Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perencanaan produksi pada sebuah industri, membutuhkan keputusan yang tepat untuk menentukan jumlah produksi agar dapat memenuhi permintaan konsumen tanpa menghasilkan stok berlebih. Peramalan permintaan merupakan salah satu faktor penting dalam perencanaan produksi yang mampu membantu menghasilkan keputusan produksi yang tepat. Pada industri otomotif mobil, peramalan yang akurat sangat dibutuhkan untuk mengatasi permintaan yang tidak menentu, khususnya untuk produk service parts, yang pada kenyataannya memiliki permintaan yang tidak menentu dari konsumen dan seringkali membuat perusahaan mobil yang memproduksinya mengalami kerugian karena backorder atau overstock. Artificial neural network ANN merupakan suatu metode berbasis machine learning dengan cara kerja seperti otak manusia yang juga mampu melakukan peramalan untuk data dengan pola non-linier. Pada penelitian kali ini, dilakukan peramalan dengan objek 10 jenis service parts berbeda dengan menggunakan metode artificial neural network yang kemudian dilakukan perbandingan dengan peramalan metode single exponential smoothing dan croston rsquo;s method untuk dapat membandingkan tingkat akurasi dari peramalan tersebut dan menghasilkan peramalan dengan metode yang paling akurat. Hasil perhitungan pada penelitian ini menunjukkan peramalan metode artifcial neural network mampu menghasilkan peramalan yang lebih akurat dibanding dua metode lain.

---

Production planning in an industry, required precise decisions to made in order to determine the amount of product that will be produced to fulfill the customer's demand without produce excess stock. Demand forecasting is one of the most important factor in production planning process that able to generate precise production decision.

The automotive industry like car manufacturer, always need an accurate demand forecast serve the uncertain demand of their products, especially the service parts product, that in fact always has uncertainity in it's demand and frequently causing the manufacturer company lose their profit due to tha backorder and overstock occurence. Artificial neural network is a machine learning computation method that could work similarly like human brain that also can forecast a non linier data.

In this research, the data is gained from the demand of 10 car's service parts in a car manufacturer and forecasted with artificial neural network and also two other methods, single exponential smoothing and croston's method to generate a forecasting with the most accurate method. The result of the calculation in this research shows that forecasting with artificial neural networks produce the most accurate forecast for the car's service parts demand."

"Memprediksi Pergerakan Harga Saham selalu menjadi isu yang menarik dan memiliki implikasi yang signifikan dalam membuat keputusan investasi, khususnya di Bursa Efek Indonesia sebagai pasar yang menggeliat. Penelitian membahas prediksi pergerakan harga saham dengan menggunakan Artificial Neural Network (ANN) atau jaringan syaraf tiruan dan Box-Jenkins Autoregressive Integrated Moving Average (ARIMA) di Bursa Efek Indonesia. Penelitian ini menggunakan pendekatan kuantitatif dan tergolong dalam studi eksplanatif. Rentang waktu yang digunakan ialah dari Januari 2008 hingga Desember 2012. Penelitian ini berusaha menganalisis signifikansi dari metode ANN dalam peramalan harga saham LQ45 di Indonesia. Diharapkan hasil dari penelitian ini dapat membantu para investor dan pihak lain yang berkepentingan dalam memilih metode peramalan yang terbaik dan juga keputusan bisnis terbaik. Terdapat empat faktor yang dipilih sebagai variabel independen, yaitu Indeks Harga Saham Gabungan (IHSG), volume perdagangan harian tiap saham, kurs Rupiah terhadap Dollar Amerika dan harga minyak dunia. Penelitian ini menemukan bahwa metode ANN lebih signifikan dibandingkan dengan metode ARIMA dalam peramalan harga saham LQ45 di Indonesia.

---

Predicting Stock Price Movement is always considered as an interesting issues and has significant impacts in creating investment decision, particularly in the Indonesian Stock Exchange as an emerging market. This research discusses the prediction of stock price movements using Artificial Neural Networks (ANN) method and Box Jenkins Autoregressive Integrated Moving Average (ARIMA) in Indonesian Stock Exchange.

This research is quantitative and explanation in nature. The time scope of this research was from January 2008 up to December 2012. This research intends to analyze the significant of ANN method in forecasting Indonesian LQ45 Stock prices.

It is expected that the results of this research might assist the investors and other interested parties in selecting best forecasting methods and also best investment decision. There are four factors selected as independent variables, such as: Indonesian Composite Index, trading volume of each stocks, local currency exchange rate to USD and oil spot price. The research reveals that ANN is statistically more significant compared."

"Emisi kendaraan terutama yang menggunakan mesin diesel merupakan masalah yang sudah tidak asing lagi. Nox, HC, O2, CO, CO2 dan asap yang merupakan zat- zat hasil pembakaran mesin diesel dapat di ukur melalui percobaan eksperimental. Tetapi tentunya percobaan eksperimental ini mempunyai beberapa kekurangan seperti pengoperasiannya yang mahal serta prosesnya yang memakan waktu cukup panjang. Untuk mengatasi masalah itu semua, maka dibuatlah suatu metode pemodelan matematika menggunakan Artificial Neural Network (ANN). Metode ANN yang digunakan dalam skripsi ini adalah Backpropagation. Dengan dilakukannya penelitian ini diharapkan karakter emisi kendaraan mesin diesel dapat diprediksi secara akurat. Hasil dari penelitian ini membuktikan bahwa ANN cukup handal dalam memprediksi emisi bahan bakar mesin diesel.

---

Vehicle emissions, especially using diesel engine is not a strange problem anymore. NOx, HC, O2, CO, CO2 and smoke emissions comes from the combustion of substances in diesel engines can be measured through experimental test. Certainly this experimental test has several shortcomings such as the operation is expensive and time consuming process which is long enough.

To cope with this problem, then a mathematical modeling method using Artificial Neural Network (ANN) was made. ANN method used in this thesis is Backpropagation. This research expect to predict characters of diesel engine emissions accurately. The results of this study proves that ANN quite good to predict diesel engine emission."

"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."

"Saat ini banyak bermunculan jasa pengiriman paket barang. Hal ini memicu perusahaan pengiriman paket barang memberikan kualitas layanan yang baik kepada para konsumennya. PT Pos Indonesia merupakan BUMN yang bergerak di bidang jasa pengiriman surat dan paket. PT Pos Indonesia sedang berusaha meningkatkan kualitas layanannya untuk mengambil kembali pangsa pasar pengiriman paket barang. Dalam upaya meningkatkan kualitas layanannya diperlukan sebuah metode pengukuran kualitas layanan yang bisa memberikan gambaran secara akurat penilaian kualitas menurut persepsi pelanggan. Artificial Neural Network (ANN) merupakan salah satu bagian dari data mining yang dapat digunakan untuk pengukuran kualitas. Namun, ANN memiliki keterbatasan dalam penentuan nilai parameter yang digunakan. Penelitian ini bertujuan mengintegrasikan Genetic Algortihm dan ANN untuk mengoptimasi nilai paramater sehingga diperoleh hasil pengukuran kualitas yang akurat. Data penilaian kualitas menurut persepsi pelanggan diperoleh melalui survey menggunakan kuesioner. Hasil pengukuran kualitas menggunakan integrasi ANN-GA menunjukkan bahwa nilai kualitas layanan paket barang PT Pos Indonesia secara keseluruhan sudah baik. Selain itu, performa hasil pengukuran menggunakan integrasi ANN-GA lebih bagus daripada menggunakan metode ANN.

---

Today many emerging parcel delivery services. This triggers the parcel delivery company provide good quality service to its customers. PT Pos Indonesia is a state-owned enterprise engaged in mail and parcel delivery services. PT Pos Indonesia is trying to improve the quality of its services to take back market share package delivery goods.

In an effort to improve service quality required a method of measuring the quality of service that can give an accurate quality assessment according to customer perceptions. Artificial Neural Network (ANN) is one part of data mining that can be used to measure quality. However, ANN has limitations in determining value of the parameters used.

This research aims to integrate Genetic algorithm and ANN to optimize value of parameters in order to obtain an accurate quality measurement results. Data quality assessment according to customers' perceptions obtained through surveys using questionnaires.

Quality measurement results using ANN-GA integration shows that service quality of parcel delivery PT Pos Indonesia as a whole has been good. In addition, the performance measurement results using the integration ANN-GA better than using ANN."

"[ABSTRAKPeramalan beban listrik memegang peranan yang sangat penting bagi efisiensi dankinerja dari PLN. Berbagai jenis metode dipakai untuk mendapatkan hasil peramalan beban yang akurat agar daya yang dikirimkan sesuai dengan kebutuhanlistrik dari konsumen. Skripsi ini membahas peramalan beban jangka pendek satu minggu ke depan dengan menggunakan Jaringan Syaraf Tiruan (JST). Peramalanbeban jangka pendek sangat dipengaruhi oleh faktor-faktor cuaca, yang dalam hal ini menjadi masukan JST, yaitu : Suhu, Kelembaban, Tekanan udara, danKecepatan angin. Data yang digunakan untuk pembelajaran adalah data sebenarnya sepanjang tahun 2011. Arsitektur yang digunakan adalah feed-forwarddan algoritma yang dipakai adalah algoritma backpropagation. Berdasarkan hasildidapatkan nilai MAPE terbaik sebesar 1.8 % dan untuk 10 kali running sebesar 2.65 % sehingga berada di bawah ambang kesalahan peramalan.ABSTRAKElectrical load forecasting has an important role for efficiency and performancefrom PLN.Various types of methods have been used to provide an accurate loadforecasting on purpose that the transmitted power appropriates the demand ofconsumers. This research will discuss short term load forecasting using ArtificialNeural Network (ANN). Short term load is influenced by weather factors, thosewill become input of ANN, i.e. : Temperature, Humidity, Pressure, Wind speed,Data used for study are actual data in 2011. Architecture used for this research isfeed-forward and Algorithm that is used is backpropagation . The final resultshows that the best MAPE is 1.8 % and for 2.65 % for 10 iterations which arebelow the forecasting error limit., Electrical load forecasting has an important role for efficiency and performancefrom PLN.Various types of methods have been used to provide an accurate loadforecasting on purpose that the transmitted power appropriates the demand ofconsumers. This research will discuss short term load forecasting using ArtificialNeural Network (ANN). Short term load is influenced by weather factors, thosewill become input of ANN, i.e. : Temperature, Humidity, Pressure, Wind speed,Data used for study are actual data in 2011. Architecture used for this research isfeed-forward and Algorithm that is used is backpropagation . The final resultshows that the best MAPE is 1.8 % and for 2.65 % for 10 iterations which arebelow the forecasting error limit.]"

"Durasi pemeliharaan merupakan hal yang penting dalam kegiatan dry docking kapal. Estimasi durasi pemeliharaan diperlukan untuk membuat jadwal pemeliharaan kapal pada suatu galangan. Sayangnya saat ini pihak galangan belum mempunyai standar yang baku dalam mengestimasi durasi pemeliharaan kapal. Penelitian ini bertujuan untuk memperoleh model matematis estimasi durasi pemeliharaan kapal dry docking menggunakan Artificial Neural Network dan Genetic Algorithm. Dengan melihat volume dan jenis pekerjaan dry docking sebagai input, diperoleh model estimasi durasi dengan nilai rata-rata error 5.12 hari. Hasil estimasi kemudian dibandingkan dengan metode Neural Network standar dan metode Decision Tree-Genetic Algorithm-Neural network. Hasil penelitian menunjukkan bahwa metode Decision Tree-Genetic Algorithm-Neural network mempunyai nilai estimasi yang lebih akurat dibandingkan dengan kedua metode lainnya.

---

Maintenance time duration is an important things in ship dry docking activities. Estimating the time duration is necessary for ship schedule arranging in dock. Unfortunately, the dock company doesn’t have a standard procedure in estimating ship maintenance duration. The purpose of this research is to get mathematic model of dry docking maintenance duration estimation using Artificial Neural Network and Genetic Algorithm. By considering the job volume and type as input variable, the research get estimation model with root mean square error (RMSE) 5.12 day. Then, the estimation result is compared with traditional Neural network and Decision Tree-Genetic Algorithm-Neural network method. The result shows that Decision Tree-Genetic Algorithm-Neural network is more accurate in estimating the ship maintenance duration than the other two methods."

"Untuk mengindentifikasi kondisi janin di dalam kandungan, dewasa ini masih dilakukan tindakan konvensional yang dapat menyakiti janin dalam kandungan dan si ibu. Di dalam penelitian ini dirancang bangun program identifikasi kondisi janin dengan near infrared spectroscopy yang dikenal melalui metode Jaringan Syaraf Tiruan (JST). Gelombang cahaya yang diterima dari proses penyinaran NIRS ke jaringan otak dikonversi ke gelombang audio, selanjutnya gelombang audio tersebut dihubungkan ke komputer melalui input audio. Pada tahap awal pendeteksian gelombang, pertama-tama dilakukan pra-pengolahan terlebih dahulu. Gelombang spektroskopi diperbesar untuk mendapatkan bentuk gelombang yang baik, dan selanjutnya gelombang ini dipotong- potong hingga didapat spektrum yang dapat mewakili karakteristik gelombang dalam bentuk matriks 75x1. Nilai karakteristik dilatih dan dimasukkan ke dalam database sebagai input pembanding untuk proses identifikasi. JST terdiri dari 100 layer tersembunyi dan 1 layer keluaran, dengan fungsi aktifasi tansig dan purelin. Setelah dilakukan pelatihan untuk 30 gelombang audio yang masing?masing terdiri dari 10 gelombang audio kondisi janin normal, 10 gelombang audio kondisi janin asfiksia dan 10 gelombang audio janin preasfiksia, identifikasi kondisi janin ini mencapai tingkat akurasi rata-rata sebesar 66,67% dengan 4 kali pengukuran pada 15 sampel input.

---

To identifying fetal condition on the womb nowadays, some people still using conventional method that can harm the fetal it self and the mother.

The objective of this research, we try to build up a program to identify fetal condition through spectroscopy that also known as Artificial Neural Network method. Light wave that collected from NIRS to the fetal's brain cell converted to be audio wave, then we connect this audio wave to the computer with the audio input tools. In the first step of the wave detection, we should do the pre-processing of the wave. The signal wave from spectroscopy are zoomed out to get a good specific wave. And then we broke it down to get specific charasteristic spectrum of the wave in the form of matrix 75x1. The value of its charasteristic is trained and input on the database as the input comparator for the identify process. ANN is contain of 100 layer as the hidden layer and 1 layer as the output layer, with tansig function and purelin function as the activation function.

After training for 30 spectroscopy wave, that contains of 10 audio wave of the fetal condition in normal, 10 audio wave in asphyxia and 10 audio wave in pre-asphyxia condition, identification of the fetal condition reach average of the accuracy in 66,67% with 4 times measuring for 15 input sample."

"Salah satu upaya meminimalkan hambatan gelombang untuk mengurangi hambatan total adalah konfigurasi multi lambung dengan memvariasikan penempatan outrigger. Penelitian ini bertujuan untuk mencari konfigurasi optimal pentamaran lambung warp-chine untuk mengurangi hambatan total yang signifikan untuk berbagai kecepatan. Terbatasnya informasi penggunaan lambung warp-chine pada multihull berkaitan dengan karakteristik lambung serta optimalisasi penempatan outrigger menjadi dasar dari penggunaan lambung warp-chine pada penelitian ini. Perhitungan dan optimasi menggunakan program komputer MATLAB menggunakan metode Artificial Neural Network dan Algoritma Genetika. Hasil optimasi menunjukkan penurunan hambatan pada saat Fr>0.4 baik koefisien hambatan gelombang maupun koefisien hambatan total dengan penurunan rata-rata dari masing-masing hambatan sebesar 1.47% dan 4.06%. Hasil menunjukkan bahwa proses optimasi pentamaran pada penelitian ini dapat diprediksi dengan baik pada pentamaran dengan kecepatan tinggi, namun belum bisa diprediksi dengan baik pada pentamaran dengan kecepatan rendah.

---

One effort to minimize wave resistance to reduce total resistance is a multihull configuration by varying the placement of the outrigger. This study aims to find the optimal configuration of the warp chine hull to reduce significant total resistance for various speeds. The limited information about the use of warp chine hull in multihull related to the characteristics of the hull and the optimization of outrigger placement is the basis of the use of warp chine hull in this study. Calculation and optimizations using the MATLAB computer program using Artificial Neural Network methods and Genetic Algorithms. The optimization results show a decrease in resistance when Fr> 0.4 both the wave resistance coefficient and the total resistance coefficient with an average reduction of each resistance by 1.47% and 4.06%. The results show that the optimization process in this study can be predicted well in the high speed application, but it cannot be predicted well in the low speed application."

"Proses segmentasi organ secara manual memakan waktu dan hasilnya subyektif terhadap definisi batas-batas kontur. Pemanfaatan teknologi Machine Learning (ML) berjenis 3D convolutional neural network (3D CNN) untuk mensegmentasi organ secara otomatis dapat mempercepat dan menstandarisasi hasil segmentasi organ. Penelitian ini mengimplementasilan network ML berbasis VoxResNet dan memanfaatkan 60 dataset CT Scan toraks dari Grand Callenge AAPM 2017 untuk melatih, memvalidasi, dan menguji model-model ML dengan berbagai variasi hyperparameter. Pengaruh variasi hyperparameter terhadap hasil segmentasi model juga dipelajari. Dataset dibagi menjadi 3 yaitu, 36 untuk perlatihan, 12 untuk validasi, dan 12 untuk pengujian. Dalam penelitian ini paru-paru kiri dan paru-paru kanan dijadikan satu jenis OAR bernama paru-paru, esophagus dan spinal cord dijadikan satu OAR bernama ESP, sedangkan jantung tetap OAR tersendiri. Variasi hyperparameter adalah variasi ukuran patch, jumlah batch, dan weight class. Hasil segmentasi model-model dievaluasi dan diperbandingkan untuk mencari model terbaik dengan hyperparameter-nya yang mampu menghasilkan kualitas hasil segmentasi organ terbaik. Kemampuan network dalam proses perlatihan dan validasi dievaluasi menggunakan kurva pembelajaran. Kualitas hasil segmentasi model organ dievaluasi menggunakan boxplot distribusi populasi nilai metrik Dice Similiarity Coefficient (DSC) dan Housdorf Distance (HD) setiap slice. Peningkatan atau penurunan kinerja model akibat variasi hyperparameter dinilai menggunakan skor peningkatan metrik. Terakhir, metrik DSC dan HD95 secara 3D hasil segmentasi model terbaik dibandingkan dengan hasil segmentasi oleh interrater variability AAPM 2017 dan hasil segmentasi team virginia. Hasil kurva pembelajaran tidak mengalami underfitting menunjukkan bahwa network mampu mempelajari data perlatihan dengan baik. Overfitting terjadi pada model organ jantung dan ESP. Hasil eksperimen variasi ukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja moukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja model. Model ukuran patch tengah memberikan kualitas distribusi metrik dan skor paling baik dibandingkan model ukuran patch terkecil dan terbesar pada semua OAR dengan skor 11, 13, dan 13 dari 16. Hasil eksperimen variasi jumlah batch menunjukkan bahwa peningkatan jumlah batch tidak selalu berdampak positif terhadap kinerja model. Untuk model jantung ukuran patch terbesar, peningkatan batch dapat meningkatkan skor dari 2 menjadi 12. Untuk model ESP ukuran patch terbesar, peningkatan batch menurunkan skor dari 13 menjadi 2. Hasil eksperimen variasi weight class (W) menunjukkan bahwa baik model jantung maupun ESP cenderung memberikan distribusi metrik dan skor terbaik di sekitar W = [1,3.67] atau W = [1, C1 < 11]. Dibandingkan dengan interrater variability AAPM, model jantung terbaik menghasilkan nilai metrik yang comparable, yaitu untuk DSC 3D 0.932 ± 0.016 = 0.931 ± 0.015 dan untuk HD95 4.00 ± 0.25 < 6.42 ± 1.82. Sedangkan untuk model paru-paru memberikan metrik lebih baik, yaitu 0.964 ± 0.025 > 0.956 ± 0,019 dan 4,72± 0,21 < 6.71 ± 3,91. Dibandingkan dengan team virginia, model jantung terbaik berhasil memberikan nilai metrik yang lebih baik. yaitu 0.932 ± 0.016 > 0.925 ± 0.015 dan 4.00 ± 0.25 < 6.57 ± 1.50, sedangkan model ESP terbaik menghasilkan metrik yang comparable, yaitu 0.815 ± 0.049 = 0,810 ± 0,069 dan 4,68 ± 0,17 < 8,71 ± 10,59. Dari hasil-hasil ini memberikan potensi adanya perpaduan ukuran patch, jumlah batch, dan weight class tertentu yang dapat menyebabkan hasil segmentasi model ukuran patch lebih kecil dapat mengimbangi hasil segmentasi model ukuran patch lebih besar sehingga tuntutan akan perangkat dengan spesifikasi tinggi dan mahal dapat berkurang.

---

The process of manual organ segmentation is time consuming and the results are subjective in term of definition of contour boundaries. The utilization of Machine Learning (ML) technology using 3D convolutional neural network (3D CNN) to segment organs automatically can speed up the procces as well as standardizing the results of organ segmentation. This study implements a VoxResNet-based ML network and utilizes 60 thoracic CT scan datasets obtained from Grand Callenge AAPM 2017 to train, validate, and test ML models with various hyperparameter variations. The effects of hyperparameter variations on the segmentation results of models are also studied. The dataset is divided into 3 parts, namely 36 for training, 12 for validation, and 12 for testing. In this study the left lung and right lung were combined into one type of OAR called the lung, the esophagus and spinal cord were combined into one OAR called ESP, while the heart remained a separate OAR. Hyperparameter variations are variations in patch size, number of batches, and weight loss. The segmentation results of the models are evaluated and compared each other to find the best model and it’s hyperparameters which is able to produce the best segmentation’s quality. The ability of the network in training and validation procceses is evaluated using learning curve. The quality of the organ model’s segmentation results is evaluated using boxplot of population’s distribution of the Dice Similiarity Coefficient (DSC) and Housdorf Distance (HD) metrics for each slice. The increases or decreases in model performance due to variations in hyperparameters are assessed using the metric improvement score. Finally, the 3D DSC and HD95 metrics of the best model’s segmentation results are compared to the results of segmentation by the AAPM 2017’s interrater variability and to the segmentation results by team virginia. There is no underfitting of learning curve indicates that the network is able to learn the training data. Overfitting occurs in the heart and ESP models. The experimental results from patch size variations show that the size of the patch is not always linear with the performance of the model. The middle patch sized models give the best metric distribution’s quality as well as scores compared to the smallest and largest patch sized models for all OARs with scores of 11, 13, and 13 out of 16. The experimental results from batch number variations show that an increase in batch does not always have a positive impact on model performance. For the largest patch sized heart’s model, the increase increases the score from 2 to 12. For the largest patch sized ESP's model, the increase reduces the score from 13 to 2. The results from variations in weight loss (W) experiment show that both heart’s and ESP's models tend to provide the best distributions in term of metrics and scores around W = [1, 3.67] or W = [1, C1 < 11]. By comparing with AAPM's interrater’s variability, the best heart model produces comparable metric's result, that is 0.932 ± 0.016 = 0.931 ± 0.015 for DSC 3D and 4.00 ± 0.25 < 6.42 ± 1.82 for HD95. The best lungs model produces better metrics, that is 0.964 ± 0.025 > 0.956 ± 0,019 and 4,72 ± 0,21 < 6.71 ± 3,91. By comparing with team virginia's results, the best heart model produces better results that is 0.932 ± 0.016 > 0.925 ± 0.015 and 4.00 ± 0.25 < 6.57 ± 1.50. Meanwhile the best ESP model produces comparable results that is 0.815 ± 0.049 = 0,810 ± 0,069 and 4,68 ± 0,17 < 8,71 ± 10,59. The results of this study suggests that there is a certain combination of patch size, batch, and weight class by which enables smaller patch sized model to produce comparable metric's result produced by larger patch sized model thus decreasing the need to use higher specificationed and expensive computer."