Hasil Pencarian  ::  Simpan CSV :: Kembali

"Katarak merupakan keadaan di mana lensa mata yang biasanya terlihat jernih dan bening menjadi keruh yang disebabkan oleh sebuah kumpulan protein yang terletak di depan retina. Hal ini menyebabkan jaringan lensa mata mulai rusak dan menggumpal, sehingga berkurangnya cahaya yang masuk ke retina dan pandangan akan terlihat buram, kurang berwarna, serta dapat menyebabkan kebutaan yang permanen. Mendiagnosis penyakit katarak pada seseorang dapat menggunakan proses pemeriksaan citra fundus, hasil dari citra fundus kemudian dideteksi menggunakan salah satu pendekatan deep learning. Dalam penelitian ini, digunakan pendekatan deep learning yaitu metode Convolutional Neural Networks (CNN) classic dan CNN LeNet-5 pada fungsi aktivasi ReLU dan Mish dalam mendeteksi katarak. Data yang digunakan dalam penelitian ini yaitu data ODR yang merupakan online database yang berisi citra fundus dengan bervariasi ukuran citra. Dataset kemudian memasuki tahap preprocessing dalam meningkatkan performa model seperti mengkonversikan citra RGB menjadi grayscale dari intensitas green channel, kemudian menerapkan proses binerisasi citra menggunakan thresholding untuk menyesuaikan target atau label berdasarkan diagnosis dokter dan mengetahui tingkat kerusakan bagian mata dalam mendeteksi mata mengalami katarak atau tidak. Hasil performa pada penelitian ini menunjukkan bahwa model CNN LeNet-5 dengan fungsi aktivasi Mish lebih baik dibandingkan model CNN clasic dengan fungsi aktivasi Mish dalam mendeteksi penyakit katarak. Hasil performa keseluruhan yang optimal pada penelitian ini berdasarkan nilai accuracy, precision, recall, dan F1- score secara berturutturut yaitu 87%, 87,5%, 89,3%, 86,7%, dengan running time yang dibutuhkan pada training 95,67 detik dan testing 0,1859 detik.

---

Cataract is a condition in which the normally clear lens of the eye becomes cloudy due to a collection of proteins located in front of the retina. This causes the tissue of the eye's lens to begin to break down and clot, resulting in less light entering the retina and blurred vision, lack of color, and can lead to permanent blindness. Diagnosing cataracts in a person can use the process of examining the fundus image, the results of the fundus image are then detected using one of the deep learning approaches. In this study, a deep learning approach was used, namely Convolutional Neural Networks (CNN) classic and CNN LeNet-5 method on the ReLU and Mish activation functions in detecting cataracts. The data used in this study is ODR data which is an online database containing fundus images with varying image sizes. The dataset then enters the preprocessing stage to improve model performance, such as converting the RGB image to grayscale from the intensity of the green channel, then applying a binary image process using thresholding to adjust the target or label based on the doctor's diagnosis and determine the level of eye damage to detect cataracts or not. The performance results in this study indicate that the CNN LeNet- 5 model with Mish activation function is better than the CNN classic model with Mish activation function in detecting cataract disease. Optimal overall performance results in this study are based on the values of accuracy, precision, recall, and F1-score, respectively, namely 87%, 87,5%, 89,3%, 86,7%, with the running time required for training 95,67 seconds and testing 0,1859 seconds."

"Penyakit masih menjadi permasalahan yang serius di seluruh dunia, tidak terkecuali Indonesia. Salah satu jenis penyakit yang menjadi penyebab kematian manusia nomor satu di dunia adalah kanker, dengan kanker paru-paru yang menduduki peringkat pertama. Untuk mengetahui kondisi seseorang memiliki sel kanker atau tidak di dalam tubuhnya, diperlukan pemeriksaan seperti pemeriksaan fisik, CT-Scans dan MRI. Pemeriksaan ini digunakan oleh dokter dalam melakukan diagnosa pasien terhadap penyakit kanker. Walaupun telah dilakukan pemeriksaan secara detail, masih sering ditemukan kekeliruan atau kesalahan yang dilakukan oleh dokter dalam memberikan diagnosa. Oleh karena itu, semakin berkembangnya zaman banyak metode yang dapat digunakan dalam mengatasi permasalahan tersebut, salah satunya dengan metode Convolutional Neural Networks. Metode ini merupakan perkembangan dari metode Neural Networks dan akan digunakan dalam melakukan klasifikasi kanker paru-paru berdasarkan data citra MRI. Convolutional Neural Networks memiliki performa yang lebih baik daripada Neural Networks dalam mengklasifikasikan serta memprediksi data kanker paru-paru berdasarkan citra MRI. Hal ini dibuktikan dengan nilai akurasi yang diperoleh dari metode Convolutional Neural Networks lebih besar daripada nilai akurasi metode Neural Networks, yaitu 90% untuk Convolutional Neural Networks dan 66.7% untuk Neural Networks.

---

Disease still a serious problem throughout the world, include Indonesia. One types of diseases that is the number one cause of human death in the world is cancer, with lung cancer ranked first. To find out the condition of a person has cancer cells or not in the body, it requires examinations such as physical examination, CT-Scans and MRI. This examination is used by doctors in diagnosing patients for cancer. Although a detailed examination has been carried out, it is still often found errors was made by the doctor in provided a diagnosis. Therefore, the development of this era, many methods that can be used to overcome these problems, one of them is the Convolutional Neural Networks method. This method is a development of the Neural Networks method and will be used in classifying lung cancer based on MRI image data. Convolutional Neural Networks has better performance than Neural Networks in classifying and predicting lung cancer data based on MRI images. This is evidenced by the accuracy value obtained from the Convolutional Neural Networks method greater than the accuracy value of the Neural Networks method, which is 90% for Convolutional Neural Networks and 66.7% for Neural Networks."

"Di Indonesia, stroke merupakan penyakit dengan angka kematian tertinggi yaitu menempati urutan pertama selamalebih dari dua dekade, 1990-2017. Stroke dibagi menjadi dua jenis, iskemik dan hemoragik, namun 87% penderitastroke adalah stroke iskemik. Sementara itu, jika pasien menderita stroke iskemik dan hal tersebut baru pertama kaliterjadi, maka penderita harus segera mungkin mendapatkan penanganan. Hal ini dikarenakan adanya golden periodpada penanganan stroke yaitu selama 4.5 jam, agar penderita dapat tertolong dan mengurangi risiko kematian ataukecacatan permanen. Oleh karena itu, penting adanya deteksi dini, sehingga banyak penelitian yang dilakukankhususnya di bidang teknologi untuk melakukan diagnosis otomatis guna membantu dokter. Machine learning dandeep learning adalah metode yang sering digunakan karena kemampuannya memberikan hasil prediksi dengan akurasi tinggi. Pada penelitian ini penulis akan memberikan pembaruan dalam pendeteksian stroke iskemik berdasarkan CT scan pasien dengan mengganti peran neural networks untuk klasifikasi pada CNN dengan random forest, support vector machines and k-nearest neighbors. Berdasarkan metode yang dirancang, akurasi pada data training didapatkan 100% untuk RF dan SVM. Dalam validasi data, RF (94,07%) menghasilkan akurasi yang lebih tinggi pada nilai rata-rata dibandingkan dengan SVM (93,20%) dan kNN (79,01%).

---

In Indonesia, stroke is a disease with the highest mortality rate, which ranks first for more than two decades, 1990-

2017. Stroke is divided into two types, ischemic and hemorrhagic, but 87% of stroke patients are ischemic stroke.

Meanwhile, if the patient suffers from an ischemic stroke and this is the first time it has happened, then the patient

should get treatment as soon as possible. This is because there is a golden period in stroke treatment, which is 4.5

hours, so that patients can be helped and reduce the risk of death or permanent disability. Therefore, early detection is important, so that a lot of research has been carried out, especially in the field of technology to carry out automatic diagnosis to help doctors. Machine learning and deep learning are methods that are often used because of their ability to provide predictive results with high accuracy. In this study, the authors will provide an update in the detection of ischemic stroke based on CT scans of patients by replacing the role of neural networks for classification on CNN with random forests, support vector machines and k-nearest neighbors. Based on the designed method, the accuracy of the training data is 100% for RF and SVM. In data validation, RF (94.07%) resulted in higher accuracy in the average value compared to SVM (93.20%) and kNN (79.01%)."

"ABSTRAKPATCHY-SAN adalah sebuah framework untuk sembarang graf yang diajukan oleh Niepert pada tahun 2016. Pada penelitian ini diajukan modifikasi arsitektur dari convolutional neural network CNNs pada PATCHY-SAN menggunakan beberapa representasi dari graf seperti B^i,L^i,N^i dengan B,L,N, berturut-turut adalah matriks betweeness, matriks Laplacian and matriks normalisasi Laplacian dengan i=1,2,3,4,5. Dilakukan beberapa percobaan dari model CNNs dengan 3 layer dan 2 layer. Penelitian ini menggunakan dropout atau batch normalization untuk mengurangi permasalahan internal covariate shift sebagai regularisasi. Berdasarkan percobaan tersebut disimpulkan, penambahan layer, penggunaan dropout dan batch normalization dapat meningkatkan dan juga menurunkan prediksi akurasi, hal ini tergantung dari dataset dan arsitektur CNNs. Representasi graf yang digunakan dalam penelitian ini masih belum bagus untuk membuat PATCHY-SAN learning, karena peningkatan akurasi hanya sebesar - 9 dari benchmark 50 .

---

ABSTRACTPATCHY SAN is a framework for learning Convolutional Neural Network CNNs for arbitrary graph proposed by Niepert in 2016. In this paper we propose to modified architecture of Convolutional Neural Network in PATCHY SAN by using some representation of graph such as B i,L i,N i, with B, L, N, is betweeness matrix, Laplacian matrix and normalize Laplacian matrix with i 1,2,3,4,5. We do some experiment of model with 3 convolutional layer and 2 convolutional layer. This research use dropout and batch normalization to reduce internal covariate shift problem as regularizer. In conclusion adding more convolution layer, and use dropout and batch normalization can increase and reduce accuracy, it depend on the architecture of CNNs. Graph representation used in this research still not good to make PATCHY SAN learning, because the accuration increase by 9 from benchmark 50 ."

"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."

"ABSTRAKDiabetic Retinopathy (DR) merupakan komplikasi jangka panjang dari Diabetes Mellitus (DM) yang mempengaruhi penglihatan karena adanya mikrovaskular pada retina. Hal ini dapat mengakibatkan gangguan penglihatan dan kebutaan jika ditangani terlambat. DR dapat dideteksi melalui pemeriksaan citra fundus. Salah satu pendekatan dalam mendeteksi DR pada citra fundus yaitu dengan pendekatan deep learning yang merupakan salah satu metode implementasi dari machine learning.  Dalam penelitian ini, digunakan metode Convolutional Neural Networks (CNN) dengan arsitektur ResNet-50 dan DenseNet-121. Data yang digunakan dalam penelitian ini diambil dari DIARETDB1 yang merupakan online database yang berisi gambar fundus. Selanjutnya, dilakukan tahap preprocessing pada citra untuk meningkatkan kinerja model seperti mengambil green channel dan menerapkan inverted green channel, mengubah citra warna menjadi grayscale, dan menerapkan Contrast Limited Adaptive Histogram Equalization (CLAHE) untuk penyeragaman kontras pada citra. Hasil penelitian ini menunjukkan bahwa model ResNet-50 lebih baik dibandingkan DenseNet-121 dalam mendeteksi DR. Hasil terbaik dari beberapa kasus testing model ResNet-50 yaitu accuracy, precision, dan recall masing-masing sebesar 92,2%, 93,6%, dan 92,6% dengan running time untuk training selama 6 menit 21,296 detik dan testing selama 1,174 detik.

---

ABSTRACTDiabetic Retinopathy (DR) is a long-term complication of Diabetes Mellitus (DM) that affects vision because of the presence of microvascular retinal. This can result in visual impairment and blindness if treated late. DR can be detected by examining fundus images. One approach to detecting DR in fundus images is the deep learning approach which is one of the methods of implementing machine learning. In this study, the Convolutional Neural Networks (CNN) method is used with the ResNet-50 and DenseNet-121 architectures. The data used in this study were taken from DIARETDB1, which is an online database that contains fundus images. Then, pre-processing stage is carried out on the fundus image to improve model performance such as selected the green channel from the images and inverted it, converted the images into grayscale images, and applied Contrast Limited Adaptive Histogram Equalization (CLAHE) for uniform contrast in the images. The results of this study indicate that the ResNet-50 model is better than DenseNet-121 in detecting DR. The best results from several cases testing the ResNet-50 model are accuracy, precision, and recall of 92.2%, 93.6%, and 92.6% respectively with running time for training for 6 minutes 21.296 seconds and testing for 1.174 seconds."

"Pengelasan TIG adalah salah satu metode pengelasan yang dapat diterapkan pada logam non-ferrous. Otomatisasi proses pengelasan TIG harus memberikan hasil las yang lebih hemat biaya dan kualitas yang lebih tinggi di lingkungan produksi divisi manufaktur. Penelitian ini bertujuan untuk menerapkan metode deep learning pada optimalisasi TIG Welding dengan mengolah hasil pengelasan dengan Convolutional Neural Networks (CNN). Dengan menggunakan dua jaringan saraf YOLOv5 dan ResNet50 yang berbeda, penulis akan memiliki empat metode klasifikasi citra yang berbeda dengan ResNet50, deteksi dan klasifikasi objek YOLOv5, kombinasi deteksi objek YOLOv5 dan ResNet50, dan klasifikasi ResNet50 menggunakan preprocessing center-crop. Penelitian ini akan mengidentifikasi hasil pengelasan dengan memberi label pada gambar sebagai “Weld Bagus” atau “Weld Buruk”, kelas las yang baik tidak memiliki cacat, sedangkan kelas las yang buruk memiliki cacat retak, terbakar, porositas, dll. Berdasarkan penelitian ini metode terbaik adalah kombinasi antara YOLOv5 dan ResNet50 neural network dengan akurasi 96%, loss 4%, presisi 93,1%. Metode dengan menggunakan ResNet50 klasifikasi memiliki akurasi 46%, loss 54%, dan presisi 0%. Metode YOLOv5 objek deteksi dan klasifikasi memiliki akurasi 94,34%, loss 5,66%, dan presisi 100%. Metode ResNet50 klasifikasi dengan center-crop pre-processing memiliki akurasi 82%, loss 18%, dan presisi 87,5%. Variasi dan jumlah data mempengaruhi pelatihan dan pengujian data.

---

TIG welding is one of the welding methods that can be applied to non-ferrous metals. TIG welding process automation should deliver more cost-effective, higher-quality welds in a manufacturing division's production environment. This study aims to apply deep learning methods to optimize TIG Welding by processing welding results with Convolutional Neural Networks (CNN). By using two different YOLOv5 and ResNet50 neural networks, the author will have four different image classification methods with ResNet50, YOLOv5 object detection and classification, a combination of YOLOv5 and ResNet50 object detection, and ResNet50 classification using center-crop preprocessing. This study will identify the results of welding by labeling the image as “Good Weld” or “Bad Weld”, a good welding class has no defects, while a bad welding class has cracking, burning, porosity defects, etc. Based on this research, the best method is a combination of YOLOv5 and ResNet50 neural network with 96% accuracy, 4% loss, 93.1% precision. The method using ResNet50 classification has 46% accuracy, 54% loss, and 0% precision. The YOLOv5 object detection and classification method has an accuracy of 94.34%, loss of 5.66% and precision of 100%. The ResNet50 method of classification with center-crop pre-processing has an accuracy of 82%, loss of 18% and precision of 87.5%. Variation and amount of data affect the training and testing of data."

"Fraud asuransi merupakan tindakan yang sangat merugikan, baik untuk perusahaan asuransi dalam bentuk kerugian maupun untuk pemegang polis lainnya dalam bentuk kenaikan premi untuk menutupi kerugian. Salah satu cara yang dapat dilakukan adalah menggunakan jasa claim investigator untuk mendeteksi fraud yang mungkin terjadi. Namun, semakin banyak klaim yang perlu dianalisis, semakin tinggi juga biaya yang akan dikeluarkan. Solusi untuk mengatasi masalah scalability tersebut adalah dengan menggunakan machine learning. Metode machine learning yang saat ini cukup populer dan banyak digunakan untuk berbagai aplikasi adalah deep learning. Metode deep learning banyak dipakai untuk memproses data tidak terstruktur contohnya pemrosesan data gambar dengan menggunakan convolutional neural networks (CNN). Kesuksesan metode CNN dalam memproses data tidak terstruktur menjadi dasar dari pengembangan algoritma IGTD (image generator for tabular data) yang bertujuan untuk memproses data terstruktur menjadi data berbentuk gambar agar dapat diproses oleh metode CNN. Penelitian ini bertujuan untuk menganalisis kinerja algoritma IGTD dan model CNN dalam memprediksi fraud asuransi dengan menggunakan data fraud asuransi kendaraan bermotor. Kinerja algoritma IGTD dan model CNN akan dibandingkan dengan model XGBoost dengan pembobotan data, imbalance-XGBoost weighted function, decision tree, serta random forest. Selain itu, pada penelitian ini dianalisis juga modifikasi dari algoritma IGTD terhadap kinerja model CNN yang digunakan. Hasil simulasi menunjukkan bahwa algoritma IGTD dan model CNN masih belum mampu menandingi model XGBoost dengan pembobotan data dan imbalance-XGBoost weighted function yang masih menjadi model terbaik dalam memprediksi fraud asuransi. Selain itu, model CNN berbasis modifikasi algoritma IGTD memiliki kinerja yang serupa dengan model CNN berbasis algoritma IGTD.

---

Insurance fraud is an act that could inflict serious damage not only for the insurance company in the form of net loss, but also for other policyholders in the form of increased premium rates to cover the net loss. Insurance companies might use claim investigator to detect possible fraud by policyholders. However, as more claims need to be investigated, the cost of investigation will also increase. Machine learning is the solution for this scalability issue, especially the deep learning method which is popular and widely used in numerous applications. Deep learning method is commonly used to process unstructured data such as image by using convolutional neural networks (CNN). The success of CNN model motivates the invention of IGTD (image generator for tabular data) algorithm to process structured data into images to ensure it can be processed by the CNN model. The purpose of this research is to analyze the performance of IGTD algorithm and CNN model to predict insurance fraud using auto insurance fraud dataset. The performance of IGTD algorithm and CNN model is compared to XGBoost sample weighted, imbalance-XGBoost weighted function, decision tree, and random forest. In this research the impact of IGTD algorithm modification to the performance of CNN model is analyzed. The simulation result shows that the IGTD algorithm and CNN model is unable to outperform the best model to predict insurance fraud, XGBoost sample weighted and imbalance-XGBoost weighted function. Moreover, CNN model based on IGTD algorithm and modified IGTD algorithm yield similar performance."

"Mengenali burung hanya dengan suara mereka mungkin merupakan tugas yang sulit tetapi tidak berarti itu tidak mungkin. Convolutional Neural Network (CNN) saat ini sangat populer sebagai pendekatan untuk menyelesaikan tugas ini. Kesenjangan antara model berbasis CNN dan pendekatan berbasis fitur cukup jauh. Meskipun banyak dari rekaman itu cukup berisik, CNN bekerja dengan baik tanpa ada penghilangan bising tambahan. Kami mengembangkan aplikasi berbasis mobile bagi pengguna untuk merekam suara burung melalui perekam suara dalam aplikasi, kemudian rekaman tersebut akan dikirim ke back-end dan akan diklasifikasikan menggunakan model CNN untuk menentukan spesies burung tersebut. Dataset yang digunakan untuk penelitian ini dikumpulkan dari basis data kolaboratif Xeno-Canto pada 4 Juni 2020 dengan total 1.163 rekaman suara dari 60 spesies burung berasal dari Taiwan dan beberapa daerah lain. Hasil membuktikan bahwa pengenalan suara burung kami dapat mencapai kinerja yang memuaskan dan stabil. Aplikasi kami membutuhkan sekitar 10 detik untuk keseluruhan proses, termasuk transmisi dari front-end ke back-end, dan sekitar 6 detik untuk proses pengenalan dengan tingkat akurasi mencapai 96,85%. Selain itu, pengenalan suara burung kami mampu mengenali suara burung secara akurat dari rekaman berdurasi minimal 3 detik.

---

Recognizing birds just by their sound might be a difficult task but it does not mean it is not possible. Convolutional Neural Networks (CNNs) nowadays is really popular as an approach to complete the task. The gap between CNN-based models and shallow, featurebased approaches remained considerably high. Even though many of the recordings were quite noisy, the CNNs worked well without any additional noise removal. We develop a mobile-based application for users to capture a bird sound by the voice recorder in the application, then the input record will be sent to the back-end and will be classified to determine the species of the bird using a CNN model. The dataset used for this research is collected from Xeno-Canto collaborative database on June, 4th 2020 with a total of 1163 sound recordings from 60 species of bird is from Taiwan and some other regions. Results testify that our bird sound recognition can achieve a remarkable and steady performance. It took approximately 10-seconds for the whole process, including transmission between the front-end and the back-end, and about 6-seconds for the recognition process with the accuracy rate being 96.85%. In addition, our bird sound recognition is able to recognize the bird sound accurately from a minimum of 3-seconds length recording.

"

"ABSTRAKA machine learning approach has been used in this work to categorize jewelry images into five different classes. This classification was achieved by using the convolutional neural network (CNN). The objective was to find different approaches that can be competent for the image classification and recognition. The images used in this work are drawn directly from the jewelry industries and companies. The first technique uses support vector machine along with the features that were extracted from the input images using AlexNet. The second method involves the use of Inception v3 model for performing the same. Upon experimenting, it was derived that both the approaches performed well, however, Inception v3 was found to be more successful by 0.9%. The Inception v3 was then further taken to train the dataset from scratch which resulted in better consistency."