Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Kanker payudara (KPD) merupakan salah satu penyakit yang masih banyak terjadi di negara berkembang seperti Indonesia. Di Indonesia sendiri, KPD menempati peringkat pertama terbanyak dari berbagai jenis kanker yang terjadi.  Pendeteksian kanker ini dapat dilakukan sejak dini dengan memeriksa manual apakah terdapat benjolan atau kelainan pada payudara. Jika terasa ada benjolan, maka disarankan untuk diperiksa ke dokter dengan berbagai metode, seperti mammogram, Magnetic Resonance Imaging (MRI), dan USG. Diagnosa citra ini sering terkendala karena tidak setiap rumah sakit memiliki tenaga spesialis radiologi. Maka dari itu, untuk mengatasinya diperlukan bantuan komputer untuk mendiagnosa citra tersebut yang sering disebut computer aided diagnostis (CAD). Algoritma Convolutional Neural Network didasari pada hasil pemeriksaan rutin citra x-ray payudara normal/abnormal yang cenderung menunjukkan perubahan, salah satunya tekstur (konten). Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Sistem dimulai dengan mengenal dan mempelajari data 3 jenis mamografi, yakni mamografi normal (sehat), mamografi benign, dan mamografi malignant. Setelah mempelajari data tersebut, sistem akan mencoba untuk mendeteksi jenis kanker payudara dari data baru yang dimasukkan. Nilai akurasi yang didapatkan adalah 100%, dengan rasio data pembelajaran sebanyak 1247 data (setelah diaugmentasi) dan data pengujian sebanyak 93 data, sehingga disimpulkan bahwa sistem ini baik. Namun nilai ini hanya untuk data MIAS, sehingga masih perlu pengembangan lebih lanjut supaya dapat diterapkan ke data-data yang lain juga.

---

Breast Cancer (BC) is one of the diseases that still occur a lot in developing countries like Indonesia. In Indonesia alone, BC is the number one most occurrence cancer. This cancer detection can be done early by manual, checking if there is any lump or abnormality in breast. If there are any lump, it is recommended to go check in hospital. There are a lot of methods like Magnetic Resonance Imaging (MRI), and Ultrasonography (USG). This image diagnostics sometimes got constrained by the lack of radiology specialist in some hospital. Therefore, to counter this problem, Computer Aided Diagnostics (CAD) help is needed to detect those images. Convolutional Neural Network algorithm is based on the result of the routine x-ray's check of breast, both normal and abnormal which tend to show some changes, which one of them is texture (content). Data used in this research came from Pilot European Image Processing Archive (PEIPA) website, Mammographic Image Analysis Society (MIAS) database. The system start by recognizing and learning 3 types of mammograph data, normal (healthy), benign and malignant. Then, system will try to detect and classify breast cancer type from the new input data. The accuracy score is 100%, with a ratio of 1247 datas for learning (after augmented) and 93 datas for testing, so it can be concluded that this system is good. But this score is achieved only for MIAS data, it still need further improvement  so it can be applied to another data.

Abstrak :
Penelitian ini menganalisis tiga belas DAS di pulau Jawa dengan luas berkisar dari 22 km2 hingga 2666 km2. Karakteristik DAS yang digunakan sebagai indikator adalah luas, panjang sungai utama, dan bentuk. Hidrograf satuan observasi dibuat dengan metode konvolusi dan menggunakan data terukur curah hujan dari stasiun curah hujan yang berada di dalam DAS yang disimulasikan dengan data terukur muka air sungai di outletnya. Hidrograf satuan observasi dibandingkan dengan hidrograf satuan sintetik dari empat metode, yaitu metode Synder, metode SCS, metode Nakayasu, dan metode Gama-1, menggunakan parameter pembanding yang mencakup bentuk hidrograf dan ketiga parameternya, yaitu debit puncak, waktu puncak, dan waktu dasar. Berdasarkan hasil penelitian dapat disimpulkan bahwa metode sinetik yang tepat digunakan untuk DAS dengan rentang karakteristik yang cukup luas adalah metode Nakayasu.

Abstrak :
Jalan raya merupakan infrastruktur yang penting karena digunakan untuk berlalu lintas sehari-hari. Kerusakan jalan sering terjadi dan salah satu jenis kerusakan jalan adalah retakan dan jalan yang berlubang. Image Processing merupakan salah satu metode untuk menentukan kerusakan jalan. Sejauh ini, penelitian mengenai deteksi retakan jalan kebanyakan masih menggunakan metode Convolutional Neural Network. Penelitian ini menggunakan You Only Look Once Version 5 dan Faster Object More Object Sebagai model dalam melakukan proses deteksi retakan dan lubang pada jalan dan sebagai salah satu pembanding untuk menentukan model mana yang lebih efisien dan akurat dalam melakukan deteksi terhadap retakan dan lubang tersebut. Dataset yang akan digunakan diambil dari jalan raya yang ada di negara Jepang dan Republik Ceko. Dataset yang digunakan memiliki 1000 Citra dengan ukuran 600x600 piksel. Jalan raya yang dijadikan dataset merupakan jalan dengan jenis material Aspal. Dalam Melakukan testing, dataset public tersebut akan digunakan dan dalam implementasinya, akan digunakan secara realtime dan akan diaplikasikan ke sebuah kamera eksternal webcam dalam mendeteksi retakan dan lubang pada jalan. Hasil yang akan didapatkan adalah berupa prediksi secara realtime berupa bounding box dengan tingkat confidence prediksi dari retakan untuk model YOLOv5 dan prediksi berupa lingkaran kecil dengan tingkat confidence prediksi retakan untuk model FOMO. Nilai perbandingan akurasi model YOLOv5 dan FOMO adalah 0.260 : 0.685 dengan deteksi berjalan dan 0.127 : 0.733 untuk deteksi menggunakan mobil. Sedangkan perbandingan nilai F1 score untuk adalah 0.41 : 0.813 untuk deteksi dengan berjalan dan 0.215 : 0.845 dengan deteksi menggunakan mobil. ......Road is an important infrastructure because it’s used for daily traffic. Road Damage is usually happened on usual road, and one types of road damage is road crack and potholes. Image processing is one method that is used to determine a damaged road. So far, study about detection of crack and potholes used Convolutional Neural Network as their method. This research uses You Only Look Once Version 5 and Faster Object More Object as a method and models on the detection process of Road Crack and Potholes and as a comparison to determine which method and model is more efficient and accurate on detecting crack and potholes. Dataset that are used are taken from road on Japan and Republic of Czech. Dataset that are used consists of 1000 Images with the size of 600x600 pixel. Each picture contains crack, Potholes and road without crack and pothole. The road images that are taken are road with the material type of Asphalt. Testing will be done using the public dataset and, on the implementation, it will use external camera webcam on detecting potholes and crack on road real time. The results on Realtime detection are bounding box that are generated along with the prediction confidence of road crack on YOLOv5 model and small circle that are generated along with the prediction confidence of road crack on FOMO model. The comparison value of the accuracy of the YOLOv5 and FOMO models is 0.260 : 0.685 with walking detection and 0.127 : 0.733 for detection using a car. While the comparison of the F1 score for is 0.41 : 0.813 for detection by walking and 0.215: 0.845 for detection by car.

Abstrak :
ABSTRAK
Kanker payudara merupakan kanker yang umum terjadi pada wanita baik di Indonesia ataupun di dunia. Pemeriksan tingkat sebaran sel kanker perlu dilakukan agar pengobatan yang diberikan tepat. Biopsi jaringan getah bening dan pemeriksaan ahli patologi adalah salah satu metode untuk menentukan tingkat penyebaran kanker. Kendala pada pemeriksaan manual membutuhkan waktu untuk memeriksa bagian perbagian dengan kemungkinan ada bagian yang terlewati, kesalahan dalam klasifikasi dan unsur subjektifitas saat memeriksa. Penggunaan kecerdasan buatan dalam prapemeriksaan akan membantu dokter dalam memeriksa dan menghilangkan unsur subjektifitas. Proses klasifikasi yang didapat diharapkan membantu ahli patologi memeriksa dengan lebih cepat dan mengurangi tingkat kesalahan pemeriksaan. Proses dimulai dengan terlebih dahulu menentukan antara daerah kosong dan daerah yang terdapat jaringan. Selanjutnya menentukan tingkat metastasis berdasarkan hasil klasifikasi. Metode yang digunakan adalah dengan menggunakan teknik ambang gambar dalam menentukan batas gambar yang berisi jaringan. Proses klasifikasi menggunakan jaringan saraf konvolusi (Convolution Neural Network (CNN)) dengan banyak klasifikasi sebanyak 5 kelompok sel normal dan 1 kelompok tumor. Hasil dari penggunaan metode ambang adaptif dapat memisahkah antara daerah kosong dan daerah berisi sel-sel. Metode jaringan saraf konvolusi ini dapat mengklasifikasikan dengan hasil sampai 86% dan tes dengan validasi data 80% untuk keseluruhan klasifikasi dan mencapai 93% untuk sel tumor dan sel kanker. Hasil dari penentuan tingkat ditentukan oleh akurasi dari proses klasifikasi. Metode ambang gambar adaptif dapat menentukan area kosong dan berisi jaringan sesuai dengan yang diharapkan dan mempercepat proses pemeriksaan. Hasil klasifikasi dan menentukan tingkat dapat ditingkatkan dengan memperbaiki pembagian data-data pada dataset dan mengembangkan konfigurasi dari jaringan saraf konvolusi dengan merubah struktur atau menambahkan dengan metode lain.

---

ABSTRACT
Breast cancer is the most common cancer in women worldwide and the second most common cancer in Indonesia. Metastasis is the medical term for cancer that spreads to a different part of the body from where it started. Information from the lymph node biopsy can help doctor that treatment decisions depend on stage of metastases. Normaly pathologist makes a diagnosis of the prepared sample slide from sample biopsy with manual visual inspection. Manual diagnosis has the possibility to miss some section not checked, classification errors and subjectivity result. The classification process with AI will help the pathologist check faster, reduce the error level and eliminate the subjectivity. The proposed Method using adaptive thresholding method in whole slide image is to determine the area to be processed. And Convolution Neural Network (CNN) for image classification. Adaptive thresholding have ability to separating the blank slide area and tissue area. CNN is superior in image classification . Classification data for this thesis using 6 classification, five class normal cell and one tumor. Adaptive thresholding method in whole slide image can separate empty tissue and tissue with cell area. The result CNN Method for overall accuracy 86% and accuracy for tumor cell is 93%. Classification and staging result can be improved by improving dataset for training and developing, change the configuration of CNN architecture or adding new method.

Abstrak :
Pisang (Musa sp.) merupakan salah satu buah dengan keberagaman yang banyak di Indonesia. Terdapat sekitar 6 sampai 9 subspesies atau varietas pisang Musa acuminata. Pemodelan multi-varieties untuk pengukuran kadar gula total pada suatu buah bertujuan untuk memudahkan proses perhitungan untuk satu kelompok varietas sehingga hanya didapatkan satu model saja yang disebut universal model. Dalam penelitian ini, penulis mencoba membuat universal model untuk pengukuran kadar gula total pada 3 varietas pisang Musa acuminata menggunakan citra hiperspektral berbasis Visible-Near Infrared (VNIR). Universal model utama yang akan digunakan berbasis Convolution Neural Network (CNN). Convolution Neural Networks (CNN) merupakan kumpulan suatu layer (neural) 3 dimensi yang membentuk suatu jaringan (network) yang berfungsi untuk pengolahan data berdimensi tiga melalui proses konvolusi. 3 komponen utama dalam perancangan perangkat keras untuk akuisisi data citra hyperspectral, di antaranya kamera hiperspektral, lampu halogen, dan slider. Pada penelitian ini digunakan 3 jenis buah pisang berbeda, yaitu pisang ambon kuning, pisang cavendish, dan pisang mas. Model universal atau model untuk memprediksi kadar gula total pada pisang cavendish, pisang mas, dan pisang ambon pada penelitian ini didapatkan parameter regresi sebesar 1,1285 untuk RMSEP; 0,2338 untuk RMSEC; 0,8747 untuk RP2; dan 0,9946 untuk RC2. Implementasi deep learning CNN sebagai regresi untuk sistem pengukuran kadar gula total pada varietas pisang Musa acuminata dapat digunakan pada penelitian ini karena didapatkan nilai parameter regresi yang hampir sama dengan parameter hasil regresi pada algoritma PLSR.

---

Banana (Musa sp.) is one of the most diverse fruits in Indonesia. There are about 6 to 9 subspecies or varieties of Musa acuminata banana. Multi-varieties modeling for measuring the total sugar content in a fruit aims to facilitate the calculation process for one varieties group so that only one model is obtained which is called the universal model. In this study, the authors tried to obtain a universal model for measuring total sugar content in 3 Banana Varieties Musa acuminata using hyperspectral imaging based on Visible-Near Infrared (VNIR). The main universal model to be used is based on Convolution Neural Network (CNN). Convolution Neural Networks (CNN) is a set of 3-dimensional (neural) layers that form a network that used for three-dimensional data processing through a convolutional. 3 main hardware components used for hyperspectral image data acquisition, including a hyperspectral camera, halogen lights, and sliders. In this study, three different types of banana were used, there is yellow ambon banana, cavendish banana, and mas banana. Universal model or a model to predict total sugar content in cavendish banana, cas banana, and ambon banana in this study obtained a regression parameter of 1.1285 for RMSEP; 0.2338 for RMSEC; 0.8747 for RP2; and 0,9946 for RC2. The implementation of deep learning CNN as a regression for the total sugar content measurement system in Musa acuminata banana variety can be used in this study due to the regression parameter values are almost the same as the regression parameters in the PLSR algorithm