Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Latar belakang: Penilaian usia tulang dengan metode Greulich and Pyle merupakan metode yang paling sering digunakan. Namun metode ini bersifat subjektif dan ahli yang dapat membaca usia tulang dengan metode ini belum tersebar merata. Saat ini, penilaian usia tulang melalui metode deep learning artificial intelligence mulai banyak digunakan. Metode ini dinilai lebih objektif dan memiliki akurasi yang setara atau lebih baik dibandingkan metode Greulich and Pyle. Tujuan: Penelitian ini bertujuan untuk mengetahui akurasi deep learning artificial intelligence dibandingkan Greulich and Pyle dalam menilai usia tulang. Metode: Penelitian merupakan studi potong lintang yang dilakukan di Rumah Sakit Cipto Mangunkusumo menggunakan foto tangan dan pergelangan tangan di Divisi Pencitraan yang diambil pada Desember 2022 sampai November 2023. Subjek yang diteliti adalah anak berusia 1 – 18 tahun yang diindikasikan untuk dilakukan pemeriksaan usia tulang. Akurasi dinilai melalui korelasi, perbedaan rerata, dan kesesuaian antara dua metode. Hasil: Sebanyak 275 foto dalam kurun waktu 12 bulan dimasukkan ke dalam penelitian dengan nilai tengah 9,5 tahun. Korelasi antara kedua metode pembacaan usia tulang adalah 0,971 (IK95% 0,963 – 0,977 ; p < 0,001) yang berarti memiliki korelasi positif kuat. Perbedaan rerata hasil pembacaan kedua metode adalah 0,53 tahun (IK95% 0,45 – 0,62; p < 0,001). Walaupun bermakna secara statistik, perbedaan rerata ini tidak bermakna secara klinis karena usia tulang yang abnormal harus lebih dari 2 standar deviasi. Kesesuaian pembacaan usia tulang antara kedua metode baik dengan nilai kappa 0,752 (IK95% 0,675 – 0,828; p < 0,001). Kesimpulan: Penilaian usia tulang dengan metode deep learning artificial intelligence memiliki akurasi yang sama dengan metode Greulich and Pyle. ......Background: Bone age assessment using the Greulich and Pyle method is the most frequently used. However, this method is subjective and experts who can read bone age using this method are not evenly distributed. Currently, bone age assessment using deep learning artificial intelligence methods is starting to be widely used. This method is considered more objective and has equivalent or better accuracy. Objective: This study aims to determine the accuracy of deep learning artificial intelligence compared to Greulich and Pyle in assessing bone age. Method: This was a cross-sectional study conducted at Cipto Mangunkusumo Hospital using radiology of the hands and wrists in the Imaging Division taken from December 2022 to November 2023. The subjects studied were children aged 1 – 18 years who were indicated for bone age examination. Accuracy was assessed through correlation, mean difference, and agreement between the two methods. Results: A total of 275 photos over a 12 month period were included in the study with a median value of 9.5 years. The correlation between the two bone age assessment methods was 0.971 (95% CI 0.963 – 0.977; p < 0.001), which showed a strong positive correlation. The mean difference between the two methods was 0.53 years (95% CI 0.45 – 0.62; p < 0.001). Although it had statistically significant, this mean difference was not clinically significant because the abnormal bone age must be more than 2 standard deviations. The agreement between bone age readings between the two methods was good with a kappa value of 0.752 (95% CI 0.675 – 0.828; p < 0.001). Conclusion: Bone age assessment using the deep learning artificial intelligence method has the same accuracy as the Greulich and Pyle method.

Abstrak :
Perkembangan teknologi robotika semakin pesat belakangan ini. Keberadaan teknologi Artificial Intelligence (AI) merupakan salah satu faktor yang mendorong perkembangan dari robotika ditambah dengan semakin besarnya kemampuan komputasi dan menurunnya biaya yang diperlukan untuk melakukan komputasi. Robot adalah suatu perangkat yang dapat menggantikan manusia dalam melakukan pekerjaan tertentu. Artificial Intelligence digunakan pada Robot agar dapat melakukan pekerjaan yang membutuhkan kecerdasan seperti melakukan pendeteksian gulma berdasarkan citra dari kamera. Deep Learning dapat digunakan untuk memberikan kemampuan mengekstraksi informasi dari citra sehingga dapat dilakukan tindakan dari adanya informasi tersebut. Jenis neural network yang digunakan harus memiliki kemampuan untuk memahami pola dari gambar dan dapat melokalisasikan setiap objek yang ada beserta dengan jenis objeknya dalam waktu yang cepat. Salah satu arsitektur dengan kemampuan tersebut adalah Single Shot MultiBox Detector (SSD) yang terdapat Convolutional Neural Network (CNN) untuk melakukan ekstraksi informasi dari gambar dan menghasilkan feature map, Convolutional Layer untuk melakukan lokalisasi dan klasifikasi objek dari setiap feature map, dan Non-max Suppression untuk meminimalkan hasil deteksi yang tidak relevan. Sebagai proof-of-concept, pada skripsi ini arsitektur SSD akan digunakan untuk mendeteksi Gulma pada taman kota. Arsitektur SSD digunakan untuk mendeteksi gulma pada gambar beserta dengan posisinya secara real-time. Pada pengujian yang dilakukan, didapatkan Average Precision sebesar 44%. Sedangkan rata-rata waktu komputasi yang diperlukan selama 38.99 milidetik. ......The development of Robotics technology has grown rapidly lately. The existence of Artificial Intelligence (AI) technology is one of the factors that drives the development of Robotic besides the growing computational capacity and the reduced costs required to do computing. Robot is a device that can replace humans in doing certain jobs. Artificial Intelligence is used on Robots to be able to do jobs that require intelligence such as detecting weeds based on images from the camera. Deep Learning can be used to provide the ability to extract information from images so that action can be taken based from obtained information. The type of neural network used must have the ability to understand the pattern of the image and be able to localize every object that exists along with the type of object in limited time. One architecture with this capability is Single Shot Detectors (SSD) where consist of Convolutional Neural Network (CNN) to extract information from images and produce a feature map, Convolutional Layer to localize and classify object within images, and Non-max Suppression to filter not relevant from detected object. As a proof of concept, the SSD architecture will be used for weeds detection in the park. The SSD architecture is used to detect weeds in images along with their position in real-time. In testing, Average Precision score from the model is 44%. The time needed for inference is around 38.99 milliseconds per one image.