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."

"Menurunnya kualitas citra radiografi neutron disebabkan oleh partikel gamma dan netron terhambur sekunder yang menumbuk CCD kamera serta kemampuan sensor skrin scintillator dalam mengkonversi berkas neutron menjadi cahaya tampak yang meninggalkan jejak berupa white spot noise (WSN) pada citra. Dalam penelitian ini dikembangkan suatu teknik baru untuk menghapus WSN pada citra radigrafi dengan tanpa merusak detail citra. Teknik ini merupakan kombinasi antara Global Threshold dengan algoritma Adaptive Switching Alternative Median (ASAM) filter. Proses menghapus WSN menggunakan teknik ini terdiri dari tiga tahap yaitu tahap deteksi intensitas, tahap deteksi posisi dan tahap denoising. Mengingat WSN pada citra radiografi memiliki intensitas yang random maka pada tahap deteksi intensitas diperlukan global threshold. Tahap deteksi posisi noise diperlukan agar proses denoising hanya dikenakan pada piksel yang terkontaminasi noise, sedangkan piksel yang tidak terkontaminasi noise tetap dipertahankan. Pada tahap denoising digunakan algoritma ASAM yang terdiri dari dua blok filtering yaitu blok filter utama dan blok filter sekunder atau blok filter alternatif. Blok filter utama digunakan pada saat kerapatan noise rendah sedangkan blok filter sekunder digunakan pada saat kerapatan noise tinggi. Pada kedua blok filter digunakan sliding window yang dapat berubah ukurannya sesuai dengan kerapatan noise. Blok filter sekunder merupakan algoritma baru dalam hal menghapus noise impulse kerapatan tinggi dan merupakan kontribusi utama dalam penelitian ini. Algoritma ASAM merupakan algoritma switching yang handal dan dapat menghapus noise impulse kerapatan tinggi pada citra, baik itu fix value impulse noise maupun random value impulse noise. Pengujian algoritma ASAM dilakukan dengan menggunakan beberapa citra standar yang diberi fix value impulse noise berupa Salt and Pepper (SNP) noise dan WSN secara simulasi. WSN dibentuk dari noise SNP dengan mengubah noise pepper menjadi noise salt. Selanjutnya pengujian dilakukan secara real pada citra radiografi neutron menggunakan kombinasi global threshold dengan algoritma ASAM. Dari hasil percobaan untuk pengujian dengan algoritma ASAM secara simulasi menggunakan citra Lena pada kerapatan noise SNP 98% diperoleh Peak Signal To Noise Ratio (PSNR) adalah 21,16 dB, Mean Square Error (MSE) adalah 459,55, Structural Similarity Index (SSIM) adalah 0,61 dan waktu eksekusi 8,9 detik. Sedangkan dengan menggunakan algoritma Switching Median Filter (SMF), Progressive Switching Median Filter (PSMF), Decisions Based Analysis (DBA), Noise Adaptive Fuzzy Switching Median Filter (NAFSM) dan Switching Non Local Mean (SNLM) diperoleh PSNR berturut-turut adalah 10,93 dB, 14,26 dB, 14,21 dB, 10,90 dB dan 11,38 dB, dan untuk pengukuran MSE, SSIM dan waktu eksekusi berturut-turut adalah 4843,54, 0,12 dan 4,8 detik untuk SMF, 2249,89, 0,40 dan 15,1 detik untuk PSMF, 2275,81, 0,36 dan 6,4 detik untuk DBA, viii Universitas Indonesia 4883,03, 0,11 dan 5,3 detik untuk NAFSM dan 4371,33, 0,19 dan 39,0 detik untuk SNLM. Pada percobaan pengujian kedua menggunakan simulasi WSN pada citra Lena dengan kerapatan WSN 98% menggunakan algoritma ASAM diperoleh PSNR adalah 21,30 dB, MSE adalah 445,44, SSIM adalah 0,62 dan waktu adalah 8,9 detik. Sedangkan dengan menggunakan algoritma pembanding lainnya seperti SMF, PSMF, DBA, NAFSM dan SNLM diperoleh PSNR berturut-turut adalah 9,10 dB, 4,99 dB, 10,63 dB, 5,69 dB dan 9,55 dB, dan untuk pengukuran MSE, SSIM dan waktu eksekusi berturut-turut adalah 7377,13, 0,12 dan 5,1 detik untuk SMF, 19046,07, 0,24 dan 0,1 detik untuk PSMF, 5186,02, 0,11 dan 6,9 detik untuk DBA, 16207,00, 0,12 dan 5,3 detik untuk NAFSM dan 6650,19, 0,19 dan 41,2 detik untuk SNLM. Dibandingkan dengan algoritma SMF, PSMF, DBA, NAFSM, SNLM , dari kedua percobaan ini menunjukkan bahwa nilai PSNR, MSE, SSIM algoritma ASAM jauh lebih baik, kecuali waktu yang lebih lama sedikit, namun hasil pengukuran kualitatif dan pengukuran parameter lainnya memperlihatkan hasil yang sangat baik. Pengujian juga dilakukan secara aplikasi real pada beberapa citra radiografi neutron menggunakan kombinasi antara global threshold dan ASAM. Dari hasil percobaan real pada citra radiografi objek valve air pada nilai threshold optimal T0=30 diperoleh jumlah noise terdeteksi 19,72% dan signal to noise ratio (SNR) adalah 33,17 dB, atau naik sebesar 36,0% dari SNR awal.

---

The quality of neutron radiographic images degraded due to random error in the neutron radiographic facility. The random error was caused by gamma particles and secondary neutron scattering that hit the CCD camera sensors, and the ability of the scintillator screen sensor in a conversion neutron beam into visible light which creates of White Spot Noise (WSN) in the image. In this study, we developed a new technique to remove WSN and preserved image details . The techique is a combination between Global Threshold and Adaptive Switching Alternative Median Filter (ASAM). The technique has three stages that are separating noise from the image, noise position detection, marking noisy and noise-free pixels, and removing the noise using the ASAM algorithm. The global threshold is needed at the detection stage because that WSN has a random intensity on radiographyc image. Noise position detection stage is needed so that the denoising process only applied to noise-contaminated pixels, while pixels that are not contaminated with noise are maintained. In the stage of denoising used the ASAM filter that consists of two blocks filtering, namely main and secondary block filtering, respectively. The main filter block is used when low noise density while the secondary filter block is used when high noise density. The two filtering blocks use a sliding window whose size can be adjusted automatically according to the noise density. Secondary block filtering is a novel algorithm in the high-density impulse noise removal and the main contribution in our research. The ASAM algorithm is a reliable switching algorithm and able to remove high-density impulse noise in the image both of fix value impulse noise or random value impulse noise. To test the ASAM, we applied the algorithm to standard images that are given simulated fix value impulse noise that Salt and Pepper Noise (SNP) and WSN. The WSN formed from the SNP noise by changing pepper noise into salt noise. Furthermore, we applied it to real neutron radiographic images using combination between global threshold and ASAM algorithm. The experiment results showed the simulation test using SNP noise on Lena image at the highest noise level of 98% obtained the Peak Signal to Noise Ratio (PSNR) of 21,16 dB, Mean Square Error (MSE) of 459,55, Structural Similarity Index (SSIM) of 0,61 and processing time of 8,9 s. Whereas by using other comparison algorithm such as Median Filter Switching (SMF), Progressive Switching Median Filter (PSMF), Decisions Based Analysis (DBA), Adaptive Fuzzy Switching Median Filter (NAFSM) and Switching Non Local Mean (SNLM) obtained PSNR of 10.93 dB, 14.26 dB, 14.21 dB, 10.90 dB and 11.38 dB respectively. For the measurement of MSE, SSIM and execution times obtained of 4843.54, 0.12 and 4.8 seconds for SMF, 2249.89, 0.40 and 15.1 seconds for PSMF, 2275.81, 0.36 and 6.4 seconds for DBA, 4883.03, 0.11 and 5.3 seconds x Universitas Indonesia for NAFSM and 4371.33 , 0.19 and 39.0 seconds for SNLM respectively. From the experiment results of simulation test using WSN on Lena image, at the highest noise level of 98%, we obtained the PSNR of 21,30 dB, MSE of 445,44, SSIM of 0,62 and processing time of 8,9 s. Whereas by using other comparison algorithms such as SMF, PSMF, DBA, NAFSM and SNLM obtained PSNR of 9.10 dB, 4.99 dB, 10.63 dB, 5.69 dB and 9.55 dB respectively. For measurements of MSE, SSIM and execution times are 7377.13, 0.12 and 5.1 seconds for SMF, 19046.07, 0.24 and 0.1 seconds for PSMF, 5186.02, 0.11 and 6,9 seconds for DBA, 16207.00, 0.12 and 5.3 seconds for NAFSM and 6650.19, 0.19 and 41.2 seconds for SNLM. Compared with the SMF, PSMF, DBA, NAFSM, SNLM algorithms, from these two experiments, the PSNR, MSE and SSIM of ASAM algorithm are much better, except for a slightly longer time, but the results of qualitative measurements and other parameter measurements show very well. The tests also conducted in real applications on several neutron radiographic images using a combination of global threshold and ASAM.From the results of the real experiment on the radiographic image of the water valve object at the optimal threshold value T0 = 30, the amount of noise detected of 19.72% and the Signal to Noise Ratio (SNR) of 33.17 dB, or an increase of 35% from the initial SNR."