Hasil Pencarian  ::  Simpan CSV :: Kembali

"Mata merupakan salah satu dari panca indra yang digunakan untuk melihat dan menjadi aset terpenting dalam hidup manusia. Salah satu bagian terpenting dari mata ialah kelopak mata di mana terdapat sebuah kelenjar yang disebut kelenjar meibom. Kelenjar ini berada pada lapisan air mata yang berguna untuk menyekresikan komponen minyak atau lipid dan berperan penting dalam memperlambat proses evaporasi yang menyebabkan terjaganya kelembapan pada mata. Kekurangan kelenjar meibom yang dikenal sebagai Disfungsi Kelenjar Meibom (DKM) merupakan penyebab utama dari penyakit mata kering. Karena proses diagnosis yang dikerjakan oleh tenaga medis terbilang subjektif, maka penelitian ini menggunakan pendekatan deep learning untuk melakukan klasifikasi pada tingkat keparahan dari DKM. Klasifikasi dilakukan dengan membagi tingkat keparahan atau kehilangan kelenjar meibom berdasarkan hasil meiboscore-nya menjadi 4 kelas, yaitu kelas 0 untuk meiboscore ≤ 25%, kelas 1 untuk 25% < meiboscore ≤ 50%, kelas 2 untuk 50% < meiboscore ≤ 75%, dan kelas 3 untuk meiboscore  > 75%. Metode deep learning yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur AlexNet. Data yang digunakan pada penelitian ini adalah 139 citra meibography yang bersumber dari Rumah Sakit Ciptomangunkusumo (RSCM) Departemen Kirana dari 35 pasien mata kering yang sudah mengalami augmentasi dan segmentasi, sehingga data akhir yang digunakan yaitu sebanyak 417 citra segmentasi. Pada tahap pre-processing, dilakukan perhitungan meiboscore dengan bantuan software dan membaginya ke dalam 4 kelas sesuai dengan nilai meiboscore­-nya. Citra yang sudah dilabel ini kemudian dibagi menjadi 80% data training dan 20% data testing. Dari 80% data training, diambil 10% untuk dijadikan data validation, sehingga 417 data tersebut terbagi menjadi 299 data training, 84 data testing, serta 34 data validation. Training model dilakukan menggunakan arsitekur AlexNet dengan hyperparameter berupa epoch sebanyak 100, batch size 32, dan learning rate 0,0001. Pada arsitektur ini juga diterapkan fungsi optimasi yaitu Adam (Adaptive moment estimation) dan fungsi loss categorical cross entropy. Proses modelling dilakukan sebanyak 5 kali percobaan dan memperoleh nilai rata-rata akurasi training dan validation sebesar 99,59% dan 99,41% dan nilai dari loss training dan loss validation sebesar 0,1259 dan 0,0524. Sedangkan rata-rata kinerja testing model berhasil memperoleh akurasi testing sebesar 87,38%; testing loss sebesar 0,5151; dan Area Under Curve (AUC) sebesar 0,9715.

---

The eye is one of the five senses used to see and is the most important asset in human life. One of the most important parts of the eye is the eyelid where there is a gland called meibomian gland. This gland is located in the tear film which is useful for secreting oil or lipid components and plays an important role in slowing down the evaporation process which leads to maintaining moisture in the eye. Meibomian gland deficiency, known as Meibomian Gland Dysfunction (MGD), is a major cause of dry eye disease. Since the diagnosis process carried out by medical personnel is subjective, this study uses a deep learning approach to classify the severity of MGD. Classification is done by dividing the severity or loss of meibomian glands based on meiboscore results into 4 classes, namely class 0 for meiboscore ≤ 25%, class 1 for 25% < meiboscore ≤ 50%, class 2 for 50% < meiboscore ≤ 75%, and class 3 for meiboscore > 75%. The deep learning method used is Convolutional Neural Network (CNN) with AlexNet architecture. The data used in this study are 139 meibography images sourced from Ciptomangunkusumo Hospital (RSCM) Kirana Department from 35 dry eye patients that have undergone augmentation and segmentation, so that the final data used is 417 segmentation images. In the pre-processing stage, meiboscore was calculated with the help of software and divided into 4 classes according to the meiboscore value. The labeled images were then divided into 80% training data and 20% testing data. From 80% of the training data, 10% is taken to be used as validation data, so that the 417 data is divided into 299 training data, 84 testing data, and 34 validation data. The training model is carried out using the AlexNet architecture with hyperparameters in the form of epochs of 100, batch size 32, and learning rate 0,0001. In this architecture, the optimization function Adam (Adaptive moment estimation) and categorical cross entropy loss function are also applied. The modeling process was carried out 5 times and obtained an average training and validation accuracy value of 99,59% and 99,41% and the value of training loss and validation loss of 0,1259 and 0,0524. While the average performance of the testing model successfully obtained a testing accuracy of 87,38%; testing loss of 0,5151; and Area Under Curve (AUC) of 0,9715."

"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."

"Penyakit mata kering adalah suatu kondisi yang bersifat multifaktorial kronis yang sering terjadi pada permukaan mata. Mata kering diklasifikasikan menjadi dua, yaitu mata kering defisiensi aqueous dan mata kering evaporatif. Penyakit mata kering evaporatif yang disebabkan oleh disfungsi kelenjar meibom sudah terjadi pada lebih dari 85% kasus penyakit mata kering. Disfungsi kelenjar meibom adalah kelainan difus dan kronis dari kelenjar meibom yang umumnya ditandai dengan adanya perubahan kualitatif atau kuantitatif dalam sekresi kelenjar. Area kerusakan pada kelenjar meibom dibagi menjadi 4 tingkat atau skala, yaitu normal (meiboscore 0), meiboscore 1, meiboscore 2, dan meiboscore 3. Proses dalam mendiagnosis penyakit mata kering masih dilakukan secara subjektif oleh tenaga medis, hal tersebut dapat mengakibatkan perbedaan dalam menilai tingkat disfungsi kelenjar meibom. Penulis menggunakan data science untuk mendiagnosis penyakit mata kering dengan melakukan pendekatan Artificial Intelligence (AI) yang di dalamnya terdapat metode deep learning. Pada penelitian ini, penulis melakukan klasifikasi pada data citra yang merupakan hasil segmentasi model U-Net dengan 4 kelas skala meiboscore menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet50. Data citra yang digunakan pada penelitian ini adalah sebanyak 417 data citra yang dilatih menggunakan ResNet50 dengan epoch sebanyak 30 dan learning rate sebesar 0,001. Pembagian data dilakukan dengan masing-masing data training, data testing, dan data validation sebanyak 80%, 20%, dan 10% dari data training. Dari hasil simulasi, diperoleh masing-masing nilai rata-rata akurasi dan AUC adalah 92,62% dan 0,99 dengan running time yang didapat selama 1,8 detik.

---

Dry eye disease is a chronic multifactorial condition that often occurs on the ocular surface. Dry eye is classified into two, namely aqueous deficiency dry eye and evaporative dry eye. Evaporative dry eye disease caused by meibomian gland dysfunction already occurs in more than 85% of dry eye disease cases. Meibomian gland dysfunction is a diffuse and chronic disorder of the meibomian glands that is generally characterized by qualitative or quantitative changes in glandular secretions. The area of damage to the meibomian glands is divided into 4 levels or scales, namely normal (meiboscore 0), meiboscore 1, meiboscore 2, and meiboscore 3. The process of diagnosing dry eye disease is still done subjectively by medical personnel, which can lead to differences in assessing the level of meibomian gland dysfunction. The author uses data science to diagnose dry eye disease by taking an Artificial Intelligence (AI) approach in which there is a deep learning method. In this research, the author classifies image data which is the result of segmentation of the U-Net model with 4 classes of meiboscore scale using the Convolutional Neural Network (CNN) method with ResNet50 architecture. The image data used in this research is 417 image data trained using ResNet50 with 30 epochs and a learning rate of 0.001. Data division is done with each training data, testing data, and validation data as much as 80%, 20%, and 10% of the training data. From the simulation results, the average accuracy and AUC values are 92.62% and 0.99 respectively with a running time of 1.8 seconds."

"ABSTRAKPATCHY-SAN adalah sebuah framework untuk sembarang graf yang diajukan oleh Niepert pada tahun 2016. Pada penelitian ini diajukan modifikasi arsitektur dari convolutional neural network CNNs pada PATCHY-SAN menggunakan beberapa representasi dari graf seperti B^i,L^i,N^i dengan B,L,N, berturut-turut adalah matriks betweeness, matriks Laplacian and matriks normalisasi Laplacian dengan i=1,2,3,4,5. Dilakukan beberapa percobaan dari model CNNs dengan 3 layer dan 2 layer. Penelitian ini menggunakan dropout atau batch normalization untuk mengurangi permasalahan internal covariate shift sebagai regularisasi. Berdasarkan percobaan tersebut disimpulkan, penambahan layer, penggunaan dropout dan batch normalization dapat meningkatkan dan juga menurunkan prediksi akurasi, hal ini tergantung dari dataset dan arsitektur CNNs. Representasi graf yang digunakan dalam penelitian ini masih belum bagus untuk membuat PATCHY-SAN learning, karena peningkatan akurasi hanya sebesar - 9 dari benchmark 50 .

---

ABSTRACTPATCHY SAN is a framework for learning Convolutional Neural Network CNNs for arbitrary graph proposed by Niepert in 2016. In this paper we propose to modified architecture of Convolutional Neural Network in PATCHY SAN by using some representation of graph such as B i,L i,N i, with B, L, N, is betweeness matrix, Laplacian matrix and normalize Laplacian matrix with i 1,2,3,4,5. We do some experiment of model with 3 convolutional layer and 2 convolutional layer. This research use dropout and batch normalization to reduce internal covariate shift problem as regularizer. In conclusion adding more convolution layer, and use dropout and batch normalization can increase and reduce accuracy, it depend on the architecture of CNNs. Graph representation used in this research still not good to make PATCHY SAN learning, because the accuration increase by 9 from benchmark 50 ."

"Mata merupakan salah satu panca indra dan menjadi aset terpenting yang dimiliki oleh manusia dalam menjalani kehidupan sehari hari. Salah satu bagian terpenting dari mata adalah bagian kelopak karena terdapat sebuah kelenjar yaitu kelenjar meibom yang berfungsi untuk menyekresikan lipid dan berperan dalam menjaga kelembaban bola mata. Sehingga, permasalahan yang terjadi pada kelenjar meibom dapat menyebabkan suatu pernyakit yang disebut penyakit mata kering. Dikarenakan proses diagnosis yang dilakukan oleh dokter masih terbilang subjektif, disini penulis mengusulkan untuk menggunakan pendekatan deep learning untuk melakukan segmentasi pada citra kelenjar meibom atau citra meibography. Segmentasi dilakukan dengan membagi area kedalam 3 segmen (latar, kelenjar meibom, dan atrophy) yang diharapkan dapat membantu proses diagnosis tersebut. Metode deep learning yang digunakan dalam segmentasi ini adalah Metode SegNet yang merupakan salah satu model Convolutional Neural Network (CNN). Data yang digunakan pada penelitian ini merupakan data sekunder yang berasal dari 35 pasien penyakit mata kering di Rumah Sakit Ciptomangunkusumo (RSCM) Departemen Kirana dengan total 139 data citra yang terbagi atas 35 citra kelopak mata pada masingmasing bagian kanan atas, kanan bawah, dan kiri bawah. Sedangkan 34 citra kelopak mata bagian kiri atas. Pada tahap persiapan data, dilakukan pembuatan ground truth dengan proses anotasi. Pada tahap pre-processing, dilakukan resize citra menjadi ukuran 224 x 224 yang kemudian data dibagi menjadi 80% data training dan 20% data testing. Dari 80% data training, diambil 10% untuk dijadikan data validation yang kemudian kedua data training dan validation diterapkan teknik augmentasi yaitu rotation dan flip horizontal agar dataset yang digunakan dalam proses modelling bisa menjadi lebih banyak. Setelah augmentasi, jumlah data training, validation, dan testing berturut-turut menjadi 300, 33, dan 28 data. Kemudian dilakukan stacking pada citra asli dan one hot encoding pada ground truth. Training model dilakukan menggunakan model SegNet dengan hyerparameter model yaitu batch size 32, learning rate 0.0001, dan epoch sebanyak 300. Model juga diterapkan fungsi optimasi yaitu Adam (Adaptive moment estimation) dan fungsi loss categorical cross entropy. Proses modelling dilakukan sebanyak 10 kali percobaan dan berhasil memperoleh nilai rata-rata kinerja training model sebesar 99,31% dan 92,01% pada akurasi training dan akurasi validation-nya, diperoleh nilai 27,45% dan 44,33% pada loss training dan loss validation. Sedangkan rata-rata kinerja testing model berhasil memperoleh akurasi testing sebesar 92,99%, testing loss sebesar 0,4265 dan Mean-IoU sebesar 70,03%.

---

Eyes is one of the five senses that play a role to see a things, eyes also one of the most important asset that humans have. One of the most important parts of the eye is the eyelids, because there is a gland, called meibomian gland. Meibomian gland has a function to secrete the lipids and plays a role at keeping our eyes moist. So therefore. The problems that may occur at meibomian gland can cause a disease called dry eye disease. Because a diagnosis process that performed by doctors is still fairly subjective, right now the writer propose to use deep learning approach by segmenting meibomian gland images. Segmentation is done by dividing the area itu 3 segments (background, meibomian gland, and atrophy) which is expected to help the diagnosis process. The deep learning method used in this segmentation is the Segnet method, which is one of the Convolutional Neural Network (CNN) models. The data used in this study were the secondary data derived from 35 dry eye patients at Ciptomangunkusumo Hospital, Kirana Department with a total of 139 images data divided into 35 eyelid images on each of the upper right, lower right, and lower left. And 34 images of the upper left eyelid. During the data preparation, a ground truth was made by the annotation process which the marking area of segmentation was given directly by the relevant opthalmologists. At the pre-processing, the images and ground truths were resize to a size of 224 x 224, then divided into 80% training data and 20% testing data. From 80% of the training data, 10% is taken to used as validation data. Then both training data and validation are applied augmentation techniques, namely rotation and horizontal flip so that the dataset used in the modeling process can become more numerous. After the augmentation, the number of data for training, validation, and testing respectively become 300, 33, and 28 data. Then, images data were applied a stacking and ground truth were applied an one hot encoding. Model training was carried out by using SegNet model with hyperparameter models were batch size of 32, learning rate of 0.0001, and epoch of 300. The model also applied an optimization function, named Adam (Adaptive moment estimation) and also applied loss function called categorical cross entropy. The modelling was done by 10 times trial and the training process succeeded reach the average performance value of 99,31% and 92,01% in training and validation accuracy, reach the average performace value of 27,45% and 44,33 % in loss training and loss validation. Meanwhile the testing process succeeded reach the average performace value of 92,99% in testing accuracy, 0,4265 in testing los, and Mean-IoU of 70,03%."

"Pada beberapa orang difabel mengalami kesulitan pada saat bergerak dalam aktivitas sehari-harinya. Penggunaan prostetik dapat mengurangi keterbatasan tersebut. Pada penggunaan prostetik dapat dimodifikasi dengan alat bantu gerak (aktuator) yang dikendalikan oleh brain computer interface (BCI) guna mengontrol prostetik dengan gelombang otak. Aktivitas membayangkan melakukan gerak motorik yang disebut motor imagery (MI) apabila dapat di-recognition dapat memudahkan pada difabel untuk mengendalikan prostetik miliknya. Tulisan ini bertujuan untuk menjelaskan bagaimana me-recognition sinyal elektroensefalografi (EEG) dengan mencoba mengklasifikasikan sinyal MI EEG. Simulasi dilakukan pada bahasa Python pada framework Tensorflow, Keras. Jenis machine learning yang dipilih adalah Convolutional Neural Network (CNN). Dataset diperoleh dari PhysioNet.org, diolah dengan metode Continuous Wavelet Transformation (CWT) dengan library MNE.

---

Some people with disabilities have trouble doing their daily activities. Prosthetics could reduce the difficulties to some degree. The use of a prosthetic can be modified by the addition of an actuator (generate of motion) driven by BCI (brain computer interface) to control prosthetic by brain waves. If we could make the recognition of the brain wave in imaginary activities of motoric movement called motor imagery (MI), it would help people with disabilities to better control their prosthetics. This article’s aim to describe how to do the recognition of EEG signals (electroencephalography) by trying to classify the MI EEG signals. The simulation was run in Phyton on a Tensorflow framework, with a keras wrapper. Convolutional Neutral Network (CNN) was chosen in this research as the machine learning. The datasets gathered from PhysioNet.org were transformed using the library MNE with the Continuous Wavelet Transformation (CWT) method."

"Glaukoma adalah salah satu penyebab kebutaan terbanyak kedua di dunia yang disebabkan oleh tekanan yang meninggi pada bola mata. Dalam proses mendiagnosa glaukoma, dibutuhkan waktu yang lama dikarenakan tidak ada perubahan secara signifikan pada citra fundus. Pada penelitian ini, penulis menggunakan Convolutional Neural Network (CNN) untuk mengekstraksi fitur dan metode klasifikasi Deep Belief Network (DBN) dalam mengklasifikasi glaukoma pada data citra fundus. Hasil pada model CNN-DBN dibandingkan dengan metode ekstraksi fitur CNN dan klasifikasi Support Vector Machine (SVM) yang dinamakan model CNN-SVM. Arsitektur CNN yang digunakan pada penelitian ini adalah ResNet-50. Dataset yang digunakan dalam penelitian ini diperoleh dari 2 online database, yaitu cvblab dan kroy1809. Pada proses ekstraksi fitur, model dilatih dari fully connected layer pada ResNet-50. Kemudian, vektor fitur dari fully connected layer diklasifikasi menggunakan metode klasifikasi DBN dan SVM. Berdasarkan hasil simulasi, CNN-DBN memiliki hasil akurasi, precision, dan recall terbaik dibandingkan dengan metode CNN-SVM dan CNN dengan akurasi 96.46%, precision 95.86%, dan recall 98.05% pada pembagian dataset training dan testing 70:30.

---

Glaucoma is the second most common factor of blindness in the world caused by the increasing pressure on the eyeball. It takes a long time to diagnose glaucoma due no significant change in the fundus image. In this study, the author used the Convolutional Neural Network (CNN) to extract the features and the Deep Belief Network (DBN) classification method to classify glaucoma in fundus images. The results on the CNN-DBN model will be compared with to the CNN feature extaction method and the Support Vector Machine (SVM) classification method, named the CNN-SVM model. The CNN architecture used in this study is ResNet-50. The dataset used in this study are from 2 online database, cvblab and kroy1809. In the feature extraction process, the model is trained using the CNN method with the ResNet-50 architecture. Afterward, the feature vectors of the fully connected layer are classified using the DBN and SVM classification methods. Based on the simulation results, CNN-DBN has the best results than CNN-SVM and CNN method with the accuracy of 90%, precision of 95%, and recall of 92% with splitting data training and testing of 70:30."

"Kekayaan mineral yang ada di Indonesia terutama besi menjadi salah satu komoditi kebutuhan kehidupan manusia pada zaman ini. Kalimantan Tengah menjadi salah satu daerah dengan prospek bijih besi di Indonesia. Dalam meninjau endapan bijih besi digunakan metode Resisitivitas dan Induced Polarization yang berguna untuk mendeteksi keberadaan suatu mineral dalam litologi batuan bawah permukaan. Penelitian ini menggunakan nilai dari resistivitas dan chargeability untuk menghasilkan gambaran endapan bijih besi. Konfigurasi yang digunakan adalah Wenner karena memiliki resolusi vertikal yang baik dan memiliki sensitivitas yang tinggi terhadap perubahan secara lateral. Terdapat tujuh lintasan akuisisi data dengan panjang ±470 meter dengan arah lintasan dari Barat Laut ke Tenggara. Proses pengolahan data menggunakan metode inversi untuk menghasilkan penampang 2D. Variasi nilai resistivitas berkisar diantara 10 – 8000 Wm yang menunjukkan litologi pasir, lempung, batuan andesit dan tuf serta nilai chargeability berkisar 5 – 450 msec yang menunjukkan adanya mineral konduktif yang berupa bijih besi. Visualisasi dari pemodelan 3-D didapatkan dari penggabungan hasil inversi penampang 2-D. Pemodelan ini menghasilkan volume dari anomali yang diduga bijih besi pada daerah tersebut adalah 823.129 m³

---

The mineral wealth in Indonesia, particularly iron, has become a crucial commodity for human life in the modern era. Central Kalimantan is one of the regions in Indonesia with promising iron ore prospects. To investigate iron ore deposits, the Resistivity and Induced Polarization (IP) methods are utilized, which are effective in detecting the presence of minerals within subsurface lithology. This study employs resistivity and chargeability values to generate a depiction of iron ore deposits. The Wenner configuration was chosen for its good vertical resolution and high sensitivity to lateral changes. Seven data acquisition lines, each approximately 470 meters in length, were oriented from the northwest to the southeast. Data processing involved inversion methods to produce 2D cross-sections. The resistivity values ranged from 10 - 8000 Ωm, indicating lithologies of sand, clay, andesitic rock, and tuff, while the chargeability values ranged from 5 - 450 msec, suggesting the presence of conductive minerals, specifically iron ore. A 3D visualization was obtained by combining the inversion results of the 2D cross-sections. This modeling estimated the volume of the anomaly, presumed to be iron ore, in the area to be 823.129 m³."

"Kelenjar Meibom atau Meibomian Gland (MG) adalah salah satu elemen dari mata, letaknya berada pada kelopak mata. Kelenjar meibom berperan untuk mensekresikan komponen minyak sehingga mencegah sindrom mata kering. Kelainan dan perubahan ukuran dari kelenjar meibom menyebabkan kerusakan MG yang disebut dengan meibomian gland dysfunction (MGD). Kerusakan pada kelenjar meibom dapat dideteksi dengan citra yang dinamakan meibography. Kerusakan pada kelenjar meibom memiliki beberapa tingkatan yang disebut dengan meiboscore. Namun pada kenyataanya di dunia kedokteran masih subjektif untuk menentukan meiboscore tingkat keparahan disfungsi kelenjar meibom. Dalam menjawab permasalahan tersebut, metode segmentasi citra meibography dengan AI (Artificial intelligence) dapat menjadi metode klinis yang efektif untuk mengevaluasi kerusakan bentuk kelenjar meibom untuk tindakan dan diagnosa medis lebih lanjut. Penelitian ini menggunakan pendekatan machine learning khususnya deep learning yaitu metode Fully Convolutional Network (FCN) dengan menggunakan transfer learning VGG16, dengan variasi upsampling FCN-8. Data yang digunakan pada penelitian kali ini merupakan data sekunder citra meibography yang berasal dari pasien Rumah Sakit Cipto Mangunkusumo departemen RSCM-KIRANA. Pertama-tama untuk mendapatkan ground truth, maka dilakukan anotasi pada data citra dengan supervisi dari dokter. Sebelum dilakukan percobaan pada model, citra meibography akan dilakukan tahap pre-processing dengan menggunakan resize dan augmentasi data, serta one-hot encoding untuk ground truth. Eksperimen dilakukan dengan 5 kali percobaan running model pada data training dan data testing. Untuk hasil kinerja training model, dari eksperimen menunjukan bahwa training loss rata-rata yang didapat adalah 11,37% dan memperoleh rata-rata pixel accuracy sebesar 95,19%. Sementara untuk evaluasi kinerja model pada data validasi dapat diperoleh bahwa validation loss rata-rata adalah 31,776% dan memperoleh rata-rata validation pixel accuracy sebesar 91,404%. Selanjutnya untuk hasil kinerja pada data testing, diperoleh rata-rata testing loss adalah 20,88%, dan rata-rata testing pixel accuracy sebesar 92,91%. Disamping itu, diperoleh pula untuk rata-rata mean-IoU dari 5 kali percobaan adalah 71.966%.

---

Meibomian gland dysfunction (MGD) is a chronic disorder of the meibomian glands, usually with morphological changes in the secretory glands. Meibography images can detect meibomian gland dysfunction. However, in the medical world, it is still subjective to determine the severity of meibomian gland dysfunction. In answering these problems, the meibography image segmentation method with AI (Artificial intelligence) can be an effective clinical method to evaluate the morphology of the meibomian glands for further medical treatment and diagnosis. This research uses a machine learning approach, especially deep learning, namely the Fully Convolutional Network (FCN) method using transfer learning VGG16, with upsampling variations of FCN-8. The data used in this study is secondary meibography image from patients at one of the hospitals in Indonesia. The meibography image is first annotated by an ophthalmologist to get the ground truth. Subsequently, data augmentation techniques, including rotation and flipping, are applied to expand the dataset. Images are then preprocessed by resizing to 224 x 224 pixels. Moreover, the annotated data is also pre-processed using one-hot encoding. The dataset was divided into three cases, with five trials of the model training conducted for each case. A 10% data validation split from the training data was allocated for the first case, a 20% data validation split from the training data for the second case, and a 30% data validation split from the training data for the third case. Based on the testing evaluation results, the experiment reveals that Case 1 outperformed Cases 2 and 3, achieving an average pixel accuracy of 92.42%, a mean-IoU of 68.50%, and mean Dice coefficient of 81.30%."

"Mata kering merupakan penyakit yang beredar pada masyarakat umum. Mata kering menyebabkan rasa tidak nyaman dan mengganggu aktivitas sehari-hari. Faktanya, lebih dari 85% penderita penyakit mata kering disebabkan kerusakan kelenjar meibom (meibomian gland dysfunction, MGD). Akibatnya mata yang memilki MGD menjadi kering karena intensitas evaporasi air mata meningkat. Untuk mendeteksi tingkat MGD dilakukanmeibography. Dari hasil meibography, klinisi (dokter spesialis mata) menilai tingkat MGD yang disebut meiboscore. Namun realitanya, penilaian meiboscore masih sangat subjektif antar para klinisi. Alat yang digunakan juga mahal dan tidak seluruh klinik mata memiliki alat tersebut. Oleh karena itu pada tugas akhir ini dilakukan deteksi tingkat kerusakan kelenjar meibom dengan pendekatan faktor-faktor potensi MGD dan machine learning. Metode machine learning yang digunakan dalam tugas akhir ini ini adalah radial basis function neural network (RBFNN). Metode machine learning dalam studi ini dilakukan Teknik SMOTE terelebih dahulu untuk menyeimbangkan jumlah data antar kelas, lalu data dibagi menjadi data training dan data testing dengan rasio sebesar 90%: 10%, 80%: 20%, 70%: 30%, dan 60%: 40% . Selain itu dilakukan pengurangan fitur-fitur yang kurang relevan menggunakan seleksi fitur Chi square. Hasil evaluasi metode RBFNN memperoleh nilai rata-rata akurasi, presisi, recall dan f1-score terbaik dicapai menggunakan data testing 20% dengan masing-masing mencapai nilai 96%, 95%, 100%, dan 95% secara berurut

---

Dry eye is a common disease happened among the public. Dry eye causes discomfort and distracts daily activities. More than 85% dry eye suffers are caused by meibomian gland dysfunction (MGD). As a result, eyes with MGD becomes dry due to high tear evaporation intensity. Detecting MGD can be done by meibography. The MGD level is scored by clinicians which is called meiboscore. However, scoring the meiboscore is still very subjective among the clinicians. The tool that is used are expensive and not all eye clinics have this tool. Therefore, this study aims to detect the MGD level with the approach of MGD potential factors and machine learning. In this study radial basis function neural network (RBFNN) is used. The machine learning method performs SMOTE technique to balance the amount of data in each class, then all data is divided into training data and testing data by90%: 10%, 80%: 20%, 70%: 30%, and 60%: 40% respectively. Moreover, irrelevant features are reduced to optimize using feature selection, Chi Square. To reduce the features that are less relevant, Chi square feature selection is performed. RBFNN method obtained the best average accuracy 96%, average precision 95%, average recall 100%, and average f1-score 95% using the 20% data testing."