Hasil Pencarian  ::  Simpan CSV :: Kembali

"Retinopati diabetik merupakan salah satu bentuk komplikasi diabetes melitus yang diekspresikan dengan adanya kerusakan pada pembuluh darah retina mata. Pada tahap awal, retinopati diabetik seringkali tidak menimbulkan gejala atau hanya menimbulkan gejala yang ringan. Namun, jika tidak mendapatkan penanganan yang baik, retinopati diabetik dapat menyebabkan kebutaan. Maka dari itu, akses skrining yang terjangkau menjadi esensial untuk mencegah efek jangka panjang dari penyakit ini. Penelitian ini berfokus pada pengembangan sistem deteksi retinopati diabetik berbasis deep learning yang bertujuan untuk meningkatkan aksesibilitas terhadap skrining retinopati diabetik. Model deteksi yang dibuat dalam penelitian ini yaitu model model berbasis Vision Transformer (ViT) B32 yang dibandingkan performanya dengan model convolutional neural network (CNN) berarsitektur DenseNet-121 dan. Model DenseNet-121 yang dilatih menggunakan gambar yang di-pre-process dengan teknik Ben Graham dan datanya di upsample memiliki performa terbaik dibandingkan teknik lainnya yang diteliti penelitian ini. Teknik pre-processing yang menghasilkan model CNN terbaik itu kemudian diimplementasikan pada model ViT untuk dibandingkan. Selain mengungguli model CNN, model ViT juga berhasil mengungguli model state of the art yang ada dengan nilai accuracy, precision, recall, dan f1-score masing-masing senilai 96%. Model ViT ini kemudian diintegrasikan dengan graphical user interface (GUI) untuk memudahkan dokter dalam memanfaatkan model yang diusulkan untuk skrining retinopati diabetik.

---

Diabetic retinopathy is a complication of diabetes mellitus characterized by damage to the blood vessels of the retina. In its early stages, diabetic retinopathy often does not present symptoms or only causes mild symptoms. However, without proper treatment, diabetic retinopathy can lead to blindness. Therefore, affordable screening access is essential to prevent the long-term effects of this disease. This research focuses on the development of a deep learning-based detection system for diabetic retinopathy, aiming to enhance the accessibility of diabetic retinopathy screening. The detection model developed in this study is based on the Vision Transformer (ViT) B32 model, and its performance is compared with the DenseNet-121 convolutional neural network (CNN) architecture. The DenseNet-121 model, trained using images pre-processed with the Ben Graham technique and upsampled data, showed the best performance compared to other techniques investigated in this study. The pre-processing technique that yielded the best CNN model was then implemented on the ViT model for comparison. In addition to outperforming the CNN model, the ViT model also surpassed the existing state-of-the-art models with an accuracy, precision, recall, and F1-score of 96% each. This ViT model was subsequently integrated with a graphical user interface (GUI) to facilitate doctors in utilizing the proposed model for diabetic retinopathy screening."

"Pertanian memberikan kontribusi penting bagi perekonomian Indonesia sebagai salah satu sektor penyumbang PDB dan penyerapan tenaga kerja terbesar di Indonesia. Namun kontribusi yang besar dari sisi makro juga tidak memberikan kontribusi yang besar dari sisi mikro. Banyak keluarga petani masih bergantung pada sektor non pertanian untuk memenuhi kebutuhannya. Sangat sedikit penelitian tentang dampak pendapatan non-pertanian terhadap kegiatan pertanian, khususnya di Indonesia. Oleh karena itu, penelitian ini bertujuan untuk mengetahui bagaimana pengaruh pendapatan non pertanian terhadap produktivitas dan pembelian input pertanian. Dengan menggunakan metode two-stage least square (2SLS), dimana akses air leding dan kepemilikan kendaraan bermotor dimasukkan sebagai variabel instrumen, penelitian ini menemukan bahwa pendapatan dan partisipasi di sektor non pertanian mampu meningkatkan produktivitas dan pembelian kendaraan bermotor. input pertanian pada keluarga petani padi sawah. di Indonesia. Hal ini menegaskan pentingnya pengembangan sektor non pertanian bagi petani, selain sebagai sumber pendapatan, juga mampu mendukung sektor pertanian.

---

Agriculture provides an important contribution to the Indonesian economy as one of the sectors contributing to GDP and the largest employment in Indonesia. However, the big contribution from the macro side also did not make a big contribution from the micro side. Many farming families still depend on the non-agricultural sector to meet their needs. There has been very little research on the impact of non-agricultural incomes on agricultural activities, particularly in Indonesia. Therefore, this study aims to determine how non-agricultural income affects productivity and agricultural input purchases. By using the two-stage least square (2SLS) method, where access to piped water and ownership of motorized vehicles were included as instrument variables, this study found that income and participation in the non-agricultural sector were able to increase productivity and purchase of motorized vehicles. agricultural input in lowland rice farmer families. in Indonesia. This emphasizes the importance of developing the non-agricultural sector for farmers, apart from being a source of income, also being able to support the agricultural sector."

"Berdasarkan Global Cancer Observatory (GLOBOCAN), tumor otak diestimasikan berada di urutan ke-19 sebagai tumor yang paling umum terjadi dan ke-12 sebagai penyebab utama kematian akibat kanker di dunia pada tahun 2020. Walaupun begitu, informasi terkait epidemiologi tumor otak di Indonesia masih sangat terbatas. Belum diwajibkannya pendataan kasus tumor di Indonesia merupakan salah satu alasannya. Tumor otak dapat dideteksi menggunakan pencitraan medis, seperti computed tomography (CT) scan dan magnetic resonance imaging (MRI). Deteksi dini tumor otak merupakan hal yang penting karena dapat meningkatkan tingkat keberlangsungan hidup dari pasien. Saat ini, banyak perkembangan teknologi yang dapat dimanfaatkan untuk membantu kehidupan manusia, salah satunya adalah deep learning (DL). Akan tetapi, data medis merupakan data yang sensitif, sehingga menjadi salah satu tantangan dalam penerapan DL di bidang kesehatan. Untuk mengatasi privasi dan keterbatasan data, terdapat metode federated learning (FL) yang memungkinkan untuk dilakukannya pelatihan data lokal pada klien tanpa menyebarkan data klien tersebut. Pada penelitian ini, akan dibentuk simulasi klasifikasi tumor otak menggunakan DL berbasis FL. Tujuan utama dari penelitian ini adalah untuk menganalisis performa model yang dihasilkan dari federated learning dan membandingkannya dengan metode training konvensional. Terdapat empat cycle data dengan tiga cycle berasal dari dataset pertama (M. Nickparvar) dan satu cycle dari dataset kedua (J. Cheng). Hasil akurasi dan F1-score tertinggi dari simulasi federated didapatkan pada epoch (jumlah putaran pelatihan data pada tiap klien) 15 dan round (jumlah putaran mulai dari tahap pembagian parameter model global kepada klien sampai dengan agregasi model) 15, yaitu 0.8375 dan 0.8384 (cycle 1), 0.7625 dan 0.7567 (cycle 2), 0.8375 dan 0.8308 (cycle 3), serta 0.7333 dan 0.7255 (dataset 2). Hasil akurasi dan F1-score tertinggi dari simulasi standard pelatihan lokal pada tiap cycle adalah 0.75 dan 0.7568 (cycle 1), 0.6875 dan 0.6677 (cycle 2), 0.675 dan 0.6744 (cycle 3), serta 0.7222 dan 0.7085 (dataset 2). Hasil akurasi dan F1-score tertinggi dari simulasi standard pelatihan all data pada tiap cycle adalah 0.7625 dan 0.7644 (cycle 1), 0.6875 dan 0.6723 (cycle 2), 0.775 dan 0.7766 (cycle 3), serta 0.6 dan 0.5355 (dataset 2). Berdasarkan pengujian hasil simulasi, korelasi epoch dan round terhadap performa model signifikan pada dataset kedua (Pacc-epoch = 0.019; PF1-epoch = 0.006; Pacc-round = 0.008; PF1-round = 0.025), tetapi hanya korelasi round yang signifikan pada dataset pertama (cycle 1 Pacc-round < 0.001 dan PF1-round < 0.001; cycle 2 Pacc-round = 0.004 dan PF1-round = 0.003; cycle 3 Pacc-round < 0.001 dan PF1-round < 0.001). Selain itu, performa model global hasil federated learning lebih baik daripada performa model lokal dan model pelatihan standard. Tidak ditemukan perbedaan signifikan antara performa model dataset pertama dengan cycle yang berbeda (Pacc between cycles = 0.679; PF1 between cycles = 0.770) serta tidak ditemukan juga perbedaan signifikan antara performa model dataset pertama dan kedua (Pacc cycle 1-dataset 2 = 0.103; Pacc cycle 2-dataset 2 = 0.334; Pacc cycle 3-dataset 2 = 0.103; PF1 cycle 1-dataset 2 = 0.140; PF1 cycle 2-dataset 2 = 0.120; Pacc cycle 3-dataset 2 = 0.140).

---

Based on the Global Cancer Observatory (GLOBOCAN), brain tumors are estimated to rank 19th among the most common tumors and 12th as the leading cause of cancer-related deaths worldwide in 2020. However, information regarding the epidemiology of brain tumors in Indonesia remains very limited. One reason is that case registration for tumors is not yet mandatory in Indonesia. Brain tumors can be detected using medical imaging, such as computed tomography (CT) scan and magnetic resonance imaging (MRI). Early detection of brain tumors is crucial as it can improve the survival rates of patients. Currently, many technological advancements can be utilized to aid human life, one of which is deep learning (DL). However, medical data is sensitive, presenting a challenge in applying DL in healthcare. To address privacy and data limitation problems, there is a method called federated learning (FL) that enables local data training on clients without sharing the clients' data. This study aims to simulate brain tumor classification using DL based on FL. The main objective of this research is to analyze the performance of the model generated from federated learning and compare it with conventional training methods. There are four data cycles, with three cycles from the first dataset (M. Nickparvar) and one cycle from the second dataset (J. Cheng). The highest accuracy and F1-score from the federated simulation were achieved at epoch (number of training rounds on each client) 15 and round (number of rounds starting from the global model parameter distribution to the clients until model aggregation) 15, which are 0.8375 and 0.8384 (cycle 1), 0.7625 and 0.7567 (cycle 2), 0.8375 and 0.8308 (cycle 3), and 0.7333 and 0.7255 (dataset 2). The highest accuracy and F1-score from the standard local training simulation in each cycle are 0.75 and 0.7568 (cycle 1), 0.6875 and 0.6677 (cycle 2), 0.675 and 0.6744 (cycle 3), and 0.7222 and 0.7085 (dataset 2). The highest accuracy and F1-score from the standard all data training simulation in each cycle are 0.7625 and 0.7644 (cycle 1), 0.6875 and 0.6723 (cycle 2), 0.775 and 0.7766 (cycle 3), and 0.6 and 0.5355 (dataset 2). Based on the simulation, the correlation between epoch and round on model performance is significant in the second dataset (Pacc-epoch = 0.019; PF1-epoch = 0.006; Pacc-round = 0.008; PF1-round = 0.025), but only the round correlation is significant in the first dataset (cycle 1 Pacc-round < 0.001 and PF1-round < 0.001; cycle 2 Pacc-round = 0.004 and PF1-round = 0.003; cycle 3 Pacc-round < 0.001 and PF1-round < 0.001). Moreover, the performance of the global model resulting from federated learning is better than the local model performance and standard all data training model performance. No significant difference was found between the performance of the first dataset with different cycles (Pacc between cycles = 0.679; PF1 between cycles = 0.770) nor between the performance of the first and second datasets (Pacc cycle 1-dataset 2 = 0.103; Pacc cycle 2-dataset 2 = 0.334; Pacc cycle 3-dataset 2 = 0.103; PF1 cycle 1-dataset 2 = 0.140; PF1 cycle 2-dataset 2 = 0.120; Pacc cycle 3-dataset 2 = 0.140)."

"Alat pencari vena digunakan untuk mengidentifikasi vena saat proses pungsi vena ingin dilakukan. Proses pungsi vena diperlukan untuk uji laboratorium pasien. Alat pencari vena menggunakan cahaya untuk menembus jaringan kulit dan mengenai vena. Kontras antara cahaya yang diserap oleh vena dengan cahaya yang dipantulkan oleh jaringan kulit menghasilkan siluet vena yang membantu proses identifikasi vena. Penelitian ini bertujuan untuk menghasilkan protipe alat pencari vena yang sederhana, ringkas, dan terjangkau, dengan menghasilkan performa yang efektif. Penelitian ini menggunakan metodologi perancangan perangkat keras melalui proses desain berdasarkan spesifikasi target terutama durasi penggunaan alat sehingga pemilihan LED menjadi sangat penting. Digunakan empat variasi rangkaian untuk mencari rangkaian terbaik untuk pengidentifikasian vena. Hasil fabrikasi diuji terhadap lengan volunteer untuk memverifikasi kinerja dari purwarupa yang dibuat. Dari hasil penelitian alat pencari vena varian 24 LED dengan bola lampu merah menghasilkan siluet vena pada berbagai kondisi subjek uji lebih konsisten dari varian yang lain, sehingga menjadi varian yang dipilih. Kemudian rangkaian tersebut disematkan dalam casing yang dibuat menggunakan metode 3D printing dengan bahan resin. Biaya yang dibutuhkan untuk proses penelitian dianggap terjangkau dibandingkan dengan penelitian lain dan alat yang sudah beredar di pasaran.

---

The vein finder is used to identify veins when the venipuncture process is to be performed. The venipuncture process is required for patient laboratory tests. The vein finder uses light to penetrate the skin tissue and hit the vein. The contrast between the light absorbed by the vein and the light reflected by the skin tissue produces a vein silhouette that helps the vein identification process. This study aims to produce a prototype of a simple, compact, and affordable vein finder, with effective performance. This study uses a hardware design methodology through a design process based on target specifications, especially the duration of use of the tool so that the selection of LEDs is very important. Four variations of the circuit were used to find the best circuit for vein identification. The fabrication results were tested on the volunteer's arm to verify the performance of the prototype made. From the results of the study, the 24 LED variant vein finder with a red bulb produced a vein silhouette in various test subject conditions more consistently than the other variants, so it became the selected variant. Then the circuit was embedded in a casing made using the 3D printing method with resin material. The costs required for the research process are considered affordable compared to other studies and tools that are already on the market."

"Sendi pinggul adalah sendi yang menghubungkan tulang paha (femur) dengan tulang pinggul (pelvis). Persendian ini rentan mengalami kerusakan akibat infeksi, kecelakaan, robeknya kartilago, osteoarthritis, keausan, dan degenerasi tulang. Untuk mengatasi masalah tersebut dapat dilakukan operasi penggantian sendi atau Total Hip Arthroplasty (THA), yakni implan untuk menggantikan sendi pinggul yang rusak menjadi sendi buatan. Hal ini dilakukan untuk mengembalikan fungsi sendi pinggul. Akan tetapi masa penggunaan implan THA terbatas, yakni setelah 10-20 tahun harus dilakukan pelapisan ulang. Sehingga terdapat ruang yang cukup luas untuk pengembangan desain implan yang akan bertahan lebih lama. Komponen utama dalam implan THA adalah acetabular cup, femoral head, dan femoral stem. Penelitian ini akan melibatkan beberapa model design femoral stem berbeda seperti lingkaran, elips, oval, dan trapesium untuk mengevaluasi tingkat kinerja dari setiap model yang dikembangkan dalam implan THA menggunakan finite element analysis (FEA). Pengujian dilakukan dengan dua variasi material berbeda untuk menentukan material yang paling kuat, yakni Co-Cr-Mo dan Ti-6Al-7Nb. Selain itu, pembebanan juga menggunakan dua variasi beban berbeda untuk memastikan implan kuat saat diberi pembebanan dari tubuh. Variasi pembebanan yang digunakan adalah 2300 N dan 3900 N. Pembuatan geometri dilakukan pada perangkat lunak Autodesk Fusion 360 serta pengujian finite element analysis (FEA) dilakukan pada ANSYS. Dari hasil penelitian, diperoleh bahwa bentuk trapesium menunjukkan performa terbaik karena deformasi dan tegangan yang paling rendah. Selain itu, CoCr Alloy lebih unggul dari pada Ti-6Al-7Nb karena nilai deformasi yang lebih rendah.

---

The hip joint is a joint that connects the thigh bone (femur) with the hip bone (pelvis). These joints are susceptible to damage due to infection, accidents, torn cartilage, osteoarthritis, wear and tear, and bone degeneration. To overcome this problem, joint replacement surgery or Total Hip Arthroplasty (THA) can be performed, namely an implant to replace the damaged hip joint with an artificial joint. This is done to restore function of the hip joint. However, the period of use of THA implants is limited, namely after 10-20 years they must be resurfaced. So there is ample room for developing implant designs that will last longer. The main components in a THA implant are the acetabular cup, femoral head, and femoral stem. This research will involve several different femoral stem design models such as circular, elliptical, oval and trapezoidal to evaluate the performance level of each model developed in THA implants using finite element analysis (FEA). Tests were carried out with two different material variations to determine the strongest material, namely Co-Cr-Mo and Ti-6Al-7Nb. Apart from that, loading also uses two different load variations to ensure the implant is strong when subjected to load from the body. The load variations used were 2300 N and 3900 N. Geometry creation was carried out in Autodesk Fusion 360 software and finite element analysis (FEA) testing was carried out in ANSYS. From the research results, it was found that the trapezoidal shape showed the best performance because of the lowest deformation and stress. In addition, CoCr Alloy is superior to Ti-6Al-7Nb because of its lower deformation value."

"Talasemia merupakan penyakit autosomal resesif yang menyebabkan tubuh tidak mampu memproduksi hemoglobin (Hb) secara normal, sehingga penderitanya membutuhkan transfusi darah seumur hidup. Skrining genetik bagi pasangan yang akan menikah merupakan langkah awal untuk menekan angka bayi lahir dengan gen talasemia. Namun, perhatian masyarakat masih rendah karena skrining ini tidak termasuk ke dalam prosedur pra-nikah yang dapat ditanggung oleh Jaminan Kesehatan Nasional (JKN), serta harganya cukup mahal. Penelitian ini memanfaatkan machine learning untuk memprediksi carrier dan mengklasifikasikan jenis talasemia berdasarkan hasil tes hematologi lengkap/Complete Blood Count (CBC) yang memiliki harga lebih terjangkau dari skrining genetik. Pada penelitian, digunakan beberapa algoritma pembelajaran mesin bersifat supervised classification seperti Logistic Regression, Random Forest, Support Vector Machine, Gradient Boosting, XGBoost, dan AdaBoost. Hasil menunjukkan penggunaan Support Vector Machine dengan oversampling menggunakan synthetic minority oversampling technique edited nearest neighbors (SMOTE-ENN), normalisasi dengan RobustScaler, hyperparameter tuning, dan 10-fold cross-validation berhasil mencapai nilai akurasi 98.84% dalam mengklasifikasikan carrier talasemia alfa berdasarkan hasil CBC.

---

Thalassemia is an autosomal recessive disease that unable the body to produce hemoglobin (Hb) normally, requiring lifelong blood transfusions. Genetic screening for future married couples is the first step to reduce the number of babies born with the thalassemia gene. However, public attention is still low because the screening is not included in the pre-marital procedures that can be covered by the Jaminan Kesehatan Nasional (JKN), despite the price is quite expensive. This study utilizes machine learning to predict the carrier and classify the type of alpha-thalassemia based on the results of the Complete Blood Count (CBC) test, which is more affordable than genetic screening. In the study, several supervised classification machine learning algorithms were utilized such as Logistic Regression, Random Forest, Support Vector Machine, Gradient Boosting, XGBoost, and AdaBoost. The results show the use of Support Vector Machine with oversampling with synthetic minority oversampling technique edited nearest neighbors (SMOTE-ENN), normalization with RobustScaler, hyperparameter tuning, and 10-fold cross-validation successfully achieved 98.84% accuracy in classifying alpha thalassemia carriers based on CBC results."

"Perkembangan teknologi kecerdasan buatan (AI) dalam beberapa tahun terakhir telah menjadi peluang besar di berbagai sektor, termasuk dalam sektor kesehatan. Salah satu implementasi AI yang menunjukkan potensi signifikan adalah Large Language Models (LLM), yang dapat memahami dan menghasilkan teks. Penelitian ini bertujuan untuk mengembangkan sistem asisten medis virtual berbasis AI dengan mengintegrasikan LLM dan teknik Retrieval-Augmented Generation (RAG). Sistem ini dirancang untuk memberikan informasi medis yang relevan, akurat, dan terkini bagi tenaga medis. Metode penelitian melibatkan pengembangan sistem menggunakan LLM, RAG, dan LangChain, yang kemudian diuji untuk memastikan kinerja dan keandalannya. Evaluasi dilakukan dengan metrik berbasis RAG dan ROUGE, mencakup dimensi seperti faithfulness, context precision, answer relevance, dan context recall. Hasil penelitian menunjukkan bahwa integrasi LLM dan RAG mampu meningkatkan akurasi informasi, relevansi jawaban, dan efisiensi sistem dalam skenario klinis. Sistem ini diharapkan dapat menjadi solusi inovatif untuk mendukung pekerjaan tenaga medis, mempercepat pengambilan keputusan, dan meningkatkan kualitas pelayanan kesehatan.

---

The advancement of artificial intelligence (AI) technology in recent years has created significant opportunities across various sectors, including healthcare. One notable implementation of AI with significant potential is Large Language Models (LLM), which can comprehend and generate text. This study aims to develop an AI-based virtual medical assistant system by integrating LLM and Retrieval-Augmented Generation (RAG) techniques. The system is designed to provide relevant, accurate, and up-to-date medical information for healthcare professionals. The research methodology involves the development of the system using LLM, RAG, and LangChain, followed by performance and reliability testing. Evaluation is conducted using RAG- and ROUGE-based metrics, covering dimensions such as faithfulness, context precision, answer relevance, and context recall. The results demonstrate that integrating LLM and RAG enhances information accuracy, answer relevance, and system efficiency in clinical scenarios. This system is expected to be an innovative solution to support healthcare professionals, expedite decision-making, and improve the quality of healthcare services. "