Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini bertujuan untuk mengembangkan model deteksi penyakit kulit pada hewan peliharaan menggunakan image processing dan Deep Learning. Model ini dirancang untuk mendeteksi tiga jenis penyakit kulit yang umum, yaitu Ringworm, Scabies, dan Earmite, dengan memanfaatkan gambar yang diambil menggunakan kamera ponsel. Model ini menggabungkan teknik image processing, seperti CLAHE, filter Gaussian, dan segmentasi HSV, dengan model CNN. Evaluasi model dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1-score. Pada penelitian ini digunakan dua model untuk mendeteksi penyakit yang berbeda. Hasil penelitian menunjukkan bahwa untuk model 1, yang melakukan klasifikasi multi-kelas, nilai metrik validasi Akurasi mencapai 83%, F1-score mencapai 82%, Precision mencapai 89%, dan Recall mencapai 83%. Sedangkan untuk hasil model 2, yang melakukan klasifikasi biner, nilai akurasi mencapai 100%, F1-score mencapai 100%, Precision mencapai 100%, dan Recall mencapai 100%. Model ini juga menunjukkan kinerja yang lebih baik dibandingkan dengan model transfer learning ResNet-50 dan VGG16.

---

This research aims to develop a skin disease detection model for pets using image processing and Deep Learning . The model is designed to detect three common skin diseases, namely Ringworm, Scabies, and Earmite, using images captured by mobile phone cameras. The model combines image processing techniques, such as CLAHE, Gaussian filter, and HSV segmentation, with a CNN model. Model evaluation is performed using the Accuracy, Precision, Recall, and F1-score metrics. In this study, two models were used to detect different diseases. The research results show that for model 1, which performs multi-class classification, the validation metric value of Accuracy reaches 83%, F1-score reaches 82%, Precision reaches 89%, and Recall reaches 83%. Meanwhile, for the results of model 2, which performs binary classification, the accuracy value reaches 100%, F1-score reaches 100%, Precision reaches 100%, and Recall reaches 100%. This model also shows better performance compared to the ResNet-50 and VGG16 transfer learning models."

"COVID-19 merupakan penyakit yang telah menjadi pandemi pada tahun 2020. Penyakit ini dinyatakan sebagai pandemi karena menjadi wabah yang sangat luas hingga seluruh dunia terpapar. Dalam usaha penekanan penyebaran penyakit COVID-19, banyak peneliti yang menerapkan deep learning untuk mendeteksi penyakit ini. Convolutional Neural Network(CNN) merupakan jenis deep learning yang paling banyak digunakan untuk usaha mengklasifikasi citra X-ray paru-paru. Algoritma yang dikembangkan pada penelitian ini menggunakan deep learning dengan model CNN ResNet152v2 dengan Python untuk bahasa pemrogramannya serta Keras Tensorflow sebagai API. penelitian ini melakukan beberapa ekperimen untuk meningkatkan akurasi dan performa dengan memvariasikan dataset serta parameter seperti epoch, batch size, optimizer. Performa terbaik didapatkan dengan pengaturan parameter pada jumlah dataset 3000, epoch 15, batch size 16, dan optimizer Nadam dengan nilai akurasi hingga 96%. Hasil akurasi ini merupakan peningkatan yang didapatkan penelitian terdahulu yang menggunakan model VGG16 dengan akurasi hingga 92%.

---

COVID-19 is a disease that has become a pandemic in 2020. This disease is declared a pandemic because it is an epidemic that is so widespread that the entire world is exposed. In an effort to suppress the spread of the COVID-19 disease, many researchers have applied deep learning to detect this disease. Convolutional Neural Network (CNN) is a type of deep learning that is most widely used to classify X-ray images of the lungs. The algorithm developed in this study uses deep learning with the CNN ResNet152v2 model with Python for the programming language and Keras Tensorflow as the API. This study conducted several experiments to improve accuracy and performance by varying the dataset and parameters such as epoch, batch size, optimizer. The best performance is obtained by setting parameters on the number of datasets 3000, epoch 15, batch size 16, and optimizer Nadam with an accuracy up to 96%. The result of this accuracy is an improvement obtained from previous studies using the VGG16 model with an accuracy of up to 92%."

"Quadcopter adalah sebuah wahana terbang yang terdiri dari empat motor terhubung dengan baling-baling. Sistem pengendalian wahana ini memiliki kompleksitas yang cukup tinggi akibat kemampuannya yang memiliki enam derajat kebebasan, tetapi hanya memiliki empat jenis pergerakan, yaitu roll, pitch, yaw, dan thrust. Kompleksitas ini menyebabkan pengendalian quadcopter bersifat underactuated karena jumlah pergerakannya yang lebih sedikit dari derajat kebebasannya. Pengendalian empat pergerakan tersebut membutuhkan proses tambahan untuk menggerakkan masing-masing motor pada quadcopter yang disebut sebagai control mixer. Penelitian yang bertujuan untuk mengembangkan sistem kendali quadcopter berdasarkan ekosistem PX4 Autopilot membutuhkan sebuah control mixer yang dapat digunakan terlepas dari sistem pengendali bawaan dari PX4 Autopilot. Akan tetapi, control mixer yang terdapat di PX4 Autopilot hanya terikat pada sistem pengendali bawaannya dan persamaan matematisnya tidak terdapat di dokumentasi resminya. Oleh karena itu, penelitian ini bertujuan untuk membuat sistem control mixer berbasis ekosistem PX4 Autopilot tanpa perlu mengetahui persamaan matematis dari model tersebut menggunakan model Deep Learning berbasis Back Propagation Neural Network yang akan diujikan pada program simulasi Gazebo untuk melakukan evaluasi model.

---

The quadcopter is an aircraft composed of four motors connected to propellers. The control system of this vehicle is quite complex due to its capability of six degrees of freedom, but it only has four types of movements: roll, pitch, yaw, and thrust. This complexity makes quadcopter control underactuated because the number of movements is fewer than its degrees of freedom. Controlling these four movements requires an additional process to manipulate each motor on the quadcopter, known as a control mixer. Research aimed at developing a quadcopter control system based on the PX4 Autopilot ecosystem requires a control mixer that can be used independently of PX4 Autopilot's built-in control system. However, the control mixer in PX4 Autopilot is only tied to its built-in control system, and its mathematical equations are not documented officially. Therefore, this research aims to create a control mixer system based on the PX4 Autopilot ecosystem without needing to know the mathematical equations of the model, using a Deep Learning model based on Back Propagation Neural Network that will be tested in the Gazebo simulation program to evaluate the model."

"Skripsi ini merupakan pengembangan dari teknologi video surveillance system atau sistem pengawasan video. Video surveillance system yang selama ini diterapkan untuk tujuan deteksi objek menggunakan suatu metode umum yaitu dual background model. Model tersebut bekerja dengan memisahkan latar depan dan latar belakang dari suatu video frame dan memposisikan target deteksi di latar depan sebagai output. Salah satu tujuan dari skripsi ini adalah melakukan pengembangan dari sistem tersebut agar dapat mengklasifikasikan objek yang terdeteksi menjadi abandoned, stolen, dan ghost region. Untuk mencapai tujuan tersebut, digunakan metode pemelajaran mesin Mask R – CNN yang dapat melakukan segmentasi objek berbasis pemaskeran. Selain dari Mask R – CNN, terdapat model pemelajaran mesin lain yang cukup umum digunakan untuk deteksi objek dan segmentasi objek yaitu model YOLACT. Penelitian ini menggunakan video situasi natural di tempat umum seperti stasiun atau jalanan yang akan diproses menggunakan dual background model dan kemudian disegmentasi menggunakan Mask R – CNN atau YOLACT. Hasil penelitian ini diharapkan bisa membuka wawasan tentang penggunaan model pemelajaran mesin dalam aplikasi object detection, sekaligus menganalisis model mana yang paling efektif dan efisien berupa hasil kuantitatif yaitu Frame Rate per Seccond ( FPS ), waktu segmentasi, serta Intersection Over Union ( IOU ).

---

This thesis is an advancement in video surveillance technology. The existing video surveillance system commonly employs a dual background model for object detection. This model functions by separating the foreground and background within a video frame and positions the detected target in the foreground as the output. One of the goals of this thesis is to enhance this system to classify detected objects into abandoned, stolen, and ghost regions. To achieve this, the Mask R-CNN machine learning method is used, which can perform object segmentation based on masking. Apart from Mask R-CNN, another commonly used machine learning model for object detection and segmentation is the YOLACT model. This research utilizes natural situation videos in public places like stations or streets, processed using the dual background model and then segmented using Mask R-CNN or YOLACT. The anticipated outcome of this study is to broaden insights into the use of machine learning models in object detection applications while analyzing which model is most effective and efficient for similar applications."

"Sistem klasifikasi citra lidah telah banyak digunakan dalam kepentingan medis dan diagnosis kesehatan. Penelitian ini berfokus pada peningkatan peforma akurasi klasifikasi pada sistem prediksi perokok berdasarkan analisis letak persebaran Smoker Melanosis pada citra lidah. Teknik diagonis lidah yang dibangun adalah metode yang non-invasif serta berbasis pencitraan hiperspektral (HSI). Berbagai pendekatan dan arsitektur Deep Learning  telah diusulkan untuk mengatasi analisis data HSI dan telah mencapai akurasi klasifikasi yang relatif tinggi. Pada penelitian ini, arisitektur Convolutional Neural Network (CNN) dipakai dalam konfigurasi spektral-spasial yang terutama digunakan dengan tujuan ekstraksi fitur dan klasifikasi. Peneliti membuat beberapa arsitektur CNN untuk melakukan beberapa pengujian. Peneliti mengklasifikasikannya sebagai Single CNN dan Hybrid CNN. Pada algoritma Single CNN ada 2 arsitektur yang dibuat  yaitu CNN-Autoencoder dan CNN-Alexnet. Pada algoritma Hybrid CNN ada 2 arsitektur yang dibuat yaitu Proposed Hybrid CNN dengan satu cabang dan Hybrid CNN Resnet18 dengan 8 cabang. Peneliti menguji dampak kernel pada setiap subjek segmentasi yang berbeda dan terlihat bahwa akurasi klasifikasi tertinggi setiap subjek bervariasi terhadap ukuran kernel. Oleh karena itu, model Hybrid-CNN ini diusulkan untuk dapat membuat arsitektur hibrida dan skala konvolusi hibrida. Pada model Proposed Hybrid CNN yang diusulkan, akurasi pada subjek Lateral A bisa mencapai 90,6%, Lateral B mencapai 86,5%, dan Persepsi Dokter mencapai 99,2%. Pada model Hybrid CNN-Resnet18 yang diusulkan, Lateral A bisa mencapai 89,4%, Lateral B mencaapai 84,6%, dan Persepsi Dokter mencapai 97,4%. Secara umum hasil akurasi model yang diusulkan berhasil mencapai peforma yang lebih baik.

---

The tongue image classification system has been widely used in medical interests and health diagnosis. This research emphasizes on improving the performance of classification accuracy in the Smoker prediction system based on the location analysis of the SmokerMelanosis distribution on the tongue image. The tongue diagonalization technique developed is a non-invasive method based on hyperspectral imaging (HSI). Various considerations and architecture In-depth learning have been proposed to overcome the analysis of HSI data and has obtained relatively high classification completion. In this study, the Convolutional Neural Network (CNN) architecture is used in the spectral-spatial configuration used for feature extraction and classification. CNN to do some testing. Researchers classified it as Single CNN and Hybrid CNN. In the Single CNN algorithm, there are 2 architectures created, namely CNN-Autoencoder and CNNAlexnet. In the Hybrid CNN algorithm, there are 2 architectures created, namely Proposed Hybrid CNN with one branch and Hybrid CNN Resnet18 with 8 branches. Learn more about the kernel in each different subject segmentation and look at the kernel classification. Therefore, the Hybrid-CNN model is proposed to be able to make hybrid architecture and hybrid convolution scale. In the approved Proposed Hybrid CNN model, approved on the subject of Lateral A can reach 90,60%, Lateral B reaches 86,5%, and Doctor Perception reaches 99,2%. In the CNN-Resnet18 Hybrid model obtained, Lateral A can reach 89,4%, Lateral B reaches 84,6%, and Doctor Perception reaches 97,4%. In general, the results of the completion of the approved model have achieved better performance. "

"Pada beberapa peristiwa kebakaran, listrik sering kali dikaitkan sebagai salah satu penyebab utama dari kebakaran. Asap menjadi parameter awal yang mendasari terjadi sebuah peristiwa kebakaran. Keracunan asap adalah salah satu penyebab utama kematian korban kebakaran di dalam ruangan. Asap dapat membunuh manusia dengan melakukan kerusakan pada kombinasi termal, keracunan, dan iritasi paru-paru yang disebabkan oleh reaksi karbon monoksida, hidrogen sianida, dan produk pembakaran lainnya. Peristiwa kebakaran terjadi karena dalam beberapa kasus, banyak detektor asap yang gagal mencapai fungsinya sebagai pendeteksi awal asap karena waktu yang dibutuhkan asap untuk menjangkau sebuah detektor asap pada tempat tertentu ternyata membutuhkan waktu yang cukup lama. Penelitian ini difokuskan pada kajian eksperimental untuk pendeteksian asap pada kebakaran kabel dengan parameter laju perkembangan luasan asap terhadap tingkat arus listrik dan perubahan waktu dengan pembebanan arus lebih dari titik kritisnya. Penelitian dilakukan dengan skala eksperimen. Frame hasil rekaman akan diukur luasan asapnya dengan menggunakan perangkat lunak ImageJ. Grafik laju perubahan waktu terhadap laju perkembangan luasan asap dengan perubahan tingkatan arus listrik dan kenaikan temperatur didapatkan guna mencari hubungan yang tepat terhadap tingkat bahaya kebakaran. Hasil dari hubungan tersebut disesuaikan kedalam bahasa pemrograman Adaptive Gaussian Mixture Model dengan melakukan segmentasi obyek latar yang bergerak (foreground) dari latar belakang diam (background) untuk dijadikan parameter dalam penentuan tingkat bahaya asap dalam sistem deteksi asap berbasis pencitraan gambar. Terdapat pula pengujian hasil SEM (Scanning Electron Microscope) terhadap isolator PVC hasil percobaan.

---

At some events of fire, electricity is often attributed as one of the main causes of fires. Smoke becomes the early parameter that underlie a fire occurs. Smoke is also very dangerous to people. The smoke kills by a combination of thermal damage, poisoning and pulmonary irritation caused by carbon monoxide, hydrogen cyanide and other combustion products. In some cases, a lot of smoke detectors failed to achieve its function as an early detector of smoke because of the time needed to reach smoke detector in certain places took a long time.

This study focused on experimental studies for the detection of smoke in the fire cable with the rapid expansion parameters of smoke on the level of electrical current, temperature rise, and the time on the cable that deliberately be burned by flowing currents more than its critical point. Research is done by the experiment. In this study, the split frames that will each image area of the smoke were measured using ImageJ software. Graph of the rate changes of time to the extent of the smoke with the rapid changes in electrical current levels and an increase in temperature is obtained in order to find the correct relation to level the danger of fire.

Results from the relation are suited into Adaptive Gaussian Mixture Model to segment the moving object (as a foreground) from the background to be used as a parameter in determining the level danger of smoke in the smoke detection using imaging processing. This paper includes SEM (Scanning Electron Microscope) results for the PVC insulator."

"Untuk mengenali penyakit kanker sel darah putih (leukemia) dewasa ini masih dilakukan proses konvensional yang memakan waktu cukup lama dalam proses pengenalannya. Tugas akhir ini bertujuan untuk mengenali penyakit leukemia dari citra darah dengan menerapkan teknik pengolahan citra dan metode jaringan syaraf tiruan. Pada proses pengenalan penyakit ini, sistem yang sudah mengakuisisi citra darah akan melakukan proses cropping, resizing, dan membuat citra tersebut menjadi blok-blok matriks berukuran 4_4. Kemudian citra dalam format RGB dikonversikan ke dalam model warna HSV agar memiliki ruang warna yang lebih natural. Untuk mendapatkan fitur warna salah satu elemen warna yakni Hue akan diekstraksi untuk mendapatkan matriks nilai karakteristiknya. Nilai karakteristik hasil ekstraksi fitur warna tersebut kemudian akan dilatih oleh jaringan syaraf tiruan dan dimasukkan ke dalam database. Jaringan syaraf tiruan terdiri atas 3 layer input, 3 layer tersembunyi dan 1 layer keluaran. Dari hasil uji coba, diperoleh tingkat akurasi rata - rata sebesar 83.33% menggunakan 3 input untuk setiap jenis penyakit leukemia dan 20 kali pelatihan jaringan syaraf tiruan.

---

Recognize the white blood cell cancer disease (leukemia) identification today, still use conventional method and time consuming. The Objective of this research is to identify leukemia disease from blood image using image processing technique and artificial neural network. In this identification disease process, the system which has made acquisition of the blood image will process the cropping, resizing and divide the image into 4 _ 4 matrix blocks. Then the image in RGB format is converted to HSV color model in order to have a more natural color.

In order to acquire color feature, one of the element which is Hue will be extracted to get characteristic value of the matrix. The characteristic value from the extracted color feature will then be trained by artificial neural network and inserted into the database. The artificial neural network consisted of 3 input layer, 3 hidden layer and 1 output layer. From the test result, we acquire an average level of accuracy of 83.33% using 3 inputs for every types of leukemia and 20 times of artificial neural network training."

"Pelacakan orang banyak pada video berdasarkan hasil deteksi orang pada setiap frame merupakan problem yang menantang karena kompleksitas yang dimilikinya. Kesalahan deteksi orang pada setiap frame akan menyebabkan kesalahan pelacakan orang pada keseluruhan video. Pada penelitian ini, diusulkan metode pelacakan yang dapat meminimalkan propagasi kesalahan dari kesalahan deteksi dengan waktu pelacakan yang tidak terlalu lama. Penelitian ini menggunakan deep convolutional neural network (DCNN) seperti Faster-RCNN dan RetinaNet sebagai detektor objek dan algoritma Hungarian sebagai metode asosiasi antar orang-orang yang terdeteksi di setiap frame. Matriks masukan untuk algoritma Hungarian terdiri dari kedekatan vektor ciri DCNN yang dihasilkan oleh Siamese Network, jarak titik tengah bounding box, dan perbandingan irisan-gabungan (IoU) dari bounding box. Pada tahap akhir dilakukan interpolasi terhadap hasil pelacakan. Metode yang diusulkan menghasilkan MOTA 61.0 pada dataset benchmark pelacakan orang banyak MOT16.

---

Multiple object (human) tracking in video based on object detection in every frame is a challenging problem due to its complexity. Error in the detection phase will cause error in the tracking phase. In this research, a multiple human tracking method is proposed to minimize the error propagation. The method uses deep convolutional neural network (DCNN) such as Faster-RCNN and RetinaNet as object detector and Hungarian algorithm as association method among detected humans in consecutive frames. The input matrix for Hungarian algorithm consists of the similarity of DCNN feature vector resulted from Siamese network, the distance of bounding box centers, and bounding box intersection of union (IoU). In the last step, interpolation is applied to the tracking result. The proposed method achieves 61.0 MOTA in multiple object tracking benchmark MOT16."

"This timely text/​reference presents a broad overview of advanced deep learning architectures for learning effective feature representation for perceptual and biometrics-related tasks. The text offers a showcase of cutting-edge research on the use of convolutional neural networks (CNN) in face, iris, fingerprint, and vascular biometric systems, in addition to surveillance systems that use soft biometrics. Issues of biometrics security are also examined. Topics and features: Addresses the application of deep learning to enhance the performance of biometrics identification across a wide range of different biometrics modalities Revisits deep learning for face biometrics, offering insights from neuroimaging, and provides comparison with popular CNN-based architectures for face recognition Examines deep learning for state-of-the-art latent fingerprint and finger-vein recognition, as well as iris recognition Discusses deep learning for soft biometrics, including approaches for gesture-based identification, gender classification, and tattoo recognition Investigates deep learning for biometrics security, covering biometrics template protection methods, and liveness detection to protect against fake biometrics samples Presents contributions from a global selection of pre-eminent experts in the field representing academia, industry and government laboratories Providing both an accessible introduction to the practical applications of deep learning in biometrics, and a comprehensive coverage of the entire spectrum of biometric modalities, this authoritative volume will be of great interest to all researchers, practitioners and students involved in related areas of computer vision, pattern recognition and machine learning. Dr. Bir Bhanu is Bourns Presidential Chair, Distinguished Professor of Electrical and Computer Engineering and the Director of the Center for Research in Intelligent Systems at the University of California at Riverside, USA. Some of his other Springer publications include the titles Video Bioinformatics, Distributed Video Sensor Networks, and Human Recognition at a Distance in Video. Dr. Ajay Kumar is an Associate Professor in the Department of Computing at the Hong Kong Polytechnic University."