Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Diperlukan suatu sistem yang mampu membantu dokter untuk mendiagnosis seorang pasien perokok atau bukan. Smoker rsquo;s melanosis dapat digunakan sebagai salah satu indikator untuk mengetahui seseorang perokok atau bukan. Penelitian ini memfokuskan pada pembangunan suatu sistem identifikasi perokok secara tidak invasif berbasis pencitraan hiperspektral Hyperspectral Imaging . Sistem yang dikembangkan terdiri atas instrumen akuisisi citra lidah perokok dan algoritma pengolahan citra yang menggunakan ciri spektral dan spasial pada rentang Visible and Near-Infrared VNIR . Rerata intensitas piksel pada suatu rentang spasial digunakan sebagai ciri yang merepresentasikan reflektansi relatif pada panjang gelombang 400-1000 nm. Metode PCA digunakan untuk mereduksi dimensi ciri menjadi lima buah ciri representatif. Metode SVM digunakan untuk mengklasifikasikan ciri menjadi informasi piksel Smoker rsquo;s Melanosis SM dan normal. Pengujian dengan menggunakan 45 sampel yg terdiri dari 20 perokok dan 25 nonperokok dilakukan untuk menguji kinerja sistem yang dikembangkan. Berdasarkan hasil pengujian diperoleh nilai akurasi 97.31 , misclassification rate MR 2.69 , false positive rate FPR 0 , false negative rate FNR 5,83 , sensitivity 94.17 , dan specificity 100 . Secara umum, sistem telah bekerja untuk membantu mendiagnosis seorang perokok.

---

ABSTRACT
system which could help a doctor to diagnose patient who is smoker or not smoker is needed. Smoker 39 s melanosis could be used as one of indicator to identify someone is a smoker or not. This study focuses on the development of a non invasive system of smoker identification based on hyperspectral imaging. The developed system consists of smoker 39 s image acquisition instrument and image processing algorithm using spectral and spatial characteristics in the Visible and Near Infrared VNIR range. The average pixel intensity at a spatial range is used as a feature that represents the relative reflectance at the wavelength of 400 1000 nm. The PCA method is used to reduce the dimensions features into five representative features. The SVM method is used to classify the feature into Smoker 39 s Melanosis SM and normal pixel information. This experiment was using 45 samples consisting of 20 smokers and 25 nonsmokers. It were perfomed to test the performance of the developed system. The results show that the accuracy is 97.31 , misclassification rate MR is 2.69 , false positive rate FPR is 0 , false negative rate FNR is 5,83 , sensitivity is 94.17 , and specificity is 100 . In general, the system has worked to help diagnose a smoker.

Abstrak :
ABSTRAK
Belimbing manis merupakan buah yang memiliki kualitas rasa dan tekstur yang optimal jika berada pada tingkat kematangan yang tepat. Pada penelitian ini, sebuah pencitraan hiperspektral telah dirancang untuk memprediksi nilai soluble solids content (SSC) dan firmness serta memprediksi tingkat kematangan buah belimbing yang diklasifikasikan dalam tiga kelas yaitu mentah, matang dan terlalu matang. Pengklasifikasian ini akan dilakukan berdasarkan informasi spasial, informasi spektral dan kombinasi informasi spektral dan spasial dari citra hiperspektral dengan wilayah panjang gelombang 400-1000 nm. Tahapan-tahapan pengolahan citra yang dilakukan adalah akuisisi citra, koreksi citra, segmentasi, ekstraksi dan seleksi fitur, pemodelan kuantitatif menggunakan algoritma principal component regression (PCR) dan partial least square regression (PLSR) serta pemodelan kualitatif menggunakan algoritma support vector machines (SVM). Pengujian kinerja model kualitatif untuk memprediksi tingkat kematangan dapat dilihat berdasarkan nilai error klasifikasi dan pengujian kinerja model kuantitatif untuk memprediksi nilai SSC dan firmness dapat dilihat dari nilai koefisien korelasi dan root mean square error. Model kualitatif terbaik diperoleh dengan error klasifikasi 6,5%. Model kuantitatif untuk memprediksi SSC diperoleh dengan mengimplementasikan PLSR dengan nilai koefisien korelasi dan RMSE sebesar 0,98 dan 0,42. Model kuantitatif untuk memprediksi firmness diperoleh dengan mengimplementasikan PLSR dengan nilai koefisien korelasi dan RMSE sebesar serta 0,94 dan 4,72.

---

ABSTRACT
Starfruit is a fruit that has a quality of taste and texture optimal if it is at the right level of ripeness. In this study, a hyperspectral imaging has been designed to predict the soluble solids content (SSC) and firmness values and to predict the starfruit ripenesslevels classified in three classe unripe, ripe and overripe. This classification will be based on spatial information, spectral information and a combination of spectral and spatial information from hyperspectral image with the region of the waveleght 400-1000 nm. Steps of image processing are image acquisition, image correction, segmentation, feature extraction and selection, quantitative modeling using principal component regression (PCR) and partial least square regression (PLSR) algorithms and qualitative modeling using support vector machines (SVM) algorithm . Qualitative model performance test to predict ripeness level can be seen based on classification error value and quantitative model performance test to predict the value of SSC and firmness can be seen from the correlation coefficient and root mean square error. The best qualitative model is obtained with a classification error of 6.5%. The quantitative model for predicting SSC was obtained by implementing PLSR with correlation coefficient and RMSE of 0.98 and 0.42. Quantitative models for predicting firmness are obtained by implementing PLSR with correlation coefficient and RMSE of 0.94 and 4.72.

Abstrak :
Madu adalah cairan yang manis, kental, berwarna coklat kekuningan yang dibuat oleh lebah dan serangga dari nektar yang dikumpulkan dari bunga, yang sering digunakan untuk suplemen makanan atau obat alami. Setiap bunga nektar menghasilkan berbagai jenis madu dimana masing-masing madu memiliki manfaat tersendiri bagi kesehatan manusia. Dalam penelitian ini, sistem deteksi botanical origin madu diusulkan berdasarkan profil transmitansi spektral menggunakan sistem pencitraan hiperspektral. Sistem pengambilan citra terdiri dari modul transmitansi, lampu halogen, slider dan sistem pencitraan hiperspektral. Gambar direkam dalam 224 kanal dengan rentang panjang gelombang 400 nm hingga 1000 nm. Metode pemrosesan gambar terdiri atas koreksi gambar, segmentasi gambar, ekstraksi fitur, reduksi fitur, dan model klasifikasi. Jaringan Pengenalan Pola dengan lapisan tersembunyi tunggal digunakan sebagai model klasifikasi. Backpropagation regularisasi Bayesian dilakukan untuk melatih model. Lima-jenis botanical origin madu dari tiga produsen yang berbeda dikumpulkan untuk mengevaluasi sistem yang diusulkan. Tiga sampel disiapkan dan diukur untuk setiap botani dari masing-masing produsen untuk membuat dataset madu. Confusion matrix digunakan untuk mengukur kinerja klasifikasi. Berdasarkan hasil eksperimen, akurasi klasifikasi botanical origin adalah 93,3% dan klasifikasi berdasarkan merek adalah 99,3%. Hasil yang ditunjukkan sangat baik untuk sistem klasifikasi. ...... Honey is a sweet, sticky, yellowish-brown fluid made by bees and other insects from nectar collected from flowers, which often been used for food supplement or natural drug. Each nectar flower produces different kind of honey which each honey has its own benefits for human health. In this study, a detection system of honey botanical origin was proposed based spectral transmittance profile using hyperspectral imaging and machine learning. An image acquiring system consist of the transmittance module, halogen lamp, object slider and hyperspectral imaging system. The image was recorded in 224 band with wavelength range from 400 nm to 1000 nm. An image processing method performs image correction, segmentation, feature extraction, feature reduction and classification model. A Pattern Recognition Network with hidden layer was used a classification model. A Bayesian regularization backpropagation was conducted to train the model. Five-type of the honey botanical origin from three different producers was collected to evaluate the proposed system. Three samples were prepared and measured for each botanical from each producer to create the honey dataset. A confusion matrix was used to measure the classification performance. Based on the experiment result, the accuracy of botanical origin classification is 93.3% and 99.3% for classification based on brand of honey. The result shows an excellent performance for the classification system.