Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini bertujuan untuk mengembangkan model deteksi penyakit kulit pada hewan peliharaan menggunakan image processing dan Deep Learning. Model ini dirancang untuk mendeteksi tiga jenis penyakit kulit yang umum, yaitu Ringworm, Scabies, dan Earmite, dengan memanfaatkan gambar yang diambil menggunakan kamera ponsel. Model ini menggabungkan teknik image processing, seperti CLAHE, filter Gaussian, dan segmentasi HSV, dengan model CNN. Evaluasi model dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1-score. Pada penelitian ini digunakan dua model untuk mendeteksi penyakit yang berbeda. Hasil penelitian menunjukkan bahwa untuk model 1, yang melakukan klasifikasi multi-kelas, nilai metrik validasi Akurasi mencapai 83%, F1-score mencapai 82%, Precision mencapai 89%, dan Recall mencapai 83%. Sedangkan untuk hasil model 2, yang melakukan klasifikasi biner, nilai akurasi mencapai 100%, F1-score mencapai 100%, Precision mencapai 100%, dan Recall mencapai 100%. Model ini juga menunjukkan kinerja yang lebih baik dibandingkan dengan model transfer learning ResNet-50 dan VGG16.

---

This research aims to develop a skin disease detection model for pets using image processing and Deep Learning . The model is designed to detect three common skin diseases, namely Ringworm, Scabies, and Earmite, using images captured by mobile phone cameras. The model combines image processing techniques, such as CLAHE, Gaussian filter, and HSV segmentation, with a CNN model. Model evaluation is performed using the Accuracy, Precision, Recall, and F1-score metrics. In this study, two models were used to detect different diseases. The research results show that for model 1, which performs multi-class classification, the validation metric value of Accuracy reaches 83%, F1-score reaches 82%, Precision reaches 89%, and Recall reaches 83%. Meanwhile, for the results of model 2, which performs binary classification, the accuracy value reaches 100%, F1-score reaches 100%, Precision reaches 100%, and Recall reaches 100%. This model also shows better performance compared to the ResNet-50 and VGG16 transfer learning models."

"Kanker merupakan salah satu penyakit yang memiliki angka kematian tergolong tinggi di dunia. Analisis dengan menggunakan citra histopatologi merupakan gold standar yang dilakukan untuk diagnosa kanker. Kehadiran machine learning dan deep learning memanfaatkan data untuk dilatih dan kemudian akan menghasilkan metode untuk memprediksi atau identifikasi kanker. Kebutuhan data di dalam machine learning terlebih lagi deep learning sudah seharusnya tersedia. Namun, permasalahan yang kerap kali terjadi jika melakukan penelitian dengan data medis histopatologi adalah keterdiaan data yang terbatas. Salah satu kebaruan dari disertasi ini adalah telah berhasil melakukan modifikasi dan algoritma sliding window untuk mengatasi keterbatasan data citra histopatologi yang disebut dengan conditional sliding windows. Selain itu, disertasi ini juga telah berhasil merancang arsitektur deep learning untuk menghasilkan metode identifikasi status kanker dengan citra histopatologi dengan akurasi dapat dibandingkan dengan metode terkini yang berkembang. Penggunaan conditional sliding window mampu menghasilkan beberapa skenario dataset citra histopatologi yang akan digunakan sebagai dataset untuk proses pelatihan. Arsitektur yang dikembangkan adalah convolutional neural network (CNN) yang kami sebut dengan CNN-7-5-7. Dibandingkan dengan arsitektur deep learning seperti Alexnet dan DenseNet, CNN 7-5-7 menghasilkan performa yang lebih konsisten dan juga relatif lebih cepat dalam pelatihan. Apabila dibandingkan dengan model dengan data hasil pembangkitan Generative Adversarial Network (GAN).

---

Cancer is a disease that has a relatively high mortality rate in the world. Analysis using histopathological images is the gold standard for cancer diagnosis. The presence of machine learning and deep learning utilizes data to be trained and will produce methods to predict or identify cancer. The data needs in machine learning, especially deep learning, should be available. However, the problem that often occurs when conducting research with histopathological medical data is the limited availability of data. One of the novelties of this research is the successful modification and sliding window algorithm to overcome the limitations of histopathological image data which is called conditional sliding windows. In addition, this dissertation has also succeeded in designing a deep learning architecture to produce a method of identifying cancer status with histopathological images with an accuracy comparable to the latest developed methods. The use of conditional sliding windows is able to produce several scenarios of histopathological image datasets that will be used as datasets for the training process. The architecture developed is a convolutional neural network (CNN) which we call CNN-7-5-7. Compared to deep learning architectures such as Alexnet and DenseNet, CNN 7-5-7 delivers more consistent performance and is also relatively faster in training. When compared with the model with the generated Generative Adversarial Network (GAN) data."

"COVID-19 merupakan penyakit yang telah menjadi pandemi pada tahun 2020. Penyakit ini dinyatakan sebagai pandemi karena menjadi wabah yang sangat luas hingga seluruh dunia terpapar. Dalam usaha penekanan penyebaran penyakit COVID-19, banyak peneliti yang menerapkan deep learning untuk mendeteksi penyakit ini. Convolutional Neural Network(CNN) merupakan jenis deep learning yang paling banyak digunakan untuk usaha mengklasifikasi citra X-ray paru-paru. Algoritma yang dikembangkan pada penelitian ini menggunakan deep learning dengan model CNN ResNet152v2 dengan Python untuk bahasa pemrogramannya serta Keras Tensorflow sebagai API. penelitian ini melakukan beberapa ekperimen untuk meningkatkan akurasi dan performa dengan memvariasikan dataset serta parameter seperti epoch, batch size, optimizer. Performa terbaik didapatkan dengan pengaturan parameter pada jumlah dataset 3000, epoch 15, batch size 16, dan optimizer Nadam dengan nilai akurasi hingga 96%. Hasil akurasi ini merupakan peningkatan yang didapatkan penelitian terdahulu yang menggunakan model VGG16 dengan akurasi hingga 92%.

---

COVID-19 is a disease that has become a pandemic in 2020. This disease is declared a pandemic because it is an epidemic that is so widespread that the entire world is exposed. In an effort to suppress the spread of the COVID-19 disease, many researchers have applied deep learning to detect this disease. Convolutional Neural Network (CNN) is a type of deep learning that is most widely used to classify X-ray images of the lungs. The algorithm developed in this study uses deep learning with the CNN ResNet152v2 model with Python for the programming language and Keras Tensorflow as the API. This study conducted several experiments to improve accuracy and performance by varying the dataset and parameters such as epoch, batch size, optimizer. The best performance is obtained by setting parameters on the number of datasets 3000, epoch 15, batch size 16, and optimizer Nadam with an accuracy up to 96%. The result of this accuracy is an improvement obtained from previous studies using the VGG16 model with an accuracy of up to 92%."

"Awan merupakan salah satu objek dalam citra satelit penginderaan jauh sensor optis yang keberadaanya sering kali mengganggu proses pengolahan citra penginderaan jauh. Deteksi awan secara akurat merupakan tugas utama dalam banyak aplikasi penginderaan jauh. Oleh karena itu, deteksi awan secara tepat khususnya pada citra satelit optis resolusi sangat tinggi merupakan suatu pekerjaan yang sangat menantang. Penelitian ini bertujuan untuk mendeteksi objek awan pada data citra satelit penginderaan jauh resolusi sangat tinggi. Penelitian ini menggunakan algoritma deep learning yaitu Convolutional Neural Network (CNN) dan segmentasi Simple Linear Iterative Clustering (SLIC) superpixel untuk mendeteksi objek awan pada citra satelit penginderaan jauh. Penelitian ini menggunakan SLIC untuk mengelompokkan citra ke dalam superpiksel. Penelitian ini juga merancang CNN untuk mengekstrak fitur dari citra dan memprediksi superpiksel sebagai salah satu dari dua kelas objek yaitu awan dan bukan awan. Penelitian ini menggunakan data citra satelit resolusi sangat tinggi Pleiades multispectral dengan resolusi 50 cm. Deteksi awan dilakukan dengan berbagai macam skenario. Hasilnya, metode yang diusulkan mampu mendeteksi objek awan dengan performa akurasi sebesar 91.33%.

---

Clouds are one of the objects in optical sensor remote sensing satellite images whose presence often interferes with the remote sensing image processing process. Accurate cloud detection is a key task in many remote sensing applications. Therefore, precise cloud detection, especially in very high-resolution optical satellite imagery, is a very challenging task. This study aims to detect cloud objects in very high-resolution remote sensing satellite imagery data. This study uses a deep learning algorithm, namely Convolutional Neural Network (CNN) and Simple Linear Iterative Clustering (SLIC) superpixel segmentation to detect cloud objects in remote sensing satellite images. This study uses SLIC to group images into superpixels. This study also designed a CNN to extract features from the image and predict the superpixel as one of two classes of objects, namely cloud, and non-cloud. This study uses very high-resolution Pleiades multispectral satellite imagery data with a resolution of 50 cm. Cloud detection is carried out in various scenarios. As a result, the proposed method can detect cloud objects with an accuracy performance of 91.33%."

"Masalah pokok penggunaan fingerprinting Receive Signal Strength (RSS) pada indoor localization adalah pengaruh lingkungan terhadap hasil pengukuran RSS, menyikapi variabilitas nilai RSS dan akurasi penentuan posisi. Penelitian ini mengkombinasikan penggunaan keunggulan teknologi LoRa dengan metode deep learning yang menggunakan semua variasi hasil pengukuran nilai RSS di setiap posisi sebagai fitur alami dari kondisi dalam ruangan sebagai fingerprinting untuk melatih model pada deep learning. Teknik ini diberi nama DeepFi-LoRaIn, yang menggambarkan teknik untuk menggunakan data fingerprinting dari RSS perangkat LoRa pada indoor localization menggunakan metode deep learning. Penelitian ini dilakukan tidak hanya sebatas pengujian dan pembuktian metode menggunakan pendekatan testbed dan simulasi, namun berlanjut hingga tahapan implementasi menggunakan RSS fingerprinting dari hasil pengukuran sebenarnya. Skenario pengujian yang digunakan untuk mengevaluasi model adalah skenario tanpa gangguan dan skenario dengan memberikan gangguan. Skenario gangguan dilakukan dengan cara memberikan gangguan pada nilai RSS yang diterima di beberapa anchor node. Pada pengujian menggunakan dataset simulasi diperoleh hasil prediksi posisi dengan nilai akurasi 100% untuk skenario tanpa gangguan. Sedangkan pada skenario dengan gangguan diperoleh hasil akurasi prediksi posisi sebesar 86,66%. Hasil pengujian prediksi posisi menggunakan data pengukuran langsung diperoleh nilai akurasi sebesar 96,22%, untuk skenario tanpa gangguan dan 92,45%. untuk skenario pengujian dengan gangguan. Berdasarkan hasil penelitian menggunakan data simulasi dan data pengukuran sebenarnya pada implementasi, diperoleh kesimpulan bahwa, penggunaan Teknik DeepFi-LoRaIn mampu mengatasi permasalahan pada variabilitas nilai RSS didalam ruangan dan mampu menjaga akurasi prediksi posisi jika terjadi gangguan yang disebabkan oleh perubahan kondisi lingkungan.

---

The main problem using fingerprinting Receive Signal Strength (RSS) in indoor localization is the influence of the environment on the results of RSS measurements, addressing the variability of RSS values and positioning accuracy. This study combines the use of the advantages of LoRa technology with a deep learning method that uses all variations of the RSS value measurement results in each position as a natural feature of indoor conditions as fingerprinting to train models in deep learning. This technique is named DeepFi-LoRaIn, which describes a technique for using RSS fingerprinting data from LoRa devices in indoor localization using deep learning methods. This research is not only limited to testing and proving the method using a testbed and simulation approach, but continues to the implementation stage using RSS fingerprinting from the actual measurement results. The test scenarios used to evaluate the model are the without interference scenario and the with interference scenario. The inteference scenario is done by giving disturbance to the RSS value received at several anchor nodes. In testing using a simulation dataset, position prediction results are obtained with an accuracy value of 100% for without interference scenarios. Meanwhile, in the scenario with interference, the accuracy of position prediction is 86.66%. The results of the position prediction test using direct measurement data obtained an accuracy value of 96.22%, for the scenario without interference and 92.45%. Based on the results of the study using simulation data and actual measurement data in the implementation, it was concluded that the use of the DeepFi-LoRaIn technique was able to overcome the problem of the variability of the RSS value in the room and was able to maintain the accuracy of position prediction in case of disturbances caused by changes in environmental conditions."

"Katarak merupakan salah satu jenis kelainan mata yang menyebabkan lensa mata menjadi berselaput dengan pandangan berawan, sehingga memungkinkan untuk mengalami kebutaan total. Penderita katarak dapat disembuhkan dengan operasi setelah sebelumnya dilakukan computed tomography (CT) scan dan magnetic resonance imaging (MRI) sebagai metode untuk mendapatkan citra digital mata. Namun, penggunaan metode ini tidak selalu memungkinkan, terutama untuk fasilitas kesehatan di negara berkembang, karena kurangnya rumah sakit atau klinik mata yang menyediakan fasilitas berteknologi lengkap. Penelitian ini bertujuan untuk membantu proses analisis citra mata agar lebih cepat dan akurat dengan menggunakan model deep learning untuk memprediksi mata katarak menggunakan arsitektur CNN dengan terlebih dahulu menganalisis performa model dan membandingkan akurasi/loss model dengan penelitian sebelumnya. Metode perancangan model deep learning ini dilakukan dimulai dari preprocessing, membangun arsitektur model, proses training, dan diakhiri dnegan evaluasi hasil model dengan mengguakan confusion matrix dan classification report. Dari perancangan ini, didapatkan hasil validasi akurasi model sebesar 92.97% dan hasil validasi loss 0.1539. Dari model yang penulis buat dihasilkan model deep learning dengan nilai evaluasi pendeteksian mata katarak dengan presisi 94.30%, recall 97.47%, dan f-1 score 95.85%. Hasil dari penelitian ini menunjukkan bahwa model yang penulis rancang telah dapat memprediksi gambar penyakit katarak dengan akurasi diatas 80 % dengan loss dibawah 30 % dengan hasil presisi, recall, dan f-1 score >90% dan menunjukkan tingkat overfitting yang minimal.

---

Cataract is an eye condition in which the lens of the eye becomes webbed and cloudy, resulting in total blindness. Cataract patients can be cured through surgery after undergoing computed tomography (CT) scans and magnetic resonance imaging (MRI) to obtain digital images of the eyes. However, due to a lack of hospitals or eye clinics that provide complete technology facilities, this method is not always feasible, particularly for health facilities in developing countries, particularly in Indonesia. By first examining the model's performance and comparing the model's accuracy/loss with prior research, this study intends to make the eye image analysis process faster and more accurate by employing a deep learning model to predict cataracts using the CNN architecture. Starting with preprocessing, designing the model architecture, training, and finally evaluating the model outcomes using a confusion matrix and classification report, this deep learning model design technique is followed. The model accuracy validation results from this design are 92.97 % and the loss validation results are 0.1539. A deep learning model with an evaluation value of cataract eye detection with a precision of 94.30 %, recall of 97.47 %, and an f-1 score of 95.85 % was produced from the author's model. According to the findings of this study, the author's model can predict cataract images with an accuracy of more than 80%, a loss of less than 30%, precision, recall, and f-1 score greater than 90%, and minimal overfitting.

"

"COVID-19 adalah penyakit infeksi menular yang disebabkan oleh virus SARS-CoV-2 dan dapat menyebabkan gangguan pada sistem pernapasan. Pencitraan X-Ray dapat menjadi alternatif dalam mendeteksi COVID-19 karena mampu menggambarkan kondisi paru-paru pasien. Deep learning dapat digunakan untuk menganalisis pola pada citra medis secara otomatis. Untuk itu, digunakan Convolutional Neural Network dengan teknik transfer learning menggunakan arsitektur Xception, EfficientNetB3, dan ensemble dari kedua model secara paralel untuk deteksi COVID-19 dan tingkat keparahannya dari citra X-Ray dada secara otomatis. Klasifikasi COVID-19 dilakukan untuk empat jenis kelas, yaitu: positif COVID-19, normal, pneumonia bakteri dan pneumonia virus. Pada klasifikasi COVID-19, ketiga model classifier yang diusulkan mencapai akurasi keseluruhan untuk semua kelas sebesar 94,44% untuk classifier Xception, 95,28% untuk classifier EfficientNetB3, dan 94,44% untuk classifier paralel. Nilai akurasi tersebut lebih tinggi dari nilai akurasi classifier lain. Klasifikasi tingkat keparahan COVID-19 dilakukan untuk tiga jenis kelas yaitu: ringan, sedang, dan parah. Pada klasifikasi tingkat keparahan COVID-19, ketiga model classifier yang diusulkan mencapai akurasi keseluruhan untuk semua kelas sebesar 70,00% untuk classifier Xception, 67,50% untuk classifier EfficientNetB3 dan paralel. Nilai akurasi tersebut lebih tinggi dari nilai akurasi classifier lain. Secara keseluruhan, ketiga classifier yang diusulkan dapat direkomendasikan sebagai alat yang dapat membantu ahli radiologi dan praktisi klinis dalam diagnosis dan tindak lanjut kasus COVID-19.

---

COVID-19 is a contagious infectious disease caused by the SARS-CoV-2 virus and can cause disorders of the respiratory system. X-Ray imaging can be an alternative in detecting COVID-19 because it is able to describe the condition of the patient's lungs. Deep learning can be used to analyze patterns in medical images automatically. For this reason, Convolutional Neural Network is used with transfer learning techniques using Xception, EfficientNetB3 architecture, and an ensemble of both models in parallel for the detection of COVID-19 and its severity level from Chest X-Ray images automatically. The classification of COVID-19 is carried out for four types of classes, namely: positive COVID-19, normal, bacterial pneumonia, and viral pneumonia. In the COVID-19 classification, the three proposed classifier models achieve overall accuracy for all classes of 94.44% for the Xception classifier, 95.28% for the EfficientNetB3 classifier, and 94.44% for the parallel classifier. The accuracy value is higher than the other classifier accuracy values. The classification of the severity level of COVID-19 is carried out for three types of classes, namely: mild, moderate, and severe. In the classification of the severity level of COVID-19, the three proposed classifier models achieve overall accuracy for all classes of 70.00% for the Xception classifier, 67.50% for the EfficientNetB3 classifier and parallel. The accuracy value is higher than the other classifier accuracy values. Overall, the three proposed classifiers can be recommended as tools that can assist radiologists and clinical practitioners in the diagnosis and follow-up of COVID-19 cases."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."