Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini berfokus pada klasifikasi emosi menggunakan jaringan saraf buatan (Deep Learning) dengan memanfaatkan sinyal elektroensefalografi (EEG). Emosi manusia merupakan aspek penting dalam interaksi manusia-komputer, dan pengklasifikasian emosi secara akurat dapat meningkatkan kemampuan penerapan teknologi dalam berbagai aplikasi. Sampel sinyal EEG yang digunakan pada penelitian ini berasal dari dataset  SEED-V.  Sampel data memiliki 62 kanal elektroda dengan 5 jenis klasifikasi emosi yaitu Sedih, Senang, Netral, Jijik, Takut. Sinyal EEG kemudian diolah dan diurai menjadi 5 jenis band yaitu alpa, beta, teta,  delta, dan gamma. Sinyal terdekomposisi akan diolah untuk mengekstrak fitur menggunakan diferensial entropi yang kemudian ditransformasi menjadi data 2 dimensi. Model CNN digunakan sebagai algoritma klasifikasi untuk mendeteksi pola-pola kompleks dalam sinyal EEG. Dilakukan pengaturan beberapa parameter dari model hingga didapatkan hasil pengujian yang optimal. Dari hasil pengujian menunjukkan bahwa model CNN yang dikembangkan mampu mengklasifikasikan emosi dengan tingkat akurasi yang cukup tinggi dibandingkan dengan metode klasifikasi lainnya. Dari hasil evaluasi yang dilakukan model yang dikembangkan memiliki nilai akurasi sebesar 87.5%, tak hanya itu pada penelitian ini menampilkan efek ketidakseimbangan jumlah kelas serta teknik penyeimbangan yang dilakukan.

---

This research focuses on emotion classification using artificial neural networks (CNNs) utilizing electroencephalography (EEG) signals. Human emotions are an important aspect of human-computer interaction, and accurately classifying emotions can improve the applicability of technology in various applications. The EEG signal samples used in this study come from the SEED-V dataset.  The data sample has 62 electrode channels with 5 types of emotion classifications, namely Sad, Happy, Neutral, Disgust, Fear. The EEG signal is then processed and decomposed into 5 types of bands alpha, beta, theta, delta, and gamma. The decomposed signal will be processed to extract features using Differential Entropy and then transformed into 2-dimensional data. CNN model is used as a classification algorithm to detect complex patterns in EEG signals. Tunning is done for several parameters of the model until optimal test results are obtained. The test results show that the CNN model developed is able to classify emotions with a fairly high level of accuracy compared to other classification methods. From the evaluation results, the developed model has an accuracy value of 87.5%, Furthermore, this study shows the effects of class size imbalance and the balancing techniques used. "

"Survei Kesehatan Indonesia (SKI) tahun 2023 yang dilakukan oleh Kementerian Kesehatan (Kemenkes) ada sekitar 70 juta perokok aktif di Indonesia. Apabila dihitung dari populasi penduduk Indonesia ada 28,62% penduduk yang merokok di tahun 2023 dan persentase ini meningkat dari tahun sebelumnya sebanyak 0,36%. Perilaku merokok ini menyebabkan berbagai penyakit seperti penyakit paru-paru kronis, kerusakan gigi, penyakit mulut, stroke, serangan jantung, kanker rahim, gangguan mata, dan kerusakan pada rambut. Untuk menekan jumlah perokok di Indonesia, diperlukan sistem untuk deteksi perokok. Deteksi perokok saat ini memakan biaya yang mahal, bantuan ahli, dan sistem yang kompleks. Oleh karena itu, deep learning dengan algoritma Convolutional Neural Network hadir sebagai solusi untuk mengatasi masalah tersebut. Skripsi ini membahas bagaimana merancang sistem deep learning dengan Convolutional Neural Network (CNN) untuk keperluan deteksi wajah perokok. Skripsi ini juga membahas bagaimana pengaruh berbagai skenario jumlah data pelatihan dan data pengujian serta penambahan ekstraksi fitur wajah terhadap metrik evaluasi . Hasil dari rancangan dievaluasi dengan metrik evaluasi kalkulasi loss function, akurasi, dan F1 score. Hasil simulasi menunjukan skenario data pelatihan 70% dan data pengujian 30% adalah skenario terbaik dengan nilai metrik evaluasi pengujian pada skenario ini sebesar 2.236 untuk loss, 54.5% untuk akurasi, dan 34.9% untuk F1 score. Skenario ini diimprovisasi dengan adanya penambahan ekstraksi fitur perokok pada awal preprocessing yang ditandai dari penurunan loss sebesar 65.65%, peningkatan akurasi sebesar 19%, dan peningkatan F1 score sebesar 24.08%.

---

The 2023 Indonesian Health Survey (SKI) conducted by the Ministry of Health (Kemenkes) reported that there are approximately 70 million active smokers in Indonesia. This accounts for 28.62% of the Indonesian population in 2023, representing a 0.36% increase from the previous year. Smoking behavior leads to various diseases such as chronic lung disease, tooth damage, oral diseases, stroke, heart attacks, uterine cancer, eye disorders, and hair damage. To reduce the number of smokers in Indonesia, a smoker detection system is necessary. Current smoker detection methods are expensive, require expert assistance, and involve complex systems. Therefore, deep learning with Convolutional Neural Network (CNN) algorithms presents a solution to address these issues. This thesis discusses how to design a deep learning system using Convolutional Neural Networks (CNN) for smoker face detection. It also examines the impact of different training and testing data scenarios and the addition of facial feature extraction on evaluation metrics. The designed system is evaluated using metrics such as loss function calculation, accuracy, and F1 score. The simulation results show that a scenario with 70% training data and 30% testing data is the best scenario, yielding evaluation metric values of 2.236 for loss, 54.5% for accuracy, and 34.9% for F1 score. This scenario was improved with the addition of smoker feature extraction in the preprocessing stage, resulting in a 65.65% reduction in loss, a 19% increase in accuracy, and a 24.08% increase in F1 score."

"Terkait klasifikasi detak elektrokardiogram (EKG), telah dikembangkan banyak algoritma, baik yang terkait dengan biomedik, maupun biometrik. Karena sifat non-stasioner dari sinyal EKG, agak sulit untuk menggunakan metode tradisional yang dioptimasi secara manual, misalnya ekstraksi fitur dan klasifikasi yang berbasis waktu. Hal ini membuka peluang untuk implementasi mesin cerdas. Penelitian ini menyajikan metode baru, yaitu Residual Depthwise Separable Convolutional Neural Network (RDS-CNN) untuk klasifikasi detak elektrokardiogram, baik yang terkait dengan biomedik, maupun biometrik. Dengan menggunakan metode ini, hanya diperlukan dua tahap proses saja, yaitu deteksi detak dan klasifikasi. Pemrosesan awal dilakukan bersamaan dengan deteksi detak, sedangkan ekstraksi fitur dilakukan sekaligus dengan klasifikasi. Selain itu, untuk meminimalkan beban komputasi dan tetap menjaga kualitas klasifikasi, beberapa teknik telah diterapkan, antara lain Residual Network, All Convolutional Network (ACN), Depthwise Separable Convolution (DSC), dan Batch Normalization (BN). Kinerja RDS-CNN ini telah dievaluasi menggunakan database aritmia Massachusetts Institute of Technology - Beth Israel Hospital (MIT-BIH) dan database ECG-ID. Untuk implementasi biomedik, dalam fase pelatihan model Depthwise Separable CNN ini, digunakan sekitar 22% dari 110.057 detak yang diekstraksi dari 48 file dalam database MIT-BIH. Dengan hanya menggunakan 22% data latih ini, algoritma yang kami usulkan dapat mengklasifikasi 78% detak lainnya menjadi 16 kelas. Adapun, sensitifitas, spesifisitas, prediksi positif dan akurasi masing-masing adalah 99,03%, 99,94%, 99,03%, dan 99,88%. Hasil klasifikasi biomedik ini menunjukkan bahwa metode yang disajikan ini mengungguli metode terdepan lainnya. Sedangkan untuk implementasi biometrik, model RDS-CNN telah terbukti dapat digunakan untuk otentifikasi identitas EKG (ID) 90 orang sehat dan 48 pasien dengan akurasi hingga 100%, melalui klasifikasi 8 detak otentifikasi untuk ID 90 orang sehat, dan 6 detak otentifikasi untuk ID 48 pasien. Hasil otentifikasi biometrik ini juga mengungguli metode terdepan lainnya yang menggunakan database yang sama.

---

Regarding the classification of electrocardiogram (ECG) beats, many algorithms have been developed, both related to biomedical, and biometrics. Due to the non-stationary nature of ECG signals, it is complicated to use traditional methods that are manually optimized, for example, time-based feature extraction and classification. This computation problem opens up opportunities for machine learning implementation.

This research proposes a new method, namely Residual Depthwise Separable Convolutional Neural Network (RDS-CNN) for the classification of ECG beats, both related to biomedical, and biometrics. By using this method, only two stages of the process are needed, namely beat detection and classification. Preprocessing is done simultaneously within beat detection, while feature extraction is done simultaneously within the classification stage. Also, to minimize computational cost and to maintain classification quality, several techniques have been applied, including Residual Networks, All Convolutional Networks (ACN), Depthwise Separable Convolution (DSC), and Batch Normalization (BN). The performance of the RDS-CNN has been evaluated using the Massachusetts Institute of Technology - Beth Israel Hospital (MIT-BIH) arrhythmia database and the ECG-ID database.

For biomedical implementation, 110,057 beats were extracted from 48 files in the MIT-BIH database. And approximately 22% of them used for latih the Depthwise Separable CNN model. With only 22% of this latih data, our algorithm can classify 78% of the rest ECG beats into 16 classes. Meanwhile, sensitivity, specificity, positive prediction, and accuracy are 99.03%, 99.94%, 99.03%, and 99.88%, respectively. The results of this biomedical classification show that this proposed method outperforms the other state-of-the-art methods.

As for the biometric implementation, the RDS-CNN model has been proven to be able to authenticate ECG ID of 90 healthy people and 48 patients with up to 100% accuracy, through the classification of eight authentication beats for ID 90 healthy people, and six authentication beats for ID 48 patient. The results of this biometric authentication also outperform other state-of-the-art methods that use the same database."

"Kondisi pasca bencana adalah sebuah kondisi darurat yang membutuhkan pertolongan pertama dari tim penyelamat. Oleh karena itu, dikembangkan pemanfaatan radar yang digunakan untuk mendeteksi manusia dalam kondisi pasca-bencana. Sayangnya, banyaknya parameter yang mempengaruhi pengklasifikasian membatasi pemakaian radar 24 GHz seperti reruntuhan yang menutupi manusia. Oleh karena itu, radar dengan frekuensi yang lebih tinggi dimanfaatkan dengan frekuensi 77 GHz yaitu sinyal milimeter. Metode seperti deep learning dan backpropagation neural network sudah diterapkan pada penelitian-penelitian sebelumnya menggunakan radar sinyal milimeter. Namun, tingkat akurasi dari klasifikasi kelas dari makhluk hidup hanya mencapai 49% dengan jumlah klasifikasi 2 kelas dan 32% dengan jumlah klasifikasi 3 kelas. Oleh karena itu, dikembangkan kembali dengan metode Convolutional Neural Network. Akurasi yang didapatkan meningkat hingga mencapai 99% untuk klasifikasi 2 kelas dan 3 kelas. Namun akurasinya menurun untuk klasifikasi kelas yang lebih banyak hingga 68%. Skripsi ini mengajukan metode 3D-Convolutional Neural Network guna meningkatkan resolusi dari data yang diberikan dalam pelatihan dari model untuk meningkatkan akurasi pada klasifikasi kelas dengan model yang diajukan.

---

The post-disaster condition is an emergency that requires immediate first aid from rescue teams. Therefore, the use of radar has been developed to detect humans in post-disaster conditions. Unfortunately, the numerous parameters affecting classification, such as rubble covering humans, limit the use of 24 GHz radar. Consequently, higher frequency radar, specifically 77 GHz millimeter-wave signals, is utilized. Methods like deep learning and backpropagation neural networks have been applied in previous studies using millimeter-wave radar signals. However, the classification accuracy for living beings reached only 49% for two-class classification and 32% for three-class classification. Therefore, the method was further developed using Convolutional Neural Networks (CNN). The accuracy achieved improved to 99% for both two-class and three-class classifications, but it decreased to 68% for classifications with more classes. This thesis proposes the use of a 3D-Convolutional Neural Network method to enhance the resolution of the data used in model training, aiming to improve the accuracy of class classification with the proposed model."

"Skripsi ini membahas tentang desain dan pengembangan sistem Fisiognomi otomatis, untuk menentukan kecenderungan kepribadian seseorang berdasarkan fitur yang ada di wajahnya. Fisiognomi adalah metode memprediksi karakteristik seseorang berdasarkan fitur wajah mereka. Setiap fitur wajah memiliki keunikan dan karakteristiknya masing-masing misalkan variasi jarak, bentuk secara keseluruhan, dan ukuran. Arsitektur sistem menggunakan algoritma Active Appearance Model untuk menandai koordinat landmark features/fitur-fitur wajah, dan Convolutional Neural Network untuk memprediksi kecenderungan kepribadian berdasarkan fitur wajah yang telah diekstraksi. Citra wajah digunakan sebagai data masukan yang diproses hingga akhirnya menampilkan kecenderungan kepribadian yang didapatkan. Simulasi menunjukkan bahwa masing-masing algoritma dapat melakukan fungsinya masing-masing dengan baik. Hasil simulasi menunjukan bahwa kombinasi pemrosesan citra menggunakan Active Appearance Model dan klasifikasi menggunakan Convolutional Neural Network menghasilkan jumlah prediksi Personality Traits yang sangat baik yaitu dengan nilai akurasi model sebesar 93.64% - 99,73%. Selain itu, model yang dibuat terbukti menghasilkan performa yang baik untuk proses klasifikasi dengan nilai true positive overall sebesar 88,34% - 100%. Metode ini juga dapat mendeteksi jumlah Personality Traits yang lebih banyak dibandingkan dengan menggunakan metode lain sebelumnya dengan jumlah sebanyak 28 Personality Traits yang dapat terdeteksi.

---

This bachelor thesis discusses the design and development of an automatic Physiognomy system, to determine a person's tendencies based on the features of its face. Physiognomy itself is a method of predicting a person characteristic based on their facial features. Each facial feature has its uniqueness and characteristics, such as variations in distance, overall shape, and size. The system architecture uses the Active Appearance Model algorithm for marking the coordinates of facial landmark features then, the Convolutional Neural Network to predict the personality traits based on that extracted facial features. The facial image that being used as input data is brought into the every step of the system and finally the system displays the personality of that person that is obtained. Simulations show that each algorithm can perform its respective functions well. The simulation results show that the combination of Image Processing for extracting facial features using the Active Appearance Model and Convolutional Neural Network for solving classification problems produces a very good number of personality traits predictions with a model accuracy value of 93.64% - 99.73%. In addition, the model made proved to produce a good performance for the classification process with a true positive overall value of 88.34% - 100%. This method can also detect a greater number of personality traits than other previous methods with the total of 28 personality traits that can be detected."

"Skripsi ini bertujuan untuk mengembangkan model klasifikasi teks berbasis Convolutional Neural Network (CNN) dan BERT Language Model untuk mendeteksi SQL Injection pada Apache Web Server. Skripsi ini melibatkan pengumpulan dan pemrosesan dataset, literasi teori dasar, perancangan sistem, implementasi sistem, dan evaluasi kinerja model deep learning. Dengan menggunakan dataset publik dari Kaggle, model yang dikembangkan berhasil mendeteksi SQL Injection dengan akurasi yang tinggi. Hasil eksperimen menunjukkan bahwa model BERT memberikan performa yang lebih baik dibandingkan dengan CNN dalam hal accuracy, precision, recall, dan F1-score. Implementasi teknik deep learning pada sistem SQL Injection Detection juga mempermudah log file analysis pada Apache Web Server. Kesimpulan dari skripsi ini adalah berhasilnya pengembangan sistem SQL Injection Detection berbasis Convolutional Neural Network (CNN) dan BERT Language Model dengan akurasi masing-masing sebesar 95.99% dan 99.84%.

---

This undergraduate thesis aims to develop a text classification model based on Convolutional Neural Network (CNN) and BERT Language Model to detect SQL Injection on the Apache Web Server. The research involves data collection and preprocessing, basic theory literature review, system design, system implementation, and evaluation of deep learning model performance. By using a public dataset from Kaggle, the developed model successfully detects SQL Injection with high accuracy. The experimental results show that the BERT model outperforms CNN in terms of accuracy, precision, recall, and F1-score. The implementation of deep learning techniques in the SQL Injection Detection system also simplifies log file analysis on the Apache Web Server. The conclusion of this undergraduate thesis is the successful development of an SQL Injection detection system based on Convolutional Neural Network (CNN) and BERT Language Model with accuracies of 95.99% and 99.84% respectively."

"Kemajuan di bidang teknologi dan kecerdasan buatan memungkinkan inspeksi otomatis dapat dilakukan. Sebuah drone dilengkapi kamera yang dapat mengidentifikasi permasalahan struktur kapal seperti korosi akan membuat proses inspeksi kapal menjadi lebih efisien dari segi waktu dan biaya yang dibutuhkan sekarang. Pada studi ini dibuat model yang dilatih untuk dapat mengidentifikasi korosi secara otomatis dengan algoritma Convolutional Neural Network memanfaatkan metode transfer learning. MobileNetV2 dipilih sebagai artsitektur model klasifikasi yang memanfaatkan transfer learning dari ImageNet ke dalam dataset yang digunakan. Berdasarkan model yang telah dibuat model mencapai nilai akurasi training sebesar 92,86% dengan loss sebesar 0.0578 dan akurasi validasi sebesar 90,66% dengan loss sebesar 0.0091. Secara keseluruhan, model mempunyai performa yang baik dalam proses training maupun validasi dataset. Tidak ada indikasi overfitting berdasarkan kurva akurasi dan loss.

---

Advancements in technology and artificial intelligence make automated inspections become possible to do. A drone which is mounted with a camera identifying ship structural issues such as corrosion will make ship inspections become more efficient for a fraction of time and cost that is currently needed. In this study, a trained model is made in order to automatically identify corrosion using Convolutional Neural Network employing transfer learning method. MobileNetV2 is chosen as a classification model architecture which leverages transfer learning from ImageNet to the dataset. According to the data, the model achieved a training accuracy of 92,86% with loss 0.0578 and a validation accuracy of 90,66 with loss 0.0091. Overall, the model performs well on both the training and validation datasets. There is not any indication of overfitting based on their accuracy and loss curves."

"Kopi telah menjadi komoditas ekspor non migas yang memberikan kontribusi terhadap devisa negara dalam jumlah yang tidak sedikit. Nilai ekspor kopi sendiri pada kancah internasional bergantung kepada 2 faktor utama, yaitu jenis atau varietas biji kopi dan tingkat kelayakan atau kualitas dari biji kopi. Upaya untuk mengklasifikasikan kedua faktor tersebut masih cenderung dilakukan secara manual oleh para petani kopi. Atas pertimbangan inilah, penulis hendak menggunakan metode lain, yakni penggunaan model CNN (Convolutional Neural Network) dengan basis masukan berupa citra normal (spektrum RGB) dan citra multispektral (spektrum OCN). Selain itu, penulis juga hendak membandingkan performa dari 2 arsitektur model CNN yang berbeda, yakni ResNet18 terhadap SqueezeNet. Input dari kedua arsitektur ini berupa kombinasi dari citra normal, citra multispektral, atau citra yang telah diregistrasikan (1 citra dengan 6 channel berbeda). Hasil akurasi tertinggi dicapai oleh arsitektur ResNet18 dengan input citra normal (RGB) yang memberikan akurasi sebesar 89% untuk klasifikasi varietas biji kopi hijau, serta 97% untuk klasifikasi tingkatan kualitas biji kopi. Meski demikian, arsitektur ini mampu untuk melakukan klasifikasi multi-output secara bersamaan walaupun terdapat sedikit pengurangan pada tingkat akurasi yang didapatkan.

---

Coffee has become one of the non-oil and gas export commodity, providing numerous amount of Indonesia’s foreign income. Within the international market, the export value of coffee beans rely on 2 aspects, its variety and its quality. The attempts to classify coffee beans are done manually by the farmers. Therefore, the writer attempts to design a new method, using convolutional neural networks with normal (RGB spectrum image) and multispectral images (OCN spectrum image) as its inputs. The writer also wishes to analyze and compare 2 different CNN architectures performance in this case; ResNet18 towards SqueezeNet. Considering the combination of the inputs; normal images, multispectral images, or the registered images (images with 6 different channels). The highest accuracy acquired from the ResNet18 CNN model architecture using normal images (RGB) is as following: 86% for green coffee beans varieties classification, and 96% for green coffee beans. These architectures are also capable of performing multi-class output classification despite the trade-off in accuracy gained."

"Banjir di perkotaan merupakan bencana yang signifikan karena banyaknya penduduk yang terkena dampaknya. Dalam kebanyakan kasus, banjir terjadi bersamaan dengan hujan lebat, sehingga jika diamati dari satelit yang menggunakan sensor optik, daerah tersebut tertutup awan. Penelitan ini mengusulkan framework baru untuk klasifikasi banjir daerah perkotaan menggunakan sensor satelit penginderaan jauh Synthetic Aperture Radar (SAR) yang mempunyai kemampuan menembus awan. Framework ini dikembangkan untuk mengklasifikasi daerah banjir dengan mempertahankan variasi temporalnya. Studi kasus yang digunakan adalah wilayah Jakarta menggunakan metode 3D CNN multi-sensor pada data Sentinel-1 (S-1) multi-temporal dan curah hujan rata-rata Climate Hazard Infrared Precipitation Sensor (CHIRPS). Data terdiri atas 24 scene S-1 dengan polarisasi ganda VV dan VH antara bulan Maret 2019-Februari 2020 yang terdiri dari 20 citra co-polarized dan cross-polarized yang terdiri dari 2 citra co-event, 18 citra pre-event, dan 4 citra post-event sebagai testing data dan data curah hujan dari CHIRPS. Training dilakukan dengan menggunakan hyperparameter 150 epoch, batch size sebesar 100, learning rate sebesar 0,001 dan komposisi data set training/testing digunakan 80/20. Hasil pengujian 3D CNN memberikan rata-rata overall accuracy sebesar 70,3% dengan waktu pemrosesan 113 detik untuk setiap epoch. Dengan hasil tersebut metode 3D CNN diharapkan mampu membantu mengestimasi luas area banjir yang akurat dan mengidentifikasi daerah yang berpotensi mengalami banjir dalam rangka deteksi dini/pencegahan banjir kota-kota lain di masa mendatang.

---

Urban flooding is a significant catastrophe due to its widespread impact on the population. Typically, floods occur concurrently with heavy rainfall, rendering the affected area obscured by clouds when observed through optical sensors on satellites. To address this issue, a novel approach is proposed in this study, aiming to classify flooded urban areas using a remote sensing synthetic aperture radar (SAR) sensor on a satellite. Unlike optical sensors, SAR has the ability to penetrate clouds. The framework was developed by employing the 3D Convolutional Neural Network (CNN) method to preserve the temporal variability, which processed multi-temporal SAR data from Sentinel-1 (S-1) and average rainfall data from the Climate Hazards Infrared Precipitation Sensor (CHIRPS). The dataset used in this research comprised 24 S-1 scenes with Dual VV and VH polarization, covering the period between March 2019 and February 2020 divided into 2 co-event images, 18 pre-event images, and 4 post-event images, along with rainfall data from CHIRPS. The training phase employed hyperparameters of 150 epochs, batch size of 100, and learning rate at 0,001, with training/testing data split of 80/20. The 3D CNN achieved an average overall accuracy of 70.3%, with maximum accuracy at 71,4% and each epoch taking 113 seconds on average to process. These results demonstrate the potential of the 3D CNN method to accurately estimate the extent of flooding and identify areas at risk of flooding, thereby aiding early detection and flood prevention efforts in other cities in the future."

"Untuk memenuhi tantangan dalam hal meningkatnya jenis penyakit di era modern ini, teknologi memainkan peran yang sangat penting dalam penelitian kesehatan. Kesehatan wanita telah menjadi perhatian utama karena meningkatnya angka kanker serviks yang  dapat menjadi penyakit mematikan. Dalam studi ini, kami akan menggunakan Deep Convolutional Neural Network untuk menemukan akurasi dalam mengklasifikasikan data kanker serviks pada empat jenis metode. Data kanker serviks diwakili oleh 32 faktor risiko dan empat variabel target: Hinselmann, Schiller, Cytology, dan Biopsy. Presentase akurasi metode Deep Convolutional Neural Network cukup baik jika dibandingkan dengan Neural Network dalam hal pengklasifikasian data faktor risiko kanker serviks, kita dapat melihat bahwa setiap data diklasifikasikan dengan benar dengan total akurasi mencapai hampir 90% untuk setiap target.

---

To meet the challenge of the increasing types of disease in this modern era, technology plays a very important role in health research. Womens health has become a major concern because of the increasing rates of cervical cancer because it can be a deadly disease. In this study, we will use deep Convolutional Neural Networks to find the accuracy in classifying cervical cancer data on four different types of methods. The cervical cancer data are represented by 32 risk factors and four target variables: Hinselmann, Schiller, Cytology, and Biopsy. The result with deep learning method is quite encouraging compare to the original neural network in classyfying cervical risk dataset, we can see that each data were correctly classified with the total accuracy reach almost 90% for each target."