Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Secara visual, sulit untuk membedakan antara perokok dan bukan perokok bahkan untuk dokter atau dokter gigi yang berpengalaman. Salah satu cara yang paling obyektif untuk mengenali lidah perokok adalah dengan menggunakan alat seperti kamera. Penelitian yang relevan menemukan bahwa kelainan pada permukaan lidah dapat ditangkap oleh kamera HS pada rentang spektrum 650 - 900 nm. Sistem yang diusulkan terdiri dari dua bagian, perangkat keras dan perangkat lunak. Perangkat keras terdiri dari rangka aluminium, slider, sebuah sumber cahaya halogen dan kamera HS dengan rentang spektral antara 400-1000 nm yang terhubung ke komputer. Sistem dilengkapi oleh perangkat lunak pengolah citra hiperspektral yang dirancang untuk mendeteksi lidah perokok. Nilai reflektansi permukaan lidah diekstraksi dari citra lidah responden yang sebelumnya dikoreksi dengan menggunakan referensi citra hiperspektral gelap dan terang. Merata-ratakan data reflektansi spektral disetiap region lidah dilakukan untuk mengubah fitur yang ada menjadi ruang dimensi yang lebih kecil. Principal Component Analysis PCA digunakan untuk menghitung dan memilih subset fitur yang akan digunakan sebagai input oleh pengklasifikasi. Support vector machine SVM digunakan sebagai model klasifikasi citra karena kinerjanya sangat baik untuk memilih separator hyperplane terbaik di antara dua kelas yang berbeda. Sejumlah sampel citra lidah diakuisisi, diolah dan diklasifikasikan sebagai lidah perokok dan bukan perokok oleh sebuah sistem pengukuran hiperspektral. Evaluasi hasil sistem diperiksa menggunkan confusion matriks dengan menjadikan false positive rate FPR , false negative rate FNR , sensitivity dan specificity sebagai parameter kehandalan sistem. Validasi terhadap hasil pengukuran dilakukan menggunakan metode k-fold cross validation dengan rata-rata error klasifikasi SVM sebagai parameter akurasi sistem prediksi. Sistem deteksi perokok untuk mengidentifikasi smoker rsquo;s melanosis ini berhasil mengklasifikasi lidah perokok dan bukan perokok dengan akurasi yang baik.Kata kunci: Hiperspektral, SVM, Fingerprint, Lidah, Perokok.

---

ABSTRACT
Visually, it is difficult to diffrentiate between smoker and non smoker tongue even for an experienced doctor or dentist. One of the most objective way to acknowledge the smoker tongue is by using tools such as camera. The relevant research found that lession on tongue surface possible to be captured by hiperspektral camera in spectral range 650 ndash 900 nm. The proposed system contains of two parts, hardware and software. The hardware consists of workbench, slider, a halogen light source and hyperspectral camera with spectral range between 400 1000 nm connected to personal computer. The system complemented with hiperspektral image processing software built up especially to analyse the smoker tongue. The reflectance values of tongue surface was extracted from respondent tongue image that previously corrected using white and dark hiperspektral image references. Averaging all of spectral data have been done to transform the existing features into a lower dimensional space. The principal component analysis PCA was used to compute and select the features subset which will be used as an input by the classifier. The support vector machine SVM classifier is used as image classification model since it perform excellent to choose the best hyperplane separator between two difference classes. A number of samples of the tongue image were acquired, processed and classified as smokers and non smokers tongue by a hyperspectral measurement system. The evaluation of system result is checked using confusion matrix by making false positive rate FPR , false negative rate FNR , sensitivity and specificity as system reliability parameters. Validation of the measurement results was done using k fold cross validation method with average error classification SVM as parameter of system prediction accuration. Smoker detection system to identify smoker rsquo s melanosis is successfully classify the tongue of smokers and non smokers with good accuracy.Keywords Hiperspektral, Reflectance, Smoker, Tongue, Diagnosis, SVM, PCA

Abstrak :
Identifikasi jenis material atap bangunan sangat dilakukan untuk bermacam pemanfaatan dari pemodelan cuaca mikro hingga analisis resiko bencana. Penelitian identifikasi jenis material atap bangunan telah dilakukan dengan menggunakan data hiperspektral, data lapangan, laboratorium serta data satelit penginderaan jauh masih memerlukan peningkatan akurasi. Penelitian ini bertujuan untuk mengembangkan metode spektroskopi reflektansi menggunakan kombinasi kanal spektral pada fusi data satelit penginderaan jauh resolusi resolusi spasial sangat tinggi (50 cm) dengan menerapkan koreksi spekular, masking vegetasi serta machine learning Random Forest untuk meningkatkan akurasi identifikasi jenis material atap bangunan. Metode yang dikembangkan menghasilkan akurasi untuk material aluminium, asbes, keramik, beton, genteng pasir besi dengan akurasi total 97.48% dengan nilai Kappa 0,958. Fusi data Pleiades dan Landsat-8 dilakukan untuk memperoleh data SWIR dengan panjang gelombang 2107–2294 nm dan resolusi spasial 50 cm untuk analisis spektral, sehingga identifikasi jenis material atap bangunan asbes dapat diidentifikasi dengan akurasi 95%. Koreksi spekular dan masking vegetasi meningkatkan akurasi identifikasi jenis material atap bangunan 8-12% sebagai perbaikan koreksi radiometrik dalam pengolahan data resolusi sangat tinggi. ......Identification of the type of building roof material is widely used for various application from micro weather modeling to disaster risk analysis. Research on the identification of the type of building roof material has been carried out using hyperspectral data, field data, laboratories and remote sensing satellite data still requires increased accuracy. This study aims to develop method spectroscopy reflectance using a spectral channel combination on remote sensing satellite data fusion with very high spatial resolution (50 cm) by applying specular correction, vegetation masking and Random Forest machine learning to improve the accuracy of identifying the type of building roof material. The developed method produces accuracy for aluminum, asbestos, ceramic, concrete, iron sand tiles with a total accuracy of 97.48% with a Kappa value of 0.958. Pleiades and Landsat-8 data fusion was carried out to obtain SWIR data with a wavelength of 2107–2294 nm and a spatial resolution of 50 cm for spectral analysis, so that the identification of the type of asbestos roof material can be identified with an accuracy of 95%. Specular correction and vegetation masking increase the accuracy of identifying the type of building roof material by 8-12% as an improvement in radiometric correction in very high spatial resolution (50 cm) data processing.

Abstrak :
Transmitansi dan reflektansi merupakan dua metode pengukuran yang umum digunakan untuk melakukan investigasi terhadap sifat kimia zat cair berdasarkan spektrum optis. Dalam kasus karakterisasi madu, penelitian ini dilakukan untuk menunjukkan perbandingan dari kedua metode pengukuran tersebut pada prediksi parameter kualitas madu seperti Total Soluble Solids (TSS), pH, dan Electrical Conductivity (EC) berdasarkan sistem pencitraan hiperspektral. Sistem terdiri atas kamera hiperspektral SPECIM FX10 dengan 224 kanal (400-1000 nm), tiga buah lampu halogen 150 W, sebuah kotak diffuser cahaya, sebuah slider bermotor, dan sebuah PC. Kemudian, algoritma Partial Least Square-Support Vector Regression (PLS-SVR) dengan Gaussian Kernel untuk memprediksi nilai referensi berdasarkan spektrum transmitansi dan reflektansi yang telah didapatkan. Performa dari setiap metode diuji dengan tenfold Cross Validation, yang akan mengelompokkan data menjadi 10 partisi. Sampel diperoleh dari 30 varian madu dengan warna yang bervariasi, ditempatkan pada cawan Petri berdiameter 5 cm dengan volume 5 mL. Performa dari setiap metode diukur berdasarkan nilai koefisien determinasi R2 dan Root Mean Square Error (RMSE). Evaluasi model yang diperoleh dari metode transmitansi menghasilkan R2 sebesar 0,75, 0,87, dan 0,83, RMSE sebesar 3,62, 0,03, dan 0,01 untuk prediksi nilai TSS, pH, dan EC berdasarkan testing data. Untuk prediksi parameter yang sama, metode reflektansi menghasilkan R2 sebesar 0,82, 0,91, dan 0,94, RMSPE dan 2,72, 0,02, and 4,98×10-3 berdasarkan testing data. Pada penelitian ini, metode reflektansi memiliki kinerja yang lebih baik daripada metode transmitansi dalam prediksi parameter kualitas madu. ...... Transmittance and reflectance modes are the two most common measurement methods used for investigating liquid chemical properties based on optical spectrum. In the case of honey characterization, this research performed to show a comparison between both measurement methods to predict honey quality parameters, such as Total Soluble Solids (TSS), pH, and Electrical Conductivity (EC) based on the Vis-NIR hyperspectral imaging system. The system consists of Specim FX10 hyperspectral camera with 224 bands (400-1000 nm), three 150 W halogen lamps, a light diffuser box, a motorized slider, and a PC. Then, Partial Least Square-Support Vector Regression (PLS-SVR) with Gaussian Kernel algorithm applied to predict reference values based on the acquired transmittance and reflectance spectrum. Performance of each method tested by tenfold Cross Validation, which randomly grouping the dataset into ten partitions. Samples is obtained from 30 different honey variant with varied colors, placed in 5 cm diameter Petri dishes at 5 mL volume. Performance of each tmethod measured by coefficient of determination R2 and a Root Mean Square Error (RMSE) score. Model evaluation of transmittance mode results in R2 of 0.75, 0.87, and 0.83, RMSE of 3.62, 0.03, and 0.01 for TSS content pH, and EC prediction based on testing data. For similar predicted parameters, reflectance mode results in R2 of 0.82, 0.91, and 0.94, RMSPE of 2.72, 0.02, and 4,98×10-3 based on testing data. In this research, reflectance mode performs better than transmittance mode in the prediction of honey quality parameters.

Abstrak :
Eye strain, atau asthenopia, merupakan suatu kondisi di mana mata mengalami ketegangan akibat terlalu sering digunakan dalam waktu yang lama, terutama pada aktivitas yang melibatkan penggunaan komputer. NIOSH menyebutkan bahwa sekitar 75 – 90% pengguna komputer yang menghabiskan waktu selama tiga jam atau lebih mengeluhkan gangguan penglihatan. Sebuah studi oleh Kowalska et al (2011) terhadap pekerja kantoran yang menggunakan komputer secara intens menyebutkan bahwa prevalensi eye strain pada pekerja wanita sebesar 50,7% dan pada pria sebesar 32,6%. Penelitian ini bertujuan untuk mengetahui hubungan antara tingkat pencahayaan, reflektansi, dan kekontrasan area kerja terhadap keluhan eye strain pada karyawan office di PT. X. Penelitian dilakukan dari April – Juni 2023 dengan total sampel sebanyak 134 orang secara simple random sampling. Desain penelitian yang digunakan yaitu cross- sectional serta pengambilan data dilakukan dengan menyebarkan kuesioner, yang diadopsi dari Haeny (2009) dan Ramadhani (2012), dan pengukuran langsung menggunakan lux meter. Adapun variabel independen yang diteliti yaitu tingkat pencahayaan, reflektansi, kekontrasan area kerja, durasi kerja, usia, gangguan penglihatan, dan riwayat gangguan kesehatan mata sedangkan variabel dependennya yaitu keluhan eye strain. Hasil uji analisis univariat menunjukkan bahwa terdapat 113 orang karyawan (84,3%) mengalami keluhan eye strain dengan gejala yang paling sering dirasakan yaitu terasa tegang di bagian leher dan bahu (43,3%) dan gejala yang paling jarang dirasakan yaitu terasa nyeri di bagian kelopak mata (8,2%). Sementara, dari hasil uji analisis bivariat menunjukkan bahwa terdapat hubungan antara tingkat pencahayaan (p-value = 0,000), reflektansi (p-value = 0,001), kontras area kerja (p-value = 0,027), durasi kerja (p-value = 0,000), dan usia (p-value = 0,022), namun tidak terdapat hubungan antara gangguan penglihatan (p-value = 0,749) dan riwayat gangguan kesehatan mata (p- value = 0,918) terhadap keluhan eye strain. ......Eye strain, or asthenopia, is a condition where the eyes are strained due to prolonged overuse, especially in computer-based activities. NIOSH states that about 75 - 90% of computer users who spend three hours or more complaining of visual impairment. A study by Kowalska et al (2011) on office workers who use computers intensely stated that the prevalence of eye strain in female workers was 50,7% and in men was 32,6%. This study aims to determine the relationship between illuminance, reflectance, and work area contrast on eye strain complaints in office employees at PT. X. This research was conducted from April - June 2023 with a total sample of 134 employees by simple random sampling. The design used in this research is cross-sectional and data collection is carried out by distributing questionnaires, which were adopted from Haeny (2009) and Ramadhani (2012), and direct measurements using a lux meter. The independent variables included illuminance, reflectance, work area contrast, work duration, age, visual impairment, and history of eye health problems related to eye strain complaints as the dependent variable in this research. Results showed that there were 113 employees (84,3%) complaining of eye strain with the most common symptom felt by them was tension in the neck and shoulders (43,3%) and the least common symptom was pain in the eyelids (8,2%). While, the results of bivariate analysis showed that there was a relationship between illuminance (p-value = 0,000), reflectance (p-value = 0,001), work area contrast (p-value = 0,027), work duration (p-value = 0,000), and age (p-value = 0,022), but there was no relationship between visual impairment (p-value = 0,749) and history of eye health problems (p-value = 0,918) to eye strain complaints.

Abstrak :
Kanker kolorektal terus menyumbang jumlah kasus kanker dan kematian yang tinggi setiap tahunnya. Salah satu metode diagnosis progresi kanker ini adalah dengan interpretasi biopsi dari ahli patologi anatomi. Akan tetapi, seringkali terjadi misinterpretasi antar patolog karena lesinya yang kurang spesifik. Maka dari itu, perlunya ada alat bantu yang dapat menunjang pekerjaan ahli patologi anatomi dalam menginterpretasi progresi kanker kolorektal. Penelitian ini bertujuan untuk melihat kemampuan spektrofotometer untuk mengklasifikasikan jaringan kolorektal mencit. Data jaringan mencit yang sudah diklasifikasikan menurut ahli PA diuji menggunakan cahaya tampak dan akan dibaca oleh spektrofotometer reflektansi. Hasil dari spektrofotometer kemudian akan dibaca oleh Theremino Spectrophotometer. Semua data kemudian diuji normalitas menggunakan uji Saphiro Wilk, dilanjutkan dengan uji ANOVA atau Kruskal-Wallis, kemudian uji Post Hoc atau Mann-Whitney. Data juga dianalisis menggunakan supervised dan unsupervised machine learning. Dari uji hipotesis hanya didapatkan 2 panjang gelombang yang dapat membedakan jaringan normal dan prekanker secara signifikan (696,7 dan 699.8 nm). Sedangkan yang lainnya kurang dapat membedakan jaringan normal, radang, dan prekanker. Hasil dari machine learning menunjukkan sensitivitas, spesifisitas, AUC, akurasi, dan presisi yang rendah. Maka dari itu, dapat disimpulkan dari penelitian ini bahwa metode spektrofotometri reflektans cahaya tampak kurang cocok digunakan untuk membedakan jaringan kolon normal, radang, dan prekanker pada sediaan preparat mencit. ......Colorectal cancer continues to account for a high number of cancer cases and deaths every year. The gold standard of diagnosing this cancer progression is by interpretation of a biopsy from an anatomical pathologist. However, there is often misinterpretation among pathologists due to their unspesific lesions. Therefore, it is required to have a tool that can support the work of anatomical pathologists in interpreting the progression of colorectal cancer. This study aims to see the ability of the spectrophotometer to classify the colorectal tissue of mice. Mice tissue data that has been classified according to PA experts was tested using visible light and would be read by a reflectance spectrophotometer. The results of the spectrophotometer will then be read by the Theremino Spectrophotometer. All data were then tested for normality using the Saphiro Wilk test, followed by the ANOVA or Kruskal-Wallis test, then the Post Hoc or Mann-Whitney test. Data were also analyzed using supervised and unsupervised machine learning. From the hypothesis test, only 2 wavelengths were found that could significantly differentiate normal and precancerous tissue (696.7 and 699.8 nm). While others are less able to distinguish normal, inflammatory, and precancerous tissue. The results from machine learning show low sensitivity, specificity, AUC, accuracy, and precision to distinguish between the three categories. Therefore, it can be concluded from this research that the visible light reflectance spectrophotometric method is not suitable for distinguishing normal, inflammatory, and precancerous colonic tissue in mice preparations.

Abstrak :
Penelitian baru-baru ini yang menggunakan mikroskopi pump-probe pada material Sr$_{1-y}$NbO$_{3+\delta}$ menunjukkan kemampuan optical-switching yang mengarah kepada reduksi reflektansi hingga mendekati 100 %. Pada studi ini, kami mengajukan model sederhana untuk menjelaskan fenomena ini. Kami berhipotesis bahwa reduksi reflektansi ini disebabkan oleh efek korelasi yang muncul akibat interaksi elektron-elektron seiring dengan berkurangnya pengisian elektron pada pita konduksi karena tereksitasi ke pita yang lebih tinggi sepanjang waktu pump-ON. Di sini, kami memodelkan sistem material menggunakan model Hubbard satu-dimensi. Model ini kemudian diselesaikan dengan menggunakan metode fungsi Green dalam teori iterasi perturbasi termodifikasi (MIPT) untuk mempertahankan ketergantungan terhadap frekuensi pada self-energy. Hal ini penting karena self-energy ini memanifestasi hamburan elektron-elektron yang merupakan proses dinamis. Fungsi Green self-consistent yang diperoleh kemudian digunakan untuk menghitung fungsi respon optis dan reflektansi sebagai fungsi frekuensi foton. Terakhir, kami menampilkan nilai reflektansi pada frekuensi probe sebagai fungsi waktu dan membandingkannya dengan data eksperimen.

---

A recent experimental study of pump-probe microscopy on material Sr$_{1-y}$NbO$_{3+\delta}$ shows an optical switching that leads to the reflectance reduction up to nearly 100 %. In this study, we propose a simple model to explain this phenomenon. We hypothesize that the reflectance reduction is caused by correlation effects arising from the electron-electron interaction accompanying the decrease of electron filling in conduction band as the electrons are excited to the higher band during pump-ON period. Here, we model the system using the one-dimensional Hubbard model. We solve this model using Green function method within modified iterated perturbation theory (MIPT) to retain the frequency dependence in the self energy. This is important since the self energy manifests the electron-electron scattering which is a dynamical process. The obtained self-consistent Green function is then used further to calculate the optical response function and the reflectance as a function of photon frequency. Finally, we plot the reflectance value at the probe frequency as a function of time and compare it to the experimental data.

Abstrak :
This book focuses on the use and significance of in vivo reflectance confocal microscopy (RCM) for non-invasive high-resolution imaging of the skin. All of the chapters in this hands-on guide are generously illustrated with numerous confocal images and structured in a reader-friendly way. The contents include detailed information on the most relevant and up-to-date aspects of RCM, schematic drawings summarizing and explaining the most important RCM criteria, and a chapter specifically devoted to bridging the gap between dermoscopy, RCM, and histopathology. At the end of each chapter, core messages recapitulate the most pertinent aspects. Reflectance confocal microscopy for skin diseases will be a valuable resource for all physicians involved in the diagnosis and treatment of neoplastic and inflammatory skin diseases.

Abstrak :
ABSTRAK
Identifikasi lapisan lilin pada buah sangat sulit dilakukan tanpa adanya suatu sistem yang bersifat non-destruktif. Pada umumnya, dilakukan metode yang bersifat destruktif untuk mengetahui ada atau tidaknya suatu lapisan pada buah, seperti merendam buah pada air panas, menggunakan campuran cuka dengan air, atau campuran soda kue dengan air. Adapun metode destruktif lainnya yang menggunakan instrumentasi kromatografi gas, dimana proses ini membutuhkan waktu yang lama dan pengoperasian yang sulit. Citra VNIR menjadi metode terbaru untuk mengatasi masalah tersebut karena metode ini bersifat non-destruktif dan lebih mudah untuk dioperasikan. Dalam penelitian ini, sistem identifikasi ada atau tidaknya lapisan lilin pada buah apel berhasil dibuat. Proses dimulai melalui akuisisi citra, koreksi citra, object detection, window averaging, model klasifikasi, hingga mendapatkan status pelapisan (coating status). Citra diakuisisi pada rentang panjang gelombang 400 hingga 100 nm. Profil reflektansi yang didapat, selanjutnya dikomparasikan antara satu kelas dengan kelas lainnya, sehingga terlihat perbedaan yang mencolok diantara keduanya. Selanjutnya, model akan diuji dan dievaluasi menggunakan data referensi yang merupakan hasil klasifikasi secara manual. Pembuatan dan pengujian model dilakukan melalui proses traning dan testing data. Pada penelitian ini, digunakan beberapa model klasifikasi yang dibuat berdasarkan profil reflektansi dari setiap citra yang telah diakuisisi. Hasil akurasi model melalui evaluasi confusion matrix didapat sebesar 70,83% untuk model PCA-SVM, 95,42% untuk model DT, dan 98,33% untuk model RF.

---

ABSTRACT
Wax coating identification on fruits is very difficult without a non-destructive system. In general, destructive methods were used to find out whether or not there are coatings on fruit, such as soaking fruit in hot water, using a mixture of vinegar and water, or baking soda and water. There are other destructive methods using instrumentation like gas chromatography, where this process takes much time and difficult to operate. VNIR imaging becomes the latest method to overcome this problem because this method is non-destructive and easier to operate. In this study, identification system for the presence or absence of wax coating on apples has been successfully made. The process starts through image acquisition, image correction, object detection, window averaging, classification model, until we got the coating status. The image was acquired on a wavelength range from 400 to 1000 nm. The reflectance profile is obtained, then it is compared between one class and the other class, until there is a noticable difference between the two. Next, the model will be tested and evaluated using reference data which is the result of manual classification. The making and testing of the model was done through the process of data training and data testing. In this study, several classifications models were made based on the reflectance profile of each acquired image. The accuracy of the model through confusion matrix evaluatin were 70.83% for the PCA-SVM model, 95.42% for the DT model, and 98.33% for the RF model.