Hasil Pencarian  ::  Simpan CSV :: Kembali

"Konsumsi rokok menjadi salah satu isu kesehatan global terbesar di dunia. Organisasi Kesehatan Dunia (WHO) memperkirakan sekitar 1,3 miliar penduduk di seluruh dunia menggunakan produk tembakau. Indonesia juga menempati peringkat ketiga tertinggi jumlah perokok aktif terbanyak di dunia. Tembakau tidak hanya berbahaya bagi yang menggunakannya, tetapi juga berbahaya bagi yang terpapar asapnya. Orang dapat merokok sembarangan dengan mudah jika pengawasan terhadap penggunaan rokok longgar atau bahkan tidak ditegakkan. Untuk mengatasi permasalahan rokok, berbagai penelitian telah dikembangkan, termasuk metode pengenalan orang yang sedang merokok. Berbagai perangkat pencitraan digunakan untuk mendeteksi aktivitas manusia, termasuk merokok. Dengan pesatnya perkembangan kecerdasan buatan dan deep learning dalam beberapa dekade terakhir, termasuk computer vision, berbagai metode telah dikembangkan untuk mendeteksi orang yang sedang merokok. Salah satu metode tersebut adalah MobileNetV3, yang merupakan salah satu arsitektur Convolutional Neural Network (CNN). MobileNetV3 dikembangkan khusus untuk penggunaan pada aplikasi peranti bergerak dan sistem tanam karena sifatnya yang ringan komputasi. Penelitian ini bertujuan untuk mengembangkan sistem deteksi orang sedang merokok berbasis computer vision menggunakan MobileNetV3. Pada arsitektur sistem, layer dropout digunakan untuk mengatasi masalah overfitting sehingga performa model meningkat. Dataset yang digunakan berasal dari Mendeley Data dan Kaggle yang merupakan kumpulan citra orang yang sedang merokok masing-masing sejumlah 2410 citra dan 3275 citra. Melalui simulasi menggunakan konfigurasi dropout senilai 0,5, perbandingan proporsi dataset training : validasi : training menjadi 80 : 10 : 10, model berhasil memperoleh performa terbaik dengan nilai akurasi sebesar 92,08%, nilai loss sebesar 22,87%, nilai presisi sebesar 93,16%, dan nilai recall sebesar 90,83%. Akurasi ini lebih baik dari penelitian Junlong Tang et al. dengan YOLOv5s yang menghasilkan akurasi 85,6%

---

Cigarette consumption is one of the most significant global health issues. The World Health Organization (WHO) estimates that around 1.3 billion people worldwide use tobacco products. Indonesia also ranks third with the world's highest number of active smokers. Tobacco is not only dangerous for those who use it but also for those exposed to the smoke. People can smoke indiscriminately if controls on cigarette use are lax or even not enforced. Various studies have been developed to overcome the problem of smoking, including methods of identifying people who smoke. Different imaging devices are used to detect human activities, including smoking behavior. With the rapid development of artificial intelligence and deep learning in recent decades, including computer vision, various methods have been developed to detect smoking people. One such method is MobileNetV3, one of the Convolutional Neural Network (CNN) architectures. MobileNetV3 was explicitly developed for mobile applications and embedded systems because of its computationally lightweight nature. This study aims to create a computer vision-based smoking detection system using MobileNetV3. In the system architecture, the dropout layer is used to overcome the problem of overfitting so that model performance increases. The datasets used are from Mendeley Data and Kaggle, a collection of images of smoking people, a total of 2410 and 3275 images, respectively. Through simulation using a dropout configuration of 0.5, the proportion of the training dataset: validation: training to 80: 10: 10, the model managed to obtain the best performance with an accuracy value of 92.08%, a loss value of 22.87%, a precision value of 93.16%, and the recall value is 90.83%. This accuracy is better than previous studies by Junlong Tang et al. with YOLOv5s, which resulted in an accuracy of 85.6%"

"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."