuan panas. Pengembangan model deep learning prediksi sifat paduan alumunium berbasis fitur atomik menunjukkan bahwa total elektronegatifitas berpengaruh besar terhadap sifat mekanis dan sifat fatik.

---

Fatigue is one of the main concern of the utilization of aluminum alloys as aircraft structural applications, since more than 50% of aerospace accidents are caused by material fatigue failure. The experimental trial and error method for designing materials requires long time and high costs. Research efficiency is also influenced by intuition and luck of the researcher. These condition raises the urgency of other approaches in material mechanics research. Machine Learning (ML) based material mechanics research can take advantage of experimental data and previous research, which ables reduce research costs and time. In this research, two deep learning models have been successfully developed. The models are able to map the relationship between aluminum alloy data and the resulting fatigue properties. The model is built on a fully connected Deep Neural Network architecture using TensorFlow. The S2P (Structure to Performance) model can predict the fatigue performance of an aluminum alloy from the data of composition, heat treatment, mechanical properties, and fatigue loading condition. The P2S (Performance to Structure) model can predict the composition of aluminum alloys that can meet the expected fatigue performance. Both models produce good performance based on the R2 scoring metric, which is 0.92 for the S2P model and 0.96 for the P2S model. Mathematical formulas for mechanical properties and fatigue properties of alloys are made as a function of alloying and heat treatment variables. The development of atomic feature based deep learning model shows that the total electronegativity has a large impact on the mechanical properties and fatigue properties."

"Ujaran kebencian dapat menyebabkan terjadinya konflik dan pembantaian di masyarakat sehingga harus segera ditangani. Indonesia memiliki lebih dari 700 bahasa daerah dengan karakteristik masing-masing. Ujaran kebencian yang ada di Indonesia juga pernah dilakukan menggunakan bahasa daerah. Media sosial Twitter paling sering digunakan dalam menyebarkan ujaran kebencian. Identifikasi target, kategori, serta level ujaran kebencian dapat membantu Polri dan Kemenkominfo dalam menentukan prioritas penanganan ujaran kebencian sehingga dapat meminimalisir dampaknya. Penelitian ini melakukan identifikasi ujaran kasar dan ujaran kebencian beserta target, kategori, dan level ujaran kebencian pada data Twitter berbahasa daerah menggunakan algoritma classical machine learning dan deep learning. Penelitian ini menggunakan data lima bahasa daerah di Indonesia dengan penutur terbanyak yaitu Jawa, Sunda, Madura, Minang, dan Musi. Pada data Bahasa Jawa performa terbaik diperoleh menggunakan algoritma Support Vector Machine (SVM) dengan transformasi data Classifier Chains (CC) serta kombinasi fitur word unigram, bigram, dan trigram dengan F1-score 70,43%. Algoritma SVM dengan transformasi data CC serta kombinasi fitur word unigram dan bigram memberikan performa terbaik pada data Bahasa Sunda dan Madura dengan masing-masing F1-score 68,79% dan 78,81%. Sementara itu, pada data Bahasa Minang dan Musi hasil terbaik diperoleh menggunakan algoritma SVM dengan transformasi data CC serta fitur word unigram dengan F1-score 83,57% dan 80,72%. Penelitian ini diharapkan dapat digunakan sebagai masukan bagi Polri dan Kemenkominfo dalam pembangunan sistem identifikasi ujaran kasar, ujaran kebencian serta target, kategori, dan level ujaran kebencian pada media sosial.

---

Hate speech can lead to conflict and massacres in society so it must be dealt immediately. Indonesia has more than 700 regional languages with their own characteristics. Hate speech in Indonesia has also been carried out using regional languages. Twitter is the most frequently used social media to spread hate speech. Identification of targets, categories, and levels of hate speech can help the National Police and the Ministry of Communication and Information to determine priorities for handling hate speech to minimize its impact. This study identifies abusive speech and hate speech along with the target, category, and level of hate speech on regional language Twitter data using classical machine learning and deep learning algorithms. This study uses data from five regional languages in Indonesia with the most speakers, namely Javanese, Sundanese, Madurese, Minang, and Musi. In Java language data, the best performance is obtained using the Support Vector Machine (SVM) algorithm with Classifier Chains (CC) data transformation and a combination of unigram, bigram, and trigram word features with an F1-score of 70.43%. The SVM algorithm with CC data transformation and the combination of unigram and bigram word features provides the best performance on Sundanese and Madurese data with F1-scores of 68.79% and 78.81%, respectively. Meanwhile, in Minang and Musi language data, the best results were obtained using the SVM algorithm with CC data transformation and word unigram features with F1-scores of 83.57% and 80.72%, respectively. This research is expected to be used as input for the National Police and the Ministry of Communication and Information in developing a system for identifying harsh speech, hate speech and the target, category, and level of hate speech on social media."

"Banyak sekali variabel nonlinear didalam sistem kendali untuk quadcopter sehingga cukup rumit untuk mengendalikan dinamika penerbangan dari wahana ini. Salah satu metode yang digunakan untuk membangun model dinamik quadcopter adalah Deep Learning berbasis Long Short-Term Memory. Metode pembelajaran yang umum digunakan dalam melatih model adalah offline learning, dimana pelatihan dilakukan secara akumulatif berdasarkan dataset yang telah dimiliki. Walaupun offline learning memungkinkan model belajar lebih cepat, metode ini menghasilkan model yang kurang baik untuk wahana yang membutuhkan feedback dengan kompleksitas tinggi. Untuk menangani masalah tersebut akan dikembangkan metode online learning, dimana data diperoleh secara sekuensial dan digunakan untuk memperbarui model di setiap timestep. Akan ditunjukkan bahwa metode online learning dapat memperbaiki model yang diperoleh dari metode offline learning berdasarkan Mean Square Error dari setiap jenis data quadcopter. ..... There are so many nonlinear variables in the control system for the quadcopter so it is quite complicated to control the flight dynamics of this vehicle. One of the methods used to build a dynamic quadcopter model is Deep Learning based on Long Short-Term Memory. The learning method commonly used in training the model is offline learning, where training is carried out accumulatively based on the existing dataset. Although offline learning allows for faster learning models, this method results in poor models for vehicles that require high complexity feedback. To deal with this problem, an online learning method will be developed, where data is obtained sequentially and used to update the model at each time step. It will be shown that the online learning method can improve the model obtained from the offline learning method based on the Mean Square Error of each quadcopter data type."

"Penelitian ini berfokus pada pengaplikasian teknologi deep learning, secara khusus menggunakan Residual Network (ResNet101) dalam prediksi perencanaan dosis untuk pasien kanker paru-paru. Tiga variasi input data diproses untuk dilatih dan diuji menggunakan ResNet, dan kemudian dievaluasi untuk menentukan variasi input yang paling akurat. Tujuan utama penelitian ini adalah memahami mekanisme kerja deep learning dalam prediksi perencanaan dosis, mengevaluasi akurasi prediksi menggunakan ResNet, dan menganalisis kinerja model pada masing-masing variasi input data. Metodologi yang digunakan melibatkan penggunaan model input dan output untuk menghasilkan kurva distribusi-volume dosis (DVH) prediksi dan aktual. DVH merupakan kurva yang digunakan untuk mengukur seberapa besar dosis yang diterima dalam persentase volume pada organ tertentu. Evaluasi dilakukan menggunakan metode Mean Absolute Error (MAE) dari persentase volume prediksi dan referensi masing-masing pasien pada rentang dosis yang ditentukan yaitu 0-60 Gy dengan lebar bin sebesar 0,25 Gy. Hasil evaluasi menunjukkan bahwa variasi data input A memberikan nilai MAE sebesar 11,24% ± 10,58%, variasi data input B memberikan MAE sebesar 12,79% ± 11,27%, dan variasi data input C memberikan MAE sebesar 12,22% ± 12,13%. Hasil tersebut memperlihatkan bahwa variasi data input A memiliki tingkat akurasi terbaik dengan nilai error dan standar deviasi terendah. Evaluasi juga melibatkan penggunaan train-val loss untuk masing-masing model yang dilatih. Temuan ini menunjukkan bahwa penggunaan citra CT sebagai channel 1, gabungan ROI tanpa ROI target sebagai channel 2, dan ROI target sebagai channel 3 memberikan prediksi perencanaan dosis yang paling akurat untuk pasien kanker paru-paru.

---

This study focuses on the application of deep learning technology, specifically using Residual Network (ResNet101), to predict dosage planning for lung cancer patients. Three variations of input data were processed for training and testing using ResNet, and then evaluated to determine the most accurate input variation. The primary objectives of this research are to understand the mechanism of deep learning in dosage planning prediction, evaluate prediction accuracy using ResNet, and analyze model performance for each input data variation. The methodology involved using input and output models to generate predicted and actual dose-volume histogram (DVH) curves. DVH is a curve used to measure the dose received as a volume percentage in a specific organ. Evaluation was conducted using the Mean Absolute Error (MAE) method from the volume percentage prediction and reference for each patient within a dose range of 0-60 Gy with a bin width of 0,25 Gy. The evaluation results showed that input data variation A yielded an MAE of 11,24% ± 10,58%, input data variation B yielded an MAE of 12,79% ± 11,27%, and input data variation C yielded an MAE of 12,22% ± 12,13%. These results indicate that input data variation A had the best accuracy with the lowest error and standard deviation. Evaluation also included using train-val loss for each trained model. These findings suggest that using CT images as channel 1, a combination of ROIs excluding the target ROI as channel 2, and the target ROI as channel 3 provides the most accurate dosage planning prediction for lung cancer patients."