📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 61 dokumenSISTEM DETEKSI NEAR-REAL-TIME TUMPAHAN MINYAK LEPAS PANTAI BERBASIS DEEP LEARNING DENGAN DATA PENGINDRAAN JAUH SUMBER TERBUKA (STUDI KASUS: BLOK X, PERAIRAN TIMUR PROVINSI LAMPUNG)
Tidak ada deskripsi.
SISTEM DETEKSI NEAR-REAL-TIME TUMPAHAN MINYAK LEPAS PANTAI BERBASIS DEEP LEARNING DENGAN DATA PENGINDRAAN JAUH SUMBER TERBUKA (STUDI KASUS: BLOK X, PERAIRAN TIMUR PROVINSI LAMPUNG)
Tidak ada deskripsi.
SISTEM DETEKSI NEAR-REAL-TIME TUMPAHAN MINYAK LEPAS PANTAI BERBASIS DEEP LEARNING DENGAN DATA PENGINDRAAN JAUH SUMBER TERBUKA (STUDI KASUS: BLOK X, PERAIRAN TIMUR PROVINSI LAMPUNG)
Tidak ada deskripsi.
SISTEM DETEKSI NEAR-REAL-TIME TUMPAHAN MINYAK LEPAS PANTAI BERBASIS DEEP LEARNING DENGAN DATA PENGINDRAAN JAUH SUMBER TERBUKA (STUDI KASUS: BLOK X, PERAIRAN TIMUR PROVINSI LAMPUNG)
Tidak ada deskripsi.
PENGEMBANGAN MODEL DETEKSI DEEPFAKE DENGAN PENDEKATAN DEEP LEARNING
Media digital telah menjadi bagian kehidupan sehari-hari. Produksi dan distribusi media seperti gambar, video, dan audio menjadi sangat mudah karena adanya platform seperti media sosial. Hal ini menimbulkan kekhawatiran akan video palsu yang sangat realistis yang diproduksi melalui teknologi deepfake. Tugas akhir ini mencoba menyelesaikan masalah tersebut dengan mengembangkan model deteksi deepfake berbasis deep learning dengan menggunakan pretrained model 2D CNN yaitu EfficientNet-B3, ResNet50, dan Xception. Hasil yang didapatkan adalah ketiga model memiliki performa yang baik dalam mendeteksi video deepfake. Model EfficientNet-B3 mendapatkan akurasi sebesar 89,6%, precision sebesar 89%, recall sebesar 87%, dan f1-score sebesar 88%. Model ResNet50 mendapatkan akurasi sebesar 88,96%, precision sebesar 88%, recall sebesar 86%, dan f1-score sebesar 87%. Model Xception mendapatkan akurasi sebesar 83,3%, precision sebesar 83%, recall sebesar 79%, dan f1-score sebesar 80%. Proses hyperparameter tuning yang dilakukan juga menunjukkan ketiga model telah teroptimasi. Meskipun demikian, ketiga model tersebut masih memiliki kesulitan dalam mengidentifikasi video asli yang ditunjukkan dengan nilai recall yang lebih rendah pada kelas real. Hal tersebut dapat terjadi karena ukuran data yang digunakan, video yang digunakan dalam proses pelatihan model, dan daerah wajah yang menjadi fokus model.
SISTEM DETEKSI NEAR-REAL-TIME TUMPAHAN MINYAK LEPAS PANTAI BERBASIS DEEP LEARNING DENGAN DATA PENGINDRAAN JAUH SUMBER TERBUKA (STUDI KASUS: BLOK X, PERAIRAN TIMUR PROVINSI LAMPUNG)
ABSTRAK Sistem deteksi tumpahan minyak lepas pantai secara near-real-time sangat penting untuk meminimalkan dampak lingkungan dan sosial-ekonomi yang ditimbulkan. Studi ini mengembangkan sebuah sistem terintegrasi berbasis deep learning dan data pengindraan jauh sumber terbuka untuk mendeteksi tumpahan minyak di Blok X, perairan timur Provinsi Lampung. Metode utama meliputi: (1) deteksi berbasis citra SAR Sentinel-1 menggunakan arsitektur U-Net; (2) deteksi berbasis citra optik Sentinel-2 menggunakan model MariNeXt; (3) simulasi pergerakan tumpahan minyak dengan OpenOil (model hanyutan); dan (4) integrasi hasil deteksi, Peta Environmental Sensitivity Index (ESI), serta skenario penempatan lokasi oil boom dan gudang penyimpanannya dalam sebuah dashboard WebGIS. Waktu rata-rata klasifikasi pada sistem SAR hanya membutuhkan 3 detik, sedangkan pada sistem optik membutuhkan waktu 3 hingga 4 menit. Hasil evaluasi menunjukkan sistem mampu melakukan klasifikasi untuk identifikasi strategi respons tumpahan minyak. Keterbatasan utama terletak pada ketiadaan dataset untuk pelatihan dan pengujian sistem deteksi tumpahan minyak yang bersumber dari area studi. Kata kunci: Deteksi tumpahan minyak, respons near-real-time, deep learning, pengindraan jauh, WebGIS.
KAJIAN OPTIMASI OPERASI WADUK BENDUNGAN MENINTING MENGGUNAKAN DEEP LEARNING DAN STOCHASTIC DYNAMIC PROGRAMMING
Sumber daya air merupakan elemen vital dalam kehidupan manusia, mendukung aspek sosial, ekonomi, dan infrastruktur. Namun, tantangan global seperti kelangkaan air, peningkatan permintaan akibat pertumbuhan penduduk dan pembangunan ekonomi, serta dampak perubahan iklim memperumit pengelolaannya. Bendungan Meninting, dengan kapasitas tampung maksimum sebesar 12,18 juta m³, direncanakan untuk memenuhi kebutuhan irigasi seluas 1.559,29 ha dan kebutuhan air baku sebesar 150 liter per detik di wilayah selatan Pulau Lombok, yang memiliki potensi pertanian tinggi namun ketersediaan air terbatas. Estimasi ketersediaan air dilakukan berdasarkan data debit dua mingguan yang telah terkalibrasi dari Stasiun Aiknyet selama periode 1994–2022. Penelitian ini bertujuan untuk mengembangkan pendekatan prediksi-optimasi dalam pengelolaan operasi waduk, dengan memanfaatkan model Long Short-Term Memory (LSTM) untuk memprediksi debit masuk (inflow), dan pendekatan Stochastic Dynamic Programming (SDP) untuk merumuskan kebijakan operasi waduk yang optimal. Fungsi tujuan dirancang untuk memaksimalkan pelepasan air guna memenuhi kebutuhan irigasi dan domestik, dengan tetap menjaga volume tampungan dalam batasan operasional. Hasil prediksi debit menggunakan LSTM menunjukkan kinerja yang baik dengan nilai NSE sebesar 0,715 dan KGE sebesar 0,8025. Selanjutnya, simulasi kebijakan operasi menggunakan SDP berdasarkan data inflow tahun 1994–2022 menunjukkan bahwa waduk dapat mendukung intensitas tanam hingga 300%, dengan keandalan pemenuhan kebutuhan air irigasi dan air baku sebesar 100%. Selain itu, nilai k-factor yang dihasilkan memenuhi ambang batas minimum, yaitu 0,70 untuk irigasi dan 0,85 untuk kebutuhan domestik.
IMPLEMENTASI DEEP LEARNING BERBASIS ARSITEKTUR TRANSFORMER DAN METODE GRID SEARCH UNTUK OTOMASI DETEKSI DAN PENENTUAN HIPOSENTER KEJADIAN MIKROSEISMIK DI LAPANGAN PANAS BUMI
Indonesia memiliki potensi panas bumi terbesar di dunia, sehingga monitoring aktivitas seismik menjadi sangat penting untuk eksplorasi dan pengelolaan sumber energi ini. Metode manual atau metode konvensional seperti STA/LTA memiliki keterbatasan dalam hal efisiensi dan akurasi, terutama dengan volume data yang besar. Penelitian ini mengimplementasikan model deep learning berbasis arsitektur transformer, yaitu EQTransformer versi STEAD, dikombinasikan dengan metode Grid Search untuk otomasi deteksi dan penentuan hiposenter kejadian gempa mikro di lapangan panas bumi. Data yang digunakan mencakup 406 seismogram mikroseismik yang berasal dari Lapangan “AW” dan Nevada. Tahapan prapemrosesan meliputi analisis spektral, bandpass filtering, padding, dan segmentasi dengan overlap ratio tinggi, sehingga memastikan sinyal yang berada di batas segmen tetap tertangkap. Hasil picking gelombang P dan S oleh EQTransformer menunjukkan MAE, RMSE dan F1 skor untuk setiap interval probabilitas atau threshold. MAE, RMSE dan F1 skor paling optimum yang berada pada threshold 0.3 dari kesulurahan data diperoleh secara berurutan sebesar; 0.08, 0.1433, 0.82 untuk gelombang P dan 0.13, 0.179, 0,.86 untuk gelombang S. Hasil ini menunjukkan performa model EQTransformer jauh lebih baik dibandingkan metode STA/LTA maupun picking manual. Asosiasi kejadian gempa berhasil dilakukan dengan metode DBSCAN, menghasilkan sepuluh kejadian gempa dari total 14 kejadian dalam katalog manual. Selanjutnya, penerapan Grid Search dalam proses inversi iteratif menghasilkan penentuan hiposenter yang konsisten dengan katalog manual, meskipun terdapat variasi yang cukup jauh. Dengan demikian, penelitian ini menunjukkan bahwa pendekatan deep learning EQTransformer dikombinasikan dengan Grid Search memiliki potensi untuk meningkatkan otomatisasi, kecepatan, serta akurasi pemrosesan data mikroseismik di lapangan panas bumi.
PENERAPAN DEEP LEARNING UNTUK AUTOPICKING GELOMBANG P DAN S PADA KEJADIAN MIKROSEISMIK DI TAMBANG BAWAH TANAH 'GT'.
Penelitian ini mengaplikasikan metodologi otomatisasi untuk penentuan fase gelombang seismik, khususnya gelombang P dan S pada data mikroseismik tambang bawah tanah. Tantangan utama dalam data mikroseismik tambang bawah tanah adalah volume data yang besar, yang jika diproses secara manual dapat menghambat efisiensi analisis data. Untuk mengatasi masalah ini, pendekatan deep learning dengan model PhaseNet diterapkan untuk meningkatkan efisiensi dan akurasi identifikasi fase gelombang secara otomatis. Selain itu, dilakukan picking ulang pada setiap waveform event mikroseismik untuk meningkatkan kualitas labelling saat tahap training. Mengingat keterbatasan data, metode transfer learning digunakan untuk mengatasi hal ini. Penelitian ini mengusulkan dua skema model: transfer learning dengan pretrained models dan transfer learning dengan freezing layer, yang dirancang untuk menangani keragaman data seismik. Pada skema pertama, pretrained model GEOFON menunjukkan performa terbaik pada data pelatihan dengan F1 score 0.95 untuk fase P dan 0.91 untuk fase S. Namun, performa pada data uji menurun signifikan, dengan F1 score hanya mencapai 0.40 untuk fase P dan 0.36 untuk fase S. Pada skema kedua, pretrained model ETHZ dengan freezing layer ke-1 memberikan hasil terbaik pada data pelatihan dengan F1 score 0.85 untuk fase P dan 0.83 untuk fase S, sementara pada data uji, model ini memperoleh F1 score 0.44 untuk fase P dan 0.41 untuk fase S. Penurunan performa pada data uji kemungkinan disebabkan oleh overfitting dan perbedaan karakteristik antara data pretrained dengan data mikroseismik tambang bawah tanah. Secara keseluruhan, transfer learning dengan pretrained model GEOFON terbukti efektif dalam otomatisasi identifikasi fase gelombang pada data mikroseismik tambang bawah tanah.
PENGGUNAAN ALGORITMA DEEP LEARNING DALAM IDENTIFIKASI WAKTU TIBA GELOMBANG P DAN S PADA DATA MIKROSEISMIK LAPANGAN PANASBUMI 'RR'
Dalam beberapa tahun terakhir, jumlah data yang dihasilkan oleh seismogram semakin meningkat, terutama di area panas bumi. Hal ini menimbulkan tantangan besar dalam pengolahan data seismik, karena jumlah data yang harus dianalisis tidak sebanding dengan sumber daya manusia yang tersedia untuk melakukannya secara manual. Oleh karena itu, diperlukan algoritma atau alat yang mampu membantu proses pengolahan data secara efisien dan akurat. Salah satu algoritma yang banyak digunakan dalam analisis data seismik adalah PhaseNet, sebuah algoritma deep learning yang dirancang untuk mengidentifikasi waktu tiba gelombang P dan S pada gempa tektonik. Meskipun PhaseNet telah terbukti efektif dalam konteks gempa tektonik, penerapannya pada area panas bumi yang memiliki karakteristik seismik berbeda sering kali kurang optimal dalam hal akurasi prediksi. Hal ini disebabkan oleh perbedaan struktur bawah permukaan dan karakteristik gelombang seismik di area panas bumi dibandingkan dengan area tektonik .Penelitian ini bertujuan untuk meningkatkan performa algoritma PhaseNet dalam mendeteksi waktu tiba gelombang pada area panas bumi melalui training model yang lebih sesuai dengan karakteristik data mikroseismik dari lapangan panas bumi. Dalam penelitian ini, dilakukan perbandingan antara tiga model: model PhaseNet yang telah dilatih ulang dengan data mikroseismik, model transfer learning, dan model awal PhaseNet. Evaluasi hasil prediksi dari masing-masing model dilakukan dengan membandingkannya terhadap data katalog picking manual dari lapangan panas bumi “RR” untuk mendapatkan perbedaan performa prediksi. Selanjutnya, analisis menggunakan konsep confusion matrix dilakukan untuk menentukan model terbaik berdasarkan metrik evaluasi seperti precision, recall, dan F1 score. Dengan pendekatan ini, diharapkan penelitian ini dapat memberikan kontribusi dalam meningkatkan akurasi prediksi waktu tiba gelombang pada data seismik area panas bumi, serta mengurangi ketergantungan pada proses manual dalam analisis data seismik
SISTEM PREDIKSI TIME SERIES TRAFIK JARINGAN SELULER MENGGUNAKAN METODE LONG SHORT-TERM MEMORY DAN MACHINE LEARNING
Kemajuan teknologi komunikasi telah menyebabkan peningkatan signifikan dalam penggunaan jaringan seluler generasi 4G, yang menghasilkan tantangan dalam pengelolaan sumber daya jaringan untuk menjaga kualitas layanan. Penelitian ini bertujuan untuk mengembangkan sistem prediksi trafik jaringan seluler berbasis algoritma statistik, machine leaming, dan deep leaming guna mengoptimalkan performa jaringan. Metode yang digunakan mencakup SARIMA, Random Forest, K Nearest Neighbor, dan Long Short-Term Memory (LSTM). Proses pengembangan melibatkan tahap persiapan data, pemodelan prediksi menggunakan berbagai algoritma, serta integrasi ke dalam dashboard interaktif berbasis Streamlit. Evaluasi model dilakukan menggunakan metrik MSE, MAE, dan R2 untuk mengukur akurasi prediksi. Sistem ini dirancang untuk memprediksi trafik jaringan secara efisien, menangkap pola musiman, fluktuasi, dan hubungan non-linear dalam data. Hasil penelitian menunjukkan bahwa pendekatan dengan Machine Leaming dan Deep Leaming ini mampu menghasilkan prediksi yang lebih akurat dibandingkan metode konvensional. Dashboard yang dihasilkan mempermudah operator jaringan dalam menganalisis dan mengambil keputusan berbasis data. Sistem ini diharapkan dapat mendukung pengelolaan jaringan seluler yang lebih baik, khususnya dalam menghadapi tantangan dinamika trafik jaringan.
PREDIKSI PERMINTAAN MATERIAL METER LISTRIK DI PT PLN (PERSERO) MENGGUNAKAN LONG SHORT-TERM MEMORY (LSTM): STUDI KASUS DISTRIBUSI JAWA BARAT
Manajemen Rantai Pasok merupakan aspek krusial dalam operasi bisnis PT PLN (Persero) untuk memastikan distribusi energi yang lancar di seluruh Indonesia. Permintaan pasar yang cepat dan beragam membuat PT PLN (Persero) menghadapi tantangan dalam memprediksi kebutuhan meter listrik secara akurat, sehingga menyebabkan ketidakefisienan dalam perencanaan material. Perencanaan kebutuhan material selama ini dilakukan dengan estimasi berdasarkan penggunaan historis meter listrik dari tahun sebelumnya, yang diisi secara manual oleh setiap unit di setiap kota untuk memperkirakan kebutuhan material selama tiga bulan ke depan. Proses ini dilakukan secara manual, dan jumlah material yang direncanakan selalu dilebihkan sekitar 20-30% untuk mengantisipasi ketidakpastian permintaan. Akibatnya, banyak material yang tidak terpakai menumpuk di gudang, sehingga meningkatkan biaya penyimpanan. Penelitian ini bertujuan untuk meningkatkan efisiensi manajemen inventaris dan mengurangi biaya melalui peramalan permintaan meter listrik yang lebih akurat dengan menggunakan model berbasis deep learning, yaitu Long Short-Term Memory (LSTM). LSTM adalah model deep learning yang telah banyak digunakan untuk data deret waktu (time-series). Prediksi ini didasarkan pada data permintaan material meter listrik dari tahun 2021 hingga 2023. Hasil penelitian menunjukkan bahwa penggunaan model LSTM untuk memprediksi permintaan material mampu mengurangi biaya penyimpanan sebesar 71,32%, karena jumlah pesanan lebih sesuai dengan permintaan aktual.
OPTIMALISASI PREDIKSI BEBAN LISTRIK MENGGUNAKAN DEEP LEARNING UNTUK PERENCANAAN OPERASI SISTEM TENAGA LISTRIK PADA PT PLN (PERSERO) UP3B PAPUA
Untuk memenuhi kebutuhan listrik Indonesia yang terus meningkat, PT PLN (Persero) menerapkan langkah-langkah penting berdasarkan Peraturan Menteri Energi dan Sumber Daya Mineral No. 20 Tahun 2020 tentang Aturan Jaringan Sistem Tenaga Listrik. Salah satu dari Aturan Jaringan adalah Scheduled and Dispatch Code (SDC), yang memastikan kesiapan dan efisiensi sistem. Prediksi beban yang akurat, yang merupakan bagian penting dari SDC, masih menjadi tantangan karena keterbatasan metode tradisional yang mengandalkan persentase pertumbuhan periode sebelumya. Penelitian ini menggunakan model pembelajaran mendalam, yaitu Multi-Layer Perceptron (MLP) dan Long Short-Term Memory (LSTM), untuk meningkatkan akurasi peramalan pada sistem Jayapura dan Sorong. Data SCADA Januari 2020-Agustus 2024 digunakan dengan penyesuaian hyperparameter melalui pencarian grid. Evaluasi model menunjukkan LSTM unggul dibanding MLP, dimana paada sistem Jayapura, LSTM memiliki MAE 1.0519, RMSE 1.6528, dan MAPE 0.0135, sedikit lebih baik dari MLP dengan MAE 1.0597, RMSE 1.6804, dan MAPE 0.0136. Di sistem Sorong, LSTM juga lebih baik dengan MAE 1.3782, RMSE 1.8657, dan MAPE 0.0333, dibanding MLP dengan MAE 1.6192, RMSE 2.1661, dan MAPE 0.0390. Hasil ini menunjukkan LSTM memberikan prediksi yang lebih akurat dalam perencanaan beban. LSTM juga mengurangi kesalahan prediksi dibanding metode manual, dengan pengurangan kesalahan (Error Reduction) 70,6% di Jayapura dan 53,5% di Sorong. Temuan ini menunjukkan potensi LSTM dalam meningkatkan akurasi dan efisiensi perencanaan operasional untuk sistem tenaga listrik yang lebih andal dan ekonomis.
KLASIFIKASI SIFAT EKSTREMOFILIK PROTEIN MENGGUNAKAN PENDEKATAN DEEP LEARNING
Pada kondisi ekstrem (temperatur tinggi, pH terlalu asam/basa, salinitas tinggi) protein dapat mengalami denaturasi akibat terputusnya interaksi non-kovalen yang menstabilkan konformasi natif protein hingga menyebabkan hilangnya fungsi. Namun, ada kelompok protein yang diisolasi dari bakteri ekstremofilik (termofilik, halofilik, asidofilik, dan alkalifilik) yang mampu bertahan pada kondisi ekstrem sesuai dengan habitatnya. Stabilitas protein ekstremofil ini menarik minat para peneliti karena dapat dimanfaatkan untuk mengkatalisis proses-proses di industri, khususnya yang melibatkan proses pada kondisi temperatur tinggi, kadar garam tinggi, asam/basa dan kondisi ekstrim lainnya. Disamping diisolasi dari bakteri ekstremofilik, protein ekstremofil juga dapat diperoleh dari hasil rekayasa. Untuk dapat mentransformasi protein biasa menjadi ekstremofil diperlukan informasi tentang fitur dari asam amino penyusun protein yang harus diubah. Saat ini diantara berbagai macam protein ekstremofil, baru protein termofil yang telah intensif dipelajari diikuti dengan halofil sedangkan protein ektremofil lainnya masih belum banyak dipelajari karena terbatasnya dataset yang tersedia. Penelitian untuk mengidentifikasi protein termofilik dan halofilik menggunakan pendekatan in silico sebagai alternatif terhadap metode eksperimen yang memakan waktu dan memerlukan biaya tinggi. Metode in silico menggunakan berbagai fitur yang diekstrak dari urutan asam amino dan dipilih secara manual (hand crafted features) untuk menjadi input bagi model machine learning. Proses ekstraksi yang membutuhkan waktu, perlunya keahlian di bidang proteomik, dan adanya unsur subjektifitas membuat skalabilitas pendekatan hand crafted features rendah. Pendekatan deep learning saat ini mampu menghasilkan kinerja yang baik dalam melakukan klasifikasi maupun prediksi lainnya, tapi pendekatan ini dianggap black box yang hasil klasifikasinya sulit untuk diinterpretasikan. Padahal, selain mengidentifikasi protein ektremofil, para peneliti di bidang rekayasa protein juga membutuhkan informasi fitur-fitur unik yang menyebabkan protein mampu bertahan di kondisi yang ektrem sebagai basis untuk melakukan desain dan rekayasa protein. Penelitian ini berusaha mengatasi kendala keterbatasan data dan pemilihan fitur manual dengan mengadopsi pendekatan transfer learning dari domain pemrosesan bahasa alami (NLP). Penggunaan embeddings dari pre-trained protein language model (pLM) ataupun fine-tuning pre-trained pLM dalam domain proteomik dan klasifikasi berbasis neural network berhasil meningkatkan kinerja model dalam mengidentifikasi protein ekstremofilik, meskipun dataset yang digunakan terbatas. Dengan memanfaatkan 2.596 protein termofilik, 5.018 protein halofilik, 1.002 protein alkalifilik, dan 4.089 protein acidofilik, model yang menggunakan embeddings sebagai input menunjukkan nilai akurasi, F1, dan MCC yang cukup tinggi. Model terbaik untuk klasifikasi termofilik mencapai 0,98;0,98;0,96; Halofilik 0,92; 0,94; 0,8; Alkalifilik 0,89; 0,84; 0,75; Asidofilik 0,9;0,93;0,75 masing-masing untuk nilai akurasi, F1, dan MCC secara berurutan. Hasil penelitian juga menunjukkan raw embedding mampu menangkap sifat termofil, halofil, alkalifil, dan acidofil protein saat pre-training. Perbandingan model embeddings dengan fine-tuned model menunjukkan bahwa supervised fine-tuned pLM meningkatkan kinerja model. Untuk tugas klasifikasi multi-class, fine-tune model ProtT5 mencapai akurasi 0,70 dan F1-score 0,57 dibandingkan dengan model embeddings dengan nilai akurasi 0,67 dan F1-score 0,53. Selain mengidentifikasi protein ekstremofilik, penelitian ini juga berupaya menginterpretasikan model klasifikasi dan mendapatkan fitur-fitur penting penentu keputusan model. Metode DeepSHAP yang menggunakan Shapley Value digunakan untuk menginterpretasikan model klasifikasi yang menggunakan deep learning dengan arsitektur yang relatif kompleks. Hasil interpretasi menunjukkan hasil yang selaras dengan penelitian berbasis eksperimen. Hasil interpretasi ini berkontribusi untuk menjembatani kesenjangan antara kompleksitas model deep earning dan pemahaman manusia, memfasilitasi pengembangan model yang lebih dapat dipercaya dan dapat diinterpretasikan dalam penelitian proteomik.
PENERAPAN DEEP GENERATIVE MODEL UNTUK PEMBANGUNAN DATA SINTESIS DENGAN TUJUAN MENINGKATKAN KINERJA KLASIFIKASI MRI CITRA TUMOR OTAK BERBASIS DEEP LEARNING
Klasifikasi pada data medis menggunakan deep learning cukup memberikan hasil yang memuaskan. Namun, data medis masih mengalami kendala pada jumlah dataset yang tersedia secara publik, contohnya data tumor otak. Permasalahan lain pada dataset adalah mengalami dataset tidak seimbang. Untuk mengatasi hal tersebut, dapat dilakukan peningkatan jumlah data. Oleh karena itu, penelitian ini melakukan pembangkitan data sintesis tumor otak dengan tujuan meningkatkan jumlah dataset saat pelatihan model klasifikasi berbasis deep learning. Penelitian ini menggunakan dataset MRI tumor otak yang tersedia berjumlah 3064 dengan tiga kelas tumor. Untuk menghasilkan data sintesis, GAN dipilih dengan membangun 9 model untuk tiap kelas tumor dan tiap plane pencitraan-nya agar GAN terfokus mempelajari satu karakteristik gambar. Kualitas dari data sintesis, hasil dari GAN, dievaluasi secara kuantitatif dan kualitatif. Hasil dari penelitian ini menunjukkan bahwa modifikasi terhadap arsitektur diskriminator dan generator menggunakan Residual Network, menghasilkan data sintesis yang dapat menangkap fitur penting, yaitu tumor dibandingkan dengan Deep Convolutional Network. Kemudian, untuk meningkatkan proses pelatihan dan hasil data sintesis yang dihasilkan, penelitian dilanjutkan dengan menambahkan gradient penalty. Hasilnya adalah dengan penambahan teknik tersebut, dihasilkan data sintesis dengan perbaikan fitur yang lebih baik meskipun kekurangannya adalah terdapat banyak noise pada data sintesis sehingga nilai FID lebih tinggi dan inception score lebih rendah. Selanjutnya, dilakukan penambahan data sintesis pada data latih di ketiga model klasifikasi berbasis deep learning. Hasil terbaik didapatkan menggunakan data sintesis model ResWGAN-GP, akurasi model InceptionV3 meningkat dari 95% menjadi 96%, dengan DenseNet121 akurasi model meningkat dari 96% menjadi 97% dan dengan MobileNetv2 akurasi model meningkat dari 92% menjadi 93%. Peningkatan akurasi ini terjadi dikarenakan adanya perbaikan prediksi untuk kelas meningioma dan glioma setelah ditambahkan data sintesis.