Hasil Pencarian  ::  Simpan CSV :: Kembali

"Solar filament adalah objek pada kromosfer atau korona matahari yang dapat menjadi indikator terjadinya aktivitas-aktivitas cuaca antariksa (space weather). Aktivitas-aktivitas tersebut dapat menimbulkan efek pada kehidupan di bumi seperti gangguan pada pembangkit listrik, kerusakan pada komponen satelit dan wahana luar angkasa, membahayakan aktivitas manusia di luar angkasa, mengakibatkan gangguan pada sistem berbasis komunikasi radio, dan lain-lain. Deteksi filament merupakan bagian penting dari aktivitas peramalan dan peringatan dini serta riset terhadap cuaca antariksa. Pengamatan filament dilakukan menggunakan teleskop dengan fiter Hydrogen-Alpha (H-Alpha). Hingga saat ini telah teradapat beberapa metode yang dikembangkan untuk melakukan deteksi filament pada citra H-Alpha secara otomatis. Namun metode-metode tersebut masih menggunakan algoritma tradisional yang berbasis intensity thresholding, yang mana sangat bergantung pada banyak langkah preprocessing untuk melakukan binerisasi citra H-Alpha. Penelitian ini memanfaatkan deep learning berbasis CNN yaitu Mask R-CNN untuk melakukan deteksi dan ekstraksi fitur-fitur matahari pada citra H-Alpha secara otomatis dan real-time. Hasil dari deteksi dan ekstraksi fitur ini kemudian disimpan ke dalam basis data hingga dapat digunakan dalam memenuhi kebutuhan data untuk aktivitas riset, peramalan, dan sistem peringatan dini. Citra yang digunakan dalam penelitian adalah citra H-Alpha milik Lembaga Penerbangan dan Antariksa Nasional (LAPAN), yang diambil pada bulan Oktober 2017 – Agustus 2018. Sistem yang dirancang dapat mendeteksi filament dan fitur-fitur matahari lainnya dalam waktu 0.3 detik dengan skor ketelitian hingga 0.95.

---

Solar filament is an object in the Sun’s chromosphere, in which its appearance used as indicator of Sun’s activites in term of space weather. The Sun’s activities itself affect human life in any ways, such as disturbance on power grids, errors on satellites and spacecrafts, anomalies on radio waves based systems, etc. Thus, solar filament detection is an important task on forecasting, early warning, and other research activities regerding the Sun on solar physics topic. Filament observation carried out using solar telescope equipped with Hydrogen-Alpha (H-Alpha) filter, and captured in an image using a capture device. There are some methods has developed to detect filament on H-Alpha images automatically. Most of them uses traditional algorithm based on intensity thresholding, which is very dependent on many preprocessing steps in the binarizing process. This study utilize CNN based deep learning named Mask R-CNN to perform real-time, automatic detection and ectraction of filaments and other solar features on H-Alpha images. The detection and extraction results then recorded in a database to satisfy data availability on solar activity related tasks. This study uses H-Alpha images obtained from Lembaga Penerbangan dan Antariksa Nasional (LAPAN), captured between October 2017 - August 2018. This study shows that the implemented Mask R-CNN based system detects filament and other solar features in approximately 0.3 seconds with 0.95 precision score."

"Penayangan iklan pada tempat umum cenderung dilakukan secara acak, sehingga pesan yang disampaikan bisa tidak tepat sasaran. Smart-ads billboard dapat menjadi salah satu solusi untuk menampilkan iklan yang sesuai dengan kondisi dan situasi pada suatu area. Smart-ads billboard dapat direalisasi menggunakan sensor secara real-time dengan memanfaatkan internet of things (IoT). Permasalahannya, perangkat IoT bisa saja menghasilkan data yang banyak dan berukuran besar, sedangkan perangkat IoT memiliki kapabilitas komputasi yang sangat terbatas. Penggunaan paradigma cloud computing dapat menjadi salah satu solusi, sebab resource yang terdapat pada cloud berjumlah jauh lebih banyak jika dibandingkan dengan perangkat IoT. Namun, limit bandwidth jaringan dapat meningkatkan latency pada suatu sistem, sehingga diterapkan paradigma fog computing. Untuk dapat mengimplementasikan fog computing pada sistem smart-ads billboard dengan mudah, pengaplikasian FogVerse sebagai basis dari sistem menjadi salah satu pilihan yang baik, sebab FogVerse dirancang khusus untuk menunjang stream data processing dengan menggunakan Apache Kafka. Sistem smart-ads billboard bekerja dengan mende- teksi jumlah orang pada suatu tempat, kemudian menampilkan iklan sesuai dengan jumlah orang yang ada. Untuk itu, dibutuhkan proses object detection secara real-time menggunakan suatu model machine learning. Penggunaan model machine learning YOLO dapat mendukung hal tersebut, karena YOLO dapat melakukan object detection secara real-time menggunakan deep learning. Penelitian ini menyelesaikan permasalahan smart-ads billboard dalam dua tahap. Pertama, dilakukan fine-tuning untuk implementasi YOLO untuk object atau person detection menggunakan crowdhuman dataset. Hal ini dilakukan untuk meningkatkan performa model dalam mendeteksi orang. Selanjutnya, model YOLO ini diadaptasi ke dalam sistem FogVerse untuk smart-ads billboard. Penelitian ini juga menunjukan faktor-faktor lain yang dapat memengaruhi latency dari sistem dan CPU utilization dari perangkat fog, serta bagaimana mengoptimalkan penggunaan perangkat fog dengan suatu scheduling algorithm.

---

Public advertisements shown on billboards, jumbotrons, and others are commonly randomized. Hence, some of the messages will not reach the targeted audience. Implementing a real-time smart-ads billboard to display advertisements according to the current situation around the sensor. This can be realized by utilizing Internet of Things (IoT) devices as a solution. Unfortunately, common IoT devices have a low computation capability. To avoid this limitation, the cloud computing paradigm can be a solution. But the latency caused by limited data transfer bandwidth from a local to a cloud device should be considered, especially if the application is delay-sensitive such as the smart-ads billboard. To avoid such things, the fog computing paradigm plays a big role by allowing the system to utilize fog resources before using cloud resources. Developing a smart-ads billboard system with FogVerse as its base application is an advantageous thing to do since FogVerse is designed for data stream processing by using Apache Kafka. Smart-ads billboard system works by detecting the number of people in an area and displaying an advertisement according to it. To do so, a real-time object detection process is essential. Since YOLO is capable to detect objects in real-time, it is sufficient for this type of system. This research approaches the problem in two steps. First, a study is conducted regarding object detection with YOLO, where the YOLO model is fine-tuned with the crowdhuman dataset. It is done to improve the model performance for crowd detection. Next, the YOLO model is used in the FogVerse architecture for smart ads billboards, alongside other factors that may affect system latency and CPU utilization of a fog device. This study also shows how to utilize the fog device optimally using a scheduling algorithm."

"Penayangan iklan pada tempat umum cenderung dilakukan secara acak, sehingga pesan yang disampaikan bisa tidak tepat sasaran. Smart-ads billboard dapat menjadi salah satu solusi untuk menampilkan iklan yang sesuai dengan kondisi dan situasi pada suatu area. Smart-ads billboard dapat direalisasi menggunakan sensor secara real-time dengan memanfaatkan internet of things (IoT). Permasalahannya, perangkat IoT bisa saja menghasilkan data yang banyak dan berukuran besar, sedangkan perangkat IoT memiliki kapabilitas komputasi yang sangat terbatas. Penggunaan paradigma cloud computing dapat menjadi salah satu solusi, sebab resource yang terdapat pada cloud berjumlah jauh lebih banyak jika dibandingkan dengan perangkat IoT. Namun, limit bandwidth jaringan dapat meningkatkan latency pada suatu sistem, sehingga diterapkan paradigma fog computing. Untuk dapat mengimplementasikan fog computing pada sistem smart-ads billboard dengan mudah, pengaplikasian FogVerse sebagai basis dari sistem menjadi salah satu pilihan yang baik, sebab FogVerse dirancang khusus untuk menunjang stream data processing dengan menggunakan Apache Kafka. Sistem smart-ads billboard bekerja dengan mende- teksi jumlah orang pada suatu tempat, kemudian menampilkan iklan sesuai dengan jumlah orang yang ada. Untuk itu, dibutuhkan proses object detection secara real-time menggunakan suatu model machine learning. Penggunaan model machine learning YOLO dapat mendukung hal tersebut, karena YOLO dapat melakukan object detection secara real-time menggunakan deep learning. Penelitian ini menyelesaikan permasalahan smart-ads billboard dalam dua tahap. Pertama, dilakukan fine-tuning untuk implementasi YOLO untuk object atau person detection menggunakan crowdhuman dataset. Hal ini dilakukan untuk meningkatkan performa model dalam mendeteksi orang. Selanjutnya, model YOLO ini diadaptasi ke dalam sistem FogVerse untuk smart-ads billboard. Penelitian ini juga menunjukan faktor-faktor lain yang dapat memengaruhi latency dari sistem dan CPU utilization dari perangkat fog, serta bagaimana mengoptimalkan penggunaan perangkat fog dengan suatu scheduling algorithm.

---

Public advertisements shown on billboards, jumbotrons, and others are commonly randomized. Hence, some of the messages will not reach the targeted audience. Implementing a real-time smart-ads billboard to display advertisements according to the current situation around the sensor. This can be realized by utilizing Internet of Things (IoT) devices as a solution. Unfortunately, common IoT devices have a low computation capability. To avoid this limitation, the cloud computing paradigm can be a solution. But the latency caused by limited data transfer bandwidth from a local to a cloud device should be considered, especially if the application is delay-sensitive such as the smart-ads billboard. To avoid such things, the fog computing paradigm plays a big role by allowing the system to utilize fog resources before using cloud resources. Developing a smart-ads billboard system with FogVerse as its base application is an advantageous thing to do since FogVerse is designed for data stream processing by using Apache Kafka. Smart-ads billboard system works by detecting the number of people in an area and displaying an advertisement according to it. To do so, a real-time object detection process is essential. Since YOLO is capable to detect objects in real-time, it is sufficient for this type of system. This research approaches the problem in two steps. First, a study is conducted regarding object detection with YOLO, where the YOLO model is fine-tuned with the crowdhuman dataset. It is done to improve the model performance for crowd detection. Next, the YOLO model is used in the FogVerse architecture for smart ads billboards, alongside other factors that may affect system latency and CPU utilization of a fog device. This study also shows how to utilize the fog device optimally using a scheduling algorithm."

"Latar Belakang : COVID- 19 disebabkan SARS-COV-2. WHO menerbitkan protokol pemeriksaan laboratorium untuk deteksi virus menggunakan metode real time RT-PCR dari spesimen swab nasofaring dan orofaring. Metode ini cukup invasif. Diperlukan tehnik pemeriksaan yang relatif aman dan nyaman untuk pasien. Penelitian ini bertujuan untuk melihat efetivitas swab bukal sebagai alternatif pemeriksaan SARS-COV-2.Metode : Studi uji diagnostik ini dilaksanakan sejak tahun 2020 - 2021, mengambil spesimen swab nasofaring, swab orofaring dan swab bukal dari pasien positif COVID- 19. Dilakukan optimasi, ekstraksi RNA virus dan real time RT-PCR .Hasil Penelitian : Hasil studi mengumpulkan 68 spesimen dari pasien COVID-19. Hasil uji nasofaring, orofaring dan bukal positif adalah 24 spesimen. Hasil uji nasofaring dan orofaring positif dengan uji bukal negatif adalah 23 spesimen. Berdasarkan nilai Ct < 20 dan Ct <25, hasil kesesuaian positif dan negatif adalah 100%. Nilai Ct < 30 hasil kesesuaian positif 85,3 % dan negatif adalah 100%. Nilai Ct < 40 , hasil kesesuaian positif 51,1 % dan negatif adalah 100%. Kesimpulan : Swab bukal dapat digunakan sebagai pemeriksaan alternatif pada pemeriksaan SARS- CoV-2.

---

Background: COVID-19 caused by the SARS-COV-2 virus. WHO published protocol for the detection of the virus using the real time RT-PCR from nasopharyngeal and oropharynx swab specimens. This method is invasive. Required an examination technique that is relatively safe and comfortable. This study aims to see the effectiveness of the buccal swab as an alternative to the SARS-CoV-2 examination.

Methods: This diagnostic test study from 2020 to 2021, specimens of nasopharyngeal, oropharyngeal and buccal swabs from COVID-19. Specimens underwent an optimization, viral RNA extraction and real time RT-PCR.

Result : This study collected 68 specimens from COVID- 19 patients. The results of positive nasopharyngeal, oropharynx and buccal tests were 24 specimens. The results of a positive nasopharynx and oropharynx test with a negative buccal test were 23 specimens. Based on the values ​​of Ct < 20 and Ct < 25 , the results of positive agreement and negative are 100%. The value of Ct < 30 and Ct < 40  results in a positive agreement are 85.3% and 51,1 %. The negative  results are 100%.

Conclusion : Buccal swab can be used as an alternative test for SARS-CoV-2 examination."

"Latar belakang: Tingginya insiden penyakit rickettsial di Asia Tenggara termasuk Indonesia, memerlukan alat diagnostik yang cepat dan akurat untuk berbagai agen rickettsiosis yang termasuk dalam typhus group, spotted fever group dan scrub typhus group. Tujuan: Penelitian ini bertujuan untuk memberikan gambaran komprehensif mengenai akurasi uji diagnostik multiplex real-time PCR untuk mendeteksi typhus group rickettsia (TGR), spotted fever group rickettsia (SFGR) dan Orientia tsutsugamushi (Scrub Typhus Group/STG), pada pasien / sampel dengan penyakit demam akut. Sumber data: Pencarian daring yang sistematis di database PubMed, EBSCOhost, Scopus, dan Google Cendekia, menggabungkan istilah pencarian ‘multipleks real-time PCR’ ,‘ typhus group’, ‘spotted fever group’, dan ‘scrub typhus’. Kriteria kelayakan penelitian: Studi klinis yang memenuhi syarat adalah studi yang meneliti reliabilitas uji multipleks real time PCR pada pasien / sampel dengan penyakit demam akut. Penilaian studi: Kualitas metodologis dari studi yang dimasukkan dinilai dengan menggunakan The Quality Assessment of Diagnostic Accuracy Studies 2 (QUADAS-2) Hasil: Diperoleh 2 artikel penelitian dengan kualitas sedang dan 1 artikel penelitian dengan kualitas baik. Hanya satu penelitian yang melaporkan nilai akurasi diagnostik metode multiplex real – time PCR yang digunakan dengan nilai sensitivitas/spesifitas klinis 20% / 99% untuk TGR, 25%/98% untuk SFGR dan 27%/100% untuk STG (OT), dengan nilai prediksi positif/ nilai predeksi negatif sebesar 63%/ 92% untuk SFGR, 75% / 87% untuk TGR dan 100% / 88% untuk OT(STG). Sementara kedua penelitian yang lain memberikan proporsi positif masing – masing 9 dari 12 (75%) sampel klinis terkonfirmasi positif dan 11 dari 319 (3%) sampel klinis pasien demam akut. Kesimpulan / signifikansi: Nilai sensitifitas klinis uji multiplex real-time PCR untuk mendeteksi TGR, SFGR dan STG (Orientia tsutsugamushi) dari penelitian – penelitian yang diikutkan tinjauan sistematik ini masih rendah, namun memiliki spesifisitas klinis yang tinggi. Untuk ke depan, penting untuk mengembangkan uji multiplex real-time PCR dengan sensitifitas klinis yang tinggi untuk mendeteksi bakteri Rickettsia / Orientia pada fase akut sehingga pasien mendapat perawatan yang cepat dan tepat.

---

Background: The high incidence of rickettsiosis in Southeast Asia, including Indonesia, necessitates rapid and accurate diagnostic tools for a broad range of rickettsiosis agents, including typhus and spotted fever group and scrub typhus group. Objectives: This study aimed to provide a comprehensive overview of multiplex realtime PCR for detecting typhus group rickettsia (TGR), spotted fever group rickettsia (SFGR) and Orientia tsutsugamushi (Scrub Typhus Group/STG) simultaneously, in patients/samples with acute febrile illness. Data sources: A systematic computerized search conduct in PubMed, EBSCOhost, Scopus, and Google Scholar databases, combining the search term ‘multiplex real-time PCR,’ ‘spotted fever group,’ ‘typhus group,’ and ‘scrub typhus.’ Study eligibility criteria: Clinical studies that investigate the reliability multiplex real time PCR assay in patients/samples with acute febrile illness were eligible. Study appraisal and synthesis methods: The methodological quality of the included studies was assessed with the use of the The Quality Assessment of Diagnostic Accuracy Studies 2 (QUADAS-2) checklist Results: It was obtained two moderate quality articles and one good quality article. Only one study reported diagnostic accuracy values of multiplex real-time PCR methods used with clinical sensitivity / specificity values of 20% / 99% for TGR, 25% / 98% for SFGR and 27% / 100% for STG (OT), with positive predictive value / negative predictive value of 63% / 92% for SFGR, 75% / 87% for TGR and 100% / 88% for OT (STG). While the other two studies provided a positive proportion each 9 out of 12 (75%) clinical samples were confirmed positive and 11 out of 319 (3%) clinical samples were acute fever patients. Conclusion/significance: The clinical sensitivity values of real-time multiplex PCR assay for detecting TGR, SFGR, and STG (Orientia tsutsugamushi) from studies included in this systematic review are still low but have high clinical specificity. On the forward, it is crucial to develop a multiplex real-time PCR test with high clinical sensitivity to detect Rickettsia / Orientia bacteria in the acute phase so the patients receive appropriate care."

"Dengan meningkatnya kompleksitas pemakai basis data, kini arsitektur sistem basis data tidak hanya berdiri sendiri (stand alone/desktop) ataupun 2-tier (client server) kini trend teknologi arsitektur model 3-tier (client, server dan database server) mulai banyak digunakan karena memiliki kelebihan dalam hal efisiensi dan fleksibilitas khususnya sistem basis data yang besar yang memiliki banyak pemakai. Basis data 3-tier merupakan arsitektur yang memiliki tiga segmen, yaitu aplikasi client (client application), aplikasi server (application server) dan basis data server (database server). Pada penelitian ini dirancang model sistem basis data 3-tier yang diaplikasikan untuk simulasi pemantauan mesin Automatic Cutting Soldering (ACS) secara real-time. Sistem basis data 3-tier tersebut dibangun dengan perangkat lunak Borland Delphi 6 untuk aplikasi server (application server) dan aplikasi client (client application) serta SQL Server 2000 sebagai basis data server (database server). Dari hasil perancangan dapat disimpulkan bahwa sistem basis data 3-tier tersebut memiliki kelebihan yaitu ; fleksibel, zero-configuration akses basis data di sisi client, ekonomis, mudah dilakukan up grade konfigurasi dan perawatan sistem."

"Perkembangan teknologi robotika semakin pesat belakangan ini. Keberadaan teknologi Artificial Intelligence (AI) merupakan salah satu faktor yang mendorong perkembangan dari robotika ditambah dengan semakin besarnya kemampuan komputasi dan menurunnya biaya yang diperlukan untuk melakukan komputasi. Robot adalah suatu perangkat yang dapat menggantikan manusia dalam melakukan pekerjaan tertentu. Artificial Intelligence digunakan pada Robot agar dapat melakukan pekerjaan yang membutuhkan kecerdasan seperti melakukan pendeteksian gulma berdasarkan citra dari kamera. Deep Learning dapat digunakan untuk memberikan kemampuan mengekstraksi informasi dari citra sehingga dapat dilakukan tindakan dari adanya informasi tersebut. Jenis neural network yang digunakan harus memiliki kemampuan untuk memahami pola dari gambar dan dapat melokalisasikan setiap objek yang ada beserta dengan jenis objeknya dalam waktu yang cepat. Salah satu arsitektur dengan kemampuan tersebut adalah Single Shot MultiBox Detector (SSD) yang terdapat Convolutional Neural Network (CNN) untuk melakukan ekstraksi informasi dari gambar dan menghasilkan feature map, Convolutional Layer untuk melakukan lokalisasi dan klasifikasi objek dari setiap feature map, dan Non-max Suppression untuk meminimalkan hasil deteksi yang tidak relevan. Sebagai proof-of-concept, pada skripsi ini arsitektur SSD akan digunakan untuk mendeteksi Gulma pada taman kota. Arsitektur SSD digunakan untuk mendeteksi gulma pada gambar beserta dengan posisinya secara real-time. Pada pengujian yang dilakukan, didapatkan Average Precision sebesar 44%. Sedangkan rata-rata waktu komputasi yang diperlukan selama 38.99 milidetik.

---

The development of Robotics technology has grown rapidly lately. The existence of Artificial Intelligence (AI) technology is one of the factors that drives the development of Robotic besides the growing computational capacity and the reduced costs required to do computing. Robot is a device that can replace humans in doing certain jobs. Artificial Intelligence is used on Robots to be able to do jobs that require intelligence such as detecting weeds based on images from the camera. Deep Learning can be used to provide the ability to extract information from images so that action can be taken based from obtained information. The type of neural network used must have the ability to understand the pattern of the image and be able to localize every object that exists along with the type of object in limited time. One architecture with this capability is Single Shot Detectors (SSD) where consist of Convolutional Neural Network (CNN) to extract information from images and produce a feature map, Convolutional Layer to localize and classify object within images, and Non-max Suppression to filter not relevant from detected object. As a proof of concept, the SSD architecture will be used for weeds detection in the park. The SSD architecture is used to detect weeds in images along with their position in real-time. In testing, Average Precision score from the model is 44%. The time needed for inference is around 38.99 milliseconds per one image."

"Latar Belakang: Uveitis infeksi di Indonesia berkisar antara 30-60% dari total kasus uveitis. Identifikasi patogen etiologi infeksi sangat penting agar dapat diberikan terapi antimikroba yang sesuai dengan segera sehingga komplikasi kebutaan dapat diminimalisir. Dewasa ini, perkembangan teknologi biologi molekuler menggunakan metode Polymerase Chain Reaction (PCR) untuk deteksi uveitis infeksi sedang berkembang pesat.

Tujuan: Melakukan uji validasi diagnostik pada metode PCR Multiplex dibandingkan dengan metode PCR Tunggal.

Metodologi: Uji diagnostik untuk menentukan sensitivitas dan spesifisitas dari alat Real-Time PCR Multiplex terhadap PCR Tunggal dari spesimen cairan intraokular humor akuos yang diambil dari parasentesis bilik mata depan. Dilakukan pemeriksaan PCR terhadap patogen Mycobacterium tuberculosis (M.tuberculosis), Toxoplasma gondii (T.gondii), Herpes Simplex Virus (HSV), Varicella Zoster Virus (VZV), Cytomegalovirus, dan Treponema pallidum.

Hasil: Dilakukan analisis uji diagnostik pada 46 subjek penelitian. Didapatkan hasil sensitivitas sebesar 57.14% dan spesifisitas sebesar 100%. Positivity rate terbanyak didapatkan untuk patogen VZV (n=4), dan tidak didapatkan hasil positif terhadap deteksi patogen M.tuberculosis. Patogen T.pallidum berhasil dideteksi sebanyak 4.34% (n=2) oleh PCR Multiplex.

Kesimpulan: Metode PCR Multiplex pada penelitian ini memiliki sensitivitas yang rendah dengan spesifisitas yang tinggi. Hasil positif pada PCR Multiplex dapat bermanfaat untuk mendiagnosis pasien dengan uveitis infeksi.

---

Background: In Indonesia, infectious uveitis represents 30-60% of the country’s total uveitis cases. The identification of etiological pathogens is imperative to immediately select and administer the appropriate antimicrobial therapy in infectious uveitis, thereby complications of blindness can be minimized. Currently, the development of molecular biology technology using the Polymerase Chain Reaction (PCR) method for detection of infectious uveitis pathogens is growing rapidly.

Objective: To compare the diagnostic validation test results of the Multiplex PCR method and Single PCR method.

Method: Diagnostic test to determine the sensitivity and specificity of the Multiplex Real-Time PCR device against the Single PCR of aqueous humor intraocular fluid specimens taken from anterior chamber paracentesis. PCR examinations were carried out to identify the pathogens of Mycobacterium tuberculosis (M.tuberculosis), Toxoplasma gondii (T.gondii), Herpes Simplex Virus (HSV), Varicella Zoster Virus (VZV), Cytomegalovirus, dan Treponema pallidum.

Result: A diagnostic test analysis was performed on 46 study subjects. The results obtained 57.14% sensitivity and 100% specificity. Highest positivity rate was obtained for VZV pathogens, while positive results were not obtained for M.tuberculosis. There were 4.34% of subjects (n = 2) of T. pallidum were detected by PCR Multiplex. 

Conclusion: The PCR Multiplex method in this study has low sensitivity with high specificity. A positive result on Multiplex PCR can be useful for diagnosing patients with infectious uveitis."