📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 61 dokumenDETEKSI DAN SEGMENTASI BENTIK TERUMBU KARANG DI KEPULAUAN DERAWAN DENGAN MEMANFAATKAN ALGORITMA YOLO DAN BAG OF TRICKS
Dalam karya ini dikembangkan sistem segmentasi bentik berbasis deep learning untuk mendeteksi dan memetakan kategori substrat bentik pada citra transek bawah air di Kepulauan Derawan. Model yang digunakan adalah YOLO, sebuah arsitektur deteksi satu tahap berbasis CNN, yang dioptimalkan dengan pendekatan Bag of Tricks. Dataset dianotasi melalui platform Roboflow dengan anotasi semi otomatis , dan model diarahkan untuk mendeteksi kerangka besi sebagai area of interest (AOI). Hasil deteksi kemudian dibandingkan dengan metode manual menggunakan perangkat lunak CPCe. Pendekatan ini menghasilkan efisiensi waktu analisis rata-rata sebesar 99,39% untuk 50 foto, dengan rata-rata selisih absolut 12,88% dalam estimasi tutupan karang hidup (Hard Coral/HC). Model juga menhasilkan hubungan linier sedang dengan nilai R² = 0,51 dengan estimasi nilai CPCe menggunakan persamaan koreksi: CPCe = 0,7033 × YOLO + 1,1823. Temuan ini menunjukkan bahwa integrasi model YOLO dan strategi optimasi sederhana dapat menjadi solusi praktis dalam pemantauan terumbu karang berbasis citra.
PENGEMBANGAN VISI KOMPUTER DAN DEEP LEARNING UNTUK PENGUKURAN PANJANG AKAR KENTANG PADA SISTEM OTOMASI AEROPONIK
Pertanian presisi, seperti sistem aeroponik, menjadi solusi inovatif untuk memenuhi kebutuhan pangan yang terus meningkat. Aeroponik adalah metode pertanian modern di mana akar tanaman menggantung di udara dan mendapatkan nutrisi melalui penyemprotan larutan nutrisi. Salah satu tantangan dalam sistem aeroponik adalah otomasi penyaluran nutrisi yang optimal sesuai fase pertumbuhan tanaman, yang sering kali ditentukan oleh panjang akar. Penelitian ini bertujuan mengembangkan sistem visi komputer berbasis deep learning untuk mengukur panjang akar kentang secara otomatis, yang hasilnya dapat digunakan untuk otomasi sistem penyemprotan. Metodologi penelitian mencakup beberapa tahap utama. Pertama, dilakukan pra-pemrosesan citra untuk mengoreksi distorsi lensa dan melakukan konversi rasio piksel per sentimeter per baris lubang tanam guna mengatasi efek perspektif. Selanjutnya, dikembangkan sebuah model segmentasi citra menggunakan arsitektur U-Net yang dilatih pada dataset akar tiruan. Dari mask biner hasil segmentasi, sebuah algoritma mengekstraksi panjang vertikal akar dengan mengukur jarak antara titik teratas dan terbawah kontur akar. Akurasi sistem kemudian divalidasi dengan membandingkan hasil pengukuran otomatis dengan pengukuran manual menggunakan penggaris sebagai ground truth. Hasil penelitian menunjukkan model U-Net yang dikembangkan berhasil melakukan segmentasi dengan akurasi validasi mencapai 97%. Proses validasi akhir dari algoritma pengukuran menunjukkan tingkat akurasi yang sangat tinggi, dengan rata-rata galat absolut sebesar 3,74% dibandingkan dengan pengukuran manual. Sistem ini berhasil menyediakan data kuantitatif panjang akar yang valid dan andal, membuktikan potensinya untuk diimplementasikan sebagai pemicu dalam sistem otomasi penyemprotan adaptif pada pertanian aeroponik.
DENOISING CITRA GALAKSI MENGGUNAKAN PENDEKATAN DEEP LEARNING BERBASIS NEURAL NETWORK
Citra astronomi (astronomical image) memiliki peran yang krusial dalam pengamatan astronomi (baik untuk identifikasi, analisis, maupun visualisasi). Namun, kualitas citra sering terdegradasi oleh berbagai masalah, salah satunya distraksi derau noise. Derau noise dapat muncul akibat berbagai faktor, seperti sifat intrinsik dan proses elektronik instrumen observasi, kondisi atmosfer, fluktuasi latar belakang, dan lain sebagainya. Oleh karena itu, diperlukan pendekatan untuk mengurangi noise pada citra astronomi agar dihasilkan citra yang lebih baik. Neural network merupakan subset dari pembelajaran mesin (machine learning) dan inti dari algoritma pembelajaran mesing mendalam (deep learning). Cara kerja neural network yaitu dengan mereplikasi cara kerja otak manusia yang terdiri dari berbagai neuron untuk mempelajari serta memahami suatu hal, termasuk identifikasi noise pada gambar. Secara garis besar, cara kerja model berbasis neural network dalam mengurangi noise adalah dengan mengidentifikasi noise pada citra dan menghasilkan citra yang lebih bersih. Pada tugas akhir ini, dilakukan proses denoising pada citra gugus galaksi Stephan’s Quintet (koordinat ? 22:36:07.99 dan ? +33:57:53.1) dari Hubble Space Telescope (HST) menggunakan metode Denoising Convolutional Neural Network (DnCNN) dengan data training set berasal dari pemodelan GALFIT. Hasil denoising tersebut kemudian dibandingkan dengan citra galaksi yang sama dari instrumen yang lebih canggih, yaitu James Webb Space Telescope (JWST). Tujuan perbandingan ini adalah untuk mengevaluasi kemampuan metode DnCNN dalam meningkatkan kualitas citra melalui pengurangan noise. Evaluasi ini dilakukan secara kuantitatif dengan melakukan estimasi nilai Peak Signal-to-Noise Ratio (PSNR), Naturalness Image Quality Evaluator (NIQE), dan analisis profil S´ersic. Selain itu, dilakukan juga peninjauan tingkat kesalah error dari model yang sudah dilatih menggunakan loss function Mean Squared Error. Lalu, dilakukan juga evaluasi kualitatif performa model melalui perbandingan residual dan perbandingan visual melalui detektor alami (mata pengamat) berdasarkan hasil inferensi model.
PENGEMBANGAN DAN EVALUASI SISTEM DETEKSI FRAKTUR BERBASIS DEEP LEARNING PADA CITRA X- RAY TULANG FEMUR PROKSIMAL
Di Indonesia, 2 dari 5 penduduk berpotensi menderita osteoporosis, penyakit tulang progresif yang ditandai penurunan densitas tulang sehingga rentan terhadap fraktur osteoporotik. Fraktur femur proksimal merupakan fraktur paling umum pada lansia dengan 200 kasus per 100.000 penduduk. Namun, tingkat kesalahan diagnosis di Instalasi Gawat Darurat mencapai 17,4% akibat kelelahan dokter dan fraktur halus yang sulit terlihat pada x-ray. Karena itu, diperlukan sistem Computer-Aided Diagnosis berbasis Deep Learning untuk mendeteksi fraktur femur proksimal pada citra x-ray dan mengevaluasi efektivitasnya dalam membantu mahasiswa koas menemukan fraktur.Penelitian ini meliputi penggunaan Dataset x-ray, Pre- processing, augmentasi, Hyperparameter Tuning, interpretabilitas model menggunakan XAI D-RISE, uji validitas dengan dokter ortopedi, dan uji efektivitas dengan mahasiswa koas. Hasil menunjukkan model YOLO11-N memberikan performa deteksi dengan Precision 83,30%, Recall 73,12%, dan mAP@50 78,10%. Setelah Post-processing, uji validitas dengan dokter ortopedi menghasilkan Precision 79%, Recall 69%, dan rata-rata IoU 62%. Uji efektivitas menunjukkan peningkatan kemampuan pendeteksian fraktur mahasiswa koas dengan rata-rata peningkatan Precision 40,26% dan Recall 35,18%, serta pengurangan variabilitas antar-peserta dari standar deviasi 5,6% menjadi 3,4%. Berdasarkan hasil tersebut, sistem Computer-Aided Diagnosis berbasis YOLO11 terbukti mampu mendeteksi fraktur femur proksimal sehingga dapat digunakan sebagai Second Opinion dan Attention Guider serta efektif meningkatkan kemampuan mahasiswa koas dalam menemukan fraktur sehingga meminimalkan terjadinya fraktur yang terlewat dalam pembacaan x-ray.
DETEKSI COVID-19 DENGAN MEMANFAATKAN CHEST X-RAY (CXR) BERBASIS DEEP LEARNING DENGAN PENERAPAN TRANSFER LEARNING DAN K-FOLD CROSS VALIDATION
COVID-19 adalah pandemi global yang pernah melanda dunia pada awal 2020-an. Saat itu, penyebarannya berlangsung sangat cepat dan karena keterbatasan alat dan tenaga medis ahli membuat pandemi COVID-19 sangat sulit dikendalikan. Sehingga, muncullah kebutuhan untuk membuat sebuah proses deteksi yang cepat sekaligus akurat. Beberapa metode diagnosis COVID-19, termasuk citra chest X- ray yang menangkap organ paru-paru dilakukan kemudian dicocokkan dengan hasil tes yang sudah ada seperti Reverse Transcription Polymerase Chain Reaction (RT- PCR) yang akurat. Suatu teknik deteksi COVID-19 menggunakan Deep Learning yang berbasis algoritma Convolutional Neural Network (CNN) dirancang khusus untuk tugas klasifikasi gambar umum seperti MobileNet-V3-Small yang kemudian diimplementasikan pada CXR menggunakan transfer learning. MobileNet-V3- Small adalah model yang ringan sekaligus efektif bahkan pada data yang terbatas (n ? 1000). Eksperimen dilakukan dengan menerapkan variasi jumlah data, teknik peningkatan citra, dan juga segmentasi citra. Hasil eksperimen menunjukkan bahwa jumlah data sangat berpengaruh pada performa model meskipun diamati ada diminishing returns, sedangkan teknik peningkatan dan segmentasi citra hanya memberikan keuntungan marginal pada performa model. Hasil pelatihan dan pengujian dengan MobileNet-V3-Small menunjukkan bahwa model yang dilatih pada 1000 data asli tanpa segmentasi mencapai akurasi dan skor-F1 tertinggi yakni 95,95% akurasi dan 0,9602 skor-F1. Sedangkan model yang dilatih dengan data yang ditingkatkan oleh CLAHE dengan segmentasi pada 1000 data mencapai sensitivitas tertinggi, yakni 0,9870 yang sangat cocok untuk screening awal.
PENGEMBANGAN SISTEM PEMINDAIAN DAN EKSTRAKSI DATA DARI BUKTI PEMBAYARAN QRIS, TRANSFER, DAN STRUK BERBASIS COMPUTER VISION DAN DEEP LEARNING TANPA OCR
QRIS menjadi metode pembayaran yang semakin populer di Indonesia, terutama di kalangan Gen Z. Namun, banyak Gen Z yang masih kesulitan dalam mencatat pengeluaran mereka secara manual. Tugas akhir ini bertujuan untuk mengembangkan sistem pencatatan pengeluaran berbasis mobile yang dapat membantu pengguna, yaitu Gen Z, dalam mencatat pengeluaran mereka. Sistem ini menggunakan model Donut untuk mengekstrak informasi penting dari gambar bukti pembayaran dan menyimpannya dalam format yang terstruktur untuk kemudian ditampilkan kepada pengguna. Model Donut adalah model SOTA end-to-end yang dapat digunakan untuk mengekstrak informasi dari dokumen tanpa memerlukan OCR. Metodologi penelitian menggunakan metodologi DSRM. Pengembangan model dilakukan secara bertahap, dimulai dari mengumpulkan data, eksplorasi data, modelling, dan evaluasi terhadap model yang dihasilkan. Model Donut di fine-tune pada dataset CORD-v2 untuk dokumen struk pembayaran kertas dan dataset QRIS-TF untuk dokumen pembayaran QRIS dan transfer. Dengan dua jenis model tersebut, layanan backend DonutAPI dikembangkan dengan FastAPI sebagai antarmuka REST API untuk inferensi model. Aplikasi mobile TrackMyBills dikembangkan dengan Flutter sebagai antarmuka pengguna. Pengujian pengalaman pengguna menunjukkan bahwa aplikasi memiliki tingkat kepuasan pengguna yang baik, dengan nilai SUS di angka 71,83 rata-rata di atas ambang batas nilai SUS, yaitu pada 68. Base model menunjuk F1-score 84,68%, dan mCER 18,85%. Custom model menunjukkan F1-score 81,50%, dan mCER 17,20%. Hasil evaluasi menunjukkan bahwa aplikasi TrackMyBills memiliki tingkat kepuasan pengguna yang baik dan dinilai usable dan tidak membingungkan oleh mayoritas responden. Aplikasi ini dapat membantu Gen Z dalam mencatat pengeluaran mereka dengan lebih mudah dan efisien.
IMPLEMENTASI DEEP LEARNING UNTUK ESTIMASI INVERSE HESSIAN PADA MULTISCALE FULL WAVEFORM INVERSION
Full Waveform Inversion (FWI) merupakan metode inversi nonlinier yang secara luas digunakan dalam pencitraan bawah permukaan dengan memanfaatkan informasi penuh dari gelombang seismik. Teknik ini bertujuan untuk merekonstruksi model kecepatan bawah permukaan dengan mengiterasikan solusi dari persamaan gelombang, menggunakan perbedaan antara data sintetik dan observasi sebagai dasar pembaruan model. FWI sangat bergantung pada efisiensi algoritma optimisasi untuk mencapai konvergensi yang baik, dan metode Newton dikenal sebagai pendekatan yang sangat akurat karena mempertimbangkan informasi kurvatur melalui matriks Hessian. Namun, implementasi penuh metode Newton terkendala oleh tingginya biaya komputasi dalam menghitung inverse Hessian secara eksplisit, terutama pada model skala besar. Sebagai alternatif, metode Quasi-Newton seperti Limited-memory Broyden–Fletcher–Goldfarb– Shanno (L-BFGS) dan Conjugate Gradient (CG) telah banyak diadopsi karena keseimbangan antara akurasi dan efisiensi komputasi yang ditawarkan. Meskipun demikian, keterbatasan dalam memperkirakan struktur Hessian secara tepat masih menjadi hambatan utama dalam mencapai hasil inversi yang optimal dan realistik dalam konteks geofisika. Dalam konteks ini, pemanfaatan teknologi terkini seperti Deep Learning (DL) dan High Performance Computing (HPC) menjadi sangat relevan. DL memiliki potensi untuk mempelajari struktur kompleks inverse Hessian secara implisit melalui pelatihan pada data sintetik, sehingga mampu mempercepat proses inversi dan meningkatkan resolusi hasil akhir. Penelitian ini bertujuan untuk mengembangkan pendekatan hybrid yang menggabungkan FWI berbasis metode Newton dengan estimasi inverse Hessian menggunakan DL, dan membandingkan performanya dengan metode konvensional seperti L-BFGS dan CG. Evaluasi dilakukan berdasarkan konvergensi misfit, kualitas model akhir, serta efisiensi waktu komputasi. Dengan memanfaatkan jaringan saraf yang dilatih untuk meniru struktur inverse Hessian, diharapkan proses pembaruan model dapat dilakukan dengan presisi tinggi tanpa harus menghitung Hessian secara eksplisit. Hasil dari penelitian ini diharapkan dapat memberikan wawasan baru terhadap potensi integrasi kecerdasan buatan dalam metode inversi geofisika dan membuka jalan menuju sistem FWI yang lebih cepat, adaptif, dan akurat.
ANALISIS RESNEXT-POINTREND UNTUK DELINEASI TAJUK POHON OTOMATIS DARI CITRA UAV DAN PENGEMBANGAN PLUGIN FOLYSIS
Delineasi tajuk pohon merupakan salah satu kegiatan yang penting dalam mencapai manajemen hutan berkelanjutan. Perkembangan teknologi memungkinkan delineasi tajuk untuk dilakukan dilakukan secara otomatis menggunakan berbagai metode modern salah satunya deep learning. Walaupun banyak model telah dikembangkan, namun kondisi hutan tropis sekunder dengan kepadatan hutan yang tinggi, spesies beragam, dan adanya ketampakan alam non-pohon membuat ekstraksi tajuk menjadi tantangan yang besar. Dimensi tambahan berupa kardinalitas pada backbone ResNeXt dan render berbasis poin pada PointRend berpotensi meningkatkan performa delineasi tajuk pada lingkungan kompleks. Penelitian ini mencoba mengeksplorasi potensi ResNeXt dan PointRend dalam meningkatkan performa delineasi pada hutan tropis sekunder. Mask R-CNN digunakan sebagai arsitektur deep learning untuk delineasi tajuk dalam penelitian ini. Selain itu, untuk membedakan pohon dan ketampakan non-pohon, diusulkan CHM zonal cleaning yaitu sebuah metode crown cleaning berbasis zonal statistics. Dilakukan studi ablasi, pengujian terhadap empat plot hutan berbeda, dan evaluasi error oversegmentation dan undersegmentation untuk mengamati performa dari modifikasi model deep learning. Hasil menunjukkan bahwa modifikasi backbone dengan ResNeXt dapat meningkatkan sensitivitas deteksi tajuk dari model dengan recall 63,50% dan F1 score 59,91%. Model dengan ResNeXt memberikan hasil delineasi dengan akurasi sebesar 77,74%. Di lain sisi, penambahan PoinRend pada model meningkatkan presisi deteksi dari model dengan precision rata-rata 80% pada tiga plot uji. PointRend juga dapat membantu model untuk meminimalisir error oversegmentation dan undersegmentation dari delineasi. Lebih lanjut dilakukan evaluasi pada plot berbeda untuk menguji usulan CHM zonal cleaning. Hasil menunjukkan bahwa integrasi CHM zonal cleaning dengan model dapat mengurangi lebih dari 50% kesalahan prediksi tajuk pohon. Sebagai tambahan, pada penelitian ini dikembangkan plugin Folysis, sebuah plugin terintegrasi QGIS untuk estimasi dan mengolah parameter kehutanan menjadi wawasan.
ANALISIS KINERJA DEEP LEARNING UNTUK SEGMENTASI TAJUK POHON DAN ESTIMASI SPASIAL KARBON MELALUI PLUGIN QGIS DI HUTAN URBAN TROPIS
Penelitian ini bertujuan untuk membandingkan performa model deep learning YOLO11-seg (n, s, m, l, dan x) dan Mask R-CNN dalam melakukan segmentasi tajuk pohon secara otomatis dari citra RGB hasil akuisisi UAV, serta mengestimasi karbon pohon secara spasial menggunakan diameter tajuk hasil segmentasi. Evaluasi dilakukan berdasarkan metrik performa seperti precision, recall, F1-score, dan Average Precision (AP). Hasil menunjukkan bahwa YOLO11x-seg merupakan varian paling optimal, dengan precision sebesar 0,710, recall sebesar 0,792, F1- score sebesar 0,749, nilai AP50 mencapai 0,753 dan mendapatkan nilai AP 50-95 tertinggi dibanding semua model yaitu 0,375. Model YOLO11x-seg dipilih karena memberikan segmentasi yang lebih presisi dan bentuk tajuk yang lebih stabil, yang sangat penting untuk estimasi karbon berbasis diameter. Estimasi spasial karbon dilakukan dengan pendekatan alometrik berdasarkan hasil segmentasi dari model deep learning. Pada area studi seluas 7,95 hektar di Kampus ITB Jatinangor, estimasi karbon mencapai 535,85 ton, dengan selisih sekitar ±0,55% dari hasil anotasi manual (ground truth) sebesar 532,92 ton. Rata-rata karbon mencapai 67,4 ton C/ha atau ±247 ton CO2eq/ha, yang dikategorikan sebagai kapasitas simpan karbon sedang untuk kawasan urban tropis. Seluruh alur kerja diotomatisasi dalam bentuk plugin QGIS, yang mengintegrasikan proses segmentasi, pengukuran diameter tajuk, estimasi karbon, hingga visualisasi tematik. Hasil ini menunjukkan potensi nyata pemanfaatan UAV, deep learning dan GIS dalam pemantauan vegetasi dan perencanaan ruang hijau di kawasan urban tropis.
PENINGKATAN DETEKSI DAN LOKALISASI CACAT INDUSTRI BERBASIS CITRA DENGAN DEEP LEARNING DAN CLUSTERING
Kualitas produk industri menjadi faktor kunci dalam persaingan, dan deteksi anomali diperlukan untuk menjaga kualitas. Anomali dalam manufaktur meliputi anomali pada produk seperti goresan atau komponen yang tidak sejajar, dan deteksi anomali berbasis machine learning mendapat perhatian besar karena meningkatnya kebutuhan otomatisasi industri. Metode deteksi anomali pada penelitian dapat dilakukan dengan metode berbasis template. Metode berbasis template membangun himpunan template dari fitur-fitur normal hasil ekstraksi model deep learning. Metode tersebut membedakan antara pola normal dan anomali dengan mencocokkan query dengan himpunan template tersebut. Namun model ini sangat bergantung pada ketersediaan dan variasi template yang ada dan terkadang model mendeteksi anomali pada bagian background yang tidak perlu diobservasi. Jadi penelitian ini mengusulkan pendekatan baru yang belum dieksplorasi pada penelitian sebelumnya. Penelitian ini melakukan penambahan augmentasi data dan Foreground Estimation Branch serta modifikasi metode seleksi template menggunakan Agglomerative Clustering pada model Hard-normal Example Template Mutual Matching. Foreground Estimation Branch, yaitu cabang model yang memfokuskan deteksi pada wilayah foreground berhasil mengurangi skor anomali yang tinggi pada wilayah background. Penelitian ini merupakan yang pertama mengintegrasikan Agglomerative Clustering pada seleksi template model Hard-normal Example Template Mutual Matching untuk mempercepat proses dan meningkatkan performa model dalam mendeteksi anomali. Pengujian dilakukan pada dataset MVTec AD yang terdiri dari 15 kategori produk industri. Hasil penelitian menunjukkan bahwa gabungan penggunaan augmentasi data dan Foreground Estimation Branch berhasil meningkatkan performa model dalam lokalisasi wilayah anomali. Peningkatan Pixel-AUROC dari 98.7 menjadi 98.8 dan PRO dari 96.2 menjadi 96.4 dibandingkan model baseline. Kemudian ketika ditambahkan penggantian model clustering dengan Agglomerative Clustering, penelitian ini berhasil meningkatkan performa model dalam klasifikasi dan lokalisasi wilayah anomali. Peningkatan Image-AUROC dari 99.2 menjadi 99.6 dan PRO dari 95.8 menjadi 96.1 dibandingkan model baseline. Penelitian ini juga berhasil mempercepat proses seleksi template hingga 491 menit lebih cepat dibandingkan model baseline.
RESTORASI CITRA BERKABUT BERBASIS PENYESUAIAN GAYA DENGAN MENJAGA KONTEKS VISUAL
Degradasi visual akibat kabut berdampak langsung pada sistem berbasis computer vision seperti pengawasan dan kendaraan otonom, karena dapat mengganggu interpretasi citra dan menurunkan akurasi analisis. Pendekatan deep learning konvensional umumnya melakukan pemulihan secara global terhadap seluruh area citra, termasuk bagian yang sudah jernih, sehingga berisiko merusak informasi semantik yang penting. Penelitian ini mengusulkan pendekatan berbeda yang terinspirasi dari proses style transfer, dengan memandang kabut sebagai perubahan gaya visual, bukan sebagai degradasi secara eksplisit, Proses dehazing dirumuskan sebagai proses penyesuaian gaya (style alignment), yaitu, penyesuaian distribusi statistik citra berkabut agar selaras dengan citra jernih. Untuk mendukung proses ini, diperkenalkan modul Self-Conditioned Modulation (SCM) yang bekerja bersama modul Attention untuk memfokuskan koreksi hanya pada area yang terdampak kabut. Model dibangun di atas arsitektur Normalizing Flow yang bersifat bijektif, memungkinkan manipulasi laten yang terkontrol serta menjaga konsistensi rekonstruksi. Evaluasi pada dataset RESIDE dan OHAZE menunjukkan bahwa model mampu melakukan restorasi kabut secara selektif dan mempertahankan informasi semantik citra secara efektif, termasuk pada kondisi kabut alami yang kompleks.
PREDIKSI KONTUR TEGANGAN PADA KOMPOSIT BERPENGUAT SERAT MENGGUNAKAN METODE DEEP LEARNING
Mensimulasikan kontur tegangan pada suatu representasi mikrostruktur dari polimer berpenguat serat (FRP) menggunakan metode elemen hingga (FEM) tradisional terbukti kompleks, memerlukan komputasi yang tinggi, dan memakan waktu banyak. Penelitian ini mengintegrasikan pendekatan deep learning yang mampu mengatasi permasalahan tersebut dan menawarkan alternatif yang lebih efisien untuk prediksi kontur tegangan pada FRP dengan berbagai fraksi volume serat dan variasi penempatan serat. Untuk memperoleh model deep learning yang terlatih dengan baik, dataset pelatihan dibuat menggunakan skrip Python yang dikombinasikan dengan metode elemen hingga. Proses pelatihan dilakukan melalui pendekatan transfer learning, yang dibagi menjadi dua fase: fase pelatihan awal dan fase fine-tuning. Fase pelatihan awal difokuskan untuk memungkinkan model mempelajari pengaruh variasi jarak dan orientasi antar serat. Sebaliknya, fase fine-tuning ditujukan untuk meningkatkan pemahaman model terhadap interaksi yang lebih kompleks saat banyak serat terdapat dalam satu RVE. Kontur tegangan yang diprediksi kemudian dibandingkan dengan hasil FEM yang telah divalidasi berdasarkan intensitas piksel pada gambar. Hasil menunjukkan bahwa model yang telah dilatih mampu memprediksi kontur tegangan dari beberapa data uji dengan tingkat kesalahan yang sangat rendah, yaitu 7,8%, dalam waktu yang sangat singkat. Ditemukan pula bahwa semakin tinggi fraksi volume serat, maka galat prediksi menjadi semakin tinggi.
PENGENALAN EKSPRESI MIKRO SPONTAN MENGGUNAKAN FITUR ALIRAN SPASIAL-TEMPORAL DEEP LEARNING PADA URUTAN VIDEO PANJANG UNTUK ANALISIS EMOSI
Pengenalan ekspresi wajah, khususnya ekspresi mikro, telah menjadi bidang penelitian yang berkembang pesat seiring dengan kemajuan teknologi pengolahan citra dan deep learning. Ekspresi mikro merupakan ekspresi wajah berdurasi sangat singkat, kurang dari satu detik, dan umumnya mencerminkan emosi sebenarnya yang berusaha disembunyikan oleh seseorang. Oleh karena itu, pengenalan ekspresi mikro memiliki nilai penting dalam berbagai aplikasi, seperti keamanan nasional, deteksi kebohongan, diagnosis medis, interogasi kriminal, serta analisis psikologis dan bisnis. Namun, durasi yang sangat singkat dan perubahan ekspresi yang halus membuat proses pengenalannya menjadi lebih sulit. Untuk meningkatkan akurasi pengenalan, penggunaan video berdurasi panjang dengan frame rate tinggi menjadi pendekatan yang efektif. Urutan frame pada video panjang memungkinkan rekonstruksi spasial-temporal yang lebih mendetail, sehingga perubahan kecil dalam ekspresi wajah dapat diamati dengan lebih akurat dalam dimensi waktu. Selain itu, frame rate tinggi diperlukan untuk menangkap setiap perubahan mikro dalam rentang waktu yang sangat singkat, sebagaimana diterapkan dalam dataset yang digunakan pada penelitian disertasi ini seperti CAS(ME)², SMIC-HS, SAMM-LV, CASME II, dan CAS(ME)³. Dengan demikian, penelitian disertasi ini bertujuan mengembangkan metode berbasis deep learning yang mampu mengenali ekspresi mikro spontan secara akurat dalam urutan video panjang guna meningkatkan efektivitas analisis emosi. Ekspresi mikro spontan merujuk pada ekspresi yang muncul secara alami tanpa kontrol sadar individu, sebagai respons refleks terhadap stimulus emosional yang kuat. Berbeda dengan ekspresi mikro yang disengaja atau posed, yang dibuat dengan kesadaran penuh, ekspresi mikro spontan tidak dapat dikendalikan oleh individu dan lebih mencerminkan emosi sebenarnya. Namun, karakteristik spontan ini membuat pengenalan ekspresi mikro menjadi lebih menantang, karena individu sering tidak menyadari kemunculannya. Oleh karena itu, pendekatan berbasis computer vision dan deep learning diperlukan untuk menangkap serta menganalisis pola ekspresi mikro spontan dengan akurasi tinggi. Selain itu, karena intensitas pergerakan wajah dalam ekspresi mikro spontan lebih kecil dibandingkan ekspresi lainnya, penggunaan video berdurasi panjang dengan frame rate tinggi sangat penting agar perbedaan kecil dalam ekspresi wajah dapat terdeteksi lebih efektif. Penelitian disertasi ini mengusulkan pengembangan rangkaian proses atau pipeline yang inovatif untuk mengenali ekspresi mikro spontan dengan tingkat akurasi tinggi. Pipeline pengenalan ekspresi mikro umumnya terdiri dari tiga tahapan utama yaitu data preparation, features extraction, dan classificasion. Sedangkan untuk penelitian ini, pipeline yang diusulkan mencakup beberapa tahapan proses, mulai dari data preparation, image preprocessing, dan data preprocessing, hingga klasifikasi menggunakan arsitektur model deep learning berbasis jaringan konvolusi 3D Triple Path yang diintegrasikan dengan Hybrid Attention atau Spatial-Temporal Attention. Setiap tahap dirancang untuk mengatasi berbagai permasalahan yang sering muncul dalam proses pengenalan ekspresi mikro, seperti keterbatasan jumlah dataset, ketidakseimbangan distribusi kelas emosi, serta kesulitan dalam mengekstraksi fitur spasial-temporal pada aliran data. Setelah proses data preparation selesai dilakukan, tahapan pertama dalam penelitian disertasi ini adalah image preprocessing, yang dimulai dengan pengambilan video ekspresi mikro dari lima dataset utama. Dataset-dataset ini memiliki karakteristik video durasi panjang, yang ditandai dengan durasi rekaman lebih lama dibandingkan dataset ekspresi mikro lainnya serta frame rate minimal 30 fps. Karakteristik ini memungkinkan akuisisi perubahan ekspresi mikro secara lebih rinci dalam dimensi spasial-temporal, sehingga mendukung proses analisis yang lebih akurat. Setiap dataset dikonversi menjadi citra berurutan, yang kemudian dilakukan proses face detection dan identifikasi fitur menggunakan 68-facial landmark. Pada tahap ini, area wajah yang tidak relevan, seperti area mata dan mulut, ditutupi menggunakan masking untuk menghilangkan gangguan visual. Setelah itu, wajah dipotong dan diubah ukurannya menjadi lebih kecil serta dikonversi ke skala keabuan atau grayscale. Selanjutnya, dilakukan data preprocessing untuk mengatasi ketidakseimbangan distribusi kelas dalam dataset dan teknik augmentasi data digunakan untuk menambah jumlah sampel dalam kelas yang kurang terwakili dalam dataset. Proses klasifikasi dilakukan menggunakan model jaringan konvolusi 3D Triple Path, yang dirancang untuk menganalisis perubahan spasial dan temporal pada ekspresi mikro spontan. Model ini mengintegrasikan Hybrid Attention, yang memungkinkan fitur-fitur yang dibutuhkan untuk proses pengenalan ekspresi mikro diekstraksi lebih baik dengan memberi fokus lebih besar pada area wajah yang mengandung informasi emosi paling signifikan. Setiap dataset dianalisis secara terpisah, dan akurasi dihitung untuk mengukur kinerja model pada masing-masing dataset. Hasil penelitian disertasi ini menunjukkan bahwa akurasi model yang dihasilkan mencapai akurasi sebesar 94,00% pada dataset CAS(ME)², 95,85% pada dataset SMIC-HS, 95,00% pada dataset SAMM-LV, 98,87% pada dataset CASME II, dan 98,21% pada dataset CAS(ME)³.
EKSPLORASI METODE NORMALISASI PEWARNAAN UNTUK KLASIFIKASI SEL DARAH PUTIH
Pemeriksaan apusan darah dilakukan sebagai bagian dari pemeriksaan awal pada pasien dengan penyakit hemotologi. Namun, perbedaan pendapat antar dokter sulit dihindari ketika melakukan pemeriksaan apusan manual, disebabkan oleh perbedaan pengalaman serta subjektivitas. Berbagai penelitian telah dilakukan untuk otomatisasi pengamatan sel darah putih menggunakan deep learning. Namun, perbedaan pewarnaan pada sel darah putih dapat menyebabkan menurunnya kinerja model klasifikasi otomatis. Untuk mengatasi hal tersebut, dilakukan eksplorasi metode normalisasi pewarnaan pada citra sel darah putih dengan pewarnaan berbasis Romanowsky. Metode yang digunakan pada penelitian ini berbasis image-to-image translation menggunakan model Pix2Pix, dengan input berupa citra grayscale dan target berupa citra berwarna (ground truth). Model ini diharapkan mampu menghasilkan pewarnaan yang seragam dengan mempertahankan fitur morfologis sel. Selain itu, model akan dievaluasi pada dataset dengan karakteristik yang berbeda untuk menguji kemampuan generalisasi model normalisasi. Hasil penelitian menunjukkan bahwa model mampu mempertahankan fitur sel darah putih dengan baik serta evaluasi kuantitatif menggunakan metrik FID (6,918), SSIM (0,9275), MSE (28,9139), dan PSNR (33,7248). Selain itu, model dapat mewarnai citra dari dataset berbeda, meskipun performanya menurun pada dataset dengan karakteristik pewarnaan yang sangat berbeda dari referensi.
PENGEMBANGAN APLIKASI DETEKSI CACAT PERMUKAAN LEMBARAN BAJA TIPE COLD-ROLLED SECARA REAL-TIME BERBASIS DEEP LEARNING
Lembaran baja cold-rolled memiliki peran penting dalam industri, namun deteksi cacat permukaannya yang masih manual cenderung tidak efisien dan rawan kesalahan. Penelitian ini mengembangkan sistem deteksi cacat secara otomatis, akurat, dan real-time menggunakan model YOLO11. Evaluasi terhadap kombinasi model (YOLO11n, YOLO11s), optimizer (AdamW, SGD), dan learning rate menunjukkan bahwa jenis optimizer tidak berpengaruh signifikan, selama learning rate tidak terlalu besar. Nilai learning rate 5E-2 menyebabkan pelatihan gagal konvergen, sementara konfigurasi terbaik mencapai mAP50 sebesar 87,73% dan F1-score 85,11%. Model YOLO11n pada komputer uji kedua mencapai kecepatan inferensi tertinggi dengan median 60,58. Pada deteksi anomali, YOLO11n mencatat area irisan tertinggi sebesar 84,76%. Proses clustering menggunakan ViT dan HDBSCAN berhasil mengelompokkan subkelas cacat secara otomatis berdasarkan kemiripan visual. Sistem ini telah diimplementasikan dalam aplikasi desktop dan menunjukkan potensi sebagai solusi inspeksi baja cold-rolled di industri.