Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Pendeteksian topik adalah suatu proses yang digunakan untuk menganalisis kata-kata pada suatu koleksi data tekstual untuk menentukan topik-topik yang ada pada koleksi tersebut. Salah satu metode standar yang digunakan untuk pendeteksian topik adalah metode clustering. Deep embedded clustering (DEC) adalah algoritma clustering dengan pendekatan deep learning yang menyatukan pembelajaran fitur dan clustering menjadi satu kerangka kerja sehingga dapat menghasilkan kinerja yang lebih baik. Namun metode DEC memiliki kelemahan, yaitu terjadinya penyimpangan ruang embedded ketika melakukan pembelajaran yang didapat ketika membuang decoder. Kelemahan tersebut diatasi dengan tidak membuang decoder, sehingga diperoleh metode yang lebih baik lagi yaitu Improved Deep Embedded Clustering (IDEC). Proses mempertahankan decoder disebut sebagai pelestarian struktur lokal. Pada penelitian ini, metode IDEC diadaptasi untuk masalah pendeteksian topik data tekstual berbahasa Indonesia. Selanjutnya kinerja metode IDEC dibandingkan dengan metode penelitian lain yang menggunakan DEC untuk masalah pendeteksian topik yaitu dengan cara membandingkan nilai dari coherence. Nilai coherence yang dihasilkan menunjukkan bahwa metode DEC lebih cocok jika dibandingkan dengan metode IDEC untuk permasalahan pendeteksian topik. Hal tersebut terjadi karena bagian decoder pada metode IDEC diperbarui sehingga parameter decoder sudah tidak sesuai untuk mengembalikan data ke dimensi semula. Sedangkan pada metode DEC bagian decoder dibuang sehingga parameter tidak diperbarui.

---

Topic detection is a process that is used to analyze words in a textual data collection to determine the topics within that collection. One of this standard topic detection method is clustering method. Deep embedded clustering (DEC) is a clustering algorithm with a deep learning approach that combines feature learning and clustering into one framework to obtain a better performance. However, DEC method has a weakness namely the distortion of embedded space that is caused by removing the decoder during the learning process. This weakness can be overcome by preserving the decoder, hence a better method is acquired, namely Improved Deep Embedded Clustering (IDEC). The process of preserving the decoder is called local structure preservation. In this research we adapt IDEC method for topic detection problem in Indonesian textual dataset. Furthermore, we compare the performance of IDEC method and other research using DEC by comparing the coherence value. The acquired coherence value shows that DEC method is more suitable compared to IDEC method for topic detection problems. This happens because of the decoder part in IDEC method is updated, so that the decoder parameters are no longer suitable to return the data into the original dimension. While in the DEC method the decoder was removed, therefore the parameters are not updated.

"

"Fraud adalah tindakan kejahatan yang terus terjadi hingga saat ini. Tidak ada lembaga perusahaan yang terbebas dari kemungkinan terjadinya fraud, termasuk juga industri asuransi. Berbagai cara sudah dilakukan untuk mencegah terjadinya fraud pada industri asuransi, seperti tersedianya daftar hitam hingga adanya tim pemeriksaan khusus di setiap perusahaan. Namun, kasus fraud asuransi tetap saja terjadi bahkan semakin berkembang/bervariasi karena perkembangan teknologi. Oleh karena itu, digunakanlah Artificial Intelligence (AI) dan machine learning sebagai decision support system untuk memprediksi potensi fraud asuransi. Masalah ini merupakan skenario klasifikasi biner dengan komposisi kelas antar-target yang tak seimbang (imbalance class) pada data tabular. Penelitian ini bertujuan untuk mengetahui kinerja model Neural Oblivious Decision Ensembles dalam mendeteksi fraud asuransi serta membandingkan kinerja tersebut dengan model XGBoost tanpa penanganan imbalance class, XGBoost dengan oversampling, dan XGBoost dengan pembobotan data sebagai penanganan standar pada masalah imbalance class. Penelitian ini menggunakan Auto Insurance Claims Data yang dipublikasikan oleh Bunty Shah di situs Kaggle pada tahun 2018. Hasil dari penelitian ini didapatkan bahwa rata-rata dari lima model Neural Oblivious Decision Ensembles (NODE) yang dilakukan pada penelitian memberikan nilai accuracy sebesar 75,53%, precision sebesar 74,24%, recall sebesar 75,53%, f1-score sebesar 74,43%, dan Area Under Curve sebesar 75,04% dan dapat mengungguli kinerja dari ketiga model lainnya.

---

Fraud is a crime that continues to occur today. No corporate institution is free from the possibility of fraud, including the insurance industry. Various methods have been taken to prevent fraud in the insurance industry, such as the availability of a blacklist to the existence of a special inspection team in each company. However, insurance fraud cases still occur even has more variation due to technological developments. Therefore, Artificial Intelligence (AI) and machine learning are used as decision support systems to predict potential insurance fraud. This research is an implementation of binary-classification scenario with imbalance class on tabular data. This research aims to determine the performance of the Neural Oblivious Decision Ensembles model in detecting insurance fraud and compare the performance with the XGBoost without imbalance class handling, XGBoost with oversampling, and XGBoost with weighted data as the standard handling of imbalance class problems. This research uses the Auto Insurance Claims Data published by Bunty Shah on the Kaggle website in 2018. The results of this research found that the average of the five Neural Oblivious Decision Ensembles (NODE) models gave an accuracy value of 75.53% , precision of 74.24%, recall of 75.53%, f1-score of 74.43%, and Area Under Curve of 75.04% and can outperform the performance of the other three models."

"Menjaga keberlanjutan performa maksimal panel surya menjadi tantangan terbesar pembangkit listrik tenaga surya (PLTS) saat ini. Hal ini dikarenakan panel surya rentan terhadap kegagalan yang mengurangi daya keluaran akibat faktor lingkungan. Konsekuensinya, ekspektasi payback period PLTS cukup panjang berpotensi tidak tercapai. Sehingga, operasi pemeliharaan harus rutin dilakukan menggunakan termografi karena beberapa kegagalan tidak terlihat kasat mata. Namun demikian, apabila pemeliharaan dilakukan secara manual untuk PLTS berskala besar berkapasitas diatas 1 MW dengan luas 2,3-2,9 ha, akan menghabiskan banyak waktu dan sumber daya. Metode aerial infrared thermography (AIRT) memberikan operasi pemeliharaan yang cepat dan efisien dengan mengambil citra termal radiometrik secara otomatis berdasarkan pengaturan waypoint pada unmanned aerial vehicle (UAV). Kemudian pendeteksian kegagalan panel surya dilakukan menggunakan algoritma pengolahan citra yang umumnya adalah digital image processing (DIP). Akan tetapi, DIP membutuhkan penyesuaian parameter untuk setiap citra barunya. Oleh karena itu, penelitian ini menggunakan deep learning (DL) untuk mendeteksi setiap jenis kegagalan panel surya monofacial dan bifacial. Himpunan data (dataset) citra termal yang disusun sudah memenuhi standar inspeksi yaitu nilai irradiasi diantara 500-700 W/m2. Lalu, dilakukan skenario deteksi untuk PLTS dengan panel monofacial, bifacial, atau campuran. Hasil evaluasi model DL menunjukkan mean average precision (mAP) setiap skenario bernilai diatas 80% sehingga dapat diaplikasikan pada operasio pemeliharaan PLTS skala besar.

---

Maintaining the maximum performance of solar panels poses the foremost challenge for solar photovoltaic power plants in this era. This is due to panel’s vulnerability to photovoltaic (PV) defect which reduces power output due to environmental factors. Consequently, the expected payback period which has been established for a considerable duration may not be achieved. Therefore, routine maintenance operations using thermography are necessary as certain failures are not visually detectable. Nevertheless, performing these operations manually on large-scale solar power plants with a capacity above 1 MW and an area of 2.3-2.9 ha would consume a significant amount of time and resources. The aerial infrared thermography (AIRT) technique enables fast and efficient maintenance operations by automatically capturing radiometric thermal images utilizing unmanned aerial vehicle (UAV) configured with predefined waypoint settings. Subsequently, the PV defect detection is typically performed using digital image processing (DIP) algorithm. However, DIP requires parameter adjustments for each new image. Hence, this study utilizes deep learning (DL) to detect different types of PV defect for both monofacial and bifacial solar panels. The constructed thermal image dataset adheres to inspection standards, which irradiance values ranging from 500-700 W/m2. Then, detection scenarios were conducted for solar power plants utilizing monofacial, bifacial, or mixed panels. The evaluations results of the DL model yielded mean average precision (mAP) values above 80% for each scenario, confirming its applicability in large-scale solar power plants maintenance activities."

"Obesitas merupakan salah satu masalah kesehatan yang sering dijumpai hingga saat ini. Menurut World Health Organization, pada tahun 2016 terdapat sekitar 650 juta orang dewasa yang mengalami masalah obesitas. Obesitas sendiri dapat meningkatkan risiko pada berbagai macam penyakit seperti penyakit jantung, diabetes, dan kanker jika tidak dicegah. Salah satu penyebab dari obesitas adalah konsumsi makanan fast food yang berlebihan. Konsumsi makanan fast food yang berlebihan ini seringkali terjadi karena kurangnya informasi mengenai jumlah kalori yang terkandung pada makanan fast food sehingga sulit untuk mengontrol jumlah makanan fast food yang dikonsumsi agar tidak menyebabkan obesitas. Oleh karena itu, dalam penelitian ini dilakukan perancangan aplikasi dengan sistem untuk menghitung estimasi jumlah kalori yang terkandung pada makanan cepat saji menggunakan model Mask R-CNN. Berdasarkan pengujian pada model Mask R-CNN dalam melakukan deteksi pada objek makanan cepat saji, didapatkan nilai mAP 0,636 dan nilai F1 score 0,599. Sedangkan berdasarkan hasil pengujian pada algoritma yang digunakan untuk melakukan perhitungan estimasi jumlah kalori makanan cepat saji, didapatkan tingkat kesalahan kalkulasi berupa nilai MAE sebesar 2,290 kal/g dan RMSE sebesar 2,342 kal/g. 

---

Obesity is one of the most common health problem until now. According to World Health Organization, there are approximately 650 millions adult who have obesity problem at 2016. If not prevented, obesity itself can increase the risk of various diseases such as heart disease, diabetes, and cancer. One of the causes of obesity is excessive consumption of fast food. This excessive consumption of fast food often happen due to lack of information about number of calories contained in fast food, making it difficult to control the amount of fast food consumed to prevent obesity. Therefore, this research conducts development of application to calculate the amount of calories contained in fast food using Mask R-CNN. Based on the testing result for Mask R-CNN ability to detect fast food object, 0,636 obtained as value of mAP and 0,599 obtained as value of F1 score. While based on the testing result of algorithm used to calculate the estimated amount of calories contained in fast food, the calculation error rate is obtained in the form of MAE value of 2,290 cal/g and RMSE value of 2,342 cal/g."

"Meningkatnya kebutuhan akselerasi untuk penemuan material untuk perovskite 3D sangat penting untuk menemukan material yang bebas timah dan ramah lingkungan untuk semikonduktor dan sel surya. Solusi dominan untuk tren ini bergantung pada klasifikasi material dan penyaringan sejumlah besar material perovskit yang dilakukan setelah simulasi ab-initio. Untuk menyelesaikan masalah dua langkah, kami menggunakan algoritme pembelajaran mendalam sebagai cara untuk mengeluarkan materi baru, mempercepat penemuan materi, dan memberikan opsi yang lebih cepat untuk bereksperimen. Dalam studi ini, pembuatan perovskit 3D bebas timah baru melibatkan dua algoritme: berbasis generasi dan berbasis prediksi. Model yang digunakan masing-masing didasarkan pada Conditional Variational Autoencoders (CVAE) dan Convolutional Neural Networks (CNN). Metrik evaluasi kerugian divergensi khusus Kullback-Leibler sebesar 38 dihasilkan dari dekoder CVAE. Skor R2 0,74 - 0,81, Akurasi 0,73 - 0,87, MAE 0,3631 - 6,2339, RMSE 0,34 - 0,57 diperoleh dari 4 model prediksi yang berbeda berdasarkan 4 properti menggunakan tipe regresi dan multi kelas. Eksperimen dengan Materials Studio juga dilakukan untuk memvalidasi hasil yang dihasilkan dari algoritma CVAE. Eksperimen ini menggunakan CsPbBr3 sebagai properti target untuk membuat material baru, PrLiO3. Seperti yang diperkirakan, energi celah pita PrLiO3 kelas 2 (0 < x ≤ 1 eV) dihitung dari Materials Studio menjadi 0,979 eV, menunjukkan bahan semikonduktor dan kemampuan prediksi yang tepat dari algoritme.

---

The growing need of acceleration for materials discovery for 3D perovskites are imperative to find lead-free and environmentally friendly materials for semiconductors and solar cells alike. The dominant solutions for these trends rely on the classification of materials and filtering of a huge range of perovskite materials done after ab-initio simulations. To resolve the two-step problem, we used a deep learning algorithm as a way to output new materials, accelerate materials discovery and providing quicker options to experiment upon. In this study, the generation of new lead-free 3D perovskites involves two algorithms: generational-based and prediction-based. Models used were based on Conditional Variational Autoencoders (CVAE) and Convolutional Neural Networks (CNN) respectively. The evaluation metrics Kullback-Leibler custom divergence loss of 38 were generated from the CVAE decoders. R2 score of 0.74 - 0.81, Accuracy of 0.73 - 0.87, MAE of 0.3631 - 6.2339, RMSE of 0.34 - 0.57 are obtained from 4 different prediction models based on the 4 properties using both regression and multi-class type. Experiments with Materials Studio was also done to validate the generated result of the CVAE algorithm. This experiment used CsPbBr₃ as the target properties to create the new material, PrLiO₃. As predicted, the band gap energy of PrLiO₃ class 2 (0 < x ≤ 1 eV) was calculated from Materials Studio to be 0.979 eV, indicating a semiconductor material and the correct predictive capability of the algorithm."

"Citra buram atau blur dapat terjadi akibat gerakan objek, lensa kamera alat akuisisi yang kehilangan fokus, atau getaran saat akuisisi citra. Buram membuat citra menjadi kurang tajam dan tidak fokus pada beberapa bagian pada citra. Buram pada citra mengakibatkan terjadinya penurunan kualitas dan informasi citra sehingga menyebabkan penurunan performa aplikasi computer vision seperti deteksi objek, identifikasi objek, dan klasifikasi. Hal tersebut membuat banyak dikembangkan penelitian restorasi citra buram untuk mengembalikan kualitas citra yang terdegradasi, mulai dari penggunaan metode konvensional hingga metode berbasis pembelajaran mesin. Pada penelitian ini, penulis menggunakan model Swin Transformer UNet dalam merestorasi citra buram. Model ini berbasis Swin Transformer yang diintegrasikan dengan arsitektur UNet. Data citra yang digunakan dalam penelitian ini adalah dataset buram Dual-pixel Defocus Debluring(DPDD) dan Real Depth Of Field(RealDOF). Analisis dilakukan terhadap hasil restorasi citra model secara kuantitatif dan kualitatif. Selain itu, , penulis juga melaksanakan analisis cross dataset untuk melihat kemampuan generalisasi model. Hasil restorasi dibandingkan dengan hasil restorasi model Iterative Filter Adaptive Network(IFAN) yang dianggap sebagai state-of-the-art dalam merestorasi citra buram. Evaluasi hasil restorasi Swin Transformer UNet menunjukkan bahwa model tersebut berhasil mendeteksi daerah buram pada citra dengan baik namun hasil restorasi yang didapat belum sebaik hasil restorasi pada model IFAN dalam merestorasi citra buram pada dataset yang digunakan.

---

Blurred images can occur from the motion of the photographed object, the camera lens of the acquisition tool losing focus, or vibration during image acquisition. Blurring makes the image less sharp and unfocused on some parts of the image. Blur in images results in a decrease in image quality and information, causing a decrease in the performance of computer vision tasks such as object detection, object identification, and classification. This has led to the development of many deblurring image restoration studies to restore the quality of degraded images or image restoration, ranging from the use of conventional methods to machine learning-based methods. In this research, the author uses the Swin Transformer UNet model to restore blurry images. This model is based on Swin Transformer integrated with UNet architecture. The images used in this research come from the Dual-pixel Defocus Debluring (DPDD) and Real Depth Of Field (RealDOF) blur image datasets. The image restoration results are analyzed quantitatively and qualitatively. Additionally, the author also conducts a cross-dataset analysis to see the generalization potential of the model. The restoration results were compared with the restoration results of the Iterative Filter Adaptive Network (IFAN) model which is considered as state-of-the-art in image deblurring. The evaluation of the Swin Transformer UNet restoration model shows that the model successfully detects blurred regions in the image well but the restoration results obtained are not as good as the restoration results in the IFAN model in restoring blurred images on the dataset used."

"Uji kendali mutu pada citra mamografi dengan menggunakan fantom CDMAM merupakan langkah penting dalam memastikan kualitas proses diagnostik pada pesawat mamografi. Namun, untuk mengatasi masalah variabilitas manusia dan meningkatkan efisiensi waktu, penggunaan Convolutional Neural Network (CNN) dapat menjadi solusi yang akurat dalam menganalisis citra fantom CDMAM. Penelitian ini menerapkan arsitektur CNN Resnet50 pada total 1.392 citra fantom CDMAM dengan dan tanpa regularizer L2. Hasil prediksi CNN pada rentang diameter 0,10 hingga 0,20 mm menunjukkan tingkat prediksi dengan tingkat kesalahan relatif di bawah 32% pada prediksi satuan dan di bawah 16% pada rata-rata prediksi dari 16 citra. Dari hasil prediksi yang diperoleh, diperlukan optimasi lebih lanjut untuk mencapai akurasi prediksi yang lebih tinggi.

---

Quality control testing on mammography images using CDMAM phantoms is an important step in ensuring the quality of the diagnostic process in mammography devices. However, to overcome human variability issues and improve time efficiency, the use of Convolutional Neural Network (CNN) can be an accurate solution for analyzing CDMAM phantom images. This study applied the CNN architecture ResNet50 to a total of 1.392 CDMAM phantom images with and without L2 regularizer. The CNN prediction results for the diameter range of 0,10 to 0,20 mm showed prediction with relative error below 32% for individual predictions and below 16% for average predictions from 16 images. Based on the obtained prediction results, further optimization is needed to achieve higher prediction accuracy."

"Masalah pokok penggunaan fingerprinting Receive Signal Strength (RSS) pada indoor localization adalah pengaruh lingkungan terhadap hasil pengukuran RSS, menyikapi variabilitas nilai RSS dan akurasi penentuan posisi. Penelitian ini mengkombinasikan penggunaan keunggulan teknologi LoRa dengan metode deep learning yang menggunakan semua variasi hasil pengukuran nilai RSS di setiap posisi sebagai fitur alami dari kondisi dalam ruangan sebagai fingerprinting untuk melatih model pada deep learning. Teknik ini diberi nama DeepFi-LoRaIn, yang menggambarkan teknik untuk menggunakan data fingerprinting dari RSS perangkat LoRa pada indoor localization menggunakan metode deep learning. Penelitian ini dilakukan tidak hanya sebatas pengujian dan pembuktian metode menggunakan pendekatan testbed dan simulasi, namun berlanjut hingga tahapan implementasi menggunakan RSS fingerprinting dari hasil pengukuran sebenarnya. Skenario pengujian yang digunakan untuk mengevaluasi model adalah skenario tanpa gangguan dan skenario dengan memberikan gangguan. Skenario gangguan dilakukan dengan cara memberikan gangguan pada nilai RSS yang diterima di beberapa anchor node. Pada pengujian menggunakan dataset simulasi diperoleh hasil prediksi posisi dengan nilai akurasi 100% untuk skenario tanpa gangguan. Sedangkan pada skenario dengan gangguan diperoleh hasil akurasi prediksi posisi sebesar 86,66%. Hasil pengujian prediksi posisi menggunakan data pengukuran langsung diperoleh nilai akurasi sebesar 96,22%, untuk skenario tanpa gangguan dan 92,45%. untuk skenario pengujian dengan gangguan. Berdasarkan hasil penelitian menggunakan data simulasi dan data pengukuran sebenarnya pada implementasi, diperoleh kesimpulan bahwa, penggunaan Teknik DeepFi-LoRaIn mampu mengatasi permasalahan pada variabilitas nilai RSS didalam ruangan dan mampu menjaga akurasi prediksi posisi jika terjadi gangguan yang disebabkan oleh perubahan kondisi lingkungan.

---

The main problem using fingerprinting Receive Signal Strength (RSS) in indoor localization is the influence of the environment on the results of RSS measurements, addressing the variability of RSS values and positioning accuracy. This study combines the use of the advantages of LoRa technology with a deep learning method that uses all variations of the RSS value measurement results in each position as a natural feature of indoor conditions as fingerprinting to train models in deep learning. This technique is named DeepFi-LoRaIn, which describes a technique for using RSS fingerprinting data from LoRa devices in indoor localization using deep learning methods. This research is not only limited to testing and proving the method using a testbed and simulation approach, but continues to the implementation stage using RSS fingerprinting from the actual measurement results. The test scenarios used to evaluate the model are the without interference scenario and the with interference scenario. The inteference scenario is done by giving disturbance to the RSS value received at several anchor nodes. In testing using a simulation dataset, position prediction results are obtained with an accuracy value of 100% for without interference scenarios. Meanwhile, in the scenario with interference, the accuracy of position prediction is 86.66%. The results of the position prediction test using direct measurement data obtained an accuracy value of 96.22%, for the scenario without interference and 92.45%. Based on the results of the study using simulation data and actual measurement data in the implementation, it was concluded that the use of the DeepFi-LoRaIn technique was able to overcome the problem of the variability of the RSS value in the room and was able to maintain the accuracy of position prediction in case of disturbances caused by changes in environmental conditions."

"Analisis sentimen merupakan studi komputasi untuk menganalisis opini seseorang terhadap suatu entitas yang diekspresikan dalam sebuah teks. Tersedia cukup banyak model machine learning terutama deep learning yang dapat digunakan untuk melakukan analisis sentimen seperti Convolutional Neural Network (CNN) dan Bidirectional Long Short-Term Memory (BiLSTM). Pada dasarnya, model deep learning tidak dapat memproses langsung sebuah data dalam bentuk teks sehingga diperlukan metode untuk mentransformasi teks menjadi tensor numerik seperti word embedding. Pada penelitian ini, diajukan model gabungan CNN-BiLSTM dengan word embedding fastText untuk melakukan analisis sentimen. Model tersebut dilatih menggunakan data tweet berbahasa Indonesia tentang opini masyarakat mengenai rencana subsidi pembelian kendaraan listrik di Indonesia. Data tersebut diklasifikasikan menjadi sentimen positif, negatif, dan netral dan ditemukan bahwa komposisi dari ketiga sentimen tersebut tidaklah seimbang (imbalanced dataset) dimana kelas positif memiliki lebih sedikit data dibanding kelaskelas lainnya. Untuk mengatasi masalah tersebut, digunakan metode resampling SMOTE agar jumlah data pada kelas positif dapat mengimbangi kelas lainnya. Model fastTextCNN-BiLSTM diukur performanya dengan melihat nilai akurasi, precision, recall, dan f1-score. Dari hasil penelitian didapat bahwa model gabungan CNN-BiLSTM memberikan nilai akurasi, precision, recall, dan f1-score yang paling baik dibanding model CNN dan BiLSTM saja. Model-model yang menggunakan word embedding fastText juga memberikan performa yang lebih baik dibanding model tanpa fastText (menggunakan word embedding standar). Secara keseluruhan, model gabungan fastTextCNN-BiLSTM ditemukan memiliki performa yang lebih baik dibandingkan dengan model-model lainnya.

---

Sentiment analysis is a computational study to analyze person’s opinion about an entity expressed in text. There are several machine learning models, especially deep learning models that can be used for sentiment analysis, such as Convolutional Neural Network (CNN) and Bidirectional Long Short-Term Memory (BiLSTM). Essentially, deep learning models cannot directly process textual data and they need a method to transform text into numerical tensors such as word embedding. In this research, a hybrid model CNN-BiLSTM with fastText word embedding is proposed for sentiment analysis. The model is trained using Indonesian tweets data regarding public opinions on the plan for subsidizing the purchase of electric vehicles in Indonesia. The data is classified into positive, negative, and neutral sentiments, and it is found that the composition of these sentiments is imbalanced, with the positive class having fewer data compared to the other classes. To address this issue, the SMOTE resampling method is used to balance the data in the positive class with the other classes. The performance of the fastText-CNNBiLSTM model is measured by accuracy, precision, recall, and f1-score. The research results show that the hybrid model CNN-BiLSTM achieves the highest accuracy, precision, recall, and f1-score compared to the single models CNN and BiLSTM. Models with fastText word embedding also outperform models without fastText (with standard word embedding). Overall, the hybrid model fastText-CNN-BiLSTM is found to outperform other models in terms of performance."

"Beras merupakan salah satu bahan pangan yang memiliki peran penting dalam kehidupan masyarakat Indonesia. Berbagai penelitian dan eksperimen dilakukan untuk mengembangkan kualitas beras salah satunya ada iradiasi beras. Pemanfaatan radiasi pada beras memiliki batasan dosis radiasinya sehingga diperlukan suatu instrumen yang dapat mengukur kadar dosis radiasi pada beras. Penelitian ini bertujuan untuk menganalisis performa tiga model deep learning, yaitu VGG16, AlexNet, dan ResNet34, dalam mengestimasi intensitas dosis radiasi pada sampel beras berwarna putih, merah, dan hitam. Data latihan, validasi, dan pengujian yang terdiri dari sampel-sampel berwarna putih, merah, dan hitam telah digunakan untuk melatih dan menguji model-model tersebut. Hasil penelitian menunjukkan bahwa performa model bervariasi tergantung pada ROI yang digunakan. Dalam hal akurasi pengenalan sampel pada data validasi dan pengujian, VGG16 ROI 20 menunjukkan hasil terbaik dengan akurasi mencapai 73% pada validasi dan 71% pada pengujian. Meskipun AlexNet juga menghasilkan performa yang kompetitif, dengan akurasi validasi dan pengujian mencapai 72%, waktu pelatihan yang lebih singkat dimiliki oleh AlexNet menjadi keunggulan yang signifikan. Namun, perlu diketahui bahwa ResNet34 menghasilkan performa yang lebih rendah dibandingkan dengan VGG16 dan AlexNet. Meskipun memiliki waktu pelatihan yang lebih lama, ResNet34 tidak mencapai tingkat akurasi yang sama dengan kedua model lainnya. Hasil penelitian ini memberikan wawasan penting dalam memilih model deep learning yang sesuai untuk pengenalan sampel berwarna putih, merah, dan hitam pada ROI dengan ukuran berbeda. Faktor-faktor seperti akurasi, waktu pelatihan, dan kebutuhan komputasi harus dipertimbangkan secara holistik dalam pemilihan model terbaik. Penelitian selanjutnya dapat menguji model-model ini pada dataset yang lebih luas dan dalam konteks aplikasi yang lebih kompleks untuk memvalidasi temuan ini secara lebih mendalam.

---

Rice is one of the staple foods that plays a crucial role in the lives of Indonesian people. Various research and experiments have been conducted to improve the quality of rice, including the use of rice irradiation. The utilization of radiation on rice has a specific dosage limit, thus requiring an instrument capable of measuring the radiation dose level in rice. This study aims to analyze the performance of three deep learning models, namely VGG16, AlexNet, and ResNet34, in estimating the intensity of radiation dose in white, red, and black rice samples. Training, validation, and testing data consisting of white, red, and black rice samples were used to train and evaluate these models. The results of the study showed that the performance of the models varied depending on the Region of Interest (ROI) used. In terms of sample recognition accuracy in the validation and testing data, VGG16 ROI 20 demonstrated the best performance with an accuracy of 73% in validation and 71% in testing. Although AlexNet also achieved competitive performance, with validation and testing accuracies reaching 72%, the advantage of shorter training time in AlexNet was significant. However, it should be noted that ResNet34 yielded lower performance compared to VGG16 and AlexNet. Despite having a longer training time, ResNet34 did not achieve the same level of accuracy as the other two models. These research findings provide valuable insights for selecting the appropriate deep learning model for recognizing white, red, and black rice samples in different ROIs. Factors such as accuracy, training time, and computational requirements need to be considered holistically in choosing the best model. Further research can test these models on larger datasets and in more complex application contexts to validate these findings more comprehensively."