Hasil Pencarian  ::  Simpan CSV :: Kembali

"Selama masa pandemi COVID-19, antarmuka suara menggunakan KWS (keyword spotting) semakin sering digunakan pada berbagai sistem elektronik karena minimnya kontak fisik yang diperlukan antarmuka ini. Salah satu sistem yang dapat menggunakan KWS adalah sistem navigasi lift, di mana KWS pada sistem tersebut akan mengenali kata kunci terkait lantai yang ingin dituju pengguna. Dalam penelitian ini, model KWS untuk sistem navigasi lift dibuat menggunakan CNN (Convolutional Neural Network) dan CRNN (Convolutional Recurrent Neural Network) untuk mengenali enam kata kunci spesifik. Selama proses pembuatannya, berbagai hyperparameter CRNN terkait implementasi GRU, batch normalization, dropout layer, optimizer, kernel size, dan batch size diuji pengaruh variasinya terhadap performa CRNN. Dari pengujian tersebut, ditemukan bahwa CRNN menunjukkan performa paling baik ketika GRU yang digunakan bersifat bidirectional dengan dua layer dan 64 hidden unit, kernel size sebesar 3x3, optimizer Adams, batch size sebesar 163, serta penerapan batch normalization layer sebelum dropout layer. Model CRNN yang diperoleh dari kombinasi hyperparameter terbaik kemudian dibandingkan dengan model CNN untuk dievaluasi performa klasifikasinya saat dijalankan pada Raspberry Pi 4B. Berdasarkan hasil akurasi, persentase penggunaan RAM, dan latensi, model CNN menunjukkan performa yang lebih baik daripada CRNN.

---

During the COVID-19 pandemic, voice interfaces using KWS (keyword spotting) are increasingly being used in various electronic systems due to the lack of physical contact required for this interface. One system that can use KWS is an elevator navigation system, where the KWS on the system will recognize keywords related to the floor the user wants to go to. In this study, the KWS model for the elevator navigation system was created using CNN (Convolutional Neural Network) and CRNN (Convolutional Recurrent Neural Network) to identify six specific keywords. During the manufacturing process, various CRNN hyperparameters related to GRU implementation, batch normalization, dropout layer, optimizer, kernel size, and batch size were tested for the effect of their variations on CRNN performance. From these tests, it was found that CRNN showed the best performance when the GRU used bidirectional with two layers and 64 hidden units, kernel size of 3x3, Adams optimizer, batch size of 163, and batch normalization layer applied before dropout layer. The CRNN model obtained from the best combination of hyperparameters is then compared with the CNN model to evaluate its classification performance when run on the Raspberry Pi 4B. Based on the results of accuracy, percentage of RAM usage, and latency, CNN model shows better performance than CRNN."

"Artificial Intelligence (AI) telah berkembang sangat pesat sehingga sudah sering terlihat dan digunakan secara umum oleh masyarakat. Salah satu jenis AI yang sering digunakan adalah speech recognition terutama keyword spotting yang disebabkan karena pandemi COVID-19. Implementasi keyword spotting dapat diterapkan pada lift sebagai sistem navigasi agar para pengguna lift tidak perlu melakukan kontak pada tombol, melainkan dapat menggerakkan lift hanya dengan mengucapkan lantai yang dituju. Metode untuk melakukan implementasi keyword spotting pada sistem lift dapat dilakukan dengan banyak metode, namun pada skripsi ini, metode yang diujikan adalah CNN (Convolutional Neural Network) dan MHAtt RNN (Multihead Attention Recurrent Neural Network). Penelitian yang dilakukan memiliki batasan untuk setiap metode agar dapat melakukan klasifikasi enam keyword dan melihat performa kedua metode dalam berbagai skenario yang dapat terjadi dalam lift. Dalam pembentukan model dari MHAtt RNN, dapat diketahui bahwa model memiliki performa terbaik ketika dibentuk dengan jumlah head untuk attention sebesar 8 dan LSTM dengan jumlah unit sebanyak 32. Pelatihan pada model dilakukan menggunakan optimizer Adam dengan learning rate sebesar 0.001 dan decay 0.005 agar pelatihan dapat menghasilkan model yang paling baik. Setelah melakukan pengujian pada berbagai skenario yang dapat terjadi di dalam sebuah lift, didapatkan hasil bahwa secara keseluruhan model CNN memiliki performa yang lebih baik dibandingkan model MHAtt RNN karena memiliki nilai F1-score dan precision yang lebih tinggi.

---

Artificial Intelligence (AI) has grown so rapidly that it has often been seen and used in general by the public. One type of AI that is often used is speech recognition, especially keyword spotting caused by the COVID-19 pandemic. The implementation of keyword spotting can be applied to elevators as a navigation system so that elevator users do not need to make contact with buttons but can move the elevator just by saying the intended floor. There are many methods to implement keyword spotting in elevator systems, but in this thesis, the methods tested are CNN (Convolutional Neural Network) and MHAtt RNN (Multihead Attention Recurrent Neural Network). The research conducted has limitations for each method in order to be able to classify six keywords and see the performance of both methods in various scenarios that can occur in an elevator. In forming the model from MHAtt RNN, it can be seen that the model has the best performance when it is formed with the number of heads for attention of 8 and the LSTM with the number of units of 32. The training on the model is carried out using the Adam optimizer with a learning rate of 0.001 and a decay of 0.005 so that the training can produce the best models. After testing on various scenarios that can occur in an elevator, the results show that the CNN model overall has better performance than the MHAtt RNN model because it has a higher F1-score and precision."

"Perkembangan Artificial Intelligence (AI) sudah berkembang pesat. Dari ketiga arah pengembangan AI yakni computer vision, speech processing dan natural language processing. Speech processing memiliki tren paling rendah di antara ketiga pengembangan tersebut. Meskipun begitu pengembangan di bidang speech processing seperti speech recognition dan keyword spotting sudah banyak di implementasikan seperti model keyword spotting menggunakan Convolutional Neural Network (CNN) di microcontroller, mobile device dan perangkat lainnya. Namun CNN saja belum tentu menghasilkan akurasi yang tinggi maka dicoba Depthwise Separable Convolutional Neural Network (DSCNN) untuk mendapatkan hasil dengan akurasi yang lebih tinggi. Pengembangan model keyword spotting belum banyak diimplementasikan di edge device lainnya, yang dimaksud dengan edge device yaitu perangkat sederhana di sisi pengguna yang kemampuan komputasinya terbatas. Dengan menggunakan DSCNN menunjukkan nilai F1 score yang dibandingkan dengan model CNN. Model DSCNN menghasilkan model dengan nilai F1 score paling optimal dengan 4 layer konvolusi depthwise separable, menggunakan filter konvolusi sebanyak 256 dengan jumlah filter konvolusi depthwise 512 menggunakan optimizer RMSprop dan menggunakan batch size berukuran 126. Dari hasil pengujian dapat diketahui bahwa secara umum DSCNN menghasilkan F1 score yang lebih baik dibandingkan CNN yaitu sebesar 31,8% dengan CNN sebesar 28,35%. Namun DSCNN menggunakan sumber daya yang lebih banyak dan lebih lama waktu responsnya.

---

The development of Artificial Intelligence (AI) has grown rapidly. Of the three directions of AI development, namely computer vision, speech processing, and natural language processing. Speech processing has the lowest trend among the three developments. However, many developments in speech processing such as speech recognition and keyword spotting have been implemented, such as the keyword spotting model using the Convolutional Neural Network (CNN) in microcontrollers, mobile devices, and other devices. However, CNN alone does not necessarily produce high accuracy, so a Depthwise Separable Convolutional Neural Network (DSCNN) is used to get results with higher accuracy. The development of the keyword spotting model has not been widely implemented in other edge devices, which is meant by edge devices, namely simple devices on the user's side with limited computing capabilities. Using DSCNN shows the F1 score which is compared with the CNN model. The DSCNN model produces a model with the most optimal F1 score with 4 layers of convolution depthwise separable, using a convolution filter of 256 with a convolution depthwise filter of 512 using the RMSprop optimizer and using a batch size of 126. From the test results, in general DSCNN produces F1 score which is better than CNN, which is 31,8% with CNN at 28,35%. However, DSCNN uses more resources and a longer response time."

"Penggunaan analisis sentimen semakin umum digunakan. Dalam pengembangan analisis sentimen ini banyak tantangan yang perlu dihadapi. Karena analisis ini termasuk Natural Language Processing NLP, hal yang perlu dimengerti adalah kompleksitas bahasa. Dengan berkembangnya teknologi Artificial Neural Network, ANN semakin banyak permasalahan yang bisa diselesaikan. Ada banyak contoh struktur ANN dan untuk penelitian ini yang digunakan adalah Convolutional Neural Network CNN dan Recurrent Neural Network RNN. Kedua jenis ANN tersebut sudah menunjukkan performa yang baik untuk beberapa tugas NLP. Maka akan dilakukan analisis sentimen dengan menggunakan kedua jenis ANN tersebut dan dibandingkan kedua performa ANN tersebut. Untuk data yang akan digunakan diambil dari publikasi stanford dan untuk mengubah data tersebut bisa digunakan pada ANN digunakan word2vec. Hasil dari analisis menunjukkan bahwa RNN menunjukkan hasil yang lebih baik dari CNN. Walaupun akurasi tidak terlalu terlihat perbedaan yaitu pada RNN yang mencapai 88.35 0.07 dan CNN 87.11 0.50, tetapi waktu pelatihan RNN hanya membutuhkan waktu 8.256 detik sedangkan CNN membutuhkan waktu 544.366 detik.

---

Term of sentiment analysis become popular lately. There are many challenges developing sentiment analysis that need to be addressed. Because this kind analysis is including Natural Language Processing, the thing need to understand is the complexity of the language. With the current development of Artificial Neural Network ANN, more problems can be solved.

There are many type of ANN and for this research Convolutional Neural Network CNN and Recurrent Neural Network will be used. Both already showing great result for several NLP tasks. Data taken from stanford publication and transform it with word2vec so could be used for ANN.

The result shows that RNN is better than CNN. Even the difference of accuracy is not significant with 88.35 0.07 for RNN and 87.11 0.50 for CNN, the training time for RNN only need 8.256 secods while CNN need 544.366 seconds."

"Tuberkulosis (TB) merupakan suatu penyakit menular yang sebagian besar menyerang paru-paru manusia. Penularan penyakit ini terjadi ketika pasien tuberkulosis paru mengeluarkan percikan dahak yang mengandung kuman tuberkulosis ke udara. Penularannya yang mudah menjadikan tuberkulosis sebagai masalah kesehatan masyarakat, baik di Indonesia maupun internasional. Deteksi dini tuberkulosis paru dapat mencegah penularan serta menyembuhkan pasien. Namun, adanya pandemi COVID-19 saat ini dapat menurunkan angka kasus tuberkulosis yang berhasil terdeteksi. Hal ini menunjukkan perlu adanya kemajuan dalam metode pendeteksian penyakit tuberkulosis paru. Kini, perkembangan teknologi dapat dimanfaatkan untuk membantu bidang kesehatan, salah satunya dengan machine learning. Machine learning dapat digunakan untuk mendeteksi adanya suatu penyakit berdasarkan data citra. Dalam penelitian ini, model machine learning, Convolutional Neural Network–Random Forest (CNN– Random Forest) dan Convolutional Neural Network–XGBoost (CNN–XGBoost), diimplementasikan untuk mendeteksi tuberkulosis paru berdasarkan citra radiografi toraks. Selanjutnya, kedua model tersebut dievaluasi dan dibandingkan kinerjanya berdasarkan nilai akurasi dan nilai luas wilayah di bawah kurva ROC, atau biasa disebut dengan area under the curve (AUC). Data yang digunakan sebanyak 6000 yang terdiri dari 3000 citra radiografi toraks tuberkulosis paru dan 3000 citra radiografi toraks normal. Berdasarkan hasil yang diperoleh, model CNN-Random Forest dan CNN-XGBoost memberikan kinerja yang baik dan dapat diterapkan untuk mendeteksi tuberkulosis paru, dimana CNN digunakan untuk mengekstraksi fitur pada citra, kemudian hasil ekstraksi fitur tersebut menjadi input bagi pengklasifikasi Random Forest dan XGBoost. Evaluasi kinerja berdasarkan rata-rata nilai akurasi dan rata-rata nilai AUC pada model CNN- Random Forest memberikan hasil terbaik masing-masing sebesar 98.667% dan 99.933%, sementara pada model CNN-XGBoost memberikan hasil terbaik masing-masing sebesar 98.367% dan 99.866%. Kemudian berdasarkan perbandingan kinerja yang dilakukan, model CNN-Random Forest memberikan kinerja yang lebih baik dalam mendeteksi tuberkulosis paru dibandingkan dengan model CNN-XGBoost.

---

Tuberculosis (TB) is an infectious disease that in most cases attacks the human lungs. Transmission of this disease occurs when a patient with pulmonary tuberculosis expels phlegm containing tuberculosis germs into the air. Its easy transmission makes tuberculosis a public health problem, both in Indonesia and internationally. Early detection of pulmonary tuberculosis can prevent transmission and cure patients. However, the current COVID-19 pandemic can reduce the number of successfully detected tuberculosis cases. This shows the need for progress in the detection method of pulmonary tuberculosis. Now, technological developments can be used to help the health sector, one of which is machine learning. Machine learning can be used to detect the presence of a disease based on image data. In this study, machine learning models, Convolutional Neural Network–Random Forest (CNN–Random Forest) and Convolutional Neural Network–XGBoost (CNN–XGBoost), were implemented to detect pulmonary tuberculosis based on thorax radiography images. Furthermore, the performances of the two models were evaluated and compared based on the values of accuracy and area under the ROC curve, or commonly called the area under the curve (AUC). The data used were 6000 consisting of 3000 thorax radiography images of pulmonary tuberculosis and 3000 normal thorax radiography images. Based on the results obtained, the CNN-Random Forest and CNN-XGBoost models provided good performances and can be applied to detect pulmonary tuberculosis, where CNN was used to extract features in the image, then the results of the feature extraction became input for the Random Forest and XGBoost classifiers. Performance evaluation based on the average values of accuracy and AUC in the CNN-Random Forest model gave the best results of 98.667% and 99.933%, respectively, while the CNN-XGBoost model gave the best results of 98.367% and 99.866, respectively. Then based on the performance comparison, the CNN-Random Forest model provided a better performance in detecting pulmonary tuberculosis compared to the CNN-XGBoost model."

"Tuberkulosis (TB) merupakan suatu penyakit menular yang sebagian besar menyerang paru-paru manusia. Penularan penyakit ini terjadi ketika pasien tuberkulosis paru mengeluarkan percikan dahak yang mengandung kuman tuberkulosis ke udara. Penularannya yang mudah menjadikan tuberkulosis sebagai masalah kesehatan masyarakat, baik di Indonesia maupun internasional. Deteksi dini tuberkulosis paru dapat mencegah penularan serta menyembuhkan pasien. Namun, adanya pandemi COVID-19 saat ini dapat menurunkan angka kasus tuberkulosis yang berhasil terdeteksi. Hal ini menunjukkan perlu adanya kemajuan dalam metode pendeteksian penyakit tuberkulosis paru. Kini, perkembangan teknologi dapat dimanfaatkan untuk membantu bidang kesehatan, salah satunya dengan machine learning. Machine learning dapat digunakan untuk mendeteksi adanya suatu penyakit berdasarkan data citra. Dalam penelitian ini, model machine learning, Convolutional Neural Network-Random Forest (CNN-Random Forest) dan Convolutional Neural Network-XGBoost (CNN-XGBoost), diimplementasikan untuk mendeteksi tuberkulosis paru berdasarkan citra radiografi toraks. Selanjutnya, kedua model tersebut dievaluasi dan dibandingkan kinerjanya berdasarkan nilai akurasi dan nilai luas wilayah di bawah kurva ROC, atau biasa disebut dengan area under the curve (AUC). Data yang digunakan sebanyak 6000 yang terdiri dari 3000 citra radiografi toraks tuberkulosis paru dan 3000 citra radiografi toraks normal. Berdasarkan hasil yang diperoleh, model CNN-Random Forest dan CNN-XGBoost memberikan kinerja yang baik dan dapat diterapkan untuk mendeteksi tuberkulosis paru, dimana CNN digunakan untuk mengekstraksi fitur pada citra, kemudian hasil ekstraksi fitur tersebut menjadi input bagi pengklasifikasi Random Forest dan XGBoost. Evaluasi kinerja berdasarkan rata-rata nilai akurasi dan rata-rata nilai AUC pada model CNN-Random Forest memberikan hasil terbaik masing-masing sebesar 98.667% dan 99.933%, sementara pada model CNN-XGBoost memberikan hasil terbaik masing-masing sebesar 98.367% dan 99.866%. Kemudian berdasarkan perbandingan kinerja yang dilakukan, model CNN-Random Forest memberikan kinerja yang lebih baik dalam mendeteksi tuberkulosis paru dibandingkan dengan model CNN-XGBoost.

---

Tuberculosis (TB) is an infectious disease that in most cases attacks the human lungs. Transmission of this disease occurs when a patient with pulmonary tuberculosis expels phlegm containing tuberculosis germs into the air. Its easy transmission makes tuberculosis a public health problem, both in Indonesia and internationally. Early detection of pulmonary tuberculosis can prevent transmission and cure patients. However, the current COVID-19 pandemic can reduce the number of successfully detected tuberculosis cases. This shows the need for progress in the detection method of pulmonary tuberculosis. Now, technological developments can be used to help the health sector, one of which is machine learning. Machine learning can be used to detect the presence of a disease based on image data. In this study, machine learning models, Convolutional Neural Network-Random Forest (CNN-Random Forest) and Convolutional Neural Network-XGBoost (CNN-XGBoost), were implemented to detect pulmonary tuberculosis based on thorax radiography images. Furthermore, the performances of the two models were evaluated and compared based on the values of accuracy and area under the ROC curve, or commonly called the area under the curve (AUC). The data used were 6000 consisting of 3000 thorax radiography images of pulmonary tuberculosis and 3000 normal thorax radiography images. Based on the results obtained, the CNN-Random Forest and CNN-XGBoost models provided good performances and can be applied to detect pulmonary tuberculosis, where CNN was used to extract features in the image, then the results of the feature extraction became input for the Random Forest and XGBoost classifiers. Performance evaluation based on the average values of accuracy and AUC in the CNN-Random Forest model gave the best results of 98.667% and 99.933%, respectively, while the CNN-XGBoost model gave the best results of 98.367% and 99.866, respectively. Then based on the performance comparison, the CNN-Random Forest model provided a better performance in detecting pulmonary tuberculosis compared to the CNN-XGBoost model."

"Speech Emotion Recognition adalah teknologi yang mampu bisa mendeteksi emosi lewat data suara yang diproses oleh sebuah mesin. Media yang sering digunakan untuk menjadi media interaksi antara 2 orang atau lebih yang saat ini sedang digunakan oleh banyak orang adalah Podcast, dan Talkshow. Seiring berkembangya SER, penelitian terakhir menunjukkan bahwa penggunaan metode Deep Learning dapat memberikan hasil yang memuaskan terhadap sistem SER. Pada penelitian ini akan diimplementasikan model Deep Learning yaitu dengan Recurrent Neural Network (RNN) variasi Long Short Term Memory (LSTM) untuk mengenali 4 kelas emosi (marah, netral, sedih, senang). Penelitian ini menguji model yang digunakan untuk mengenali emosi dari fitur akustik pada data secara sekuensial. Skenario training dan testing dilakukan dengan metode one-against-all dan mendapatkan hasil (1) Dataset talkshow mengungguli dataset podcast untuk tipe 1 dan 2 dan untuk semua emosi yang dibandingkan; (2) Untuk dataset podcast pada emosi marah, senang, dan sedih didapatkan akurasi optimal pada dataset tipe 1 yaitu 67.67%, 71.43%, dan 68,29%, sedangkan untuk emosi netral didapatkan akurasi terbaik pada dataset tipe 2 dengan 77.91%; (3) Untuk dataset talkshow pada emosi marah, netral, dan sedih didapatkan akurasi terbaik pada dataset tipe 2 yaitu 78.13%, 92.0%, dan 100%. Dapat disimpulkan bahwa dataset talkshow secara garis besar memberikan hasil yang lebih optimal namun memiliki variasi data yang lebih sedikit dari dataset podcast. Dari sisi panjang data, pada penelitian ini didapatkan akurasi yang lebih optimum pada dataset dengan tipe 2.

---

Speech Emotion Recognition is a technology that is able to detect emotions through voice data that is processed by a machine. Media that is often used to be a medium of interaction between two or more people who are currently being used by many people are Podcasts, and Talkshows. As SER develops, recent research shows that the use of the Deep Learning method can provide satisfactory results on the SER system. In this study a Deep Learning model will be implemented, this study uses Long Short Term Memory (LSTM) as one of the variation of Recurrent Neural Network (RNN) to recognize 4 classes of emotions (angry, neutral, sad, happy). This study examines the model used to recognize emotions from acoustic features in sequential data. Training and testing scenarios are conducted using the one-against-all method and get results (1) The talkshow dataset outperforms the podcast dataset for types 1 and 2 and for all emotions compared; (2) For the podcast dataset on angry, happy, and sad emotions, the optimal accuracy in type 1 dataset is 67.67%, 71.43%, and 68.29%, while for neutral emotions the best accuracy is obtained in type 2 dataset with 77.91%; (3) For the talkshow dataset on angry, neutral, and sad emotions the best accuracy is obtained for type 2 datasets, namely 78.13%, 92.0%, and 100%. It can be concluded that the talkshow dataset in general gives more optimal results but has fewer data variations than the podcast dataset. In terms of data length, this study found more optimum accuracy in dataset with type 2."

"Analisis sentimen adalah studi komputasi yang bertugas mengelompokkan sentimen atau opini dari teks yang ada dalam dokumen, kalimat, atau pendapat ke kelas sentimen positif, negatif, atau netral. Terdapat banyak model deep learning yang terkenal untuk analisis sentimen, dua di antaranya adalah Convolutional Neural Network (CNN) dan Gated Recurrent Unit (GRU), yang termasuk dalam Recurrent Neural Network (RNN). Bidirectional Gated Recurrent Unit (BiGRU) merupakan bagian dari Bidirectional Recurrent Neural Network (BiRNN) yang dapat bekerja secara dua arah dan memungkinkan untuk menangkap pola yang mungkin diabaikan oleh GRU. Untuk meningkatkan kinerja model menjadi lebih baik, beberapa peneliti mencoba menerapkan model hybrid dengan menggabungkan dua atau lebih model deep learning dasar. CNN memiliki keunggulan dalam mendapatkan fitur terpenting, sedangkan BiGRU dapat merepresentasikan kata dengan memperhatikan urutan dengan dua arah. Kedua model tersebut dapat digabungkan menjadi model CNN-BiGRU dan BiGRU-CNN. Implementasi kedua model dilakukan untuk data opini yang diambil dari Twitter mengenai tiga dompet digital, yaitu Gopay, OVO, dan ShopeePay. Hasil penelitian didapat bahwa kedua model memiliki kinerja yang berbeda untuk setiap dataset. Kemudian, didapat bahwa kedua model tersebut memiliki nilai akurasi dan f1 score yang tidak lebih tinggi dibandingkan model dasarnya.

---

Sentiment analysis is a computational study that is used to classify sentiments or opinions from texts in documents, sentences, or opinions into positive, negative, or neutral sentiment classes. There are many well-known deep learning models for sentiment analysis, two of which are the Convolutional Neural Network (CNN) and the Gated Recurrent Unit (GRU), which are included in the Recurrent Neural Network (RNN). The Bidirectional Gated Recurrent Unit (BiGRU) is part of the Bidirectional Recurrent Neural Network (BiRNN) which can work in both directions and allows for capturing patterns that the GRU might ignore. To improve model performance, some researchers are trying to implement a hybrid model by combining two or more basic deep learning models. CNN has the advantage of getting the most important features, while BiGRU can represent words by paying attention to the order in two directions. The two models can be combined into CNNBiGRU and BiGRU-CNN models. The implementation of the two models is used for opinion data taken from Twitter regarding three digital wallets, namely Gopay, OVO, and ShopeePay. The results showed that the two models have different performances for each dataset. Then, it was found that both models have an accuracy value and an f1 score that is not higher than the basic model."

"Hati adalah salah satu organ yang paling aktif secara metabolik di dalam tubuh dan berfungsi dalam proses homeostatis dan sintetik yang penting untuk kelangsungan hidup manusia. Kanker hati diperkirakan menjadi kanker keenam yang paling sering didiagnosis dan penyebab utama kematian keempat akibat kanker di seluruh dunia pada tahun 2018. Dalam mendeteksi kanker hati, terdapat metode magnetic resonance imaging (MRI) atau computed tomography (CT) yang digunakan. Namun, kurang dari 40% pasien didiagnosis pada tahap awal dan pada kanker hati lanjut hanya pilihan pengobatan paliatif yang tersedia dengan kelangsungan hidup yang buruk. Oleh karena itu, diperlukannya riset-riset terkait metode yang tepat untuk mengklasifikasi kanker hati. Salah satu metode yang dapat digunakan adalah machine learning yang menemukan pola melalui pembelajaran historis dan tren pelatihan data untuk memprediksi karakteristik data baru. Pada tugas akhir ini, dua metode machine learning yang digunakan adalah Convolutional Neural Network (CNN) dan Gated Recurrent Unit (GRU). Keutamaan dari CNN adalah adanya konvolusi yang bertugas untuk mengubah input menjadi sekumpulan fitur melalui filter atau kernel. Sedangkan keutamaan metode GRU adalah adanya update gate dan reset gate yang dapat mengingat informasi penting sebelumnya. Pada tugas akhir ini, CNN digunakan dalam mengekstraksi data citra dan GRU digunakan untuk klasifikasi data citra. Penggabungan metode CNN dan GRU menjadi CNN-GRU bertujuan untuk meningkatkan performa dari CNN dalam mengklasifikasi data citra kanker hati. CNN-GRU menghasilkan nilai akurasi terbesar 81,25% sedangkan CNN menghasilkan nilai akurasi terbesar 77,78% dari lima kali percobaan.

---

The liver is one of the most metabolically active organs in the body and functions in the homeostatic and synthetic processes essential for human survival. Liver cancer is estimated to be the sixth most frequently diagnosed cancer and the fourth leading cause of cancer death worldwide in 2018. In detecting liver cancer, magnetic resonance imaging (MRI) or computed tomography (CT) methods are used. However, less than 40% of patients are diagnosed at an early stage, and in advanced liver cancer, only palliative treatment options are available with poor survival. Therefore, research is needed regarding the right method to classify liver cancer. One method that can be used is machine learning which finds patterns through historical learning and data training trends to predict the characteristics of new data. In this final project, the two machine learning methods used are Convolutional Neural Network (CNN) and Gated Recurrent Unit (GRU). The advantage of CNN is a convolution whose task is to convert the input into a set of features through a filter or kernel. Meanwhile, the advantage of GRU method is that can remember important previous information because GRU has reset and update gate. In this final project, CNN is used in extracting image data and GRU is used for image data classification. The combination of the CNN and GRU methods into CNN-GRU aims to improve the performance of CNN in classifying liver cancer image data. CNN-GRU produced the greatest accuracy value of 81.25% while CNN produced the greatest accuracy value of 77.78% from five experiments."

"Menangis merupakan bahasa pertama yang dikuasai oleh bayi yang baru lahir. Tangisan bayi ini menjadi sinyal untuk orang tua atau pengasuh agar memberikan perlindungan dan kenyamanan yang dibutuhkan oleh bayi. Umumnya bayi membutuhkan pertolongan pengasuhnya ketika merasa haus, mengantuk, tidak dapat bersendawa, mengalami masalah perut dan merasa tidak nyaman. Apabila pertolongan tidak segera diberikan maka dapat membahayakan bayi tersebut. Namun terdapat faktor psikologis dan pengetahuan orang tua yang kurang dalam memahami setiap tangisan bayi. Berdasarkan masalah tersebut, studi klasifikasi arti tangisan bayi menjadi salah satu domain yang mulai dikembangkan agar dapat membantu orang tua dan pengasuh dalam memahami bayi. Berbagai metode diusulkan untuk memberikan hasil terbaik namun terdapat tantangan dalam studi ini yaitu sinyal suara tangis bayi yang susah dikenali karakteristiknya dibandingkan suara verbal dewasa. Oleh karena itu, penelitian ini mengusulkan pengembangan metode gabungan dari CNN dan RNN untuk mengatasi tantangan dan permasalahan pada studi pengenalan tangisan bayi. Hasil akurasi terbaik metode usulan CRNN mencapai 87,31%.

---

Crying is the first communication language of newborns. Infant cries can be considered as a cue that hopefully motivate parents and caregivers to give affection, safety, and protection to their infants. Generally, infant cries can be caused by many different reasons, for example when they feel hungry, sleepy, uncomfortable, want to burp, and have a stomachache. If the caregivers do not give their need immediately, it may get worse and harm their safety. But there are some psychological factors and lack of knowledge in understanding each infant’s cries. Based on these problems, the study of infant cry classification becomes one of the studies that began to be developed in order to help parents and caregivers understand their infants. Various methods have been proposed to provide the best result, but there is a challenge in this study which is infant cries signal is difficult to recognize compared to adult speech. Therefore, this study proposes the development CNN and RNN combination methods to overcome challenges and problems in the study of infant cry classification. We obtain best result of CRNN performance up to 87,31%."