Hasil Pencarian  ::  Simpan CSV :: Kembali

"Proses segmentasi organ secara manual memakan waktu dan hasilnya subyektif terhadap definisi batas-batas kontur. Pemanfaatan teknologi Machine Learning (ML) berjenis 3D convolutional neural network (3D CNN) untuk mensegmentasi organ secara otomatis dapat mempercepat dan menstandarisasi hasil segmentasi organ. Penelitian ini mengimplementasilan network ML berbasis VoxResNet dan memanfaatkan 60 dataset CT Scan toraks dari Grand Callenge AAPM 2017 untuk melatih, memvalidasi, dan menguji model-model ML dengan berbagai variasi hyperparameter. Pengaruh variasi hyperparameter terhadap hasil segmentasi model juga dipelajari. Dataset dibagi menjadi 3 yaitu, 36 untuk perlatihan, 12 untuk validasi, dan 12 untuk pengujian. Dalam penelitian ini paru-paru kiri dan paru-paru kanan dijadikan satu jenis OAR bernama paru-paru, esophagus dan spinal cord dijadikan satu OAR bernama ESP, sedangkan jantung tetap OAR tersendiri. Variasi hyperparameter adalah variasi ukuran patch, jumlah batch, dan weight class. Hasil segmentasi model-model dievaluasi dan diperbandingkan untuk mencari model terbaik dengan hyperparameter-nya yang mampu menghasilkan kualitas hasil segmentasi organ terbaik. Kemampuan network dalam proses perlatihan dan validasi dievaluasi menggunakan kurva pembelajaran. Kualitas hasil segmentasi model organ dievaluasi menggunakan boxplot distribusi populasi nilai metrik Dice Similiarity Coefficient (DSC) dan Housdorf Distance (HD) setiap slice. Peningkatan atau penurunan kinerja model akibat variasi hyperparameter dinilai menggunakan skor peningkatan metrik. Terakhir, metrik DSC dan HD95 secara 3D hasil segmentasi model terbaik dibandingkan dengan hasil segmentasi oleh interrater variability AAPM 2017 dan hasil segmentasi team virginia. Hasil kurva pembelajaran tidak mengalami underfitting menunjukkan bahwa network mampu mempelajari data perlatihan dengan baik. Overfitting terjadi pada model organ jantung dan ESP. Hasil eksperimen variasi ukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja moukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja model. Model ukuran patch tengah memberikan kualitas distribusi metrik dan skor paling baik dibandingkan model ukuran patch terkecil dan terbesar pada semua OAR dengan skor 11, 13, dan 13 dari 16. Hasil eksperimen variasi jumlah batch menunjukkan bahwa peningkatan jumlah batch tidak selalu berdampak positif terhadap kinerja model. Untuk model jantung ukuran patch terbesar, peningkatan batch dapat meningkatkan skor dari 2 menjadi 12. Untuk model ESP ukuran patch terbesar, peningkatan batch menurunkan skor dari 13 menjadi 2. Hasil eksperimen variasi weight class (W) menunjukkan bahwa baik model jantung maupun ESP cenderung memberikan distribusi metrik dan skor terbaik di sekitar W = [1,3.67] atau W = [1, C1 < 11]. Dibandingkan dengan interrater variability AAPM, model jantung terbaik menghasilkan nilai metrik yang comparable, yaitu untuk DSC 3D 0.932 ± 0.016 = 0.931 ± 0.015 dan untuk HD95 4.00 ± 0.25 < 6.42 ± 1.82. Sedangkan untuk model paru-paru memberikan metrik lebih baik, yaitu 0.964 ± 0.025 > 0.956 ± 0,019 dan 4,72± 0,21 < 6.71 ± 3,91. Dibandingkan dengan team virginia, model jantung terbaik berhasil memberikan nilai metrik yang lebih baik. yaitu 0.932 ± 0.016 > 0.925 ± 0.015 dan 4.00 ± 0.25 < 6.57 ± 1.50, sedangkan model ESP terbaik menghasilkan metrik yang comparable, yaitu 0.815 ± 0.049 = 0,810 ± 0,069 dan 4,68 ± 0,17 < 8,71 ± 10,59. Dari hasil-hasil ini memberikan potensi adanya perpaduan ukuran patch, jumlah batch, dan weight class tertentu yang dapat menyebabkan hasil segmentasi model ukuran patch lebih kecil dapat mengimbangi hasil segmentasi model ukuran patch lebih besar sehingga tuntutan akan perangkat dengan spesifikasi tinggi dan mahal dapat berkurang.

---

The process of manual organ segmentation is time consuming and the results are subjective in term of definition of contour boundaries. The utilization of Machine Learning (ML) technology using 3D convolutional neural network (3D CNN) to segment organs automatically can speed up the procces as well as standardizing the results of organ segmentation. This study implements a VoxResNet-based ML network and utilizes 60 thoracic CT scan datasets obtained from Grand Callenge AAPM 2017 to train, validate, and test ML models with various hyperparameter variations. The effects of hyperparameter variations on the segmentation results of models are also studied. The dataset is divided into 3 parts, namely 36 for training, 12 for validation, and 12 for testing. In this study the left lung and right lung were combined into one type of OAR called the lung, the esophagus and spinal cord were combined into one OAR called ESP, while the heart remained a separate OAR. Hyperparameter variations are variations in patch size, number of batches, and weight loss. The segmentation results of the models are evaluated and compared each other to find the best model and it’s hyperparameters which is able to produce the best segmentation’s quality. The ability of the network in training and validation procceses is evaluated using learning curve. The quality of the organ model’s segmentation results is evaluated using boxplot of population’s distribution of the Dice Similiarity Coefficient (DSC) and Housdorf Distance (HD) metrics for each slice. The increases or decreases in model performance due to variations in hyperparameters are assessed using the metric improvement score. Finally, the 3D DSC and HD95 metrics of the best model’s segmentation results are compared to the results of segmentation by the AAPM 2017’s interrater variability and to the segmentation results by team virginia. There is no underfitting of learning curve indicates that the network is able to learn the training data. Overfitting occurs in the heart and ESP models. The experimental results from patch size variations show that the size of the patch is not always linear with the performance of the model. The middle patch sized models give the best metric distribution’s quality as well as scores compared to the smallest and largest patch sized models for all OARs with scores of 11, 13, and 13 out of 16. The experimental results from batch number variations show that an increase in batch does not always have a positive impact on model performance. For the largest patch sized heart’s model, the increase increases the score from 2 to 12. For the largest patch sized ESP's model, the increase reduces the score from 13 to 2. The results from variations in weight loss (W) experiment show that both heart’s and ESP's models tend to provide the best distributions in term of metrics and scores around W = [1, 3.67] or W = [1, C1 < 11]. By comparing with AAPM's interrater’s variability, the best heart model produces comparable metric's result, that is 0.932 ± 0.016 = 0.931 ± 0.015 for DSC 3D and 4.00 ± 0.25 < 6.42 ± 1.82 for HD95. The best lungs model produces better metrics, that is 0.964 ± 0.025 > 0.956 ± 0,019 and 4,72 ± 0,21 < 6.71 ± 3,91. By comparing with team virginia's results, the best heart model produces better results that is 0.932 ± 0.016 > 0.925 ± 0.015 and 4.00 ± 0.25 < 6.57 ± 1.50. Meanwhile the best ESP model produces comparable results that is 0.815 ± 0.049 = 0,810 ± 0,069 and 4,68 ± 0,17 < 8,71 ± 10,59. The results of this study suggests that there is a certain combination of patch size, batch, and weight class by which enables smaller patch sized model to produce comparable metric's result produced by larger patch sized model thus decreasing the need to use higher specificationed and expensive computer."

"Tujuan penelitian ini adalah melakukan studi awal guna memprediksi nilai kerma udara dan half value layer (HVL) pesawat CT scan berdasarkan citra fantom homogen. Penelitian ini dilakukan dengan menggunakan citra homogen dari fantom standar CT scan yang dilakukan ekstraksi fitur GLCM (Gray Level Co-occurence Matrix), dengan data tambahan berupa nilai kVp pengambilan citra. Sebagai label output adalah hasil pengukuran kerma udara dan HVL. Model yang digunakan berbasis artificial neural network, dengan hyperparameter ditentukan berdasarkan teknik hyperparameter tuning dengan menggunakan Teknik Gridsearch. Pencarian hyperparameter berupa fungsi aktivasi, jumlah hidden layer, jumlah hidden unit, kernel initializer, dan optimizer dilakukan dengan Analisa performa hasil. Kualitas performa klasifikasi model artificial neural network menggunakan confusion matrix menunjukkan akurasi sebesar 84,4% pada model yang dilatih menggunakan input fitur GLCM, sedangkan pada model artificial neural network yang menggunakan input fitur GLCM dan kVp menunjukkan akurasi sebesar 100%. Hasil ini menunjukkan bahwa fitur GLCM mampu menghasilkan akurasi yang baik untuk melakukan prediksi kerma udara dan HVL. Namun, jika disertai dengan fitur kVp sebagai input, maka proses training akan menghasilkan akurasi yang sangat baik, dengan gejala dominasi fitur kVp terhadap fitur GLCM.

---

The goals of this research is to do preliminary study to predict air kerma and half value layer (HVL) of CT scan base on phantom image which has homogeneous characteristic. This research starts with GLCM (Gray Level Co-occurence Matrix) feature extraction process from the phantom image, the kVp value also extracted from the phantom image dicom information. While the target during training is air kerma and HVL measurement resulted from the dosimeter and solid state device. Machine learning model used for this research is artificial neural network (ANN) base Machine Learning model. However, the hyperparameter have not yet been found. Thus, this problem could be solved by using Hyperparameter tuning technique, specifically using Gridsearch with variety of activation function, hidden layers, hidden units, kernel initializer, and optimizer as the parameter guideline. The performance of classification model is measured using confusion matrix technique. The classification performance show that the model which trained using GLCM feature only has 84.4% accuracy to predict air kerma and HVL. While, the classification performance show that the model which trained using GLCM feature and kVp that extracted from the dicom information has 100% accuracy to predict air kerma and HVL. Although, the model that train using GLCM feature and kVp can predict much better than the model which trained using GLCM feature only, it shows that GLCM feature is dominated by kVp feature that extracted from the dicom information."

"Plat nomor merupakan suatu jenis identifikasi kendaraan bermotor. Setiap kendaraan bermotor yang beroperasi dijalanan diwajibkan untuk melengkapi kendaraannya dengan plat nomor atau Tanda Nomor Kendaraan Bermotor (TNKB) yang sesuai dengan kode wilayah, nomor registrasi dan masa berlaku. Plat nomor di Indonesia terdapat 3 warna yang dipakai yaitu hitam, merah dan kuning dengan masing masing warna untuk fungsi yang berbeda. Dengan jumlah kendaraan di Indonesia, sistem pengenalan plat nomor dibuat secara otomatis bisa di implementasikan untuk memudahkan berbagai hal dalam pendataan plat nomor diantaranya pengecekan plat nomor ketika di area parkir, menemukan kendaraan yang dicuri ataupun mobil yang melanggar lampu merah. Pada penelitian ini terdapat 2 metode yang sering digunakan untuk pengenalan plat nomor otomatis yaitu KNN (K-Nearest Neighbour) dan NN (Neural Network). Setelah dilakukan pengujian menggunakan 3 analisis uji yang sudah dilakukan oleh penulis, akurasi metode neural network berhasil mencapai 88,8% sedangkan pada K-Nearest Neighbor akurasinya mencapai 72,2%. Metode NN lebih baik daripada KNN pada pengujian kali ini disebabkan adanya modifikasi pada variable yang dapat membuat akurasi NN lebih baik daripada KNN. Sedangkan pada metode KNN tidak dapat merubah akurasi yang telah didapatkan.

---

Number plate is a type of motor vehicle identification. Every motorized vehicle operating on the road is required to complete the vehicle with a license plate or Motor Vehicle Number (TNKB) that matches the area code, registration number and validity period. Number plates in Indonesia there are 3 colors used, namely black, red and yellow with each color for different functions. With the number of vehicles in Indonesia, the number plate recognition system is made automatically can be implemented to facilitate various things in number plate registration including checking license plates when in the parking area, finding stolen vehicles or cars that violate red lights. In this study there are 2 methods that are often used for automatic number plate recognition, namely K-Nearest Neighbor and NN (Neural Network). After testing using 3 test analyzes carried out by the author, the accuracy of the neural network method reached 88.8% while the K-Nearest Neighbor accuracy was 72.2%. The NN method is better than KNN in this test due to a modification in the variable that can make the accuracy of NN better than KNN. While the KNN method cannot change the accuracy that has been obtained."

"Di Indonesia, stroke merupakan penyakit dengan angka kematian tertinggi yaitu menempati urutan pertama selamalebih dari dua dekade, 1990-2017. Stroke dibagi menjadi dua jenis, iskemik dan hemoragik, namun 87% penderitastroke adalah stroke iskemik. Sementara itu, jika pasien menderita stroke iskemik dan hal tersebut baru pertama kaliterjadi, maka penderita harus segera mungkin mendapatkan penanganan. Hal ini dikarenakan adanya golden periodpada penanganan stroke yaitu selama 4.5 jam, agar penderita dapat tertolong dan mengurangi risiko kematian ataukecacatan permanen. Oleh karena itu, penting adanya deteksi dini, sehingga banyak penelitian yang dilakukankhususnya di bidang teknologi untuk melakukan diagnosis otomatis guna membantu dokter. Machine learning dandeep learning adalah metode yang sering digunakan karena kemampuannya memberikan hasil prediksi dengan akurasi tinggi. Pada penelitian ini penulis akan memberikan pembaruan dalam pendeteksian stroke iskemik berdasarkan CT scan pasien dengan mengganti peran neural networks untuk klasifikasi pada CNN dengan random forest, support vector machines and k-nearest neighbors. Berdasarkan metode yang dirancang, akurasi pada data training didapatkan 100% untuk RF dan SVM. Dalam validasi data, RF (94,07%) menghasilkan akurasi yang lebih tinggi pada nilai rata-rata dibandingkan dengan SVM (93,20%) dan kNN (79,01%).

---

In Indonesia, stroke is a disease with the highest mortality rate, which ranks first for more than two decades, 1990-

2017. Stroke is divided into two types, ischemic and hemorrhagic, but 87% of stroke patients are ischemic stroke.

Meanwhile, if the patient suffers from an ischemic stroke and this is the first time it has happened, then the patient

should get treatment as soon as possible. This is because there is a golden period in stroke treatment, which is 4.5

hours, so that patients can be helped and reduce the risk of death or permanent disability. Therefore, early detection is important, so that a lot of research has been carried out, especially in the field of technology to carry out automatic diagnosis to help doctors. Machine learning and deep learning are methods that are often used because of their ability to provide predictive results with high accuracy. In this study, the authors will provide an update in the detection of ischemic stroke based on CT scans of patients by replacing the role of neural networks for classification on CNN with random forests, support vector machines and k-nearest neighbors. Based on the designed method, the accuracy of the training data is 100% for RF and SVM. In data validation, RF (94.07%) resulted in higher accuracy in the average value compared to SVM (93.20%) and kNN (79.01%)."

"ABSTRAK

Kanker Payudara (KPD) merupakan salah satu penyakit penyebab kematian terbesar. Indonesia merupakan negara dengan jumlah KPD cukup besar. KPD ini merupakan benjolan. Benjolan ini dapat diperiksa menggunakan cara manual yaitu diraba bagian dekat dengan putting susu. Jika benjolan tidak kunjung mengecil dianjurkan untuk memeriksa ke dokter. Pendektesian KPD ini dapat dilakukan dengan menggunakan proses pencitraan. Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Pendektesian dilakukan dengan menganalisa gambar payudara (mammography) pasien dengan menggunakan metode Principal Component Analysis (PCA) mengubah gambar dalam bentuk matriks. Matriks ini akan digunakan sebagai data yang akan digunakan dalam Neural Network (jaringan saraf tiruan) dengan metode Backpropagation Neural Network (BNN). Dari hasil Percobaan dapat diketahui bahwa metode ini menghasilkan nilai akurasi pembelajaran dari deep learning supervised sebesar 98%.

---

ABSTRACTBreast Cancer is one of the biggest causes of death. Indonesia is a country with a large number of KPDs. This KPD is a lump. This lump can be examined using a manual method that is palpated near the nipple. If the lump does not go away it is recommended to see a doctor. This breast cancer assessment can be done using the imaging process. . The data used in this study was taken from the website of the Pilot European Image Processing Archive (PEIPA) namely the Mammographic Image Analysis Society (MIAS) dataset. The assessment is done by analyzing the breast image (mammography) of the patient using the Principal Component Analysis (PCA) method to change the image in the form of a matrix. This matrix will be used as data to be used in Neural Networks with the Backpropagation Neural Network (BNN) method. From the results of the Experiment it can be seen that this method produces the value of accuracy of learning from supervised deep learning about 98%.

"

"Dalam penelitian ini, algoritma in-house berbasis RED-CNN disusun dan dilatih menggunakan citra fantom PMMA silinder berdiameter 26 cm pada lima nilai fluks simulasi noise berbeda (5,00 x 10⁴, 7,50 x 10⁴, 1,00 x 10⁵, 1,50 x 10⁵, dan 2,00 x 10⁵). Model diuji pada citra fantom PMMA berbentuk ellips dengan ukuran 21 x 26 cm pada lima nilai fluks simulasi noise berbeda (5,00 x 10⁴, 1,00 x 10⁵, 1,50 x 10⁵, 2,50 x 10⁵, dan 5,00 x 10⁵) untuk mengevaluasi kemampuan denoising dari model dengan menggunakan nilai signal to noise ratio (SNR), peak signal to noise ratio-desibel (PSNR-dB), structural similarity (SSIM) index, dan noise power spectrum (NPS) sebagai parameter. Evaluasi terhadap kemungkinan penurunan kualitas citra juga dilakukan dengan menguji model menggunakan citra fantom homogen dan citra fantom kawat yang diperoleh menggunakan lima nilai mAs berbeda (155 mAs, 200 mAs, 250 mAs, 275 mAs, dan 300 mAs). Hasil menunjukkan bahwa model dapat secara konsisten meningkatkan nilai SNR, PSNR-dB, SSIM dan spektrum noise yang terukur. Hasil yang diperoleh juga menunjukkan adanya kemungkinan citra mengalami over-smoothing apabila model diaplikasikan pada citra dengan tingkat noise lebih rendah, ditandai dengan adanya pergeseran puncak kurva NPS menuju frekuensi spasial rendah dan peningkatan nilai SNR, PSNR-dB, dan SSIM secara terus-menerus. Selain itu, tingkat noise dari data latih yang digunakan dalam proses pelatihan juga mempengaruhi performa akhir dari model. Pada penggunaan data latih dengan tingkat noise lebih rendah, penurunan nilai SNR, PSNR-dB, dan SSIM dan kenaikan kurva NPS yang terukur mengindikasikan tingkat noise lebih tinggi pada citra hasil supresi. Sementara itu, penggunaan data latih dengan tingkat noise lebih tinggi menyebabkan penurunan pada ketajaman citra yang ditandai dengan penurunan nilai frekuensi cut-off dari modulation transfer function (MTF 10%) hingga 45,41% dari citra awal.

---

In this study, an in-house RED-CNN-based algorithm was composed and trained using cylindrical PMMA phantom images with a diameter of 26 cm on five different noise simulation flux values (5,00 x 10⁴, 7,50 x 10⁴, 1,00 x 10⁵, 1,50 x 10⁵, and 2,00 x 10⁵). The model was tested on 21 x 26 cm elliptical PMMA phantom images on five different simulated noise flux values (5,00 x 10⁴, 1,00 x 10⁵, 1,50 x 10⁵, 2,50 x 10⁵, and 5,00 x 10⁵) to evaluate its denoising capability using signal to noise ratio (SNR), peak signal to noise ratio-decibel (PSNR-dB), structural similarity (SSIM) index, and noise power spectra (NPS) values as parameters. Evaluation on possible decrease of image quality was also performed by testing the model using homogenous phantom and wire phantom images acquired using five different mAs values (155 mAs, 200 mAs, 250 mAs, 275 mAs, and 300 mAs). Results show that the model was able to consistently increase SNR, PSNR-dB, SSIM values and the measured noise spectra. It is also shown that there exists a possibility of image over-smoothing when the model was applied on images with less noise, marked by the shift of the NPS curves towards lower spatial frequencies and the continuous increase of SNR, PSNR-dB, and SSIM. Moreover, the noise level of training data used in model training is shown to affect the final performance of the model. On the use of training data with lower noise level, the decrease of SNR, PSNR-dB, and SSIM, and the increase of NPS curves indicate higher noise level in suppressed images. Meanwhile, the use of training data with higher noise resulted on the decrease of denoised images sharpness, as indicated by an up to 45,41% decrease of modulation transfer function cut-off frequency (MTF 10%) from the original images."

"Emisi kendaraan terutama yang menggunakan mesin diesel merupakan masalah yang sudah tidak asing lagi. Nox, HC, O2, CO, CO2 dan asap yang merupakan zat- zat hasil pembakaran mesin diesel dapat di ukur melalui percobaan eksperimental. Tetapi tentunya percobaan eksperimental ini mempunyai beberapa kekurangan seperti pengoperasiannya yang mahal serta prosesnya yang memakan waktu cukup panjang. Untuk mengatasi masalah itu semua, maka dibuatlah suatu metode pemodelan matematika menggunakan Artificial Neural Network (ANN). Metode ANN yang digunakan dalam skripsi ini adalah Backpropagation. Dengan dilakukannya penelitian ini diharapkan karakter emisi kendaraan mesin diesel dapat diprediksi secara akurat. Hasil dari penelitian ini membuktikan bahwa ANN cukup handal dalam memprediksi emisi bahan bakar mesin diesel.

---

Vehicle emissions, especially using diesel engine is not a strange problem anymore. NOx, HC, O2, CO, CO2 and smoke emissions comes from the combustion of substances in diesel engines can be measured through experimental test. Certainly this experimental test has several shortcomings such as the operation is expensive and time consuming process which is long enough.

To cope with this problem, then a mathematical modeling method using Artificial Neural Network (ANN) was made. ANN method used in this thesis is Backpropagation. This research expect to predict characters of diesel engine emissions accurately. The results of this study proves that ANN quite good to predict diesel engine emission."

"Jagung (Zea mays L.) merupakan salah satu tanaman serelia atau tanaman biji-bijian yang menjadi bahan pangan utama terpenting setelah padi dan gandum di dunia. Komoditas jagung dinilai sangat penting karena memiliki fungsi multiguna sebagai bahan pangan, bahan baku industri, bahan pakan ternak dan bahan bakar nabati. Seiring dengan kebutuhan jagung yang kian naik dari tahun ke tahunnya, kekurangan produksi dalam pasokan jagung global dan kenaikan harga input jagung menjadi hal yang harus diperhatikan karena memiliki dampak yang serius. Salah satu ancaman utama bagi produksi jagung adalah penyakit daun jagung yang disebabkan oleh jamur, beberapa diantaranya adalah Gray leaf spot, Northern leaf blight, dan Common rust. Gray leaf spot, Northern leaf blight, dan Common rust dapat menyebabkan hilangnya hasil panen sekitar 50%-70% di beberapa daerah penghasil jagung di dunia. Oleh karena itu, salah satu cara yang dapat dilakukan untuk mengurangi resiko kegagalan produksi jagung adalah mengambil langkah-langkah pencegahan dengan pendeteksian dini pada penyakit daun jagung melalui citra digital. Pada penelitian ini, digunakan pendekatan deep learning dengan metode Convolutional Neural Network (CNN) arsitektur ResNet-50 yang merupakan salah satu metode yang paling baik dalam mengolah citra digital. Data yang digunakan adalah Maize or Corn Dataset oleh Smaranjit Ghose dan diambil dari Kaggle yang merupakan online database. Setelah itu, dilakukan tahapan mengolah data citra dengan melakukan preprocessing data yang bertujuan agar meningkatkan akurasi seperti mengubah ukuran dan melakukan flip horizontal kemudian rotasi. Hasil penelitian menunjukkan bahwa Convolutional Neural Network ResNet-50 dengan menggunakan fungsi optimasi Adam dapat mendeteksi penyakit daun jagung dengan sangat baik. Hasil tersebut diperoleh dari 5 kali percobaan simulasi pada setiap skenario kasus yang menghasilkan rata-rata nilai training dan validation accuracy sebesar 98,68% dan 97,86%. Kemudian, rata-rata hasil accuracy testing, recall macro, recall micro, precision macro dan precision micro terbaik diperoleh dengan hasil masing-masing sebesar sebesar 97,49%, 97,13%, 97,53%, 96,69% dan 97,87%.

---

Maize (Zea Mays L.) is one of the cereal plants or grain crops that become an important food ingredient after rice and wheat in the world. Maize is also considered very important because it has a multi-purpose function as food, industrial raw materials, animal feed ingredients, and biofuels. Along with increasing demand for maize from year to year, lack of production for global maize supply and increase of maize price is one thing that needs more attention because it has a serious impact. One of the main threats to maize production is maize leaf disease that is caused by fungi, some of them are Gray leaf spot, Northern leaf blight, and Common rust. Gray leaf spot, Northern leaf blight, and Common rust can lead to reduced yields of about 50%-70% in some maize-producing areas. Therefore, one method that can be done to reduce the failure of maize production is taking preventive measures by detecting disease using digital images. This study uses deep learning methods by Convolutional Neural Network (CNN) ResNet-50 architecture, which is one of the best methods in processing digital images. The data used in this study is Maize or Corn Dataset by Smaranjit Ghose and taken from Kaggle which is an online database. After that, the stages of processing image data are carried out by preprocessing data to increase accuracies such as resizing and doing horizontal flips and rotations. The results showed that the Convolutional Neural Network ResNet-50 using the Adam optimization function could detect maize leaf disease very well. These results were obtained from 5 simulations experiments in each case scenario which resulted in an average value of training and validation accuracy of 98.68% and 97.86. Then, the average results of the best accuracy testing, recall macro, recall micro, precision macro, and precision micro were obtained with results of 97.49%, 97.13%, 97.53%, 96.69%, and 97,87%."

"Dalam skripsi ini dibuat perangkat lunak yang dapat mengenali tipe ABO golongan darah manusia melalui pengolahan citra berbasiskan Jaringan Syaraf Tiruan (JST). Pola sampel darah yang direaksikan dengan reagen akan memiliki hasil pasangan penggumpalan yang berbeda. Jenis reagen yang direaksikan adalah antigen-A dan antigen-B. Pola pasangan darah dan reagen serta bentuk penggumpalan citra darah menjadi ciri dan kombinasi yang unik untuk membedakan tipe-tipe darah yang ada.Data sampel darah berupa citra digital yang diperoleh menggunakan kamera digital. Sampel darah direaksikan dengan reagen di atas preparat dengan urutan reagen anti-A ditempatkan pada bagian kiri preparat dan reagen anti-B pada bagian kanan. Sebelum diolah dalam sistem JST, data melewati pra-proses, yaitu proses perbaikan citra digital yang terdiri dari proses pencuplikan, gray-level quantization, dan normalisasi dalam bentuk matriks. Hasil akhirnya berupa citra fitur hitam putih dalam matriks berukuran 5×5. Hasil pra-proses kemudian dihitung nilai parameter karakteristiknya, yaitu nilai rata-rata matriks tersebut. Nilai ini selanjutnya akan dijadikan input bagi proses pelatihan jaringan syaraf tiruan dengan metode backpropagation.Jumlah data sampel sebanyak 120 set, dimana 80 di antaranya digunakan untuk melatih JST, dan sisanya digunakan untuk menguji JST. Hasil simulasi menunjukkan sistem mampu mengenali golongan darah dengan tingkat akurasi hingga 90%.

---

In this research, an identification system of human blood type is designed using image processing techniques and the Artificial Neural Network (ANN) with backpropagation algorithms. The pattern of human blood type was formed using a chemical reaction between the blood and a reagent. The reagent that used in the reaction process are anti-A and anti-B reagent. Using a flat glass preparat as a media, the anti-A reagent is mixed to the blood sample on the left side and the anti-B reagent on the right side. Combination of blood coagulation pairs could distinguish the blood type.

The blood coagulation pair is converted into digital images after taken by a digital camera. The image is then pre-processed and normalized to 50×50 matrix size. The matrix is divided to different blocks and reduced to 5×5 grayscale image. The preprocessing involved sampling, gray-level quantization, and normalization. After preprocessing, the mean of 5×5 gray scale image will be calculated and used as the input for the ANN.

The total number of blood sample data is 140 pairs, 80 set of them are used for training process of the ANN and the rest are used for identification. The simulation result shows that the system is able to identify up to 90% level of accuracy."

"Penelitian ini memiliki tujuan untuk mencari model machine learning yang dapat mengenali kegiatan yang dilakukan pengguna ATM, serta mencari algoritma terbaik untuk mengetahui kapan suatu kegiatan pengguna ATM dimulai dan selesai pada suatu video. Terdapat sembilan jenis aktivitas berbeda yang ingin dideteksi. Penelitian ini dapat dibagi dalam dua fase, yaitu fase mencari rentang waktu aktivitas pada video yang disebut fase deteksi aktivitas, dan fase mengenali aktivitas tersebut yang disebut fase pengenalan aktivitas. Pada fase pengenalan aktivitas, penulis mengajukan suatu rancangan arsitektur 3D CNN, serta melakukan eksperimen terhadap parameter pada arsitektur tersebut. Setelah melakukan beberapa eksperimen, didapatkan model terbaik dengan kernel berukuran 3 x 3 x 3, menggunakan input video dengan piksel berukuran 20 x 20 per frame, dan menggunakan dua lapis layer ekstraksi fitur. Pada fase deteksi aktivitas, penulis mengajukan suatu rancangan fungsi deteksi aktivitas, yang mengikuti framework ‘classification lalu post-processing’ yang merupakan salah satu framework untuk deteksi aktivitas (Yao et al., 2018), serta melakukan eksperimen terhadap parameter pada fungsi tersebut. Setelah melakukan beberapa eksperimen, didapatkan performa terbaik dengan parameter teta sebesar 20, dan konstanta C sebesar 365. Pada kedua eksperimen tersebut, terdapat beberapa kesalahan yang dilakukan, sehingga diperlukan eksperimen lanjutan dimana kesalahan tersebut tidak dilakukan. Kesalahan tersebut adalah model kemungkinan besar masih underfit, dan terdapat permasalahan pada pemotongan video manual pada dataset. Setelah menyelesaikan kesalahan tersebut, model untuk fase pengenalan aktivitas mendapatkan akurasi sebesar 93.94%, presisi sebesar 96.36%, recall sebesar 93.94%, dan f-score sebesar 93.69%. Pada sisi lain, dalam fase deteksi aktivitas didapatkan akurasi sebesar 94.44%, presisi sebesar 96.30%, recall sebesar 96.30%, dan f-score sebesar 94.07%.

---

This research aims to find a machine learning model that can recognize the activities of ATM users, and find the best algorithm to find when each ATM user activity starts and finishes on a video. There are nine different types of activities that this study want to detect. This research can be divided into two phases, namely the phase of detecting for a time span of activity on a video that is called the activity detection phase, and the phase of recognizing that activity that is called the activity recognition phase. In the activity recognition phase, I propose a 3D CNN architecture design, and conduct experiments on the parameters of the architecture. After carrying out several experiments, the best model is obtained with a kernel with dimensions of 3 x 3 x 3, using video input with pixels measuring 20 x 20 per frame, and using two layers of feature extraction layer. In the activity detection phase, I propose an activity detection function, which follows the ‘classification then post-processing’ framework, which is one of the frameworks for activity detection (Yao et al., 2018), and conducts experiments on the parameters of the function. After carrying out several experiments, the best performance was obtained with a theta parameter of 20, and a constant C of 365. In both experiments, there were some errors made, so that further experiments were needed to be done, where the errors were not carried out. The error is that the model is most likely still in underfit phase, and there are problems with manual video clipping on the dataset. After resolving these errors, the model for the activity recognition phase gained an accuracy of 93.94%, a precision of 96.36%, a recall of 93.94%, and an f-score of 93.69%. On the other hand, in the activity detection phase an accuracy of 94.44% is obtained, a precision of 96.30%, a recall of 94.44%, and an f-score of 94.07%."