📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 27 dokumenPENGARUH PENINGKATAN KUALITAS CITRA BERBASIS CLAHE PADA KLASIFIKASI TINGKAT KEPARAHAN DIABETIC RETINOPATHY MENGGUNAKAN RESNET50
Diabetic retinopathy (DR) merupakan komplikasi mikrovaskular pada retina yang disebabkan oleh Diabetes Mellitus (DM), yang berpotensi menyebabkan gangguan penglihatan hingga kebutaan jika tidak dideteksi dan ditangani secara dini. Diagnosis awal DR biasanya dilakukan melalui analisis citra fundus oleh dokter spesialis mata. Tetapi, metode manual ini memerlukan waktu yang cukup lama dan keahlian tinggi dalam menganalisis citra fundus. Sebagai alternatif, teknologi Computer-Aided Detection (CAD) menawarkan solusi yang lebih efisien untuk mempercepat diagnosis DR. Pendekatan deep learning (DL) telah banyak digunakan untuk secara otomatis mengklasifikasikan tingkat keparahan DR, dengan hasil yang menjanjikan. Tetapi, terdapat tantangan seperti variasi ukuran dan lebar citra fundus yang dapat memengaruhi kinerja model, kebutuhan dataset yang sangat besar, serta kebutuhan sumber daya komputasi yang signifikan untuk melatih model secara optimal. Penelitian ini berfokus pada klasifikasi tingkat keparahan DR menggunakan arsitektur ResNet50. Dataset yang digunakan adalah APTOS2019 dan terdiri dari 3662 citra fundus. Dataset tersebut dibagi menjadi data training (90%) dan data testing (10%). Kemudian diterapkan skenario preprocessing pertama, dimana green channel diproses dengan contrast limited adaptive histogram equalization (CLAHE) lalu melakukan resampling untuk menyamaratakan distribusi data pada data latih serta augmentasi data untuk meningkatkan variasi dataset. Selanjutnya, penelitian ini menerapkan metode ensemble, yang menggabungkan beberapa classifier seperti SVM, Random Forest, dan Logistic Regression. Hasil evaluasi menunjukkan rata-rata akurasi sebesar 83%, precision 69%, recall 66%, dan f1-score 67% pada skema 10-fold cross- validation. Kinerja terbaik dicapai dengan akurasi 85%, precision 72%, serta recall dan f1-score masing-masing 71%. Dari segi AUROC, nilai macro-average AUROC yang diperoleh adalah 0,96, dengan nilai ROC untuk masing-masing kelas sebagai berikut: Normal sebesar 1,00, Mild sebesar 0,96, Moderate sebesar 0,95, Severe sebesar 0,95, dan Proliferative sebesar 0,91. Hasil penelitian ini menunjukkan peningkatan signifikan dalam performa model untuk mengklasifikasikan tingkat keparahan DR, dimana ia mengindikasikan bahwa pendekatan kombinasi preprocessing, augmentasi, dan metode ensemble dapat menjadi solusi yang efektif untuk meningkatkan akurasi klasifikasi.
ANALISIS KARIES GIGI MENGGUNAKAN GRAY-LEVEL CO-OCCURENCE MATRIX PADA CITRA RADIOGRAFI PERIAPIKAL
Karies gigi adalah salah satu penyakit kronis dengan prevalensi tinggi di seluruh dunia, terutama di Indonesia, di mana prevalensinya mencapai 88,8% pada tahun 2018. Karies gigi disebabkan oleh asam yang dihasilkan oleh bakteri dalam plak, yang merusak enamel gigi dan dapat menyebabkan infeksi serius serta kehilangan gigi jika tidak segera diobati. Karies dapat dideteksi dini salah satunya dengan menggunakan citra radiografi periapikal. Dokter perlu mengenali gigi yang mengalami karies secara manual. Penelitian ini mengembangkan model deteksi karies gigi secara otomatis. Teknik yang dikembangkan menggunakan algoritma k- Nearest Neighbours (KNN) dengan interpolasi cubic, memanfaatkan fitur Gray- Level Co-occurrence Matrix (GLCM) pada jarak 10 piksel dan ukuran gambar 20x20. Hasil penelitian menunjukkan bahwa model KNN ini memiliki performa yang sangat baik dengan akurasi tinggi, baik pada data validasi maupun data uji, serta nilai Area Under Curve (AUC) yang menunjukkan kemampuan kuat dalam membedakan antara gambar gigi sehat dan yang mengalami karies. Evaluasi metrik tambahan, termasuk prescision, recall, F1-score, dan specificity, menunjukkan efektivitas model dalam mengidentifikasi sampel positif dan negatif dengan tingkat kesalahan yang rendah. Aspek GLCM yang paling berpengaruh dalam analisis ini adalah dissimilarity, yang berhasil menangkap variasi intensitas signifikan antara piksel yang berdekatan, menjadikannya fitur kunci dalam meningkatkan akurasi klasifikasi dan efektivitas model. Penelitian ini menyimpulkan bahwa kombinasi GLCM dengan fokus pada dissimilarity dan algoritma KNN dapat menjadi pendekatan yang sangat efektif dalam mendeteksi karies gigi, memberikan kontribusi yang berarti dalam upaya meningkatkan diagnosis dini dan perawatan karies secara klinis.
PENGOLAHAN DATA SEISMIK REFLEKSI 3D SPARSE DAN IRREGULAR
Pengolahan data seismik refleksi 3D dengan tata letak yang sparse dan irregular menghadirkan tantangan signifikan dalam meningkatkan kualitas citra bawah permukaan. Survei seismik ideal biasanya dilakukan dengan tata letak simetris dan padat, yang menghasilkan data dengan jumlah fold merata dan kualitas citra yang baik. Namun, survei seperti ini sering kali memerlukan biaya tinggi dan tidak selalu dapat diterapkan dalam semua kondisi lapangan. Sebagai alternatif, survei seismik 3D dengan tata letak sparse dan irregular dilakukan dengan pengurangan jumlah shot dan receiver, yang mengakibatkan fold, offset, dan azimuth menjadi tidak teratur serta menurunkan kualitas citra seismik. Penelitian ini bertujuan untuk menganalisis karakteristik data seismik yang dihasilkan dari survei seismik 3D dengan tata letak sparse dan irregular, mengevaluasi metode pengolahan data yang efektif, serta menghasilkan data seismik stack cube dari hasil pengolahan tersebut. Proses pengolahan data meliputi time break correction, geometry, denoising, amplitude recovery, deconvolution, velocity analysis, NMO correction, residual static correction, stacking, dan enhance. Hasil penelitian ini menunjukkan bahwa komponen sinyal dan noise tumpang tindih pada frekuensi rendah, sehingga memerlukan teknik denoising tambahan selain bandpass filter. Denoising dan residual static correction menjadi tahap yang sangat penting karena keduanya berhasil meningkatkan S/N ratio secara signifikan. Namun, hasil dengan S/N ratio yang baik hanya dapat dicapai pada beberapa arah inline, sehingga hasilnya lebih tepat disebut sebagai pseudo-3D. Untuk meningkatkan kualitas secara merata di seluruh area survei, teknik seperti regularisasi dan interpolasi dapat diterapkan.
PEMBANGUNAN SISTEM PREDIKSI SIKLON TROPIS BERBASIS DEEP LEARNING MENGGUNAKAN DATA CITRA SATELIT
Siklon tropis aclalah fenomena alam yang signifikan dan berpotensi merusak wilayah yang dilaluinya, terutama di wilayah tropis. Karena potensi dampak buruk tersebut, akurasi prediksi siklon tropis sangat penting untuk mitigasi bencana. Prediksi siklon tropis yang dimaksud aclalah lintasan siklon tropis (trajectory) clan intensitas siklon tropis. Pendekatan awal yang digunakan untuk memprediksi siklon tropis menggunakan metode tradisional seperti model cuaca numerik, meskipun model ini memberikan pemahaman yang mudah dipahami tentang dinamika atmosfer, namun metode ini memiliki keterbatasan clalam hal kompleksitas dan ketergantungan pada kualitas data input. Selain itu, metode ini membutuhkan sumber komputasi yang sangat besar dan membutuhkan waktu yang lama saat proses inferensi. Hal ini menjadi salah satu alasan para peneliti melakukan eksplorasi menggunakan metode lain. Saat ini, para peneliti mulai menggunakan pendekatan berbasis kecerclasan buatan, terutama deep learning. Metode ini telah terbukti dapat memberikan hasil yang jauh lebih cepat dibandingkan metode numerik, sedangkan untuk akurasinya masih terns dikembangkan. Penelitian ini akan mengembangkan metode deep learning, yaitu Sim VP-gSTA, untuk memprediksi siklon tropis. SimVP-gSTA sebagai model terkini yang mengatasi permasalahan spatiotemporal akan digunakan sebagai model clasar untuk memprediksi siklon tropis. Model ini termasuk kedalam kategori sequence to sequence prediction. Penelitian ini akan menggunakan dua jenis data pada eksperimen yaitu data infrared clan heatmap. Data infrared dibangun berdasarkan histori IBTrACS dan Himawari-8. Sedangkan data heatmap dibangun berdasarkan titik pusat siklon tropis. Hasil prediksi dari model Sim VP-gSTA akan diteruskan keclalam model estimasi pusat siklon dan model estimasi intensitas siklon untuk menghasilkan estimasi trajectory dan klasifikasi siklon tropis. Modul prediksi dievaluasi menggunakan metrik yang sesuai yaitu RMSE, SSIM, dan PSNR. Sedangkan eksperimen estimasi trajectory akan dievaluasi menggunakan Euclidean distance dan klasifikasi siklon tropis dievaluasi menggunakan nilai akurasi. Hasil evaluasi menunjukkan bahwa prediksi gambar siklon tropis dengan data infrared dan data heatmap menggunakan model Sim VP-gSTA lebih baik dibandingkan penelitian serupa dalam hal metrik PSNR. Sedangkan evaluasi dengan metrik SSIM, hasil model prediksi dengan data heatmap lebih unggul dibandingkan dengan data infrared dan penelitian yang serupa. Namun, hasil evaluasi trajectory masih belum menunjukkan peningkatan signifikan, meskipun belum menunjukkan peningkatan akurasi trajectory, model prediksi SimVP-gSTA untuk trajectory masih memiliki kinerja yang kompetitif. Sedangkan hasil estimasi intensitas menunjukkan bahwa model EfficientNetBl memiliki akurasi tertinggi pada task klasifikasi biner dengan tambahan teknik SW A. Hasil penelitian menunjukkan bahwa penggunaan model SimVP-gSTA dengan data infrared menghasilkan rata-rata skor SSIM 0.632 dan PSNR 25.89 pada prediksi 3 jam dan rata-rata SSIM 0.623 dan PSNR 22.94 pada prediksi 24 jam. Sedangkan dengan data input heatmap, hasil kinerja model SimVP-gSTA menunjukkan rata-rata skor SSIM dan PSNR 0.8 dan 35.11 pada prediksi 3 jam dan 0.695 dan 20.89 pada prediksi 24 jam. Selain itu hasil prediksi trajectory dengan dua data input tersebut juga dievaluasi. Pada waktu prediksi 3 jam, model Sim VPgSTA dengan data input infrared menghasilkan nilai error 2.39 (240 km) sedangkan dengan data input heatmap menghasilkan error 0.4 ( 40km). Pada waktu prediksi 24 jam, hasil dengan data input infrared yaitu sebesar 5.17 (500 km) sedangkan dengan data input heatmap sebesar 3.58 (360 km). Selain itu, penelitian ini juga mengeksplorasi estimasi intensitas siklon tropis, model yang digunakan menggunakan arsitektur EfficientNet. Eksperimen dilakukan pada dua task, yaitu prediksi multi kelas dan prediksi biner. Hasil kinerja model saat memprediksi multi kelas menunjukkan akurasi 0.53 dengan model versi EfficientNetB3 sedangkan pada saat memprediksi kelas biner hasil akurasi mencapai 0.767, penelitian ini juga mengeksplorasi penggunaan teknik Stochastic Weight Averaging (SW A) pada model EfficientNet untuk meningkatkan akurasi prediksi. Secara keseluruhan teknik SW A dapat meningkatkan akurasi namun tidak signifikan. Model terbaik dalam eksperimen estimasi intensitas ini mencapai akurasi 0.768 pada klasifikasi biner dengan model versi EfficientNetBl. Secara keseluruhan, penelitian ini menunjukkan bahwa pendekatan deep learning, khususnya model SimVP-gSTA, dapat digunakan untuk memprediksi siklon tropis. Untuk memprediksi trajectory, penggunaan data heatmap lebih baik dari pada infrared. Sedangkan untuk estimasi intensitas siklon tropis, prediksi kelas biner lebih baik dibandingkan prediksi multi kelas. Hal ini menunjukkan potensi besar penggunaan deep learning dalam mitigasi dampak buruk siklon tropis dalam menghasilkan prediksi yang lebih akurat dan cepat.
PENGEMBANGAN SISTEM ASESMEN EFEK SOFT FOCUS DARI PENGGUNAAN KOSMETIK BERBASIS IN VIVO DENGAN PENCITRAAN MULTISUDUT
Pertumbuhan industri kosmetik di indonesia yang mencapai 22% pada tahun 2023 menjadikannya salah satu sektor industri yang menjanjikan dan dinamis. Seiring dengan pertumbuhan industri ini, uji klaim kosmetik memegang peran penting dalam pengembangan produk kosmetik yang efektif, dan inovatif. Salah satu klaim kosmetik yang membutuhkan sistem pengujian yang tepat adalah efek soft focus yang merupakan efek penyamaran tekstur kulit. Pada penelitian ini akan dikembangkan sistem asesmen efek soft focus berbasis in vivo untuk memberikan gambaran yang akurat bagaimana kosmetik berinteraksi dengan kulit wajah secara langsung. Pengukuran akan dilakukan menggunakan teknik pemrosesan untuk beberapa citra yang diambil pada sudut tangkap yang berbeda yang disebut set citra multisudut. Ini bertujuan untuk menghitung peforma efek soft focus dengan melihat bagaimana tingkat konsistensi reflektansi pada berbagai sudut observasi . Output sistem ini adalah Coefficient of Variation (CV) dari set entropi joint histogram dan set homogenitas Gray Level Co-occurrence Matrix (GLCM), yang merupakan parameter dari tingkat konsistensi kemiripan dan kemerataan reflektansi. Selanjutnya dilakukan pengujian pada sistem yang dikembangkan berupa studi kasus dengan variasi kondisi kulit sebagai komparasi untuk melihat tingkat kehandalan sistem. Analisis secara rata-rata memberikan gambaran umum bahwa kanal hijau adalah kanal yang lebih handal diantara ketiga kanal warna untuk memberikan hasil yang representatif dengan R2 sebesar 0,97 untuk CV entropi dan R2 sebesar 0,85 untuk CV homogenitas. Sedangkan, secara individual kanal hijau memberikan hasil yang representatif untuk 4 dari 8 orang naracoba. Kata kunci: Efek Soft focus, Kosmetik, Pencitraan Multisudut, Pemrosesan Citra
ENSEMBLE DEEP LEARNING UNTUK SISTEM KLASIFIKASI MUTU BIJI KOPI BERBASIS MULTI-WARNA DENGAN PEMANFAATAN SUPER-RESOLUSI BERBASIS JARINGAN SARAF KONVOLUSI TERHADAP CITRA INPUT
Kopi adalah salah satu komoditi utama Indonesia yang mempengaruhi devisa negara. Kualitas biji kopi mempengaruhi rasa dan harga, dengan standar mutu mengacu pada SNI 01-2907-2008. Saat ini, proses penjaminan mutu kopi masih manual, menggunakan klasifikasi visual organoleptik oleh manusia, yang memerlukan waktu lama. Untuk mengatasi kerumitan ini, sistem otomasi berbasis computer vision diperlukan. Computer vision memanfaatkan informasi visual untuk pengambilan keputusan dan memerlukan machine learning untuk mengenali pola visual. Deep learning, terutama Convolutional Neural Networks (CNN), efektif dalam ekstraksi fitur citra dan dapat mencapai akurasi klasifikasi biji kopi di atas 80%. Prosedur pelatihan melibatkan data latih yang diatur oleh penilai tersertifikasi, dengan pencahayaan yang merata untuk menghindari bayangan. Data latih diambil dalam wadah besar berisi 1053 biji kopi. Teknik segmentasi otomatis menghasilkan citra tunggal biji kopi yang kemudian dibersihkan dari fitur tumpang tindih. Citra tunggal tersebut memiliki resolusi dibawah standar yang dibutuhkan oleh state of the art (SOTA) deep learning sehingga diperlukan peningkatan resolusi dengan super-resolusi. Super-resolusi berbasis CNN meningkatkan resolusi citra untuk memperkaya fitur sehingga dapat meningkatkan kemampuan dari SOTA deep learning hasil dari pelatihan. Peningkatan ini dapat dilihat dari generalisasi dan akurasi model. Pelatihan menggunakan empat model deep learning terkini dengan tujuh ruang warna (RGB, HSV, CIE LAB, XYZ, YCrCb, HLS, LUV) untuk memahami fitur cacat biji kopi lebih baik. Hasil pelatihan dikombinasikan dengan teknik soft-voting dari ensemble learning, menghasilkan model yang akurat dan tangguh. Evaluasi model menggunakan confusion matrix menunjukkan akurasi 100% untuk citra super-resolusi dengan metode FSRCNN (Fast Super-Resolution Convolutional Neural Network). Metode ini mengatasi masalah ill-posed dalam metode resize interpolation, menggunakan lapisan konvolusi untuk ekstraksi fitur dan lapisan dekonvolusi untuk perbesaran resolusi. Model tetap akurat pada rentang 99%-100% meskipun skema data latih diturunkan hingga 30%, menunjukkan generalisasi yang baik. Kata kunci: FSRCNN, soft-voting, SOTA deep learning, ruang warna, segmentasi
AUTOMATED FLUORESCENCE SEBAGAI SISTEM BANTU DIAGNOSIS KEBOCORAN PEMBULUH DARAH RETINA
Kebocoran pembuluh darah retina dapat menyebabkan edema pada retina yang merupakan salah satu ciri penyakit retinopati diabetik. Sejauh ini pemeriksaan FFA (Fluorescence Fundus Angiography) secara berkala merupakan cara diagnosis yang paling efektif untuk penyakit tersebut. Namun, pemakaian FFA ini menimbulkan masalah karena harganya cukup mahal dan menyebabkan efek samping pada pasien. Agar risiko dari pemeriksaan FFA bisa dikurangi, sistem Automated Fluorescence (AF) dibuat untuk mendeteksi kebocoran pembuluh darah secara automatis pada citra retina yang diperoleh dari kamera fundus tanpa memberikan injeksi zat kontras (non-invasive). Pada penelitian ini, metoda yang digunakan untuk deteksi penjalaran pembuluh darah pada citra retina adalah wavelet Gabor 2-D, analisis multiresolusi, dan filter highpass Butterworth. Metoda untuk deteksi area kebocoran retina meliputi JST (Jaringan Saraf Tiruan), CLAHE (Contrast-Limited Adaptive Histogram Equalization), dan operasi morfologis. Hasil percobaan menunjukkan keakuratan algoritma dalam mendeteksi pembuluh darah besar maupun kecil dan area kebocoran yang memberikan tingkat kesesuaian tinggi terhadap citra referensi. Sistem AF ini sudah bisa diaplikasikan dalam bentuk GUI (Graphical User Interface).
METODE SELEKSI WARNA DALAM RUANG WARNA HSV BERBASIS KAMERA CAHAYA TAMPAK PADA UNMANNED AERIAL VEHICLE
Penelitian tentang prosedur seleksi warna untuk berbagai tujuan telah banyak dilakukan. Mendeteksi cacat pada kain, menghitung indeks warna komunitas mikroba, menganalisis warna digital untuk memfasilitasi proses desain mode, mengaplikasikan warna pada karya seni, menghitung tutupan kanopi, dan mencapai tujuan lain telah menjadi subjek penelitian. Hasil penelitian tersebut menghasilkan metode yang membutuhkan langkah-langkah rumit, perhitungan, dan waktu komputasi yang panjang. Penelitian ini bertujuan melakukan optimasi metode seleksi warna dalam ruang warna HSV berbasis kamera cahaya tampak yang terpasang pada unmanned aerial vechicle (UAV). Dalam penelitian disertasi ini, disajikan strategi baru untuk mengoptimalkan proses seleksi warna dengan menggunakan teknik Heaviside Step Function dan Hadamard Product. Citra yang diperoleh dari kamera UAV menggunakan ruang warna RGB dikonversi menjadi ruang warna HSV untuk memisahkan kanal warna dengan kanal saturasi dan kanal intensitas cahaya. Citra pada ruang warna HSV dioptimalkan dengan memilih secara selektif warna yang diinginkan dengan menetapkan batas ambang untuk setiap komponen warna, saturasi, dan intensitas cahaya yang diperoleh dari potongan citra uji. Perhitungan ambang batas setiap kanal dilakukan dengan pendekatan nilai standar deviasi untuk kondisi cahaya yang konstan dan pendekatan nilai minimum dan maksimum untuk kondisi cahaya yang bervariasi. Hasil seleksi warna disimpan dalam bentuk matriks zero-one kemudian dikalikan setiap elemen matriks tersebut dengan matriks hasil konversi ke HSV tanpa seleksi menggunakan teknik Hardamard Product. Hasil optimasi menunjukkan bahwa warna yang diseleksi dapat dipilah dengan sempurna dari warna lain. Selain itu, metode yang diusulkan menggunakan prosedur yang sederhana dan tidak memerlukan ekstraksi fitur. Dibandingkan dengan penelitian sebelumnya, peningkatan kecepatan komputasi yang luar biasa sebesar 1,078.82 kali lebih cepat berhasil dilakukan. Kecepatan komputasi seleksi warna dalam penelitian ini, berpotensi untuk dapat ditanamkan pada UAV untuk melakukan seleksi warna secara real-time. Temuan penelitian ini tidak hanya berlaku untuk citra tanaman tetapi juga untuk semua kasus yang membutuhkan seleksi warna pada gelombang cahaya tampak.
PEMBUATAN PETA BATIMETRI DENGAN DATA SDB (SATELLITE DERIVED BATHYMETRY)
Indonesia adalah Negara Kepulauan dengan luas laut lebih dari 3 juta km2. Laut menjadi bagian penting dalam aspek politik, ekonomi, dan Sosial Indonesia sehingga batas dari laut tersebut perlu ditetapkan dengan jelas. Umumnya batas laut tersebut ditentukan dengan melakukan survei lapangan, namun kegiatan ini memerlukan waktu dan biaya yang sangat besar. Capstone ini membahas mengenai pembuatan peta batimetri menggunakan metode Remote Sensing Sattelite Derived Bathymetry (SDB) rasio logaritmik Stumpf. Dari kedalaman yang dihasilkan selanjutnya akan dilakukan delineasi garis pantai saat Lowest Astronomical Tide (LAT) agar didapatkan garis pangkal normal sebagai dasar penentuan Batas Laut Negara. Selain itu juga dilakukan pengolahan data citra satelit menggunakan algoritma Normalized Difference Water Index (NDWI) dan data slope dari DEMNAS untuk mendapatkan garis pantai pada saat Highest Astronomical Tide (HAT). Garis pantai pada saat HAT ini selanjutnya dilakukan buffer sejauh 12 Mil Laut untuk mendapatkan Batas Kewenangan Provinsi di Laut. Citra yang digunakan dalam capstone ini adalah citra SPOT6, SPOT7, dan Sentinel 2A. Untuk data training dan validasi dalam metode SDB digunakan titik kedalaman dari peta laut yang dikeluarkan Pusat Hidrografi dan Oseanografi Angkatan Laut (PUSHIDROSAL). Dari proses pengolahan tersebut, didapatkan 3 buah produk, yaitu Peta Batimetri, Peta Garis Pangkal, dan Peta Batas Kewenangan Provinsi di Laut. Dari Peta Batimetri, didapatkan kualitas SDB dengan korelasi bervariasi dari 0.605-0.763, RMSE 5.614 m-8.219 m, dan MAE 4.66 m-6.882 m. Dari Peta Batas Kewenangan Provinsi di Laut, dilakukan pengujian terhadap garis pantai HAT dan didapatkan nilai RMSE terhadap garis refrensi sebesar 21.122 m dan MAE sebesar 15.444 m. Dari peta garis pangkal, dilakukan pengujian terhadap Titik Dasar No.046A, dan didapatkan adanya pergeseran garis pangkal sebesar 156 m. Dari hasil uji produk, di ambil kesimpulan bahwa metode SDB dapat digunakan untuk mendapatkan kedalaman dan melakukan monitoring garis pangkal dengan biaya yang jauh lebih terjangkau dibandingkan survei lapangan. Metode analisis NDWI juga dapat digunakan untuk mendapatkan garis pantai saat HAT dengan ketelitian yang cukup tinggi untuk digunakan sebagai dasar penentuan batas kewenangan provinsi di laut. Metode-metode ini memiliki harga yang jauh lebih terjangkau dibandingkan melakukan survei lapangan.
IMPLEMENTASI METODE KLASIFIKASI KEMACETAN LALU LINTAS DARI VIDEO CCTV BERBASIS ANALISIS FITUR CITRA DENGAN ALGORITMA YOLO
Kemacetan lalu lintas merupakan salah satu permasalahan utama dalam bidang transportasi karena membawa berbagai dampak negatif. Dengan bantuan kecerdasan buatan, klasifikasi kemacetan dapat dilakukan dengan memanfaatkan video CCTV lalu lintas. Hasil klasifikasi tersebut dapat disampaikan kepada pihak yang terkait agar kemacetan yang terjadi dapat segera ditangani. Algoritma YOLO dapat digunakan untuk melakukan segmentasi area jalan dan mendeteksi kendaraan yang tertangkap dalam video CCTV. Berdasarkan hasil pendeteksian kendaraan, dapat dilakukan pengukuran berbagai fitur citra lalu lintas untuk mendapatkan gambaran kondisi lalu lintas secara komprehensif. Fitur-fitur citra lalu lintas yang diukur mencakup aliran, okupansi, kepadatan, dan kecepatan lalu lintas. Hasil pengukuran tersebut dapat digunakan untuk melakukan klasifikasi status lalu lintas. Implementasi metode klasifikasi kemacetan dilakukan dengan bahasa pemrograman Python. Model segmentasi area jalan dan pendeteksian kendaraan diperoleh dengan melakukan pelatihan pada model pralatih YOLO versi 8. Fitur aliran dapat diukur dengan menghitung jumlah kendaraan yang tertangkap kamera CCTV, fitur okupansi dapat diukur dengan menghitung rasio piksel kendaraan terhadap area jalan, fitur kepadatan diukur dengan mengekstrak nilai invers perkalian properti korelasi dari gray level co-occurrence matrix (GLCM), dan fitur kecepatan diukur dengan memanfaatkan pyramidal Lucas-Kanade optical flow. Hasil pengukuran fitur-fitur yang ada kemudian dimanfaatkan untuk melakukan klasifikasi status lalu lintas dengan memanfaatkan jaringan saraf tiruan. Berdasarkan hasil pengujian, metode klasifikasi kemacetan dengan bantuan algoritma YOLO untuk segmentasi area jalan dan pendeteksian kendaraan mampu melakukan klasifikasi status lalu lintas dengan nilai akurasi 84,75%, precision 84,66%, recall 84,75%, dan F1-score 84,69%.
PEMBANGUNAN MODEL DEEP LEARNING UNTUK DETEKSI PENYAKIT GIGI DAN KLASIFIKASI LEVEL PENYAKIT GIGI DENGAN MASUKAN CITRA GIGI RGB
Gigi adalah bagian vital dari tubuh manusia, namun hanya 4.5% populasi yang melakukan pemeriksaan gigi secara rutin. Ada dua penyakit gigi yang sampai saat ini masih menjadi fokus dan masih banyak kasus yang terjadi di seluruh dunia, yaitu karies dan periodontitis. Penelitian deteksi penyakit gigi yang telah dilakukan sebelumnya banyak menggunakan data citra x-ray dan hanya sedikit yang menggunakan data citra RGB, namun sayangnya hanya ada 2 penelitian yang memberikan dataset yang dapat diakses secara publik. Penelitian mengenai klasifikasi level penyakit gigi karies dan kalkulus belum pernah dilakukan sebelumnya. Penelitian ini mengembangkan model deep learning untuk mendeteksi penyakit gigi dan mengklasifikasikan level penyakitnya menggunakan citra gigi RGB. Dengan dataset baru yang dapat diakses secara publik, algoritma penomoran gigi, dan empat model deep learning, penelitian ini berhasil mencapai presisi 90.8% untuk penomoran gigi yang memiliki gigi palsu, nilai mAP rata-rata 62% untuk deteksi penyakit gigi, dan mendapatkan nilai akurasi rata-rata 57% untuk klasifikasi level penyakit gigi. Temuan ini menunjukkan potensi model dalam mendukung diagnosa awal penyakit gigi, yang dapat memfasilitasi pencegahan dan pengobatan yang lebih baik, dan dapat membuka jalan untuk pengembangan alat diagnostik yang lebih mudah diakses dan efisien untuk kesehatan gigi.
DIAGNOSIS GLAUKOMA BERBASIS PENGUKURAN PADA CITRA FUNDUS RETINA
Glaukoma merupakan penyakit mata yang disebabkan oleh peningkatan tekanan intraokular yang menyebabkan rusaknya saraf optik sehingga terjadi penurunan kemampuan penglihatan pada mata atau bahkan kebutaan. Di Indonesia, 51.4% kasus glaukoma baru diperiksakan pada kondisi lanjut dimana telah terjadi kerusakan yang signifikan pada mata. Oleh karena itu, glaukoma harus dideteksi sedini mungkin agar pasien mendapatkan penanganan dini. Deteksi dengan bantuan komputer akan sangat membantu proses deteksi glaukoma. Saat ini, terdapat banyak pengembangan metode deteksi glaukoma otomatis, salah satunya yaitu pendekatan kuantifikasi karakteristik Optic Cup (OC) dan Optic Disc (OD) seperti Cup-to-Disc Ratio (CDR), Rim-to-Disc Ratio (RDR) dan pengukuran ketebalan neuroretinal rim pada kuadran inferior, superior, nasal dan temporal (ISNT Quadrant) pada citra fundus retina. Pada penelitian sebelumnya, Suwandoko (2022) telah mengembangkan metode deteksi glaukoma berdasarkan kuantifikasi karakteristik OC dan OD. Namun, penelitian sebelumnya hanya melakukan kuantifikasi karakteristik pada CDR dan RDR serta metode yang digunakan untuk melakukan klasifikasi glaukoma yaitu regresi logistik. Pada penelitian ini, metode yang dikembangkan sebelumnya akan dioptimasi dengan menambahkan fitur baru yaitu dengan melakukan pengukuran terhadap ISNT Quadrant serta menggunakan decision tree sebagai metode klasifikasi glaukoma. Optimasi dari metode ini menghasilkan kinerja klasifikasi dengan akurasi, spesifisitas, sensitivitas dan f1- score sebesar 0.900, 0.722, 1.000 dan 0.928 untuk dataset Drishti-GS dan 0.958, 0.996, 0,600 dan 0.728 untuk keseluruhan dataset REFUGE.