Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penyakit jerawat merupakan sebuah kondisi kulit yang umum yang ditandai dengan folikel rambut yang tersumbat, tidak hanya mempengaruhi penampilan fisik tetapi juga mempengaruhi kepercayaan diri individu. Metode diagnostik yang maju sangat penting untuk menentukan tingkat keparahan jerawat, yang dapat membimbing strategi pengobatan yang efektif. Penelitian ini memperkenalkan pendekatan inovatif untuk mengklasifikasikan tingkat keparahan jerawat pada citra wajah menggunakan Diagnostic Evidence Distillation yang memanfaatkan multi teacher knowledge distillation. Studi ini meningkatkan model single teacher konvensional dengan menggabungkan beberapa arsitektur teacher, memungkinkan transfer pengetahuan yang lebih kuat dan akurat ke student model. Penulis mengembangkan dan menguji model yang mengintegrasikan Convolutional Neural Network (CNN) dengan kerangka kerja multi teacher untuk meningkatkan akurasi prediktif. Pendekatan yang dilakukan menggabungkan secara unik diagnostic evidence dengan teknik deep learning untuk mengoptimalkan proses klasifikasi. Evaluasi dilakukan menggunakan dataset ACNE04, yang dianotasi menurut kriteria Hayashi, memastikan representasi komprehensif dari berbagai tingkat keparahan jerawat. Hasilnya menunjukkan bahwa model multi teacher knowledge distillation mencapai akurasi yang lebih unggul dibandingkan model single teacher sebelumnya, dengan peningkatan akurasi menjadi 90.00%, melampaui benchmark sebelumnya sebesar 86.06%. Ini menunjukkan kemajuan signifikan dalam klasifikasi otomatis tingkat keparahan jerawat. Studi penulis tidak hanya memberikan kemajuan metodologis dalam bidang pemrosesan gambar medis tetapi juga berkontribusi pada penilaian tingkat keparahan jerawat yang lebih akurat dan dapat diandalkan, berpotensi meningkatkan hasil pengobatan dan perawatan pasien. ......Acne is a common skin condition characterized by clogged hair follicles, affecting not only physical appearance but also an individual's self-confidence. Advanced diagnostic methods are crucial for determining the severity of acne, which can guide effective treatment strategies. This research introduces an innovative approach to classifying the severity of acne in facial images using Diagnostic Evidence Distillation that utilizes multi teacher knowledge distillation. This study enhances the conventional single teacher model by integrating multiple teacher architectures, allowing for a more robust and accurate knowledge transfer to the student model. The authors developed and tested a model that integrates a Convolutional Neural Network (CNN) with a multi-teacher framework to improve predictive accuracy. The approach uniquely combines diagnostic evidence with deep learning techniques to optimize the classification process. The evaluation was conducted using the ACNE04 dataset, annotated according to the Hayashi criteria, ensuring a comprehensive representation of various acne severities. The results show that the multi-teacher knowledge distillation model achieves superior accuracy compared to the previous single-teacher model, with an improved accuracy of 90.00%, surpassing the previous benchmark of 86.06%. This indicates significant advancement in the automated classification of acne severity. The authors' study not only provides methodological advancement in the field of medical image processing but also contributes to more accurate and reliable assessments of acne severity, potentially enhancing treatment outcomes and patient care.

Abstrak :
Minyak mentah (crude oil) Sebelum dirnanfiataikan hams diolah terlebih dahull.L Pengolahan awal minyak mentah dengan cara diii-aksionasi pada tekanan atmosferik Faktor yang belperan penting pada pemisahan minyak mentah menjadi iinksinya yaitu: titik didih, stabilitas termal dari fluids, spesifikasi penyimpanan dan spesiflkasi produk Pada tugas al-:hir ini membahas tentnng perancangan proses dan mekanis kolom distilasi ahnosferik jenis R (pumpback Reflux), dirnana ada sebagian produk yang dikembalikan ke dalam I-colom sebagai retluks. Selain itu pembahasan dilakukan juga pembahasan neraca panas dan massa. Pembahasan dibatasi hanya untuk crude assay Arab Saudi, dengan kapasitas 100000 BPSD, produk yang dihasilkan terdiri dari uap hidrokarbon, naiia ringan, nailz berat, distilat ringan, distilat beraL dan residu Perancimgan mekanik kolom mengguuakan prosedur Design Practices, Vol. VII Fractionation Towers dari ESSO dan Basic Calculation in Process Design dari British Petroleum, menggnmakan jenis sieve tray, dan perhihmgan neraca panas dan massa menggunakan prosedur Petroleum Refinery Distillation, oleh R. N. Watkins- Perhitungan neraca panas dan massa dilalcukan unmk mendapatkan kondisi operasi dari kilang yang akan` dirancang Perhitungan ini menggunakan kolom distilasi almosferik jenis R dan didapatkan jumlah talam dari kolom ini sebanyak 31 buah, dengan 4 buah produk yaitu: Nafta ringan, Nafta bers; Destilat ringan, dan Destiiat berat, dan produk alas berupa hidrokarbon ringan Umpan masuk pads talam ke-4, dan produk ditarik masing-masing pada talam ke-31, ke-23, ke-15, dan ke-9. Produk yang dihasilkan memiliki Gap ASTM (5-95) masing-rnasing: 4,8 °F Lmtuk produk Naiia ringan deugan Naiia berat, 25,6 °F untuk produk Naiia berat dengan Distilat ringan, 5°F untuk Distilai ringan dengan Distilat berali. Perancangan meknnilc kolom menghasilkan kolom distilasi atmosferik menggunakan sieve tray, dengan aliran berjumlah 1 pass, berdiameter talam sebesar 20 ft Jarak antar talam sebesar 24 in xmtuk talarn 4, 7, 8, 9, 14, dhn 22; ‘so in untuk talam 21; dan 36 in untuk talam 13, 15, 23, dan 30. Layout talam yang didapatkan yaitu: luas downcomer 37,7 1512, lebar dowfzcomer 43 in, tinggi weir 2 ln, kecuali talam 7 dan 8 sebesar 1 in, , luas distributing dan diserzgagirzg sebesar 4,08 ftz, luas peripheral sebesar 9,42 112. Diameter hole 3/4 in. Jarak antm' hole sebesar 2,65 in untuk talam 4 dan 22; 2,3 in I.lIl11lk falam 7, 8, 14, 21 dan 30; 2,05 in llllfllk talam 9,13, 15, 23, dan 31. . Jumlah hole sebanyak 4532 buah uniuk talam 4, 22; 6090 buah untuk 7, 14, 21, dan 30; 7647 buah untuk talam 9,13, 15, dan 31; 7364 untuk talam 23.

Abstrak :
Unit distilasi sebagai Salah satu alat yang memegang peranan penting pada kilang minyak atau kilang pengolahan gas bumi digunakan untuk memisahkan propana dar! campurannya berdasarkan perbedaan titik didih.

Sebagai Alternatif kolom distilasi konvensional (talam, dicoba dipelajari penggunaan kolom dengan menggunakan bahan isian sebagai sarana kontaknya untuk keperluan tersebut diatas.

Untuk mengetahui berapa besar kebutuhan energi dan bagaimana kelayakan ekonomi dari kedua kolom tersebut, maka dilakukan perancangan dengan kondisi umpan (tekanan dan temperatur), komposisi umpan, komposisi distilasi dan komposisi produk bawah yang sama bagi keduanya.

Hasil perhitungan menunjukkan kolom yang menggunakan bahan isian dapat menghemat energi sebesar 17,23% pada kondenser dan 16,22% pada reboiler dibandingkan energi untuk keperluan yang sama pada kolam yang menggunakan talam. Dimensi kolam depropanizer hasil perancangan, untuk kolom yang menggunakan talam dan kolom bahan isian masing-masing adalah tinggi 47,50 F (14,48 m) , diameter 11,25 ft (3,41m) dan tinggi 76,50ft (23,32 m) , diameter 8,75 fi (2,66 m). Keuntungan yang diperoleh pada kolom bahan isian dari penglzemaran energi dan penggunaan utilitas adalah sebesar USS 494.900, 73 (Rp.1.306.532 927, -) tiap tahunnya, dengan selisih biaya investasi rancangan /kolom bahan isian lebih besar USS 94. 353,80 (Rp. 249. 094. 032, -)

Abstrak :
ABSTRAK
Diagnosa kesalahan dalam sistem proses kimia mendapatkan perhatian yang luas dari banyak topik penelitian. Metode jaringan syaraf tiruan merupakan salah satu pilihan dalam metode diagnosis kesalahan, tetapi dalam penerapan strateginya dengan menggunakan supervised network waktu pelatihan dan penambahan pengetahuan merupakan suatu proses yang memerlukan waktu yang lama. Dalam makalah dibahas strategi diagnosa kesalahan pada kolom distilasi dengan Kohonen Self-Organizing Map.

Karena itu strategi diagnosa kesalahan berbasiskan Kohonen Self-Organizing Map diharapkan dapat memberikan solusi terhadap masalah tersebut. Algoritma Kohonen Self-Organizing Map adalah suatu media jaringan syaraf tiruan untuk analisis dan visualisasi data dimensi tinggi. Kohonen Self-Organizing Map memetakan hubungan statistik nonlinier diantara input data yang berdimensi tinggi ke dalam suatu hubungan geometri sederhana biasanya pada kisi dua atau satu dimensi.

Strategi ini memanfaatkan proses pelabelan kluster atau vektor referensi pada peta Kohonen SOM, dan mesimulasikannya seperti pada proses pemodelan dengan Kohonen Self-Organizing Map. Dari hasil didapat bahwa kinerja yang didapatkan dari strategi tersebut sangat bergantung dari keberhasilan pemetaan untuk mendapatkan model dinamika proses kolom distilasi tersebut.