Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Kecanggihan dalam bidang pengenalan wajah berbasis deep learning semakin berkembang dan telah menjadikannya salah satu teknik biometrik yang paling dapat diandalkan. Namun, penggunaan masker penutup mulut dan hidung akibat pandemi COVID-19 membuat model pengenalan wajah kehilangan sekitar setengah dari informasi biometrik yang berguna dan mengakibatkan penurunan tingkat akurasi. Penelitian ini bertujuan untuk mengajukan model pengenalan wajah bermasker alternatif berakurasi tinggi. Untuk mengembangkan Convolutional Neural Networks (CNNs) sebagai ekstraktor fitur dari pengenalan wajah bermasker, tiga hal yang paling berkontribusi ialah data latih yang besar, arsitektur jaringan dan fungsi kerugian (loss function). Model yang diajukan berasal dari hasil modifikasi arsitektur ResNet dengan menyisipkan blok RepMLP. Kemudian, membandingkan hasil pelatihan tersebut menggunakan fungsi kerugian terbaik saat ini, ArcFace loss dan CurricularFace loss. Model dilatih menggunakan data latih MS1M-V3. Model terbaik yang dapat diajukan dari penelitian ini berhasil memperoleh nilai akurasi 77,8% saat diuji menggunakan data MFR2. Nilai akurasi tersebut 2,3% lebih tinggi dibandingkan dengan model baseline (ResNet-50) yang digunakan dalam penelitian ini. Selain berhasil memperoleh nilai akurasi yang lebih baik, model yang dijukan memiliki jumlah parameter yang lebih sedikit dibandingkan model baseline. ......Sophistication in deep facial recognition is still growing and has made it one of the most reliable biometric techniques. However, using masks covering the mouth and nose due to the COVID-19 pandemic has caused facial recognition models lose about half of the useful biometric information and decreased the accuracy. This study aims to propose a high-accuracy alternative masked facial recognition model. The success of Convolutional Neural Networks (CNNs) on face recognition mainly contributed by enormous training data, network architectures, and loss functions. The proposed model comes from a modification of the ResNet architecture by inserting RepMLP blocks. Then, compares the training results using the current best loss function, ArcFace loss and CurricularFace loss. The model was trained using the MS1M-V3 training data. The best model that can be proposed from this study managed to obtain an accuracy value of 77.8% when tested using the MFR2 dataset. This accuracy value is 2.3% higher than the baseline model (ResNet-50) which used in this study. Besides being successful in obtaining better accuracy values, the proposed model has fewer parameters than the baseline model.

Abstrak :
Citra hiperspektral memiliki informasi dalam rentang spektrum yang luas melebihi rentang spektrum yang ada pada citra RGB sebagai citra yang umum digunakan sehari-hari saat ini. Informasi tersebut dapat dimanfaatkan dalam berbagai macam bidang; salah satunya adalah pengukuran kadar tertentu dalam suatu objek. Namun, kamera hiperspektral sebagai alat akuisisi citra memiliki kekurangan yaitu harganya yang mahal, tidak mudah dioperasikan, ukuran hasil citra yang besar, serta memerlukan teknik dan perangkat khusus saat mengakuisisi citra. Hal tersebut berbeda dengan kamera RGB yang memiliki harga yang jauh lebih murah, hasil citra berukuran kecil, serta mudah dioperasikan. Penelitian ini melakukan implementasi sistem rekonstruksi citra hiperspektral dari citra RGB berbasis convolutional neural network ResNet pada sistem prediksi kadar fenolik daun bisbul. Terdapat proses rekonstruksi citra hiperspektral dengan target jumlah bands sebanyak 224 pada rentang panjang gelombang 400 sampai 1000 nm. Penelitian ini menggunakan algoritma model ResNet untuk model rekonstruksi citra, serta algoritma model XGBoost untuk model prediksi kadar. Performa model yang dihasilkan dalam penelitian ini adalah RMSE sebesar 0,1129 dan MRAE sebesar 0,3187 untuk model rekonstruksi citra, serta RMSE sebesar 0,5798 dan MRAE sebesar 0,1431 untuk model prediksi kadar. Citra hiperspektral hasil rekonstruksi mampu menghasilkan pola spectral signature yang serupa dengan citra hiperspektral asli. ......Hyperspectral images have much information within their large spectrum area; larger than RGB images which are used daily nowadays. The information can be used in many applications; one of them is content measurement of an object. However, hyperspectral cameras as an image acquisition instrument have disadvantages, such as high cost, not easy to operate, large image results, and require additional equipment in its image acquisition. This is different from RGB cameras which have cheaper price, smaller in image size, and easier to operate. This study implemented a hyperspectral image reconstruction system from RGB images based on the ResNet convolutional neural network on the velvet apple leaf’s phenolic content prediction system. This study reconstructs hyperspectral images with a total target of 224 bands in the wavelength range of 400 to 1000 nm. This study uses the ResNet model algorithm for the image reconstruction model, and the XGBoost model algorithm for the content prediction. The performance of the model produced in this study is RMSE of 0.1129 and MRAE of 0.3187 for the image reconstruction model, as well as RMSE of 0.5798 and MRAE of 0.1431 for the content prediction model. The reconstructed hyperspectral image can produce the same spectral signature pattern as the original hyperspectral image.

Abstrak :
Turbiditas adalah salah satu ukuran yang sering digunakan untuk menilai kualitas air. Pengukuran turbiditas dapat dijadikan estimasi untuk mengetahui parameter fisis lain seperti zat padat tersuspensi total (TSS) atau parameter biologis seperti konsentrasi mikroorganisme. Beberapa penelitian telah mencoba menerapkan metode computer vision untuk memprediksi nilai turbiditas dari citra sebuah sampel air. Kebanyakan penelitian yang dilakukan masih menggunakan ekstraksi fitur secara manual sehingga diperlukan pengetahuan yang mencukupi terkait pengolahan citra dan pengukuran turbiditas. Pada penelitian ini dibuat sistem instrumentasi prediksi nilai turbiditas air berbasis pengolahan citra ponsel dengan ekstraksi fitur dan regresi oleh model deep convolutional neural network (DCNN). Penggunaan DCNN memungkinkan dilakukannya untuk melakukan ekstraksi fitur secara otomatis. Arsitektur DCNN yang digunakan yaitu ResNet-50 dan DenseNet-121. Efektivitas penerapan transfer learning berupa weight initialization pada DCNN juga ditinjau dalam kasus ini. Sampel yang digunakan pada penelitian ini berupa suspensi formazin dengan berbagai nilai turbiditas untuk pelatihan model dan beberapa sampel air untuk validasi model. Sampel disinari oleh LED di dalam kotak akuisisi yang dibuat untuk menampakkan fitur. Citra dari sampel diakuisisi menggunakan ponsel Samsung S20 FE dari dua sudut berbeda yaitu 0° (turbidimetry) dan 90° (nephelometry) terhadap sampel. Hasil terbaik pada penelitian ini diperoleh oleh Model ResNet-50 dengan transfer learning yang memperoleh MAE sebesar 2.44 untuk sampel formazin dan 7.31 untuk sampel air dengan citra turbidimetry. Hasil penelitian menunjukkan potensi menjanjikan penggunaan DCNN pada kasus regresi nilai turbiditas air untuk dikembangkan lebih lanjut. ......Turbidity is a measure that is often used to assess water quality. Turbidity measurements can be used as estimates to determine other physical parameters such as total suspended solids (TSS) or biological parameters such as the concentration of microorganisms. Several studies have tried to apply computer vision methods to predict the turbidity value from images of water samples. Most of the research conducted still uses manual feature extraction, hence sufficient knowledge regarding image processing and turbidity measurements is needed. In this study, an instrumentation system for predicting water turbidity values based on mobile phone images is made. The feature extraction and regression process are done using a deep convolutional neural network (DCNN) model. The use of DCNN allows it to perform feature extraction automatically. The DCNN architecture used is ResNet-50 and DenseNet-121. The effectiveness of implementing transfer learning in the form of weight initialization on DCNN is also reviewed in this study. The samples used in this study were formazine suspensions with various turbidity values for model training and several water samples for model validation. The sample is illuminated by an LED inside an acquisition box to reveal its features. The images of the samples were acquired using a Samsung S20 FE mobile phone from two different angles, namely 0° (turbidimetry) and 90° (nephelometry) to the sample. The best results in this study were obtained by the ResNet-50 model with transfer learning applied which obtained MAE values of 2.44 for formazine samples and 7.31 for water samples using turbidimetry images. The results show the promising potential for further development of DCNN usage in the case of water turbidity values regression.

Abstrak :
Pada era digital ini, teknologi informasi dan komunikasi berkembang pesat dan berpengaruh signifikan dalam berbagai aspek kehidupan, termasuk keamanan dan pengenalan identitas. Salah satu penerapan teknologi yang menonjol adalah sistem deteksi dan pengenalan wajah yang digunakan di berbagai tempat yang memerlukan keamanan ekstra. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dan pengenalan wajah menggunakan arsitektur ResNet dan perangkat ESP-32, dengan fokus pada implementasi dan evaluasi efektivitas sistem tersebut dalam meningkatkan keamanan. Metode yang digunakan dalam penelitian ini meliputi penggunaan ResNet-50 untuk pengenalan wajah dan Cascade Classifier untuk deteksi wajah. Data yang digunakan untuk pelatihan model diperoleh melalui proses augmentasi data untuk meningkatkan variasi dan jumlah sampel. Sistem ini diimplementasikan menggunakan perangkat keras ESP-32 dan perangkat lunak MATLAB, serta diuji pada lingkungan nyata untuk mengevaluasi kinerjanya. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu mendeteksi dan mengenali wajah dengan akurasi tinggi. Integrasi sistem dengan infrastruktur keamanan yang ada juga memungkinkan peningkatan perlindungan terhadap data dan perangkat keras. Dengan demikian, penelitian ini berhasil menunjukkan bahwa teknologi deteksi dan pengenalan wajah dapat memberikan solusi efektif untuk meningkatkan keamanan di berbagai tempat. ......In this digital era, information and communication technology has developed rapidly, significantly impacting various aspects of life, including security and identity recognition. One notable application of this technology is the facial detection and recognition system used in various high-security areas. This research aims to develop a facial detection and recognition system using ResNet architecture and ESP-32, focusing on the implementation and evaluation of the system's effectiveness in enhancing security. The methods used in this study include employing ResNet-50 for facial recognition and Cascade Classifier for facial detection. The data used for model training were obtained through data augmentation processes to increase the variation and number of samples. The system was implemented using ESP-32 hardware and MATLAB software, and tested in real-world environments to evaluate its performance. The results of the study indicate that the developed system can detect and recognize faces with high accuracy. The system's integration with existing security infrastructure also allows for enhanced protection of data and hardware. Thus, this research successfully demonstrates that facial detection and recognition technology can provide effective solutions for improving security in various locations.

Abstrak :
Pencitraan hiperspektral dapat diaplikasikan pada berbagai bidang. Salah satunya adalah pengukuran kadar suatu zat yang terkandung dalam suatu objek. Namun, pencitraan berbasis kamera hipespektral mempunyai kelemahan, yaitu mahal, besar, memerlukan perangkat keras tambahan yang kompleks, dan ukuran data citranya yang besar. Sebaliknya citra RGB memiliki perangkat yang jauh lebih sederhana, harga kamera yang lebih murah, dan ukuran data yang lebih kecil. Oleh karena itu, penelitian ini mengusulkan sistem prediksi kadar flavonoid dalam daun Bisbul (Diospyros discolor Willd.) menggunakan citra RGB yang direkonstruksi menjadi citra hiperspektral. Arsitektur model rekonstruksi yang diusulkan pada penelitian ini adalah U-ResNet, penggabungan arsitektur U-Net dengan Res-Net. Penelitian ini mencari arsiktektur rekonstruksi dan ukuran target yang optimal untuk melakukan rekonstruksi citra hiperspektral dan prediksi kadar. Setelah didapatkan arsitektur yang optimal, prediksi kadar flavonoid dilakukan menggunakan algoritma XGBoost dengan memvariasikan ukuran input sesuai hasil rekonstruksi. Hasil penelitian menunjukkan jumlah band sebanyak 224 dan rentang panjang gelombang 400-1000nm merupakan target rekontruksi yang optimal untuk sistem prediksi kadar flavonoid berbasis citra RGB. Sistem yang disarankan memiliki performa rekonstruksi RMSE sebesar 0,0961 dan MRAE sebesar 0,1955, serta performa prediksi kadar RMSE sebesar 29,818 dan MRAE sebesar 0,1080. Kesimpulannya, pengukuran kadar flavonoid dapat dilakukan menggunakan citra hiperspektral hasil rekonstruksi untuk menggantikan kamera hiperspektral. ......Hyperspectral imaging can be applied in various fields. One of them is the content measurement of a substance contained in an object. However, hyperspectral camera-based imaging has disadvantages, namely expensive, large, requires complex additional hardware, and large image data size. In contrast, RGB images have much simpler tools, cheaper cameras, and smaller data sizes. Therefore, this study proposes a prediction system for flavonoid content in Bisbul (Diospyros discolor Willd.) leaves using an RGB image reconstructed into a hyperspectral image. The architecture of the reconstruction model proposed in this research is U-ResNet, combining U-Net architecture with Res-Net. This research is looking for optimal reconstruction architecture and target size for hyperspectral image reconstruction and flavonoid content prediction. After obtaining the optimal architecture, the prediction of flavonoid content was carried out using the XGBoost algorithm by varying the input size according to the reconstruction results. The results showed that reconstruction target with 224 bands within of 400-1000nm wavelength range was the optimal reconstruction target for the RGB image-based flavonoid content prediction system. The recommended system has an RMSE reconstruction performance of 0.0961 and an MRAE of 0.1955, and an RMSE content prediction performance of 29.818 and an MRAE of 0.180. In conclusion, measurement of flavonoid content can be carried out using reconstructed hyperspectral images to replace hyperspectral cameras.

Abstrak :
Dengan beredarnya pandemi corona-virus (Covid-19) menuntut masyarakat untuk menjaga protokol kesehatan saat bepergian, salah satunya adalah menggunakan masker untuk mengurangi risiko terkena virus. Penggunaan masker juga disarankan oleh World Health Organization (WHO) agar digunakan saat beraktivitas dengan orang lain. Dengan mengacu hal tersebut, banyak perubahan yang terjadi pada teknologi yang digunakan sehari-hari, salah satunya adalah untuk sistem absensi. Apabila sebelum adanya Covid-19 absensi mahasiswa masih menggunakan buku tulis atau fingerprint, kini lebih baik beralih ke dalam sistem absensi berbasis face recognition dengan memanfaatkan salah satu algoritma deep learning, yaitu metode Convolutional Neural Network (CNN) untuk mengindentifikasi wajah seorang mahasiswa yang telah terdaftar. Dengan mengaplikasikan sistem absensi ini, memungkinkan mahasiswa untuk melakukan absensi tanpa terjadinya sentuhan langsung melalui media tangan. Bahasa pemrograman yang digunakan pada pengembangan aplikasi sistem absensi merupakan bahasa Python dengan implementasi Single Shot Detection (SSD) dan fitur ekstraksi ResNet. Evaluasi pengukuran pada sistem dilakukan pada situasi yang mempengaruhi kejelasan gambar dan model jumlah titik karakteristik yang berbeda. ......With the spread of the corona-virus (Covid-19) pandemic, it requires the public to maintain health protocols when traveling, one of them is to use masks to reduce the risk of infected the virus. The use of masks is also recommended by the World Health Organization (WHO) to be used when doing activities with other people. Because of this, many changes have occurred in the technology that used in daily, one of them is the attendance system. If before Covid-19 student attendance was still using notebooks or fingerprints, now it is better to switch to a face recognition-based attendance system by utilizing one of the algorithm deep learning, namely the Convolutional Neural Network (CNN) method to identify the face of a student who has been recorded in. By applying this attendance system, it allows students to take attendance without direct touch through hand media. The programming language used in making attendance system applications is Python with Single Shot Detection (SSD) implementation and ResNet extraction feature. Evaluation of measurements on the system is carried out on situations that affect image clarity and the model number of different characteristic points.

Abstrak :
Coronavirus Disease 2019 (COVID-19) merupakan sebuah penyakit yang disebabkan oleh novel coronavirus SARS-CoV-2. Penyakit yang berasal dari Provinsi Hubei di China ini sudah menyebar ke seluruh dunia, menjangkiti banyak hingga seluruh negara di dunia. Sudah menginfeksi kurang lebih 400 juta jiwa di seluruh dunia pada pertengahan kuartal pertama tahun 2022. Mencegah penyebaran COVID-19 merupakan tindakan yang harus segera dilakukan, salah satu caranya adalah dengan pendeteksian sedini mungkin. Pendeteksian COVID-19 selain menggunakan metode kedokteran, dapat dipertimbangkan mengenai penggunaan artificial intelligence. Penelitian mengenai metode pendeteksian COVID-19 menggunakan citra X-Ray yang telah dilakukan oleh Dhita menuai hasil yang cukup sukses. Menambahkan penelitian tersebut, kami melakukan metode pendeteksian menggunakan citra CT Scan. Beberapa penelitian mengenai pendeteksian COVID-19 menggunakan citra CT Scan seperti Tang et al. meneliti mengenai segmentasi citra CT Scan terhadap daerah local lesi terindikasi COVID-19 atau Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei juga melakukan penelitian sebelumnya mengenai pengklasifikasian pasien COVID-19 menggunakan citra CT Scan dengan mendapatkan hasil 90% akurasi dengan menggunakan metode FPN. ......Coronavirus Disease 2019 (COVID-19) is a disease caused by the novel coronavirus SARS-CoV-2. This disease which originates from the Hubei Province in China has already spread throughout the world, reaching many if not all countries in the world. There have been more than 400 million people infected across the globe as of the first quarter of 2022. Prevention of the spreading of the disease is very important, and one of the best ways to do so is to detect its infection as soon as possible. Aside from asking a doctor, the task of detecting COVID-19 using artificial intelligence has been considered. The research done by Dhita to detect COVID-19 using X-ray images has been seen as a success. Adding to that, we attempt to detect COVID-19 using CT Scan images. A couple research papers about detecting COVID-19 using CT Scan images such as the ones done by Tang et al. tried to segment CT Scan images related to the lesions that indicate COVID-19 or Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei also conducted research related to classifying COVID-19 patients using CT Scan images and found success at 90% accuracy with an FPN model.

Abstrak :
Pneumonia adalah penyakit pada organ pernafasan manusia. Pneumonia disebabkan oleh bakteri, virus, atau jamur, yang menyebabkan alveolus pada paru-paru terisi oleh cairan. Ada beberapa cara untuk pendeteksian pneumonia, dan salah satunya adalah dengan menggunakan pemotretan x-ray ke dada pasien. Melalui beberapa studi, penggunaan pemrosesan gambar pada gambar x-ray dada pasien dengan algoritma Convolutional Neural Network (CNN) telah mendapatkan hasil yang cukup baik untuk mendeteksi pneumonia. Dengan studi terdahulu sebagai acuan, penelitian ini melakukan klasifikasi pneumonia melalui gambar x-ray menjadi positif dan negatif, serta melakukan klasifikasi lebih lanjut dari pneumonia positif untuk membedakan pneumonia yang disebabkan oleh bakteri dan oleh virus. Penelitian juga berfokus untuk mencari metode pengoptimalan transfer learning terbaik menggunakan pretrained CNN model Residual Nework (ResNet) dengan jenis ResNet18, ResNet50, dan ResNet101. Metode dengan hasil terbesar dari penelitian adalah penerapan dropout dan augmentasi data sekaligus pada ResNet50 yang mendapatkan akurasi 91% untuk klasifikasi dua kelas 88,03% untuk klasifikasi tiga kelas. ......Pneumonia is a respiratory disease that could be caused by bacteria, virus, or fungus. Some of the proven method to detect pneumonia is through x-ray imaging of a person respiratory system. Studies of x-ray images processing using Convolutional Neural Network (CNN) has been conducted before with a good performance result. This research will use preceding studies as reference to classify x-ray image into positive or negative pneumonia, and further will classify the positive result into bacterial infection or viral infection. This research also focused on finding the best optimization transfer learning method to be used on pretrained CNN model ResNet. The best optimization result is to apply data augmentation to dataset and apply dropout layer in the CNN layer using ResNet50, with accuracy of 91% for 2-Class training and 88,03% for 3-Class training.