Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Uji kendali mutu pada citra mamografi dengan menggunakan fantom CDMAM merupakan langkah penting dalam memastikan kualitas proses diagnostik pada pesawat mamografi. Namun, untuk mengatasi masalah variabilitas manusia dan meningkatkan efisiensi waktu, penggunaan Convolutional Neural Network (CNN) dapat menjadi solusi yang akurat dalam menganalisis citra fantom CDMAM. Penelitian ini menerapkan arsitektur CNN Resnet50 pada total 1.392 citra fantom CDMAM dengan dan tanpa regularizer L2. Hasil prediksi CNN pada rentang diameter 0,10 hingga 0,20 mm menunjukkan tingkat prediksi dengan tingkat kesalahan relatif di bawah 32% pada prediksi satuan dan di bawah 16% pada rata-rata prediksi dari 16 citra. Dari hasil prediksi yang diperoleh, diperlukan optimasi lebih lanjut untuk mencapai akurasi prediksi yang lebih tinggi.

---

Quality control testing on mammography images using CDMAM phantoms is an important step in ensuring the quality of the diagnostic process in mammography devices. However, to overcome human variability issues and improve time efficiency, the use of Convolutional Neural Network (CNN) can be an accurate solution for analyzing CDMAM phantom images. This study applied the CNN architecture ResNet50 to a total of 1.392 CDMAM phantom images with and without L2 regularizer. The CNN prediction results for the diameter range of 0,10 to 0,20 mm showed prediction with relative error below 32% for individual predictions and below 16% for average predictions from 16 images. Based on the obtained prediction results, further optimization is needed to achieve higher prediction accuracy."

"Beras merupakan salah satu bahan pangan yang memiliki peran penting dalam kehidupan masyarakat Indonesia. Berbagai penelitian dan eksperimen dilakukan untuk mengembangkan kualitas beras salah satunya ada iradiasi beras. Pemanfaatan radiasi pada beras memiliki batasan dosis radiasinya sehingga diperlukan suatu instrumen yang dapat mengukur kadar dosis radiasi pada beras. Penelitian ini bertujuan untuk menganalisis performa tiga model deep learning, yaitu VGG16, AlexNet, dan ResNet34, dalam mengestimasi intensitas dosis radiasi pada sampel beras berwarna putih, merah, dan hitam. Data latihan, validasi, dan pengujian yang terdiri dari sampel-sampel berwarna putih, merah, dan hitam telah digunakan untuk melatih dan menguji model-model tersebut. Hasil penelitian menunjukkan bahwa performa model bervariasi tergantung pada ROI yang digunakan. Dalam hal akurasi pengenalan sampel pada data validasi dan pengujian, VGG16 ROI 20 menunjukkan hasil terbaik dengan akurasi mencapai 73% pada validasi dan 71% pada pengujian. Meskipun AlexNet juga menghasilkan performa yang kompetitif, dengan akurasi validasi dan pengujian mencapai 72%, waktu pelatihan yang lebih singkat dimiliki oleh AlexNet menjadi keunggulan yang signifikan. Namun, perlu diketahui bahwa ResNet34 menghasilkan performa yang lebih rendah dibandingkan dengan VGG16 dan AlexNet. Meskipun memiliki waktu pelatihan yang lebih lama, ResNet34 tidak mencapai tingkat akurasi yang sama dengan kedua model lainnya. Hasil penelitian ini memberikan wawasan penting dalam memilih model deep learning yang sesuai untuk pengenalan sampel berwarna putih, merah, dan hitam pada ROI dengan ukuran berbeda. Faktor-faktor seperti akurasi, waktu pelatihan, dan kebutuhan komputasi harus dipertimbangkan secara holistik dalam pemilihan model terbaik. Penelitian selanjutnya dapat menguji model-model ini pada dataset yang lebih luas dan dalam konteks aplikasi yang lebih kompleks untuk memvalidasi temuan ini secara lebih mendalam.

---

Rice is one of the staple foods that plays a crucial role in the lives of Indonesian people. Various research and experiments have been conducted to improve the quality of rice, including the use of rice irradiation. The utilization of radiation on rice has a specific dosage limit, thus requiring an instrument capable of measuring the radiation dose level in rice. This study aims to analyze the performance of three deep learning models, namely VGG16, AlexNet, and ResNet34, in estimating the intensity of radiation dose in white, red, and black rice samples. Training, validation, and testing data consisting of white, red, and black rice samples were used to train and evaluate these models. The results of the study showed that the performance of the models varied depending on the Region of Interest (ROI) used. In terms of sample recognition accuracy in the validation and testing data, VGG16 ROI 20 demonstrated the best performance with an accuracy of 73% in validation and 71% in testing. Although AlexNet also achieved competitive performance, with validation and testing accuracies reaching 72%, the advantage of shorter training time in AlexNet was significant. However, it should be noted that ResNet34 yielded lower performance compared to VGG16 and AlexNet. Despite having a longer training time, ResNet34 did not achieve the same level of accuracy as the other two models. These research findings provide valuable insights for selecting the appropriate deep learning model for recognizing white, red, and black rice samples in different ROIs. Factors such as accuracy, training time, and computational requirements need to be considered holistically in choosing the best model. Further research can test these models on larger datasets and in more complex application contexts to validate these findings more comprehensively."

"Lemak, laktosa, dan protein merupakan tiga komponen penting yang dimiliki pada susu sebagai komponen kualitas susu. Kadar lemak, laktosa, dan protein susu dapat diukur menggunakan instrumen pengukur spektrofotometer, laktoscan, dan metode konvensional lainnya. Namun dari instrumen-instrumen pengukuran tersebut masih cukup mahal, memerlukan waktu yang lama untuk mempersiapkan sampel dengan prinsip kemometrik, sehingga dapat merusak sampel. Dalam penelitian ini dirancang sistem pengukuran kadar lemak, laktosa, dan protein pada susu yang lebih murah, efisien, dan tidak merusak sampel menggunakan kamera hiperspektral sebagai instrumen pengukuran dan berbasis convolutional neural network sebagai algoritma pengukuran. Kamera hiperspektral yang digunakan pada rentang panjang gelombang 400 -1000 nm (VIS-NIR) digunakan untuk mengakuisisi karakteristik spasial dan spektral pada susu ultra high temperature (UHT), sapi, kambing. Algoritma regresi convolutional neural network digunakan untuk melakukan prediksi nilai kadar lemak, laktosa, dan protein pada susu. Pada model regresi Modified CNN-GoogLeNet menghasilkan RMSE sebesar 0,66 dan R2 sebesar 0,95 pada data uji untuk pengukuran kadar lemak. Lalu RMSE sebesar 0,45 dan R2 sebesar 0,88 pada data uji untuk pengukuran kadar laktosa. Kemudian RMSE sebesar 0,36 dan R2 sebesar 0,76 pada data uji untuk pengukuran kadar protein. Hal ini menunjukan sistem pengukuran kadar lemak, laktosa, dan protein menggunakan kamera hiperspektral berbasis algoritma Modified CNN-GoogLenet dapat digunakan untuk prediksi kadar lemak, laktosa, dan protein.

---

Fat, lactose, and protein are three important components in milk as a component of milk quality. The fat, lactose, and protein content of milk can be measured using a spectrophotometer, lactoscan, and other conventional methods. However, these measurement instruments are quite expensive, require a long time to prepare samples with chemometric principles, so it can damage the sample. In this research, a system for measuring fat, lactose, and protein content in milk is designed that is cheaper, and does not damage the sample (non-destructive) using hyperspectral camera as a measurement instrument and based on a convolutional neural network as a measurement algorithm. Hyperspectral camera used in the wavelength range of 400 -1000 nm (VIS-NIR) was used to acquire the spatial and spectral characteristics of ultra high temperature (UHT), cows, goats milk. Convolutional neural network regression algorithm was used to predict the content of fat, lactose, and protein in milk. The CNN-GoogLeNet Modified regression model give RMSE value is 0.66 and R2 value is 0.95 in the test data to measure fat content. Then RMSE value is 0.45 and R2 value is 0.88 on the test data to measure lactose content. Then RMSE value is 0.36 and R2 value is 0.76 on the test data to measure protein content. This shows that the measurement system for fat, lactose, and protein content using a hyperspectral camera based on the Modified CNN-GoogLenet algorithm can be used to predict fat, lactose, and protein levels."

"Penyakit kardiovaskular, khususnya aritmia, merupakan salah satu penyebab utama kematian di dunia. Aritmia terjadi akibat gangguan irama jantung yang dapat dideteksi menggunakan Elektrokardiogram (EKG), yang dideteksi dengan menganalisa perubahan atau kejanggalan dari sinyal EKG yang dilihat oleh pengamat. Namun, sinyal EKG seringkali tidak akurat karena bersifat non-linear dan memiliki amplitudo rendah, sehingga perubahan kecil mungkin dilalaikan oleh mata telanjang manusia. Oleh karena itu, diperlukan metode yang lebih efektif dalam mengklasifikasikan aritmia. Penelitian ini mengusulkan penggunaan metode Bidirectional Recurrent Convolutional Neural Network (BiRCNN) untuk klasifikasi sinyal EKG. Metode BiRCNN menggabungkan Convolutional Neural Network (CNN) yang mengekstraksi fitur morfologi sinyal EKG dan Recurrent Neural Network (RNN) yang menangkap informasi temporal dari detak jantung. Gabungan kedua metode ini diharapkan dapat memberikan hasil yang akurat dan konsisten. Data yang digunakan dalam penelitian ini berasal dari Basis Data MIT-BIH Arrhythmia, yang terdiri dari ribuan rekaman detak jantung normal dan aritmia. Data yang digunakan melalui tahap praproses dengan memilih segmen sinyal EKG dengan 187 titik waktu, dengan normalisasi pada semua data agar berada dalam rentang amplitudo yang sama. Untuk mengatasi ketidakseimbangan kelas dalam dataset, metode SMOTE digunakan untuk meningkatkan jumlah sampel kelas minoritas hingga mencapai 100% dari jumlah sampel kelas mayoritas, sehingga memastikan distribusi data yang lebih seimbang. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, sensitivitas, spesifisitas, dan nilai AUC-ROC. Hasil penelitian dari lima simulasi pembangunan model menunjukkan bahwa metode BiRCNN memiliki kinerja yang baik dalam klasifikasi aritmia, dengan rata-rata nilai akurasi sebesar 98.25%, sensitivitas sebesar 94.67%, spesifisitas sebesar 98.70%, dan AUC-ROC sebesar 99.44%. Berdasarkan hasil penelitian tersebut, metode ini mampu mengidentifikasi aritmia secara konsisten dengan ketepatan yang cukup baik.

---

Cardiovascular disease, particularly arrhythmia, is one of the leading causes of death in the world. Arrhythmias occur due to heart rhythm disturbances that can be detected using an Electrocardiogram (ECG), detected by analyzing the changes or irregularities in the ECG signal seen by the observer. However, ECG signals are often inaccurate because they are non-linear and have low amplitude, so small changes may be overlooked by the naked human eye. Therefore, a more effective method of classifying arrhythmias is needed. This research proposes the use of Bidirectional Recurrent Convolutional Neural Network (BiRCNN) method for ECG signal classification. The BiRCNN method combines a Convolutional Neural Network (CNN) that extracts morphological features of ECG signals and a Recurrent Neural Network (RNN) that captures temporal information of the heartbeat. The combination of these two methods is expected to provide accurate and consistent results. The data used in this study comes from the MIT-BIH Arrhythmia Database, which consists of thousands of normal and arrhythmic heartbeat recordings. The data used went through a preprocessing stage by selecting ECG signal segments with 187 time points, with normalization on all data to be in the same amplitude range. To overcome the class imbalance in the dataset, the SMOTE method was applied to increase the number of minority class samples to 100% of the number of majority class samples, thus ensuring a more balanced data distribution. Model performance evaluation was performed using accuracy, sensitivity, specificity, and AUC-ROC value metrics. The results of five model fitting simulations showed that the BiRCNN method performed well in arrhythmia classification, with an average accuracy value of 98.25%, sensitivity of 94.67%, specificity of 98.70%, and AUC-ROC of 99.44%. Based on the results, this method is able to identify arrhythmias consistently with fairly good accuracy."