Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 112767 dokumen yang sesuai dengan query
cover
Desan Rafsanjani
Universal regression model berbasis Convolution Neural Network (CNN) untuk sistem pengukuran kadar gula total pada 3 varietas pisang Musa acuminata menggunakan Citra Hyperspectral = Universal regression model based on Convolution Neural Network (CNN) for measurement system of total sugar content in 3 banana varieties Musa acuminata Using Hyperspectral Image
"Pisang (Musa sp.) merupakan salah satu buah dengan keberagaman yang banyak di Indonesia. Terdapat sekitar 6 sampai 9 subspesies atau varietas pisang Musa acuminata. Pemodelan multi-varieties untuk pengukuran kadar gula total pada suatu buah bertujuan untuk memudahkan proses perhitungan untuk satu kelompok varietas sehingga hanya didapatkan satu model saja yang disebut universal model. Dalam penelitian ini, penulis mencoba membuat universal model untuk pengukuran kadar gula total pada 3 varietas pisang Musa acuminata menggunakan citra hiperspektral berbasis Visible-Near Infrared (VNIR). Universal model utama yang akan digunakan berbasis Convolution Neural Network (CNN). Convolution Neural Networks (CNN) merupakan kumpulan suatu layer (neural) 3 dimensi yang membentuk suatu jaringan (network) yang berfungsi untuk pengolahan data berdimensi tiga melalui proses konvolusi. 3 komponen utama dalam perancangan perangkat keras untuk akuisisi data citra hyperspectral, di antaranya kamera hiperspektral, lampu halogen, dan slider. Pada penelitian ini digunakan 3 jenis buah pisang berbeda, yaitu pisang ambon kuning, pisang cavendish, dan pisang mas. Model universal atau model untuk memprediksi kadar gula total pada pisang cavendish, pisang mas, dan pisang ambon pada penelitian ini didapatkan parameter regresi sebesar 1,1285 untuk RMSEP; 0,2338 untuk RMSEC; 0,8747 untuk RP2; dan 0,9946 untuk RC2. Implementasi deep learning CNN sebagai regresi untuk sistem pengukuran kadar gula total pada varietas pisang Musa acuminata dapat digunakan pada penelitian ini karena didapatkan nilai parameter regresi yang hampir sama dengan parameter hasil regresi pada algoritma PLSR.
Banana (Musa sp.) is one of the most diverse fruits in Indonesia. There are about 6 to 9 subspecies or varieties of Musa acuminata banana. Multi-varieties modeling for measuring the total sugar content in a fruit aims to facilitate the calculation process for one varieties group so that only one model is obtained which is called the universal model. In this study, the authors tried to obtain a universal model for measuring total sugar content in 3 Banana Varieties Musa acuminata using hyperspectral imaging based on Visible-Near Infrared (VNIR). The main universal model to be used is based on Convolution Neural Network (CNN). Convolution Neural Networks (CNN) is a set of 3-dimensional (neural) layers that form a network that used for three-dimensional data processing through a convolutional. 3 main hardware components used for hyperspectral image data acquisition, including a hyperspectral camera, halogen lights, and sliders. In this study, three different types of banana were used, there is yellow ambon banana, cavendish banana, and mas banana. Universal model or a model to predict total sugar content in cavendish banana, cas banana, and ambon banana in this study obtained a regression parameter of 1.1285 for RMSEP; 0.2338 for RMSEC; 0.8747 for RP2; and 0,9946 for RC2. The implementation of deep learning CNN as a regression for the total sugar content measurement system in Musa acuminata banana variety can be used in this study due to the regression parameter values are almost the same as the regression parameters in the PLSR algorithm"
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Fitria Indah Astari
Universal prediction model berbasis random forest untuk sistem pengukuran kadar gula: studi kasus 3 varietas pisang musa acuminata = Universal prediction model for sugar content measurement system based on random forest: a case study of 3 varieties of banana musa acuminata
"Kadar gula merupakan salah satu karakter kualitas buah pisang yang memengaruhi rasa. Berdasarkan kesamaan karakteristik spektral pada varietas pisang ambon, pisang mas, dan pisang cavendish, yang didapat dari hasil akuisisi citra menggunakan kamera hiperspektral VNIR (400 - 1000 nm), telah berhasil dirancang sebuah universal prediction model yang tidak memerlukan perlakuan destruktif untuk memprediksi nilai kadar gula pada 3 varietas pisang Musa acuminata: pisang ambon, pisang mas, dan pisang cavendish. Filter Savitzky - Golay mengurangi noise pada hasil spektral dan juga memperkuat sinyal yang berisi informasi penting. Pada model regresi Random Forest dengan fitur panjang gelombang optimal berjumlah 20 menghasilkan nilai RMSE pelatihan (train) dan RMSE pengujian (test) yang kecil dengan masing-masing sebesar 0,67 dan 1,08 serta nilai koefisien korelasi pelatihan (R2 Train) dan koefisien korelasi pelatihan (R2 Test) yang besar masing-masing sebesar 0,98, dan 0,94. Hal menunjukan penggunaan algoritma Random Forest untuk pembuatan universal prediction model memiliki hasil yang baik.
Sugar content is one of the quality attribute that affects the taste of bananas. A non-destructive universal prediction model has been successfully designed based on the similarity of the spectral characteristics of the Ambon bananas, Mas bananas and Cavendish bananas, which were obtained from the results of image acquisition using a VNIR hyperspectral camera (400 - 1000 nm) to predict the value of sugar content on 3 banana Musa acuminata varieties: Ambon bananas, Mas bananas and Cavendish bananas. The Savitzky - Golay filter reduces noises in the spectral results and also amplifies the signal that contains some important information. Random Forest regression model with 20 features give a small error value with RMSE Train value is 0.67 and RMSE Test value is 1.08, also give a large correlation coefficient value with R2 Train value is 0.98 and R2 Test value is 0.94, it shows that the use of the Random Forest algorithm for designing the universal prediction model has good results."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Dina Akmalia
Sistem pengukuran kadar gula total pada buah pisang (musa sp.) berbasis citra V-NIR = Measurement system of sugar content in banana (musa sp.) based on V-NIR imaging
"ABSTRAK
Kadar gula total merupakan salah satu parameter internal untuk kualitas buah. Pada penelitian ini diperkenalkan sistem pengukuran kadar gula total tanpa merusak buah menggunakan hyperspectral imaging dalam rentang panjang gelombang V-NIR 400-1000 nm . Komponen utama pada sistem hyperspectral imaging adalah lampu halogen dan kamera hiperspektral. Hyperspectral imaging bekerja dengan memanfaatkan data reflektansi dari permukaan buah pisang dan menggunakan Partial Least Square Regression PLSR dan Support Vector Machine SVM untuk analisis spektral dan spasial yang menghasilkan model yang dapat memprediksi nilai kadar gula total dan klasifikasi tingkat kematangan pada buah pisang. Nilai kadar gula total pada buah pisang sebagai data pembanding diuji menggunakan refraktometer. Pada penelitian ini digunakan 15 pisang raja dan 15 pisang ambon yang terdiri dari 5 pisang mentah, 5 pisang matang dan 5 pisang terlalu matang. Dari PLSR dan SVM model didapatkan nilai RMSE 0,4091 , koefisien korelasi R2 sebesar 0,997 dan kesalahan klasifikasi 0 untuk pisang raja dan didapatkan nilai RMSE 0,4802 , koefisien korelasi R2 sebesar 0,996 dan kesalahan klasifikasi 0 untuk pisang ambon. Hasil penelitian menunjukkan bahwa sistem hyperspectral imaging dapat digunakan sebagai instrumen untuk pengukuran kadar gula total pada buah pisang.
ABSTRACT
Sugar content is one of the internal parameters for fruit quality. In this study, a non destruction measurement system for sugar content is introduced using hyperspectral imaging in the V NIR spectral range 400 1000 nm . The main components of the hyperspectral imaging system are halogen lamps and hyperspectral cameras. Hyperspectral imaging works by utilizing reflectance data from banana surfaces and using Partial Least Square Regression PLSR and Support Vector Machine SVM for spectral and spatial analysis that create a model that can predict total sugar content and banana maturity stage classification. The value of sugar content in banana was tested using refractometer as comparison data. In this study used 15 raja bananas and 15 ambon bananas consisting of 5 raw bananas, 5 ripe bananas and 5 overripe bananas. PLSR and SVM model provided RMSE of 0,4091 , correlation coefficient R2 of 0,997 and classification error of 0 for raja bananas and provided RMSE of 0,4802 , correlation coefficient R2 of 0,996 and classification error of 0 for ambon bananas. The results showed that the hyperspectral imaging system can be used as an instrument for measuring total sugar content in bananas."
2017
S67036
UI - Skripsi Membership  Universitas Indonesia Library
cover
Syifa Dzulhijjah Juansyah
Sistem pemilah kematangan buah pisang (musa sp.) berdasarkan kadar klorofil berbasis citra hiperspektral = Sorting system for banana (musa sp.) maturity based on chlorophyll content using hyperspectral imaging
"ABSTRAK
Sekarang ini, tingkat kematangan buah pisang Musa sp diklasifikasikan secara manual berdasarkan warna kulitnya. Pada penelitian ini, akan diperkenakan sistem otomatis tingkat kematangan buah pisang menggunakan teknologi hyperspectral. Sistem perangkat keras yang digunakan terdiri dari satu set alat pengukuran, sumber cahaya halogen dan kamera hyperspectral yang terhubung ke PC melalui Camera Link. Perangkat lunak sistem terdiri dari pengukuran hasil reflektansi citra, ekstraksi ciri, dan algoritma klasifikasi. Citra reflektansi permukaan pisang dihitung berdasarkan citra yang didapat, white reference dan dark reference. Feature extraction ekstraksi ciri didapatkan menggunakan principal component analysis pada semua range panjang gelombang hyperspectral. Dengan demikian, tingkat kematangan diklasifikasikan menggunakan artificial neural network menjadi 3 kelas yaitu, mentah, matang dan sangat matang. Sampel yang digunakan ialah 15 pisang ambon Musa acuminate colla dan 15 pisang raja Musa textilla yang masing-masing berisi 5 sampel pada setiap tingkat kematangan. Hasil penelitian ini menunjukan bahwa sistem yang diusulkan dapat mengkalsifikasikan tingkat kematangan buah pisang cukup akurat.
ABSTRACT
Nowadays, the maturity of banana is classified manually based on the surface color of banana. In this study, an automatic system was introduce using hyperspectral technology system. The hardware of system consist of a set of measuring system, light source and hyperspectral camera that connect to PC via Camera Link. The software of system consists of reflectance image profile measurement, feature extraction and classification algorithm. The reflectance image profile of the banana surface was calculated based on current image, white and dark image reference. The feature sets were computed using a principal component analysis on full wavelength range of HIS spectra. Thus, the maturity stage of banana was classified artificial neural network into 3 classes i.e. immature, mature and very mature. The samples used were 15 sampel Musa acuminate collaa and 15 sampel Moses textilla which is consist 5 samples for each aturity stage.The results show that the proposed system can classify the banana maturity stage perfectly. "
2017
S67132
UI - Skripsi Membership  Universitas Indonesia Library
cover
Elkania Samanta Nagani
Deteksi Penyakit Mata pada Fundus Image Menggunakan Metode CO-ResNet Convolution Neural Network (CNN) = Detection of Eye Disease on Fundus Image Using CO-ResNet Convolution Neural Network (CNN) Method
"Penyakit mata perlu pendeteksian dan diagnosis yang tepat mengingat peran organ mata yang penting dalam kehidupan. Salah satu cara mendeteksi penyakit mata yang menyebabkan kebutaan adalah melalui ophthalmoscopy, dengan hasil pemeriksaan berupa citra fundus. Penelitian ini menggunakan metode Convolution Neural Network (CNN) dengan arsitektur CO-ResNet. Data yang digunakan dalam penelitian ini diambil dari online database yang berisi data multi-kelas penyakit mata. Preprocessing crop center dan resize digunakan dalam penelitian ini agar ukuran data citra dapat dijadikan input model. Fungsi optimasi untuk meminimalkan loss function ketika melatih model yang digunakan dalam penelitian ini adalah fungsi Adam dengan setting hyperparameter learning rate, epoch, 𝛽1 , dan 𝛽2 . Fungsi loss yang digunakan untuk masalah pengklasifikasian multikelas dalam penelitian ini adalah categorical cross entropy. Hasil penelitian menunjukan nilai yang diperoleh dengan training loss terkecil sebesar 0,4066 dan validation loss terkecil sebesar 0,4950. Sementara itu, nilai training accuracy terbaik sebesar 87% dan validation accuracy terbaik sebesar 79%. Setelah melalui proses training, dilakukan proses testing untuk mengevaluasi kinerja model. Hasil testing terbaik yang didapat dengan nilai testing accuracy sebesar 75,25%, precision sebesar 75,6%, recall sebesar 75,4%, dan F1-score sebesar 75,4%. Secara keseluruhan, metode CO- ResNet bekerja dengan cukup baik dalam mengklasifikasi dan mendeteksi penyakit mata.
Eye diseases need proper detection and diagnosis considering the important role of eye organs in life. One way to detect eye diseases that cause blindness is through ophthalmoscopy, with the results of the examination being an image of the fundus. This research uses the Convolution Neural Network (CNN) method with CO-ResNet architecture. The data used in this study were taken from an online database containing data on multi-class eye diseases. Preprocessing crop center and resize are used in this study so that the size of the image data can be used as model input. The optimization function to minimize the loss function when training the model used in this study is the Adam function with the hyperparameters setting are learning rate, epoch, 𝛽1, and 𝛽2. The loss function used for the multiclass classification problem in this study is categorical cross entropy. The results showed that the value obtained with the smallest training loss was 0.4066 and the smallest validation loss was 0.4950. Meanwhile, the best training accuracy value is 87% and the best validation accuracy is 79%. After going through the training process, a testing process is carried out to evaluate the performance of the model. The best testing results were obtained with testing accuracy values of 75.25%, precision of 75.6%, recall of 75.4%, and F1-score of 75.4%. Overall, the CO-ResNet method works quite well in classifying and detecting eye diseases."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Rizki Laksmana Pratama
Implementasi Support Vector Regression (SVR) dan Convolutional Neural Network (CNN) untuk Sistem Prediksi Turbiditas Air Berbasis Citra Ponsel = Implementation of Support Vector Regression (SVR) and Convolutional Neural Network (CNN) for Mobile Image-based Water Turbidity Prediction System
"Turbiditas merupakan salah satu indikator yang dapat digunakan untuk menilai kualitas air. Turbiditas dapat diukur menggunakan instrumen konvensional seperti turbidimeter, spektrofotometer, dan nefelometri visual. Namun, semua instrumen tersebut memiliki kekurangannya masing-masing, seperti biaya yang relatif tinggi dan kurang efisien. Pada penelitian ini diusulkan metode pengukuran yang lebih terjangkau dan efisien dengan memanfaatkan kamera ponsel, serta model regresi support vector regression dan EfficientNet-B0 berbasis convolutional neural network sebagai instrumen pengukuran. Akuisisi citra dilakukan di dua lingkungan. Lingkungan 1 didefinisikan sebagai lingkungan dengan cahaya langsung yang menyinari sampel, mengikuti prinsip turbidimetri, sedangkan lingkungan 2 didefinisikan sebagai lingkungan dengan pencahayaan yang bergantung hanya kepada cahaya sekitar dengan intensitas cahaya yang tak tentu. Citra yang telah diakuisisi oleh ponsel melalui berbagai proses prapengolahan data seperti segmentasi, augmentasi, penerapan filter Gaussian, dan ekstraksi fitur saturasi dan tekstur sebelum diteruskan ke model regresi. Dari hasil evaluasi didapatkan kesimpulan bahwa model EfficientNet-B0 lebih unggul dibandingkan dengan support vector regresssion dengan fitur saturasi, tekstur maupun gabungan. Model EfficientNet-B0 mendapatkan nilai R2 sebesar 0.992, MAE sebesar 2.474 dan MSE sebesar 10.669 untuk citra lingkungan 1, dan nilai R2 sebesar 0.97, MAE sebesar 3.333 dan MSE sebesar 29.137 untuk citra lingkungan 2.
Turbidity is an indicator that can be used to assess water quality. Turbidity can be measured using conventional instruments such as turbidimeter, spectrophotometer, and visual nephelometry. However, all of these instruments have their respective drawbacks, such as relatively high costs and inefficient. In this study, a more affordable and efficient measurement method is proposed by utilizing a cellphone camera, as well as a support vector regression and EfficientNet-B0 model based on convolutional neural network as a measurement instrument. Image acquisition will be carried out in two environments. Environment 1 is defined as an environment with direct light shining on the sample, following the principle of turbidimetry, while environment 2 is defined as an environment in which the illumination depends on the ambient light with an indeterminate light intensity. The image that has been acquired by the cellphone will go through various data preprocessing processes such as segmentation, augmentation, application of Gaussian filters, and extraction of saturation and texture features before being forwarded to the regression model. From the evaluation results, it can be concluded that the EfficientNet-B0 model is superior to the support vector regression with saturation, texture, or combined features. The EfficientNet-B0 model gets an R2 value of 0.992, an MAE of 2.474 and an MSE of 10,669 for environment 1 image, and an R2 value of 0.97, an MAE of 3.333 and an MSE of 29,137 for environment 2 image."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Yossie Cahya Permata
Sistem pengujian kadar karotenoid pada buah pisang (musa sp.) berbasis citra hiperspektra = Testing system carotenoid Level in banana fruit (musa sp.) based on hyperspectral imaging
"ABSTRAK
Nilai reflektansi pada panjang gelombang tertentu pada buah pisang dengan rentang yang besar digunakan untuk mengembangkan sebuah sistem pengujian kadar karotenoid menggunakan teknik hiperspektral imaging. Sistem pengujian ini terdiri dari satu set sistem pengukuran, sumber cahaya berupa lampu halogen, dan kamera hiperspektral yang terhubung dengan Personal Computer PC menggunakan penghubung Camera Link. Sampel terdiri dari tiga tingkat kematangan yaitu mentah, matang, dan sangat matang. Sistem pengujian menggunakan Partial least square regression PLSR model untuk memperoleh hasil kuantitatif. PLSR model pada panjang gelombang penuh digunakan untuk membuat sebuah model yang menghubungkan antara data spektral hiperspektral dan kadar karotenoid berdasarkan metode pengujian spektroskopi. Hasil yang diperoleh pada seluruh sampel memiliki koefisien korelasi prediksi melebihi 0,9 pada seluruh sampel dan nilai RMSE 6,81x10-7 pada pisang raja dan 1,03x10-5 pada pisang ambon. Hasil PLSR menunjukan bahwa sistem pengujian dapat digunakan untuk menguji kadar karotenoid.
ABSTRACT
Fruit reflectance spectra of banana with a wide range of carotenoids content have been studied to develop testing system using hyperspectral imaging technique. The testing system consist of a set of measuring instruments, halogen light source, and hyperspectral camera that connected to PC using Camera Link. A sample set combining three stages of maturity i.e. immature, mature, and very mature. The testing system uses Partial least square regression PLSR models to get its quantitative results. PLSR models on full spectra was used to create a model that computing relationship between HSI spectra and carotenoids contents based on spectroscopy methods. The profile map of carotenoids was distributed by applying the PLS models on pixels within the hyperspectral image, which obtained acceptable results for all sample sets with correlation coefficient of prediction over 0.9 and RMSE value 6,81x10 7 on Musa textilia and 1,03x10 5 on Musa paradisiaca. The results show that the proposed system can be used to testing of carotenoids content."
2017
S67009
UI - Skripsi Membership  Universitas Indonesia Library
cover
Awal Try Surya
Sistem Pengukuran Berbasis Penggabungan Fitur Spektral dan Spasial menggunakan Convolutional neural network: Studi Kasus Pengenalan Kadar Lemak, Laktosa, dan Protein Susu = Measurement System of Fat, Lactose, and Protein Content in Milk Using Spatial and Spectral Features Based on Convolutional Neural Network (CNN)
"Lemak, laktosa, dan protein merupakan tiga komponen penting yang dimiliki pada susu sebagai komponen kualitas susu. Kadar lemak, laktosa, dan protein susu dapat diukur menggunakan instrumen pengukur spektrofotometer, laktoscan, dan metode konvensional lainnya. Namun dari instrumen-instrumen pengukuran tersebut masih cukup mahal, memerlukan waktu yang lama untuk mempersiapkan sampel dengan prinsip kemometrik, sehingga dapat merusak sampel. Dalam penelitian ini dirancang sistem pengukuran kadar lemak, laktosa, dan protein pada susu yang lebih murah, efisien, dan tidak merusak sampel menggunakan kamera hiperspektral sebagai instrumen pengukuran dan berbasis convolutional neural network sebagai algoritma pengukuran. Kamera hiperspektral yang digunakan pada rentang panjang gelombang 400 -1000 nm (VIS-NIR) digunakan untuk mengakuisisi karakteristik spasial dan spektral pada susu ultra high temperature (UHT), sapi, kambing. Algoritma regresi convolutional neural network digunakan untuk melakukan prediksi nilai kadar lemak, laktosa, dan protein pada susu. Pada model regresi Modified CNN-GoogLeNet menghasilkan RMSE sebesar 0,66 dan R2 sebesar 0,95 pada data uji untuk pengukuran kadar lemak. Lalu RMSE sebesar 0,45 dan R2 sebesar 0,88 pada data uji untuk pengukuran kadar laktosa. Kemudian RMSE sebesar 0,36 dan R2 sebesar 0,76 pada data uji untuk pengukuran kadar protein. Hal ini menunjukan sistem pengukuran kadar lemak, laktosa, dan protein menggunakan kamera hiperspektral berbasis algoritma Modified CNN-GoogLenet dapat digunakan untuk prediksi kadar lemak, laktosa, dan protein.
Fat, lactose, and protein are three important components in milk as a component of milk quality. The fat, lactose, and protein content of milk can be measured using a spectrophotometer, lactoscan, and other conventional methods. However, these measurement instruments are quite expensive, require a long time to prepare samples with chemometric principles, so it can damage the sample. In this research, a system for measuring fat, lactose, and protein content in milk is designed that is cheaper, and does not damage the sample (non-destructive) using hyperspectral camera as a measurement instrument and based on a convolutional neural network as a measurement algorithm. Hyperspectral camera used in the wavelength range of 400 -1000 nm (VIS-NIR) was used to acquire the spatial and spectral characteristics of ultra high temperature (UHT), cows, goats milk. Convolutional neural network regression algorithm was used to predict the content of fat, lactose, and protein in milk. The CNN-GoogLeNet Modified regression model give RMSE value is 0.66 and R2 value is 0.95 in the test data to measure fat content. Then RMSE value is 0.45 and R2 value is 0.88 on the test data to measure lactose content. Then RMSE value is 0.36 and R2 value is 0.76 on the test data to measure protein content. This shows that the measurement system for fat, lactose, and protein content using a hyperspectral camera based on the Modified CNN-GoogLenet algorithm can be used to predict fat, lactose, and protein levels."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ali Muhammad Ali
Implementasi Sistem Rekonstruksi Citra Hiperspektral dari Citra RGB Berbasis Convolutional Neural Network ResNet pada Sistem Prediksi Kadar Fenolik Daun Bisbul = Implementation of Hyperspectral Image Reconstruction from RGB Image System using ResNet Convolutional Neural Network for Velvet Apple Leaf's Phenolic Content Prediction System
"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."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Bayu Ardianto
Evaluasi Kinerja Sistem Deteksi Serangan Denial of Service (DoS) Berbasis Convolution Neural Network (CNN) 1 Dimensi = Performance Evaluation of Denial of Service (DoS) Attacks Detection System Based on 1 Dimension Convolution Neural Network (1D CNN)
"Dalam rangka meningkatkan kemampuan Intrusion Detection System (IDS) dalam mendeteksi serangan, beberapa penelitian melakukan penerapan teknik deep learning. Penelitian ini menggunakan salah satu teknik deep learning yaitu Convolutional Neural Network (CNN) dengan algoritma Convolution 1 Dimension (Conv1D) dan dataset Communications Security Establishment and Canadian Institute of Cybersecurity Intrusion Detection System (CSE-CIC-IDS) 2017 dan CSE-CIC-IDS 2018 untuk deteksi serangan DoS-Hulk, DoS-SlowHTTPTest, DoS-GoldenEye, dan DoS-Slowloris. Selain itu, dilakukan penggabungan kedua dataset tersebut untuk meningkatkan kinerja deteksi. Kontribusi dari penelitian ini adalah penerapan teknik resampling sebelum data mengalami proses pembelajaran. Selain itu, dilakukan penambahan fungsi dropout untuk mencegah terjadinya overfitting. Berdasarkan hasil penelitian diperoleh bahwa model CNN yang dibangun dengan dataset CSE-CIC-IDS 2018 memiliki kinerja yang lebih tinggi dalam deteksi serangan DoS dibanding model CNN yang dibangun dengan dataset CSE-CIC-IDS 2017 yaitu akurasi 99,57%, precision 99,58%, recall 99,43% dan f1-score 99,50%.
To improve the ability of Intrusion Detection System (IDS) to detect attacks, several studies have implemented deep learning techniques. Our study uses one of the deep learning techniques, namely Convolutional Neural Network (CNN) with Conv1D algorithm and dataset Communications Security Establishment and Canadian Institute of Cybersecurity Intrusion Detection System (CSE-CIC-IDS) 2017 and CSE-CIC-IDS 2018 for detection of DoS attacks-Hulk, DoS attacks-SlowHTTPTest, DoS attacks-GoldenEye, and DoS attacks-Slowloris. In addition, the two datasets were combined to improve detection performance. The contribution of our study is the application of resampling techniques before the data undergoes the learning process. In addition, a dropout function was added to prevent overfitting. Based on the results of the study, it was found that the CNN model built with the CSE-CIC-IDS dataset 2018 had a higher performance in detecting DoS attacks than the CNN model built with the CSE-CIC-IDS 2017 dataset, such as accuracy 99,57% precision 99,58% recall 99,43% dan f1-score 99,50%."
Depok: Fakultas Teknik Universitas Indonesia, 2022
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>