Hasil Pencarian  ::  Simpan CSV :: Kembali

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 :
Seiring berkembangnya teknologi informasi yang mulai merambah ke sektor ekonomi menyebabkan banyak bermunculan penyedia layanan dompet digital di Indonesia. DOKU sebagai salah satu penyedia layanan dompet digital ingin terus berinovasi untuk meningkatkan kepuasan pelanggan. Proses verifikasi data diri yang membutuhkan waktu lama karena harus dilakukan secara manual kini menjadi persoalan. Fokus penelitian ini adalah untuk mengembangkan sebuah aplikasi mobile cross platform yang dapat digunakan untuk mengekstrak data dari gambar kartu idenitas pengguna DOKU agar proses verifikasi data dapat dilakukan secara otomatis. Arsitektur dari aplikasi terdiri dari aplikasi mobile menggunakan Flutter dan webservice menggunakan Flask. Proses ekstraksi data dari gambar kartu identitas dilakukan menggunakan Tesseract-OCR. Hasil ekstraksi data akan diprediksi menggunakan model LSTM untuk dapat dilakukan verifikasi lanjutan. Hasil eksperimen menunjukkan akurasi pengenalan karakter dari gambar kartu identitas sebesar 77.45% dan akurasi prediksi kategori sebesar 88%. Dengan demikian aplikasi ini dapat digunakan untuk menyelesaikan masalah verifikasi data pengguna. ......The development of information technology has penetrated the economic sector causing many digital wallet service providers to appear in Indonesia. DOKU as one of the digital wallet service providers wants to innovate to increase customer satisfaction. The process of verifying personal data which takes a long time because it has to be done manually is now a problem. The focus of this research is to develop cross-platform mobile applications that can be used to extract data from DOKU user identity card images so that the data verification process can be done automatically. The application architecture consists of mobile applications using Flutter and web services using Flask. The data extraction process from the identity card image is done using Tesseract-OCR. The results of data extraction will be predicted using the LSTM model for the further verification process. The experimental results show that the accuracy of character recognition from the identity card images is 77.45% and the category prediction accuracy is 88%. Thus this application can be used to resolve user data verification issues.

Abstrak :

Transaksi kartu kredit yang semakin meningkat yang diikuti dengan maraknya tindak kecurangan memicu penelitian mengenai pengembangan model prediksi transaksi kartu kredit fraud. Data transaksi kartu kredit Doku digunakan menjadi sumber data pada penelitian. Penelitian ini melakukan pengembangan model prediksi serta webservice prediksi transaksi kartu kredit fraud. Fitur yang digunakan dalam pembuatan model adalah amount, payment bank issuer, payment bank acquirer, payment brand, payment 3D secure ECI, payment type, payment bank issuer country, dan hour. Model Decision Tree memberikan hasil terbaik dalam aspek precision dan F1-score dengan nilai 97.2% dan 96.8%. Model XGBoost memberikan hasil terbaik dalam aspek recall dan FP-rate dengan nilai 96.4% dan 3%. Kedua model tersebut sama-sama memperoleh nilai accuracy terbaik yaitu 96.7%. Dalam aspek webservice, model XGBoost memiliki performa terbaik dengan rata-rata throughput 77 request per detik.

---

The increasing amount of credit card transaction followed by fraudulent transaction becoming more rampant provokes many studies in fraud credit card transaction prediction model. Doku credit card transaction is used as data source for this study. This study experiments on developing model and webservice to predict fraud credit card transaction. Features used in builiding the model are amount, payment bank issuer, payment bankacquirer, payment brand, payment 3D secure ECI, payment type, payment bank issuer country, and hour. Decision Tree model achieves best precision and F1-score with 97.2% and 96.8% score. XGBoost model achieves best recall and FP-rate with 96.4% and 3% score. Both said model achieves same best accuracy with 96.7% score. In regards of the webservice, XGBoost achieves best performance with average throughput reaching 77 request per second.

Abstrak :
Sistem rekomendasi dan pemelajaran mesin berbasis graf adalah bidang ilmu yang sedang berkembang dan populer. Sistem rekomendasi telah banyak digunakan sebagai alat yang dapat memberikan rekomendasi produk kepada pengguna. Sistem rekomendasi dapat digunakan untuk melakukan prediksi produk perbankan yang akan disarankan kepada pengguna, sehingga memudahkan pengguna untuk memilih produk perbankan yang tepat dan sudah dipersonalisasi. Perkembangan pemelajaran mesin berbasis graf dapat diimplementasikan dalam segala hal yang dapat direpresentasikan dalam bentuk graf. Rekomendasi produk perbankan dapat diterapkan dalam bentuk graf yaitu dengan menghubungkan nasabah yang pernah membeli produk ataupun nasabah yang memiliki profil yang mirip. Dari graf yang telah dibentuk, akan dilakukan prediksi sehingga nasabah baru dapat diklasifikasikan sebagai direkomendasikan dengan menghubungkan nasabah tersebut kedalam graf. Dalam penelitian ini, diterapkan tiga model rekomendasi berbasis graf dan tiga model rekomendasi berbasis pohon. Model berbasis graf yang digunakan adalah GraphSAGE, GAT dan GCN. Model berbasis pohon yang digunakan adalah Random Forest, LightGBM dan XGBoost. Dari keenam model yang dibuat, dilakukan perbandingan terhadap performa dan waktu inferensi. Hasil eksperimen menunjukkan bahwa model rekomendasi berbasis graf menghasilkan nilai AUC tertinggi 0,974 sedangkan untuk model rekomendasi berbasis pohon mendapatkan nilai AUC tertinggi 0,863 yang menunjukan bahwa model berbasis graf memiliki performa yang lebih baik dibandingkan model berbasis pohon. Pada penelitian ini juga didapatkan bahwa waktu inferensi dari model berbasis pohon lebih cepat 900 kali lipat dibandingkan waktu inferensi model berbasis graf. ......Recommendation systems and graph-based machine learning are growing and popular fields nowadays. Recommendation system has been widely used as a tool that can provide product recommendations to users. Recommendation system can be used to predict banking products that will be suggested to users, making it easier for users to choose the right and personalized banking products. The development of graph-based machine learning can be implemented in everything that can be represented in the form of a graph. Recommendations for banking products can be applied in the form of graphs with connecting customers who have purchased the product or customers who have a similar profile to customers who have purchased the product. From the graph that has been formed, predictions will be made so that new customers can be classified as recommended by connecting these customers to the graph. In this study, three graph-based recommendation models and three tree-based recommendation models were applied. The graph-based models used are GraphSAGE, GAT and GCN. The tree-based models used are Random Forest, LightGBM and XGBoost. Comparison was made on the performance and inference time from the six models that have been made. The experiment results show that the graph-based recommendation model get highest AUC score 0.974 and tree-based recommendation model get highest AUC score 0.863 which indicates that graph-based recommendation model get better performace than tree-based recommendation model. It also fount that time inference of the tree-based model is 900 times faster than the inference time of the graph-based model.

Abstrak :
ABSTRAK Pelacakan multi objek merupakan salah satu topik penting pada bidang ilmu komputer yang memiliki banyak aplikasi, diantaranya adalah sebagai sistem pengawasan, navigasi robot, analisis bidang olahraga, autonomous driving car, dan lain-lain. Salah satu permasalahan utama pelacakan multi objek adalah oklusi. Oklusi adalah objek yang tertutupi oleh objek lainnya. Oklusi dapat menyebabkan ID antar objek tertukar. Penelitian ini membahas oklusi pada pelacakan multi objek serta penyelesaiannya dengan Network Flow. Diberikan data deteksi objek-objek pada setiap frame-nya, tugas pelacakan multi objek adalah mengestimasi pergerakan setiap objek kemudian menghubungkan objek-objek hasil estimasi dengan objek-objek pada frame berikutnya yang bersesuaian atau yang lebih dikenal dengan asosiasi data. Pandang setiap objek pada sebuah frame sebagai node, kemudian ada edge yang menghubungkan setiap node pada frame satu dengan frame lainnya, arsitektur seperti ini pada teori graph dikenal dengan Network Flow. Kemudian cari himpunan edge yang memberikan peluang terbesar transisi dari suatu frame ke frame berikutnya, atau pada dunia optimisasi lebih dikenal dengan max-cost network flow. Edge pada kasus ini berisikan informasi seberapa besar peluang suatu node berpindah ke node pada frame setelahnya. Perhitungan peluang berdasarkan jarak posisi dan kemiripan fitur, fitur yang digunakan adalah fitur CNN. Penulis memodelkan max-cost network flow sebagai permasalahan maximum likelihood yang kemudian diselesaikan dengan algoritme Hungarian. Data yang digunakan pada penelitian ini adalah 2DMOT2015. Hasil evaluasi performa menunjukkan sistem yang dibangun memberikan akurasi 20.1% dengan ID yang tertukar sebanyak 3084 dan pemrosesan frame yang cepat, mencapai 215.8 frame/second.

---

ABSTRACT

---

Multi object tracking is one of the most important topics of computer science that has many applications, such as surveillance system, navigation robot, sports analysis, autonomous driving car, and others. One of the main problems of multi-object tracking is occlusion. Occlusion is an object that is covered by other objects. Occlusion may cause the ID between objects to be switched. This study discusses occlusion on multi-object tracking and its completion with network flow. Given objects detection on each frame, the task of multi object tracking is to estimate the movement of objects and then connect the estimation objects corresponding to the objects in the next frame or well known as the data association. Notice that each object on a frame as a node, then there is an edge connecting each node on a frame with other frames, this architecture in graph theory is known as network flow. Then find the set of edges that provide the greatest probaility of transition from one frame to the next, or to the optimization problem well known as max-cost network flow. Edge contains information on how probabiltity a node moves to the node in the frame afterwards. This probability calculation is based on position distance and similarity feature between frames, the feature used is CNN feature. We modeled max-cost network flow as the maximum likelihood problem which was then solved with the Hungarian algorithm. The data used in this research is 2DMOT2015. Performance evaluation results show that the system built gives accuracy 20.1% with the ID switch is 3084 and fast computational process on 215.8 frame/second.

Abstrak :
ABSTRAK
Analisis citra pap smear merupakan salah satu cara yang cukup aman, efektif, dan banyak digunakan untuk deteksi dini kanker leher rahim. Namun, analisis citra pap smear secara manual berdasarkan pengamatan mikroskopis dapat menghasilkan diagnosis yang tidak konsisten karena sebagian besar kriteria yang digunakan dalam pengamatan manual untuk membedakan sebuah sel normal atau tidak normal bersifat deskriptif dan relatif subyektif. Selain itu, pengamatan manual juga memerlukan waktu yang cukup lama dan rawan terjadi kesalahan. Beberapa penelitian terkait analisis citra pap smear secara otomatis telah dilakukan untuk menghemat waktu dan menghindari subyektifitas, diantaranya adalah segmentasi dan klasifikasi otomatis citra pap smear. Namun demikian, analisis pada citra pap smear berkualitas rendah dan citra pap smear multi-cell masih menjadi tantangan tersendiri. Untuk itu diperlukan sebuah metode yang mampu menghasilkan high level features karena high level features cenderung lebih konsisten dan tahan terhadap ganggguan yang terjadi pada citra. Pada penelitian ini, penulis mengusulkan metode Stacked Sparse Autoencoder SSAE sebagai salah satu pendekatan deep learning DL untuk memperoleh high level features dari low level features pada citra pap smear. High level fetaures yang dihasilkan oleh SSAE inilah yang nantinya menjadi fitur pembeda antar kelas. Sedangkan untuk citra multi-cell, penulis menerapkan teknik segmentasi yang menggabungkan teknik Maximally Stable Extremal Region MSER dengan Discrete Wavelet Transform DWT dan morphological operations untuk melakukan ekstraksi nukleus. Berdasarkan berbagai eksperimen yang dilakukan, hasil segmentasi pada kanal intensity dengan dimensi citra 72 72 mampu memperoleh hasil klasifikasi terbaik pada arsitektur SSAE 5184-324-162-2 yang dilatih menggunakan 10 epoch dengan nilai parameter sparsity 0.25. Dimana rata-rata nilai akurasi yang didapatkan sebesar 65,13 .

---

ABSTRACT
Analysis of pap smear image is a safe, effective and widely used method for early detection of cervical cancer. However, pap smear image analysis manually based on microscopic observation can produce an inconsistent diagnosis because most of the criteria used in the manual observation to distinguish a normal or abnormal cells are descriptive and relatively subjective. In addition, manual observation also require considerable time and error prone. Several studies concerning automatically pap smear image analysis has been done in order to save time and avoid subjectivity, such as automatic segmentation and classification of pap smear image. However, analysis of the low quality image and the multi cell image remains a challenge. Therefore, a capable method for generating high levels features is required because high level features tend to be more consistent and resistant to the disruption that occurs in the image. In this research, the authors propose Sparse Stacked Autoencoder SSAE method as an approach of deep learning DL to obtain a high level features from low level features of cytology image. High level fetaures generated by SSAE is will be the distinguishing feature between classes. As for the multi cell images, the author apply segmentation techniques that incorporate Maximally Stable Extremal Region MSER techniques with Discrete Wavelet Transform DWT and morphological operations to extract nuclei. Based on various experiment, the results of segmentation on the intensity channel with dimensions 72 72 able to obtain the best classification results on SSAE architecture 5184 324 162 2 trained using 10 epoch with sparsity parameter value 0.25. The best accuracy achieves 65.13 .

Abstrak :
ABSTRAK
Data besar tidak hanya dilihat dari jumlah sampelnya tetapi juga dapat dilihat dari berapa banyak ciri yang tersimpan di setiap sampel tersebut. Seleksi ciri yang paling representatif adalah tugas penting pada data besar untuk mengurangi dimensi. Metode seleksi ciri dapat menjadi solusi untuk mengatasi masalah ini. Pada penelitian ini diterapkan metode penggabungan seleksi ciri yang terdistribusi secara homogen dengan partisi 2-dimensi untuk memperbaiki algoritme klasifikasi. Dari hasil eksperimen yang telah dilakukan dapat ditarik kesimpulan metode yang dirancang mampu memperbaiki kinerja metode klasifikasi untuk setiap dataset yang digunakan. Metode yang diusulkan menggunakan partisi 2-dimensi yang dapat mempercepat proses latih sekaligus memperbaiki kinerja akurasi. Metode yang diusulkan dapat memperbaiki metode sebelumnya rata-rata 2% untuk dibeberapa dataset dan mempercepat proses hampir 2 kalinya.

---

ABSTRACT
Big data is not only seen from the number of its samples but can also be seen from how many features were stored in each sample. The selection of the most representative feature is an important task in big data analysis in order to reduce the dimension. The feature selection method can be a solution to overcome this problem. In this research, a homogeneous distributed ensemble feature selection method with 2-dimensional partition is used as the feature selection. The results showed that the proposed method can speed up the training process in addition to improving the classification accuracy. The proposed method can improve the accuracy from the standard feature selection method with an increase of 2% for several datasets. In addition, it also speeds up the computation to almost two times faster.

Abstrak :

Penelitian bertujuan untuk menjelaskan perubahan dalam pengembangan properti pada fase pra-konstruksi dengan adanya Teknologi Properti. Pengembang properti perlu memahami perubahan proses pengembangan properti saat ini untuk dapat bersaing dalam sektor real estat. Tidak menutup kemungkinan pengembang konvensional tidak akan bertahan dalam industri properti apabila tidak memahami perubahan proses pengembangan karena adanya Teknologi Properti. Penelitian ini merupakan studi eksploratoris yang menggunakan metode wawancara. Unit observasi sebagai studi kasus adalah pengembang pengguna Teknologi Properti yang dipilih dengan metode pengambilan sampel purposive. Multiple case holistic design dipilih sebagai desain studi kasus untuk membantu studi komparatif yang membandingkan proses pengembangan properti oleh pengembang konvensional, dan para pengembang properti pengguna Teknologi Properti. Unit analisisnya adalah proses pengembangan, karakteristik pengembang dan aktor yang melakukan tahap tersebut. Studi komparasi membantu dalam mengidentifikasi perubahan yang terjadi dalam fase pra-konstruksi saat ini. Hasil penelitian menunjukkan bahwa Teknologi Properti menjadi inovasi yang mengubah fase pra-konstruksi melalui revolusi teknik pengembangan dan penerapan perangkat fisik. Teknologi sebagai perangkat mampu membuat perubahan pada rantai tahapan pengembangan sedangkan teknologi sebagai revolusi teknik pengembangan lebih banyak mempengaruhi sub-tahapan pada proses pengembangan properti. Perusahaan yang mengadaptasi Teknologi Properti (in-house developed technology) mampu bekerja lebih cepat karena adanya revolusi rantai tahapan pengembangan sedangkan adopsi Teknologi Properti (off the shelf technology) hanya mampu meningkatkan implikasi teknologi dalam setiap tahapannya. Kategori Teknologi Properti yang banyak diterapkan dalam studi kasus antara lain adalah manajemen perencanaan, studi, desain, dokumentasi (visualisasi), dan ekonomi berbagi. Pengembang dengan skala kecil bisa memanfaatkan teknologi dengan cara adopsi teknologi yang sudah tersedia untuk meningkatkan kinerja dalam setiap tahapan. Pengembang yang sudah mencapai skala menengah perlu mengadaptasi Teknologi Properti untuk proses pengembangan properti yang lebih cepat. Ada kesempatan peningkatan peran Teknologi Properti melalui adaptasi teknologi yang memiliki cakupan penggunanya yang lebih luas hingga aktor eksternal perusahaan.

 

---

The research aims to explain the changes of property development in the pre-construction phase with the existence of property technology. Property developers need to understand the changes in the current property development process to compete in the real estate sector. It is possible that conventional developers will not survive in the property industry if they do not understand the changes in the development process due to the existence of Property Technology. This research is an exploratory study using the interview method. The observation unit as a case study is the property developer of property technology users who were selected by purposive sampling method. Multiple case holistic design was chosen as a case study design to help comparative studies that compare property development processes of conventional developers, and property developers using property technology. The unit of analysis is the development process, the characteristics of the developers and the actor who carried out that stage. Comparative studies help in identifying changes that occur in the current pre-construction phase. The results of the study show that property technology is an innovation that changes the pre-construction phase through the technical revolution in the development and application of physical devices. Technology as a device is able to make changes to the chain of development stages while technology as a revolution in development techniques affects more on sub-stages of property development process. Companies that adapt property technology (in-house developed technology) are able to work faster because of the chain revolution in the development stage while property technology adoption (off the shelf technology) is only able to increase technological implications at each stage. The property technology categories that are widely applied in case studies are management planning, study, design, documentation (visualization), and shared economic. Developers with small scale can use technology by adopting available technologies to improve performance at each stage. Developers who have reached medium scale need to adapt property technology to a faster property development process. There is an opportunity to increase the role of property technology through technological adaptation that has a wider range of users to corporate external actors.

 

Abstrak :
Kanker payudara menempati urutan kedua penyebab kematian wanita, pencegahannya dapat dilakukan dengan skrining dini dan meningkatkan kesadaran diri. Obat terapi hormon dengan target kadar estrogen menawarkan perawatan potensial. Namun, penemuan obat konvensional untuk perawatan kanker payudara memerlukan proses yang ekstensif dan mahal. Studi ini menyajikan kerangka kerja untuk menganalisis hubungan Quantitative Structure-Activity Relationship (QSAR) dari inhibitor reseptor estrogen  alfa. Pendekatan kami menggunakan supervised learning, mengintegrasikan informasi self-attention Transformer dan graf molekul untuk memprediksi inhibitor reseptor estrogen alfa. Kami melatih lima model klasifikasi untuk memprediksi inhibitor pada kanker payudara. Di antara semua model, model MATH yang kami usulkan mencapai precision, recall, f1-score, dan specifity yang unggul, dengan nilai masing-masing 0,952, 0,972, 0,960, dan 0,922, beserta dengan ROC-AUC 0,977. MATH menunjukkan kinerja yang kuat, menunjukkan potensi untuk membantu peneliti di bidang farmasi dan kesehatan khususnya dalam mengidentifikasi kandidat senyawa penghambat alfa estrogen dan memandu jalur penemuan obat. ......Breast cancer ranks as the second leading cause of death among women, but early screening and self-awareness can help prevent it. Hormone therapy drugs that target estrogen levels offer potential treatments. However, conventional drug discovery entails extensive, costly processes. This study presents a framework for analyzing the quantitative structure-activity relationship (QSAR) of estrogen receptor alpha inhibitors. Our approach utilizes supervised learning, integrating self-attention Transformer and molecular graph information to predict estrogen receptor alpha inhibitors. We establish five classification models for predicting these inhibitors in breast cancer. Among these models, our proposed MATH model achieves remarkable precision, recall, f1-score, and specificity, with values of 0.952, 0.972, 0.960, and 0.922, respectively, alongside a ROC-AUC of 0.977. MATH exhibits robust performance, suggesting its potential to assist pharmaceutical and health researchers in identifying candidate compounds for estrogen alpha inhibitors and guiding drug discovery pathways.

Abstrak :
Jaringan saraf konvolusi telah terbukti bekerja dengan baik pada tugas klasifikasi citra. Hasil tersebut didukung oleh sifat transformasi-ekuivarian yang merupakan salah satu karakteristik jaringan saraf konvolusi. Namun, sifat tersebut hanya terbatas pada transformasi translasi. Penelitian ini memperkenalkan transformasi-ekuivarian variasional (TEV), suatu model representasi tidak terawasi yang bersifat transformasi-ekuivarian terhadap transformasi yang lebih general. Pada pengimplementasiannya, TEV memanfaatkan predictive-transformation, suatu model pemelajaran terawasi sendiri yang berperan sebagai bias induktif. Proses optimisasi TEV melibatkan 2 estimasi batas bawah informasi timbal balik: metode estimasi Barber-Agakov (selanjutnya dinamakan model TEVBA) dan information noise contrastive (selanjutnya dinamakan model TEVInfoNCE). Model representasi TEV diuji berdasarkan rata-rata rasio kesalahan pada serangkaian tugas klasifikasi citra. Pada penelitian ini, perseptron lapis banyak, K-nearest neighbor, dan multinomial logistic regression dipilih sebagai classifier untuk tugas klasifikasi citra menggunakan dataset CIFAR-10 dan STL-10. Hasil menunjukkan TEVBA dan TEVInfoNCE mengungguli model baseline untuk masing-masing classifier pada kedua dataset. Secara spesifik, TEVBA secara konsisten menghasilkan rata-rata rasio kesalahan terendah untuk klasifikasi pada kedua dataset. ......Convolution neural network (CNN) has shown promising results on various image classification tasks. One of the reasons due to the ability of CNN to extract representation that is equivariant to transformations. However, the notion only holds for the translation transformation. This research introduces variational transformation equivariant (VTE), a more general unsupervised transformation-equivariant representation model. During the implementation, VTE utilizes the Predictive-transformation, a self-supervised learning model that acts as inductive bias. The optimization of VTE involves two lower bound mutual information methods: Barber-Agakov and information noise contrastive (InfoNCE). The VTE models are evaluated based on the average error rate on image classification tasks on CIFAR-10 and STL-10 datasets. We utilize multi-layer perceptron, K-nearest neighbor, and multinomial logistic regression as the classifiers. Results show VTE with Barber-Agakov and VTE with InfoNCE outperform the baseline model for each classifier on both datasets. Specifically, VTEBA consistently achieves the lowest average error rate for both datasets.