Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKKompresi merupakan upaya untuk meningkatkan efisiensi penyimpanan berkas.Tesis ini membahas suatu metodologi kompres dengan menerapkan Differential Codingdalam suatu jaringan neural yang mekanisme kerjanya bersifat unsupervised learningyang disebut Kohonen Self-Organizing Maps (KSOM).Penerapan Differential Coding dalam KSOM (DC-KSOM) ini lebih menekankanpada aspek kualitas rekonstruksi citra dekompres daripada waktu komputasi, danmetode ini merupakan jenis lossy compression. Mekanismenya diawali dengan pra-proses citra, proses clustering blok data, differential coding, dan diakhiri entropiccoding untuk memperoleh citra terkompres. Dengan mempertimbangkan topologicalproperly, Jaringan Neural KSOM (JN-KSOM) berperan untuk mengkuantisasi vektorcitra asli melalui proses pengelompokkan (peng-cluster-an) vektor-vektor pewakil(codebook) dari setiap blok. Proses clustering ini akan mengakibatkan reduksi dimensidata sehingga akan diperoleh hasil kompresi suatu berkas citra.Hasil uji coba penelitian menunjukkan bahwa Root Mean Square Error (RMSE)matriks citra dekompres dengan DC-KSOM adalah 4,29229337, relatif Iebih rendahdibanding TCD yaitu 7,95840738, yang berarti bahwa kualitas citra dekompres hasilkompresi DC-KSOM lebih baik daripada TCD. Dari 10 citra yang dikompres, hasilkompresi dengan DC-KSOM menunjukkan nilai RMSE yang relatif stabil/reliable.

---

"

"Tujuan penelitian ini adalah melakukan studi awal guna memprediksi nilai kerma udara dan half value layer (HVL) pesawat CT scan berdasarkan citra fantom homogen. Penelitian ini dilakukan dengan menggunakan citra homogen dari fantom standar CT scan yang dilakukan ekstraksi fitur GLCM (Gray Level Co-occurence Matrix), dengan data tambahan berupa nilai kVp pengambilan citra. Sebagai label output adalah hasil pengukuran kerma udara dan HVL. Model yang digunakan berbasis artificial neural network, dengan hyperparameter ditentukan berdasarkan teknik hyperparameter tuning dengan menggunakan Teknik Gridsearch. Pencarian hyperparameter berupa fungsi aktivasi, jumlah hidden layer, jumlah hidden unit, kernel initializer, dan optimizer dilakukan dengan Analisa performa hasil. Kualitas performa klasifikasi model artificial neural network menggunakan confusion matrix menunjukkan akurasi sebesar 84,4% pada model yang dilatih menggunakan input fitur GLCM, sedangkan pada model artificial neural network yang menggunakan input fitur GLCM dan kVp menunjukkan akurasi sebesar 100%. Hasil ini menunjukkan bahwa fitur GLCM mampu menghasilkan akurasi yang baik untuk melakukan prediksi kerma udara dan HVL. Namun, jika disertai dengan fitur kVp sebagai input, maka proses training akan menghasilkan akurasi yang sangat baik, dengan gejala dominasi fitur kVp terhadap fitur GLCM.

---

The goals of this research is to do preliminary study to predict air kerma and half value layer (HVL) of CT scan base on phantom image which has homogeneous characteristic. This research starts with GLCM (Gray Level Co-occurence Matrix) feature extraction process from the phantom image, the kVp value also extracted from the phantom image dicom information. While the target during training is air kerma and HVL measurement resulted from the dosimeter and solid state device. Machine learning model used for this research is artificial neural network (ANN) base Machine Learning model. However, the hyperparameter have not yet been found. Thus, this problem could be solved by using Hyperparameter tuning technique, specifically using Gridsearch with variety of activation function, hidden layers, hidden units, kernel initializer, and optimizer as the parameter guideline. The performance of classification model is measured using confusion matrix technique. The classification performance show that the model which trained using GLCM feature only has 84.4% accuracy to predict air kerma and HVL. While, the classification performance show that the model which trained using GLCM feature and kVp that extracted from the dicom information has 100% accuracy to predict air kerma and HVL. Although, the model that train using GLCM feature and kVp can predict much better than the model which trained using GLCM feature only, it shows that GLCM feature is dominated by kVp feature that extracted from the dicom information."

"Penelitian yang telah dilakukan dalam menentukan kondisi optimum dari preparasi katalis CuO/Zeolit untuk mengeliminasi SOx ternyata memakan biaya yang besar karena harga parameter-parameter kondisi preparasi katalis yang banyak jumlahnya itu dilakukan secara trial dan error di laboratorium. Salah satu metode yang banyak mendapat perhatian karena keunggulannya dalam memecahkan permasalahan yang melibatkan banyak parameter dengan derajat non-linearitas yang tinggi adalah Jaringan Neural Artifisial. Oleh karena im kondisi preparasi katalis CuO/Zeolit akan disimulasikan oleh Jaringan Neural Propagasi Maju dengan metode pelatihan Jaringan Neural Conjugate Gradient.Simulasi ini sendiri bertujuan untuk mendapatkan luas perrnukaan zeolit yang paling optimal dengan data masukan berupa suhu kalsinasi dan % loading. Metode preparasi katalis yang digunakan adalah metode presipitasi da.n metode impregnasi sulfat. Data-data preparasi katalis diambil dari penelitian RUT IV TGP-FTUI. Hasil pembelajaran menunjukkan bahwa Janingan Neural Conjugate Gradient berhenti melakukan pencarian vektor bobot W pada error 0-01793 untuk presipitasi dan 0.03479 untuk impreguasi sulfat dari error tollerance sebosar 0.01 yang diset. Berhentinya proses pembelajaran sebelum tercapainya error toilerance ini disebabkan oleh terjebaknya Jaringan Neural Conjugate Gradient pada daerah lokal optima. Analisa simulasi dengan Propagasi Maju juga menunjukkan bahwa kondisi data latih yang digunakan untuk pelatihan jaringan mempunyai pengaruh yang cukup besar terhadap keakurasian hasil simulasi Jaringan Neural dengan data aktual yang diperoleh dari laboratorium. Makin banyak jumlah data dan makin bagus kondisi data (benar-benar didapatkan dari hasil percobaan di laboratorium) maka makin baik pula hasil simulasi."

"ABSTRAKNeural networks merupakan salah satu pendekatan yang sering digunakan dalam melakukan analisis data. Dalam perkembangannya, neural networks mencapai kesuksesan dalam berbagai bidang, mulai dari pengenalan gambar, representasi bahasa,hingga bio informatika. Beberapa penelitian terakhir menunjukkan bahwa model neural networks memiliki kekurangan dalam melindungi informasi yang terdapat dalam training set agar tidak dapat dieksploitasi oleh pihak-pihak yang tidak berkepentingan. Kekurangan ini dapat dieksploitasi dengan membuat sebuah model yang dapat menentukan apakah seseorang berada dalam training set atau tidak, dan hasilnya dapat digunakan untuk melanggar privasi orang tersebut. Eksploitasi ini disebut dengan serangan membership inference. Serangan membership infrerence dapat dihindari oleh model yang memenuhi kriteria differential privacy, yaitu probabilitas keluaran dari model pada dua database yang berbeda pada satu baris pada dasarnya mirip. Pada tesis ini, dikembangkan algoritma optimisasi berbasis gradien seperti Momentum, Nesterov, RMSProp dan Adam yang memenuhi kriteria differential privacy. Algoritma yang dikembangkan digunakan untuk melatih model neural networks agar memenuhi kriteria differential privacy. Eksperimen yang dilakukan menunjukkan bahwa algoritma yang dikembangkan dapat digunakan untuk melatih model neural networks dan menghasilkan model yang lebih akurat dibandingkan algoritma stochastic gradient descent yang memenuhi kriteria differential privacy. Diperlihatkan juga pengaruh penjaminan privasi terhadap akurasi model yang dilatih menggunakan algoritma yang dikembangkan, yaitu penjaminan privasi yang lebih kuat menghasilkan akurasi model yang lebih rendah, dan sebaliknya.

---

ABSTRACT

Neural networks is one of the popular approach to analyze data. It has showed excellent ability to tackle complex problems in various domain, e.g., computer vision,language representation, and bioinformatics. At some point, neural network model may leak some information about the training data. This leakage could be exploited by adversaries to violate individuals in the training data. Membership inference attack is one kind of attacks that could be used by the adversary. This attack can be mitigated by using differentially private models. In this thesis, differentially private optimization algorithms, i.e., momentum, nesterov, rmsprop, adam, were developed. These algorithms then used to train a differentially private neural networks model. It was shown by the experiments conducted that these algorithms can be used to train a neural networks model, and yields better model accuracy compared to stochastic gradient descent algorithm. The tradeoff between privacy and utility is also studied."

"Telah dilakukan penelitian metodologi segmentasi dan klasiiikasi citra synthetic aperture radar (SAR) bcrdasarkan Pulse Coupled Neural Networks (PCNN) dikombinasilcan dengan ciri teksturf Langkah awal penelitian ialah mencari variabel optimal pada persamaan PCNN. Segmentasi citra dilakukan menggunakan tiga macam metoda yang diusulkan yaitu pertama berdasarkan PCNN yang variabelnya telah dibuat optimal, kedua yaitu berdasarkan modiiikasi proses iterasi PCNN dan ketiga berdasarkan mod'kasi persamaan PCNN. Hasil segmentasi tiga teknik ini dapat memisahkan wilayah sesuai ground truth, tetapi pada jumlah iterasi tertentu masih telj adi tumpang tindih. Klasiikasi berdasarkan PCNN dilakukan dua tahap yaitu pertama mengelmraksi ciri tekstur citra. Ekstraksi ciri ini menggunakan perhitungan Grey Level Co-occurrence Matrix (GLCM). Dipilih tiga macam ciri yaitu diss|'m1`!arity, correlation dan angular second moment. Tiga ciri ini menjadi masukan pada PCNN untuk diiterasi. Hasil yang sangat menonjol dari rangkaian elcsperimcn. ini ialah didapatkannya variabel optimal persamaan PCNN yang tegar, metoda modiiikasi iterasi persamaan PCNN yang dapat menghlndari terjadinya tumpang tindih pada dua kelas wilayah hasil segmentasi, modiiikasi persamaan PCNN menjadi empat pereamaan yang dapat mempercepat segmentasi, dan hasil yang menonjol lainnya ialah dapat digunakannya PCNN ini untuk klasiftkasi ciua SAR yang bertekstur dan multi wilayah setelah dikombinasikan dengan ciri tekstur dan ketepatan klasifilasi berdasarkan PCNN yang diusulkan mencapai 91,58$% untuk pita L, 88, 31% untuk pita C dan 85,33%, untuk pita P.

---

The new methodology on segmentation and classification of Synthetic Aperture Rofar (SAR) based on Pulse Coupled Neural Networks (PCNN) and features texture was proposed in this dissertation. The tirst step of this research is timing the variables of the PCNN. The segmentation is based on new methods which proposed in this dissertation. First by iterating the images used optimal PCNN, the second method by modifying the iteration of the PCNN, and the third method by modilymg the equations of the PCNN. The results of these experiments are good enough, but in one of some iterations the result was overlap, in this case two area of the image were appeared in the binary image. The classification based on PCNN would be in two steps, Erst was the features extraction. The features were extracted by using the Gray Level Co-occurrence Matrix (GLCM). Three features, dissimilarity, correlation and angular second moment were selected to be processed by the PCCNN. The significant results of the experiments are, optimal variables of the PCNN which are robust, the new method of iteration of the PCNN which be able to avoid over lapping in segmentation, the new method of modification PCNN equation could increases the speed of segmentation and classification, and new method the application of PCNN in the segmentation and classification ofthe textural and multi region SAR images. Total accuracy for L band is 9l,58%, C band is 88,31% and'P band is 85, 33%."

"Dalam skripsi ini dibuat perangkat lunak yang dapat mengenali tipe ABO golongan darah manusia melalui pengolahan citra berbasiskan Jaringan Syaraf Tiruan (JST). Pola sampel darah yang direaksikan dengan reagen akan memiliki hasil pasangan penggumpalan yang berbeda. Jenis reagen yang direaksikan adalah antigen-A dan antigen-B. Pola pasangan darah dan reagen serta bentuk penggumpalan citra darah menjadi ciri dan kombinasi yang unik untuk membedakan tipe-tipe darah yang ada.Data sampel darah berupa citra digital yang diperoleh menggunakan kamera digital. Sampel darah direaksikan dengan reagen di atas preparat dengan urutan reagen anti-A ditempatkan pada bagian kiri preparat dan reagen anti-B pada bagian kanan. Sebelum diolah dalam sistem JST, data melewati pra-proses, yaitu proses perbaikan citra digital yang terdiri dari proses pencuplikan, gray-level quantization, dan normalisasi dalam bentuk matriks. Hasil akhirnya berupa citra fitur hitam putih dalam matriks berukuran 5×5. Hasil pra-proses kemudian dihitung nilai parameter karakteristiknya, yaitu nilai rata-rata matriks tersebut. Nilai ini selanjutnya akan dijadikan input bagi proses pelatihan jaringan syaraf tiruan dengan metode backpropagation.Jumlah data sampel sebanyak 120 set, dimana 80 di antaranya digunakan untuk melatih JST, dan sisanya digunakan untuk menguji JST. Hasil simulasi menunjukkan sistem mampu mengenali golongan darah dengan tingkat akurasi hingga 90%.

---

In this research, an identification system of human blood type is designed using image processing techniques and the Artificial Neural Network (ANN) with backpropagation algorithms. The pattern of human blood type was formed using a chemical reaction between the blood and a reagent. The reagent that used in the reaction process are anti-A and anti-B reagent. Using a flat glass preparat as a media, the anti-A reagent is mixed to the blood sample on the left side and the anti-B reagent on the right side. Combination of blood coagulation pairs could distinguish the blood type.

The blood coagulation pair is converted into digital images after taken by a digital camera. The image is then pre-processed and normalized to 50×50 matrix size. The matrix is divided to different blocks and reduced to 5×5 grayscale image. The preprocessing involved sampling, gray-level quantization, and normalization. After preprocessing, the mean of 5×5 gray scale image will be calculated and used as the input for the ANN.

The total number of blood sample data is 140 pairs, 80 set of them are used for training process of the ANN and the rest are used for identification. The simulation result shows that the system is able to identify up to 90% level of accuracy."

"ABSTRAK

Kanker Payudara (KPD) merupakan salah satu penyakit penyebab kematian terbesar. Indonesia merupakan negara dengan jumlah KPD cukup besar. KPD ini merupakan benjolan. Benjolan ini dapat diperiksa menggunakan cara manual yaitu diraba bagian dekat dengan putting susu. Jika benjolan tidak kunjung mengecil dianjurkan untuk memeriksa ke dokter. Pendektesian KPD ini dapat dilakukan dengan menggunakan proses pencitraan. Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Pendektesian dilakukan dengan menganalisa gambar payudara (mammography) pasien dengan menggunakan metode Principal Component Analysis (PCA) mengubah gambar dalam bentuk matriks. Matriks ini akan digunakan sebagai data yang akan digunakan dalam Neural Network (jaringan saraf tiruan) dengan metode Backpropagation Neural Network (BNN). Dari hasil Percobaan dapat diketahui bahwa metode ini menghasilkan nilai akurasi pembelajaran dari deep learning supervised sebesar 98%.

---

ABSTRACTBreast Cancer is one of the biggest causes of death. Indonesia is a country with a large number of KPDs. This KPD is a lump. This lump can be examined using a manual method that is palpated near the nipple. If the lump does not go away it is recommended to see a doctor. This breast cancer assessment can be done using the imaging process. . The data used in this study was taken from the website of the Pilot European Image Processing Archive (PEIPA) namely the Mammographic Image Analysis Society (MIAS) dataset. The assessment is done by analyzing the breast image (mammography) of the patient using the Principal Component Analysis (PCA) method to change the image in the form of a matrix. This matrix will be used as data to be used in Neural Networks with the Backpropagation Neural Network (BNN) method. From the results of the Experiment it can be seen that this method produces the value of accuracy of learning from supervised deep learning about 98%.

"

"Suara adalah suatu cara ideal bagi hewan-hewan untuk berkomunikasi di lautan. Suara sangat berguna dilautan ketika tidak ada cahaya. Jenis ikan yang tergolong dalam ikan jenis soniferous mempunyai suara yang khas. Beberapa diantaranya dapat mengeluarkan lebih dari satu jenis suara. Sebagai contoh ikan waekfish (Cynoscion regalis) jantan akan mengeluarkan suara drumming pada masa bertelur dan suara cattering untuk aktifitas hidup sehari-hari, sedangkan untuk betina hanya mengeluarkan suara cattering. Untuk dapat mengenali suara ikan tersebut diperlukan suatu proses identifikasi. Penggunaan voice recognition dapat diterapkan untuk melakukan proses identifikasi. Dengan diketahuinya suara ikan, selain jenis ikan kita juga dapat mengetahui keberadaan jenis ikan dan aktivitas hidup beberapa jenis ikan tertentu di dalam laut. Pada skripsi ini penggunaan voice recognition dengan mengaplikasikan neural network (jaringan syaraf tiruan) dilakukan untuk mengidentifikasi 5 jenis suara ikan. Hasil pengenalan sistem dari uji coba yang dilakukan menghasilkan tingkat pengenalan dengan keberhasilan sampai 97 %."

"Jaringan syaraf tiruan (Arrgficial Neural Nerwork) merupakan salah satu bagian dari kecerdasan buatan (Artificial Intelligence) yang mengambil prinsip kerja jaringan syaraf manusia. Perhitungan propagasi balik (Back Propagartion) adalah algoritma belajar yang populer, yang merupakan generalisasi kaidah least square untuk jaringan syaraf berlapis jamak (Mulfflayer Neural Network). Proses aromatisasi heptana menjadi toluena, dengan nama hydroforming, telah dikembangkan ketika Perang Dunia II (World War II) dengan tujuan untuk mendapatkan bahan baku peledak. Kondisi operasi diatas sangatlah riskan dan penuh resiko. Pendeteksian yang akurat dan dini diperlukan guna mencegah kesalahan yang timbul, yang dapat mengakibatkan kerugian baik material maupun immaterial. Diagnosa kesalahan proses pada aromatisasi heptana dapat dilakukan dengan metode Jaringan Syaraf Tiruan Propagasi Balik (ANN/JNA BP) ini. Berdasarkan data lapangan (kondisi masukan dan kondisi keluaran), jaringan syaraf akan melakukan pembelajaran (learning) secara simultan dan kontinyu, yang pada akhirnya akan terbentuk sebuah pengetahuan. BP inilah metode ajar yang paling sederhana dan cocok sekali untuk diterapkan, karena sanggup mengenali pola (pattern recognition). Sebagai studi kasus, proses aromatisasi heptana, penerapan ANN/JNA BP yang diteliti oleh Watanabe dan Himmelblau dapat dibuktikan dengan baik pada skripsi ini. Model ANN/JNA BP dapat melakukan pengenalan pola dengan balk dimana toleransi error lebih kecil dari 0.001, dengan jumlah iterasi pelatihan lebih dari 5000 iterasi, dan waktu pelathan lebih dari 40 menit."