Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker prostat merupakan salah satu penyakit yang menjadi penyebab kematian utama di kalangan pria. Deteksi dini melalui pemindaian medis dapat membantu dalam pengobatan dan penanganan yang efektif. Namun, interpretasi dari pemindaian ini seringkali sulit dan memerlukan keahlian klinis yang tinggi oleh para ahli patologi. Selain itu keterbatasan dataset publik dengan bentuk biopsi H&E dengan anotasi level biopsy hinggal level patch yang tersedia terbatas jumlahnya sehingga menyebabkan pelatihan machine learning menjadi lebih sulit. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan dataset dengan model machine learning yang dapat membantu mengimprove model machine learning pengklasifikasi kanker prostat. Model machine learning yang digunakan untuk mengembangkan dataset dalam penelitian ini adalah conditional Progressive Growing GAN (ProGleason-GAN), sebuah jenis jaringan saraf tiruan yang dapat digunakan untuk mempelajari dan menghasilkan gambar sintetis dari pemindaian prostat yang telah menunjukkan hasil yang menjanjikan dalam generasi gambar sintetis beresolusi tinggi. Dataset yang ditambahkan dengan hasil gambar sintesis ProGleason-GAN digunakan untuk melatih model klasifikasi kanker prostat yaitu Semi Supervised Learning yang di gabungkan dengan Multiple Instance Learning. Dataset yang yang berisikan dataset SICAPv2 yang ditambahkan dengan hasil augmentasi ProGleason-GAN dinamakan SICAPv2 augmented. Penulis juga mengembangkan model klasifikasi dengan penambahan batch normalization yang dimana memungkinkan setiap batch data yang diberikan ke jaringan untuk dinormalisasi terlebih dahulu sebelum diolah lebih lanjut oleh jaringan. Ketika model klasifikasi ditambahkan dengan batch normalization serta dilatih dengan SICAPv2 augmented , maka nilai accuracy yang dihasilkan sebesar 76% lebih tinggi 4% model acuan.

---

Prostate cancer is a disease that is the main cause of death among men. Early detection through medical scanning can help in effective treatment and management. However, interpretation of these scans is often difficult and requires a high degree of clinical skill by pathologists. In addition, the limited number of available public datasets in the form of H&E biopsies with biopsy level to patch level annotations makes machine learning training more difficult. Therefore, this research aims to develop a dataset with a machine learning model that can help improve machine learning models for prostate cancer classification. The machine learning model used to develop the dataset in this research is Conditional Progressive Growing GAN (ProGleason-GAN), a type of artificial neural network that can be used to learn and generate synthetic images from prostate scans which has shown promising results in the generation of high-resolution synthetic images. tall. The dataset added with the ProGleason-GAN synthetic image results is used to train a prostate cancer classification model, namely Semi Supervised Learning combined with Multiple Instance Learning. The dataset containing the SICAPv2 dataset added with the results of ProGleason-GAN augmentation is called SICAPv2 augmented. The author also developed a classification model with the addition of batch normalization, which allows each batch of data given to the network to be normalized first before being further processed by the network. When the classification model was added with batch normalization and trained with augmented SICAPv2, the resulting accuracy value was 76%, 4% higher than the reference model."

"Dalam kehidupan sehari-hari, emosi memainkan peran penting dalam membentuk cara manusia berkomunikasi dan berinteraksi, baik dengan sesama maupun dengan teknologi. Dalam bidang Human-Computer Interaction (HCI), pengenalan emosi menjadi salah satu inovasi yang memungkinkan sistem komputer memahami perasaan manusia secara lebih mendalam. Penelitian ini bertujuan untuk mengembangkan sistem Speech Emotion Recognition (SER) berbasis suara percakapan berbahasa Indonesia menggunakan kombinasi model Convolutional Neural Network (CNN) dan Gated Recurrent Unit (GRU), dengan dukungan teknik augmentasi data untuk meningkatkan performa dan generalisasi model. Penelitian ini dilakukan melalui tiga tahap pengujian: pertama, eksperimen menggunakan benchmark dari TESS Dataset yang berbahasa Inggris; kedua, eksperimen terhadap jumlah augmentasi data untuk menentukan konfigurasi terbaik; dan ketiga, eksperimen membandingkan kinerja model CNN, GRU, dan CNN-GRU. CNN digunakan untuk mengekstraksi fitur suara utama, seperti MFCC, Chroma, Zero-Crossing Rate (ZCR), RMS, dan Spectral Contrast, sementara GRU menangkap pola temporal dalam data. Hasil penelitian menunjukkan bahwa kombinasi CNN-GRU dengan 6 jenis augmentasi data memberikan performa terbaik, dengan akurasi 94.49% dan loss 0.8136 pada dataset berbahasa Indonesia, serta akurasi 99.72% dan loss 0.1915 pada benchmark dari TESS Dataset yang berbahasa Inggris. Temuan ini menegaskan bahwa teknik augmentasi data efektif dalam meningkatkan stabilitas dan akurasi model, bahkan ketika dihadapkan pada variasi kualitas data. Penelitian ini berkontribusi pada pengembangan teknologi HCI yang lebih intuitif, dengan potensi penerapan dalam mendukung kesehatan mental, layanan berbasis suara, dan sistem pendidikan yang responsif terhadap emosi manusia.

---

In daily life, emotions play a crucial role in shaping how humans communicate and interact, both with each other and with technology. In the field of Human-Computer Interaction (HCI), emotion recognition has become one of the innovations that enable computer systems to deeply understand human feelings. This research aims to develop a Speech Emotion Recognition (SER) system based on Indonesian speech using a combination of Convolutional Neural Network (CNN) and Gated Recurrent Unit (GRU) models, supported by data augmentation techniques to improve the performance and generalization of the model. The research was conducted through three stages of testing: first, an experiment using the TESS Dataset benchmark in English; second, an experiment on the number of data augmentations to determine the optimal configuration; and third, an experiment comparing the performance of CNN, GRU, and CNN-GRU models. CNN was utilized to extract key audio features, such as MFCC, Chroma, Zero-Crossing Rate, RMS, and Spectral Contrast, while GRU captured temporal patterns in the data. The results showed that the combination of CNN-GRU with 6 types of data augmentation provided the best performance, achieving an accuracy of 94.49% and a loss of 0.8136 on the Indonesian dataset, as well as an accuracy of 99.72% and a loss of 0.1915 on the benchmark TESS Dataset in English. These findings affirm that data augmentation techniques are effective in improving model stability and accuracy, even when faced with variations in data quality. This research contributes to the development of more intuitive HCI technologies, with potential applications in supporting mental health, voice-based services, and educational systems that are responsive to human emotions."

"Jalan raya merupakan infrastruktur yang penting karena digunakan untuk berlalu lintas sehari-hari. Kerusakan jalan sering terjadi dan salah satu jenis kerusakan jalan adalah retakan dan jalan yang berlubang. Image Processing merupakan salah satu metode untuk menentukan kerusakan jalan. Sejauh ini, penelitian mengenai deteksi retakan jalan kebanyakan masih menggunakan metode Convolutional Neural Network. Penelitian ini menggunakan You Only Look Once Version 5 dan Faster Object More Object Sebagai model dalam melakukan proses deteksi retakan dan lubang pada jalan dan sebagai salah satu pembanding untuk menentukan model mana yang lebih efisien dan akurat dalam melakukan deteksi terhadap retakan dan lubang tersebut. Dataset yang akan digunakan diambil dari jalan raya yang ada di negara Jepang dan Republik Ceko. Dataset yang digunakan memiliki 1000 Citra dengan ukuran 600x600 piksel. Jalan raya yang dijadikan dataset merupakan jalan dengan jenis material Aspal. Dalam Melakukan testing, dataset public tersebut akan digunakan dan dalam implementasinya, akan digunakan secara realtime dan akan diaplikasikan ke sebuah kamera eksternal webcam dalam mendeteksi retakan dan lubang pada jalan. Hasil yang akan didapatkan adalah berupa prediksi secara realtime berupa bounding box dengan tingkat confidence prediksi dari retakan untuk model YOLOv5 dan prediksi berupa lingkaran kecil dengan tingkat confidence prediksi retakan untuk model FOMO. Nilai perbandingan akurasi model YOLOv5 dan FOMO adalah 0.260 : 0.685 dengan deteksi berjalan dan 0.127 : 0.733 untuk deteksi menggunakan mobil. Sedangkan perbandingan nilai F1 score untuk adalah 0.41 : 0.813 untuk deteksi dengan berjalan dan 0.215 : 0.845 dengan deteksi menggunakan mobil.

---

Road is an important infrastructure because it’s used for daily traffic. Road Damage is usually happened on usual road, and one types of road damage is road crack and potholes. Image processing is one method that is used to determine a damaged road. So far, study about detection of crack and potholes used Convolutional Neural Network as their method. This research uses You Only Look Once Version 5 and Faster Object More Object as a method and models on the detection process of Road Crack and Potholes and as a comparison to determine which method and model is more efficient and accurate on detecting crack and potholes. Dataset that are used are taken from road on Japan and Republic of Czech. Dataset that are used consists of 1000 Images with the size of 600x600 pixel. Each picture contains crack, Potholes and road without crack and pothole. The road images that are taken are road with the material type of Asphalt. Testing will be done using the public dataset and, on the implementation, it will use external camera webcam on detecting potholes and crack on road real time. The results on Realtime detection are bounding box that are generated along with the prediction confidence of road crack on YOLOv5 model and small circle that are generated along with the prediction confidence of road crack on FOMO model. The comparison value of the accuracy of the YOLOv5 and FOMO models is 0.260 : 0.685 with walking detection and 0.127 : 0.733 for detection using a car. While the comparison of the F1 score for is 0.41 : 0.813 for detection by walking and 0.215: 0.845 for detection by car."