Hasil Pencarian  ::  Simpan CSV :: Kembali

"Berdasarkan dari situs arsip Mahkamah Agung, saat ini terdapat 64 laporan kasus penjualan daging ayam bangkai di Indonesia. Hal ini menjadi persoalan karena bisa jadi masih banyak kasus yang tidak terungkap karena belum memiliki instrumen atau alat ukur untuk mengetahui perbedaan dari daging ayam bangkai ataupun sehat. Salah satu teknik pengukuran yang sedang berkembang dengan menggunakan citra. Teknik pengukuran citra sangatlah efisien untuk melakukan pengukuran karena tidak memerlukan alat dan bahan tambahan serta tidak menghancurkan terlebih dahulu sampelnya. Salah satu pengambilan citra dengan menggunakan hiperspektral merupakan teknik yang cukup baik karena hiperspektral memiliki band yang bervariatif dan dapat melakukan pendeteksian multi parameter. Citra hiperspektral memiliki spektrum yang luas dari spektrum citra RGB. Spektrum tersebut dapat menjadikan informasi yang digunakan dalam melakukan pengukuran kadar dalam suatu objek. Namun, dalam pengukuran menggunakan hiperspektral membutuhkan biaya yang tinggi dan membutuhkan penyimpanan data yang besar. Oleh Karena itu, salah satu metode yang di lakukan adalah melakukan rekonstruksi dari bentuk citra RGB menjadi citra Hiperspektral. Citra RGB dapat digunakan dalam kehidupan sehari – hari dan penyimpanan dari citra RGB lebih kecil ukurannya. Maka, Penelitian ini melakukan Implementasi Dual Dense Convolutional Neural Network  untuk Rekonstruksi citra Visible Nearinfrared dan Klasifikasi Daging Ayam Bangkai. Dual Dense CNN merupakan gabungan dari Dense Block CNN untuk melakukan rekontruksi citra hiperspektral dari RGB dan DenseNet untuk klasifikasi citra hiperspektral. Variasi jumlah band target rekonstruksi dilakukan dengan tujuan memperoleh performa model terbaik pada model rekonstruksi dan klasifikasi. Performa model rekonstruksi terbaik diperoleh pada jumlah band 112 dengan nilai RMSE sebesar 0.0012 dan nilai MAE sebesar 0.0269. Sedangkan performa model klasifikasi terbaik direntang band 224 dengan akurasi training varietas ayam 86,00% dan status daging 97,65% serta memiliki nilai presisi dari varietas 91,00% dan 98,00% untuk status daging. Hasil pengujian dengan sistem klasifikasi dan rekonstruksi arsitektur Dual Dense CNN dapat dilakukan dengan citra RGB.

---

Until now, Indonesia has reported 64 cases of selling carcass chicken meat. This is a problem because there may still be many cases that are not uncovered because they do not yet have instruments or measuring instruments to find out the difference between carcass and healthy chicken meat. One measurement technique that is being developed is using imagery. Image measurement techniques are very efficient for making measurements because they do not require additional tools and materials and do not destroy the sample first. One of the image capture using Hyperspectral is a fairly good technique because Hyperspectral has varied bands and can perform multi-parameter detection. Hyperspectral image has a broad spectrum of the RGB image spectrum. The spectrum can make information used in measuring levels in an object. However, measurements using hyperspectral require high costs and require large data storage. Therefore, one of the methods used is to perform a reconstruction from the form of an RGB image to a hyperspectral image. RGB images can be used in everyday life and storage of RGB images is smaller in size. So, this research implements the Dual Dense Convolutional Neural Network for Visible Nearinfrared Image Reconstruction and Classification of Carrion Chicken Meat. Dual Dense CNN is a combination of Dense Block CNN to perform hyperspectral image reconstruction from RGB and DenseNet for hyperspectral image classification. Variation of the number of reconstruction target bands was carried out with the aim of obtaining the best model performance in the reconstruction and classification models. The best reconstruction model performance is obtained in the number of bands 112 with an RMSE value of 0.0012 and an MAE value of 0.0269. While the performance of the best classification model spanned band 224 with a training accuracy of 86.00% for chicken varieties and 97.65% for meat status and had a precision value of 91.00% for varieties and 98.00% for meat status. The results of testing the classification modeling and reconstruction of the Dual Dense CNN architecture can be done with RGB images."

"Tingkat kebutuhan daging di dalam negeri terus mengalami peningkatan dari tahun ke tahun. Menurut laporan Badan Pusat Statistik (BPS), pada tahun 2021 rata-rata konsumsi daging ayam di Indonesia mencapai 0,14 kilogram (kg) per kapita per minggu, rekor tertinggi dalam satu dekade terakhir. Tingginya tingkat kebutuhan membuka praktek penjualan ayam bangkai sehingga mempengaruhi tingkat kepercayaan konsumen. Maraknya penjualan daging ayam bangkai membuat perlunya suatu sistem pengujian kualitas daging ayam. Penelitian ini bertujuan untuk membangun sistem multi-output yang dapat mengidentifikasi kualitas daging ayam berdasarkan citra visual near infrared (VNIR) dan spektral VGG. Sampel daging ayam yang telah divariasi, diakuisisi oleh kamera hiperspektral dengan metode line scanning, dan secara paralel dilakukan pengukuran nilai pH. Kemudian citra dilakukan koreksi dan segmentasi sebelum dibangunnya dataset hypercube dimensi dimensi. Klasifikasi berbasis CNN dari arsitektur AlexNet, GoogleNet, dan VGG16 diuji untuk menemukan arsitektur optimal dalam pemodelan multi-output. Berdasarkan penelitian yang telah dilakukan, diperoleh ukuran ROI terbaik untuk model multi-output yakni  24 x 24 x 112 dengan hasil pengujian nilai akurasi pengujian 0,87 untuk kelas varietas dan 0,97 untuk kelas status daging ayam, sementara untuk prediksi kadar pH dengan nilai RMSE pengujian 0,081 dan koefisien determinasi (R²) pengujian 0,812.

---

The demand for meat in the domestic market increases year by year. According to the report from the Badan Pusat Statistik (BPS), in the 2021 the average consumption of chicken meat in Indonesia reached 0.14 kilograms (kg) per capita per week, the highest record in the past decade. Unfortunately, the high demand in the market creates the possibility of carrion chicken carcasses selling, which affects consumer confidence. The prevalence of selling chicken carcasses necessitates a system for testing the quality of chicken meat. This research aims to develop a multi-output system that can identify the quality of carcass chicken based on near-infrared visual (VNIR) and VGG spectral images. The variation of carcass chicken samples are acquired using a hyperspectral camera with a line scanning method, and parallelly taken the value of pH. The images are then corrected and segmented before constructing a hypercube dataset with multiple dimensions. CNN-based classification from AlexNet, GoogleNet, and VGG16 architectures is tested to find the optimal architecture for multi-output modeling. Based on the research, the best ROI (Region of Interest) size for the multi-output model is 24 x 24 x 112. The testing results show an accuracy of 0.87 for the variety class and 0.97 for the status class of carcass chicken. Additionally, for pH prediction, the testing results yield an RMSE (Root Mean Squared Error) value of 0.081 and a coefficient of determination (R²) value of 0.812.

 

"

"Citra hiperspektral memiliki jumlah spektral dari suatu objek dengan rentang spektrum yang lebih luas dibandingkan dengan citra RGB. Suatu citra hiperspektral memberikan informasi yang jauh lebih banyak kegunaannya sebagai analisa suatu kasus dibandingkan dengan citra RGB. Salah satu pengaplikasian dengan menggunakan citra hiperspektral yaitu pengukuran suatu kadar tertentu dalam suatu objek. Namun, citra hiperspektral sulit diperoleh dikarenakan memiliki sistem akuisisi yang tidak sederhana. Faktor tersebut dikarenakan pencitraan berbasis citra hiperspektral menggunakan kamera yang mahal, perangkat keras pendukung sistem akuisisi yang kompleks, beserta ukuran citra yang lebih besar dibandingkan dengan citra RGB. Oleh karena itu, penelitian ini melakukan rekonstruksi citra hiperspektral dari citra RGB menggunakan algoritma convolutional neural network dengan arsitektur dense block untuk studi kasus sistem prediksi kadar karotenoid pada daun bisbul. Penelitian ini menghasilkan citra hiperspektral rekonstruksi dari citra RGB yang diperoleh dari proses konversi, beserta citra RGB yang diperoleh dari kamera RGB. Citra hiperspektral yang direkonstruksi pada penelitian ini yaitu berada pada rentang target panjang gelombang 400 nm hingga 1000 nm dengan target jumlah bands sebanyak 112. Algoritma rekonstruksi yang digunakan pada penelitian ini yaitu convolutional neural network dengan arsitektur dense blocks. Pembangunan model rekonstruksi citra pada penelitian ini, yaitu dengan memvariasikan jumlah dense block beserta target rentang dan jumlah panjang gelombang yang akan direkonstruksi. Variasi ini bertujuan untuk mencari model rekonstruksi citra yang optimal untuk merekonstruksi citra hiperspektral dari citra RGB. Lalu, citra hiperspektral rekonstruksi akan digunakan untuk membangun model prediksi kadar karotenoid pada daun bisbul berbasis algoritma machine learning XGBoost, kemudian model prediksi kadar karotenoid berbasis citra hiperspektral rekonstruksi akan dibandingkan dengan model prediksi kadar karotenoid berbasis citra hiperspektral asli. Hasil eksperimen memaparkan bahwa model rekonstruksi citra dengan jumlah dense block sebanyak 30 memiliki performa terbaik, dengan target rentang panjang gelombang 400 nm hingga 1000 nm dan target jumlah bands sebanyak 112. Performa model rekonstruksi citra dengan variasi tersebut memiliki RMSE sebesar 0,0743 dan MRAE sebesar 0,0910. Lalu, performa model prediksi kadar berbasis citra hiperspektral rekonstruksi memiliki RMSE sebesar 0,0565 dan MRAE sebesar 0,0963. Evaluasi kualitatif citra hiperspektral rekonstruksi memiliki pola signatur spektral yang sama dengan citra hiperspektral asli.

---

Hyperspectral image has the spectral number of an object with a wider spectrum range than RGB image. As a some case analysis, a hyperspectral image is far more useful than RGB image. The measurement of contents in an object is one of the applications of the hyperspectral imagery. However, hyperspectral image is difficult to obtain due to a complicated acquisition system. This is down to the fact that hyperspectral imaging requires more expensive cameras, complex system support devices and have a larger size than RGB images. Therefore, this study reconstruct hyperspectral image using RGB images using a convolutional neural network with dense blocks architecture for a case study of a carotenoid content prediction in (Diospyros discolor Willd.) leaves. This research produces a reconstructed hyperspectral image from the RGB image obtained from the conversion process, and an RGB image obtained from the RGB camera. This study’s reconstructed hyperspectral image has a wavelength target from 400 nm to 1000 nm and a number of bands up to 112. This study’s reconstruction algorithm is a convolutional neural network with dense blocks architecture. In this study, an image reconstruction model is built by varying the number of dense block, target range and number of wavelengths to be reconstructed. The purpose of this variation is to find the best image reconstruction model for constructing hyperspectral images from RGB images. The reconstructed hyperspectral images will then be used to build a prediction model of carotenoid levels in (Diospyros discolor Willd.) leaves using the XGBoost machine learning algorithm, and this model will be compared to the original hyperspectral image based on carotenoid content prediction model. The experimental results indicate that the image reconstruction model with a dense block of 30 and a target wavelength range from 400 nm to 1000 nm with band number consist of 112 performs the best. The image reconstruction model performs well with these variations, with an RMSE of 0,0743 and an MRAE of 0,0910. The RMSE and MRAE of the reconstructed hyperspectral image for carotenoid content prediction model are 0,0565 and 0,0963, respectively. The qualitative evaluation of the reconstructed hyperspectral image has the same spectral signatur pattern as the original hyperspectral image."

"Citra hiperspektral memiliki informasi dalam rentang spektrum yang luas melebihi rentang spektrum yang ada pada citra RGB sebagai citra yang umum digunakan sehari-hari saat ini. Informasi tersebut dapat dimanfaatkan dalam berbagai macam bidang; salah satunya adalah pengukuran kadar tertentu dalam suatu objek. Namun, kamera hiperspektral sebagai alat akuisisi citra memiliki kekurangan yaitu harganya yang mahal, tidak mudah dioperasikan, ukuran hasil citra yang besar, serta memerlukan teknik dan perangkat khusus saat mengakuisisi citra. Hal tersebut berbeda dengan kamera RGB yang memiliki harga yang jauh lebih murah, hasil citra berukuran kecil, serta mudah dioperasikan. Penelitian ini melakukan implementasi sistem rekonstruksi citra hiperspektral dari citra RGB berbasis convolutional neural network ResNet pada sistem prediksi kadar fenolik daun bisbul. Terdapat proses rekonstruksi citra hiperspektral dengan target jumlah bands sebanyak 224 pada rentang panjang gelombang 400 sampai 1000 nm. Penelitian ini menggunakan algoritma model ResNet untuk model rekonstruksi citra, serta algoritma model XGBoost untuk model prediksi kadar. Performa model yang dihasilkan dalam penelitian ini adalah RMSE sebesar 0,1129 dan MRAE sebesar 0,3187 untuk model rekonstruksi citra, serta RMSE sebesar 0,5798 dan MRAE sebesar 0,1431 untuk model prediksi kadar. Citra hiperspektral hasil rekonstruksi mampu menghasilkan pola spectral signature yang serupa dengan citra hiperspektral asli.

---

Hyperspectral images have much information within their large spectrum area; larger than RGB images which are used daily nowadays. The information can be used in many applications; one of them is content measurement of an object. However, hyperspectral cameras as an image acquisition instrument have disadvantages, such as high cost, not easy to operate, large image results, and require additional equipment in its image acquisition. This is different from RGB cameras which have cheaper price, smaller in image size, and easier to operate. This study implemented a hyperspectral image reconstruction system from RGB images based on the ResNet convolutional neural network on the velvet apple leaf’s phenolic content prediction system. This study reconstructs hyperspectral images with a total target of 224 bands in the wavelength range of 400 to 1000 nm. This study uses the ResNet model algorithm for the image reconstruction model, and the XGBoost model algorithm for the content prediction. The performance of the model produced in this study is RMSE of 0.1129 and MRAE of 0.3187 for the image reconstruction model, as well as RMSE of 0.5798 and MRAE of 0.1431 for the content prediction model. The reconstructed hyperspectral image can produce the same spectral signature pattern as the original hyperspectral image."

"Uji kendali mutu pada citra mamografi dengan menggunakan fantom CDMAM merupakan langkah penting dalam memastikan kualitas proses diagnostik pada pesawat mamografi. Namun, untuk mengatasi masalah variabilitas manusia dan meningkatkan efisiensi waktu, penggunaan Convolutional Neural Network (CNN) dapat menjadi solusi yang akurat dalam menganalisis citra fantom CDMAM. Penelitian ini menerapkan arsitektur CNN Resnet50 pada total 1.392 citra fantom CDMAM dengan dan tanpa regularizer L2. Hasil prediksi CNN pada rentang diameter 0,10 hingga 0,20 mm menunjukkan tingkat prediksi dengan tingkat kesalahan relatif di bawah 32% pada prediksi satuan dan di bawah 16% pada rata-rata prediksi dari 16 citra. Dari hasil prediksi yang diperoleh, diperlukan optimasi lebih lanjut untuk mencapai akurasi prediksi yang lebih tinggi.

---

Quality control testing on mammography images using CDMAM phantoms is an important step in ensuring the quality of the diagnostic process in mammography devices. However, to overcome human variability issues and improve time efficiency, the use of Convolutional Neural Network (CNN) can be an accurate solution for analyzing CDMAM phantom images. This study applied the CNN architecture ResNet50 to a total of 1.392 CDMAM phantom images with and without L2 regularizer. The CNN prediction results for the diameter range of 0,10 to 0,20 mm showed prediction with relative error below 32% for individual predictions and below 16% for average predictions from 16 images. Based on the obtained prediction results, further optimization is needed to achieve higher prediction accuracy."

"Madu mengandung sejumlah vitamin yaitu tiamin (B1), riboflavin (B2), asam nikotinat (B3), asam pantotenat (B5), piridoksin (B6), biotin (B8 H), asam folat (B9), vitamin K, dan Vitamin. Vitamin C jumlahnya terbanyak dalam madu. Penelitian ini bertujuan untuk membandingkan dan mengevaluasi metode spektrofotometer Infra Merah Dekat dengan spektrofotometer UV-Visible untuk analisa kuantitatif vitamin C (Ascorbic Acid) dalam madu berkaitan dengan spektra, linearitas, presisi, batas deteksi (LOD) dan batas kuantifikasi (LOQ), penentuan kadar dengan menggunakan larutan standar Asam Askorbat. Pada penelitian ini, vitamin C dalam madu diukur dengan metode asam askorbat dengan menggunakan spektrofotometer UV Visible dan spektrofotometer Infra Merah Dekat dengan melakukan variasi konsentrasi. Spektrofotometer NIR (Near Infrared Spectrophotometer), pada konsentrasi 0 ppm sampai dengan 9 ppm menghasilkan koefisien determinasi (R2) sebesar 0.9996, standar deviasi sebesar 0.0214. Sedangkan, spektrofotometer UV Visible, pada konsentrasi 0 ppm sampai dengan 9 ppm menghasilkan koefisien determinasi (R2) sebesar 0.9950, standar deviasi sebesar 0.0764. Pengukuran presisi dengan Spektrofotometer Infra Merah Dekat pada rentang konsentrasi 0 ppm sampai dengan 9 ppm SD dan %RSD terkecil yang dihasilkan sebesar 0.00105 dan 0.01491 serta SD dan %RSD terbesar yang dihasilkan sebesar 0.00295 dan 0.09896. Sedangkan  pengukuran dengan Spektrofotometer UV-Visible pada rentang konsentrasi 0 ppm sampai dengan 9 ppm SD dan %RSD terkecil yang dihasilkan sebesar 0.01242 dan 0.62945 serta SD dan %RSD terbesar yang dihasilkan sebesar 0.06507 dan 2.02710. Pengukuran LOD dan LOQ dengan spektrofotometer Infra merah dekat dengan rentang konsentrasi larutan standar vitamin C dari 0 ppm sampai dengan 9 ppm (v/v), diperoleh nilai LOD 0.0643 ppm dan nilai LOQ adalah 0.2143 ppm. Pada rentang konsentrasi larutan standar vitamin C dari 0 ppm sampai dengan 50 ppm (v/v), maka diperoleh nilai LOD 0.17934 ppm dan nilai LOQ adalah 0.5978 ppm. Pengukuran LOD dan LOQ dengan spektrofotometer UV-Visible dengan rentang konsentrasi larutan standar vitamin C dari 0 ppm sampai dengan 9 ppm (v/v), diperoleh nilai LOD 0.2293 ppm dan nilai LOQ adalah 0.7643 ppm. Pada rentang konsentrasi larutan standar vitamin C dari 0 ppm sampai dengan 50 ppm (v/v), maka diperoleh nilai LOD 0.4733 ppm dan nilai LOQ adalah 1.5776 ppm. Sedangkan, pada rentang konsentrasi larutan standar vitamin C dari 0 ppm sampai dengan 30 ppm (v/v), maka diperoleh nilai LOD 0.2006 ppm dan nilai LOQ adalah 0.6687 ppm.

---

Honey contains a number of vitamins, namely thiamine (B1), riboflavin (B2), nicotinic acid (B3), pantothenic acid (B5), pyridoxine (B6), biotin (B8 H), folic acid (B9), vitamin K, and vitamins. The highest amount of Vitamin in honey is Vitamin C. This study aims to compare and evaluate the Near Infrared spectrophotometer method with a UV-Visible spectrophotometer for quantitative analysis of vitamin C (Ascorbic Acid) in honey related to spectra, linearity, precision, detection limits (LOD) and quantification limits (LOQ), determination of levels by using a standard solution of Ascorbic Acid. In this study, vitamin C in honey was measured by ascorbic acid using a UV Visible spectrophotometer and Near Infrared spectrophotometer by performing concentration variations. NIR (Near Infrared Spectrophotometer) spectrophotometer, at a concentration of 0 ppm to 9 ppm produces a determination coefficient (R2) of 0.9996, a standard deviation of 0.0214. Whereas, UV Visible spectrophotometer, at concentrations of 0 ppm to 9 ppm produces a determination coefficient (R2) of 0.9950, a standard deviation of 0.0764. Precision measurement with Near Infrared Spectrophotometer in the concentration range of 0 ppm to 9 ppm SD and the smallest% RSD produced was 0.00105 and 0.01491 and SD and the largest% RSD produced was 0.00295 and 0.09896. While the measurement with UV-Visible Spectrophotometer in the concentration range of 0 ppm to 9 ppm SD and the smallest% RSD produced was 0.01242 and 0.62945 and SD and the largest% RSD produced was 0.06507 and 2.02710. LOD and LOQ measurements with an infrared spectrophotometer close to the concentration range of the standard vitamin C solution from 0 ppm to 9 ppm (v / v), obtained an LOD value of 0.0643 ppm and the LOQ value was 0.2143 ppm. In the concentration range of the standard vitamin C solution from 0 ppm to 50 ppm (v / v), the LOD value is 0.17934 ppm and the LOQ value is 0.5978 ppm. LOD and LOQ measurements with a UV-Visible spectrophotometer with a concentration range of the standard vitamin C solution from 0 ppm to 9 ppm (v / v), obtained a LOD value of 0.2293 ppm and a LOQ value of 0.7643 ppm. In the concentration range of the standard vitamin C solution from 0 ppm to 50 ppm (v / v), the LOD value is 0.4733 ppm and the LOQ value is 1.5776 ppm. Whereas, in the concentration range of the standard vitamin C solution from 0 ppm to 30 ppm (v / v), the LOD value is 0.2006 ppm and the LOQ value is 0.6687 ppm."

"Turbiditas merupakan salah satu indikator yang dapat digunakan untuk menilai kualitas air. Turbiditas dapat diukur menggunakan instrumen konvensional seperti turbidimeter, spektrofotometer, dan nefelometri visual. Namun, semua instrumen tersebut memiliki kekurangannya masing-masing, seperti biaya yang relatif tinggi dan kurang efisien. Pada penelitian ini diusulkan metode pengukuran yang lebih terjangkau dan efisien dengan memanfaatkan kamera ponsel, serta model regresi support vector regression dan EfficientNet-B0 berbasis convolutional neural network sebagai instrumen pengukuran. Akuisisi citra dilakukan di dua lingkungan. Lingkungan 1 didefinisikan sebagai lingkungan dengan cahaya langsung yang menyinari sampel, mengikuti prinsip turbidimetri, sedangkan lingkungan 2 didefinisikan sebagai lingkungan dengan pencahayaan yang bergantung hanya kepada cahaya sekitar dengan intensitas cahaya yang tak tentu. Citra yang telah diakuisisi oleh ponsel melalui berbagai proses prapengolahan data seperti segmentasi, augmentasi, penerapan filter Gaussian, dan ekstraksi fitur saturasi dan tekstur sebelum diteruskan ke model regresi. Dari hasil evaluasi didapatkan kesimpulan bahwa model EfficientNet-B0 lebih unggul dibandingkan dengan support vector regresssion dengan fitur saturasi, tekstur maupun gabungan. Model EfficientNet-B0 mendapatkan nilai R2 sebesar 0.992, MAE sebesar 2.474 dan MSE sebesar 10.669 untuk citra lingkungan 1, dan nilai R2 sebesar 0.97, MAE sebesar 3.333 dan MSE sebesar 29.137 untuk citra lingkungan 2.

---

Turbidity is an indicator that can be used to assess water quality. Turbidity can be measured using conventional instruments such as turbidimeter, spectrophotometer, and visual nephelometry. However, all of these instruments have their respective drawbacks, such as relatively high costs and inefficient. In this study, a more affordable and efficient measurement method is proposed by utilizing a cellphone camera, as well as a support vector regression and EfficientNet-B0 model based on convolutional neural network as a measurement instrument. Image acquisition will be carried out in two environments. Environment 1 is defined as an environment with direct light shining on the sample, following the principle of turbidimetry, while environment 2 is defined as an environment in which the illumination depends on the ambient light with an indeterminate light intensity. The image that has been acquired by the cellphone will go through various data preprocessing processes such as segmentation, augmentation, application of Gaussian filters, and extraction of saturation and texture features before being forwarded to the regression model. From the evaluation results, it can be concluded that the EfficientNet-B0 model is superior to the support vector regression with saturation, texture, or combined features. The EfficientNet-B0 model gets an R2 value of 0.992, an MAE of 2.474 and an MSE of 10,669 for environment 1 image, and an R2 value of 0.97, an MAE of 3.333 and an MSE of 29,137 for environment 2 image."

"Penilaian citra embrio manusia memiliki peran yang penting dalam proses Fertilisasi In Vitro (FIV) atau yang dikenal juga sebagai proses bayi tabung. Penilaian citra embrio ini dilakukan secara manual oleh ahli embriologi. Hal ini tentunya membutuhkan waktu yang lama dan konsentrasi yang tinggi dari ahli embriologi sehingga perlu ada sistem yang dapat membantu ahli embriologi dalam melakukan penilaian dengan lebih efisien. Salah satu waktu penilaian embrio yang paling penting yaitu ketika embrio berusia lima hari, dimana ini merupakan tahap penilaian akhir sebelum proses implantasi ke rahim. Penilaian embrio pada hari kelima didasarkan pada tiga aspek yaitu derajat ekspansi, Inner Cell Mass, dan Trophoectoderm, yang menjadi tantangan tersendiri dalam penelitian di bidang ini. Permasalahan lain yang muncul yaitu ketersediaan data yang terbatas dan ketidakseimbangan proporsi kelas atau target pada dataset. Penelitian ini mengusulkan penggunaan augmentasi data berbasis Generative Adversarial Network seperti VanillaGAN, InfoGAN, DCGAN, dan Adversarial Autoencoder sehagai solusi permasalahan ketidakseimbangan data. Penelitian ini juga mengembangkan model klasifikasi berbasis Convolutional Neural Network sebagai klasifikator untuk menilai citra embrio. Penelititan ini menggunakan 10-fold cross validation untuk mengukur kinerja model. Untuk kategori derajat ekspansi, penelitian ini memperoleh hasil terbaik dengan model Convolutional Neural Network yang dikombinasikan dengan Adversarial Autoencoder sebagai augmentasi data dengan nilai f1-score sebesar 0.92. Untuk kategori Inner Cell Mass, penelitian ini memperoleh hasil terbaik dengan model Convolutional Neural Network yang dikombinasikan dengan VanillaGAN sebagai augmentasi data dengan nilai f1-score sebesar 0.92. Serta untuk kategori Trophoectoderm, model Convolutional Neural Network yang dikombinasikan dengan Adversarial Autoencoder memperoleh hasil terbaik dengan nilai f1-score sebesar 0.89.

---

Assessment of human embryo images has an important role in the process of In Vitro Fertilization (IVF). Evaluation of this embryo image is done manually by the embryologist. This requires a long time and high concentration of embryologists, so it is necessary to create a system that can assist embryologists in making assessments more efficiently. One of the most important parts of human embryo assessment is the embryo on the fifth day after fertilization. Evaluation of embryos on the fifth day is based on three aspects, namely the degree of expansion, Inner Cell Mass, and Trophoectoderm, which is a particular challenge in research in this field. Another problem for this case is the limited availability of data and an imbalanced dataset. This study proposes the use of Generative Adversarial Network-based for data augmentation such as VanillaGAN, InfoGAN, DCGAN, and Adversarial Autoencoder as a solution to imbalanced data problems. This study also developed a classification model based on the Convolutional Neural Network as a classifier for assessing embryo images. This research uses 10-fold cross validation to measure model performance. This study obtained the best results for the degree of expansion category with the Convolutional Neural Network model combined with the Adversarial Autoencoder as a data augmentation with an f1-score of 0.92. This study obtained the best results for the Inner Cell Mass category with the Convolutional Neural Network model combined with VanillaGAN as a data augmentation with an f1-score of 0.92. The best result for Trophoectoderm category is Convolutional Neural Network model combined with the Adversarial Autoencoder as a data augmentation with an f1-score of 0.89."

"Banjir di perkotaan merupakan bencana yang signifikan karena banyaknya penduduk yang terkena dampaknya. Dalam kebanyakan kasus, banjir terjadi bersamaan dengan hujan lebat, sehingga jika diamati dari satelit yang menggunakan sensor optik, daerah tersebut tertutup awan. Penelitan ini mengusulkan framework baru untuk klasifikasi banjir daerah perkotaan menggunakan sensor satelit penginderaan jauh Synthetic Aperture Radar (SAR) yang mempunyai kemampuan menembus awan. Framework ini dikembangkan untuk mengklasifikasi daerah banjir dengan mempertahankan variasi temporalnya. Studi kasus yang digunakan adalah wilayah Jakarta menggunakan metode 3D CNN multi-sensor pada data Sentinel-1 (S-1) multi-temporal dan curah hujan rata-rata Climate Hazard Infrared Precipitation Sensor (CHIRPS). Data terdiri atas 24 scene S-1 dengan polarisasi ganda VV dan VH antara bulan Maret 2019-Februari 2020 yang terdiri dari 20 citra co-polarized dan cross-polarized yang terdiri dari 2 citra co-event, 18 citra pre-event, dan 4 citra post-event sebagai testing data dan data curah hujan dari CHIRPS. Training dilakukan dengan menggunakan hyperparameter 150 epoch, batch size sebesar 100, learning rate sebesar 0,001 dan komposisi data set training/testing digunakan 80/20. Hasil pengujian 3D CNN memberikan rata-rata overall accuracy sebesar 70,3% dengan waktu pemrosesan 113 detik untuk setiap epoch. Dengan hasil tersebut metode 3D CNN diharapkan mampu membantu mengestimasi luas area banjir yang akurat dan mengidentifikasi daerah yang berpotensi mengalami banjir dalam rangka deteksi dini/pencegahan banjir kota-kota lain di masa mendatang.

---

Urban flooding is a significant catastrophe due to its widespread impact on the population. Typically, floods occur concurrently with heavy rainfall, rendering the affected area obscured by clouds when observed through optical sensors on satellites. To address this issue, a novel approach is proposed in this study, aiming to classify flooded urban areas using a remote sensing synthetic aperture radar (SAR) sensor on a satellite. Unlike optical sensors, SAR has the ability to penetrate clouds. The framework was developed by employing the 3D Convolutional Neural Network (CNN) method to preserve the temporal variability, which processed multi-temporal SAR data from Sentinel-1 (S-1) and average rainfall data from the Climate Hazards Infrared Precipitation Sensor (CHIRPS). The dataset used in this research comprised 24 S-1 scenes with Dual VV and VH polarization, covering the period between March 2019 and February 2020 divided into 2 co-event images, 18 pre-event images, and 4 post-event images, along with rainfall data from CHIRPS. The training phase employed hyperparameters of 150 epochs, batch size of 100, and learning rate at 0,001, with training/testing data split of 80/20. The 3D CNN achieved an average overall accuracy of 70.3%, with maximum accuracy at 71,4% and each epoch taking 113 seconds on average to process. These results demonstrate the potential of the 3D CNN method to accurately estimate the extent of flooding and identify areas at risk of flooding, thereby aiding early detection and flood prevention efforts in other cities in the future."

"ABSTRAKPada era modern ini, semakin banyak jenis penyakit yang baru dengan gejala yang berbeda beda juga. Teknologi dituntut bisa memainkan peran untuk membantu penelitian pada bidang kesehatan. Stroke merupakan salah satu penyakit yang memiliki angka kematian tertinggi di dunia. Stroke terjadi karena terganggunya pasokan darah menuju otak sehingga otak mengalami kekurangan oksigen dan nutrisi. Stroke bisa dibagi menjadi berdasarkan bagaimana stroke terjadi, stroke hemoragik dan stroke iskemik. Stroke hemoragik terjadi karena pecahnya pembuluh darah yang menuju otak, sedangkan stroke iskemik terjadi karena terjadinya penyumbatan yang mengganggu pasokan darah ke otak. Jika penyumbatan terjadi pada daerah otak, maka disebut infark serebri. Dalam studi ini digunakan metode Convolutional Neural Network untuk mengklasifikasikan data gambar infark serebri yang nantinya akan dibandingkan dengan metode Neural Network. Didapatkan dari hasil performa metode Convolutional Neural Network lebih baik jika dibandingkan dengan metode Neural Network untuk pengklasifikasian data gambar infark serebri."