Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Mata merupakan salah satu indera terpenting bagi kehidupan manusia. Umumnya, banyak manusia yang mengabaikan gangguan fungsi penglihatan, dimana gangguan fungsi penglihatan ini mengindikasikan awal mula penyakit mata. Penyakit mata adalah gangguan fungsi penglihatan berkisar dari gangguan fungsi penglihatan ringan hingga gangguan fungsi penglihatan berat yang dapat menyebabkan kebutaan. Dalam melakukan diagnosa terhadap pasien gangguan fungsi penglihatan memiliki jenis penyakit mata yang diderita, diperlukan tahapan pemeriksaan retina dengan ophthalmoscopy atau fotografi fundus. Setelah itu, seorang dokter spesialis mata menganalisis jenis penyakit mata yang diderita pasien tersebut. Namun, karena terbatasnya sarana fasilitas kesehatan dan dokter spesialis mata yang memeriksa dan mengoperasi. Oleh karena itu, dibutuhkan alat deteksi dini dengan menggunakan data citra agar pasien gangguan penglihatan dapat ditangani sebelum pasien menderita gangguan fungsi penglihatan berat atau dapat mengalami kebutaan. Pada penelitian ini, diusulkan oleh peneliti model klasifikasi citra fundus ke dalam kelas normal, katarak, glaukoma, dan retina disease menggunakan Convolutional Neural Network (CNN) dengan arsitektur AlexNet. Data citra yang digunakan merupakan data fundus image retina yang berasal dari website kaggle. Sebelum data citra fundus image masuk ke dalam proses training model, dilakukan tahapan preprocessing pada data citra fundus image. Pada tahapan proses training dalam CNN digunakan fungsi optimasi untuk meminimalkan fungsi loss. Adapun fungsi optimasi yang digunakan dalam penelitian ini adalah Adam dan diffGrad. Hasil penelitian ini menunjukkan bahwa kedua fungsi optimasi tersebut memiliki hasil evaluasi training yang tidak jauh berbeda pada kedua fungsi optimasi. Keunggulan menggunakan kedua fungsi optimasi ini adalah mudah diterapkan. Pada penelitian ini didapatkan training loss terkecil sebesar 0,4838, validation loss terkecil sebesar 0,6658, dan training accuracy terbaik sebesar 0,8570 yang dimiliki oleh fungsi optimasi Adam. Sedangkan untuk validation accuracy terbaik sebesar 0,7189 yang dimiliki oleh fungsi optimasi diffGrad. Sedangkan running time tercepat pada proses training model sebesar 2840,9 detik yang dimiliki oleh fungsi optimasi diffGrad. Setelah tahapan proses training, dilakukan evaluasi dengan data testing. Secara keseluruhan, apabila dilihat dari hasil testing yang terbaik dimiliki oleh fungsi optimasi Adam dengan nilai accuracy sebesar 63%, recall sebesar 63%, dan precision sebesar 63%. Sedangkan running time tercepat pada proses testing model adalah 5,4 detik yang dimiliki oleh fungsi diffGrad. Dapat disimpulkan bahwa metode CNN menggunakan Arsitektur AlexNet dan fungsi optimasi Adam memberikan performa terbaik dalam mendeteksi penyakit mata pada data fundus image. ......The eyes are one of the most important senses for human life. Generally, many people ignore visual impairment, where this visual impairment indicates the onset of eye disease. Eye disease is a visual impairment ranging from mild visual impairment to severe visual impairment which can lead to blindness. In diagnosing patients with visual impairment who have the type of eye disease they suffer, it is necessary to carry out a retinal examination with ophthalmoscopy or fundus photography. After that, an ophthalmologist analyzes the type of eye disease the patient is suffering from. However, due to limited medical facilities and ophthalmologists who examine and operate. Therefore, an early detection tool is needed using image data so that visually impaired patients can be treated before the patient suffers from severe visual impairment or can go blind. In this study, researchers proposed a model for classifying fundus images into normal, cataract, glaucoma, and retinal disease classes using Convolutional Neural Network (CNN) with AlexNet architecture. The image data used is retinal fundus image data from the Kaggle website. Before the fundus image data enters the training model process, a preprocessing stage is carried out on the fundus image data. At this stage of the training process in CNN, an optimization function is used to minimize the loss function. The optimization functions used in this study are Adam and differed. The results of this study indicate that the two optimization functions have training evaluation results that are not much different from the two optimization functions. The advantage of using these two optimization functions is that they are easy to implement. In this research, the smallest training loss is 0.4838, the smallest validation loss is 0.6658, and the best training accuracy is 0.8570 which is owned by the Adam optimization function. As for the best validation accuracy of 0.7189 which is owned by the diffGrad optimization function. Meanwhile, the fastest running time in the model training process is 2840.9 seconds, which is owned by the diffGrad optimization function. After the stages of the training process, evaluation is carried out with data testing. Overall, when viewed from the testing results, Adam's optimization function is the best with an accuracy value of 63%, recall of 63%, and precision of 63%. Meanwhile, the fastest running time in the model testing process is 5.4 seconds, which is owned by the diffGrad function. It can be concluded that the CNN method using AlexNet Architecture and Adam's optimization function provides the best performance in detecting eye diseases in fundus image data.

Abstrak :
Mata merupakan salah satu dari panca indra yang digunakan untuk melihat dan menjadi aset terpenting dalam hidup manusia. Salah satu bagian terpenting dari mata ialah kelopak mata di mana terdapat sebuah kelenjar yang disebut kelenjar meibom. Kelenjar ini berada pada lapisan air mata yang berguna untuk menyekresikan komponen minyak atau lipid dan berperan penting dalam memperlambat proses evaporasi yang menyebabkan terjaganya kelembapan pada mata. Kekurangan kelenjar meibom yang dikenal sebagai Disfungsi Kelenjar Meibom (DKM) merupakan penyebab utama dari penyakit mata kering. Karena proses diagnosis yang dikerjakan oleh tenaga medis terbilang subjektif, maka penelitian ini menggunakan pendekatan deep learning untuk melakukan klasifikasi pada tingkat keparahan dari DKM. Klasifikasi dilakukan dengan membagi tingkat keparahan atau kehilangan kelenjar meibom berdasarkan hasil meiboscore-nya menjadi 4 kelas, yaitu kelas 0 untuk meiboscore ≤ 25%, kelas 1 untuk 25% < meiboscore ≤ 50%, kelas 2 untuk 50% < meiboscore ≤ 75%, dan kelas 3 untuk meiboscore  > 75%. Metode deep learning yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur AlexNet. Data yang digunakan pada penelitian ini adalah 139 citra meibography yang bersumber dari Rumah Sakit Ciptomangunkusumo (RSCM) Departemen Kirana dari 35 pasien mata kering yang sudah mengalami augmentasi dan segmentasi, sehingga data akhir yang digunakan yaitu sebanyak 417 citra segmentasi. Pada tahap pre-processing, dilakukan perhitungan meiboscore dengan bantuan software dan membaginya ke dalam 4 kelas sesuai dengan nilai meiboscore­-nya. Citra yang sudah dilabel ini kemudian dibagi menjadi 80% data training dan 20% data testing. Dari 80% data training, diambil 10% untuk dijadikan data validation, sehingga 417 data tersebut terbagi menjadi 299 data training, 84 data testing, serta 34 data validation. Training model dilakukan menggunakan arsitekur AlexNet dengan hyperparameter berupa epoch sebanyak 100, batch size 32, dan learning rate 0,0001. Pada arsitektur ini juga diterapkan fungsi optimasi yaitu Adam (Adaptive moment estimation) dan fungsi loss categorical cross entropy. Proses modelling dilakukan sebanyak 5 kali percobaan dan memperoleh nilai rata-rata akurasi training dan validation sebesar 99,59% dan 99,41% dan nilai dari loss training dan loss validation sebesar 0,1259 dan 0,0524. Sedangkan rata-rata kinerja testing model berhasil memperoleh akurasi testing sebesar 87,38%; testing loss sebesar 0,5151; dan Area Under Curve (AUC) sebesar 0,9715. ...... The eye is one of the five senses used to see and is the most important asset in human life. One of the most important parts of the eye is the eyelid where there is a gland called meibomian gland. This gland is located in the tear film which is useful for secreting oil or lipid components and plays an important role in slowing down the evaporation process which leads to maintaining moisture in the eye. Meibomian gland deficiency, known as Meibomian Gland Dysfunction (MGD), is a major cause of dry eye disease. Since the diagnosis process carried out by medical personnel is subjective, this study uses a deep learning approach to classify the severity of MGD. Classification is done by dividing the severity or loss of meibomian glands based on meiboscore results into 4 classes, namely class 0 for meiboscore ≤ 25%, class 1 for 25% < meiboscore ≤ 50%, class 2 for 50% < meiboscore ≤ 75%, and class 3 for meiboscore > 75%. The deep learning method used is Convolutional Neural Network (CNN) with AlexNet architecture. The data used in this study are 139 meibography images sourced from Ciptomangunkusumo Hospital (RSCM) Kirana Department from 35 dry eye patients that have undergone augmentation and segmentation, so that the final data used is 417 segmentation images. In the pre-processing stage, meiboscore was calculated with the help of software and divided into 4 classes according to the meiboscore value. The labeled images were then divided into 80% training data and 20% testing data. From 80% of the training data, 10% is taken to be used as validation data, so that the 417 data is divided into 299 training data, 84 testing data, and 34 validation data. The training model is carried out using the AlexNet architecture with hyperparameters in the form of epochs of 100, batch size 32, and learning rate 0,0001. In this architecture, the optimization function Adam (Adaptive moment estimation) and categorical cross entropy loss function are also applied. The modeling process was carried out 5 times and obtained an average training and validation accuracy value of 99,59% and 99,41% and the value of training loss and validation loss of 0,1259 and 0,0524. While the average performance of the testing model successfully obtained a testing accuracy of 87,38%; testing loss of 0,5151; and Area Under Curve (AUC) of 0,9715.

Abstrak :
Perkembangan teknologi pemrosesan citra digital berjalan dengan pesat seiring dengan banyaknya pemanfaatan teknologi tersebut di berbagai bidang kehidupan manusia. Bidang kehidupan manusia yang memanfaatkan teknologi pemrosesan citra digital antara lain adalah: interasi kumputer-manusia, kesehatan, keamanan dan keselamatan, transportasi, robotika. Salah satu penerapan teknologi pemrosesan citra digital adalah pengenalan ekspresi wajah atau Facial Expression Recognition (FER). Wajah manusia dapat menampilkan berbagai macam ekspresi yang berbeda seperti ekspresi senang, sedih, marah, takut, terkejut, jijik dan sebagainya. Perbedaan ekspresi wajah ini menjadi tantangan bagi komputer untuk dapat mengenali dan membedakannya secara akurat. Salah satu teknologi yang digunakan pada aplikasi FER adalah CNN (Convolutional Neural Networks). Penelitian ini menggunakan model CNN AlexNet yang telah dilakukan perbaikan parameter (fine-tuning) untuk diaplikasikan pada pengenalan ekspresi wajah pada citra digital. Fine-Tuning yang dilakukan adalah dengan mengubah beberapa parameter dari model AlexNet. Parameter yang diubah antara lain: normalisasi input (dari normalisasi cross channel menjadi normalisasi batch), fungsi aktivasi dari ReLU (Rectified Linear Unit) menjadi Leaky ReLU, nilai dua buah dropout yang masing-masing bernilai 50% diubah menjadi 30% dan 20%. Program pengenalan ekspresi wajah yang dibuat kemudian diaplikasikan tearhadap dua buah dataset FER yaitu dataset CK+ (Extended Cohn-Kanade) dan KDEF (The Karolinska Directed Emotional Faces). Tahapan pre-processing yang dilakukan adalah mengubah tingkat kekontrasan citra dataset menggunakan metode CLAHE (Contrast Limited Adaptive Histogram Equalization). Hasil pengujian menunjukkan bahwa metode yang menggunaan prosedur CLAHE serta model fine-tuning AlexNet miliki kinerja yang lebih baik dari pada model AlexNet standard. Penggunaan metode ini pada dataset CK+ meningkatkan akurasi rata-rata sebesar 19,01% dan ketika metode ini digunakan pada dataset KDEF mampu meningkatkan akurasi rata-rata sebesar 14,82% dibandingkan pada saat menggunakan model konvensional AlexNet serta tidak melakukan prosedur CLAHE pada citra dataset. Dari hasil pengujian juga diketahui prosedur CLAHE dan fine-tuning AlexNet mampu melakukan klasifikasi ekspresi wajah secara akurat pada citra yang diuji. Sedangkan model konvensional AlexNet dalam beberapa percobaan gagal mengklasifikasikan ekspresi wajah secara tepat pada citra yang diuji. ......The development of digital image processing technology is progressing rapidly along with the many uses of this technology in various fields of human life. Fields of human life that utilize digital image processing technology include robotics, human-computer interaction, healthcare, security and safety, and transportation. One application of digital image processing technology is facial expression recognition (FER). The human face can display a variety of different expressions such as expressions of happiness, sadness, anger, fear, surprise, disgust, and so on. There is a challenge for the computer to recognize the difference in facial expressions. One of the technologies used in facial expression recognition applications in digital images is artificial intelligence technology especially CNN (Convolutional Neural Networks). In this study, AlexNet, a CNN model was fine-tuned and combined with CLAHE (Contrast Limited Adaptive Histogram Equalization) procedure toward images dataset for facial expression recognition applications. Fine-Tuning AlexNet model were made by changing some of AlexNet's standard parameters. These parameters include: input initialization (from local normalization to batch normalization), activation function (from ReLU to Leaky ReLU), and dropout value changed from 50%; 50% to 30% and 20%. The facial expression recognition program created was then implemented in two FER (Facial Expression Recognition) datasets, namely CK+ and KDEF. After testing, the results showed that the CLAHE and Fine-Tuning AlexNet model had better performance than the basic AlexNet model. When applying the CK+ dataset that had CLAHE procedure with the Fine-Tuning AlexNet model increases the average of accuracy up to 19,01%, when applying to the KDEF dataset, this method increases accuracy up to 14,82%. From the test results it is known that the CLAHE and the Fine-Tuning AlexNet model model gives better results than the original AlexNet model. Fine-Tuning of the AlexNet model is able to give accurate classification of facial expressions in the tested images. While the original AlexNet model in several experiments failed to accurately clasify facial expressions in the tested images.

Abstrak :
Beras merupakan bahan pangan pokok bagi masyarakat Indonesia. Biasanya masyarakat Indonesia memilih beras berdasarkan varietas karena masing-masing varietas memiliki karakteristik cita rasa, tekstur, dan aroma yang berbeda-beda. Pada aspek kesehatan, masyarakat dapat memilih beras berdasarkan teknik budi daya, yaitu organik atau anorganik. Namun, pada saat ini belum ada instrumen yang mampu mengidentifikasi varietas dan teknik budi daya beras. Penelitian ini dirancang untuk membuat sistem pengenalan varietas dan teknik budi daya beras berbasis citra hiperspektral dengan rentang panjang gelombang 400 – 1000 nm. Sistem dirancang menggunakan multi-output multi-class dengan arsitektur AlexNet. Dalam proses pembangunan sistem, citra yang masuk ke dalam sistem disegmentasi menjadi bagian kecil yang disebut sebagai region of interest (ROI). Penelitian ini melakukan eksperimen variasi ukuran ROI sebesar 32x32, 36x36, dan 40x40. Hasil akurasi pengujian yang cukup baik diperoleh dari model multi-output dengan ukuran ROI 40x40. Hasil akurasi pengujian yang diperoleh adalah sebesar 95,14% untuk output varietas dan 96,43% untuk output teknik budi daya. Melalui eksperimen ini, sistem multi-output multi-class berbasis citra hiperspektral terbukti mampu mengidentifikasi varietas dan teknik budi daya beras sekaligus.

---

Rice is a staple food for Indonesian people. Usually, they choose rice based on varieties because each variety has different characteristics of taste, texture, and aroma. In health aspect, they can choose rice based on cultivation techniques such as organic or conventional. However, at this time there is no instrument that can identify variety and cultivation technique of rice. This research is designed to create a recognition system of both variety and cultivation technique based on hyperspectral image with a wavelength range of 400 – 1000 nm. The system is designed using multi-output multi-class with AlexNet architecture. In the system development process, the images that enter the system are segmented into small parts called region of interest (ROI). This study conducted an experiment with ROI variation size of 32x32, 36x36, and 40x40. A good test results are obtained from ROI size of 40x40. The test accuracy results are 95.14% for variety ouput and 96.43% for cultivation technique output. Through this experiment, a multi-output multi-class system based on hyperspectral image was proven to be able to identify variety and cultivation technique of rice at the same time.

Abstrak :
Glikosuria merupakan suatu kondisi ketika terdapat kandungan gula di dalam urine. Umumnya, penderita glikosuria adalah pasien diabetes. Kandungan gula diatas 11,10 mmol/L mengindikasikan pasien tersebut menderita diabetes. Menurut data dari International Diabetes Federation, sekitar 537 juta orang dewasa mengidap penyakit diabetes. Ibu hamil pengidap diabetes berpeluang untuk melahirkan anak dengan diabetes, hal tersebut dapat memengaruhi tumbuh kembang anak sehingga berpotensi mengidap stunting. Pada penelitian ini, dibangun sistem estimasi berbasis kolorimetri dan arsitektur CNN-AlexNet dari citra strip uji. Sistem akuisisi citra dilakukan di dalam kotak uji dengan sumber pencahayaan LED, barcode uji, dan papan warna referensi. Citra barcode uji diakuisisi dengan menggunakan kamera ponsel pintar Huawei Nova 5T, Samsung Galaxy A72, dan Vivo Y12. Citra dikoreksi menggunakan model Polynomial Color Correction (PCC) orde 9. Warna referensi yang digunakan untuk mengoreksi citra dilakukan evaluasi terhadap warna-warna yang berpengaruh dalam proses koreksi warna. 16 warna referensi dipilih dengan warna yang digunakan adalah warna grayscale, warna primer RGB, dan beberapa warna natural. Validasi dengan urine asli menggunakan arsitektur CNN-AlexNet menghasilkan performa pada model klasifikasi adalah 0,96 dan pada model regresi adalah 0,93. Hasil tersebut menunjukkan bahwa sistem estimasi berbasis citra ponsel pintar dengan prinsip kolorimetri dapat digunakan untuk menentukan kelas dan mengukur kadar gula urine. ......Glycosuria is a condition characterized by the presence of sugar in the urine. Diabetic patients are more likely to have glycosuria. Diabetes is indicated by a sugar content greater than 11.10 mmol/L. According to the International Diabetes Federation, approximately 537 million adults have diabetes. Pregnant women with diabetes have the potential to have children with diabetes, which can affect their growth and development, potentially leading to stunting. In this study, an estimation system based on colorimetry and CNN-AlexNet architecture was built from test strip images. The image acquisition system is performed in a test box with LED lighting source, test barcode and reference color board. The Huawei Nova 5T, Samsung Galaxy A72, and Vivo Y12 smartphone cameras were used to capture the test barcode image. The image is corrected using a 9th order Polynomial Color Correction (PCC) model. The reference color used to correct the image is evaluated for the colors that affect the color correction process. Grayscale colors, RGB primary colors, and a few natural colors are used as the 16 reference colors that were chosen. Validation with urine using the CNN-AlexNet architecture resulted in a classification model performance of 0.96 and a regression model performance of 0.93. These results indicate that an estimation system based on smartphone imagery with colorimetric principles can be used to determine the class of sugar content and measure urine sugar levels.

Abstrak :
Urinalisis merupakan test kesehatan yang bertujuan untuk mengetahui informasi mengenai zat-zat yang terkandung dalam urine, yang bertujuan untuk mendeteksi suatu kondisi medis. Salah satu instrumen urinalisis yang umum digunakan adalah Strip Uji Urine. Strip uji urine menggunakan prinsip kolorimetri, yaitu teknik yang digunakan untuk mengukur kadar suatu substansi dengan cara menganalisa intensitas warnanya. Implementasi kolorimetri pada urinalisis berada pada perubahan warna dari bantalan reagen yang berada pada strip uji, ketika bereaksi dengan zat yang terkandung dalam urine. Umumnya interpretasi perubahan warna strip uji urine dilakukan dengan kasat mata, hal ini mengakibatkan rentan terjadi kesalahan interpretasi. Oleh karena itu, penelitian mengenai penggunaan kamera ponsel pintar dan strip uji urine sedang ramai diteliti. Namun, penelitian umumnya dilakukan hanya mencakup pengukuran pada satu parameter saja. Pada penelitian ini, penulis merancang sistem kolorimetri Multi-Output untuk urinalisis dengan memanfaatkan strip uji urine dan ponsel pintar. Sistem pemodelan Multi-Output ini dirancang menggunakan arsitektur model AlexNet, dengan menghasilkan pengkuran tiga parameter secara simultan. Dengan Sistem prediksi Multi-Output kadar Leukosit, Berat Jenis, dan pH pada urine berhasil dirancang dengan performa yang baik. Performa model klasifikasi menghasilkan nilai 99% pada seluruh analit. Performa model regresi menghasilkan nilai RMSE 0.0013 untuk analit Specific Gravity, dan 0.1126 untuk analit pH. Performa regresi menghasilkan nilai R2 0.9730 untuk analit Specific Gravity, dan 0.9787 untuk analit pH. System urinalisis Multi-Output menawarkan fungsi yang efisien dengan performa yang baik, namun dengan waktu komputasi yang lebih singkat. ......Urinalysis is a medical test used to examine information about various substances contained in urine. Urinalysis is generally used as a diagnostic tool that aims to detect or monitor a medical condition. One of the commonly used urinalysis instruments is the Urine Test Strip. Urine test strips use the principle of colorimetry. Colorimetry is a technique used to measure the level of a substance by analysing its color intensity. The implementation of colorimetry in urinalysis lies in the change in color of the reagent bearing on the test strip when it comes into contact with substances contained in the urine. Generally, the interpretation of changes in the color of a urine test strip is done by naked eye, however, this method is prone to misinterpretation. For this reason, research on the use of smartphone cameras and urine test strips is being actively studied. However, research that is generally carried out only includes measurements on one parameter. In this study, the authors designed a Multi-Output colorimetric system for urinalysis by utilizing urine test strips and smartphones. The system is designed to detect three parameters at once, in contrast to one-parameter Deep Learning modeling, this Multi-Output modeling can produce three parameters measurements simultaneously. By using the AlexNet model architecture, the Multi-Output Prediction System for Leukocyte levels, Specific Gravity, and pH in urine was successfully designed with good performance. The performance of the classification model resulted in a value of 99% for all analytes. The performance of the regression model yielded an RMSE value of 0.0013 for the Specific Gravity analyte, and 0.1126 for the pH analyte. Regression performance produces an R2 value of 0.9730 for the Specific Gravity analyte, and 0.9787 for the pH analyte. Multi-Output urinalysis systems offers a more comprehensive evaluation compared to single-output systems. Deep Learning Multi-Output system offers efficient functions with good performance with shorter processing time.

Abstrak :
Alkalinitas memegang peranan penting dalam keseimbangan pH dalam air. Strip uji air sebagai instrumen pengukuran kadar alkalinitas total yang murah dan praktis digunakan tidak dapat memberikan hasil yang optimal karena perubahan warna dilihat dengan mata telanjang. Pada penelitian ini, dikembangkan sistem pembacaan perubahan warna barcode uji menggunakan analisis citra berbasis kamera ponsel pintar. Barcode uji merupakan pengembangan strip uji air yang terdiri dari tiga bagian sehingga berbentuk kotak menyerupai barcode. Pengaruh kompresi citra terhadap kualitasnya beserta tipe file citra sebagai input sistem yang dibangun juga akan dibahas lebih dalam pada penelitian ini. Barcode uji diambil menggunakan kamera ponsel pintar Samsung Galaxy A72, Huawei Nova 5T, dan RealMe 3Pro. Kompresi kualitas citra dilakukan dengan metode DCT dari kualitas 10% – 100% untuk memperkecil ukuran file citra tanpa mereduksi banyaknya informasi serta mempermudah proses transmisi data. Citra disegmentasi dan dikoreksi warnanya menggunakan metode Polynomial Color Correction (PCC) untuk kemudian dijadikan input dalam membangun sistem pengklasifikasi dan pengukuran kadar alkalinitas total air dengan arsitektur AlexNet. Metode segmentasi dan koreksi warna yang dibangun berhasil dilakukan pada tipe file citra JPG, PNG, BMP, dan TIF, namun dengan memerhatikan ukuran file dan nilai koreksi warna (Delta E), maka tipe file JPG dipilih sebagai tipe file input citra. Kinerja metode kompresi DCT dievaluasi menggunakan parameter PSNR, dimana kualitas maksimum yang masih mampu dijadikan sebagai input sistem yang dibangun adalah kualitas 80%. Arsitektur AlexNet sebagai model klasifikasi memiliki akurasi sebesar 99,5% dan model regresi memiliki nilai R2 = 0,995 dan RMSE = 4,249. Validasi model menggunakan air minum, air PAM sebagai air kebutuhan sanitasi, dan air kolam renang dengan arsitektur AlexNet menghasilkan nilai R2 = 0,906 dan RMSE = 8,861 untuk model regresi dan akurasi sebesar 90,8% untuk model klasifikasi. ......Alkalinity plays important role in pH balance in the water. Water test strips an instrument for measuring total alkalinity levels, which are less expensive and easy to use, unfortunately cannot provide the optimal results because the color changes seen with the naked eye. In this study, a test barcode color change reading system was developed using a smartphone-based image analysis. The test barcode is the development of water test strip that consisting of three parts so that it is in the form of a square looks like barcode. The effect of image compression quality and the type of image file as input on system will be discussed. The test barcode image was taken using smartphone Samsung Galaxy A72, Huawei Nova 5T, and RealMe 3Pro. Image quality compression using DCT method from quality 10% – 100% to reduce image file size without reducing more of information and simplifying the data transmission process. The image will be segmented and color corrected applied using the Polynomial Color Correction (PCC) method to then be used as input on total alkalinity classification system and measurement system in water using AlexNet architecture. The segmentation and color correction methods has been successfully tested on JPG, PNG, BMP, and TIF image type files, but based on the file size and corrected value (Delta E), the JPG type file is chosen as the image input type file. The performance of DCT compression method is evaluated using PSNR, where the maximum quality that can still be used as input of system is 80%. AlexNet architecture as a classification model has an accuracy of 99,5% and the regression model has value of R2 = 0,995 and RMSE = 4,249. Model validation using drinking water, pool water, and PAM water as hygiene and sanitation water with AlexNet architecture resulted value of R2 = 0,906 and RMSE = 8,861 for the regression model and an accuracy of 90,8% for the classification model.

Abstrak :
Air adalah komponen yang sangat penting untuk kehidupan manusia. Jenis air yang sangat berkaitan dengan manusia adalah air minum, air sanitasi, dan air kolam renang. Berdasarkan jenis air yang ada, instrumen yang sudah tersedia adalah dengan mengukur kadar kimia pada air menggunakan alat-alat laboratorium yang tidak efisien. Penelitian ini berfokus untuk membangun instrumen pengklasifikasi jenis air berbasis ponsel pintar untuk memudahkan pengklasifikasi jenis air. Instrumen yang dibangun memanfaatkan strip tes yang akan diakuisisi oleh kamera ponsel pintar. Selanjutnya citra akan dilatih menggunakan Deep Learning model CNN dengan arsitektur AlexNet dan ResNet50. Penggunaan DL sudah banyak dilakukan untuk mengklasifikasi citra dan hasilnya terbukti sangat baik. Model hasil pelatihan akan dijadikan sebagai server komputasi yang akan mengolah citra. Sisi klien merupakan aplikasi ponsel pintar dan dihubungkan ke server yang sudah dibangun. Hasil pelatihan model adalah arsitektur AlexNet dengan akurasi yang sangat tinggi yaitu sebesar 100%. Oleh karena itu, model AlexNet dijadikan server komputasi pada penelitian ini. Pembangunan aplikasi pengklasifikasi jenis air berhasil dibangun dengan arsitektur klien-server. Tingkat keberhasilan aplikasi adalah 100% dalam mengunggah dan mengolah citra. Berdasarkan hasil yang diperoleh, disimpulkan bahwa pembangunan instrument kolorimetri pengklasifikasi jenis air berbasis ponsel pintar android berhasil dibangun dengan sisi server mengimplementasikan model CNN arsitektur AlexNet. ......Water is component that very important for human life. Some types of water human’s environments are drinking water, sanitary water, and swimming pool water. With these types of water, an instrument that are already available are to measure the chemical levels in water using laboratory equipment which is inefficient. This research focuses on building a smartphone-based water type classification instrument. The instrument being built will use the test strips that will be acquisition by the smartphone camera. Furthermore, the image will be trained using the Deep Learning CNN model with AlexNet and ResNet50 architectures. The use of DL has been widely used to classify images and the result is satisfying. The results of the training model will be used as a computing server that will process images. The client-side is a smartphone application and connected to a built-in server. The result of the training model is the AlexNet architecture has a high accuracy which is 100%. With this performance, AlexNet will be used as a computing server in this research. The development of the water type classifier application has been successfully built with a client-server architecture. The success rate is 100% in uploading and processing images. Based on the results obtained, it is concluded that the development of a colorimetric instrument for classifying water types based on an Android smart phone has been successfully built with the server side implementing CNN AlexNet architecture model.

Abstrak :

Penyakit stroke adalah penyebab kematian terbesar kedua di dunia. Pasien stroke harus menjalani perawatan berupa latihan rehabilitasi secara rutin untuk memulihkan fungsi motorik mereka. Sering kali pasien stroke kesulitan mendapatkan perawatan karena keterbatasan ekonomi dan mobilisasi. Selain itu, kondisi pandemi COVID-19 sekarang ini membuat pasien takut untuk pergi ke rumah sakit. Telehealth sebagai pelayanan kesehatan jarak jauh merupakan salah satu solusi untuk kondisi tersebut. Aplikasi telehealth untuk rehabilitasi stroke dapat dikembangkan dikombinasikan dengan teknologi human motion detection. Penelitian ini bertujuan untuk mengetahui model human motion detection yang dapat mendeteksi gerakan secara stabil serta untuk mengetahui model klasifikasi yang dapat mengklasifikasi gerakan stroke dan non stroke secara akurat. Penelitian dilakukan menggunakan data video gerakan pasien stroke dan orang sehat sebagai input model human motion detection. Keypoints hasil ekstraksi dari model human motion detection kemudian ditransformasi menjadi gambar RGB dan digunakan sebagai input model klasifikasi. Penelitian ini membandingkan tiga model human motion detection, yaitu PoseNet, BlazePose, dan MoveNet, serta dua model klasifikasi gambar, yaitu AlexNet dan SqueezeNet. Beberapa eksperimen dilakukan untuk mengklasifikasi gerakan stroke dan non stroke. Terdapat eksperimen dengan pembagian data tanpa 3-Fold Cross Validation, eksperimen dengan pembagian data 3-Fold Cross Validation, eksperimen menggunakan semua keypoints hasil ekstraksi model human motion detection, dan eksperimen menggunakan beberapa keypoints yang relevan. Model human motion detection dan model klasifikasi terbaik dari hasil penelitian ini diharapkan dapat berkontribusi kepada para pihak yang ingin mengembangkan aplikasi telehealth sebagai sarana rehabilitasi stroke. Berdasarkan hasil penelitian ini, didapatkan bahwa MoveNet adalah model human motion detection yang paling stabil dalam memantau pergerakan pasien dan AlexNet adalah model klasifikasi terbaik untuk mengklasifikasikan pasien stroke dan non stroke berdasarkan gerakan upper body dan gerakan lower body.

---

Stroke is the second biggest cause of death in the world. Stroke patients must undergo rehabilitation on regular basis to exercise and restore their motor functions. Oftentimes, stroke patients find it difficult to get their treatment because of economic and mobility limitations. In addition, the current state of the COVID-19 pandemic makes patients afraid to go to the hospital. Telehealth as a long-distance health service is one of the solution for this condition. Telehealth applications for stroke rehabilitation can be developed in combination with human motion detection technology. This study aims to determine the human motion detection model that can detect movement steadily and determine the classification model that can classify stroke and non-stroke motions accurately. The study was conducted using video data of stroke patients and healthy people as input for the human motion detection model. Keypoints extracted from the human motion detection model are then transformed into RGB images and used as input for the classification model. This study compares three models of human motion detection, namely PoseNet, BlazePose, and MoveNet and two image classification models, namely AlexNet and SqueezeNet. Several experiments were conducted to classify stroke and non-stroke motions. There are experiments without data splitting 3-Fold Cross Validation, experiments with data splitting 3-Fold Cross Validation, experiments using all keypoints extracted from the human motion detection model, and experiments using several relevant keypoints. The most steady human motion detection model and the best classification model from the results of this study are expected to contribute to those who want to develop telehealth applications as a means of stroke rehabilitation. Based on the results of this study, it was found that MoveNet is the most steady human motion detection model for monitoring the patients motions and AlexNet is the best classification model for classifying stroke and non stroke patients based on upper body and lower body movements.

Abstrak :
Penyakit stroke adalah penyebab kematian terbesar kedua di dunia. Pasien stroke harus menjalani perawatan berupa latihan rehabilitasi secara rutin untuk memulihkan fungsi motorik mereka. Sering kali pasien stroke kesulitan mendapatkan perawatan karena keterbatasan ekonomi dan mobilisasi. Selain itu, kondisi pandemi COVID-19 sekarang ini membuat pasien takut untuk pergi ke rumah sakit. Telehealth sebagai pelayanan kesehatan jarak jauh merupakan salah satu solusi untuk kondisi tersebut. Aplikasi telehealth untuk rehabilitasi stroke dapat dikembangkan dikombinasikan dengan teknologi human motion detection. Penelitian ini bertujuan untuk mengetahui model human motion detection yang dapat mendeteksi gerakan secara stabil serta untuk mengetahui model klasifikasi yang dapat mengklasifikasi gerakan stroke dan non stroke secara akurat. Penelitian dilakukan menggunakan data video gerakan pasien stroke dan orang sehat sebagai input model human motion detection. Keypoints hasil ekstraksi dari model human motion detection kemudian ditransformasi menjadi gambar RGB dan digunakan sebagai input model klasifikasi. Penelitian ini membandingkan tiga model human motion detection, yaitu PoseNet, BlazePose, dan MoveNet, serta dua model klasifikasi gambar, yaitu AlexNet dan SqueezeNet. Beberapa eksperimen dilakukan untuk mengklasifikasi gerakan stroke dan non stroke. Terdapat eksperimen dengan pembagian data tanpa 3-Fold Cross Validation, eksperimen dengan pembagian data 3-Fold Cross Validation, eksperimen menggunakan semua keypoints hasil ekstraksi model human motion detection, dan eksperimen menggunakan beberapa keypoints yang relevan. Model human motion detection dan model klasifikasi terbaik dari hasil penelitian ini diharapkan dapat berkontribusi kepada para pihak yang ingin mengembangkan aplikasi telehealth sebagai sarana rehabilitasi stroke. Berdasarkan hasil penelitian ini, didapatkan bahwa MoveNet adalah model human motion detection yang paling stabil dalam memantau pergerakan pasien dan AlexNet adalah model klasifikasi terbaik untuk mengklasifikasikan pasien stroke dan non stroke berdasarkan gerakan upper body dan gerakan lower body. ......Stroke is the second biggest cause of death in the world. Stroke patients must undergo rehabilitation on regular basis to exercise and restore their motor functions. Oftentimes, stroke patients find it difficult to get their treatment because of economic and mobility limitations. In addition, the current state of the COVID-19 pandemic makes patients afraid to go to the hospital. Telehealth as a long-distance health service is one of the solution for this condition. Telehealth applications for stroke rehabilitation can be developed in combination with human motion detection technology. This study aims to determine the human motion detection model that can detect movement steadily and determine the classification model that can classify stroke and non-stroke motions accurately. The study was conducted using video data of stroke patients and healthy people as input for the human motion detection model. Keypoints extracted from the human motion detection model are then transformed into RGB images and used as input for the classification model. This study compares three models of human motion detection, namely PoseNet, BlazePose, and MoveNet and two image classification models, namely AlexNet and SqueezeNet. Several experiments were conducted to classify stroke and non-stroke motions. There are experiments without data splitting 3-Fold Cross Validation, experiments with data splitting 3-Fold Cross Validation, experiments using all keypoints extracted from the human motion detection model, and experiments using several relevant keypoints. The most steady human motion detection model and the best classification model from the results of this study are expected to contribute to those who want to develop telehealth applications as a means of stroke rehabilitation. Based on the results of this study, it was found that MoveNet is the most steady human motion detection model for monitoring the patients motions and AlexNet is the best classification model for classifying stroke and non stroke patients based on upper body and lower body movements.