Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker rongga mulut memiliki prevalensi tinggi di banyak negara berkembang, termasuk Indonesia. Diagnosis dini kanker rongga mulut sangat penting untuk meningkatkan peluang keberhasilan pengobatan. Namun, saat ini banyak kasus terdiagnosis pada stadium lanjut akibat keterbatasan akses terhadap metode diagnosis konvensional. Penelitian ini bertujuan merancang model deep learning dengan transfer learning menggunakan arsitektur Convolutional Neural Network, antara lain DenseNet201, EfficientNet-b4, dan InceptionResNetV2 untuk mengklasifikasikan lesi oral menjadi empat kelas: tanpa lesi (healthy), lesi jinak (benign), lesi pra-kanker (OPMD), dan kanker (malignant). Hasil terbaik didapat dari model DenseNet201 dengan penerapan augmentasi data dan focal loss, yang mencapai rata-rata performa akurasi 87.2%, presisi 87.4%, recall 87.4%, dan f1-score 87.2%. Penelitian ini juga mengimplementasikan Explainable AI (XAI) menggunakan metode Grad-CAM dan Score-CAM untuk menghasilkan visualisasi hasil prediksi dan meningkatkan interpretabilitas. Hasil visualisasi menunjukkan bahwa model mampu memfokuskan perhatian pada area lesi di dalam rongga mulut.

---

Oral cancer has a high prevalence in many developing countries, including Indonesia. Early diagnosis of oral cancer is very important to increase the chances of successful treatment, but currently many cases of oral cancer are diagnosed at an advanced stage because of limited access to conventional diagnostic methods. This research aims to develop a deep learning model with transfer learning using Convolutional Neural Network architectures, including DenseNet201, EfficientNet-b4, and InceptionResNetV2 to classify oral lesions into four classes: healthy, benign, Oral Potentially Malignant Disorder (OPMD), and cancer. The best model was achieved by the DenseNet201 model using data augmentation and focal loss, which achieved an average performance of 87.2% accuracy, 87.4% precision, 87.4% recall, and 87.2% f1-score. This research also implemented Explainable AI (XAI) using Grad-CAM and Score-CAM methods to generate visualization of prediction results and improve interpretability. The visualization results show that the model was able to focus its attention on the lesion area in the oral cavity."

"Pada era digital ini, teknologi informasi dan komunikasi berkembang pesat dan berpengaruh signifikan dalam berbagai aspek kehidupan, termasuk keamanan dan pengenalan identitas. Salah satu penerapan teknologi yang menonjol adalah sistem deteksi dan pengenalan wajah yang digunakan di berbagai tempat yang memerlukan keamanan ekstra. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dan pengenalan wajah menggunakan arsitektur ResNet dan perangkat ESP-32, dengan fokus pada implementasi dan evaluasi efektivitas sistem tersebut dalam meningkatkan keamanan.Metode yang digunakan dalam penelitian ini meliputi penggunaan ResNet-50 untuk pengenalan wajah dan Cascade Classifier untuk deteksi wajah. Data yang digunakan untuk pelatihan model diperoleh melalui proses augmentasi data untuk meningkatkan variasi dan jumlah sampel. Sistem ini diimplementasikan menggunakan perangkat keras ESP-32 dan perangkat lunak MATLAB, serta diuji pada lingkungan nyata untuk mengevaluasi kinerjanya.Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu mendeteksi dan mengenali wajah dengan akurasi tinggi. Integrasi sistem dengan infrastruktur keamanan yang ada juga memungkinkan peningkatan perlindungan terhadap data dan perangkat keras. Dengan demikian, penelitian ini berhasil menunjukkan bahwa teknologi deteksi dan pengenalan wajah dapat memberikan solusi efektif untuk meningkatkan keamanan di berbagai tempat.

---

In this digital era, information and communication technology has developed rapidly, significantly impacting various aspects of life, including security and identity recognition. One notable application of this technology is the facial detection and recognition system used in various high-security areas. This research aims to develop a facial detection and recognition system using ResNet architecture and ESP-32, focusing on the implementation and evaluation of the system's effectiveness in enhancing security.

The methods used in this study include employing ResNet-50 for facial recognition and Cascade Classifier for facial detection. The data used for model training were obtained through data augmentation processes to increase the variation and number of samples. The system was implemented using ESP-32 hardware and MATLAB software, and tested in real-world environments to evaluate its performance.

The results of the study indicate that the developed system can detect and recognize faces with high accuracy. The system's integration with existing security infrastructure also allows for enhanced protection of data and hardware. Thus, this research successfully demonstrates that facial detection and recognition technology can provide effective solutions for improving security in various locations."

"Diagnosis COVID-19 dapat dilakukan dengan berbagai metode, salah satunya dengan interpretasi citra medis rongga dada menggunakan machine learning. Namun, metode ini memiliki memerlukan waktu dan biaya yang besar, tidak ada standar dalam pengambilan gambar citra medis, dan pelindungan privasi pada data pasien. Model yang dilatih dengan dataset publik tidak selalu dapat mempertahankan performanya. Diperlukan metode pengklasifikasi berbasis multicenter yang dapat memiliki performa optimal pada dataset yang berbeda-beda. Skenario pertama dengan melatih model menggunakan arsitektur VGG-19 dan ConvNeXt dengan gabungan seluruh data dan masing-masing data. Lalu dilakukan fine tuning terhadap model yang dilatih pada gabungan seluruh data. Skenario kedua dengan Unsupervised Domain Adaptation berbasis maximum mean discrepancy dengan data publik sebagai source domain dan data privat sebagai target domain. Metode transfer learning dengan fine-tuning model pada arsitektur VGG-19 menaikkan train accuracy pada data Github menjadi 95% serta menaikkan test accuracy pada data Github menjadi 93%, pada data Github menjadi 93%, pada data RSCM menjadi 72%, dan pada data RSUI menjadi 75%. Metode transfer learning dengan fine-tuning model pada arsitektur ConvNeXt menaikkan evaluation accuracy pada data RSCM menjadi 73%. Metode unsupervised domain adaptation (UDA) berbasis maximum mean discrepancy (MMD) memiliki akurasi sebesar 89% pada dataset privat sehingga merupakan metode yang paling baik. Berdasarkan GRAD-CAM, model sudah mampu mendeteksi bagian paru-paru dari citra X-Ray dalam memprediksi kelas yang sesuai.

---

Diagnosis of COVID-19 can be done using various methods, one of which is by interpreting medical images of the chest using machine learning. However, this method requires a lot of time and money, there is no standard in taking medical images, and protecting patient data privacy. Models that are trained with public datasets do not always maintain their performance. A multicenter-based classification method is needed that can have optimal performance on different datasets. The first scenario is to train the model using the VGG-19 and ConvNeXt architecture by combining all data and each data. Then, the model trained using combined data is fine tuned. The second scenario uses Unsupervised Domain Adaptation based on maximum mean discrepancy with public data as the source domain and private data as the target domain. The transfer learning method with the fine-tuning model on the VGG-19 architecture increases train accuracy on Github data to 95% and increases test accuracy on Github data to 93%, on Github data to 93%, on RSCM data to 72%, and on data RSUI to 75%. The transfer learning method with the fine-tuning model on the ConvNeXt architecture increases the evaluation accuracy of RSCM data to 73%. The unsupervised domain adaptation (UDA) method based on maximum mean discrepancy (MMD) has an accuracy of 89% in private dataset making it the best method. Based on GRAD-CAM, the model has been able to detect parts of the lungs from X-Ray images in predicting the appropriate class."

"Pengenalan rambu lalu-lintas merupakan salah satu tugas yang harus dilaksanakan oleh sebuah mobil pintar_ Pada kondisi jalan sebenarnya, masalah yang dihadapi akan meliputi bervariasinya kuat cahaya, perubahan skala rambu karena perubahan jarak, dan adanya noise pada rambu. Sebuah sistem pengenalan rambu yang baik akan dipersiapkan untuk mengatasi masalah-masalah tersebut. Pada Skripsi ini, dicoba untuk merancang sebuah sistem pengenalan rambu yang dipersiapkan untuk berhadapan dengan masalah-masalah di atas. Sistem ini masih bersifat off-line. Citra yang dipakai adalah citra basil pemotretan, sedangkan keluaran berupa pengenalan jenis rambu. Rambu yang dikenali dibatasi hanya yang tepinya berwarna merah saja. Untuk mengatasi masalah bervariasinya kuat cahaya, segmentasi rambu dari lingkungan memakai basis sistem wama HSI. Sistem warna ini mendeskripsikan sebuah warm dalam 3 komponen terpisah. Hue dipakai untuk menyatakan wama dominan yang dilihat pengamat, saturasi menyatakan kemurnian relatif dari warna tersebut, atau jumlah warna putih yang tercampur dengan kue tersebut, sedangkan kuat Iemahnya cahaya dinyatakan dalam intensitas. Pengenalan bentuk dan citra rambu yang sudah tersegmentasi dilakukan oleh jaringan saraf tiruan (ANN T Artificial Neural Networks). Jaringan yang dipakai berupa jaringan bertingkat antara Kohonen dan Propagasi Balik (Backpropagation). Modus kerja jaringan Kohonen adalah unsnpervis-ed, sedangkan Propagasi Balik bersifat supervised. Penggabungan keduanya diharapkan memberikan kineda yang lebih balk. Agar fungsi ANN hanya kepada pengenalan bentuk dan bukan warna rambu, maka citra rambu tersegmentasi diubah terlebih dahulu menjadi citra monokrom. Selanjutnya dilakukan proses penghalusan (smoothing) terhadap citra monokrom untuk memperbaiki kualitas citra. Ekstraksi eiri masukan ke ANN dilakukan dengan teknik ekstraksi ciri spektrum daya Fourier."

"ABSTRACTPengenalan ekspresi wajah telah menjadi tantangan dalam ilmu digital selama bertahun-tahun. Dengan pertumbuhan baru-baru ini di dalam bidang machine learning, sistem pengenalan ekspresi wajah secara real-time dengan machine learning dapat berguna untuk sistem monitoring emosi untuk interaksi manusia-komputer (HCI). Model yang penulis ajukan dirancang dengan model Convolutional Neural Network (CNN) dan menggunakannya untuk melatih dan menguji gambar ekspresi wajah dengan TensorFlow. Sistem ini memiliki dua bagian, sebuah recognizer untuk validasi dan model pelatihan data untuk data training. recognizer berisi detektor wajah dan pengenal ekspresi wajah. Detektor wajah mengekstrak gambar wajah dari frame video dan pengenal ekspresi wajah mengklasifikasikan gambar yang diekstrak. Model pelatihan data menggunakan CNN untuk melatih data. Sistem pengenal juga menggunakan CNN untuk memantau keadaan emosi dari pengguna melalui ekspresi wajah mereka. Sistem ini mengklasifikasikan emosi dalam enam kelas universal, marah, jijik, senang, terkejut, sedih dan takut, ditambah dengan emosi netral.

---

ABSTRACTThe introduction of facial expressions has been a challenge in digital science for many years. With the recent growth in machine learning, a real-time facial recognition recognition system with machine learning can be useful for emotional monitoring systems for human-computer interaction (HCI). The model the author proposes is designed with the Convolutional Neural Network (CNN) model and uses it to train and test facial expression images with TensorFlow. The system has two parts, a recognizer for validation and a data training model for training data. The recognizer contains face detector and facial recognition. The face detector extracts the face image from the video frame and facial expression identifiers classify the extracted image. The data training model uses CNN to train data. The identification system also uses CNN to monitor the emotional state of the user through their facial expressions. This system classifies emotions in six universal classes, anger, disgust, pleasure, shock, sadness and fear, coupled with neutral emotions."

"Pengolahan citra telah mengalami banyak perkembangan dan semakin umum diaplikasikan. Salah satu pengaplikasiannya rekognisi wajah tiga dimensi, yang juga melibatkan estimasi pose wajah. Salah satu metode rekognisi citra, yaitu jaringan saraf konvolusi, berpotensi menjadi dasar dari sistem estimasi pose wajah. Operasi konvolusi diharapkan mampu meminimalisir pengaruh distorsi dan disorientasi objek, serta mampu mengefisiensikan parameter yang dibutuhkan. Namun, permasalahan noise atau derau belum secara eksplisit terselesaikan oleh jaringan saraf tiruan konvolusi. Penelitian ini bertujuan memasukkan fitur sistem fuzzy yang efektif mengelola data samar ke dalam jaringan saraf tiruan konvolusi yang diaplikasikan untuk estimasi pose wajah. Perancangan dimulai dari menjabarkan fungsi masing-masing lapisan jaringan saraf tiruan, menjabarkan operasi-operasi aritmatika pada bilangan fuzzy, dan mencoba menggantikan neuron crisp pada jaringan saraf tiruan konvolusi umum menjadi neuron fuzzy, dan mengaplikasikannya untuk mengestimasi pose wajah. Sistem yang sudah dibangun kemudian diujicoba pada dataset yang dimiliki Departemen Teknik Elektro UI dan dibandingkan dengan CNN-crisp yang memiliki arsitektur serupa dengan parameter pembelajaran yang sama. Hasil didapat menunjukkan sistem konvolusi fuzzy mencapai nilai kesalahan estimasi pose lebih rendah dari konvolusi crisp pada data berderau tanpa merubah hasil estimasi pada data tidak berderau.

---

Image processing has undergone many developments and is increasingly commonly applied. From limited two-dimensional recogniton, facial recognition has now being developed to be able to recognise three-dimensional features. This ability involves process of face pose estimation. One method of image recognition, the convolution neural network, has the potential to become the basis of the face pose estimation system. Convolution operation is expected to minimize the effect of distortion and disorientation of the object, and able to efficiently reduce the required parameters. However, the image noise problem has not been explicitly resolved by convolution neural networks.

This study aims to include features of a fuzzy system that effectively manages fuzzy data into convolutional neural networks applied to head pose estimation. The design begins with describing the function of each layer of artificial neural networks, describing arithmetic operations on fuzzy numbers, and attempting to replace crisp neurons in convolution layer of convolutional neural into fuzzy neurons, and applying them to estimate head poses. The estimator system is then tested on a dataset owned by the Department of Electrical Engineering UI and compared with CNN-crisp that has a similar architecture with the same learning parameters.

The results show that the fuzzy convolution system reaches less error of pose estimation value compared to the crisp convolution system, without changing the estimation value of image without noises."

"Penelitian ini menerapkan dan menganalisa teknik pengolahan citra untuk deteksi kanker paru-paru. Teknik pengolahan citra banyak digunakan di beberapa masalah medis untuk perbaikan citra dalam deteksi fase dan pengobatan dini. Penelitian ini mengusulkan metode deteksi kanker paru-paru berbasis segmentasi citra. Segmentasi citra adalah salah satu pengolahan tingkat menengah dalam pengolahan citra. Pendekatan wilayah dan watershed digunakan untuk proses segmentasi citra CT scan. Fase deteksi yaitu peningkatan kualitas citra menggunakan filter Gabor, segmentasi citra, dan ekstraksi fitur dengan binerisasi. Dari hasil percobaan, ditemukan efektivitas dari pendekatan tersebut. Fitur utama untuk mendeteksi kanker adalah dengan menggunakan perbandingan yang dilakukan dengan persentase piksel dan penanda citra.

---

In this undergraduate thesis, we implement and analyze the image processing method for detection of lung cancer. Image processing techniques are widely used in several medical problems for repairs picture in the phase detection and early treatment. This research proposed a detection method of lung cancer using image segmentation. Image segmentation is one of intermediate level processing in image processing. Marker control and watershed approach are used to segment of CT scan image. Detection phases are followed by image enhancement using Gabor filter, image segmentation, and features extraction with binarization. From the experimental results, we found the effectiveness of our approach. The main detected features for accurate images comparison are mask labeling with high accuracy and robust."

"Skripsi ini membahas mengenai rancangan untuk pengembangan sistem penilaian esai otomatis (SIMPLE-O) menggunakan Convolutional Neural Network dan Manhattan Distance sebagai penilaian pada ujian esai Bahasa Jepang yang sedang dikembangkan oleh Departemen Teknik Elektro Universitas Indonesia. Sistem ini menggunakan Convolutional Neural Network (CNN) untuk memberikan nilai pada esai Bahasa Jepang. Dari beberapa variasi yang diuji, model yang paling stabil adalam model yang memiliki layer CNN, Manhattan Distance, dan dropout dengan dropout rate sebesar 0.1, di-train selama 32 epochs dengan loss function cross-categorical entropy dan optimizer RMSprop dengan input model ditokenisasi per karakter dengan rata-rata akurasi sebesar 59.48%.

---

This thesis discusses the design for the development of an automatic essay scoring system (SIMPLE-O) using the Convolutional Neural Network and Manhattan Distance as an assessment of the Japanese essay exam which is being developed by the Department of Electrical Engineering, University of Indonesia. This system uses Convolutional Neural Network (CNN) to score Japanese essays. Of the several variations tested, the most stable model is a model that has CNN, Manhattan Distance, and dropout layers with a dropout rate of 0.1, trained for 32 epochs with a loss function cross-categorical entropy and an RMSprop optimizer with model input tokenized per character on average. the average accuracy is 59.48%."

"Salah satu metode deteksi penyakit Diabetes mellitus ialah dengan mengukur kadar glukosa pada darah dengan mengambil sejumlah darah untuk dilakukan pengukuran. Selain itu, metode pengukuran bersifat non-invasif juga sedang mengalami perkembangan, di antaranya ialah iridologi. Penelitian ini memfokuskan pada perancangan suatu sistem prediksi Diabetes mellitus melalui citra iris (iridologi) yang bersifat non-invasif. Pemetaan organ yang berkorespondensi pada wilayah iris dapat dimanfaatkan untuk memprediksi kerusakan jaringan organ, khususnya pada pankreas sebagai penghasil insulin. Sistem yang dikembangkan terdiri atas instrumen akuisisi citra iris dan algoritma pengolahan citra yang berbasis pada ciri tekstur. Pemrosesan citra yang dilakukan ialah peningkatan kualitas melalui metode FFT filtering dan grayscaling, lokalisasi iris dengan circular hough transform (CHT), dan normalisasi dengan rubber-sheet normalization. Kemudian dilakukan segmentasi daerah pankreas pada iris sejumlah satu ROI di mata kanan dan dua ROI di mata kiri. Akuisisi citra iris dilakukan sebanyak tiga kali pada 15 subjek tidak Diabetes dan 11 subjek Diabetes. Ekstraksi ciri yang dilakukan menggunakan filter Gabor pada bagian ROI tersebut. Model ANN digunakan untuk klasifikasi kelas Diabetes dan non-Diabetes menggunakan metode SCG dan cross validation menghasilkan akurasi sebesar 87.6%, misclassification error (MR) 12.4%, false positive rate (FPR) 8.26%, false negative rate (FNR) 18.8%, sensitivity 81.2% dan specificity 91.7%. Nilai tersebut menggambarkan bahwa sistem secara umum dapat bekerja untuk membantu prediksi seseorang berpenyakit Diabetes.

---

One of Diabetes mellitus detection method is to measure the blood glucose by drawing small amount of blood. Other than that, some non-invasive methods also have been developed, one of the alternative methods is iridology. This research focus on development of non-invasive Diabetes mellitus prediction system through iris image. The mapping of organs that corresponded in iris image can be used to detect damaged tissues of an organ, particularly in pancreas where insulin hormone is made.

The developed system consists of image acquisition instrument and image processing algorithm using texture characteristics. The processing starts with image enhancement using filter FFT and grayscaling, iris localization using circular hough transform (CHT), and normalization using rubber-sheet normalization. Segmentation on pancreas in iris image then resulted as followed, one ROI of right eye image and two ROIs of left eye image.

Image acquisition was done with maximum of three images taken and used from 15 health subjects and 11 Diabetes subjects. Feature extraction method that used is Gabor filter. Classification model ANN is used to classify between Diabetes and health subjects with SCG function and cross validation results in accuracy number of 87.6%, misclassification error (MR) 12.4%, false positive rate (FPR) 8.26%, false negative rate (FNR) 18.8%, sensitivity 81.2% and specificity 91.7­­%. Those results show that, system in general has worked to help in prediction of Diabetes."