Hasil Pencarian  ::  Simpan CSV :: Kembali

"Deteksi dini lesi payudara berperan penting untuk mengetahui tingkat keganasan tumor payudara dan mempengaruhi perencanaan pengobatan lebih lanjut. Ultrasonografi adalah salah satu modalitas pencitraan pada pemeriksaan payudara dengan kelebihannya yang tanpa menggunakan radiasi pengion, sehingga relatif aman. Namun, ultrasonografi merupakan modalitas yang sangat bergantung pada operator, sehingga akurasi diagnosis melalui citra ultrasonografi bergantung pada keahlian dan subjektifitas ahli radiologi. Oleh karena itu, sistem CAD berbasis pembelajaran mesin diharapkan dapat membantu mendeteksi keabnormalan pada payudara secara objektif. Model U-Net merupakan salah satu arsitektur segmentasi yang dapat digunakan untuk mengidentifikasi dan memetakan area lesi pada citra ultrasonografi. Dalam penelitian ini, teknik pra-pemrosesan tambahan diterapkan untuk membantu meningkatkan akurasi model segmentasi. Evaluasi model segmentasi dilakukan menggunakan metrik evaluasi, terutama JSI (Jaccard Similarity Index). Hasil evaluasi model U-Net tanpa pra-pemrosesan tambahan berhasil memprediksi area lesi dengan nilai JSI 76,3% pada data validasi dan 72,4% pada data uji. Sementara itu, model U-Net dengan pra-pemrosesan augmentasi menghasilkan performa terbaik dengan nilai JSI 83% pada data validasi dan 81,4% pada data uji.

---

Early detection of breast lesions plays an important role in determining the level of malignancy of breast tumors and influencing further treatment planning. Ultrasound is one of the imaging modalities in breast examination, with the advantage that it does not use ionizing radiation, so it is relatively safe. However, ultrasound is a modality highly dependent on the operator, so the accuracy of diagnosis through ultrasound images depends on the ability and subjectivity of the radiologist. Therefore, a machine learning-based CAD system is expected to help detect breast abnormalities objectively. The U-Net model is one of the segmentation architectures that can be used to identify and map lesion areas in ultrasound images. In this study, additional pre-processing techniques were applied to help improve the accuracy of the segmentation model. Evaluation of the segmentation model was carried out using evaluation metrics, especially JSI (Jaccard Similarity Index). The results of the evaluation of the U-net model without additional pre-processing successfully predicted the lesion area with a JSI value of 76,3% in the validation data and 72,4% in the test data. Meanwhile, the U-Net model with augmentation pre-processing gets the best performance with a JSI value of 83% in the validation data and 81,4% in the test data. "

"Kanker payudara merupakan salah satu jenis kanker dengan kasus terbanyak di dunia pada tahun 2022. Sebagai salah satu sistem deteksi awal, ultrasound digunakan sebagai pendamping mammografi untuk mendiagnosis kanker atau lesi pada payudara. Salah satu bagian dari diagnosis adalah segmentasi lesi pada citra. Pada penelitian ini, dilakukan implementasi model U-Net termodifikasi untuk melakukan segmentasi lesi secara otomatis pada citra ultrasound payudara. Penelitian ini menggunakan dua model U-Net termodifikasi, yaitu UNET++ dan UResNet-34 yang dievaluasi dengan metrik Jaccard Similarity Index (JSI) dan Dice Similarity Coefficient (DSC). Pada penelitian ini, performa U-Net termodifikasi dalam melakukan segmentasi pada data latihan yang digambarkan dengan nilai JSI secara berturut-turut pada model UNET++ variasi 1, UNET++ variasi 2, UResNet-34 variasi 1, dan UResNet-34 variasi 2 adalah 96,09%, 96,05%, 91,22%, dan 89,87%, sedangkan pada data pengujian, secara berturut-turut adalah 76,07%, 74,14%, 73,11%, dan 78,54% menggunakan metode pertama dan 79,23%, 78,91%, 80,72%, dan 79,70% menggunakan metode kedua. Model U-Net termodifikasi mampu melakukan segmentasi lebih baik daripada model U-Net biasa, baik dengan lapisan batch normalization, maupun tanpa lapisan batch normalization.

---

Breast cancer is one of the types of cancer that requires an early detection system. Ultrasound imaging is commonly used to diagnose cancer or lesions in the breast. In this study, a modified U-Net model was implemented to perform lesion segmentation on breast ultrasound images. Two modified U-Net models were utilized, namely UNET++ and UResNet-34, and evaluated using the Jaccard Similarity Index (JSI) and Dice Similarity Coefficient (DSC) metrics. In this study, the performance of the modified U-Net models on the training data, as indicated by JSI scores, were 96.09%, 96.05%, 91.22%, and 89.87% for UNET++ variation 1, UNET++ variation 2, UResNet-34 variation 1, and UResNet-34 variation 2, respectively. On the test data, the scores were 76.07%, 74.14%, 73.11%, and 78.54% using the first method, and 79.23%, 78.91%, 80.72%, and 79.70% using the second method. The modified U-Net models demonstrated better segmentation performance compared to the standard U-Net model. "

"Kanker kulit berasal dari lesi kulit yang memiliki penampilan atau pertumbuhan jaringan kulit yang tidak biasa. Melanoma adalah kanker kulit paling berbahaya dan menyebabkan banyak kematian jika tidak terdeteksi sedini mungkin. Pendeteksian sedini mungkin mendesak untuk dilakukan mengingat dapat meningkatkan angka survival rate sebesar 95%. Cara pendeteksiaan saat ini yang menggunakan metode manual masih kurang handal dan memakan banyak waktu. Teknologi deep learning dapat menjadi solusi yang dapat dimanfaatkan untuk melakukan segmentasi lesi kulit. Untuk penelitian ini, penulis mengusulkan penggunaan teknik Residual U-Net berbasis deep-convolutional neural network untuk segmentasi lesi kulit. Teknik Residual U-Net yang diusulkan menggunakan Residual Block, Group Normalization, dan Tversky Loss ke dalam arsitektur berbasis U-Net. Penggunaan Residual Block dapat mengatasi permasalahan error jaringan yang tinggi akibat adanya vanishing gradient serta meningkatkan ekstraksi representasi fitur gambar. Model dilatih dan dievaluasi menggunakan dataset yang berasal dari International Skin Imaging Collaboration (ISIC) 2018. Penelitian ini berhasil meningkatkan kinerja model dalam melakukan segmentasi lesi kulit dengan nilai dice similarity coefficient, jaccard index, accuracy, sensitivity, specificity, dan precision masing-masing, sebesar 0.86, 0.76, 0.93, 0.88, 0.96, dan 0.85.

---

Skin cancer originates from skin lesions that have an unusual appearance or growth of skin tissue. Melanoma is the most dangerous skin cancer and causes many deaths if not detected early. Early detection is urgent to do considering it can increase the survival rate by 95%. The current detection method using the manual method is still less reliable and takes a lot of time. Deep learning technology can be a solution that can be used to segment skin lesions. For this study, the authors propose the use of a Residual U-Net technique based on a deep-convolutional neural network for segmenting skin lesions. The proposed Residual U-Net technique uses Residual Block, Group Normalization, and Tversky Loss into a U-Net-based architecture. The use of Residual Block can overcome the problem of high network error due to the vanishing gradient and improve the extraction of image feature representation. The model was trained and evaluated using a dataset from the International Skin Imaging Collaboration (ISIC) 2018. This study succeeded in improving the model's performance in segmenting skin lesions with values ​​of dice similarity coefficient, jaccard index, accuracy, sensitivity, specificity, and precision of 0.86, 0.76 , 0.93, 0.88, 0.96, and 0.85."

"Dalam dokumen Global Tuberculosis Report 2022, World Health Organization (WHO) melaporkan bahwa Indonesia tercatat sebagai negara dengan beban kasus tuberkulosis (TB) terbanyak kedua setelah India pada tahun 2021 lalu, di mana terhitung dari estimasi 969.000 kasus penderita TB di Indonesia, terdapat 525.765 (54,3%) kasus diantaranya belum ditemukan dan diobati, ini berpotensi menjadi sumber penularan serta meningkatan risiko transmisi komunal jika tidak mendapatkan penanganan segera. Menanggapi hal tersebut, dengan kemajuan teknologi kecerdasan buatan yang ada serta melalui peran pencitraan medis sebagai salah satu metode skrining pendukung, dikembangkan sebuah model pendeteksian berbasis arsitektur U-Net yang mampu secara otomatis mengenali dan melokalisasi area berbagai jenis kelainan indikator TB paru pada citra rontgen thorax. Selain melakukan tuning parameter, dibandingkan beberapa kasus segmentasi semantik multi-kelas, diantaranya terdiri atas 14 kelas kelainan spesifik, 5 kelas kelompok kelainan, dan 3 kelas kelompok kelainan, serta kasus segmentasi semantik biner. Hasil memperlihatkan bahwa pada kasus multi-kelas, semakin sedikit kelas yang digunakan, maka semakin besar nilai dice score yang didapat, yaitu mencapai 0,71. Sementara, jika dibandingkan dengan kasus segmentasi biner, meski dice score mengalami peningkatan, namun berdasarkan hasil visualisasi, kasus segmentasi multi-kelas kurang mampu dalam mengenali kondisi paru normal atau tidak memiliki kelainan.

---

In the Global Tuberculosis Report 2022 document, the World Health Organization (WHO) reports that Indonesia is listed as the country with the second highest burden of tuberculosis (TB) cases after India in 2021, where from an estimated 969.000 cases of TB sufferers in India, there are 525.765 ( 54,3%) cases of which have not been found and treated, this has the potential to become a source of transmission and increase the risk of communal transmission if treatment is not immediately received. In response to this, with advances in existing artificial intelligence technology and through the role of medical imaging as a screening support method, a detection model based on the U-Net architecture was developed that can automatically recognize and localize areas of various types of pulmonary TB marker indicators on chest X-ray images. In addition to parameter tuning, several cases of multi-class semantic segmentation were compared, which consisted of 14 specific disorder classes, 5 class disorder clusters, and 3 class disorder clusters, as well as cases of binary semantic segmentation. The results reveal that in the multi-class case, the fewer classes used, the greater the dice score obtained, which is 0,71. Meanwhile, when compared with binary segmentation cases, even though the dice score has increased, based on visualization results, multi-class segmentation cases are less able to recognize normal lung conditions or have no abnormalities."

"Kanker kulit termasuk salah satu kanker dengan kasus terbanyak di seluruh dunia dan menjadi penyebab kematian terbanyak adalah kanker kulit melanoma. Pendeteksian dan diagnosis dini berhasil meningkatkan angka survival rate untuk melanoma tingkat awal sebesar 95%. Oleh karena itu, analisis gambar medis sangat penting dalam upaya pengobatan penyakit kulit sedini mungkin. Cara pendeteksiaan saat ini yang menggunakan metode manual masih kurang handal dan memakan banyak waktu. Adanya pengembangan teknologi deep learning dan computer vision dapat membantu dokter dalam melakukan segmentasi lesi kulit dengan lebih cepat dan akurat. Penelitian ini mengusulkan penggunaan arsitektur Recurrent Residual U-Net (R2U-Net) dalam melakukan tugas segmentasi lesi kulit. Arsitektur ini menggunakan recurrent residual block yang terinspirasi dari residual connection dan Recurrent Convolutional Layer (RCL) ke dalam arsitektur berbasis U-Net. Unit residual dengan RCL membantu mengembangkan model lebih dalam yang efisien. Dataset yang digunakan pada penelitian ini adalah dataset yang berasal dari International Skin Imaging Collaboration (ISIC) 2018. Penelitian ini berhasil meningkatkan kinerja model dalam memprediksi segmentasi lesi kulit pada nilai Dice Similarity Coefficient (DSC), jaccard index, akurasi, sensitivitas, spesifisitas, dan presisi masing-masing sebesar 88,16%, 79,03%, 94,07%, 87,25%, 96,98%, dan 89,50%, dengan rata-rata kenaikan sebesar 2,4%.

---

Skin cancer is one of the most common cancers in the world and the leading cause of death is melanoma. Early detection and diagnosis can increase the survival rate for early-stage melanoma by 95%. Therefore, analysis of medical images is very important in efforts to treat skin diseases as early as possible. The current detection method that uses the manual method is still less reliable and takes a lot of time. The development of deep learning technology and computer vision can assist doctors in segmenting skin lesions more quickly and accurately. This study proposes the use of the Recurrent Residual U-Net (R2U-Net) architecture in performing the task of segmenting skin lesions. This architecture uses a recurrent residual block inspired by the residual connection and recurrent convolutional layer (RCL) in a U-Net-based architecture. Residual units with RCL help develop efficient deeper models. The dataset used in this study is a dataset from the International Skin Imaging Collaboration (ISIC) 2018. This research succeeded in improving the model's performance in predicting skin lesion segmentation on the Dice Similarity Coefficient (DSC), jaccard index, accuracy, sensitivity, specificity, and precision values of each respectively 88.16%, 79.03%, 94.07%, 87.25%, 96.98%, and 89.50%, with an average increase of 2.4%."

"Pemantauan area pasca‐kebakaran menggunakan citra satelit merupakan langkah krusial dalam mengurangi risiko kebakaran hutan dan merencanakan restorasi ekosistem. Penelitian ini mengembangkan model hybrid yang mengintegrasikan encoder ASPP dari DeepLabv3+ dan decoder dari U-Net disertai spatial attention gate pada skip connection dengan memanfaatkan data Sentinel-1 (polarisasi VV+VH) dan Sentinel-2 (kanal 2, 3, 4, 8, 12) pada resolusi spasial 10 m. Data citra diambil dari area Tanjung Jabung Barat untuk lahan gambut serta dari Bromo dan Magepanda untuk lahan savana. Teknik augmentasi seperti random flip horizontalvertikal, rotasi sudut acak, dan penyesuaian brightness-contrast diterapkan pada tahap preprocessing sehingga menghasilkan 411 triplet citra. Hasil evaluasi menunjukkan bahwa model hybrid mencapai nilai Intersection over Union (IoU) tertinggi untuk area terbakar, yaitu 0,8263, dengan akurasi keseluruhan 91,49%, mengungguli DeepLabv3+ (IoU 0,8165 dan akurasi 91,07%) dan Spatial Attention U-Net (IoU 0,8031 dan akurasi 89,17%). Dari sisi Dice coefficient, model hybrid juga memimpin dengan skor 0,9064, melampaui DeepLabv3+ dengan 0,8990 dan Spatial Attention U-Net dengan 0,8933. Temuan ini menegaskan model hybrid sebagai solusi optimal untuk aplikasi yang menuntut akurasi tertinggi.

---

Monitoring post‐fire areas using satellite imagery is a crucial step in reducing wildfire risk and planning ecosystem restoration. This study develops a hybrid model integrating the Atrous Spatial Pyramid Pooling (ASPP) encoder from DeepLabv3+ with the U-Net decoder, augmented by spatial attention gates on each skip connection using Sentinel-1 data (VV+VH polarizations) and Sentinel-2 data (bands 2, 3, 4, 8, and 12) at 10 m spatial resolution. Image data were acquired from Tanjung Jabung Barat for peatland and from Bromo and Magepanda for savanna. Augmentation techniques such as random horizontal-vertical flips, random rotations, and brightness–contrast adjustments were applied during preprocessing, resulting in 411 image triplets. Evaluation results show that the hybrid model achieved the highest Intersection over Union (IoU) for burned areas at 0.8263 with an overall accuracy of 91.49%, outperforming DeepLabv3+ (IoU 0.8165, accuracy 91.07%) and Spatial Attention U-Net (IoU 0.8031, accuracy 89.17%). In terms of Dice coefficient, the hybrid model also leads with a score of 0.9064, surpassing DeepLabv3+ (0.8990) and Spatial Attention U-Net (0.8933). These findings confirm the hybrid model as the optimal solution for applications demanding the highest segmentation accuracy. "

"Energi surya melalui panel surya merupakan sumber energi terbarukan yang potensial. Namun, kinerjanya sering terganggu oleh kerusakan permukaan, seperti debu dan bayangan, serta kerusakan permanen seperti kerusakan kabel dan penuaan komponen. Berbagai metode inspeksi seperti citra inframerah, uji ultrasonik, teknik optik dan termografi, serta pendekatan machine learning berbasis CNN telah digunakan, namun masih memiliki keterbatasan. Penelitian ini mengusulkan pendekatan deep learning yang menggabungkan segmentasi dan klasifikasi citra untuk mendeteksi kondisi permukaan panel surya. Attention U-Net digunakan untuk segmentasi karena kemampuannya memfokuskan area penting secara spasial, sementara arsitektur Xception digunakan untuk klasifikasi karena efisiensi dan akurasinya. Attention U-Net menghasilkan segmentasi yang lebih bersih, lebih terfokus, dan secara spasial lebih representatif, yang berkontribusi pada kinerja segmentasi yang tinggi, dengan hasil menunjukkan akurasi sebesar 97,5%, Dice coefficient sebesar 90,3%, IoU sebesar 85,7%, dan loss sebesar 9,70%. Model klasifikasi mencapai hasil evaluasi berbobot sebagai berikut: akurasi 98,64%, precision 98,70%, recall 98,60%, dan F1-score 98,60%. Hasil tersebut menunjukkan bahwa pendekatan yang diusulkan efektif dalam menganalisis kerusakan permukaan panel surya.

---

Solar energy through solar panels is a potential source of renewable energy. However, its performance is often compromised by surface damage, such as dust and shadows, and permanent, such as cable damage and component aging. Various inspection methods such as infrared images, ultrasonic tests, optical and thermographic techniques, and CNN-based machine learning approaches have been used but still have limitations. This research proposes a deep learning approach that combines image segmentation and classification to detect the surface condition of solar panels. Attention U-Net is used for segmentation due to its ability to spatially focus important areas, while Xception architecture is used for classification due to its efficiency and accuracy. Attention U-Net produced cleaner, more focused, and spatially representative segmentations, contributing to high segmentation performance, with results showing 97.5% accuracy, a Dice coefficient of 90.3%, an IoU of 85.7%, and a loss of 9.70%. The classification model achieved the following weighted evaluation metrics results: 98.64% accuracy, 98.70% precision, 98.60% recall, and 98.60% F1-score. These results show that the proposed approach effectively analyzes the surface damage of solar panels."

"Mata merupakan salah satu bagian tubuh yang penting pada hidup manusia. Menggunakan bantuan mata, kita dapat menjalankan berbagai macam aktivitas dengan mudah. Namun, banyak sekali penyakit yang dapat menyerang mata, salah satunya adalah mata kering. Sebuah studi yang ada telah mengkonfirmasi bahwa sebagian besar pasien dengan penyakit mata kering dilaporkan mengalami disfungsi kelenjar meibom. Oleh karena itu, sangat penting untuk mengevaluasi kinerja kelenjar meibom pada pasien mata kering. Akan tetapi, pada kenyataannya hasil evaluasi kelenjar meibom oleh tenaga profesional masih sangat subjektif. Seorang dokter mata bisa memiliki pendapat mengenai tingkat kerusakan kelenjar meibom yang berbeda dengan dokter lainnya. Sehingga, alat diagnostik yang efektif diperlukan untuk mengevaluasi kelenjar meibom agar terhindar dari hasil penilaian tenaga profesional yang subjektif. Oleh sebab itu, pada penelitian ini dilakukan segmentasi kelenjar meibom dengan bantuan deep learning untuk menghindari penilaian tenaga profesional yang subjektif. Penelitian ini menggunakan arsitektur yang bernama U-Net. Data yang dimiliki berjumlah 139 citra meibography berasal dari pasien penyakit mata kering dari Rumah Rumah Sakit Cipto Mangunkusumo Departemen Kirana yang terdiri dari 35 citra meibography kelopak mata atas pada mata kanan, 34 citra meibography kelopak mata atas pada mata kiri, 35 citra meibography kelopak mata bawah pada mata kanan, dan 35 citra meibography kelopak mata bawah pada mata kiri. Kemudian citra meibography melalui tahapan anotasi untuk mendapatkan ground truth dan di resize menjadi ukuran 256 x 256. Selanjutnya data tersebut mengalami augmentasi dengan teknik rotasi dan teknik horizontal flip. Sehingga total data citra meibography menjadi 417 citra. Pada penelitian ini data citra meibography dibagi menjadi 3 bagian yaitu data training, data validation, dan data testing. Pada kasus pertama, jumlah data training adalah 80% dari citra meibography yang dimiliki, data validation sebanyak 10% citra meibography dari data training, dan data testing sebanyak 20% citra meibography yang dimiliki. Pada kasus kedua, pembagian data training dan data testing masih sama akan tetapi pembagian data validation adalah 20% dari data training. Pada kasus terakhir pembagian data training dan data testing masih sama akan tetapi pembagian data validation adalah 30% dari data training. Dengan melakukan 5 kali percobaan untuk masing-masing kasus pembagian data, didapat bahwa kasus pertama menghasilkan rata-rata akurasi 94,50% dan rata-rata Intersection over Union (IoU) 72,70%, kasus kedua menghasilkan nilai rata-rata akurasi 94,49% dan rata-rata Intersection over Union (IoU) yaitu 73,86%, dan kasus terakhir memiliki rata-rata akurasi 94,14% dan Intersection over Union (IoU) 72,15%.

---

The eye is one of the essential body parts in human life. With the eye's help, we can carry out various activities easily. However, many diseases can attack the sights, including dry eyes. An existing study has confirmed that most patients with dry eye disease reported meibomian gland dysfunction. Therefore, it is crucial to evaluate the performance of the meibomian glands in dry eye patients. However, the results of the evaluation of the meibomian glands by professionals are still very subjective. An ophthalmologist may have an opinion regarding the level of meibomian gland damage that is different from other doctors. Thus, an effective diagnostic tool is needed to evaluate the meibomian glands to avoid subjective professional assessment results. Therefore, in this study, segmentation of the meibomian glands was carried out with the help of deep learning to prevent subjective professional judgments. This research uses an architecture called U-Net. The data is 139 meibographic images derived from dry eye patients from Cipto Mangunkusumo Hospital Kirana Department consisting of 35 meibographic images of the upper eyelid on the right eye, 34 meibographic images of the upper eyelid on the left eye, 35 meibographic images of the lower eyelid in the right eye, and 35 meibography images of the lower eyelid in the left eye. Then the meibography image goes through the annotation stages to get the ground truth and is resized to a size of 256 x 256. Furthermore, the data is augmented using rotation techniques and horizontal flip techniques. So, the total meibography image data becomes 417 images. In this study, meibography image data is divided into three parts: training data, validation data, and testing data. In the first case, the amount of training data is 80% of the meibography image, validation data is 10% of the meibography image from the training data, and testing data is 20% of the meibography image. In the second case, the distribution of training data and testing data is still the same, but the distribution of validation data is 20% of the training data. In the last case, the training data distribution and testing data are still the same, but the distribution of validation data is 30% of the training data. By conducting five trials for each case of data division, it was found that the first case produced an average accuracy of 94.50% and an average Intersection over Union (IoU) of 72.70%, the second case made an average accuracy value of 94.49% and the average Intersection over Union (IoU) is 73.86%, and the third case has an average accuracy of 94.14% and Intersection over Union (IoU) 72.15%."

"Skripsi ini membahas mengenai penggunaan model segmentasi semantik UNet sebagai alternatif metode segmentasi wajah dan tangan gerakan isyarat SIBI (Sistem Isyarat Bahasa Indonesia) pada latar belakang kompleks. Penelitian dilakukan terhadap dataset gerakan isyarat SIBI milik Lab MLCV Fakultas Ilmu Komputer Universitas Indonesia. Dalam penelitian ini, dilakukan percobaan dengan tiga jenis konfigurasi UNet, yaitu UNet 4- level tanpa Batch Normalization, UNet 5-level tanpa Batch Normalization, dan UNet 4- level dengan Batch Normalization. Hasil segmentasi dari UNet konfigurasi terbaik kemudian dilakukan tahap pengenalan selanjutnya, yaitu ekstraksi fitur dengan MobileNetV2, penghapusan gerakan transisi dengan TCRF, dan gesture recognition dengan 2-layer biLSTM untuk mendapatkan hasil translasi serta evaluasi akhir. Selain itu, performa sistem dengan menggunakan metode segmentasi UNet dibandingkan dengan performa sistem dengan menggunakan metode segmentasi RetinaNet+Skin Color Segmentation. Hasil dari penelitian didapatkan bahwa konfigurasi UNet 4-level dengan Batch Normalization menghasilkan segmentasi yang sedikit lebih baik dibandingkan konfigurasi lainnya, yaitu dengan nilai IOU 0,9178% pada dataset berlatar belakang kompleks. Performa UNet terlihat baik pada saat kedua tangan berada di depan badan, dan menurun ketika tangan berada di posisi yang berdekatan dengan area kulit lainnya (lengan, leher, wajah). Didapatkan juga bahwa sistem pengenalan isyarat SIBI ke teks bahasa Indonesia dengan menggunakan metode segmentasi UNet berhasil memiliki performa yang lebih baik dibandingkan menggunakan metode segmentasi RetinaNet+Skin Color Segmentation, dengan nilai WER 2,703% dan SAcc 82,424% pada latar belakang kompleks. Didapatkan juga waktu komputasi UNet yang lebih cepat dibandingkan RetinaNet dengan waktu segmentasi 0,19643 detik per frame pada CPU NVIDIA DGX A100

---

This thesis discusses the use of the UNet semantic segmentation model as an alternative to hand and face segmentation methods for SIBI (Indonesian Signing System) on complex backgrounds. This research was conducted on SIBI gesture dataset by MLCV Lab (Faculty of Computer Science, Universitas Indonesia). In this study, experiments were conducted with three types of UNet configurations, namely 4-level UNet without Batch Normalization, 5-level UNet without Batch Normalization, and 4-level UNet with Batch Normalization. Segmentation results from the best UNet configuration is then carried out in the next stage of the system, namely feature extraction with MobileNetV2, epenthesis removal with TCRF, and gesture recognition with 2-layer biLSTM to obtain translation results and the final evaluations. In addition, system performance using the UNet segmentation method is compared to system performance using the RetinaNet+Skin Color Segmentation method. The results of the study showed that the 4-level UNet configuration with Batch Normalization produces slightly better segmentation than the other configurations, with an IOU of 0.9178% on a dataset with a complex background. Based on the sample results, UNet performance is good when both hands are on the front of the body, and it decreases when the hands are in close proximity to other skin areas (arms, neck, face). It was also found that the SIBI gesture recognition system to Indonesian text using the UNet segmentation method managed to have better performance than using the RetinaNet+Skin Color Segmentation, with a WER value of 2.703% and a SAcc of 82.424% on a complex background. It was also found that UNet processing time was faster than RetinaNet with a segmentation rate of 0.19643 seconds per frame on the NVIDIA DGX A100 CPU."

"ABSTRAKTelah dilakukan identifikasi terhadap citra USG payudara normal, benign danmalignant. Diperoleh rentang nilai pixel untuk lesi benign 22-26 dan rentang lesimalignant 37-39. Pada citra USG normal diperoleh nilai pixel fat sebagai acuan(isoechoic) pada rentang 49-55. Diperoleh nilai rasio (a/b) dari panjang (a) dantinggi (b) lesi untuk kasus benign >1 dan untuk malignant a/b < 1. Evaluasi citradilakukan dengan menggunakan Software Image-J. Hasil penelitian menunjukkankarakteristik yang berbeda dari beberapa lesi payudara pada citra USG yang sulitdiamati secara visual biasa. Metode ini diharapkan dapat membantu diagnosis lesipayudara sebagai upaya deteksi dini kanker payudara. Telah dilakukan filterisasicitra USG payudara dengan Adobe CS6 Extended untuk mendeteksi kehadiranmikrokalsifikasi, citra USG hasil filterisasi berhasil menujukkan kehadiranmikrokalsifikasi yang sebelumnya tidak tampak secara visual.

---

AbstractIdentification has been done on breast ultrasound image of normal, benign andmalignant. Range of pixel values obtained for benign lesions in ranges 22-26 andmalignant lesions in ranges 37-39. In the normal ultrasound image obtained pixelvalue as the reference fat (isoechoic) in the range 49-55. Obtained value of the ratio(a/b) of the length (a) and high (b) cases of benign lesions for > 1 and formalignant (a/b) < 1. Image evaluation performed using Image-J software. Theresults show different characteristics from multiple breast lesions on ultrasoundimages are difficult to observe visually normal. This method is expected to aid inthe diagnosis of breast lesions as a means of early detection of breast cancer.Filtering has been performed breast ultrasound images with Adobe CS6 Extendedto detect the presence of microcalcifications, ultrasound image filtering resultssuccessfully showed the presence of microcalcifications that were not perceivable."