Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu hal penting dari suatu metode pembayaran pada jaringan sarat tiruan adalah kapabilitas generalisasi. Yaitu kemampuan untuk memberikan hasil yang akurat terhadap data yang tidak diajarkan pada tahap pembelajaran. Salah satu metode pembelajaran increamental yang memberikan jaminan secara teori dalam menghasilkan kapabilitas generalisasi yang optiman adalah increamental projection learning. Pada tulisan ini akan dilakukan suatu evaluasu eksperimental terhadap jaringan saraf tiruan berbasis incremental projection learning ini yang dikembangkan pada ruang polinomial trigonometri dalam memecahkan masalah aproksimasi fungsi. Jaringan ini dikenal dengan nama incremental projection generalizing neural networks. Evaluasi dilakukan terutama pada masalah pemilahan model yang optimal dan jumlah neuron pada lapis tersembunyi ketika kapabilitas generaliasai optimal diperoleh. Selain itu juga akan dilakukan suatu studi komparasi kapabilitas generalisasi yang dihasilkan oleh jaringan lain yang sudah umum digunakan yaitu on-line backpropagation networks dan growing radial basis function networks."

"Untuk menghitung nilai suatu polinomial berderajat n-1 dengan variabel tunggal pada n buah titik yang berbeda secara serempak dapat dilakukan secara paralel dengan menerapkan metode Homer (secara serial), dimana n buah prosesor masing-masing mengevaluasi polinomial untuk satu titik. Cara tersebut memerlukan 0 (n2) operasi aritmatik dan 0 (n) waktu paralel. Skripsi ini membahas tentang suatu algoritma yang menerapkan metode Divide and Conquer dan memberikan waktu kompleksitas paralel 0 (log3 n) dengan hanya menggunakan 0 (n log3 n) jumlah operasi aritmatik. Simulasi paralelnya dapat dilihat dalam program-program lampiran."

"ABSTRAKDiabetic Retinopathy (DR) merupakan komplikasi jangka panjang dari Diabetes Mellitus (DM) yang mempengaruhi penglihatan karena adanya mikrovaskular pada retina. Hal ini dapat mengakibatkan gangguan penglihatan dan kebutaan jika ditangani terlambat. DR dapat dideteksi melalui pemeriksaan citra fundus. Salah satu pendekatan dalam mendeteksi DR pada citra fundus yaitu dengan pendekatan deep learning yang merupakan salah satu metode implementasi dari machine learning.  Dalam penelitian ini, digunakan metode Convolutional Neural Networks (CNN) dengan arsitektur ResNet-50 dan DenseNet-121. Data yang digunakan dalam penelitian ini diambil dari DIARETDB1 yang merupakan online database yang berisi gambar fundus. Selanjutnya, dilakukan tahap preprocessing pada citra untuk meningkatkan kinerja model seperti mengambil green channel dan menerapkan inverted green channel, mengubah citra warna menjadi grayscale, dan menerapkan Contrast Limited Adaptive Histogram Equalization (CLAHE) untuk penyeragaman kontras pada citra. Hasil penelitian ini menunjukkan bahwa model ResNet-50 lebih baik dibandingkan DenseNet-121 dalam mendeteksi DR. Hasil terbaik dari beberapa kasus testing model ResNet-50 yaitu accuracy, precision, dan recall masing-masing sebesar 92,2%, 93,6%, dan 92,6% dengan running time untuk training selama 6 menit 21,296 detik dan testing selama 1,174 detik.

---

ABSTRACTDiabetic Retinopathy (DR) is a long-term complication of Diabetes Mellitus (DM) that affects vision because of the presence of microvascular retinal. This can result in visual impairment and blindness if treated late. DR can be detected by examining fundus images. One approach to detecting DR in fundus images is the deep learning approach which is one of the methods of implementing machine learning. In this study, the Convolutional Neural Networks (CNN) method is used with the ResNet-50 and DenseNet-121 architectures. The data used in this study were taken from DIARETDB1, which is an online database that contains fundus images. Then, pre-processing stage is carried out on the fundus image to improve model performance such as selected the green channel from the images and inverted it, converted the images into grayscale images, and applied Contrast Limited Adaptive Histogram Equalization (CLAHE) for uniform contrast in the images. The results of this study indicate that the ResNet-50 model is better than DenseNet-121 in detecting DR. The best results from several cases testing the ResNet-50 model are accuracy, precision, and recall of 92.2%, 93.6%, and 92.6% respectively with running time for training for 6 minutes 21.296 seconds and testing for 1.174 seconds."