Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini menganalisis tiga belas DAS di pulau Jawa dengan luas berkisar dari 22 km2 hingga 2666 km2. Karakteristik DAS yang digunakan sebagai indikator adalah luas, panjang sungai utama, dan bentuk. Hidrograf satuan observasi dibuat dengan metode konvolusi dan menggunakan data terukur curah hujan dari stasiun curah hujan yang berada di dalam DAS yang disimulasikan dengan data terukur muka air sungai di outletnya. Hidrograf satuan observasi dibandingkan dengan hidrograf satuan sintetik dari empat metode, yaitu metode Synder, metode SCS, metode Nakayasu, dan metode Gama-1, menggunakan parameter pembanding yang mencakup bentuk hidrograf dan ketiga parameternya, yaitu debit puncak, waktu puncak, dan waktu dasar. Berdasarkan hasil penelitian dapat disimpulkan bahwa metode sinetik yang tepat digunakan untuk DAS dengan rentang karakteristik yang cukup luas adalah metode Nakayasu."

"Kanker payudara (KPD) merupakan salah satu penyakit yang masih banyak terjadi di negara berkembang seperti Indonesia. Di Indonesia sendiri, KPD menempati peringkat pertama terbanyak dari berbagai jenis kanker yang terjadi.  Pendeteksian kanker ini dapat dilakukan sejak dini dengan memeriksa manual apakah terdapat benjolan atau kelainan pada payudara. Jika terasa ada benjolan, maka disarankan untuk diperiksa ke dokter dengan berbagai metode, seperti mammogram, Magnetic Resonance Imaging (MRI), dan USG. Diagnosa citra ini sering terkendala karena tidak setiap rumah sakit memiliki tenaga spesialis radiologi. Maka dari itu, untuk mengatasinya diperlukan bantuan komputer untuk mendiagnosa citra tersebut yang sering disebut computer aided diagnostis (CAD). Algoritma Convolutional Neural Network didasari pada hasil pemeriksaan rutin citra x-ray payudara normal/abnormal yang cenderung menunjukkan perubahan, salah satunya tekstur (konten). Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Sistem dimulai dengan mengenal dan mempelajari data 3 jenis mamografi, yakni mamografi normal (sehat), mamografi benign, dan mamografi malignant. Setelah mempelajari data tersebut, sistem akan mencoba untuk mendeteksi jenis kanker payudara dari data baru yang dimasukkan. Nilai akurasi yang didapatkan adalah 100%, dengan rasio data pembelajaran sebanyak 1247 data (setelah diaugmentasi) dan data pengujian sebanyak 93 data, sehingga disimpulkan bahwa sistem ini baik. Namun nilai ini hanya untuk data MIAS, sehingga masih perlu pengembangan lebih lanjut supaya dapat diterapkan ke data-data yang lain juga.

---

Breast Cancer (BC) is one of the diseases that still occur a lot in developing countries like Indonesia. In Indonesia alone, BC is the number one most occurrence cancer. This cancer detection can be done early by manual, checking if there is any lump or abnormality in breast. If there are any lump, it is recommended to go check in hospital. There are a lot of methods like Magnetic Resonance Imaging (MRI), and Ultrasonography (USG). This image diagnostics sometimes got constrained by the lack of radiology specialist in some hospital. Therefore, to counter this problem, Computer Aided Diagnostics (CAD) help is needed to detect those images. Convolutional Neural Network algorithm is based on the result of the routine x-ray's check of breast, both normal and abnormal which tend to show some changes, which one of them is texture (content). Data used in this research came from Pilot European Image Processing Archive (PEIPA) website, Mammographic Image Analysis Society (MIAS) database. The system start by recognizing and learning 3 types of mammograph data, normal (healthy), benign and malignant. Then, system will try to detect and classify breast cancer type from the new input data. The accuracy score is 100%, with a ratio of 1247 datas for learning (after augmented) and 93 datas for testing, so it can be concluded that this system is good. But this score is achieved only for MIAS data, it still need further improvement  so it can be applied to another data."

"Jalan raya merupakan infrastruktur yang penting karena digunakan untuk berlalu lintas sehari-hari. Kerusakan jalan sering terjadi dan salah satu jenis kerusakan jalan adalah retakan dan jalan yang berlubang. Image Processing merupakan salah satu metode untuk menentukan kerusakan jalan. Sejauh ini, penelitian mengenai deteksi retakan jalan kebanyakan masih menggunakan metode Convolutional Neural Network. Penelitian ini menggunakan You Only Look Once Version 5 dan Faster Object More Object Sebagai model dalam melakukan proses deteksi retakan dan lubang pada jalan dan sebagai salah satu pembanding untuk menentukan model mana yang lebih efisien dan akurat dalam melakukan deteksi terhadap retakan dan lubang tersebut. Dataset yang akan digunakan diambil dari jalan raya yang ada di negara Jepang dan Republik Ceko. Dataset yang digunakan memiliki 1000 Citra dengan ukuran 600x600 piksel. Jalan raya yang dijadikan dataset merupakan jalan dengan jenis material Aspal. Dalam Melakukan testing, dataset public tersebut akan digunakan dan dalam implementasinya, akan digunakan secara realtime dan akan diaplikasikan ke sebuah kamera eksternal webcam dalam mendeteksi retakan dan lubang pada jalan. Hasil yang akan didapatkan adalah berupa prediksi secara realtime berupa bounding box dengan tingkat confidence prediksi dari retakan untuk model YOLOv5 dan prediksi berupa lingkaran kecil dengan tingkat confidence prediksi retakan untuk model FOMO. Nilai perbandingan akurasi model YOLOv5 dan FOMO adalah 0.260 : 0.685 dengan deteksi berjalan dan 0.127 : 0.733 untuk deteksi menggunakan mobil. Sedangkan perbandingan nilai F1 score untuk adalah 0.41 : 0.813 untuk deteksi dengan berjalan dan 0.215 : 0.845 dengan deteksi menggunakan mobil.

---

Road is an important infrastructure because it’s used for daily traffic. Road Damage is usually happened on usual road, and one types of road damage is road crack and potholes. Image processing is one method that is used to determine a damaged road. So far, study about detection of crack and potholes used Convolutional Neural Network as their method. This research uses You Only Look Once Version 5 and Faster Object More Object as a method and models on the detection process of Road Crack and Potholes and as a comparison to determine which method and model is more efficient and accurate on detecting crack and potholes. Dataset that are used are taken from road on Japan and Republic of Czech. Dataset that are used consists of 1000 Images with the size of 600x600 pixel. Each picture contains crack, Potholes and road without crack and pothole. The road images that are taken are road with the material type of Asphalt. Testing will be done using the public dataset and, on the implementation, it will use external camera webcam on detecting potholes and crack on road real time. The results on Realtime detection are bounding box that are generated along with the prediction confidence of road crack on YOLOv5 model and small circle that are generated along with the prediction confidence of road crack on FOMO model. The comparison value of the accuracy of the YOLOv5 and FOMO models is 0.260 : 0.685 with walking detection and 0.127 : 0.733 for detection using a car. While the comparison of the F1 score for is 0.41 : 0.813 for detection by walking and 0.215: 0.845 for detection by car."

"ABSTRAKKanker payudara merupakan kanker yang umum terjadi pada wanita baikdi Indonesia ataupun di dunia. Pemeriksan tingkat sebaran sel kanker perludilakukan agar pengobatan yang diberikan tepat. Biopsi jaringan getah bening danpemeriksaan ahli patologi adalah salah satu metode untuk menentukan tingkatpenyebaran kanker. Kendala pada pemeriksaan manual membutuhkan waktu untukmemeriksa bagian perbagian dengan kemungkinan ada bagian yang terlewati,kesalahan dalam klasifikasi dan unsur subjektifitas saat memeriksa. Penggunaankecerdasan buatan dalam prapemeriksaan akan membantu dokter dalam memeriksadan menghilangkan unsur subjektifitas. Proses klasifikasi yang didapat diharapkanmembantu ahli patologi memeriksa dengan lebih cepat dan mengurangi tingkatkesalahan pemeriksaan. Proses dimulai dengan terlebih dahulu menentukan antaradaerah kosong dan daerah yang terdapat jaringan. Selanjutnya menentukan tingkatmetastasis berdasarkan hasil klasifikasi. Metode yang digunakan adalah denganmenggunakan teknik ambang gambar dalam menentukan batas gambar yang berisijaringan. Proses klasifikasi menggunakan jaringan saraf konvolusi (ConvolutionNeural Network (CNN)) dengan banyak klasifikasi sebanyak 5 kelompok selnormal dan 1 kelompok tumor. Hasil dari penggunaan metode ambang adaptifdapat memisahkah antara daerah kosong dan daerah berisi sel-sel. Metode jaringansaraf konvolusi ini dapat mengklasifikasikan dengan hasil sampai 86% dan tesdengan validasi data 80% untuk keseluruhan klasifikasi dan mencapai 93% untuksel tumor dan sel kanker. Hasil dari penentuan tingkat ditentukan oleh akurasi dariproses klasifikasi. Metode ambang gambar adaptif dapat menentukan area kosongdan berisi jaringan sesuai dengan yang diharapkan dan mempercepat prosespemeriksaan. Hasil klasifikasi dan menentukan tingkat dapat ditingkatkan denganmemperbaiki pembagian data-data pada dataset dan mengembangkan konfigurasidari jaringan saraf konvolusi dengan merubah struktur atau menambahkan denganmetode lain.

---

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

"Dari penelitian terdahulu diketahui cascade yang terbaik dalarn menurunkan Fe adalah berbentuk anak tangga dengan aliran air yang baik adalah menggunakan selang/pipa berdiameter 4 mm, namun penelitian-penelitian tersebut tidak sampai memperoleh model prediksi penurunan Fe daiam air menggunakan metode cascade. Selain itu dalam penelitian terdahulu menggunakan bahan cascade yang mengandung unsur logam karena itu perlu adanya penelitian lanjutan yang dapat menghasilkan model prediksi penurunan Fe dalam air menggunakan cascade dengan bahan kayu berlapis plastik/karet dengan diameter aliran air menggunakan selanypipa 3/ 16 inchi, 5/ I6 inchi dan 7/?16inchi. Penelitian yang dilakukan merupakan eksperiman dengan menggunakan 75 buah sampel air yang berasal dari sumiir gali atau sumur pompa tangan kemudian dialirkan melalui cascade yang memiliki kriteria tertentu dengan variabel penelitian meliputi Variabel Dependen yaitu Penurunan Fe dan Variabel Independen yaitu Debit air, Derajat Keasaman Air, Suhu Air, Oksigen Terlarut dan Kandungan Fe dalam Air sebelum aerasi kemudian dianalisa dengan menggunakan rnetode statistik Regresi Linier Ganda. Didalam penelitian ini tidak melakukan pengukuran! pengamatan terhadap kelembaban, suhu udara dan kandungan oksigen di udara. Seleksi variabel dilakukan dengan analisa bivaiiat dengan korelasi (pearson) dan regresi linier sederhana serta metode Forward untuk memperoleh kandidat model. Unluk variabel Debit Air dilakuklan Dummy Variabel yang terdiri dari Variabel Debit 1 dan Debit 2. Dari hasil penelitian diperoleh kandidat model yang berisi empat variabel dasar yaitu variabel Debit I dan debit 2, Derajat Keasaman, Oksigen Terlarut dan Fe Awal serta dua variabel intraksi yaitu interaksi anlara Debit Air dan Fe Dalam Air serta lnteraksi antara Oksi gen Terlarut dengan Fe Dalam Air. Hasil diagnostik pemenuhan asumsi menyatakan bahwa kandidat model dapat memenuhi asumsi-asumsi regresi linier ganda namun dari diagnostik kolinearitas diketahui terdapat gejala kolinearitas dalam model, tetapi karena model bertujuan untuk prediksi maka masalah kolineraitas bukan merupakan masalah serius. Uji reliabilitas Model memberikan hasil nilai Shrinkage = 0,21 atau = 21 %, dengan demikian kandidat model cukup reliabel untuk ditetapkan sebagai model prediksi penurunan Fe Dalam Air menggunakan Metode cascade. Persamaan fungsi matematis Penurunan Fe yang diperoleh sebagai hasil akhir dari penelitian adalah:Penurunan Fe = - 695 + (- 0,166(debit 3,7 L/menit)) + (- 0,334(Debit 1,06 L/'menit)) + 0,329 (pH Air) + (-0,108 (Oksigen Ter1an1t)) + (-0,664 (Fe Awal)) 4 0,I42(Debit1*Fe Awal) + 0,5S8(Debit 2 * Fe Awal) + 0,134 (Oksigen Terlarut * Fe Awal). Persamaan fungsi matematis tersebut hendaknya digunakan dimasyarakat Iuas dalam upaya menurunkan kandungan Fe dalam air menggunakan metode cascade agar penggunaan cascade dapat efektif dan efisien.

---

Previous researchs showed that the stairs shape is the best cascade for Water Fe reduction which used of 4 mm pipe will give good water flowing. But the researches did not meet the prediction model of Water Fe reduction. Because the previous researches metal cascade was used, it is necessary to perform further research which able to produce prediction model of water Fe reduction by applying rubber coated wood cascade with 3/16 inches ,5/16 inches and 7/16 inches of flowing pipe.

This is an experiment study using 75 of water sample derived from dig well or pump well flowed through certain cascade. Research variables are : Water debit, Water Acidity, Water temperature, Dissolved Oxygen, Water Fe water before aeration, then analyzed by using Linear Regression Statistic- This Research did not put humidity, temperature and air contained oxygen in the measurement.

Variable is selected through bivariate analysis with correlation (Pearson) and simply linear regression, used forward method as well to obtain candidate model. Dummy variable was given in the form of 1st and 2nd debit variable.

This research resulted candidate model containing four basic variable of 1st variable, 2nd variable and initial Fe also two interaction variable that is water debit and water Fe interaction and interaction between Dissolved Oxygen and Water Fe.

Diagnostic assumption stated that model candidate was able to fulhll the Multiple Linear Regression, meanwhile from co-linearity diagnostic is found the co-linearity indication within model. However, because the purpose of the model is a prediction, then co-linearity did not become a serious problem.

Model reliability test resulted the Shrinkage of 0.21 or 21 %, it might be said that the candidate is reliable enough to be assessed as the prediction model of water Fe reduction, using the cascade method."

"Telah dihasilkan persamaan hubungan koefisien refleksi (R) sebagai fungsi ray parameter (p) yang dimodifikasi dari persamaan Shuey dan Verm & Hilterman. Dengan persamaan tersebut dapat dihitung nilai kecepatan gelombang shear (Vs), Poisson's ratio (σ), dan kontras Poisson's ratio (Δ σ) pada bidang batas dari dua lapisan. Untuk menghitung nilai parameter-parameter yang tidak diketahui tersebut digunakan metode inversi least square karena hubungan antara koefisien refleksi dengan ray parameter kuadrat adalah linier. Dasar perhitungan metode inversi ini adalah dengan meminimumkan penjumlahan kuadrat data observasi dan model. Uji coba metode perhitungan inversi AVO ini dilakukan pada lapangan DC-1, Pulau Padang - Cekungan Sumatera Tengah yaitu pada lintasan seismik HM86-21. Hasil perhitungan ini selanjutnya dibandingkan dengan data sumur MSDC-1 (sumur ini terletak pada SP 1122 lintasan HM86-21). Untuk mengestimasi nilai saturasi air atau gas telah dilakukan percobaan uji kecepatan gelombang akustik terhadap perconto inti pengeboran (core) yang diarnbil dari care#1 sumur MSDC-1. Pengukuran waktu transit gelombang primer (tp) dan gelombang shear (ts) yang dilewatkan melalui perconto dilakukan dengan vaniasi nilai saturasi air. Dari tp dan ts ini kecepatan gelombang primer (Vp) dan kecepatan gelombang shear (Vs) dapat dihitung. Dan kedua nilai kecepatan tersebut dapat ditentukan parameter-parameter reservoar Poisson's ratio ( σ), modulus hulk (K), modulus shear (µ), dan modulus Young (E). Dan nilai parameter-parameter tersebut dibuat cross plot antara Vp danσ dengan variasi porositas dan saturasi. Estimasi saturasi air dari perhitungan inversi AVO adalah dengan meletakkan nilai Vp dan σpada kurva empiris, sehingga didapat nilai saturasi air. Perhitungan inversi AVO dengan metode least square pada CDP 2245, CDP 2268, dan CDP 2294 memberikan nilai saturasi air berturut-turut sebesar 20 %, 50 %, dan 80 %. Sedangkan dari data sumur MSDC-1 nilai saturasi air yang bertepatan dengan CDP 2245 adalah 27 - 70 %.

---

The reflection coefficient as a function of ray parameter R(p) has been modified from Shuey and Verm & Hilterman equations. From this equation, the shear wave velocity (Vs), Poisson's ratio ( σ), and Poisson's ratio contrast ( Δ σ ) at the reflecting interface can be determined. To calculate these unknown parameters the least squares method were used, because the relationship between the reflection coefficient and the square of ray parameter is linear. The basic calculation of the inversion method is minimizing the sum of the squares of the observed minus model data.

The method has been applied to DC-1 field, Pulau Padang, Central Sumatera Basin i.e. seismic line HM86-21. The result of inversion has been compare to MSDC-1 well data (it's located at SP 1122). Estimation on water or gas saturation has been done from acoustic velocity measurement of care#1 MSDC-1 Well.

The transit time of the primary and the shear waves which passed trough the sample with varies water saturation were measured. The primary and shear waves velocity, as well as the reservoir parameters i.e. Poisson's ratio, bulk modulus, shear modulus, and Young modulus can be calculated. Therefore, cross-plot between Vp and a with various porosity and water saturation can be generated. Water saturation estimation from AVO inversion can be represented in the empiric curve.

AVO inversion with the least squares method at CDP 2245, CDP 2268, and CDP 2294 yields water saturation values of 20%, 50%, and 80% respectively. However, water saturation from MSDC-1, which is close to CDP 2245, has a range from 27% to 70%."