Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Tesis ini membahas tentang sebuah metoda Principal Component Analysis untuk data yang terbentuk dari bilangan fuzzy. Metoda ini akan mentransformasi data fuzzy yang berada dalam ruang data berdimensi d ke sebuah ruang eigen yang berdimensi p dengan p < d, menggunakan sebuah Jaringan Neural Buatan Autoassociative Neural Network. Pengujian menggunakan data aroma dan data citra yang memiliki noise. Hasil dari percobaan menunjukkan bahwa metoda ini telah berhasil melakukan pemetaan terhadap data-data tersebut. Hasil percobaan juga menunjukkan bahwa metode ini lebih cocok digunakan pada data fuzzy berdimensi besar dan memiliki banyak dimensi yang berisi data redundant.

Abstrak :
Tanaman karet berperan sebagai komoditas penting di Indonesia karena menghasilkan karet alami yang memiliki banyak manfaat dan mampu bersaing di pasar internasional. Namun, sejak tahun 2017, produksi karet mengalami hambatan karena timbul serangan penyakit gugur daun baru yang berbeda dari penyakit terdahulu. Penyakit tersebut dapat menyebabkan gugur daun hingga 90% dan penurunan produksi lateks hingga 45%. Setelah ditelusuri, penyakit gugur daun baru ini disebabkan oleh patogen Pestalotiopsis sp. dan diberi nama penyakit gugur daun Pestalotiopsis. Sebagai penyakit baru, perlu dilakukan penelitian lebih lanjut untuk memonitor laju pertumbuhan penyakit ini. Salah satu penelitian ini adalah melakukan klasifikasi indeks atau level keparahan penyakit gugur daun Pestalotiopsis. Keparahan penyakit ini dapat dikelompokkan berdasarkan perubahan warna daun dan lesi khas yang timbul pada permukaan daun tanaman karet. Pada penelitian sebelumnya, pengukuran intensitas keparahan dilakukan dengan observasi secara langsung bercak gejala yang muncul pada daun atau pohon dalam jangka waktu tertentu. Pengamatan secara konvensional ini memerlukan tenaga yang banyak dan waktu yang cukup lama. Diperlukan suatu metode yang mampu melakukan klasifikasi level keparahan ini secara tepat dan cepat terhadap sampel daun yang berjumlah banyak. Saat ini, implementasi Artificial Intelligence (AI) melalui algoritma machine learning dapat menjadi solusi untuk menyelesaikan suatu permasalahan seperti klasifikasi multikelas secara otomatis dan efisien. Penelitian ini memanfaatkan salah satu teknik machine learning, yaitu artificial neural network berupa deep learning dengan arsitektur convolutional neural network (CNN). Dengan mempertimbangkan penelitian sebelumnya, maka penelitian ini mengajukan sebuah pengembangan dari CNN, yaitu arsitektur DenseNet121 sebagai metode untuk melakukan klasifikasi level keparahan penyakit gugur daun Pestalotiopsis menggunakan data citra daun karet. Klasifikasi level keparahan dibagi menjadi lima kelas, yaitu Level 0 (daun sehat atau tidak terinfeksi penyakit gugur daun Pestalotiopsis) dan Level 1-4 (menunjukkan tingkat keparahan penyakit gugur daun Pestalotiopsis). Pada Penelitian ini, digunakan 257 data citra daun karet yang dikumpulkan mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia ketika berkunjung ke Pusat Penelitian Karet Sembawa, Palembang pada tahun 2022. Data citra tersebut melalui preprocessing berupa crop dan resize agar dapat menjadi input yang diterima arsitektur.  Data dipisahkan menjadi data latih dan data uji dengan rasio 80:20. Model dilatih dengan pendekatan 5-fold cross validation sehingga pengujian dilakukan terhadap lima model berbeda. Berdasarkan simulasi, diperoleh rata-rata lima model berupa ccuracy sebesar 56,16% , precision sebesar 54,2% , recall sebesar 55,6%, skor F1 sebesar 51% , dan running time 3,110 detik. ......Rubber plant is an essential commodity in Indonesia since natural rubbers from this plant are very beneficial and have high international market potential. Unfortunately, since 2017, a new leaf fall disease has caused massive decline of the rubber production. This disease leads to at most 90% leaf fall percentage and production decline as high as 45%. Subsequently, researchers found that this new leaf fall disease is caused by Pestalotiopsis sp., thus, the name of this disease is Pestalotiopsis leaf fall disease. Studies must be conducted to further investigate the growth and pattern of this new leaf fall disesase. One of these studies is to classify the intensity of the Pestalotiopsis leaf fall disease.The intensity can be measure by observing distinct symptoms and lesion frequency that would appear on the rubber plant’s leave surface. In earlier works, intensity are measured by conventionally taking notes of the symptomps that appear on the leaves or trees and these methods was done on timely basis. These traditional approaches takes a lot of time and requires a handful of people. Hence, there must be new methods to classify this disease’s intensity with less time and resource when the amount of leaf samples increase. Recent studies implement Artificial Intelligence (AI) by using machine learning to solve classification problems efficiently. This study takes a technique of machine learning, that is, deep learning convolutional neural network (CNN) architectures. By comparing previous researches, we propose the architecture DenseNet121 to implement CNN in multiclass classification problem by using leaf image data. The classification consists of five classes, which are the intensity of the Pestalotiopsis leaf fall disease from level 0 to level 4. Level 0 corresponds to healthy leaves or leaves with other diseases whereas Level 1-4 refer to leaves with the intensity of lesion and discoloration caused by Pestalotiopsis leaf fall disease. This study uses 257 image data that was taken by students of the Math and Science Faculty from Universitas Indonesia when they visited Rubber Research Center, Sembawa in 2022. The data is split into train and test data with 80:20 ratio. Models are trained with 5-fold cross validation approach so the that each model will be trained and tested towards 5 folds of data. Then, five different models are tested by evaluating their predictions to the test data. The result of this simulation shows the average performance from five models, they are an accuracy of 56,16%, a precision of 54,2%, a recall of 55,6%, an F1-score of 51% , and an average running time of 3,110 seconds.

Abstrak :
Dalam penyimpanan dan komunikasi data dibutuhkan program yang mampu memadatkan data asli sehingga ukurannnya menjadi lebih kecil. Terutama untuk data citra dan suara yang biasanya berukuran besar. Karya tulis ini menguraikan sebuah metode kompresi untuk memadatkan data, yaitu metode kompresi citra fraktal.

Abstrak :
Kanker kolorektal adalah kanker yang berkembang pada usus besar dan/atau rektum. Berdasarkan survei GLOBOCAN 2012, insidens kanker kolorektal di seluruh dunia menempati urutan ketiga dan menduduki peringkat keempat sebagai penyebab kematian. Dalam proses diagnosis kanker kolorektal, telah diterapkan pendekatan medis dengan digital rectal examination menggunakan colonoscopy untuk menilai keadaan tumor dan mobilitas tumor. Namun, seiring berkembangnya teknologi, para ilmuwan mencoba pendekatan lain untuk pendeteksian kanker kolorektal salah satunya menggunakan penggunaan artificial intelligence khususnya machine learning. Terdapat beberapa penelitian yang lalu mengenai pengaplikasian machine learning dalam kasus klasifikasi kanker kolorektal dengan berbagai model dan tingkat akurasi. Pada penelitian ini, penulis menggunakan pendekatan Convolutional Neural Network (CNN) dengan arsitektur You Only Look Once (YOLO) untuk mengklasifikasi kanker kolorektal tipe ganas dan jinak. Data yang digunakan pada penelitian ini adalah Lung and Colon Cancer Histopathological Image Dataset oleh Borkowski AA, dkk. dengan mengambil dataset kanker kolorektal yaitu 5000 kanker ganas dan 5000 kanker jinak. Model akan dibangun melalui data tersebut, yang dilatih menggunakan metode CNN dengan arsitektur YOLO. Data di split dengan perbandingan data latih dan data uji 70:30 dan 80:20. Kinerja model dievaluasi dengan nilai accuracy, recall, loss dan running time. Accuracy dan Recall yang didapatkan pada masing-masing split data sebesar 100% dengan running time 3 jam 7 menit 43 detik pada split data 70:30 dan 3 jam 30 menit 6 detik pada split data 80:20. ......Colorectal cancer is cancer that develops in the colon and/or rectum. Based on the 2012 GLOBOCAN survey, the incidence of colorectal cancer worldwide ranks third and ranks fourth as a cause of death. In the process of diagnosing colorectal cancer, a medical approach has been applied with digital rectal examination using colonoscopy to assess the state and mobility of the tumor. However, as technology develops, scientists try other approaches to detect colorectal cancer, one of which is using artificial intelligence, especially machine learning. There have been several past studies regarding the application of machine learning in the case of colorectal cancer classification with various models and levels of accuracy. In this study, the authors used a Convolutional Neural Network (CNN) approach with You Only Look Once (YOLO) architecture to classify malignant and benign types of colorectal cancer. The data used in this study was the Lung and Colon Cancer Histopathological Image Dataset by Borkowski AA, et al. by taking the colorectal cancer dataset, namely 5000 malignant cancers and 5000 benign cancers. The model will be built using the data, which is trained using the CNN method with the YOLO architecture. The data is split with a comparison of training data and test data of 70:30 and 80:20. The performance of the model is evaluated with the values of accuracy, recall, loss and running time. Accuracy and Recall obtained in each data split is 100% with a running time of 3 hours 7 minutes 43 seconds on a 70:30 data split and 3 hours 30 minutes 6 seconds on an 80:20 data split.

Abstrak :
Daerah Karaha Bodas dan Talaga Bodas merupakan lapangan panas bumi yang lokasinya berdekatan di Tasikmalaya, Jawa Barat. Lapangan Karaha Bodas dan Talaga Bodas memiliki prospek panas bumi dengan ditemukannya beberapa manifestasi permukaan berupa mata air panas, fumarol, danau asam. Orientasi struktur yang berkembang di kedua lapangan menunjukkan orientasi yang berbeda. Meskipun begitu, belum ada penelitian yang menjelaskan mengenai hubungan sistem panas bumi lapangan Karaha Bodas dan lapangan Talaga Bodas, dan potensi Cipacing dan Pamoyanan. Lokasi penelitian berada di Kabupaten Garut dan Kabupaten Tasikmalaya, Jawa Barat. Metode Penelitian yang dilakukan adalah metode kualitatif (Analisis Morfostruktur) dan kuantitatif (Analisis Hidrogeokimia). Dilakukan pengolahan data yang memakai data citra DEM untuk analisis morfostruktur, dan 3 data kimia air dari lapangan Karaha Bodas, Talaga Bodas, dan potensi Cipacing untuk analisis Hidrogeokimia. Hubungan Sistem panas bumi Karaha Bodas dan Talaga Bodas berada dalam satu sistem panas bumi, dengan memiliki dua sumber panas yang berbeda, dengan lapangan Talaga Bodas sebagai zona upflow, dan lapangan Karaha Bodas juga Potensi Cipacing dan Pamoyanan sebagai zona outflow. ......The Karaha Bodas and Talaga Bodas are geothermal fields which are located in Tasikmalaya, West Java. The Karaha Bodas and Talaga Bodas fields have geothermal prospects with the discovery of several surface manifestations in the form of hot springs, fumarols, and acid lakes. The orientation of the structure that developed in the two fields showed a different orientation. However, there is no research that explains the relationship between the geothermal system in the Karaha Bodas field and the Talaga Bodas field, and the potential of Cipacing and Pamoyanan. The research location is in Garut and Tasikmalaya, West Java. The research method used is qualitative (morphostructural analysis) and quantitative (hydrogeochemical analysis) methods. Data processing using DEM (Digital Elevation Model) data for morphostructural analysis, and water chemistry data from the Karaha Bodas field, Talaga Bodas field, and Cipacing fields for hydrogeochemical analysis. The analysis shows that relationship between the Karaha Bodas and Talaga Bodas geothermal systems is a geothermal system, with two different heat sources, the Talaga Bodas field as an upflow zone, and the Karaha Bodas field with Cipacing and Pamoyanan potentials as an outflow zone.

Abstrak :
Jacobsite nanomagnetic particles with various size can be easily synthesized by using coprecipitation method. Samples are categorized into two synthesis condition, which is nonultrasonic assisted and ultrasonic assisted process. Samples are characterized with various methods to give understanding on their structure. Annealing process gave significant effect on the structure of the particles, thus provides better crystallinity on the annealed samples. The study shows that upon the annealing temperature of 300OC for four hours on nanomagnetic particles synthesized using ultrasonic are in Jacobsite phase; on the other hand we could have pure Jacobsite only by an hour of annealing when we subject the samples to ultrasonic treatment. Nanomagnetic particles size ranging from 4 nm to 16 nm are found after annealing process when samples are synthesized without using ultrasonic treatment. We have also obtained nanomagnetic particles with size ranging from 2 nm to 11 nm after annealing process when the samples are being exposed to ultrasonic treatment.

---

Rekonstruksi merupakan bagian penting dari proses pencitrran. Pada sistem pencitraan ultrasonik, untuk menghasilkan citra dilakukan tahap rekonstruksi sinyal akustik A ? Mode menjadi B ? Mode yang merupakan dasar dari sistem pencitraan ultrasonik. Untuk memperoleh hasil yang optimal, sebelum merekonstruksi citra yang sesungguhnya, dilakukan simulasi. Pada skripsi ini, simulasi dilakukan dengan menggunakan software COMSOL34 MULTIPHYSICS dan MATLAB R2007. Dengan menggunakan software COMSOL34 MULTIPHYSICS menerapkan metode elemen hingga dapat diperoleh data berupa sinyal A ? Mode yang selanjutnya sinyal tersebut diolah menggunakan software MATLAB R2007. Software MATLAB R2007 berfungsi untuk menampilkan citra dan menganalisis hasil. Citra yang dihasilkan dipengaruhi oleh beberapa faktor, seperti frekuensi, bandwitdh, lebar transducer, pengaruh mesh COMSOL34 MULTIPHYSICS dan grid transducer pada COMSOL34 MULTIPHYSICS . Semua faktor tersebut berpengaruh kepada resolusi, ketajaman, tingkat kecerahan citra yang dihasilkan.