Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Verifikasi dosis harus dilakukan pada setiap pra-terapi yang menggunakan teknik IMRT. Salah satu alat ukur dosimetri IMRT adalah matriks jenis ion chamber matriXX-FFF,IBA yang memberikan hasil pengukuran dosis secara real-time, serta tidak diperlukan kalibrasi berkala. Tetapi, dosimetri tersebut memiliki resolusi spasial terbatas, tergantung pada ukuran dan bentuk detektor serta ada efek transport elektron sekunder dari dinding detektor ke dalam volume detektor, sehingga seringkali mengakibatkan hasil verifikasi cukup rendah. Hal tersebut salah satunya dapat diatasi dengan metode back projection yang diusulkan oleh Poppe et al. Pada penelitian ini metode tersebut diterapkan dengan menggunakan fungsi kernel dari lapangan tunggal, kemudian diaplikasikan pada variasi lapangan persegi, kondisi No-BuildUp NBU dan BuildUp BU , posisi Extended-SSD, serta kasus IMRT dengan energi 6 MV dan 10 MV. Analisis indeks gamma Dose Difference/DD dan Dose to Agreement/DTA digunakan untuk memverifikasi efektivitas metode ini. Fungsi kernel diperoleh dari lapangan persegi 4 cm dengan dekonvolusi perbandingan MatriXX-FFF dan TPS. Hasil menunjukan terjadi peningkatan nilai passing grade secara keseluruhan 0 - 15.9 , = 4.84 , ? = 4.81 , dimana nilai tertinggi pada lapangan persegi 4 cm dan 5 cm, baik kondisi NBU dan BU. Hal tersebut mengindikasikan adanya ketergantungan kernel terhadap ukuran lapangan. Hasil penerapan pada kasus IMRT juga memberikan kecenderungan peningkatan nilai passing grade. Kedepannya perlu dilakukan penelitian yang lebih lanjut mengenai hubungan fungsi kernel terhadap ukuran lapangan serta penerapan pada kasus IMRT lebih banyak.

---

ABSTRACT
Verification process has to be carried out every pre treatment by using Intensity Modulated Radiotherapy IMRT . One of dosimetry tools for IMRT is matrix detector type of ionization chamber that gives the result of dose measurement in real time, and is not required calibration periodically. But, the dosimetry has finite spatial resolution, depends on size and shape of detector, and occur the effect of secondary electron transpot from detector wall to detector volume, so that often gives the result of gamma parameter low enough. One of solutions, it can be solved by back projection method proposed by Poppe et al. In this research, that method could be applied by using kernel function of single field, then be used for variations of square field, no BuildUp NBU and BuildUp BU condition, extended SSD position, and IMRT case with 6 MV and 10 MV. Analysis of gamma parameter Dose Difference DD and Dose to Agreement DTA is used to verify the effectiveness of this method. The kernel function is obtained from square field of 4 cm by deconvolution from comparison of MatriXX FFF and TPS. The results show increasing passing grade value for all of fields 0 15.9 , 4.84 , 4.81 , where the highest values are on square field of 4 cm and 5 cm at NBU and BU condition. All of those indicate the dependence kernel function to size of field. Application result of IMRT cases also give the same trend of increasing passing grade value. For the next, it needs to do research more about the relationship kernel function to size of field and the application of this method on IMRT case.

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 :
Pada era modern saat ini diperlukan inovasi teknologi untuk melakukan survei geotermal yang efisien namun tetap akurat. Salah satu metode yang tengah dikembangkan adalah menggunakan remote sensing. Dalam penelitian ini, aplikasi metode remote sensing yaitu Fault and Fracture Density (FFD) digunakan untuk mendeteksi zona permeabel dengan cara menilai area yang memiliki kepadatan struktur tinggi berdasarkan kelurusan yang terbentuk oleh aktivitas patahan dan rekahan. Namun, kenyataannya tidak semua kelurusan berasal dari aktivitas patahan, sehingga perlu dilakukan pemrosesan sinyal digital untuk menyeleksinya. Penelitian dilakukan menggunakan citra Landsat 8 yang diproses melalui dimension reduction metode Principal Component Analysis dan proses filtering berupa filter konvolusi directional dan Laplacian untuk meningkatkan kualitas citra. Kelurusan dari citra Landsat 8 diekstrak secara otomatis menggunakan algoritma Edge Detection, lalu dikomparasikan dengan kelurusan dari citra IFSAR yang diekstrak secara manual. Hasilnya dalam bentuk peta FFD, daerah dengan kepadatan kelurusan tertinggi berada di sisi tenggara dan di sekitar kawah G.K. Untuk membuktikan keefektifan metode ini, digunakan pula data gravitasi yang dapat mengonfirmasi keberadaan struktur patahan secara geofisika. Hasil integrasi kedua data tersebut disertai data penunjang lainnya menunjukkan zona permeabel untuk lokasi pengeboran yang paling efektif berada di dekat manifestasi APKK dan APSE.

---

In this modern era, technology is needed to conduct geothermal surveys that are efficient but still accurate. One method that is being developed to survey geothermal potential is remote sensing. In this study, the application of remote sensing methods namely Fault and Fracture Density (FFD) is used to evaluate permeable zones by evaluating areas that have high faults and joints structures. However, not all of lineament presence caused by fault activities, so digital signals processing need to be carried out. This research used Landsat 8 imagery which is done through dimension reduction using Principal Component Analysis and the filtering process such as Sobel, Line Detection, Prewitt, and Laplacian convolution filters to improve image quality. Lineament extraction from Landsat 8 images is performed automatically using Edge Detection while lineament from IFSAR image extracted manually. The extracted lineaments then compared in the form of FFD maps. To prove the effectiveness of this method, gravity data are also used to confirm the fault presence geophyisically. The results of these data which integrated with other supporting data showed the suitability of covering permeable zones which can be most effective drill point areas are near the manifestations of APKK and APSE.

Abstrak :
Terumbu karang merupakan organisme laut yang memberikan keuntungan untuk banyak mahluk hidup lainnya. Semakin parahnya polusi pada air dan perubahan iklim yang tidak menentu menyebabkan kesehatan terumbu karang terancam. Proyeksi untuk tahun 2050 menunjukkan bahwa 95% terumbu karang kemungkinan akan mengalami pemutihan. Penelitian ini mengusulkan untuk menerapkan deep learning untuk mengklasifikasikan tipe dan level kesehatan terumbu karang yang klasifikasinya dibagi berdasarkan bagan kesehatan CoralWatch, yaitu dibagi menjadi level 1 – 6. Klasifikasi kesehatan terumbu karang pada penelitian ini dibagi menjadi 6 label, yaitu lv.6, lv.5, lv.4, lv.3, lv.2, dan lv.1. Sedangkan untuk klasifikasi tipe terumbu karang terdapat 3 kelas, yaitu Boulder, Table, dan Branching. Hasil akhir penelitian ini adalah model untuk klasifikasi tipe dan level kesehatan terumbu karang. Bahasa pemograman yang digunakan adalah python, dan arsitektur yang digunakan adalah ResNet, MobileNetV2, DenseNet, dan VGG19. Pada penelitian ini didapat akurasi terbaik sebesar 100% untuk klasifikasi tipe terumbu karang dengan arsitektur DenseNet dan untuk klasifikasi kesehatan terumbu karang didapat akurasi sebesar 55% dengan arsitektur DenseNet. ......Coral reefs are marine organisms that provide benefits to many other living creatures. The worsening pollution in the water and unpredictable climate changes threaten the health of coral reefs. Projections for 2050 indicate that 95% of coral reefs are likely to experience bleaching. This research proposes to apply deep learning to classify the types and health levels of coral reefs, with classifications divided based on the CoralWatch health chart, ranging from level 1 to 6. The health classification of coral reefs in this study is divided into 6 labels: lv.6, lv.5, lv.4, lv.3, lv.2, and lv.1. Meanwhile, for the classification of coral reef types, there are 3 classes: Boulder, Table, and Branching. The final outcome of this research is a model for classifying the types and health levels of coral reefs. The programming language used is Python, and the architectures used are ResNet, MobileNetV2, DenseNet, and VGG19. In this study, the best accuracy obtained for the classification of coral reef types is 100% with the DenseNet architecture, while for the classification of coral reef health, the accuracy obtained is 55% with the DenseNet architecture.

Abstrak :
Analisis sentimen merupakan suatu proses untuk menentukan sikap atau sentimen dari penulis mengenai hal tertentu. Proses pengelompokan sentimen secara manual membutuhkan waktu cukup lama, sehingga diusulkan untuk menggunakan machine learning. Pada penelitian ini, model machine learning yang digunakan merupakan model CNN-BiLSTM (Convolutional Neural Network - Bidirectional Long Short-Term Memory) dan BiLSTM-CNN (Bidirectional Long Short-Term Memory - Convolutional Neural Network) yang menghasilkan kinerja yang lebih baik dibandingkan model CNN dan BiLSTM pada permasalahan analisis sentimen. Supaya model dapat belajar secara berkelanjutan dari beberapa domain data, model tersebut juga diimplementasikan lifelong learning. Hasilnya, model CNN-BiLSTM menunjukkan kinerja transfer of knowledge yang lebih baik dibandingkan oleh model BiLSTM-CNN maupun model dasarnya. Di sisi lain, model BiLSTM-CNN menunjukkan kinerja yang lebih buruk dibandingkan model dasarnya. Sedangkan, hasil loss of knowledge menunjukkan bahwa kinerja model CNN- BiLSTM lebih buruk dari BiLSTM-CNN. Selain itu, kedua model gabungan tersebut menunjukkan kinerja yang lebih baik dibandingkan model CNN, tetapi lebih buruk dibandingkan model BiLSTM. Untuk pengembangan lebih lanjut, diimplementasikan pula lifelong learning dengan pembaruan vocabulary. Dengan implementasi tersebut, model mampu mempelajari vocabulary dari domain data 2, 3, 4, dan 5. Pembaruan vocabulary ternyata meningkatkan kinerja model pada transfer of knowledge dan loss of knowledge. ......Sentiment analysis is a process to determine the attitude or sentiment of the author regarding certain matters. The process of classifying sentiments manually takes a long time, so it is proposed to use machine learning. In this study, the machine learning model used is the CNN-BiLSTM (Convolutional Neural Network - Bidirectional Long Short-Term Memory) and BiLSTM-CNN (Bidirectional Long Short-Term Memory - Convolutional Neural Network) models which produce better performance than the CNN and BiLSTM models on the problem of sentiment analysis. In order for the model to learn continuously from several data domains, the model is also implemented lifelong learning. As a result, the CNN-BiLSTM model shows better transfer of knowledge performance compared to the BiLSTM-CNN model and its base model. On the other hand, the BiLSTM-CNN model shows a worse performance than its base model. Meanwhile, the results of loss of knowledge show that the performance of the CNN-BiLSTM model is worse than the BiLSTM-CNN model. In addition, the two combined models show better performance than the CNN model, but worse than the BiLSTM model. For further development, lifelong learning is also implemented with an update to vocabulary. With this implementation, the model is able to learn vocabulary from data domain 2, 3, 4, and 5. In fact, the vocabulary update has an effect in increasing the performances of transfer of knowledge and loss of knowledge.

Abstrak :
Kebutuhan akan layanan broadband yang semakin meningkat dan didorong dengan aplikasi yang beragam membuat penyedia layanan akses mencari alternatif teknologi yang dapat mampu memenuhi layanan yang optimal. WiMAX (worldwide interoperability for microwave access, IEEE.802.16) adalah teknologi Broadband Wireless Access (BWA) yang dikembangkan secara khusus dari teknologi Orthogonal Frequency Division Multiplexing (OFDM) dan menggunakan teknik pengkodean kanal yang berlapis pada lapisan fisik untuk masing-masing aplikasi fixed/mobile sehingga dapat mendukung lingkungan yang non-line-of sight dengan data kecepatan transmisi yang tinggi dan mobilitas yang tinggi, sehingga WiMAX merupakan solusi dari permasalahan tersebut. Pada skripsi ini, dilakukan rancang bangun baseband WiMAX dengan menggunakan DSK (Digital Signal Processing Starter Kit) TMS320C6713 berbasis Simulink. Dari hasil rancang bangun didapatkan bahwa rancang bangun baseband WiMAX dapat dibangun dengan menggunakan DSP (Digital Signal Processing) Processor.

---

Recently broadband service demand are increase, this case encourage by various service make service provider to create an alternative access technology to provide optimum service. WiMAX is Broadband Wireless Access (BWA) technology which was developed from technology specifically othogonal frequency division multiplexing (OFDM) and using a chabbel coding on the physical layer for each fixed/mobile application, so that it can support non-lineof-sight environment with speed data transmission and mobility rate high, so that WiMAX is the solution to these problems. In this research, baseband WiMAX is built using DSK (Digital Signal Processing Starter Kit) TMS 320C6713 based on simulink. The result shows that baseband WiMAX can be built by using DSP (Digital Signal Processing) Processor.