Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penyakit jerawat merupakan sebuah kondisi kulit yang umum yang ditandai dengan folikel rambut yang tersumbat, tidak hanya mempengaruhi penampilan fisik tetapi juga mempengaruhi kepercayaan diri individu. Metode diagnostik yang maju sangat penting untuk menentukan tingkat keparahan jerawat, yang dapat membimbing strategi pengobatan yang efektif. Penelitian ini memperkenalkan pendekatan inovatif untuk mengklasifikasikan tingkat keparahan jerawat pada citra wajah menggunakan Diagnostic Evidence Distillation yang memanfaatkan multi teacher knowledge distillation. Studi ini meningkatkan model single teacher konvensional dengan menggabungkan beberapa arsitektur teacher, memungkinkan transfer pengetahuan yang lebih kuat dan akurat ke student model. Penulis mengembangkan dan menguji model yang mengintegrasikan Convolutional Neural Network (CNN) dengan kerangka kerja multi teacher untuk meningkatkan akurasi prediktif. Pendekatan yang dilakukan menggabungkan secara unik diagnostic evidence dengan teknik deep learning untuk mengoptimalkan proses klasifikasi. Evaluasi dilakukan menggunakan dataset ACNE04, yang dianotasi menurut kriteria Hayashi, memastikan representasi komprehensif dari berbagai tingkat keparahan jerawat. Hasilnya menunjukkan bahwa model multi teacher knowledge distillation mencapai akurasi yang lebih unggul dibandingkan model single teacher sebelumnya, dengan peningkatan akurasi menjadi 90.00%, melampaui benchmark sebelumnya sebesar 86.06%. Ini menunjukkan kemajuan signifikan dalam klasifikasi otomatis tingkat keparahan jerawat. Studi penulis tidak hanya memberikan kemajuan metodologis dalam bidang pemrosesan gambar medis tetapi juga berkontribusi pada penilaian tingkat keparahan jerawat yang lebih akurat dan dapat diandalkan, berpotensi meningkatkan hasil pengobatan dan perawatan pasien.

---

Acne is a common skin condition characterized by clogged hair follicles, affecting not only physical appearance but also an individual's self-confidence. Advanced diagnostic methods are crucial for determining the severity of acne, which can guide effective treatment strategies. This research introduces an innovative approach to classifying the severity of acne in facial images using Diagnostic Evidence Distillation that utilizes multi teacher knowledge distillation. This study enhances the conventional single teacher model by integrating multiple teacher architectures, allowing for a more robust and accurate knowledge transfer to the student model. The authors developed and tested a model that integrates a Convolutional Neural Network (CNN) with a multi-teacher framework to improve predictive accuracy. The approach uniquely combines diagnostic evidence with deep learning techniques to optimize the classification process. The evaluation was conducted using the ACNE04 dataset, annotated according to the Hayashi criteria, ensuring a comprehensive representation of various acne severities. The results show that the multi-teacher knowledge distillation model achieves superior accuracy compared to the previous single-teacher model, with an improved accuracy of 90.00%, surpassing the previous benchmark of 86.06%. This indicates significant advancement in the automated classification of acne severity. The authors' study not only provides methodological advancement in the field of medical image processing but also contributes to more accurate and reliable assessments of acne severity, potentially enhancing treatment outcomes and patient care."

"ABSTRAKTeknologi dibutuhkan untuk mempermudah hidup manusia. Salah satu teknologi yang dapat memenuhi kebutuhan hidup manusia adalah Radio Frequency Identification (RFID). Sama dengan teknologi lainnya RFID juga mengalami perkembangan. Pada masa kini tag RFID sudah dilengkapi dengan built in sensor yang menyebabkan bank user memory dipartisi untuk data dan komunikasi sehingga tidak semuanya bisa dibaca. Selain itu, dibutuhkan juga reader yang mendukung mobilitas. Oleh karena itu, dibuat reader dengan kemampuan membaca spesifik alamat dan rentang alamat pembacaan yang dapat diatur sesuai kebutuhan. Reader dapat bekerja dengan mode fixed maupun portabel karena dilengkapi dengan LCD. Frekuensi yang digunakan adalah 923 925 MHz. Reader RFID yang dibuat tersusun dari Modul RFID reader, Arduino serta LCD keypad shield sebagai interface nya. Performa alat diukur menggunakan parameter cakupan jarak terjauh, nilai RSSI serta jumlah tag yang dapat dibaca dalam jangka waktu tertentu pada kondisi LOS maupun NLOS. Berdasarkan hasil pengujian dengan menggunakan daya 25 dBm didapatkan nilai RSSI -63.75 dBm pada jarak pembacaan terjauh yakni 12 meter di kondisi LOS dengan menggunakan tag berjenis UHF RFID On Metal Tag Passive Contactless. Pada kondisi NLOS dengan tag yang sama didapatkan nilai RSSI sebesar -59.66 dBm pada jarak pembacaan terjauh yakni 5.5 meter. Jumlah maksimal tag terbaca pada kondisi LOS dan NLOS adalah 14 dan 11 tag dari 14 tag yang diuji. Pengujian pengaruh daya (5-25 dBm) terhadap nilai RSSI dilakukan pada kondisi LOS dan NLOS dengan jarak 1 meter. Pada kondisi LOS didapatkan nilai RSSI tertinggi senilai -45 dBm pada saat daya 15 dBm keatas, sedangkan pada kondisi NLOS didapatkan -53.3258 dBm pada saat daya 25 dBm.

---

ABSTRACT

Technology is needed to facilitate human life. One technology that can meet the needs of human life is Radio Frequency Identification (RFID). Same with other technologies, RFID is also experiencing development. Nowadays RFID tags are equipped with built-in sensors that cause the user bank memory to be partitioned for data and communication so that not everything can be read. Besides, it also takes a reader that supports mobility. Therefore, a reader is created with the ability to read specific addresses and ranges that can be set as needed. The reader can work in both fixed and portable modes because it is equipped with an LCD. The frequency used is 923-925 MHz. The RFID reader is made up of an RFID reader module, Arduino, and an LCD keypad shield as its interface. Tool performance is measured using the parameters of the farthest distance, RSSI value, and the number of tags that can be read in a certain time under the conditions of LOS and NLOS. Based on the test results using 25 dBm power obtained RSSI value of -63.75 dBm at the farthest reading distance which is 12 meters in LOS conditions using UHF RFID On Metal Tag Passive Contactless. In the NLOS condition with the same tag, the RSSI value was -59.66 dBm obtained at the farthest reading distance which is 5.5 meters. The maximum number of tags read in LOS and NLOS conditions is 14 and 11 tags from the 14 tags tested. Testing the effect of power (5-25 dBm) on the RSSI value is performed under LOS and NLOS conditions with a distance of 1 meter. In the LOS condition, the highest RSSI value is -45 dBm when the power is above 15 dBm, whereas in the NLOS condition, it is -53.3258 dBm when the power is 25 dBm."