Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Terumbu karang merupakan organisme laut yang memberikan keuntungan untuk banyak mahluk hidup lainnya. Semakin parahnya polusi pada air dan perubahan iklim yang tidak menentu menyebabkan kesehatan terumbu karang terancam. Proyeksi untuk tahun 2050 menunjukkan bahwa 95% terumbu karang kemungkinan akan mengalami pemutihan. Penelitian ini mengusulkan untuk menerapkan deep learning untuk mengklasifikasikan tipe dan level kesehatan terumbu karang yang klasifikasinya dibagi berdasarkan bagan kesehatan CoralWatch, yaitu dibagi menjadi level 1 – 6. Klasifikasi kesehatan terumbu karang pada penelitian ini dibagi menjadi 6 label, yaitu lv.6, lv.5, lv.4, lv.3, lv.2, dan lv.1. Sedangkan untuk klasifikasi tipe terumbu karang terdapat 3 kelas, yaitu Boulder, Table, dan Branching. Hasil akhir penelitian ini adalah model untuk klasifikasi tipe dan level kesehatan terumbu karang. Bahasa pemograman yang digunakan adalah python, dan arsitektur yang digunakan adalah ResNet, MobileNetV2, DenseNet, dan VGG19. Pada penelitian ini didapat akurasi terbaik sebesar 100% untuk klasifikasi tipe terumbu karang dengan arsitektur DenseNet dan untuk klasifikasi kesehatan terumbu karang didapat akurasi sebesar 55% dengan arsitektur DenseNet. ......Coral reefs are marine organisms that provide benefits to many other living creatures. The worsening pollution in the water and unpredictable climate changes threaten the health of coral reefs. Projections for 2050 indicate that 95% of coral reefs are likely to experience bleaching. This research proposes to apply deep learning to classify the types and health levels of coral reefs, with classifications divided based on the CoralWatch health chart, ranging from level 1 to 6. The health classification of coral reefs in this study is divided into 6 labels: lv.6, lv.5, lv.4, lv.3, lv.2, and lv.1. Meanwhile, for the classification of coral reef types, there are 3 classes: Boulder, Table, and Branching. The final outcome of this research is a model for classifying the types and health levels of coral reefs. The programming language used is Python, and the architectures used are ResNet, MobileNetV2, DenseNet, and VGG19. In this study, the best accuracy obtained for the classification of coral reef types is 100% with the DenseNet architecture, while for the classification of coral reef health, the accuracy obtained is 55% with the DenseNet architecture.

Abstrak :
Perkembangan bidang machine learning telah mengalami kemajuan yang pesat dari berbagai domain dimana dibutuhkan sistem otomasi. Hal ini membuat model yang advanced, seperti Convolutional Neural Network yang merupakan bagian dari deep learning, dapat mencapai performa yang baik dalam melakukan klasifikasi, identifikasi objek, hingga bahkan melebihi kemampuan manusia dalam beberapa domain. Salah satu aplikasi dari perkembangan ini adalah klasifikasi gambar terutama pada bidang medis misalnya pada klasifikasi kanker kulit. Diagnosis otomatis kanker kulit dari lesi kulit dengan menggunakan gambar dermoskopi masih merupakan tugas yang menantang bagi kecerdasan buatan seperti Artificial Neural Network khususnya pada metode konvolusi yang umum pada gambar, atau disebut Convolutional Neural Network. Penggunaan arsitektur transfer learning dengan TF Lite pada klasifikasi merupakan faktor penting dalam membuat diagnosis otomatis yang mobile, akurat, dan cekat. Meski demikian, model-model klasifikasi yang sudah terbuat tersebut masih belum dapat sempurna melakukan kategorisasi pada penyakit lesi kulit. Pada dataset ini terdapat 7 kelas label yang akan diklasifikasi dengan menggunakan arsitektur InceptionResNetV2. Kemudian dilakukan penanganan imbalanced data dengan menggunakan metode oversampling untuk mengangani dataset yang tidak rata. Setelah itu hasilnya akan dianalisis dengan beberapa metrik parameter yang dipakai yaitu presisi, recall, akurasi, dan F1-score. Didapatkan hasil terbaik ketika EarlyStopping pada epoch terakhir dengan akurasi overall pada 87.56%, top-2 pada 95.05%, dan top-3 pada 97.46%. Durasi klasifikasi juga telah diukur dengan Streamlit Share dan HuggingFace Spaces. Durasi tersebut ialah waktu dari ping ke tiap host, dimana aplikasi web Streamlit memiliki latency yang lebih rendah dibandingkan dengan HuggingFace, pada rata-rata (1,17 ms vs 1,49 ms), dan standar deviasi latency pada aplikasi web HuggingFace lebih tinggi dibandingkan dengan Streamlit (0,10 ms vs 0,49 ms), durasi klasifikasi HuggingFace memiliki waktu klasifikasi rata-rata 116 ms dan standar deviasi sebesar 5 ms, sedangkan Streamlit lebih rendah, yaitu 97 ms dan standar deviasi sebesar 2 ms. ......The development of the field of machine learning has experienced rapid progress from various domains where automation systems are needed. This makes advanced models, such as Convolutional Neural Networks that are part of deep learning, can achieve good performance in classifying, object identification, and even exceed human capabilities in some domains. One application of this development is image classification, especially in the medical field, for example in the classification of skin cancer. Automatic diagnosis of skin cancer from skin lesions using dermoscopy images is still a challenging task for artificial intelligences such as Artificial Neural Networks, especially the convolutional method common in images, or called Convolutional Neural Networks. The use of transfer learning architecture with TF Lite on classification is an important factor in making automatic diagnosis mobile, accurate, and agile. However, the classification models that have been made are still unable to perfectly categorize skin lesion diseases. In this dataset there are 7 label classes that will be classified using the InceptionResNetV2 architecture. Then handling imbalanced data using the oversampling method to handle uneven datasets. After that, the results will be analyzed with several metric parameters used, namely precision, recall, accuracy, and F1-score. The best results were obtained when EarlyStopping at the last epoch with overall accuracy at 87.56%, top-2 at 95.05%, and top-3 at 97.46%. The duration of classification has also been measured with Streamlit Share and HuggingFace Spaces. The duration is the time from ping to each host, where the Streamlit web application has lower latency compared to HuggingFace, on average (1.17 ms vs 1.49 ms), and the standard deviation of latency on the HuggingFace web application is higher than that of Streamlit (0.10 ms vs 0.49 ms), the duration of HuggingFace classification has an average classification time of 116 ms and a standard deviation of 5 ms, while Streamlit is lower, at 97 ms and standard deviation of 2 ms.

Abstrak :
Coronavirus Disease 2019 (COVID-19) merupakan sebuah penyakit yang disebabkan oleh novel coronavirus SARS-CoV-2. Penyakit yang berasal dari Provinsi Hubei di China ini sudah menyebar ke seluruh dunia, menjangkiti banyak hingga seluruh negara di dunia. Sudah menginfeksi kurang lebih 400 juta jiwa di seluruh dunia pada pertengahan kuartal pertama tahun 2022. Mencegah penyebaran COVID-19 merupakan tindakan yang harus segera dilakukan, salah satu caranya adalah dengan pendeteksian sedini mungkin. Pendeteksian COVID-19 selain menggunakan metode kedokteran, dapat dipertimbangkan mengenai penggunaan artificial intelligence. Penelitian mengenai metode pendeteksian COVID-19 menggunakan citra X-Ray yang telah dilakukan oleh Dhita menuai hasil yang cukup sukses. Menambahkan penelitian tersebut, kami melakukan metode pendeteksian menggunakan citra CT Scan. Beberapa penelitian mengenai pendeteksian COVID-19 menggunakan citra CT Scan seperti Tang et al. meneliti mengenai segmentasi citra CT Scan terhadap daerah local lesi terindikasi COVID-19 atau Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei juga melakukan penelitian sebelumnya mengenai pengklasifikasian pasien COVID-19 menggunakan citra CT Scan dengan mendapatkan hasil 90% akurasi dengan menggunakan metode FPN. ......Coronavirus Disease 2019 (COVID-19) is a disease caused by the novel coronavirus SARS-CoV-2. This disease which originates from the Hubei Province in China has already spread throughout the world, reaching many if not all countries in the world. There have been more than 400 million people infected across the globe as of the first quarter of 2022. Prevention of the spreading of the disease is very important, and one of the best ways to do so is to detect its infection as soon as possible. Aside from asking a doctor, the task of detecting COVID-19 using artificial intelligence has been considered. The research done by Dhita to detect COVID-19 using X-ray images has been seen as a success. Adding to that, we attempt to detect COVID-19 using CT Scan images. A couple research papers about detecting COVID-19 using CT Scan images such as the ones done by Tang et al. tried to segment CT Scan images related to the lesions that indicate COVID-19 or Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei also conducted research related to classifying COVID-19 patients using CT Scan images and found success at 90% accuracy with an FPN model.

Abstrak :
Jumlah E-Waste yang terus bertambah memerlukan pengelolaan yang lebih serius. Masalah yang sering dihadapi di ranah pengelolaan E-Waste adalah bercampurnya E-Waste yang ada dengan E-Waste lainnya. Pembuangan E-Waste secara sembarangan dapat berakibat buruk bagi lingkungan. Untuk memilah-milah E-Waste dilakukan proses klasifikasi E-Waste dengan menggunakan teknologi Image Classification. Image Classification menjadi salah satu topik dari deep learning yang banyak digunakan pada machine learning. Aplikasi ini menggunakan deep learning dengan metode Convolutional Neural Network (CNN). Jumlah dataset yang digunakan adalah berupa 4021 gambar E-Waste yang diklasifikasi menjadi 9 kategori, yaitu telepon genggam, kabel, integrated circuit, baterai, bola lampu, resistor, transistor, kapasitor dan PC/Laptop. Dari beberapa variasi yang diuji, model yang paling stabil adalah CNN dengan VGG-16 transfer learning yang memiliki akurasi 94%. Transfer learning adalah teknik yang menggunakan model yang sudah ditraining sebelumnya (pre-trained model) untuk mengklasifikasikan dataset yang baru. Dari penelitian ini dapat disimpulkan bahwa kinerja dari model yang telah dibuat dapat berjalan dengan optimal dalam mengklasifikasikan jenis-jenis E-Waste tersebut. ......The amount of e-waste that continues to increase exponentially, requires a serious e-waste management process. The problem that is often faced in the realm of e-waste management is that the existing e-waste is mixed with other types of e-waste. Indiscriminate disposal of e-waste can cause serious damage to the environment. An e-waste classification process can be carried out using Image Classification technology. Image Classification is one of the deep learning application topic that is widely used in machine learning. In this study, we use dataset which consists of 4021 images of e-waste classified into 9 categories, i.e. mobile phone, wire, integrated circuit, capacitor, resistor, transistor, battery, light bulb and PC/Laptop. In this study, we used two types of Machine Learning algorithm. The first one is deep learning with the Convolutional Neural Network (CNN) method and the second one is VGG-16 transfer learning. The results are compared and analyzed based on Accuracy, Precision, Recall, and F1-Score Evaluation Metrics. Out of the variations of hyperparameter tested, the most stable model is CNN with VGG-16 transfer learning which has the average recall of 93%, the average precision of 93%, the average F1-score of 92%, and the average accuracy of 94%.. The result of our study show that the performance of the model can run optimally in classifying the types of e-waste.

Abstrak :
ABSTRAK
A 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.

Abstrak :
Coronavirus Disease 2019 (COVID-19) merupakan sebuah penyakit yang disebabkan oleh novel coronavirus SARS-CoV-2. Penyakit yang berasal dari Provinsi Hubei di China ini sudah menyebar ke seluruh dunia, menjangkiti banyak hingga seluruh negara di dunia. Sudah menginfeksi kurang lebih 400 juta jiwa di seluruh dunia pada pertengahan kuartal pertama tahun 2022. Mencegah penyebaran COVID-19 merupakan tindakan yang harus segera dilakukan, salah satu caranya adalah dengan pendeteksian sedini mungkin. Pendeteksian COVID-19 selain menggunakan metode kedokteran, dapat dipertimbangkan mengenai penggunaan artificial intelligence. Penelitian mengenai metode pendeteksian COVID-19 menggunakan citra X-Ray yang telah dilakukan oleh Dhita menuai hasil yang cukup sukses. Menambahkan penelitian tersebut, kami melakukan metode pendeteksian menggunakan citra CT Scan. Beberapa penelitian mengenai pendeteksian COVID-19 menggunakan citra CT Scan seperti Tang et al. meneliti mengenai segmentasi citra CT Scan terhadap daerah local lesi terindikasi COVID-19 atau Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei juga melakukan penelitian sebelumnya mengenai pengklasifikasian pasien COVID-19 menggunakan citra CT Scan dengan mendapatkan hasil 90% akurasi dengan menggunakan metode FPN. ......Coronavirus Disease 2019 (COVID-19) is a disease caused by the novel coronavirus SARS-CoV-2. This disease which originates from the Hubei Province in China has already spread throughout the world, reaching many if not all countries in the world. There have been more than 400 million people infected across the globe as of the first quarter of 2022. Prevention of the spreading of the disease is very important, and one of the best ways to do so is to detect its infection as soon as possible. Aside from asking a doctor, the task of detecting COVID-19 using artificial intelligence has been considered. The research done by Dhita to detect COVID-19 using X-ray images has been seen as a success. Adding to that, we attempt to detect COVID-19 using CT Scan images. A couple research papers about detecting COVID-19 using CT Scan images such as the ones done by Tang et al. tried to segment CT Scan images related to the lesions that indicate COVID-19 or Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei also conducted research related to classifying COVID-19 patients using CT Scan images and found success at 90% accuracy with an FPN model.