Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu metode deteksi penyakit Diabetes mellitus ialah dengan mengukur kadar glukosa pada darah dengan mengambil sejumlah darah untuk dilakukan pengukuran. Selain itu, metode pengukuran bersifat non-invasif juga sedang mengalami perkembangan, di antaranya ialah iridologi. Penelitian ini memfokuskan pada perancangan suatu sistem prediksi Diabetes mellitus melalui citra iris (iridologi) yang bersifat non-invasif. Pemetaan organ yang berkorespondensi pada wilayah iris dapat dimanfaatkan untuk memprediksi kerusakan jaringan organ, khususnya pada pankreas sebagai penghasil insulin. Sistem yang dikembangkan terdiri atas instrumen akuisisi citra iris dan algoritma pengolahan citra yang berbasis pada ciri tekstur. Pemrosesan citra yang dilakukan ialah peningkatan kualitas melalui metode FFT filtering dan grayscaling, lokalisasi iris dengan circular hough transform (CHT), dan normalisasi dengan rubber-sheet normalization. Kemudian dilakukan segmentasi daerah pankreas pada iris sejumlah satu ROI di mata kanan dan dua ROI di mata kiri. Akuisisi citra iris dilakukan sebanyak tiga kali pada 15 subjek tidak Diabetes dan 11 subjek Diabetes. Ekstraksi ciri yang dilakukan menggunakan filter Gabor pada bagian ROI tersebut. Model ANN digunakan untuk klasifikasi kelas Diabetes dan non-Diabetes menggunakan metode SCG dan cross validation menghasilkan akurasi sebesar 87.6%, misclassification error (MR) 12.4%, false positive rate (FPR) 8.26%, false negative rate (FNR) 18.8%, sensitivity 81.2% dan specificity 91.7%. Nilai tersebut menggambarkan bahwa sistem secara umum dapat bekerja untuk membantu prediksi seseorang berpenyakit Diabetes.

---

One of Diabetes mellitus detection method is to measure the blood glucose by drawing small amount of blood. Other than that, some non-invasive methods also have been developed, one of the alternative methods is iridology. This research focus on development of non-invasive Diabetes mellitus prediction system through iris image. The mapping of organs that corresponded in iris image can be used to detect damaged tissues of an organ, particularly in pancreas where insulin hormone is made.

The developed system consists of image acquisition instrument and image processing algorithm using texture characteristics. The processing starts with image enhancement using filter FFT and grayscaling, iris localization using circular hough transform (CHT), and normalization using rubber-sheet normalization. Segmentation on pancreas in iris image then resulted as followed, one ROI of right eye image and two ROIs of left eye image.

Image acquisition was done with maximum of three images taken and used from 15 health subjects and 11 Diabetes subjects. Feature extraction method that used is Gabor filter. Classification model ANN is used to classify between Diabetes and health subjects with SCG function and cross validation results in accuracy number of 87.6%, misclassification error (MR) 12.4%, false positive rate (FPR) 8.26%, false negative rate (FNR) 18.8%, sensitivity 81.2% and specificity 91.7­­%. Those results show that, system in general has worked to help in prediction of Diabetes."

"Secara teoritis, biometrik dapat digunakan untuk mengidentifikasi dan memverifikasi suatu individu. Iris mata merupakan salah satu instrumen biometric yang handal, karena keunikan dari dan kompleksitasnya.Di dalam penelitian ini dirancang bangun program identifikasi iris mata menggunakan metode Jaringan Syaraf Tiruan (JST). Citra mata dijital yang akan diidentifikasi pertama-tama dilakukan pra-pengolahan terlebih dahulu. Proses ini memisahkan bagian iris dari citra mata menggunakan metode morphologi, yaitu close, erosi dan dilasi. Selanjutnya, citra disegmentasi untuk memisahkan citra iris berbentuk lingkaran dalam koordinat x-y menjadi format polar r-θ berbentuk persegi panjang. Citra polar kemudian diekstrasi untuk mendapatkan nilai karakteristik rata-ratanya dalam bentuk matriks 40 x 1. Nilai karakteristik dilatih dan dimasukkan ke dalam database sebagai input pembanding untuk proses identifikasi. JST terdiri dari 10 layer tersembunyi, 1 layer keluaran, dengan fungsi aktifasi tansig dan purelin.Setelah dilakukan pelatihan untuk 80 citra iris, baik mata kiri maupun kanan, proses identifikasi mencapai tingkat akurasi rata-rata sebesar 87% untuk 5 buah input citra dengan 20 kali uji coba.

---

Theorically, biometric can be used to identify dan verify an individu. Iris is one of biometric identifier that highly acceptable because of its uniqueness and complexity.

The objective of this research is to identifiy an iris using Artificial Neural Network (ANN) method. First, the digital infrared image of eye will be preprocessed which separate the iris from the eye using morphology technique, such as closing, erosion, and dilation. The iris is then transformed from x-y dimension into r-θ polar image, which convert the circle shape into rectangle one. The image was then extracted in order to get the average value of its intensities and saved in 40 x 1 matrix size. These values will be trained in the ANN and inserted into a database to be used as a comparator in identification process. The ANN consisted of 10 hidden layer, 1 output layer, and activation functions of tansig and purelin, respectively.

Using 80 images as training data, the identification accuracy reached 87 % for 5 images and 20 times of test for left side and right side eyes."

"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."

"Estimation of porosity (and other petrophysical parameters) from well logs are important yet difficult task encountered in geophysical formation evaluation and reservoir engineering. Motivated by recent result of artificial neural network (ANN) modelling offshore eastern Canada and North sea, we have developed neural nets for converting well logs in the Field-X, West Java, to porosity. We use back propagation artificial neural network (BPANN) to model porosity of the area. The porosity ANN is a simple three layer network using sonic, density and resistivity logs for input.Optimum network's parameters, like type of activation function, number of facts, and number of neurons also have been investigated through series of trials and errors of network. The network, initially developed for basin-scale problems, perform sufficiently accurate to meet normal requirements. There is strong similarity (R=0.964) between the predicted porosity from BPANN with density-derived porosity (which has been used as a substitute for core plug porosity due to not enought core data available). A major adventage is that no a priori knowledge of the rock material and pore fluids is required. Real-time conversion based on measurements while drilling (MWD) is thus an obvious application."

"ABSTRAKKadar kolesterol yang tinggi dalam darah dapat memicu timbulnya penyakit jantung koroner. Berdasarkan data yang diperoleh dari Kementerian Kesehatan Republik Indonesia, penyakit jantung koroner merupakan penyebab kematian tertinggi kedua setelah stroke dengan persentase 12.9% pada tahun 2014. Selain kolesterol tinggi, kondisi stres yang tinggi juga dapat memicu berbagai penyakit seperti gangguan pencernaan, kecemasan, dan gangguan jantung. Sehingga pemeriksaan kesehatan sedini mungkin baik dengan metode alternatif maupun pemeriksaan secara medis perlu dilakukan.Penelitian ini membahas mengenai deteksi kolesterol dan stres melalui pengamatan citra iris. Endapan lemak yang telah terbentuk di jaringan kornea menghasilkan keburaman di area terluar iris. Tanda ini merupakan indikasi dari ketidakseimbangan tubuh sebagai tanda kolesterol berlebih. Sedangkan tidak terbentuknya endapan lemakmengindikasikan kondisi kolesterol tidak tinggi. Sehingga dari pengamatan karakteristik iris ini, dapat dideteksi kondisi kolesterol tinggi dan kolesterol tidak tinggi. Lingkaran-lingkaran yang terbentuk pada iris atau yang disebut dengan cincin saraf mengindikasikan adanya ketegangan saraf berlebih. Cincin saraf terbentuk karena adanya iritabilitas, insomnia, ketidakseimbangan mental dan emosi seseorang. Sehingga tanda ini dapat mengindikasikan kondisi stres seseorang berupa bergejala stres atau tidak bergejala.Deteksi kolesterol dan stres ini dibuat menggunakan metode Morphology Reconstruction untuk mengubah karakteristik penyakit lain pada ROI yang sama, Gray Level Co-occurence Matrix (GLCM) sebagai metode ekstraksi ciri, dan Backpropagation Neural Network (BNN) sebagai metode klasifikasi. Ciri yang digunakan dalam penelitian ini adalah entropy, contrast, correlation, energy, homogeneity, variance, dan difference variance. Dari hasil perancangan dengan jumlah citra pelatihan masing-masing sebesar 59 untuk deteksi kolesterol dan 53 untuk deteksi stres, diperoleh tingkat akurasi pengujian mencapai 96.49% untuk deteksi kolesterol dan 85.96% untuk deteksi stres dengan jumlah citra uji sebesar 57 citra.

---

ABSTRACTHigh cholesterol levels in the blood can trigger coronary heart disease. Based on data obtained from the Ministry of Health of the Republic of Indonesia, coronary heart disease is the second highest cause of death with a percentage of 12.9% in 2014. Besides high cholesterol, high stress conditions can also trigger various diseases such as digestive disorders, anxiety, and heart problems. So people need to do healthexaminations as early as possible.This study discusses the detection of cholesterol and stress through observation of iris images. Fat deposits that have formed in the corneal tissue produce blur in the outer area of the iris. This sign is an indication of body imbalance as a sign of excess cholesterol. While the formation of fat deposits does not indicate the condition of cholesterol, it is identified as not high cholesterol. So from observing the characteristics of this iris, high cholesterol and not high cholesterol conditions can be detected. The circles that form on the iris or called as nerve ring indicate excessive nervous tension. The nerve ring is formed due to irritability, insomnia, mental and emotional imbalance in a person. So this sign can indicate a person's stress condition in the form of symptomatic stress or asymptomatic.This cholesterol and stress detection is made using the Morphology Reconstruction method to change the characteristics of other diseases on the same Region of Interest, Gray Level Co-occurrence Matrix (GLCM) as a feature extraction method, and Backpropagation Neural Network (BNN) as a classification method. The characteristics used in this study are entropy, contrast, correlation, energy, homogeneity, variance, and difference variance. From the results of the design with the number of training images respectively 59 images for cholesterol detection and 53 images for stress detection, the accuracy of the test is 96.49% for cholesterol detection and 85.96% for stress detection with the number of testing images is 57 images."

"Boron triazin dengan doping lithium serta karbon nitride merupakan material modifikasi dari CNT, lebih baik dari massa zat maupun kemampuan mengadsorp hidrogen. Penelitian mengenai adsorpsi hidrogen oleh material nanostruktur seperti CNT yang dilakukan secara eksperimental serta simulasi memilki banyak kekurangan. Artificial Neural Network dimodelkan sebagai alat prediksi kapasitas adsorpsi hidrogen yang menjadi solusi kekurangan metode penelitian yang ada. Tujuan penelitian ini mencari pengkonfigurasian terbaik untuk ANN sehingga dapat menjadi alat prediksi yang presisi dan teruji jalan cepat mendapatkan data adsorpsi hidrogen tanpa melakukan simulasi. Goal dari penelitian ini ialah mendukung percepatan pengimplementasian hidrogen sebagai renewable energy untuk kapal masa depan. Penelitian dilakukan dengan simulasi struktur nano pada ruang penyebaran hidrogen (VMD, Packmol, Lammps), pengolahan data banyak (Ms.Excel), dan training data (NN). Pemodelan fungsi prediksi ANN pada adsorpsi Hidrogen oleh Boron triazin dengan doping Lithium menghasilkan konfigurasi nn terbaik yakni pada varian pemilihan pertama dengan neuron 10. Sementara untuk Material Triazin pada temperature 77 menghasilkan konfigurasi nn terbaik pada skala 100-1000, pemilihan pertama, neuron 10. Sedangkan pada temperature 233 konfigurasi nn terbaik ditunjukan pada 100-10000 dengan neuron yang sama yakni 10.

---

Boron triazine with lithium doping and carbon nitride is a material modification of the CNT, better than the mass of a substance as well as the ability adsorbing hydrogen. Research on hydrogen adsorption by nanostructured materials such as CNT conducted experimental and simulation has many shortcomings. Artificial Neural Network is modeled as predictors of hydrogen adsorption capacity of the solution to be no shortage of research methods.

The purpose of this study look for the best configuration to ANN that can be a predictor of precision and proven fast way to get hydrogen adsorption data without doing simulations. Goal of this study is to support the accelerated implementation of hydrogen as a renewable energy for future ships. The study was conducted with a simulation of nanostructures in space deployment of hydrogen (VMD, Packmol, Lammps), many data processing (Ms.Excel), and the training of data (NN).

ANN predictive modeling function on hydrogen adsorption by Boron doping triazine with Lithium produce the best nn configuration variant first election to the neuron 10. While for Material Triazines at temperatures of 77 to produce the best nn configuration on a scale of 100-1000, the first election, the neuron 10. Meanwhile, at temperatures of 233 nn configuration best shown in 100-10000 the same neurons that is 10."

"Perkembangan teknologi otomotif di dunia yang sangat pesat menuntut para pelaku industri otomotif untuk terus-menerus mengembangkan teknologi dan inovasi terbaru. Namun, inovasi yang dilakukan di industri otomotif tidak lagi terbatas pada inovasi produk namun juga pada proses pengembangan produk. Salah satunya adalah dengan menerapkan strategi product platform. Penelitian ini dilakukan untuk memprediksi waktu pergantian platform pada salah satu jenis produk multi-generasi, yaitu produk otomotif, dengan menggunakan metode peramalan artificial neural network. Hasil prediksi pada penelitian menunjukkan bahwa prediksi waktu pergantian platform berkisar dalam kurun waktu 32-33 quarter yang merupakan hasil yang sesuai dengan rentang waktu inovasi platform yang ideal yaitu 8-10 tahun. Selain itu, penelitian juga memperlihatkan bahwa pergantian platform pada produk otomotif kerap dilakukan ketika produk sedang berada di tahap maturity dalam siklus hidupnya serta berhasil mengidentifikasi faktor-faktor yang mempengaruhi keputusan perusahaan untuk melakukan pergantian platform.

---

The rapid growth of technology in the automotive industry has forced the manufacturers to continuously develop new technology and make innovations. Nowadays, innovation in the automotive industry does not only refer to product innovation, but it refers to process innovation as well, for example by implementing the product platform strategy. This research aims to predict the development time of new platform for one of the multiple-generation product line, automotive product, using artificial neural network. The prediction from this research shows that new platform should be introduced in 32-33 quarters. This result is suitable to the ideal condition of platform innovation which is in 8-10 years. Moreover, the result shows that most of the time company decides to introduce the next-generation platform while the older generation is still in the maturity stage of its life cycle and the research also successfully identifies the factors influencing company to introduce the next-generation platform."

"Di Indonesia, dengue telah menjadi salah satu penyakit yang bersifat hiperendemis. Dengue diderita oleh masyarakat dari berbagai kalangan usia, baik pria maupun wanita. Dengue memiliki manifestasi klinis yang terdiri dari tiga fase: fase demam, fase kritis, dan fase penyembuhan. Banyak pasien dengue meninggal pada fase kritis karena pengobatan yang tidak dilaksanakan tepat waktu. Oleh karena itu, dibangunlah model-model yang dapat memprediksi tingkat keparahan dengue berdasarkan hasil uji laboratorium dari pasien yang bersangkutan menggunakan Artificial Neural Network (ANN) dan Analisis Diskriminan (AD). Dalam pembangunan model-model tersebut, digunakan data dengan jumlah yang sangat kecil, yakni sebesar 77 data. Dalam data tersebut, terdapat informasi mengenai hasil uji laboratorium dan diagnosis dari pasien yang bersangkutan. Diagnosis tersebut dikelompokkan ke dalam tiga kategori keparahan dengue, yakni DF sebagai tingkat ringan, DHF grade 1 sebagai tingkat sedang, dan DHF grade 2 sebagai tingkat parah. Dalam penelitian ini, dilakukan tiga pemisahan data, yakni dengan rasio data training : data testing sebesar 70% : 30%, 80% : 20%, and 90% : 10%. Berdasarkan hasil yang diperoleh, model-model prediksi ANN yang dibangun menggunakan fungsi aktivasi logistik dan tangen hiperbolik dengan persentase data training sebesar 70% menghasilkan akurasi (90.91%), sensitivitas (91.11%), dan spesifisitas (95.51%) tertinggi. Model-model tersebutlah yang diajukan dalam penelitian ini. Model-model tersebut akan mampu membantu para dokter dalam memprediksi tingkat keparahan dengue dari pasien yang bersangkutan sebelum memasuki fase kritis. Lebih jauh, model-model tersebut dapat memudahkan para dokter dalam mengobati pasien dengue secara dini, sehingga kasus-kasus fatal atau kematian dapat dihindari.

---

In Indonesia, dengue has become one of the hyperendemic diseases. Dengue is being suffered by many people of all ages, both men and women. Dengue has clinical manifestations that are divided into three phases: febrile phase, critical phase, and convalescence phase. Many patients have died in the critical phase due to the lack of timely treatment. Therefore, I developed models that can predict the severity of dengue based on the corresponding patients’ laboratory test results using Artificial Neural Network (ANN) and Discriminant Analysis (DA). In developing the models, I used a very small dataset, which only consisted of 77 data. The data contains information regarding the laboratory test results and the diagnosis of each of the corresponding patients. The diagnoses were classified into three categories of dengue severity, which are DF as the mild level, DHF grade 1 as the intermediate level, and DHF grade 2 as the severe level. I conducted three different data split, that is, with the ratio of training : testing = 70% : 30%, 80% : 20%, and 90% : 10%. It is shown that ANN models developed using logistic and hyperbolic tangent activation function with 70% training data yielded the highest accuracy (90.91%), sensitivity (91.11%), and specificity (95.51%). These ANN models are the proposed models in this research. The proposed models will be able to help physicians predict the dengue severity of a corresponding patient before entering the critical phase. Furthermore, it will ease physicians in treating dengue patients early, so deaths or fatal cases can be avoided."

"Citra hiperspektral memiliki informasi dalam rentang spektrum yang luas melebihi rentang spektrum yang ada pada citra RGB sebagai citra yang umum digunakan sehari-hari saat ini. Informasi tersebut dapat dimanfaatkan dalam berbagai macam bidang; salah satunya adalah pengukuran kadar tertentu dalam suatu objek. Namun, kamera hiperspektral sebagai alat akuisisi citra memiliki kekurangan yaitu harganya yang mahal, tidak mudah dioperasikan, ukuran hasil citra yang besar, serta memerlukan teknik dan perangkat khusus saat mengakuisisi citra. Hal tersebut berbeda dengan kamera RGB yang memiliki harga yang jauh lebih murah, hasil citra berukuran kecil, serta mudah dioperasikan. Penelitian ini melakukan implementasi sistem rekonstruksi citra hiperspektral dari citra RGB berbasis convolutional neural network ResNet pada sistem prediksi kadar fenolik daun bisbul. Terdapat proses rekonstruksi citra hiperspektral dengan target jumlah bands sebanyak 224 pada rentang panjang gelombang 400 sampai 1000 nm. Penelitian ini menggunakan algoritma model ResNet untuk model rekonstruksi citra, serta algoritma model XGBoost untuk model prediksi kadar. Performa model yang dihasilkan dalam penelitian ini adalah RMSE sebesar 0,1129 dan MRAE sebesar 0,3187 untuk model rekonstruksi citra, serta RMSE sebesar 0,5798 dan MRAE sebesar 0,1431 untuk model prediksi kadar. Citra hiperspektral hasil rekonstruksi mampu menghasilkan pola spectral signature yang serupa dengan citra hiperspektral asli.

---

Hyperspectral images have much information within their large spectrum area; larger than RGB images which are used daily nowadays. The information can be used in many applications; one of them is content measurement of an object. However, hyperspectral cameras as an image acquisition instrument have disadvantages, such as high cost, not easy to operate, large image results, and require additional equipment in its image acquisition. This is different from RGB cameras which have cheaper price, smaller in image size, and easier to operate. This study implemented a hyperspectral image reconstruction system from RGB images based on the ResNet convolutional neural network on the velvet apple leaf’s phenolic content prediction system. This study reconstructs hyperspectral images with a total target of 224 bands in the wavelength range of 400 to 1000 nm. This study uses the ResNet model algorithm for the image reconstruction model, and the XGBoost model algorithm for the content prediction. The performance of the model produced in this study is RMSE of 0.1129 and MRAE of 0.3187 for the image reconstruction model, as well as RMSE of 0.5798 and MRAE of 0.1431 for the content prediction model. The reconstructed hyperspectral image can produce the same spectral signature pattern as the original hyperspectral image."

"Diabetes mellitus merupakan salah satu penyakit tidak menular dengan angka kematian tertinggi di dunia. Hal ini terjadi karena tingginya resiko komplikasi yang disebabkan pernyakit tersebut. Salah satu cara pencegahan yang dapat dilakukan adalah dengan melakukan pendeteksian lebih awal, salah satunya dengan menggunakan metode iridologi. Metode ini dapat mendeteksi kerusakan organ tubuh melalui tanda-tanda yang muncul pada iris. Dengan menggunakan metode tersebut penelitian ini dilakukan untuk mengklasifikasi penyakit diabetes menggunakan Convolutional Neural Network. Sistem ini mengevaluasi sebanyak 35 subjek normal dan 14 subjek diabetes. Adapun beberapa tahapan yang dilakukan untuk mengelola citra, di antaranya filtering, grayscaling, normalisasi, segmentasi, dan klasifikasi. Selain itu, sistem ini juga melakukan berbagai variasi untuk memperoleh konfigurasi terbaik, seperti variasi citra segmentasi dan tanpa segmentasi, variasi lebar iris, variasi bagian-bagian pankreas, variasi jumlah k-fold, dan variasi algoritma pengoptimalan menggunakan SGDM, Adam dan RMSProp. Sistem ini memperoleh akurasi sebesar 96,43% dengan variasi citra tanpa segmentasi berukuran  piksel menggunakan algoritma Adam dengan learning rate 0,001.

---

Diabetes mellitus is one of the uncontagious diseases with the highest mortality rate in the world. This happens because of the high risk of complications caused by this disease. One of the preventative ways is to do early detection, one of which is by using the iridology method. This method detects damage to the body's organs through the signs that appear on the iris. Using that method, this study was conducted to classify diabetes using Convolutional Neural Network. This system evaluates 35 normal subjects and 14 diabetes subjects. Several steps are taken to process the image, such as filtering, grayscaling, normalization, segmentation, and classification. Other than that, this system also performs various variations to obtain the best configuration, such as variations in image segmentation and without segmentation, variations in iris width, variations in parts of the pancreas, variations in the number of k-fold, and variations in optimization algorithms using SGDM, Adam and RMSProp. This system obtained an accuracy of 96.43% with variations image without segmentation size pixel using Adam's algorithm with a learning rate of 0.001."