Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kesehatan merupakan kebutuhan dasar setiap manusia untuk menjalani kehidupan sehari hari. Urinalisa merupakan pemeriksaan kesehatan tubuh berdasarkan cairan urin. Protein merupakan salah satu parameter yang dapat digunakan untuk mengetahui kondisi kesehatan tubuh. Keadaan protein yang tidak normal dalam tubuh dapat mengindikasikan adanya penyakit gangguan ginjal, gagal jantung dan proteinuria. Urine analyzer merupakan alat yang dapat mendeteksi adanya protein dalam urin. Keterbatasan akses menggunakan alat Urine Analyzer menjadi latar belakang dilakukan pengukuran protein dalam urin berbasis ponsel pintar. Ponsel pintar mempunyai kamera ponsel yang memungkinkan digunakan dalam pemrosesan gambar. Ponsel pintar yang digunakan untuk pengukuran protein pada urin dalam penelitian ini adalah Huawei Nova 5T dan Samsung Galaxy A51 dengan menggunakan aplikasi Opencamera untuk mengambil citra sampel strip uji dan papan warna. Pada penelitian ini dilakukan pula pengujian ukuran resolusi kamera terhadap algoritma koreksi warna dan segmentasi pada citra. Data citra kemudian dilakukan koreksi warna untuk menghasilkan warna citra yang optimal. Metode koreksi warna yang digunakan adalah metode Root-Polynomial Color Correction (RPCC). Citra hasil koreksi warna selanjutnya digunakan sebagai data masukan untuk pengukuran kadar protein pada urin menggunakan model regresi Artificial Neural Network dengan metode fungsi pelatihan Lavenberg-Marquardt. Hasil penelitian menunjukan bahwa, algortima koreksi warna bekerja optimal pada ukuran resolusi minimum sampai resolusi maksimum. Algortima koreksi warna yang digunakan menghasilkan performa yang baik dengan hasil evaluasi koreksi warna sebesar 1,13 – 1,83 ΔE. Model regresi menggunakan ANN menghasikan nilai evaluasi sebesar 0,05 – 0,04 RRMSE atau 95% - 96%. Hasil ini menyimpulkan bahwa algortima model regresi Artificial Neural Network dengan fungsi pelatihan Lavenberg-Marquardt dapat digunakan untuk pengukuran kadar protein pada urin berbasis ponsel pintar.

---

Health is a basic need of every human being. Urinalysis is an examination of the body's health based on urine. Protein is one of the parameters that can be used to determine the health condition of the body. The state of abnormal protein in the body can indicate kidney disorders, heart failure and proteinuria. Urine analyzer is a tool that can detect the presence of protein in urine. Limited access using Urine Analyzer is the background for measuring protein in urine based on smart phones. Smartphones have cell phone cameras that allow them to be used in image processing. The smart phones used for measuring protein in urine in this study were Huawei Nova 5T and Samsung Galaxy A51 using the application Opencamera to take sample images of test strips and color boards. In this study, the size of the camera resolution was also tested against color correction algorithms and image segmentation. The image data is then color corrected to produce the optimal color image. The color correction method use the Root-Polynomial Color Correction (RPCC) method. The color-corrected image then used as input data for measuring protein levels in urine using regression model Artificial Neural Network with training function method Lavenberg-Marquardt. The results show that the color correction algorithm works optimally at the minimum resolution to the maximum resolution. The color correction algorithm used produces good performance with the results of the color correction evaluation being 1,13 – 1,83 ΔE. The regression model using ANN produces an evaluation value of 0.05 – 0.04 RRMSE or 95% – 96%. These results conclude that the regression model algorithm Artificial Neural Network with training function Lavenberg-Marquardt can be used for smartphone-based urine protein measurement."

"Tujuan penelitian ini adalah melakukan studi awal guna memprediksi nilai kerma udara dan half value layer (HVL) pesawat CT scan berdasarkan citra fantom homogen. Penelitian ini dilakukan dengan menggunakan citra homogen dari fantom standar CT scan yang dilakukan ekstraksi fitur GLCM (Gray Level Co-occurence Matrix), dengan data tambahan berupa nilai kVp pengambilan citra. Sebagai label output adalah hasil pengukuran kerma udara dan HVL. Model yang digunakan berbasis artificial neural network, dengan hyperparameter ditentukan berdasarkan teknik hyperparameter tuning dengan menggunakan Teknik Gridsearch. Pencarian hyperparameter berupa fungsi aktivasi, jumlah hidden layer, jumlah hidden unit, kernel initializer, dan optimizer dilakukan dengan Analisa performa hasil. Kualitas performa klasifikasi model artificial neural network menggunakan confusion matrix menunjukkan akurasi sebesar 84,4% pada model yang dilatih menggunakan input fitur GLCM, sedangkan pada model artificial neural network yang menggunakan input fitur GLCM dan kVp menunjukkan akurasi sebesar 100%. Hasil ini menunjukkan bahwa fitur GLCM mampu menghasilkan akurasi yang baik untuk melakukan prediksi kerma udara dan HVL. Namun, jika disertai dengan fitur kVp sebagai input, maka proses training akan menghasilkan akurasi yang sangat baik, dengan gejala dominasi fitur kVp terhadap fitur GLCM.

---

The goals of this research is to do preliminary study to predict air kerma and half value layer (HVL) of CT scan base on phantom image which has homogeneous characteristic. This research starts with GLCM (Gray Level Co-occurence Matrix) feature extraction process from the phantom image, the kVp value also extracted from the phantom image dicom information. While the target during training is air kerma and HVL measurement resulted from the dosimeter and solid state device. Machine learning model used for this research is artificial neural network (ANN) base Machine Learning model. However, the hyperparameter have not yet been found. Thus, this problem could be solved by using Hyperparameter tuning technique, specifically using Gridsearch with variety of activation function, hidden layers, hidden units, kernel initializer, and optimizer as the parameter guideline. The performance of classification model is measured using confusion matrix technique. The classification performance show that the model which trained using GLCM feature only has 84.4% accuracy to predict air kerma and HVL. While, the classification performance show that the model which trained using GLCM feature and kVp that extracted from the dicom information has 100% accuracy to predict air kerma and HVL. Although, the model that train using GLCM feature and kVp can predict much better than the model which trained using GLCM feature only, it shows that GLCM feature is dominated by kVp feature that extracted from the dicom information."

"Dalam skripsi ini dibuat perangkat lunak yang dapat mengenali tipe ABO golongan darah manusia melalui pengolahan citra berbasiskan Jaringan Syaraf Tiruan (JST). Pola sampel darah yang direaksikan dengan reagen akan memiliki hasil pasangan penggumpalan yang berbeda. Jenis reagen yang direaksikan adalah antigen-A dan antigen-B. Pola pasangan darah dan reagen serta bentuk penggumpalan citra darah menjadi ciri dan kombinasi yang unik untuk membedakan tipe-tipe darah yang ada.Data sampel darah berupa citra digital yang diperoleh menggunakan kamera digital. Sampel darah direaksikan dengan reagen di atas preparat dengan urutan reagen anti-A ditempatkan pada bagian kiri preparat dan reagen anti-B pada bagian kanan. Sebelum diolah dalam sistem JST, data melewati pra-proses, yaitu proses perbaikan citra digital yang terdiri dari proses pencuplikan, gray-level quantization, dan normalisasi dalam bentuk matriks. Hasil akhirnya berupa citra fitur hitam putih dalam matriks berukuran 5×5. Hasil pra-proses kemudian dihitung nilai parameter karakteristiknya, yaitu nilai rata-rata matriks tersebut. Nilai ini selanjutnya akan dijadikan input bagi proses pelatihan jaringan syaraf tiruan dengan metode backpropagation.Jumlah data sampel sebanyak 120 set, dimana 80 di antaranya digunakan untuk melatih JST, dan sisanya digunakan untuk menguji JST. Hasil simulasi menunjukkan sistem mampu mengenali golongan darah dengan tingkat akurasi hingga 90%.

---

In this research, an identification system of human blood type is designed using image processing techniques and the Artificial Neural Network (ANN) with backpropagation algorithms. The pattern of human blood type was formed using a chemical reaction between the blood and a reagent. The reagent that used in the reaction process are anti-A and anti-B reagent. Using a flat glass preparat as a media, the anti-A reagent is mixed to the blood sample on the left side and the anti-B reagent on the right side. Combination of blood coagulation pairs could distinguish the blood type.

The blood coagulation pair is converted into digital images after taken by a digital camera. The image is then pre-processed and normalized to 50×50 matrix size. The matrix is divided to different blocks and reduced to 5×5 grayscale image. The preprocessing involved sampling, gray-level quantization, and normalization. After preprocessing, the mean of 5×5 gray scale image will be calculated and used as the input for the ANN.

The total number of blood sample data is 140 pairs, 80 set of them are used for training process of the ANN and the rest are used for identification. The simulation result shows that the system is able to identify up to 90% level of accuracy."

"Suara denyut jantung memiliki pola khusus yang bersesuaian dengan kondisi jantung seseorang. Jantung yang tidak normal akan menimbulkan suara khas yang disebut murmur. Murmur disebabkan oleh berbagai hal yang menunjukkan kondisi jantung seseorang. Melalui Phonocardiogram (PCG) dapat dilihat gelombang sinyal denyut jantung seseorang. Spektrum denyut jantung abnormal memiliki pola spektrum yang khas. Sehingga melalui pola spektrum tersebut dapat diketahui kelainan jantung apa yang diderita oleh seseorang. Penelitian ini akan membuat suatu program simulasi yang akan mengenali tiga jenis kelainan jantung. Program simulasi ini menggunakan metode Jaringan Syaraf Tiruan dalam mengidentifikasi ketiga jenis kelainan jantung tersebut. Data yang akan digunakan sebagai database yaitu berupa sampel suara denyut jantung dengan format .wav, mono. Metode pelatihan Jaringan Syaraf Tiruan yang dibuat ini menggunakan fungsi traingdx yang terdapat pada Neural Network Toolbox MATLABTM. Adapun penggunaan fungsi traingdx ini karena waktu pelatihannya lebih cepat. Berdasarkan hasil pengujian pengenalan beberapa sampel kelainan jantung diperoleh akurasi rata-rata sebesar 82.2% dalam mengenali tiga jenis kelainan jantung tersebut.

---

Heartbeat has a unique pattern which corresponding to heart condition. Abnormal heart has a unique sounds which called murmurs. An murmur can be caused by something that indicates heart condition. It can be shown as a signal waveform of heartbeats by Phonocardiogram (PCG). Abnormal heartbeat has a unique spectral pattern. So with that spectral pattern it can be identify what kind of murmur types. This research make a simulation program which will identify 3 kinds of murmur heartbeats. This simulation program use Artificial Neural Network (ANN) to identify that murmurs. ANN database will use some murmurs heartbeats which record in .wav, mono fomat. Training method in this ANN use traingdx function which provided by Neural Network Toolbox MATLABTM. Traingdx function is a faster training method. This simulation program has 82.2% accuracy to detect 3 kinds of heartbeat murmur."

"Artificial neural network (ANN) inspered from biological science...."

"Dalam makalah ini, penulis membahas dan memperkenalkan sebuah metodologi pencaharian struktur arsitektur Jaringan Neural Buatan propagasi balik berbasis fuzzy (JNB-Fuzzy) yang optimal dengan menggunakan algoritma genetika. Optimasi struktur jaringan neural dapat dilakukan dengan memperkecil jumlah neuron dalam lapis tersembunyi atau jumlah bobot dalam jaringan neural. Dalam makalah ini penulis membuat optimasi struktur jaringan dengan memperkecil jumlah bobot dalam jaringan, karena jumlah bobot ini jauh lebih besar daripada jumlah neuron yang ada. Jaringan neural yang telah dioptimasi ini kemudian digunakan sebagai subsistem pengenal pola pada Sistem Penciuman Elektronik yang dikembangkan oleh penulis. Hasil eksperimen dengan menggunakan jaringan ini menunjukkan peningkatan derajat pengenalan sistem, dari 70,4% pada struktur jaringan tidak dioptimasi, menjadi 85,2% bila menggunakan struktur jaringan yang telah dioptimasi.

---

In this article we proposed a method for optimizing the structure of a fuzzy artifi cial neural networks (FANN) through genetic algorithms. This genetic algorithm (GA) is used to optimize the number of weight connections in a neural network structure, by evolutionary calculating the fi tness function of those structures as individuals in a population. This fuzzy neural is then applied as the pattern recognition in our developed odor recognition system. Experimental results show that the optimized neural system provides higher recognition capability compare with that of unoptimized neural system. Recognition rate of the unoptimized neural structure is 70.4% and could be increased up to 85.2% in the optimized neural system. It is also shown that the computational cost of the optimized structure of neural system is also lower than the unoptimized structure."

"The largest region that produces oil palm in Indonesia has an important role in improving the welfare an economy of the society. Oil palm production has increased significantly in Riau Province in every period. To determine the production development for the next few years, we proposed a prediction of the production results. The dataset were taken to be the time series data of the last 8 years (2005-2013) with the function and benefits of oil palm as the parameters. The study was undertaken by comparing the performance of Support Vector Regression (SVR) method and Artificial Neural Network (ANN). From the experiment, SVR resulted the better model compared to the ANN. This is shown by the correlation coefficient of 95% and 6% for MSE in the kernel Radial Basis Function (RBF), whereas ANN resulted only 74% for R2 and 9% for MSE on the 8th experiment with hidden neuron 20 and learning rate 0,1. SVR model generated predictions for next 3 years which rose 3%-6% from the actual data and RBF model predictionsDaerah penghasil kelapa sawit terbesar di Indonesia mempunyai peranan penting dalam peningkatan kesejahteraan dan ekonomi masyarakat. Produksi kelapa sawit mengalami peningkatan yang signifikan di Provinsi Riau dalam setiap kurun waktu, untuk menentukan perkembangan produksi beberapa tahun ke depan, kami mengusulkan suatu prediksi dari hasil produksi. Dataset yang diambil adalah data time series dari data yang diperoleh selama 8 tahun terakhir (2005-2013) dengan fungsi dan manfaat kelapa sawit sebagai parameter. Dalam implementasinya peramalan dilakukan dengan membadingkan kinerja metode Support Vector Regression (SVR) dan Artificial Neural Network (ANN). Dari percobaan, SVR menghasilkan model terbaik dibandingkan dengan ANN yaitu ditunjukkan dengan koefisien korelasi sebesar 95% dan MSE 6% pada kernel Radial Basis Function (RBF), sedangkan ANN hanya menghasilkan R2 sebesar 74% dan MSE 9% pada percobaan ke-8 dengan hidden neuron 20 dan learning rate 0,1. SVR model menghasilkan prediksi untuk 3 tahun kedepan yang memiliki kenaikan antara 3%-6% dari data aktual dan prediksi model RBF"

"With rapid growth in the construction industry, Ready Mix Concrete (RMC) is playing a key role in offering customized quality of concrete to contractors and builders. The workability of concrete covers early age operations of concrete viz., placing, compaction and finishing. Since RMC is manufactured at a plant and transported to the construction site, hence the loss of workability is of prime concern due to the considerable time interval between mixing and placing of concrete. Workability of concrete measured using a slump test is an indicator to evaluate the life of RMC during its transportation phase and uniformity of concrete from batch to batch. The concrete mix proportions like cement, fly ash, coarse aggregates, fine aggregates, water and admixtures govern the workability or slump value of the concrete. Artificial Neural Networks (ANNs) learning from past examples gathered from RMC plant has been used to model the functional relationship between the input parameters and the slump value. The ANN model provided promising results compared to first order and second order regression techniques in modeling unknown and complex nature of relationships exhibited by the input parameters and the slump of concrete. The neural network synaptic weights which control the learning mechanism of ANN have been further used to compute the percentage relative importance of each constituent of RMC on the slump value."

"The objective of this study is to determine the solar energy potential in Indonesia using artificial neural networks (ANNs) method. In this study, the meteorological data during 2005 to 2009 collected from 3 cities (Jakarta, Manado, Bengkulu) are used for training the neural networks and the data from 1 city (Makasar) is used for testing the estimated values. The testing data were not used in the training of the network in order to give an indication of the performance of the system at unknown locations. Fifteen combinations of ANN models were developed and evaluated. The multi layer perceptron ANNs model, with 7 inputs variables (average temperature, average relative humidity, average sunshine duration, longitude, latitude, latitude, month of the year) are proposed to estimate the global solar irradiation as output. To evaluate the performance of ANN models, statistical error analysis in terms of mean absolute percentage error (MAPE), mean absolute bias error (MABE) and root mean square error (RMSE) are conducted for testing data. The best results of MAPE, MABE, RMSE are found to be 7.4%, 1.10 MJ/m2 and 0.17 MJ/m2 respectively as 7 neurons were set up in the hidden layer. The result demonstrates the capability of ANN model to generate the solar irradiation estimation in Indonesia."