Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu analisis yang dapat dilakukan untuk mendeteksi adanya gangguan perkembangan anak adalah dengan membandingkan umur skeletal dengan umur nyata dari anak. Umur skeletal dapat dicari dengan melihat umur tulang tangan. Metode penilaian umur tulang dapat dilakukan dengan pendekatan artificial intellgence. Dengan adanya AI diharapkan dapat mengotomatisasi perhitungan umur tulang berdasarkan citra X-Ray tulang tangan anak. Salah satu metode yang dapat digunakan untuk melakukan prediksi umur tulang adalah deep learning menggunakan arsitektur Convolutional Neural Network (CNN). Model CNN dapat melakukan berbagai hal, seperti segmentasi semantik, key point detection dan regresi. Hasil pengujian menunjukkan bahwa dengan menggunakan preprocessing berupa segmentasi semantik, key point detection dan transformasi z-score terhadap umur tulang berhasil mendapatkan nilai RMSE 10.076 bulan dan MAE 7.735 bulan, lebih kecil jika dibandingkan dengan human-level performance yang memiliki MAE 8.76 bulan

---

One method of analysis that can be done to detect growth hormone deficiency is to compare the skeletal age to the real age of the child. The skeletal age of a subject can be found by estimating the hand bone age. The estimation of hand bone age can be done using artificial intelligence approach. With the presence of AI, we can automate the estimation of bone age using X-Ray images of a child’s hand. One method that we can use to estimate bone age is deep learning using Convolutional Neural Network (CNN) architecture. CNN can do many things, such as semantic segmentation, key point detection, and regression. We found that using preprocessing such as semantic segmentation, key point detection and z-score transformation of the bone age can achieve 10.076 months RMSE and 7.735 months MAE, that is lower than the human-level performance which has 8.76 months MAE."

"Tangki timbun merupakan peralatan yang digunakan sebagai kontainer untuk menyimpan liquid dalam volume yang sangat besar dalam temperatur dan tekanan mendekati atmosfir. Salah satu penyebab kegagalan tangki timbun adalah korosi. Penipisan pada dinding tangki timbun dapat akhirnya menimbulkan kebocoran liquid yang berada dalam tangki. Risk Based Inspection (RBI) adalah suatu prosedur untuk menentukan waktu pemeriksaan fasilitas berdasarkan tingkat risikonya. Level risiko pada metode RBI mengacu pada aspek probabilitas kegagalan (Probability of Failure) dan konsekuensi kegagalannya (Consequence of Failure). RBI digunakan untuk meningkatkan keefektifan biaya pemeliharaan dengan meniadakan perlunya pemeriksaan menyeluruh untuk semua peralatan. Namun perhitungan RBI memerlukan waktu yang lama dan biaya yang mahal. Deep Learning dapat dijadikan basis untuk membuat suatu program pengestimasi level risiko metode RBI yang lebih cepat, murah, dengan akurasi tinggi. Dalam penelitian ini dilakukan pembuatan dan pengotimasian program deep learning dengan analisis parameter test size, jumlah layer, dense, learning rate, ukuran batch, dan epoch. Hasil akhir didapatkan program yang memiliki akurasi tertinggi yaitu 79% untuk estimasi level Probability of Failure dan 92% untuk estimai level Consequence of Failure.

---

Storage tanks are equipment used as containers to store liquids in very large volumes at temperatures and pressures close to atmospheric. One of the causes of storage tank failure is corrosion. The thinning of the storage tank walls can eventually lead to liquid leakage in the tank. Risk-Based Inspection (RBI) is a procedure to determine the time of facility inspection based on the level of risk. The level of risk in the RBI method depends on two aspects: the Probability of Failure and the Consequences of Failure. RBI is used to increase the cost-effectiveness of maintenance by eliminating the need for a thorough inspection of all equipment. However, RBI calculations take a long time and are expensive. Deep Learning can be used as the basis for developing a program for estimating the risk level of the RBI method aster, cheaper, and with high accuracy. In this study, the creation and optimization of a deep learning program were carried out by analyzing the parameters of test size, the number of layers, density, learning rate, batch size, and epoch. The final result is a program that has the highest accuracy of 79% for the estimation of the Probability of Failure level and 92% for the Consequence of Failure level. "

"PM2.5 merupakan salah satu penyebab tingginya angka polusi di Jakarta. Skripsi ini akan membahas penerapan Recurrent Neural Network jenis Long Short-Term Memory (RNN-LSTM) dan Autoregressive Integrated Moving Average (ARIMA), dua metode yang dapat digunakan untuk melakukan prediksi pada dataset jenis time series, sebagai algoritma untuk melakukan prediksi pada kandungan polutan PM2.5 di Jakarta. Terdapat dua jenis preprocessing yang diujicoba pada pengujian ini, yaitu dengan imputation menggunakan mean dan linear interpolation. Saat pembuatan model pada ARIMA, dilakukan pengaturan order untuk mencari model terbaik yang dapat melakukan prediksi dengan akurasi tertinggi. Sementara untuk RNN-LSTM, pencarian model terbaik dilakukan dengan melakukan serangkaian ujicoba dengan perubahan pada beberapa parameter seperti ukuran dari rolling window, batch size, dan optimizer. Berdasarkan hasil akurasi, didapatkan model dengan ARIMA order (2,0,1) sebagai model paling baik ketika dilakukan ujicoba dengan imputation jenis mean dengan RMSE sebesar 17,84. Lebih baik dari hasil yang didapatkan RNN-LSTM pada metode imputation tersebut yang hanya mendapat RMSE 18,00. Namun RNN-LSTM memiliki hasil akurasi yang lebih baik ketika dilakukan ujicoba dengan metode imputation dengan linear interpolation dimana RMSE yang didapatkan sebesar 17,47. Lebih baik dari ARIMA yang hanya mendapat RMSE sebesar 17,66.

---

PM2.5 is one of the causes of Jakarta’s high pollution level. This thesis will discuss the implementation of Recurrent Neural Network type Long Short-Term Memory (RNN-LSTM) and Autoregressive Integrated Moving Average (ARIMA), two algorithm that are able to predict a time series dataset, as two algorithms used to do a forecasting in PM2.5 pollutant level in Jakarta. There are two preprocessing used in this test, mean imputation and linear interpolation. In ARIMA, tweaking to find

model with best accuracy was done by altering its order. While in RNN-LSTM, the search for the best model was done by tweaking several parameters such as the size of its rolling window, batch size, and optimizer. Based on its accuracy, an ARIMA model with order of (2,0,1) was found as the best model during the test with mean imputation with RMSE of 17,84 compared to RNN-LSTM’s 18,00. But RNNLSTM has better accuracy when tested with linear interpolation, where it got RMSE of 17,47. Where ARIMA only has RMSE of 17,66."