Hasil Pencarian  ::  Simpan CSV :: Kembali

"Peningkatan kualitas citra medis khususnya untuk bagian kepala manusia terus dikembangkan, termasuk dengan pemodelan 3D. Hal ini dilakukan untuk mengurangi kesalahan dalam proses diagnosa dan memfasilitasi pendeteksian tumor otak dengan pendekatan 3D. Dalam prosesnya, citra MRI otak dianalisa secara 3D sehingga diperoleh bagian tumor otak. Citra MRI dikonversi dari citra berformat MINC. Citra diklasifikasi untuk mendeteksi objek menggunakan K-Means Clustering yang akan memisahkan bagian tumor dan otak. Proses filter dilakukan menggunakan Non-Local Means sehingga noise hasil pengolahan dapat berkurang dari proses sebelumnya. Hasil citra pengolahan disegmentasi untuk meningkatkan dan mendukung proses rekonstruksi menggunakan Thresholding. Terakhir adalah merekonstruksi citra dalam bentuk 3D menggunakan metode Marching Cube. Evaluasi akurasi sistem meliputi pengurangan resolusi, pengujian citra normal, uji perbandingan, penggantian format citra dan penambahan noise. Hasil akurasi pendeteksian tumor otak mencapai 100% untuk format PNG dan resolusi 512x512, 97,7% untuk resolusi 256x256, 96,9% untuk citra normal tanpa tumor dan 97,96% berdasarkan perbandingan data olah dengan data referensi. Format PNG memiliki akurasi dibandingkan format JPEG dengan perbedaan sebesar 4%. Pengujian dengan menambahkan noise menghasilkan akurasi 87,6% untuk densitas 0,01, 83,6% untuk 0,05 dan 74,5% untuk 0,09.

---

Medical image enhancement especially for human brain imageries is rapidly developed, including 3D modeling. This research is aimed to reduce the error of diagnosis process and facilitate brain tumor detection using 3D approach. In the process, 3D brain from MRI imageries is analyzed to detect brain tumors. MRI image is converted from MINC format. Then, the image is classified to detect objects using K-Means Clustering to divide each part of brain. Filtering is performed using Non-Local Means to remove noise from previous processes. The result of imageries are segmented to enhance and support reconstruction process using Thresholding. Finally, 3D image reconstruction is performed using Marching Cube method. The accuracy of brain tumor detection is evaluated of resolution reduction, non tumor image testing, comparison testing, modifying image format, and adding noise. The accuracy rate of brain tumor detection is 100% for PNG format and 512x512 resolution, 97,7% for 256x256 resolution, 96,9% for non tumor image and 97,96% for comparison between ideal image and reference data. PNG format has better accuracy with JPEG by 4% improvement. The accuracy of adding noise is 87,6% for 0,01 density, 83,6% for 0,05 and 74,5% for 0,09."

"Skripsi ini membahas tentang perancangan serta implementasi dari sistem informasi Internet of Things (IoT) yang menggunakan teknologi Augmented Reality (AR) sebagai sarana visualisasi yang pemrosesannya dijalankan menggunakan teknologi Edge Computing. Sistem ini ditujukan agar dapat menjadi alat pembantu reparasi perangkat IoT dengan cara menampilkan informasi yang berkaitan dengan perangkat tersebut serta panduan mengenai langkah reparasi melalui visualisasi AR. Edge Computing pada sistem ini digunakan untuk meringankan beban pemrosesan yang perlu dilakukan pada perangkat pengguna dengan melimpahkan beban pemrosesan tersebut kepada suatu edge server. Pada implementasinya, perangkat pengguna mengirimkan rekaman yang meliputi perangkat IoT beserta suatu fiducial marker yang berperan sebagai tanda pengenal perangkat kepada edge server. Selanjutnya edge server akan melakukan perhitungan untuk menentukan posisi serta orientasi dari perangkat IoT berdasarkan fiducial marker pasangannya. Berdasarkan informasi mengenai posisi dan orientasi tersebut, edge server dapat melakukan render objek 3D yang menyesuaikan diri dengan lingkungannya demi menghasilkan visualisasi AR. Perangkat IoT pada sistem ini juga menyediakan data kepada edge server sebagai informasi yang akan digunakan saat proses render. Hasil dari pengujian terhadap sistem tersebut menunjukkan bahwa teknologi Edge Computing dapat dijadikan sebagai metode pemrosesan alternatif untuk visualisasi AR untuk suatu sistem informasi IoT. Pengujian tersebut menunjukkan bahwa ponsel berumur 5 tahun masih dapat menghasilkan visualisasi AR yang stabil bahkan saat suhu dari CPU ponsel tersebut mencapai 50 derajat Celsius. Komunikasi antara perangkat IoT dengan edge server juga menunjukkan performa yang baik dengan rata-rata nilai ketidaktepatan waktu pengiriman sebesar 1.69 ms.

---

This research discusses the design and implementation of an Internet of Things (IoT) information system which uses Augmented Reality (AR) as a means of visualization of which its processes are being run on Edge Computing technology. This system is intended to be used as a tool for assisting equipment reparations by showing relevant information regarding said equipment’s conditions as well as a guide on how to repair said system by means of AR visualizations. In this system, Edge Computing is used to alleviate the burden of processing from the user’s device by delegating it to an edge server. In its implementation, the user’s device sends a recording which covers the equipment with IoT capabilities and a fiducial marker that is paired to the equipment as identification to an edge server. The edge server will then calculate and determine the position and orientation of the equipment based on its fiducial marker. The edge server can then render a 3D object that adjusts its position and orientation based on the information determined from the fiducial marker to create an AR visualization. The IoT equipment also provides data to the edge server for use in the rendering process. The results of the tests regarding this system shows that Edge Computing can indeed be an alternative method for processing AR visualizations for an IoT information system. These tests have shown that a 5-year-old smartphone can generate a stable AR visualization even if its CPU temperature has reached 50 degree Celsius. Other tests have also shown that the performance of communication between the IoT equipment and the edge server is very good with an average timing error of 1.69 ms."