Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTUmumnya untuk membedakan antara lidah perokok dan lidah bukan perokok adalah dengan melihat secara visual yang dilakukan oleh praktisi medis dan masih bersifat invasif. Dalam penelitian ini, sistem pengenalan lidah perokok dibangun dengan menggunakan teknik pencitraan hiperspektral dengan rentang spektrum panjang gelombang VNIR Visible Near Infrared berbasis kombinasi ciri spektral dan ciri tekstur. Tujuan penelitian ini adalah membangun sistem pengenalan lidah perokok berbasis kombinasi ciri spektral dan ciri tekstur untuk meningkatkan nilai akurasi pada sistem pengenalan lidah perokok yang berbasis ciri spektral saja. Ciri spektral yang digunakan adalah nilai reflektansi yang didapat langsung dari ROI Region of Interest citra lidah, sedangkan untuk ciri tekstur yang digunakan adalah nilai energi, homogenitas, korelasi, dan kontras yang didapat pada metode ekstraksi ciri GLCM Gray level Co-occurence Matrix. Kedua ciri tersebut dikombinasikan sebagai input yang digunakan pada tahapan seleksi ciri dengan metode PLS Partial Least Square, yang kemudian akan diklasifikasikan menggunakan metode SVM Support Vector Machine. Hasil klasifikasi SVM kemudian dilakukan validasi dengan menggunakan metode k-cross validation. Nilai Akurasi yang didapat dari hasil klasifikasi SVM dengan kombinasi ciri spektral dan ciri tekstur di 4 bagian lidah, lebih baik dibandingkan dengan nilai akurasi yang didapat dari hasil klasifikasi SVM dengan ciri spektral saja, dengan kenaikan akurasi sebesar 1,19 untuk lidah bagian anterior, 3,35 untuk lidah bagian posterior, 7,95 untuk lidah bagian lateral A, dan 1,02 untuk lidah bagian lateral B.

---

ABSTRACTGenerally, to differentiate between smoker 39s tongue and non smoker 39s tongue is by doing an eye examination, which is invasive and performed by medical practitioners. In this research, smoker 39s tongue recognition system is built by using hyperspectral imaging technique with range of VNIR wavelength spectra, which is based on a combination of spectral features and texture features. The aim of this study is to built smoker 39s tongue recognition system based on a combination of spectral features and texture features to increase the value accuracy of smoker 39s tongue recognition system based on its spectral features only. The spectral features used are the reflectance value obtained from ROI Region of Interest from tongue images, while the texture characteristics used are the energy value, homogenity, correlation, and contrast obtained from extraction method of GLCM Gray Level Co occurence Matrix features. Both features are combined as an input used in the feature selection stage by using PLS Partial Least Square method, which then will be classified by using SVM Support Vector Machine method. After that, the SVM classification result will be validated by using k cross validation method. The value accuracy which is obtained from SVM classification result, by combining the spectral features and the texture characteristics in four regions of tongue, is better than the value accuracy from SVM classification result with spectral features only, with an accuracy increase of 1.19 for anterior region of tongue, 3.35 for posterior region of tongue, 7.95 for lateral A region of tongue, and 1,02 for lateral B region of tongue."

"ABSTRAKDiperlukan suatu sistem yang mampu membantu dokter untuk mendiagnosis seorang pasien perokok atau bukan. Smoker rsquo;s melanosis dapat digunakan sebagai salah satu indikator untuk mengetahui seseorang perokok atau bukan. Penelitian ini memfokuskan pada pembangunan suatu sistem identifikasi perokok secara tidak invasif berbasis pencitraan hiperspektral Hyperspectral Imaging . Sistem yang dikembangkan terdiri atas instrumen akuisisi citra lidah perokok dan algoritma pengolahan citra yang menggunakan ciri spektral dan spasial pada rentang Visible and Near-Infrared VNIR . Rerata intensitas piksel pada suatu rentang spasial digunakan sebagai ciri yang merepresentasikan reflektansi relatif pada panjang gelombang 400-1000 nm. Metode PCA digunakan untuk mereduksi dimensi ciri menjadi lima buah ciri representatif. Metode SVM digunakan untuk mengklasifikasikan ciri menjadi informasi piksel Smoker rsquo;s Melanosis SM dan normal. Pengujian dengan menggunakan 45 sampel yg terdiri dari 20 perokok dan 25 nonperokok dilakukan untuk menguji kinerja sistem yang dikembangkan. Berdasarkan hasil pengujian diperoleh nilai akurasi 97.31 , misclassification rate MR 2.69 , false positive rate FPR 0 , false negative rate FNR 5,83 , sensitivity 94.17 , dan specificity 100 . Secara umum, sistem telah bekerja untuk membantu mendiagnosis seorang perokok.

---

ABSTRACTsystem which could help a doctor to diagnose patient who is smoker or not smoker is needed. Smoker 39 s melanosis could be used as one of indicator to identify someone is a smoker or not. This study focuses on the development of a non invasive system of smoker identification based on hyperspectral imaging. The developed system consists of smoker 39 s image acquisition instrument and image processing algorithm using spectral and spatial characteristics in the Visible and Near Infrared VNIR range. The average pixel intensity at a spatial range is used as a feature that represents the relative reflectance at the wavelength of 400 1000 nm. The PCA method is used to reduce the dimensions features into five representative features. The SVM method is used to classify the feature into Smoker 39 s Melanosis SM and normal pixel information. This experiment was using 45 samples consisting of 20 smokers and 25 nonsmokers. It were perfomed to test the performance of the developed system. The results show that the accuracy is 97.31 , misclassification rate MR is 2.69 , false positive rate FPR is 0 , false negative rate FNR is 5,83 , sensitivity is 94.17 , and specificity is 100 . In general, the system has worked to help diagnose a smoker."

"ABSTRAKUmumnya kadar air buah dapat diukur dengan membandingkan reduksi massa benda dengan metode pengeringan oven. Dalam tulisan ini, sistem prediksi kadar air pisang diperkenalkan dengan teknik pencitraan VNIR Visible Light ndash; Near Infrared . Teknik pencitraan hiperspektral dengan menggunakan citra VNIR merupakan teknologi yang dapat diandalkan dalam pengujian kualitas buah secara non destruktif, cepat dan efisien. Sistem prediksi ini menggunakan PCA dan PLS sebagai model regresi untuk mendapatkan hasil kuantitatif nya. Hasil regresi yang didapatkan dari PCA untuk pisang raja berupa RMSE Root Mean Square Error sebesar 0.65 dan R2 Coerrelation Coefficient sebesar 0.71. Sedangkan hasil dari PLS yaitu RMSE sebesar 0.54 dan R2 sebesar 0.82. Hasil regresi dari PLS relatif lebih baik daripada PCA dan lebih akurat. Untuk mengetahui klasifikasi tingkat kematangannya, sistem prediksi kadar air pisang ini menggunakan SVM.

---

ABSTRACTCommonly, the fruit moisture content could be measured by comparing the mass decrement of object through oven drying method. In this paper, a bananas moisture content prediction system was introduced using Visible Light ndash NIR imaging technique. Hyperspectral imaging technique using VNIR image is a reliable technology in fruit quality testing non destructive, fast and efficien. The prediction system uses PCA and PLS as a regression model to get its quantitative results. Regression results obtained from PCA for Raja bananas in the form of RMSE Root Mean Square Error of 0.65 and R2 Correlation Coefficient of 0.71. While the results of the PLS RMSE of 0.54 and R2 of 0.82. Regression results from PLS are relatively better than PCA and more accurate. To determine the classification of the level of maturity, the moisture content of bananas prediction system uses SVM Support Vector Machine."

"ABSTRAKKandungan madu dibangun dari kadar gula yang tinggi. Salah satu parameter kualitas madu dapat dilihat dari kandungan gula yang terkandung didalamnya. Oleh karena itu, diperlukan sistem untuk memprediksi kandungan gula tambahan sebagai salah satu parameter keaslian madu dan dapat digunakan untuk mengklasifikasikan madu asli dengan madu palsu. Citra madu diperoleh dengan menggunakan mode transmitansi dalam kisaran panjang gelombang VNIR 400 - 1000 nm. Sistem yang lengkap terdiri dari kamera Hiperspektral pada kanal 224, slider, lampu halogen 150 W dan diffuser cahaya. Metode pengolahan data yang dilakukan ialah koreksi gambar, segmentasi, ekstraksi fitur, r fitur, model regresi, dan model klasifikasi. Partial Least Square Regression (PLSR) digunakan sebagai reduksi fitur dan model regresi untuk analisis kuantitatif berdasarkan profil transmitansi madu. Soluble Solid Content (SSC) diukur menggunakan Digital Refractometer Pocket Hand Held sebagai data referensi. Principal Component Analysis (PCA) digunakan sebagai reduksi fitur dan Support Vector Machine (SVM) digunakan untuk mengklasifikasikan madu asli dengan madu palsu. Lima jenis madu dari produsen yang sama digunakan sebagai sampel madu. Gula buatan ditambahkan ke madu asli untuk menghasilkan 6 varian Soluble Solid Content. Hasil RMSE dan R² untuk data tes masing-masing ialah 2,33 dan 0,84. Hasil yang didapatkan dari data tes untuk model klasifikasi ialah berupa akurasi sebesar 88,9%, Misclassification Rate (MR) sebesar 12%, False Positive Rate (FPR) sebesar 4%, dan False Negative Rate (FNR) sebesar 5%. Berdasarkan hasil tersebut, sistem yang diusulkan dapat digunakan sebagai metode alternatif untuk memprediksi SSC dan mengklasifikasikan madu asli dan madu palsu dengan akurasi yang sangat baik.

---

ABSTRACT

Honey content is constructed by a high sugar content.  One parameter of the honey qualities can be seen from the sugar contained in it. Therefore, a system is needed to predict additional sugar content as one of the authenticity parameters of honey and can be used to classify original honey and adulterant honey. The honey image is obtained using the transmittance mode in the VNIR wavelength range of 400 - 1000 nm. The complete system consists of a Hyperspectral camera on 224 band, slider, 150 W halogen lamp and light diffuser. The processing method performs image correction, segmentation, feature extraction, feature reduction, regression models, and classification models. Partial Least Square Regression (PLSR) was used as a reduction feature and a regression model for quantitative analysis using the honey transmittance profile. Soluble Solid Content (SSC) is measured using Digital Refractometer Pocket Hand Held as reference data. Principal Component Analysis (PCA) is used as a feature reduction and Support Vector Machine (SVM) is used to classify the original honey and adulterant honey. Five types of honey from the same producer were used as honey samples. The artificial sugar is added to the original honey to produce 6 variants of Soluble Solid Content. RMSE and R² results for each test data are 2,33 dan 0,84. The results obtained from the test data for the classification models are 88,9% for the accuracy, 12% for the missclassification rate (MR), 4% for the False Positive Rate (FPR), and 5% for the False Negative Rate (FNR). Based on these results, the system can be used as an alternative method for predicting SSC and classifying original honey and adulterant honey with very good accuracy.

"

"ABSTRAKIdentifikasi lapisan lilin pada buah sangat sulit dilakukan tanpa adanya suatu sistem yang bersifat non-destruktif. Pada umumnya, dilakukan metode yang bersifat destruktif untuk mengetahui ada atau tidaknya suatu lapisan pada buah, seperti merendam buah pada air panas, menggunakan campuran cuka dengan air, atau campuran soda kue dengan air. Adapun metode destruktif lainnya yang menggunakan instrumentasi kromatografi gas, dimana proses ini membutuhkan waktu yang lama dan pengoperasian yang sulit. Citra VNIR menjadi metode terbaru untuk mengatasi masalah tersebut karena metode ini bersifat non-destruktif dan lebih mudah untuk dioperasikan. Dalam penelitian ini, sistem identifikasi ada atau tidaknya lapisan lilin pada buah apel berhasil dibuat. Proses dimulai melalui akuisisi citra, koreksi citra, object detection, window averaging, model klasifikasi, hingga mendapatkan status pelapisan (coating status). Citra diakuisisi pada rentang panjang gelombang 400 hingga 100 nm. Profil reflektansi yang didapat, selanjutnya dikomparasikan antara satu kelas dengan kelas lainnya, sehingga terlihat perbedaan yang mencolok diantara keduanya. Selanjutnya, model akan diuji dan dievaluasi menggunakan data referensi yang merupakan hasil klasifikasi secara manual. Pembuatan dan pengujian model dilakukan melalui proses traning dan testing data. Pada penelitian ini, digunakan beberapa model klasifikasi yang dibuat berdasarkan profil reflektansi dari setiap citra yang telah diakuisisi. Hasil akurasi model melalui evaluasi confusion matrix didapat sebesar 70,83% untuk model PCA-SVM, 95,42% untuk model DT, dan 98,33% untuk model RF.

---

ABSTRACTWax coating identification on fruits is very difficult without a non-destructive system. In general, destructive methods were used to find out whether or not there are coatings on fruit, such as soaking fruit in hot water, using a mixture of vinegar and water, or baking soda and water. There are other destructive methods using instrumentation like gas chromatography, where this process takes much time and difficult to operate. VNIR imaging becomes the latest method to overcome this problem because this method is non-destructive and easier to operate. In this study, identification system for the presence or absence of wax coating on apples has been successfully made. The process starts through image acquisition, image correction, object detection, window averaging, classification model, until we got the coating status. The image was acquired on a wavelength range from 400 to 1000 nm. The reflectance profile is obtained, then it is compared between one class and the other class, until there is a noticable difference between the two. Next, the model will be tested and evaluated using reference data which is the result of manual classification. The making and testing of the model was done through the process of data training and data testing. In this study, several classifications models were made based on the reflectance profile of each acquired image. The accuracy of the model through confusion matrix evaluatin were 70.83% for the PCA-SVM model, 95.42% for the DT model, and 98.33% for the RF model."

"ABSTRAKPada saat ini, buah-buahan dilapiskan lilin untuk mempertahankan kualitas dan memperpanjang usia simpan buah. Pengukuran kualitas buah yang dilapiskan lilin umumnya bersifat destruktif. Pengukuran kualitas buah berlapis lilin menggunakan citra VNIR belum pernah dilakukan, sehingga diperlukan pengkajian lebih lanjut mengenai pengaruh lapisan lilin pada pengukuran kualitas buah berbasis citra VNIR. Dalam penelitian ini, lilin lebah digunakan untuk melapiskan apel malang. Partial Least Square Regression (PLSR) dan Regression Tree (RT) digunakan sebagai algoritma seleksi fitur dan model regresi. Dalam penelitian ini, pemodelan dibentuk menggunakan apel tidak berlapis lilin, apel berlapis lilin, gabungan antara apel tidak berlapis lilin dan apel berlapis lilin. Selanjutnya, dilakukan pengujian apel malang berlapiskan lilin terhadap model prediksi kekerasan apel malang tidak berlapiskan lilin. Sistem prediksi kekerasan memiliki performa terbaik jika menggunakan data pelatihan dan data pengujian berupa apel tidak berlapis lilin saja. Hasil dari model PLSR dan RT menggunakan apel tidak berlapis lilin sebesar 0,97 dan 0,88 pada R2; 3,22 dan 6,65 pada RMSE. Berdasarkan hasil tersebut, lapisan lilin pada permukaan buah dapat memengaruhi hasil pengukuran berbasis citra VNIR.

---

ABSTRACTThese days, wax coating was applied on fruits to maintain its quality and extends the shelf life. The quality measurement of the waxed fruit was destructive in most cases. The quality measurement of the waxed fruit with VNIR image had never been done before, so further study about the effect of wax coating for VNIR image-based fruit quality measurement was needed. In this study, beeswax is used to coated Malang apples. Partial Least Square Regression (PLSR) and Regression Tree (RT) used as feature selection and regression model algorithm.  In this study, a regression model was built using non-waxed Malang apples, waxed Malang apples, a combination of non-waxed Malang apples and waxed Malang apples. Next, the waxed Malang apples was tested to the firmness prediction model of the non-waxed Malang apples. Firmness prediction system of Malang apples obtained the best performance if using training data and test data of non-waxed Malang apples. The results of PLSR and RT model using non-waxed Malang apples were 0.97 and 0.88 for R2, 3.22 and 6.55 for RMSE. Based on these results, wax coating on the surface of the fruit could disrupt the measurement results of VNIR image."

"Demam merupakan gejala dari penyakit COVID-19 yang memiliki sensitivitas 54% dan spesifisitas 67% terhadap SARS-CoV-2 sehingga dapat dijadikan acuan untuk mencegah penyebaran penyakit COVID-19. Dua sensor yang paling sering dijadikan termometer infrared adalah MLX90614 dan AMG8833 karena rentang suhu pengukurannya yang tinggi dan akurasinya yang baik. Hasil pengukuran termometer infrared dapat dipengaruhi oleh jarak ukur, suhu ruangan, dan aktivitas fisik pada tubuh manusia. Oleh karena itu, pada skripsi ini penulis merangcang rangkaian thermal camera dengan dua buah sensor infrared dan mengevaluasi kinerja sensor berdasarkan jarak ukur (15, 30, 40, dan 60 cm), suhu ruangan non-AC dan AC (30 dan 26,4 oC), serta aktivitas fisik. Hasil penelitian menunjukkan jarak pengukuran terbaik adalah 15 cm dan besar persentase error rata-rata variabel (EV) yang berbeda dari setiap sensor, yaitu sensor MLX90614 0,560% (15 cm) dan 0,843% (60 cm) sedangkan sensor AMG8833 0,577% (15 cm) dan 1,439% (60 cm). Kemudian MLX90614 mempunyai EV 0,567% (non-AC) dan 0,553% (AC) sedangkan sensor AMG8833 0,868% (non-AC) dan 0,948% (AC). Setelah itu MLX90614 mempunyai EV 0,469% (sebelum aktivitas fisik) dan 0,651% (setelah aktivitas fisik) sedangkan AMG8833 1,259% (sebelum aktivitas fisik) dan 0,558% (setelah aktivitas fisik). Selain tiga variabel uji, casing alat dapat membuat EV sensor AMG8833 kurang dari 1,00% (sebelum dan setelah aktivitas fisik). Akibat adanya nilai EV di atas 1,00 %, penelitian ini dapat dilanjutkan dengan memberikan komponen tambahan yang dapat membuat sensor lebih fokus.

---

Fever is a symptom of COVID-19 disease which has a sensitivity of 54% and specificity of 67% to SARS-CoV-2 so that it can be used as a reference to prevent the spread of COVID-19 disease. The two sensors that are mostly used as an infrared thermometer are the MLX90614 and AMG8833 sensor because of their high measurement range and good accuracy. The measurement results of an infrared thermometer can be influenced by the measuring distance, room temperature, and physical activity on the human body. Therefore, in this thesis the author designs a thermal camera circuit with two infrared sensors and evaluates the performance of the sensor based on the measuring distance (15, 30, 40, and 60 cm), non-AC and AC room temperature (30 and 26.4 oC), and physical activity. The results showed that the best measurement distance is 15 cm and the average of variable error percentages (EV) are different for each sensor. The MLX90614 sensor has 0.560% (15 cm) and 0.843% (60 cm) EV while the AMG8833 sensor has 0.577% (15 cm) and 1.439% (60 cm) EV. Then the MLX90614 has an EV of 0.567% (non-AC) and 0.553% (AC) while the AMG8833 sensor has 0.868% (non-AC) and 0.948% (AC). After that, MLX90614 has an EV of 0.469% (before physical activity) and 0.651% (after physical activity) while AMG8833 has 1.259% (before physical activity) and 0.558% (after physical activity). In addition to the three test variables, the device enclosure could make the AMG8833 sensor EV less than 1.00% (before and after physical activity). Due to the there are EV values above 1.00%, this research can be continued by adding other components that can make the sensor more focused."

"ABSTRAKSistem prediksi berbasis citra VNIR mampu untuk memprediksi parameter tertentu pada suatu objek. Parameter seperti kadar fenolik dari daun bisbul dapat diprediksi dengan sistem prediksi berbasis citra VNIR. Citra VNIR daun bisbul diakuisisi menggunakan kamera hiperspektral dengan rentang 400 hingga 1000 nm. Model regresi yang digunakan pada sistem prediksi ini meliputi Support Vector Regression (SVR), Partial Least Square Regression (PLSR), serta Decision Tree Regression (DTR). Dari ketiga model tersebut didapatkan nilai error yang menunjukkan performa sistem prediksi yang dibuat. Error berupa koefisien determinasi (R2) dan Root Mean Square Error (RMSE). Nilai koefisien determinasi (R2) sebesar 0,95 (SVR); 0,91 (PLSR); dan 0,90 (DTR). Serta untuk RMSE sebesar 2,66 (SVR). 3,60 (PLSR), dan 3,90 (DTR). Berdasarkan hasil koefisien korelasi dari ketiga model tersebut, dapat disampaikan bahwa kadar fenolik dari daun bisbul dapat diprediksi dengan menggunakan model SVR untuk performa yang baik dan menggunakan parameter fungsi kernel polinomial orde 3. Nilai prediksi kadar fenolik rata-rata dari ketiga model sebesar 32,72 GAE(µg/mg) untuk DTR; 32,46 GAE(µg/mg) untuk PLSR; dan 32,27 GAE(µg/mg) untuk SVR.

---

ABSTRACT

Prediction systems based on VNIR images are able to predict certain parameters on an object. Parameters such as the phenolic content of Diospyros discolor Willd leaf can be predicted by this system. VNIR images of Diospyros discolor Willd leaf acquired using a hyperspectral camera with a range of 400 to 1000 nm. The regression model to predict the content used Support Vector Regression (SVR), Partial Least Square Regression (PLSR), and Decision Tree Regression (DTR). Based on three models, an error value is obtained that indicates the performance of the predictive system. The error value such as coefficient correlation (R) and Root Mean Square Error (RMSE). The value of R from the models are 0,95 (SVR); 0,91 (PLSR), and 0,90 (DTR). The value of RMSE from the models are 2,66 (SVR). 3,60 (PLSR), and 3,90 (DTR). Value of predicted total phenolic content from the models are 32,72 GAE(µg/mg) for DTR; 32,46 GAE(µg/mg) for PLSR; dan 32,27 GAE(µg/mg) for SVR. Based on the coefficient correlation, phenolic content can be predicted using SVR model for best result with kernel function polynomial 3 order.

"

"

Salah satu data pelacakan objek yang menarik untuk diteliti adalah citra termal inframerah. Data tersebut tahan terhadap perubahan cahaya bahkan dapat dihasilkan pada kondisi tanpa cahaya. Disamping kelebihan yang dimiliki, pelacakan objek pada citra termal inframerah tersebut memiliki tantangan yang berbeda dari pelacakan pada citra visual spektrum, seperti kontras rendah yang merupakan karakter dari citra termal inframerah menyebabkan deteksi tepi antara objek dan latar belakang mempunyai kesulitan lebih tinggi. Penelitian ini bertujuan untuk menghasilkan metode pelacakan dengan akurasi tinggi dan dapat diimplementasikan secara real-time (20 frame per detik). Metode yang diusulkan pada penelitian ini adalah Optical Flow Tracker (OFT) dengan penambahan transformasi log adaptif (aLOFT) untuk meningkatkan kontras citra. Penambahan metode adaptive pre-processing tersebut mampu meningkatkan performa OFT. Tracker aLOFT cukup kompetitif ketika dibandingkan dengan state of the art tracker pada tantangan motion blur PTB-TIR 2019 Benchmark dengan hasil akurasi 0.905 dan kecepatan komputasi 64.9 fps.

---

One of the interesting objects tracking data is thermal infrared images. It is because of its ability to see in full darkness, no shadow effects and illumination robustness. However, those images object tracking has different challenges from visual images tracking, like low contrast of thermal images that cause difficulty to recognize the edge between object and background. Therefore, this research has the purpose to produce the tracker that is good in the precision score and still works in real-time (20 frames per second). In this paper, the authors proposed an adaptive log transform to enhance optical flow tracker (aLOFT) for thermal infrared images. The result of this method shows that adaptive pre-processing helps the tracker to outperform a better result compared to different preprocessing methods. The aLOFT tracker is competitive when compared to the state-of-the-art tracker PTB-TIR 2019 Benchmark in the motion blur problem with an accuracy of 0.905 and a computing speed of 64.9 fps.

 

"