Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 39867 dokumen yang sesuai dengan query
cover
Hellen
Pengembangan web-application untuk segmentasi citra deteksi mikrokalsifikasi otomatis = Web-application development for automatic microcalcification detections using image segmentation
"Penelitian skripsi ini meneliti dan menguji penggunaan web-application sebagai sarana antar-muka pengguna untuk menggunakan model segmentasi citra deteksi mikrokalsifikasi Tensorflow dari Hakim, et al. Penelitian ini dilakukan dengan memanfaatkan Flask sebagai backend dari web-application dan Bootstrap untuk mengatur tampilan website yang ditunjukkan ke pengguna. Selain itu, dimanfaatkan beberapa library Python seperti CV2 dan PIL dalam pemrosesan citra di web-application. Digunakan juga layanan komputasi awan Amazon Web Services (AWS) untuk mendeploy web-application agar dapat digunakan secara masif. Hasil penelitian adalah sebuah web-application untuk memprediksi letak, jumlah, dan kecenderungan persebaran mikrokalsifikasi. Dari penggunaan dan evaluasi web-applicationdiperoleh hasil evaluasi model segmentasi citra Hakim, et al. memiliki sensitivitas (86,27%), spesifitas (14%), dan F1-Score (64,23%) untuk keseluruhan citra format TIFF. Hal ini menunjukkan model memiliki kemungkinan besar memberi hasil false positive; waktu rata-rata yang dibutuhkan web-application untuk memprediksi citra berformat TIFF adalah 3 menit 20 detik, citra format DICOM berkisar 55 detik, dan citra format JPG berkisar 16 detik.
This study is discussed about web-application utilization as user interface to make use Tensorflow image segmentation model for microcalcification detection from Hakim, et al. Study is done by using Flask as website backend also Bootstrap to manage website interface that will be shown. Besides that, some Python libraries such as CV2 and PIL are also applied for image processing in web-application. This study also uses cloud computing platform, which is  Amazon Web Services (AWS) for web-application deployment in order to massive usage. Results of this study are a web application to predict location, sum, and spreads tendency for microcalcification. From web-application utilization and evaluation, obtained Hakim et,al, image segmentation model has sensitivity (86,27%), specificity (14%), and F1-Score (64,23%) for all image in TIFF format. This result shows the model has high probability to return false positive; the average time that web application needs to predict TIFF image is 3 minutes 20 seconds, DICOM image is around 55 seconds, and JPG images is around 16 seconds."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Segmentasi citra secara semi-otomatis untuk visualisasi volumetrik citra CT-scan pelvis = Semi-automatic image segmentation for volumetric visualization of pelvis CT scan-images
"Perkembangan terkini dari perangkat pencitraan medik computerized tomography (CT) scan telah memungkinkan dihasilkannya citra dari penampang melintang secara multi irisan dalam orde beberapa detik. Citra medik digital yang dihasilkan merepresentasikan penampang melintang dari berbagai struktur jaringan dari irisan yang dicitrakan. Salah satu tantangan yang dapat membantu dalam proses diagnosis berbasis citra adalah ekstraksi informasi dari struktur anatomi tertentu dengan suatu metode segmentasi citra serta visualisasi volumetrik dengan bantuan komputer. Untuk kasus visualisasi volumetrik tulang pelvis pada citra CT-scan multi irisan, seluruh citra yang mengandung bagian struktur tulang pelvis harus disegmentasi. Pada penelitian ini, satu teknik segmentasi citra berbasis active contour akan diimplementasikan untuk melakukan segmentasi citra multi irisan secara semi otomatis. Proses segmentasi citra diawali
dengan menentukan model kurva 2D yang dilakukan secara manual pada citra irisan pertama. Kemudian model kurva tersebut secara iterasi akan berdeformasi sampai dengan bentuk kurva yang berhimpit pada batas tepian citra tulang pelvis. Hari akhir kurva 2D pada irisan pertama akan digunakan sebagai inisialisasi model kurva 2D pada proses segmentasi citra irisan berikutnya. Proses tersebut akan berlanjut sampai dengan citra irisan terakhir. Metode segmentasi citra berbasis active contour akan dibandingkan dengan metode segmentasi secara nilai ambang dari homogenitas distribusi intensitas dan metode segmentasi secara manual. Analisis secara kualitatif terhadap hasil segmentasi tiap irisan dan analisis kualitatif pada representasi visualisasi volumetrik digunakan pada penelitian ini.
Abstract
The current development of computerized tomography (CT) has enable us to obtain cross sectional image using multi slicing techniques in an order of few seconds. The obtained images represent several tissue structures on cross section slice being imaged. One challenge to help diagnosis using CT images is extracting an anatomic structure of interest using a method of image segmentation and volumetric visualization with the assistance of computers. In case of volumetric
visualization of pelvis bones extracted from multi-slice CT images, whole images which are containing part of pelvis bone structures must be segmented. In this research, an image segmentation technique based on active contour is implemented for semi-automatic multi slice image segmentation. Image segmentation steps are initialized with a define model of 2D curve on the first slice image manually. Next, its model curve is deformed to reach the final result of 2D curve that fits to boundary edges of pelvis bone image. The final result of 2D curve on previous slice image was used as an initialization model of 2D curve on the next slice images. This process will continue until the final slice image. This segmentation method was compared with the segmentation method based on threshold from homogenous intensity
distribution and manual segmentation method. Quantitative analysis from the results of segmentation on each slice and qualitative analysis on the representation of volumetric visualization are performed in this research."
[Direktorat Riset dan Pengabdian Masyarakat Universitas Indonesia, Institut Teknologi Bandung. Fakultas Teknologi Industri], 2009
pdf
Artikel Jurnal  Universitas Indonesia Library
cover
Muhammad Fayaad
Pengembangan Progressive Web Application dan Cross-Platform Application Menggunakan Paradigma Software Product Line Engineering = Development of Progressive Web Application and Cross-Platform Application Using Software Product Line Engineering Paradigm
"Software Product Line Engineering (SPLE) merupakan paradigma pengembangan perangkat lunak yang memanfaatkan common platform (kemiripan) dan mass customisation (keragaman) dari berbagai aplikasi. Pengembangan perangkat lunak dengan paradigma SPLE pada penelitian ini menggunakan diagram Interaction Flow Modeling Language (IFML) sebagai pemodelan antarmuka dalam menghasilkan komponen user interface (UI) pada aplikasi front end. Diagram IFML digunakan sebagai masukan pada UI Generator Web Interface untuk menghasilkan proyek React sebagai aplikasi berbasis website. Namun, ketika aplikasi dibuka melalui tampilan mobile, antarmuka yang ditampilkan menjadi tidak teratur serta beberapa interaksi sulit untuk dilakukan. Selain itu, aplikasi yang dihasilkan juga belum dapat diinstal pada perangkat untuk digunakan secara offline. Oleh karenanya, penelitian ini bertujuan untuk mengembangkan UI Generator Web Interface agar aplikasi yang dihasilkan memiliki tampilan yang responsif serta mendukung Progressive Web Application (PWA). Selain itu, penelitian ini juga bertujuan untuk mengembangkan UI Generator Mobile Interface untuk menghasilkan proyek React Native sebagai aplikasi berbasis mobile. UI Generator Mobile Interface yang dikembangkan menggunakan diagram IFML yang sama dalam menghasilkan aplikasi mobile dengan antarmuka dan fungsionalitas yang serupa. Selanjutnya, antarmuka kedua aplikasi yang masing-masing dihasilkan oleh UI Generator Web Interface dan UI Generator Mobile Interface dievaluasi menggunakan prinsip Shneiderman’s Eight Golden Rules of Interface Design. Hal ini bertujuan untuk mencari tahu apakah antarmuka dari kedua aplikasi yang dihasilkan secara generated sudah memenuhi kaidah perancangan antarmuka. Dari penelitian ini dapat disimpulkan bahwa UI Generator Web Interface dan UI Generator Mobile Interface berhasil dikembangkan serta telah dilakukan evaluasi terhadap masing-masing aplikasi yang dihasilkan. Hasil evaluasi menunjukkan bahwa terdapat beberapa bagian yang dapat ditingkatkan lebih lanjut pada kedua antarmuka aplikasi.
Software Product Line Engineering (SPLE) is a software development paradigm that utilizes a common platform and mass customization of various applications. Software development with the SPLE paradigm in this study uses Interaction Flow Modeling Language (IFML) diagrams in modeling the user interface to generate user interface (UI) components for front end applications. IFML diagrams are used as input to the UI Generator Web Interface in generating React projects as web-based applications. However, when the application is opened in the mobile view, the user interface displayed becomes irregular and some interactions are difficult to complete. In addition, the resulting application cannot be installed on a device for offline use. Therefore, this study aims to develop a UI Generator Web Interface so that the resulting application has a responsive display and supports Progressive Web Application (PWA). In addition, this research also aims to develop a UI Generator Mobile Interface to produce React Native projects as mobile-based applications. The UI Generator Mobile Interface developed uses the same IFML diagram in producing mobile applications with similar interfaces and functionalities. Furthermore, the interfaces of the two applications each generated by the UI Generator Web Interface and UI Generator Mobile Interface are evaluated using the principle of Shneiderman’s Eight Golden Rules of Interface Design. This aims to find out whether the interface of the two generated applications already meet the rules of interface design. From this study it can be concluded that the UI Generator Web Interface and UI Generator Mobile Interface have been successfully developed and an evaluation has been carried out for each of the resulting applications. The evaluation results indicate that there are several areas for further improvement in both application interfaces."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ahmad Zufar Ashshiddiqqi
Pengembangan Model Deteksi dan Segmentasi Ikan Hasil Tangkapan Menggunakan MMDetection Toolbox untuk Sistem Fish Monitoring = Development of Fish Detection and Segmentation Models Using MMDetection Toolbox for Fish Monitoring System
"Indonesia merupakan negara maritim terbesar di dunia dengan banyak sekali ikan yang hidup di perairan Indonesia Hal ini membuat sektor perikanan Indonesia memiliki banyak ancaman. Illegal, unreported, unregulated (IUU) fishing adalah salah satu permasalahan yang memiliki dampak yang cukup signifikan karena membuat kerugian yang cukup besar di sektor perikanan Indonesia. Untuk mencegah permasalahan tersebut, sudah banyak solusi yang diajukan, salah satunya adalah penerapan kuota untuk operasi penangkapan ikan serta pemasangan kamera pengawas, namun solusi tersebut belum memiliki dampak yang signifikan dalam mengurangi dan mencegah terjadinya IUU fishing. Oleh karena itu, penelitian ini dilakukan untuk mengembangkan sistem deteksi jenis ikan hasil tangkapan. Sistem dirancang menggunakan konsep object detection dan instance segmentation yang merupakan sebuah bidang dari machine learning, menggunakan toolbox MMDetection dengan algoritma Faster R-CNN dan GFL untuk metode object detection dan algoritma Mask R-CNN untuk metode instance segmentation. Dimana sistem tersebut merupakan model kecerdasan buatan yang dapat melakukan pendeteksian ikan untuk melakukan pengawasan terhadap jumlah ikan yang ditangkap oleh nelayan sehingga IUU fishing dapat berkurang secara signifikan. Sistem terbaik dari penelitian ini dihasilkan menggunakan model instance segmentation yang mendapatkan nilai mAP @50 0,758, besar F1-Score 0,761, dan membutuhkan waktu untuk pelatihan selama 7 jam 32 menit. Selain itu, model tersebut juga mendapatkan akurasi yang lebih baik sebanyak 20% dari perbandingan dengan model object detection.
Indonesia, as the world's largest maritime country, is home to a vast variety of fish species in its waters. This reality poses numerous threats to Indonesia's fisheries sector. One significant challenge is illegal, unreported, and unregulated (IUU) fishing, which has considerable detrimental effects and causes substantial losses to the Indonesian fisheries industry. Several solutions have been proposed to address this problem, including the implementation of fishing quotas and the installation of surveillance cameras. However, these solutions have not yielded significant impacts in reducing and preventing IUU fishing. Hence, this research aims to develop a fish species detection system. The system is designed based on the concepts of object detection and instance segmentation, which are subfields of machine learning. The research utilizes the MMDetection toolbox with the Faster R-CNN and GFL algorithms for object detection, as well as the Mask R-CNN algorithm for instance segmentation. This artificial intelligence-based system enables the detection of captured fish to monitor the quantity of fish caught by fishermen, thereby significantly reducing IUU fishing. The research's best-performing system employs the instance segmentation model, achieving an mAP@50 score of 0.758, an F1-Score of 0.761, and requires a training time of 7 hours and 32 minutes. Moreover, this model also demonstrates a 20% improvement in accuracy compared to the object detection model."
Depok: Fakultas Teknik Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ahmad Novian Rahman Hakim
Sistem deteksi mikrokalsifikasi pada citra mamografi menggunakan computer aided detection berbasis convolutional neural network = Microcalcification system detection on mammography images using computer aided detection based on convolutional neural network.
"Kanker payudara adalah salah satu kanker paling umum terjadi di kalangan wanita dan tingkat kelangsungan hidupnya cenderung rendah ketika stadiumnya ditemukan sudah tinggi. Untuk meningkatkan kelangsungan hidup kanker payudara, deteksi dini sangat penting. Ada dua cara untuk mendeteksi kanker payudara: diagnosis dini dan skrining. Untuk membuat diagnosa yang akurat pada stadium awal kanker payudara, munculnya massa dan mikro-kalsifikasi pada citra mamografi merupakan dua indikator penting. Beberapa Computer-Aided Detection (CADe) telah dikembangkan untuk mendukung ahli radiologi karena pendeteksian mikro-kalsifikasi penting dalam menegakkan diagnosis dan perawatan yang direkomendasikan berikutnya. Sebagian besar sistem CADe yang ada saat ini mulai menggunakan Convolutional Neural Network (CNN) untuk mengimplementasikan deteksi mikro-kalsifikasi pada mammogram dan hasil kuantitatifnya sangat memuaskan, rata-rata tingkat akurasinya lebih dari 90%. Penelitian ini melakukan pendekatan otomatis untuk mendeteksi lokasi setiap mikro-kalsifikasi pada citra mammogram yang lengkap dan secara sederhana. Total lebih dari 350 gambar dari dataset INbreast digunakan dalam studi penelitian ini serta implementasi menggunakan data lokal Rumah Sakit (RS) sebanyak 23 citra. Proses ini dapat membantu ahli radiologi untuk melakukan diagnosis dini dan meningkatkan akurasi deteksi wilayah mikro-kalsifikasi. Performa sistem yang diusulkan diukur berdasarkan nilai error Mean Squared Logarithmic Error (MSLE) sebagai teknik untuk mengetahui perbedaan antara nilai yang diprediksi oleh model yang diusulkan dan nilai sebenarnya, didapat nilai loss terbaik yang diperoleh adalah 0,05. Hasil validasi daring mendapatkan nilai sensitivitas sebesar 88.14%, presisi 91.6% dan akurasi sebesar 90.3%. Hasil implementasi pada data lokal RS menunjukkan model CADe dapat mendeteksi mikro-kalsifikasi dengan cukup baik.
Breast cancer is one of the most common cancer among women and the survival rate tends to be low when its stage found high when treated. To improve breast cancer survival, early detection is critical. There are two ways of detection for breast cancer: early diagnosis and screening. To make an accurate diagnosis in the early stage of breast cancer, the appearance of masses and micro-calcifications on the mammography image are two important indicators. Several Computer-Aided Detection (CADe) have been developed to support radiologists because the automatic detection of micro-calcification is important for diagnosis and the next recommended treatment. Most of the current CADe systems at this time started using Convolutional Neural Network (CNN) to implement the micro-calcification detection in mammograms and their quantitative results are very satisfying, the average level of accuracy is more than 90%. This research conducts an automated approach to detect the location of any micro-calcification in the mammogram images with the complete image and in a simple way. A total more than 350 images from INbreast dataset were used in this research study and for implementation used 23 images from local hospital data. This process can help as an assistant to the radiologist for early diagnosis and increase the detection accuracy of the microcalcification regions. The proposed system performance is measured according to the error values of Mean Squared Logarithmic Error (MSLE) as the technique to find out the difference between the values predicted by the proposed model and the actual values, the best loss value obtained by the training model was achieved in 0.05. The results for data online validation for sensitivity is 88.14%, precision is 91.6% and accuracy is 90.3%. The CADe model can detect micro-calcification quite well using local hospital data."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Azwar Al Anhar
Evaluasi Web Application Vulnerability Scanner untuk Aplikasi Web Modern = Evaluation of Web Application Vulnerability Scanner for Modern Web Application
"Perkembangan zaman dan teknologi meningkatkan penggunaan aplikasi berbasis digital. Salah satunya adalah aplikasi berbasis web yang mudah untuk diakses dan digunakan oleh masyarakat sekarang. Seiring dengan perkembangan tersebut, tidak jarang terdapat celah keamanan yang terdapat pada web aplikasi yang tanpa disadari oleh pemiliknya sehingga menimbulkan risiko kebocoran data ataupun hancurnya reputasi organisasi yang memiliki aplikasi tersebut. Banyaknya web aplikasi yang dimiliki oleh suatu organisasi atau perusahaan juga memiliki tantangan sendiri untuk dapat menemukan celah keamanan yang terdapat pada aplikasi tersebut. Hal ini karena terdapat batasan waktu dan sumber daya untuk melakukan assessment secara manual. Oleh sebab itu, adanya kebutuhan penggunaan pemindai celah keamanan web aplikasi, yang melakukan pencarian celah secara otomatis, untuk dapat membantu dan mempersingkat pencarian dari celah keamanan. Terdapat banyak jenis pemindai celah keamanan web aplikasi yang dapat digunakan secara gratis maupun komersial. Pada penelitian ini Penulis mengevaluasi kemampuan alat pemindai celah keamanan yang opensource seperti OWASP ZAP, Wapiti, Arachni dan Burp Suite Professional dengan target benchmark berbasiskan NodeJS yaitu Damn Vulnerable NodeJS Application (DVNA) dan NodeGoat. Dari hasil eksperimen didapatkan bahwa keempat WAVS (Web Application Vulnerability Scanner) memiliki rata-rata nilai f-measured antara 0,4-0,6. Burp Suite Professional memiliki nilai True Positive (TP) dan Recall paling baik dan Arachni untuk nilai Precision sempurna untuk kedua target benchmark.
Current needs and developments encourage the increasing use of digital-based applications. One of them is a web-based application that is easy to access and used by today's society. Along with these developments, it is common for vulnerabilities to exist in web applications that the owners are unaware of. It creates the risk of data leakage or damage to the organization's reputation as the application owner. In addition, the number of web applications owned by an organization or company leads to challenges in finding vulnerabilities in these applications. This happened due to time and resource constraints for conducting manual assessments. Therefore, there is necessary to use a web application vulnerability scanner, which performs vulnerability scanning automatically, to be able to help and streamline the search for vulnerabilities. There are many types of web application vulnerability scanners that can be used for free or commercially. This study evaluated the capabilities of WAVS (Web Application Vulnerability Scanners) tools such as OWASP ZAP, Wapiti, Arachni, and Burp Suite Professional with NodeJS-based benchmark targets, namely Damn Vulnerable NodeJS Application (DVNA) and NodeGoat. This study found that the four WAVS have an average f-measured value between 0.4-0.6. Burp Suite Professional had the best True Positive (TP) and Recall values, while Arachni for perfect Precision valued for both benchmark targets.
"
Depok: Fakultas Teknik Universitas Indonesia, 2021
T-Pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Harahap, Nanda Ilham
Pengembangan aplikasi web Klasifikasi Lesi Kulit dengan menggunakan transfer learning Arsitektur InceptionResNet-v2 = Web application development Skin Lesion Classification using transfer Learning Architecture InceptionResNet-v2
"Perkembangan bidang machine learning telah mengalami kemajuan yang pesat dari berbagai domain dimana dibutuhkan sistem otomasi. Hal ini membuat model yang advanced, seperti Convolutional Neural Network yang merupakan bagian dari deep learning, dapat mencapai performa yang baik dalam melakukan klasifikasi, identifikasi objek, hingga bahkan melebihi kemampuan manusia dalam beberapa domain. Salah satu aplikasi dari perkembangan ini adalah klasifikasi gambar terutama pada bidang medis misalnya pada klasifikasi kanker kulit. Diagnosis otomatis kanker kulit dari lesi kulit dengan menggunakan gambar dermoskopi masih merupakan tugas yang menantang bagi kecerdasan buatan seperti Artificial Neural Network khususnya pada metode konvolusi yang umum pada gambar, atau disebut Convolutional Neural Network. Penggunaan arsitektur transfer learning dengan TF Lite pada klasifikasi merupakan faktor penting dalam membuat diagnosis otomatis yang mobile, akurat, dan cekat. Meski demikian, model-model klasifikasi yang sudah terbuat tersebut masih belum dapat sempurna melakukan kategorisasi pada penyakit lesi kulit. Pada dataset ini terdapat 7 kelas label yang akan diklasifikasi dengan menggunakan arsitektur InceptionResNetV2. Kemudian dilakukan penanganan imbalanced data dengan menggunakan metode oversampling untuk mengangani dataset yang tidak rata. Setelah itu hasilnya akan dianalisis dengan beberapa metrik parameter yang dipakai yaitu presisi, recall, akurasi, dan F1-score. Didapatkan hasil terbaik ketika EarlyStopping pada epoch terakhir dengan akurasi overall pada 87.56%, top-2 pada 95.05%, dan top-3 pada 97.46%. Durasi klasifikasi juga telah diukur dengan Streamlit Share dan HuggingFace Spaces. Durasi tersebut ialah waktu dari ping ke tiap host, dimana aplikasi web Streamlit memiliki latency yang lebih rendah dibandingkan dengan HuggingFace, pada rata-rata (1,17 ms vs 1,49 ms), dan standar deviasi latency pada aplikasi web HuggingFace lebih tinggi dibandingkan dengan Streamlit (0,10 ms vs 0,49 ms), durasi klasifikasi HuggingFace memiliki waktu klasifikasi rata-rata 116 ms dan standar deviasi sebesar 5 ms, sedangkan Streamlit lebih rendah, yaitu 97 ms dan standar deviasi sebesar 2 ms.
The development of the field of machine learning has experienced rapid progress from various domains where automation systems are needed. This makes advanced models, such as Convolutional Neural Networks that are part of deep learning, can achieve good performance in classifying, object identification, and even exceed human capabilities in some domains. One application of this development is image classification, especially in the medical field, for example in the classification of skin cancer. Automatic diagnosis of skin cancer from skin lesions using dermoscopy images is still a challenging task for artificial intelligences such as Artificial Neural Networks, especially the convolutional method common in images, or called Convolutional Neural Networks. The use of transfer learning architecture with TF Lite on classification is an important factor in making automatic diagnosis mobile, accurate, and agile. However, the classification models that have been made are still unable to perfectly categorize skin lesion diseases. In this dataset there are 7 label classes that will be classified using the InceptionResNetV2 architecture. Then handling imbalanced data using the oversampling method to handle uneven datasets. After that, the results will be analyzed with several metric parameters used, namely precision, recall, accuracy, and F1-score. The best results were obtained when EarlyStopping at the last epoch with overall accuracy at 87.56%, top-2 at 95.05%, and top-3 at 97.46%. The duration of classification has also been measured with Streamlit Share and HuggingFace Spaces. The duration is the time from ping to each host, where the Streamlit web application has lower latency compared to HuggingFace, on average (1.17 ms vs 1.49 ms), and the standard deviation of latency on the HuggingFace web application is higher than that of Streamlit (0.10 ms vs 0.49 ms), the duration of HuggingFace classification has an average classification time of 116 ms and a standard deviation of 5 ms, while Streamlit is lower, at 97 ms and standard deviation of 2 ms."
Depok: 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Darren Ngoh
Perancangan Aplikasi Web Pencarian Proyek Bidang Teknologi Informasi Untuk Mahasiswa Menggunakan Metodologi Customer Development = Design of a Web Application for Information Technology Project Search for Students Using Customer Development Methodology
"Tech winter menyebabkan sebanyak 97,000 pekerja di sektor teknologi terdampak pemutusan hubungan kerja pada tahun 2022. Fenomena ini menyebabkan lapangan kerja yang semakin terbatas dan kompetitif, sehingga para lulusan baru di bidang teknologi informasi sulit mendapatkan pekerjaan. Faktor utama yang menyebabkan lulusan baru kalah bersaing adalah kurangnya pengalaman kerja praktis selama masa studi. Salah satu solusi untuk mengatasi masalah ini terletak dalam gig economy. Saat ini sudah banyak platform yang menawarkan gig economy dalam bentuk pekerjaan lepas (freelance), tetapi belum ada yang secara khusus menargetkan mahasiswa sebagai pasar utamanya. Padahal, melalui gig economy mahasiswa dapat membangun portofolio yang baik sejak masih duduk di bangku perguruan tinggi dengan menerima proyek lepas bidang Teknologi Informasi (TI). Dalam penelitian ini, dirancang sebuah aplikasi web yang khusus menyediakan proyek lepas di bidang TI bagi mahasiswa dengan menerapkan metodologi Customer Development. Aplikasi web tersebut dapat digunakan oleh dua tipe pengguna, yaitu pengguna pekerja mahasiswa dan pengguna klien. Penelitian ini berhasil menghasilkan luaran berupa solusi yang telah mencapai problem-solution fit dengan menggunakan value proposition canvas yang sudah tervalidasi, MVP berbentuk high-fidelity prototype, serta mengusulkan sebuah funnel akuisisi pengguna dengan memanfaatkan model AIDA. Secara garis besar, value propositions yang harus dimiliki oleh aplikasi adalah sistem verifikasi mahasiswa, sistem assessment bagi mahasiswa, sistem pendaftaran yang terpusat, bimbingan mentor saat pengerjaan proyek, dan sistem insentif yang kompetitif. Beranjak ke funnel akuisisi pengguna, awareness ditandai dengan pengguna pertama kali mengenal aplikasi, interest ditandai dengan pengguna mengunjungi aplikasi, desire ditandai dengan pengguna membuat akun pada aplikasi, dan akhirnya action ditandai dengan pengguna melamar pada proyek yang tersedia pada aplikasi. Hasil penelitian ini menunjukkan bahwa terdapat potensi besar dalam pemanfaatan gig economy untuk membantu mahasiswa TI mendapatkan pengalaman kerja nyata.
The tech winter led to the layoff of approximately 97,000 workers in the technology sector in 2022. This phenomenon has led to increasingly limited and competitive job opportunities, making it difficult for fresh graduates in the field of information technology to secure employment. The main factor contributing to fresh graduates' inability to compete is the lack of practical work experience during their studies. One solution to this issue lies in the gig economy. There are currently numerous platforms that offer gig economy opportunities in the form of freelance work, yet none specifically target students as their primary market. However, through the gig economy, students can build a strong portfolio from their university days by accepting freelance projects in the field of Information Technology (IT). In this research, a web application is designed specifically to provide freelance projects in the IT field for students, applying the Customer Development methodology. The web application will be facilitating two segment of users, the student workers and the clients. The research successfully produced outputs including a solution that has achieved a problem-solution fit using a validated value proposition canvas, a Minimum Viable Product (MVP) in the form of a high-fidelity prototype, and proposed a user acquisition funnel utilizing the AIDA model. To simplify, the value propositions for the application are student verification system, an assessment system for students, a centralized registration system, mentor guidance during project work, and a competitive incentive system. Moving on to the user acquisition funnel, awareness is characterized by users first getting to know the application, interest is characterized by users visiting the application, desire is characterized by users creating an account on the application, and finally action is characterized by users applying to projects available on the application. The findings of this research demonstrate a significant potential in leveraging the gig economy to assist IT students in gaining real work experience."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Hilda Auliana
Pengembangan Model Deteksi dan Segmentasi Berbasis U-Net untuk Lokalisasi Kelainan Paru Indikator TB pada Citra Rontgen Thorax = Development of U-Net Based Detection and Segmentation Models for Localization of Lung Abnormalities TB Indicators on Thorax X-Ray Images
"Dalam dokumen Global Tuberculosis Report 2022, World Health Organization (WHO) melaporkan bahwa Indonesia tercatat sebagai negara dengan beban kasus tuberkulosis (TB) terbanyak kedua setelah India pada tahun 2021 lalu, di mana terhitung dari estimasi 969.000 kasus penderita TB di Indonesia, terdapat 525.765 (54,3%) kasus diantaranya belum ditemukan dan diobati, ini berpotensi menjadi sumber penularan serta meningkatan risiko transmisi komunal jika tidak mendapatkan penanganan segera. Menanggapi hal tersebut, dengan kemajuan teknologi kecerdasan buatan yang ada serta melalui peran pencitraan medis sebagai salah satu metode skrining pendukung, dikembangkan sebuah model pendeteksian berbasis arsitektur U-Net yang mampu secara otomatis mengenali dan melokalisasi area berbagai jenis kelainan indikator TB paru pada citra rontgen thorax. Selain melakukan tuning parameter, dibandingkan beberapa kasus segmentasi semantik multi-kelas, diantaranya terdiri atas 14 kelas kelainan spesifik, 5 kelas kelompok kelainan, dan 3 kelas kelompok kelainan, serta kasus segmentasi semantik biner. Hasil memperlihatkan bahwa pada kasus multi-kelas, semakin sedikit kelas yang digunakan, maka semakin besar nilai dice score yang didapat, yaitu mencapai 0,71. Sementara, jika dibandingkan dengan kasus segmentasi biner, meski dice score mengalami peningkatan, namun berdasarkan hasil visualisasi, kasus segmentasi multi-kelas kurang mampu dalam mengenali kondisi paru normal atau tidak memiliki kelainan.
In the Global Tuberculosis Report 2022 document, the World Health Organization (WHO) reports that Indonesia is listed as the country with the second highest burden of tuberculosis (TB) cases after India in 2021, where from an estimated 969.000 cases of TB sufferers in India, there are 525.765 ( 54,3%) cases of which have not been found and treated, this has the potential to become a source of transmission and increase the risk of communal transmission if treatment is not immediately received. In response to this, with advances in existing artificial intelligence technology and through the role of medical imaging as a screening support method, a detection model based on the U-Net architecture was developed that can automatically recognize and localize areas of various types of pulmonary TB marker indicators on chest X-ray images. In addition to parameter tuning, several cases of multi-class semantic segmentation were compared, which consisted of 14 specific disorder classes, 5 class disorder clusters, and 3 class disorder clusters, as well as cases of binary semantic segmentation. The results reveal that in the multi-class case, the fewer classes used, the greater the dice score obtained, which is 0,71. Meanwhile, when compared with binary segmentation cases, even though the dice score has increased, based on visualization results, multi-class segmentation cases are less able to recognize normal lung conditions or have no abnormalities."
Depok: Fakultas Teknik Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Tito Wahyu Purnomo
Deteksi dan Segmentasi Cacat Las pada Citra Radiografi Berbasis YOLO = Weld Defects Detection and Segmentation of Radiographic Image Based on YOLO
"Sambungan las pada material perlu diuji dengan metode Non-Destructive Testing untuk memastikan spesifikasi desain dan fungsi material terpenuhi serta menjamin keamanan dan keandalan, karena cacat pada sambungan las dapat terjadi selama proses pengelasan. Deteksi cacat las merupakan bagian dari evaluasi citra radiografi yang dilakukan oleh ahli radiografi. Evaluasi citra radiografi dengan metode konvensional memiliki beberapa kekurangan, di antaranya proses pengolahan citra secara konvensional kompleks dan lama, hasil interpretasi yang terlalu subjektif, kurang konsisten terutama pada jumlah citra yang banyak, dan bias pada cacat yang serupa. Kekurangan ini dapat dikompensasi melalui otomatisasi evaluasi menggunakan algoritma deep learning dan computer vision berbasis YOLO. Penelitian ini membangun model deteksi dan segmentasi cacat las menggunakan arsitektur YOLOv8. Dataset yang digunakan adalah citra radiografi dengan bentuk penampang las horizontal dari database GDXRay dan citra radiografi elips (DWDV) dari hasil akuisisi dengan metode computed radiography. Penerapan teknik augmentasi citra geometri dan mosaik diterapkan untuk mengatasi keterbatasan dataset. Keluaran yang dihasilkan dari penelitian ini adalah model yang dibangun dapat melakukan deteksi dan segmentasi sebanyak 10 jenis cacat las, yaitu crack, cavity, excessive penetration, incomplete penetration, lack of fusion, porosity, slag inclusion, tungsten inclusion, undercut, dan worm-hole dengan nilai mAP untuk model yang dibangun dengan teknik augmentasi geometri adalah mAP50 = 0.798 dan mAP50-95 = 0.603 untuk bounding box, serta mAP50 = 0.790 dan mAP50-95 = 0.530 untuk mask. Sementara nilai mAP pada model yang dibangun dengan teknik augmentasi mosaik adalah mAP50 = 0.907 dan mAP50-95 = 0.743 untuk bounding box, serta mAP50 = 0.896 dan mAP50-95 = 0.648 untuk mask. Model deteksi dan segmentasi yang telah dibangun diharapkan dapat membantu operator dan ahli radiografi, serta calon operator dan ahli radiografi dalam mengevaluasi cacat las dengan lebih efisien dan akurat.
..Non-Destructive Testing needs to be performed on welded joints in materials to ensure that design specifications and material functions are fulfilled, as well as safety and reliability, due to defects in welded joints that may occur during the welding process. The evaluation of radiographic images includes the detection of weld defects by radiographers. Conventional radiographic image evaluation is more complex and time-consuming, subjective, inconsistent, especially in large numbers of images, and occasionally biased with respect to defects with similar features. This limitation can be compensated for by using YOLO-based deep learning and computer vision algorithms for evaluation automation. Using the YOLOv8 architecture, this study develops a detection and segmentation model for weld defects. A radiographic image with a horizontal weld region from the GDXRay database and an elliptical radiographic image (DWDV) from the acquisition using the computed radiography method represent the dataset. In order to overcome the limitations of the dataset, the geometric and mosaic image augmentation techniques were utilized. The mAP values for models built using the geometric augmentation are mAP50 = 0.798 and mAP50-95 = 0.603 for bounding boxes, and mAP50 = 0.790 and mAP50-95 = 0.530 for masks. Meanwhile, the mAP values for the model built using the mosaic augmentation are mAP50 = 0.907 and mAP50-95 = 0.743 for bounding boxes, and mAP50 = 0.896 and mAP50-95 = 0.648 for masks. The proposed model is able to detect and segment up to ten classes of weld defects, including cracks, cavities, excessive penetration, incomplete penetration, lack of fusion, porosity, slag inclusion, tungsten inclusion, undercut, and worm-hole. It is expected that the proposed detection and segmentation model will aid radiographers in evaluating weld defects more precisely and efficiently."
Depok: Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Indonesia, 2023
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>