Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
AI-Generated Art adalah salah satu karya hasil perkembangan teknologi Artificial Intelligence yang berupa karya seni seperti ilustrasi, foto, atau gambar digital. Permasalahan timbul ketika suatu gambar milik orang lain digunakan dalam pembuatan AI-Generated Art secara tanpa izin, baik untuk melatih AI maupun untuk menghasilkan gambar baru yang dapat menyerupai gambar digital yang dijadikan sebagai referensi. Dengan demikian, perlu dilakukan penelitian lebih lanjut mengenai penggunaan gambar digital dalam AI-Generated Art yang dinilai telah melanggar Hak Cipta dalam hukum Indonesia dan Amerika Serikat, serta pembebanan tanggung jawab atas risiko pelanggaran hak cipta yang ada dalam AI-Generated Art. Penelitian ini dilakukan dengan menggunakan metode pendekatan yuridis normatif, dan melakukan penulusuran serta perbandingan yang didasarkan pada Undang-Undang Nomor 28 Tahun 2014 tentang Hak Cipta dan United States Copyright Act of 1976. Hasil dari penelitian ini menunjukkan bahwa penggunaan gambar digital tanpa izin dalam pembuatan AI-Generated Art melanggar hak moral pencipta apabila terjadi modifikasi terhadap suatu gambar digital dan melanggar hak ekonomi apabila bersifat komersial, sedangkan pertanggungjawaban hukum atas risiko pelanggaran hak cipta dalam AI-Generated Art tersebut dapat dibebankan kepada penyelenggara AI karena mengetahui/mengizinkan AI yang dikembangkannya tersebut dilatih menggunakan gambar digital secara tanpa izin, dan Pengguna AI karena dengan sengaja memberikan perintah kepada AI untuk membuat gambar yang mengakibatkan adanya reproduksi suatu gambar digital. ......AI-Generated Art is an emerging work of Artificial Intelligence technology in the form of artwork such as illustrations, photographs, or digital images. Problems arise when an image belonging to another person is used in the making of AI-Generated Art without their permission, either to train AI or to produce a new image that can resemble the digital image used as a reference. Thus, it is necessary to conduct a research on the use of digital images in AI-Generated Art that are considered to be copyright infringement in Indonesian and United States law, as well as the liability for the risks of copyright infringement in AI-Generated Art. This research was conducted using the normative juridical approach method, and carried out searches and comparisons based on Law Number 28 of 2014 on Copyright and the United States Copyright Act of 1976. The results of this study indicate that the unauthorised use of digital images in the creation of AI-Generated Art violates the moral rights of the creator if there is a modification of a digital image and violates economic rights if it is commercial in nature, while the legal liability for the risk of copyright infringement in AI-Generated Art can be imposed on the AI Organizers, for knowing/authorising the AI it developed to be trained using unauthorised digital images, and the AI User, for deliberately instructing the AI to create images that result in the reproduction of a digital image.

Abstrak :
ABSTRAK
Kanker payudara merupakan kanker yang umum terjadi pada wanita baik di Indonesia ataupun di dunia. Pemeriksan tingkat sebaran sel kanker perlu dilakukan agar pengobatan yang diberikan tepat. Biopsi jaringan getah bening dan pemeriksaan ahli patologi adalah salah satu metode untuk menentukan tingkat penyebaran kanker. Kendala pada pemeriksaan manual membutuhkan waktu untuk memeriksa bagian perbagian dengan kemungkinan ada bagian yang terlewati, kesalahan dalam klasifikasi dan unsur subjektifitas saat memeriksa. Penggunaan kecerdasan buatan dalam prapemeriksaan akan membantu dokter dalam memeriksa dan menghilangkan unsur subjektifitas. Proses klasifikasi yang didapat diharapkan membantu ahli patologi memeriksa dengan lebih cepat dan mengurangi tingkat kesalahan pemeriksaan. Proses dimulai dengan terlebih dahulu menentukan antara daerah kosong dan daerah yang terdapat jaringan. Selanjutnya menentukan tingkat metastasis berdasarkan hasil klasifikasi. Metode yang digunakan adalah dengan menggunakan teknik ambang gambar dalam menentukan batas gambar yang berisi jaringan. Proses klasifikasi menggunakan jaringan saraf konvolusi (Convolution Neural Network (CNN)) dengan banyak klasifikasi sebanyak 5 kelompok sel normal dan 1 kelompok tumor. Hasil dari penggunaan metode ambang adaptif dapat memisahkah antara daerah kosong dan daerah berisi sel-sel. Metode jaringan saraf konvolusi ini dapat mengklasifikasikan dengan hasil sampai 86% dan tes dengan validasi data 80% untuk keseluruhan klasifikasi dan mencapai 93% untuk sel tumor dan sel kanker. Hasil dari penentuan tingkat ditentukan oleh akurasi dari proses klasifikasi. Metode ambang gambar adaptif dapat menentukan area kosong dan berisi jaringan sesuai dengan yang diharapkan dan mempercepat proses pemeriksaan. Hasil klasifikasi dan menentukan tingkat dapat ditingkatkan dengan memperbaiki pembagian data-data pada dataset dan mengembangkan konfigurasi dari jaringan saraf konvolusi dengan merubah struktur atau menambahkan dengan metode lain.

---

ABSTRACT
Breast cancer is the most common cancer in women worldwide and the second most common cancer in Indonesia. Metastasis is the medical term for cancer that spreads to a different part of the body from where it started. Information from the lymph node biopsy can help doctor that treatment decisions depend on stage of metastases. Normaly pathologist makes a diagnosis of the prepared sample slide from sample biopsy with manual visual inspection. Manual diagnosis has the possibility to miss some section not checked, classification errors and subjectivity result. The classification process with AI will help the pathologist check faster, reduce the error level and eliminate the subjectivity. The proposed Method using adaptive thresholding method in whole slide image is to determine the area to be processed. And Convolution Neural Network (CNN) for image classification. Adaptive thresholding have ability to separating the blank slide area and tissue area. CNN is superior in image classification . Classification data for this thesis using 6 classification, five class normal cell and one tumor. Adaptive thresholding method in whole slide image can separate empty tissue and tissue with cell area. The result CNN Method for overall accuracy 86% and accuracy for tumor cell is 93%. Classification and staging result can be improved by improving dataset for training and developing, change the configuration of CNN architecture or adding new method.