Hasil Pencarian  ::  Simpan CSV :: Kembali

"Katarak merupakan salah satu jenis kelainan mata yang menyebabkan lensa mata menjadi berselaput dengan pandangan berawan, sehingga memungkinkan untuk mengalami kebutaan total. Penderita katarak dapat disembuhkan dengan operasi setelah sebelumnya dilakukan computed tomography (CT) scan dan magnetic resonance imaging (MRI) sebagai metode untuk mendapatkan citra digital mata. Namun, penggunaan metode ini tidak selalu memungkinkan, terutama untuk fasilitas kesehatan di negara berkembang, karena kurangnya rumah sakit atau klinik mata yang menyediakan fasilitas berteknologi lengkap. Penelitian ini bertujuan untuk membantu proses analisis citra mata agar lebih cepat dan akurat dengan menggunakan model deep learning untuk memprediksi mata katarak menggunakan arsitektur CNN dengan terlebih dahulu menganalisis performa model dan membandingkan akurasi/loss model dengan penelitian sebelumnya. Metode perancangan model deep learning ini dilakukan dimulai dari preprocessing, membangun arsitektur model, proses training, dan diakhiri dnegan evaluasi hasil model dengan mengguakan confusion matrix dan classification report. Dari perancangan ini, didapatkan hasil validasi akurasi model sebesar 92.97% dan hasil validasi loss 0.1539. Dari model yang penulis buat dihasilkan model deep learning dengan nilai evaluasi pendeteksian mata katarak dengan presisi 94.30%, recall 97.47%, dan f-1 score 95.85%. Hasil dari penelitian ini menunjukkan bahwa model yang penulis rancang telah dapat memprediksi gambar penyakit katarak dengan akurasi diatas 80 % dengan loss dibawah 30 % dengan hasil presisi, recall, dan f-1 score >90% dan menunjukkan tingkat overfitting yang minimal.

---

Cataract is an eye condition in which the lens of the eye becomes webbed and cloudy, resulting in total blindness. Cataract patients can be cured through surgery after undergoing computed tomography (CT) scans and magnetic resonance imaging (MRI) to obtain digital images of the eyes. However, due to a lack of hospitals or eye clinics that provide complete technology facilities, this method is not always feasible, particularly for health facilities in developing countries, particularly in Indonesia. By first examining the model's performance and comparing the model's accuracy/loss with prior research, this study intends to make the eye image analysis process faster and more accurate by employing a deep learning model to predict cataracts using the CNN architecture. Starting with preprocessing, designing the model architecture, training, and finally evaluating the model outcomes using a confusion matrix and classification report, this deep learning model design technique is followed. The model accuracy validation results from this design are 92.97 % and the loss validation results are 0.1539. A deep learning model with an evaluation value of cataract eye detection with a precision of 94.30 %, recall of 97.47 %, and an f-1 score of 95.85 % was produced from the author's model. According to the findings of this study, the author's model can predict cataract images with an accuracy of more than 80%, a loss of less than 30%, precision, recall, and f-1 score greater than 90%, and minimal overfitting.

"

"Serangan MitM ini memiliki dampak yang cukup besar dan dapat membuka jalan untuk serangan selanjutnya, seperti Phishing. Penelitian ini membahas tentang pendekatan metode hybrid deep learning yang dapat membantu pendeteksian serangan MitM secara efektif. Metode hybrid deep learning yang digunakan dalam penelitian ini adalah CNN-MLP dan CNN-LSTM, yaitu merupakan gabungan dari CNN, MLP, dan LSTM. Selain itu, dalam skenario eksperimennya menggunakan berbagai metode feature scaling (StandardScaler, MinMaxScaler, dan MaxAbsScaler) dan tanpa menggunakan metode feature scaling sebelum melakukan pemodelan, yang kemudian akan ditentukan metode hybrid deep learning yang terbaik untuk mendeteksi serangan MitM dengan baik. Dataset yang digunakan dalam penelitian ini yaitu Kitsune Network Attack Dataset (ARP MitM Ettercap). Hasil dari penelitian ini yaitu metode CNN-MLP dengan 10 epoch menggunakan MaxAbsScaler memiliki nilai accuracy tertinggi, yaitu 99.93%. Pada urutan kedua, CNN-MLP dengan 10 epoch menggunakan StandardScaler memiliki nilai accuracy sebesar 99.89%.

---

Man in the Middle (MitM) has a sizeable impact because it could make the attackers will do another attacks, such as Phishing. This research is discussing about hybrid deep learning methods-approach on detecting MitM attacks effectively. We were used 2 (two) combinations of the Deep Learning methods (CNN, MLP, and LSTM), which are CNN-MLP and CNN-LSTM. Besides that, in the experiment scenarios, we also used various Feature Scaling methods (StandardScaler, MinMaxScaler, and MaxAbsScaler) and without using any Feature Scaling methods before building the models and will determine the better hybrid Deep Learning methods for detecting MitM attack. Kitsune Network Attack Dataset (ARP MitM Ettercap) is the dataset used in this study. The results of this research proves that CNN-MLP that with 10 epoch using MaxAbsScaler has the highest accuracy rate of 99.93%. In second place, CNN-MLP with 10 epoch using StandardScaler has the accuracy rate of 99.89%."

"

Dalam kehidupan kita sehari-hari umumnya banyak barang yang kita butuhkan dan gunakan dalam rumah tangga kita. Mulai dari bahan pangan, minuman, barang untuk membersihkan rumah, barang untuk mencuci pakaian, kudapan, dan lain sebagainya, Pada masyarakat kini banyak barang keperluan sehari-hari tersebut kita beli dan jumpai di berbagai tempat mulai dari warung di dekat rumah, supermarket, toko sembako, dan lain sebagainya. Akhir-akhir ini jumlah supermarket dan minimarket mulai menjamur. Pada tahun 2021 jumlah minimarket di Indonesia mencapai 38.323 gerai yang merupakan peningkatan sebanyak 21,7% dibandingkan pada tahun 2017 yakni hanya sebanyak 31.488 gerai saja. Dengan jumlah gerai yang semakin banyak, banyak masyarakat yang semakin banyak menggunakan jasanya untuk mendapatkan barang-barang kebutuhan sehari-hari mereka. Apalagi bila barang yang dibeli juga cukup banyak sehingga akan sulit untuk mendata barang-barang apa saja yang telah dibeli. Untuk memudahkan hal tersebut, penulis mengajukan sebuah solusi untuk membuat sebuah rancangan sistem yang akan memanfaatkan teknologi Deep Learning untuk mendeteksi tulisan pada struk belanja dari hasil pembelian barang pada minimarket. Hasilnya dari pengujian yang sudah dilakukan pada penelitian ini, masing-masing model Deep Learning memiliki tingkat akurasi mAP50 99,4% dan mAP50:95 72,9% untuk YOLOv5, tingkat akurasi mAP50 99,61% dan mAP50:95 65,19% untuk Faster R-CNN, dan tingkat akurasi mAP50 61,77% dan mAP50:95 98,09% untuk RetinaNet. Dimana YOLOv5 memiliki tingkat akurasi mAP50:95 tertinggi yakni 72,9% dan Faster R-CNN memiliki tingkat akurasi mAP50 tertinggi yakni 99,61%. Dimana pada proses implementasi sistem YOLOv5 dan Faster R-CNN berhasil melakukan proses pengenalan sedangkan RetinaNet gagal untuk melakukannya.

---

In our daily lives, we generally need and use many items in our households. Starting from food ingredients, drinks, household cleaning items, laundry items, snacks, and so on. Nowadays, many of these daily necessities are bought and found in various places such as small shops near our homes, supermarkets, grocery stores, and so on. Recently, the number of supermarkets and minimarkets has increased. In 2021, the number of minimarkets in Indonesia reached 38,323 branches which is an increase of 21.7% compared to 2017 which was only 31,488 branches. With the increasing number of branches, many people are using their services to obtain their daily necessities. Especially when the purchased items are quite a lot so it will be difficult to record what items have been purchased. To facilitate this matter, the author proposes a solution to create a system design that will utilize Deep Learning technology to detect writing on receipts from purchasing items at minimarkets. The results of testing that have been carried out in this study show that each Deep Learning model has an mAP50 accuracy level of 99.4% and mAP50:95 72.9% for YOLOv5, an mAP50 accuracy level of 99.61% and mAP50:95 65.19% for Faster R-CNN, and an mAP50 accuracy level of 61.77% and mAP50:95 98.09% for RetinaNet. YOLOv5 has the highest mAP50:95 accuracy rate at 72.9%, while Faster R-CNN has the highest mAP50 accuracy rate at 99.61%. Where in the implementation process, YOLOv5 and Faster R-CNN systems were able to perform recognition processes while RetinaNet failed to do so."

"Pengelasan TIG adalah salah satu metode pengelasan yang dapat diterapkan pada logam non-ferrous. Otomatisasi proses pengelasan TIG harus memberikan hasil las yang lebih hemat biaya dan kualitas yang lebih tinggi di lingkungan produksi divisi manufaktur. Penelitian ini bertujuan untuk menerapkan metode deep learning pada optimalisasi TIG Welding dengan mengolah hasil pengelasan dengan Convolutional Neural Networks (CNN). Dengan menggunakan dua jaringan saraf YOLOv5 dan ResNet50 yang berbeda, penulis akan memiliki empat metode klasifikasi citra yang berbeda dengan ResNet50, deteksi dan klasifikasi objek YOLOv5, kombinasi deteksi objek YOLOv5 dan ResNet50, dan klasifikasi ResNet50 menggunakan preprocessing center-crop. Penelitian ini akan mengidentifikasi hasil pengelasan dengan memberi label pada gambar sebagai “Weld Bagus” atau “Weld Buruk”, kelas las yang baik tidak memiliki cacat, sedangkan kelas las yang buruk memiliki cacat retak, terbakar, porositas, dll. Berdasarkan penelitian ini metode terbaik adalah kombinasi antara YOLOv5 dan ResNet50 neural network dengan akurasi 96%, loss 4%, presisi 93,1%. Metode dengan menggunakan ResNet50 klasifikasi memiliki akurasi 46%, loss 54%, dan presisi 0%. Metode YOLOv5 objek deteksi dan klasifikasi memiliki akurasi 94,34%, loss 5,66%, dan presisi 100%. Metode ResNet50 klasifikasi dengan center-crop pre-processing memiliki akurasi 82%, loss 18%, dan presisi 87,5%. Variasi dan jumlah data mempengaruhi pelatihan dan pengujian data.

---

TIG welding is one of the welding methods that can be applied to non-ferrous metals. TIG welding process automation should deliver more cost-effective, higher-quality welds in a manufacturing division's production environment. This study aims to apply deep learning methods to optimize TIG Welding by processing welding results with Convolutional Neural Networks (CNN). By using two different YOLOv5 and ResNet50 neural networks, the author will have four different image classification methods with ResNet50, YOLOv5 object detection and classification, a combination of YOLOv5 and ResNet50 object detection, and ResNet50 classification using center-crop preprocessing. This study will identify the results of welding by labeling the image as “Good Weld” or “Bad Weld”, a good welding class has no defects, while a bad welding class has cracking, burning, porosity defects, etc. Based on this research, the best method is a combination of YOLOv5 and ResNet50 neural network with 96% accuracy, 4% loss, 93.1% precision. The method using ResNet50 classification has 46% accuracy, 54% loss, and 0% precision. The YOLOv5 object detection and classification method has an accuracy of 94.34%, loss of 5.66% and precision of 100%. The ResNet50 method of classification with center-crop pre-processing has an accuracy of 82%, loss of 18% and precision of 87.5%. Variation and amount of data affect the training and testing of data."

"Pengukuran viskositas zat cair merupakan aspek penting dalam berbagai industri. Dalam mengukur viskositas suatu cairan umumnya menggunakan viskometer bola jatuh. Namun penggunaan viskometer bola jatuh memiliki kekurangan dalam ketelitian dalam menentukan kecepatan terminal bola ketika mencapai kedalaman tertentu. Dalam penelitian ini, penulis merancang pendekatan baru yang menggabungkan teknologi pengolahan video dengan metode deep learning, khususnya algoritma You Only Look Once (YOLO), untuk mengukur viskositas zat cair secara efisien dan akurat. Pendekatan ini memungkinkan pengukuran viskositas dilakukan dengan menggunakan kamera sederhana, yang secara otomatis menganalisis pergerakan jatuhnya kelereng dalam suatu fluida. Penulis melatih model deep learning menggunakan dataset video jatuhnya bola pada suatu cairan yang diambil secara langsung menggunakan kamera smartphone, dan menunjukkan bahwa pendekatan ini mampu menghasilkan pengukuran viskositas yang akurat dengan waktu perhitungan yang lebih cepat dibandingkan menggunakan viskometer bola jatuh. Hasil percobaan menunjukkan bahwa model YOLO mampu mendeteksi 11 objek dari total 25 gambar dengan presisi 0,99 dan konsistensi tinggi (mAP50-95 sebesar 0,86). Model ini efektif dalam mendeteksi jatuhnya kelereng, dengan waktu pemrosesan per gambar yang cepat. Meskipun beberapa frame tidak terdeteksi, model menunjukkan akurasi tinggi dalam memprediksi viskositas dengan MAE sebesar 0,13, menjadikannya andal dan efisien untuk pengukuran viskositas dalam aplikasi industri dan laboratorium.

---

Viscosity measurement of liquid substances is an important aspect in various industries. The traditional method of measuring viscosity is by using a falling ball viscometer. However, this method has limitations in accurately determining the terminal velocity of the ball at a certain depth. In this research, the author designed a new approach that combines video processing technology with deep learning methods, specifically the You Only Look Once (YOLO) algorithm, to measure the viscosity of liquid substances efficiently and accurately. This approach allows viscosity measurement to be done using a simple camera, which automatically analyzes the movement of a marble falling in a fluid. The author trained a deep learning model using video datasets of the falling ball in a liquid captured directly using a smartphone camera, and demonstrated that this approach can produce accurate viscosity measurements with faster calculation time compared to using a falling ball viscometer. The experimental results demonstrated that the YOLO model accurately detected 11 objects out of 25 images with a precision of 0,99 and a consistent mAP50-95 score of 0,86. Applied to 7 video frames, it processed images quickly with times of 1,9 ms for preprocessing, 45,7 ms for inference, and 0,6 ms for post-processing. Despite some frames missing detections, the model achieved a high accuracy in predicting viscosity with a Mean Absolute Error (MAE) of 0,13, making it reliable for various industrial and laboratory applications."

"COVID-19 merupakan penyakit pernapasan seperti pneumonia yang mengakibatkan kematian pada jutaan orang setiap harinya. Januari 2020, "Organisasi Kesehatan Dunia" WHO menyatakan COVID-19 sebagai wabah penyakit virus yang menjadi perhatian internasional sebagai darurat kesehatan masyarakat yang menjadi perhatian internasional, dikenal sebagai pandemi dunia. Dilaporkan dari 205 negara di seluruh dunia, pada 1 April 2020, penularan virus COVID-19 sekitar ada lebih dari 900000 kasus COVID-19 yang dikonfirmasi dan hampir 50000 kematian. Berdasarkan laporan WHO, angka kematian 2-3% orang karena virus. Sangat penting untuk melakukan tes diagnostik sejak dini stadium berdasarkan kriteria sebagai gejala klinis, "Reverse-Transcription Polymerase Chain Reaction" (RT-PCR), sehingga dapat segera mengisolasi orang yang terinfeksi. Mendiagnosis penyakit virus COVID-19 dengan pencitraan yang lebih efektif menggunakan citra CT dada. Model DenseNet201, MobileNet, Xception, InceptionV3, ResNet152V2, dan VGG19 untuk memeriksa keakuratannya dalam pengenalan gambar. Untuk menganalisis kinerja model, 1888 sampel dari gambar CT paru-paru dikumpulkan dari situs resmi Kaggle. Model penggabungan (concatenate) pada arsitektur CNN yang telah terlatih seperti penggabungan (concatenate) antara ResNet152V2 dengan VGG19 memiliki accuracy sebesar 99,65%, sensitivity sebesar 99,66%, precision sebesar 99,66%, recall sebesar 99,66%, specificity sebesar 99,64%, dan skor F-measure sebesar 99,66%; gabungan DenseNet201 dan MobileNet diperoleh saat batchsize 32 dan 64 dengan learning rate 0,0001 diperoleh accuracy sebesar 99,65%, sensitivity sebesar 99,64%, precision sebesar 99,64%, recall sebesar 99,64%, specificity sebesar 99,66%, dan F-measure sebesar 99,64%; serta gabungan DenseNet201 dan MobileNet diperoleh saat batchsize 32 dan 64 dengan learning rate 0,001 maupun gabungan InceptionV3 dan Xception saat batchsize 32 dan learning rate 0,0001 diperoleh accuracy sebesar 99,65%, sensitivity sebesar 100%, precision sebesar 99,28%, recall sebesar 100%, specificity sebesar 99,31%, dan F-measure sebesar 99,64%.

---

COVID-19 is a respiratory disease like pneumonia that kills millions of people every day. January 2020, the WHO "World Health Organization" declared COVID-19 as a viral outbreak of international concern as a public health emergency of international concern, known as a world pandemic. Reported from 205 countries around the world, as of April 1, 2020, the transmission of the COVID-19 virus was around more than 900000 confirmed cases of COVID-19 and nearly 50000 deaths. Based on the WHO report, the death rate of 2-3% of people is due to the virus. To isolate the infected person immediately, it is very important to carry out a diagnostic test early based on the criteria as a clinical symptom, "Reverse-Transcription Polymerase Chain Reaction" (RT-PCR). Diagnosing COVID-19 viral disease with more effective imaging using chest CT images. DenseNet201, MobileNet, Xception, InceptionV3, ResNet152V2, and VGG19 models for accuracy in image recognition. To analyze the model's performance, 1888 samples of CT images of the lungs were collected from the official Kaggle website. The concatenate model on the CNN architecture that has occurred, such as the concatenate between ResNet152V2 and VGG19, has an accuracy of 99.65%, sensitivity of 99.66%, the precision of 99.66%, recall of 99.66%, specificity by 99.64%, and the F-measure score of 99.66%; the combination of DenseNet201 and MobileNet was obtained when batch size 32 and 64 with a learning rate of 0.0001 obtained an accuracy of 99.65%, the sensitivity of 99.64%, the precision of 99.64%, recall of 99.64%, specificity of 99.66 %, and F-measure of 99.64%; and the combination of DenseNet201 and MobileNet obtained at batch size 32 and 64 with a learning rate of 0.001 or a combination of InceptionV3 and Xception at batch size 32 and a learning rate of 0.0001 obtained an accuracy of 99.65%, the sensitivity of 100%, precision of 99.28%, recall of 100%, specificity of 99.31%, and F-measure of 99.64%."

"Paduan super merupakan jenis paduan yang dapat mempertahankan kekuatan mekanis dan kestabilan permukaannya pada temperatur yang sangat tinggi sehingga cocok diaplikasikan pada bidang kedirgantaraan, khususnya turbin gas. Jenis paduan super yang paling banyak digunakan adalah paduan super berbasis nikel karena memiliki struktur kristal FCC yang stabil di segala temperatur. Agar dapat digunakan dalam jangka waktu yang lama, kegagalan pada paduan super berbasis nikel dapat dicegah dengan mengetahui kekuatan tarik dari paduannya. Selain itu untuk mencegah terjadinya keausan pada komponen mesin, kekerasan pada paduan super berbasis nikel juga harus diketahui. Adapun titik leleh dari paduan super berbasis nikel juga harus dapat diketahui untuk mencegah terjadinya pelunakan paduan super pada temperatur yang sangat tinggi. Biaya produksi paduan super berbasis nikel tergolong mahal, karena dibuat berdasarkan pendekatan trial and error yang memakan waktu. Pada penelitian ini, dilakukan pembuatan sebuah program yang dapat memprediksi sifat mekanis paduan super berbasis nikel menggunakan pembelajaran mesin dengan metode deep learning. Melalui pembelajaran mesin, biaya produksi paduan super berbasis nikel dapat ditekan serta mempersingkat siklus perkembangan material. Penelitian ini menghasilkan suatu program deep learning dengan jenis model regresi yang dapat memprediksi kekuatan tarik, kekerasan, dan titik leleh paduan super berbasis nikel dengan keakurasian model menurut metrik R2 sebesar 98,77% berdasarkan variasi hyperparameter yang ditetapkan sebanyak tiga hidden layer dengan dense 256, 128, 64, test size sebesar 25%, random state dengan nilai 75, batch size sebesar 32, epoch sebanyak 300, dan learning rate sebesar 0,001.

---

A superalloy is a type of alloy that can maintain its mechanical strength and surface stability at very high temperatures so that it is suitable for application in the aerospace field, especially in gas turbines. The most widely used type of superalloy is Ni-based superalloy because it has a stable FCC crystal structure at all temperatures. The failure of Ni-based superalloys can be prevented by knowing the tensile strength of the alloy for a longer-term used. In addition, to prevent wear on the engine components, the hardness of Ni-based superalloys must also be known. The melting point of Ni-based superalloys must also be known to prevent softening of the superalloy at very high temperatures. The production cost of Ni-based superalloys is quite expensive because they are made based on a time-consuming trial and error approach. In this research, a program is developed that can predict the mechanical properties of Ni-based superalloys using machine learning with deep learning methods. Through machine learning, the production cost of Ni-based superalloys can be reduced, and the material development cycle can be shortened. The result of this research is a deep learning program with a regression model which can predict the tensile strength, hardness, and melting point of Ni-based superalloys with a model accuracy of 98.77% according to the R2 metric based on the hyperparameter variations set as three hidden layers wi"

"Identifikasi radionuklida berguna untuk keamanan nuklir, monitor lingkungan, serta diagnosa kesehatan, di mana keandalan identifikasi radionuklida di berbagai kondisi merupakan hal yang penting. Data spektrum gamma biasanya rentan terhadap gangguan noise. Penelitian ini menyelidiki performa machine learning dalam mengenali radionuklida di bawah pengaruh gangguan adversarial attack, yang dirancang untuk melatih ketangguhannya terhadap gangguan luar. Pada penelitian ini, digunakan data spektrum gamma dari Co-60, Cs-134, dan Cs-137 yang di-preprocessing dengan background subtraction, adversarial attack, dan logarithmic normalization, kemudian lebih lanjut dengan zero padding dan 2D mapping dengan Hilbert curve. Data ini digunakan untuk training model Convolutional Neural Network (CNN). Terdapat 4 model yang dibuat: model 1D, model 1D dengan adversarial attack, model 2D, dan model 2D dengan adversarial attack. Model 1D dan 2D menunjukkan akurasi yang tinggi (98% untuk keduanya) dengan konvergensi loss yang cepat saat training. Dengan adversarial attack, proses training dan identifikasi radionuklida menunjukkan performa yang lebih buruk, yakni 77% untuk model 1D dan 71% untuk model 2D. Ini menunjukkan bahwa mentode adversarial learning menggunakan adversarial attack cenderung menurunkan performa model terhadap noise yang tak kasat mata, dan model tidak dapat memiliki performa yang lebih baik maupun sebaik model tanpa adversarial attack.

---

Radionuclide identification finds its use in nuclear safety, environmental monitoring, and health diagnosis, where identification performance under noisy conditions is of utmost importance. Gamma-ray spectrum data are typically vulnerable against external noise. This research investigates the performance of machine learning in identifying radionuclides under the influence of adversarial attacks, which are designed to train the robustness of the model against external perturbations. In this research, the gamma-ray spectrum data of Co-60, Cs-134, and Cs-137 are preprocessed with background subtraction, adversarial attack, and logarithmic normalization, and additionally with zero padding and 2D mapping using the Hilbert curve. The data is then used to train the Convolutional Neural Network (CNN) model. Four models are constructed: the 1D model, the 1D model with adversarial attack, the 2D model, and the 2D model with adversarial attack. The 1D model and the 2D model exhibits high accuracy (98% for both) with fast loss convergence during the training process. With the adversarial attack, the training and radionuclide identification decline in performance, with 77% accuracy for the 1D model and 71% for the 2D model. This demonstrates how adversarial attaqcks can decrease the model’s robustness against external perturbations, and that the models’ performances are significantly worse compared to those without the adversarial attacks."

"Terumbu karang merupakan organisme laut yang memberikan keuntungan untuk banyak mahluk hidup lainnya. Semakin parahnya polusi pada air dan perubahan iklim yang tidak menentu menyebabkan kesehatan terumbu karang terancam. Proyeksi untuk tahun 2050 menunjukkan bahwa 95% terumbu karang kemungkinan akan mengalami pemutihan. Penelitian ini mengusulkan untuk menerapkan deep learning untuk mengklasifikasikan tipe dan level kesehatan terumbu karang yang klasifikasinya dibagi berdasarkan bagan kesehatan CoralWatch, yaitu dibagi menjadi level 1 – 6. Klasifikasi kesehatan terumbu karang pada penelitian ini dibagi menjadi 6 label, yaitu lv.6, lv.5, lv.4, lv.3, lv.2, dan lv.1. Sedangkan untuk klasifikasi tipe terumbu karang terdapat 3 kelas, yaitu Boulder, Table, dan Branching. Hasil akhir penelitian ini adalah model untuk klasifikasi tipe dan level kesehatan terumbu karang. Bahasa pemograman yang digunakan adalah python, dan arsitektur yang digunakan adalah ResNet, MobileNetV2, DenseNet, dan VGG19. Pada penelitian ini didapat akurasi terbaik sebesar 100% untuk klasifikasi tipe terumbu karang dengan arsitektur DenseNet dan untuk klasifikasi kesehatan terumbu karang didapat akurasi sebesar 55% dengan arsitektur DenseNet.

---

Coral reefs are marine organisms that provide benefits to many other living creatures. The worsening pollution in the water and unpredictable climate changes threaten the health of coral reefs. Projections for 2050 indicate that 95% of coral reefs are likely to experience bleaching. This research proposes to apply deep learning to classify the types and health levels of coral reefs, with classifications divided based on the CoralWatch health chart, ranging from level 1 to 6. The health classification of coral reefs in this study is divided into 6 labels: lv.6, lv.5, lv.4, lv.3, lv.2, and lv.1. Meanwhile, for the classification of coral reef types, there are 3 classes: Boulder, Table, and Branching. The final outcome of this research is a model for classifying the types and health levels of coral reefs. The programming language used is Python, and the architectures used are ResNet, MobileNetV2, DenseNet, and VGG19. In this study, the best accuracy obtained for the classification of coral reef types is 100% with the DenseNet architecture, while for the classification of coral reef health, the accuracy obtained is 55% with the DenseNet architecture."

"Sumber informasi di jejaring berita daring adalah instrumen yang memungkinkan individu membaca berita, menerbitkan berita, dan berkomunikasi. Hal ini sudah menjadi tren dalam masyarakat yang sangat mobile. Oleh karena itu, proses verifikasi fakta suatu pemberitaan menjadi sangat penting. Dengan pertimbangan tersebut, sebuah tools berbasis web service untuk verifikasi fakta menggunakan metode deep learning dengan teknik ensemble dibangun. Penggunaan teknik ensemble pada model deep learning adalah proses beberapa model pembelajaran mesin digabungkan secara strategis untuk menyelesaikan masalah menggunakan lebih dari satu model. Untuk melatih model, dibangun sebuah dataset. Dataset berisi pasangan klaim dan label. Klaim dibangun dengan data crawling di kanal berita berbahasa Indonesia. Tiga model deep learning dibangun dan dilatih menggunakan dataset yang dibuat, dengan arsitektur jaringan dan hyperparameter yang berbeda. Setelah model dilatih menggunakan dataset, ketiga model diagregasikan untuk membentuk sebuah model baru. Untuk memastikan bahwa model agregat berfungsi lebih baik daripada model tunggal, performa model deep learning ensemble dibandingkan dengan model deep learning dasar. Hasil penelitian menunjukkan bahwa model ensemble memiliki akurasi 85,18% sedangkan model tunggal memiliki akurasi 83,9%, 83,19%, dan 81,94%. Hasil ini menunjukkan bahwa model ensemble yang dibangun meningkatkan kinerja verifikasi fakta dari tiga model tunggal. Hasil penelitian juga menunjukkan bahwa metode deep learning mengungguli performa metode machine learning lain seperti naive bayes dan random forest. Untuk memvalidasi kinerja tools yang dibangun, response time dari web service diukur. Hasil pengukuran menunjukkan rata-rata response time 6.447,9 milidetik.

---

Information sources on social networks are instruments that allow individuals to read news, publish news, and communicate. This is a trend in a highly mobile society. Therefore, the process of verifying facts is very important. With these considerations, we built a web service-based tool for fact verification using deep learning methods with ensemble technique. The use of ensemble techniques in deep learning models is a process in which several machine learning models are combined to solve problems. To train the model, we created a dataset. Our dataset of Indonesian news contains pairs of claims along with labels. Claims are built by crawling data on Indonesian news channels. Three deep learning models have been built and trained using the previously created dataset with different network architectures and hyperparameters. After the model is trained, three models are aggregated to form a new model. To ensure that the aggregated model performs better than the single model, the deep learning ensemble model is compared to the single models. The results showed that the ensemble model has an accuracy of 85.18% while the single models have an accuracy of 83.9%, 83.19%, and 81.94% consecutively. These results indicate that the ensemble model built improves the fact-verification performance of the three single models. The results also show that by using the same dataset, deep learning methods outperform other machine learning methods such as naive bayes and random forest. To validate the performance of the tools we created, the response time of the web service is measured. The measurement result shows an average response time of 6447.9 milliseconds."