📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 61 dokumenPENGGUNAAN DEEP LEARNING UNTUK MENENTUKAN WAKTU TIBA GELOMBANG P DAN S PADA DATA MIKROSEISMIK PANAS BUMI
Hasil pengolahan data mikroseismik bergantung pada kualitas picking gelombang P dan S yang umumnya dilakukan secara manual oleh praktisi geofisika, namun proses ini memakan waktu lama dan rentan terhadap subjektivitas manusia. Teknologi terbaru seperti deep learning dapat membantu mengurangi permasalahan subjektivitas dan meningkatkan efisiensi dalam pengolahan data mikroseismik. Pengembangan teknologi deep learning dalam bidang seismologi menunjukkan adanya peningkatan kinerja pemantauan kegempaan, terutama dalam menentukan waktu tiba gelombang P dan S. Akan tetapi, model-model deep learning tersebut dilatih menggunakan data gempa tektonik regional yang memiliki perbedaan karakteristik dengan mikroseismik di lapangan panas bumi. Adanya perbedaan karakteristik gempa akan mempengaruhi akurasi dan performa model deep learning tersebut. Penelitian tugas akhir ini bertujuan untuk melatih model automatic picker PhaseNet menggunakan data mikroseismik dan mengevaluasi performanya dengan membandingkan katalog waktu tiba yang terprediksi dengan katalog manual, serta menganalisisnya menggunakan konsep confusion matrix. Hasil pelatihan menghasilkan tiga model automatic picker yaitu: Model 1 yang hanya dilatih menggunakan data mikroseismik, dan Model 2 dan Model 3 yang dilatih menggunakan teknik transfer learning dari pre-trained model INSTANCE, dengan Model 3 menambahkan pembekuan pada lapisan arsitektur terdalam. Hasil analisis dari ketiga model menunjukkan adanya peningkatan peforma dibandingkan dengan model PhaseNet original, hal ini ditandai dengan F1 score fase P meningkat dari 0.62 menjadi rata-rata 0.93, dan F1 score fase S dari 0.62 menjadi rata-rata 0.77. Hasil ini membuktikan bahwa penggunaan model deep learning yang dilatih secara spesifik dengan data mikroseismik dapat meningkatkan peformanya dalam menentukan waktu tiba gelombang P dan S pada data mikroseismik panas bumi.
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.
EVALUASI DAN PENGEMBANGAN PENGOLAHAN SINYAL UCAPAN TERCAMPUR INTERFERER DENGAN PENDEKATAN DEEP LEARNING UNTUK ALAT BANTU DENGAR
Menurut WHO pada tahun 2050, diperkirakan lebih dari 700 juta orang akan mengalami gangguan pendengaran. Namun, hanya sedikit penderita yang menggunakan alat bantu dengar. Salah satu alasan adalah karena perangkat kurang memberi manfaat terutama pada lingkungan yang bising. Alat bantu dengar tidak lagi hanya berfungsi untuk amplifikasi suara, tetapi juga untuk peningkatan sinyal ucapan (speech enhancement), yang mana bertujuan memisahkan sinyal ucapan target dari ucapan lain atau noise lingkungan. Metode konvensional yang menggunakan faktor pembobotan seperti spectral subtraction atau wiener filtering tidak optimal untuk mengatasi interferer yang tidak stasioner. Saat ini, metode deep learning sedang banyak dikembangkan untuk pemisahan sinyal suara. Tantangan utama penggunaan metode ini sering kali muncul dari segi komputasi dan kompleksitasnya. Salah satu metode yang digunakan untuk penelitian ini adalah MC-ConvTasNet. Penelitian ini mengevaluasi model menggunakan dataset CEC1 yang menyediakan skenario menggunakan pendekatan model pendengaran binaural, multi-channel, keadaan statis, dua tipe interferer, serta variasi SNR. Untuk menilai inteligibilitas suara, analisis dilakukan menggunakan metrik MBSTOI. Hasil menunjukan bahwa dari berbagai kombinasi jumlah filter pada tumpukan dilated-convolution block (H) dan jumlah filter pada bottleneck (B), didapatkan kombinasi terbaik terletak pada angka 256 dan 128. Variasi parameter H dan B yang lebih tinggi tidak menghasilkan performa yang lebih baik. Penurunan kompleksitas melalui parameter H dan B hingga 94,3% mengakibatkan penurunan performa MBSTOI sebesar 10,9%. Perbandingan antara train dan validation loss menunjukan bahwa penggunaan early stopping dapat mencegah terjadinya overfitting, meskipun bisa menyebabkan penurunan performa MBSTOI. Untuk mengkompensasi penurunan tersebut, dimanfaatkan penambahan variasi lapisan dropout pada berbagai posisi di model yang dikembangkan dan juga dilakukan modifikasi encoder-decoder. Lapisan dropout dapat mengurangi gap antara train dan validation loss sehingga dapat menurunkan test loss. Modifikasi decoder pada bagian blok pemisahan sinyal dilakukan dengan mengkombinasikan fitur spatial dari 6 channel dengan fitur spektral.
LOKALISASI LINGKAR KEPALA JANIN SECARA OTOMATIS PADA CITRA ULTRASONOGRAFI DUA DIMENSI MENGGUNAKAN YOLOV8
Lingkar kepala atau head circumference (HC) janin merupakan salah satu parameter biometrik yang sering digunakan dalam penentuan usia kehamilan dan menilai ukuran janin di dalam kandungan. Dalam prakteknya hingga saat ini lokalisasi lingkar kepala janin masih dilakukan secara manual oleh dokter atau sonografer dengan menarik garis elips yang melingkupi lingkar kepala janin. Hal ini dapat menyebabkan adanya kesalahan dan variasi pengamat. Seiring berkembangnya ilmu pengetahuan dan teknologi, lokalisasi dapat dilakukan secara otomatis. Saat ini deep learning telah merevolusi secara pesat dalam berbagai bidang termasuk dalam bidang medis. Oleh karenanya, pada tugas akhir ini akan diterapkan metode lokalisasi secara otomatis berbasis deep learning. Adapun deep learning yang dipilih adalah YOLOv8 (You Only Look Once versi kedelapan). Kemudian, peforma kinerja YOLOv8 akan dievaluasi dengan menggunakan nilai rata-rata hasil cross-validation dengan metrik evaluasi presisi, recall, mAP50, mAP50-95, dan F1-score. Pada data yang mencakup seluruh trimester dengan jumlah data sebanyak 999 citra USG 2D kepala janin memperoleh hasil kinerja sebesar 0,9841 ± 0,0418; 0,9840 ± 0,0338; 0,9888 ± 0,0234; 0,9127 ± 0,0658; dan 0,9839 ± 0,0365. Hasil lokalisasi lebih baik diperoleh pada trimester 2 dan trimester 3. Hal ini dikarenakan, citra USG pada trimester 2 dan trimester 3 memiliki tengkorak kepala janin dengan ukuran yang lebih besar dan lebih padat daripada trimester 1 sehingga terlihat lebih jelas. Dengan hasil kinerja lokalisasi pada trimester 2 secara berurutan adalah 0,9929 ± 0,0169; 0,9891 ± 0,0280; 0,9932 ± 0,0054; 0,9259 ± 0,0532; dan 0,9909 ± 0,0206. Dan hasil kinerja lokalisasi pada trimester 3 secara berurutan adalah 0,9057 ± 0,2740; 0,9701 ± 0,1318; 0,9645 ± 0,1209; 0,8294 ± 0,1681; dan 0,8910 ± 0,2840.
METODE GABUNGAN LSTM DAN RANDOM FOREST UNTUK PREDIKSI KEMACETAN LALU LINTAS
Kemacetan merupakan salah satu isu yang cukup krusial di beberapa kota di Indonesia, termasuk kota-kota di provinsi Jawa Barat. Kemacetan membuat banyak kerugian seperti hilangnya waktu, kurangnya produktivitas, meningkatkan stress bagi pengemudi, dan akan berdampak pada kegiatan-kegiatan selanjutnya. Kemacetan disebabkan karena pertumbuhan kendaraan bermotor yang meningkat cukup signifikan tidak sebanding dengan pertumbuhan jalan raya (Rahayu, 2018), selain itu kemacetan juga disebabkan karena perjalanan yang tidak terencana dengan baik. Penelitian ini mengusulkan sebuah metode untuk membuat model prediksi kemacetan, agar pengemudi dapat merencanakan perjalanan dengan baik dan mengurangi kemacetan jalan raya. Metode yang diajukan pada penelitian ini yaitu algoritma gabungan LSTM dan Random Forest. LSTM merupakan model deep learning yang dikenal baik untuk mengatasi isu temporal dan sekuensial, sedangkan Random Forest merupakan model machine learning yang sudah banyak digunakan oleh peneliti-peneliti sebelumnya untuk memprediksi kemacetan dan memberikan hasil yang sangat baik. Random Forest memiliki kelebihan kuat dan stabil, serta memiliki risiko overfitting yang rendah. Penelitian terkait sudah banyak dilakukan sebelumnya, namun belum ada yang melakukan eksperimen menggunakan gabungan algoritma LSTM dan Random Forest. Hasil dari penelitian ini berhasil membuktikan bahwa algoritma gabungan LSTM dan Random Forest memberikan hasil yang lebih baik dibandingkan model LSTM dan Random Forest yang berdiri sendiri untuk kasus ini. Model gabungan memberikan nilai akurasi 28% lebih tinggi dibandingkan model Random Forest dan 1% lebih tinggi dibandingkan model LSTM.
PENGEMBANGAN AUTOSCALER BERBASIS DEEP LEARNING PADA KUBERNETES
Kubernetes telah menjadi platform utama untuk pengelolaan kontainer di lingkungan komputasi modern, namun autoscaler bawaan Kubernetes, HorizontalPodAutoscaler (HPA), masih memiliki keterbatasan dalam merespons perubahan beban kerja yang tiba-tiba. Penelitian ini bertujuan untuk mengembangkan autoscaler berbasis deep learning pada Kubernetes yang dapat melakukan respons yang lebih cepat dan dapat melakukan scaling dengan melakukan prediksi metrik beban kerja yang akan datang dengan tujuan mencegah delayed queueing effect. Penelitian ini mencakup beberapa tahap utama: merancang dan mengimplementasikan sistem pengambilan, pengolahan, dan penyimpanan data metrik mentah dari Kubernetes; merancang dan mengimplementasikan autoscaler berbasis deep learning menggunakan Recurrent Neural Network (RNN); serta membandingkan kinerja autoscaler yang dikembangkan dengan HPA. Hasil pengujian menunjukkan bahwa meskipun autoscaler berbasis deep learning memiliki potensi dalam memprediksi metrik beban kerja, hasil prediksi metrik tersebut masih belum terlalu akurat. Akibatnya, kinerja autoscaler tersebut masih belum lebih baik dibandingkan dengan HPA. Hal ini disebabkan oleh kurangnya jumlah data latih serta prediksi penurunan metrik yang terlalu cepat. Saran untuk penelitian selanjutnya meliputi peningkatan jumlah dan variasi data latih, implementasi fine-tuning otomatis, penggunaan stabilization window untuk kestabilan scaling, dan integrasi autoscaler sebagai ekstensi Kubernetes. Penelitian ini membuktikan bahwa penggunaan deep learning untuk autoscaling di Kubernetes memiliki potensi, namun memerlukan penelitian lebih lanjut untuk mencapai kinerja yang lebih baik dari HPA.
PEMANFAATAN INFORMASI JARAK UNTUK MENINGKATKAN KINERJA ESTIMASI PATHLOSS PADA FREKUENSI SUB-6 GHZ DAN MMWAVE DENGAN DEEP LEARNING
Pesatnya perkembangan teknologi dan meningkatnya kebutuhan konektivitas masyarakat menuntut akses jaringan internet yang sangat cepat dan stabil. Dalam beberapa tahun terakhir, operator seluler berlomba untuk meluncurkan layanan 5G, yang memerlukan model kanal yang akurat untuk mengestimasi path loss, sebagai komponen penting dalam desain sistem 5G dan sistem komunikasi seluler di masa depan. Path loss mengacu pada hilangnya kekuatan sinyal yang ditransmisikan dalam jarak jauh, sehingga diperlukan perhitungan estimasi path loss yang lebih rinci dan akurat. Berbagai model telah diusulkan, termasuk model empiris konvensional, namun metode ini sering kali terlalu sederhana dan hanya memberikan solusi one-shot yang kurang adaptif. Sebagai alternatif, machine learning, khususnya deep learning, telah terbukti memberikan hasil yang lebih cepat dan akurat dalam komunikasi nirkabel. Penelitian sebelumnya yang menggunakan arsitektur VGG tanpa fitur tambahan menunjukkan korelasi rendah: 0.091 pada 2.6 GHz, 0.156 pada 28 GHz, dan 0.116 pada 38 GHz, serta tidak mampu menangkap perubahan path loss terhadap jarak dengan baik. Untuk mengatasi keterbatasan ini, kami mengusulkan tiga arsitektur baru: VGG+D, VGG+DFC, dan VGG+EM, yang dikembangkan untuk frekuensi sub-6 GHz dan mmWave. Hasil penelitian menunjukkan bahwa arsitektur VGG+EM, yang mengintegrasikan data empiris dengan output CNN, menunjukkan kinerja terbaik dengan korelasi 0.617 pada 2.6 GHz, 0.593 pada 28 GHz, dan 0.621 pada 38 GHz, jauh melampaui arsitektur lainnya. Penelitian ini menegaskan bahwa arsitektur VGG+EM tidak hanya unggul dalam hal korelasi dan akurasi prediksi dibandingkan dengan model deep learning lain, tetapi juga lebih efektif daripada model empiris tradisional. Dengan demikian, arsitektur ini menawarkan solusi yang lebih andal dan adaptif untuk perencanaan dan optimalisasi jaringan 5G, khususnya pada frekuensi mmWave.
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
PERANCANGAN MODEL DAN MODUL PERANGKAT KERAS UNTUK SISTEM PENDETEKSIAN NAFSU MAKAN IKAN BERBASIS DEEP LEARNING
Akuakultur merupakan salah satu kontributor besar dalam bidang pangan. Tingkat konsumsi dari hasil akuakultur, khususnya ikan, diproyeksi akan mengalami peningkatan yang cukup signifikan dalam beberapa tahun ke depan. Pemanfaatan teknologi menjadi sangat penting untuk menunjang kemampuan produksi ikan akuakultur, mengingat efisiensi akuakultur yang cukup rendah sebagai akibat dari pola operasional yang hanya mengandalkan intuisi belaka. Penelitian ini ditujukan untuk pengembangan model dan modul perangkat keras dari sistem pendeteksian nafsu makan ikan yang berbasis pada deep learning multimodal yang dibangun memanfaatkan input dari data video dan sinyal akselerometer. Eksperimen menunjukkan bahwa penambahan fitur multimodal mampu meningkatkan akurasi pendeteksian dari 92% sampai 99%. Selain itu, hasil perangkat keras dan lunak untuk model ini juga menunjukkan adanya potensi besar untuk pengembangan dan implementasi secara riil di masa mendatang.
DEEP LEARNING-BASED CLASSIFICATION OF VERTICAL,LATERAL, AND COMBINED TRACK IRREGULARITIESUSING TIME-SERIES TO IMAGE TRANSFORMATION
This thesis addresses the crucial issue of detecting track conditions, including vertical, lateral, and combined track conditions, which profoundly affect railway safety and passenger comfort, by utilizing vehicle dynamic responses. Traditional track maintenance methodologies, primarily manual inspections and using specialized monitoring vehicles, are constrained by their inspection frequency. Employing models that correlate vehicle dynamic responses with track conditions could significantly enhance fault detection, particularly when these models are integrated into commercial vehicles for near-real-time monitoring. In this study, we investigate the application of deep learning for classifying track conditions using vehicle dynamic responses. Our approach employs a variant of convolutional neural networks (ConvNets), specifically GoogleNet, to detect track conditions. Additionally, we use the Gramian Angular Summation Field (GASF) to transform carbody acceleration from a temporal representation to a twodimensional image. To address the issue of dataset imbalance that inherently occurs in real-world data, we employ several techniques, including cross-validation and image augmentation. The image augmentation approach can be applied to time-series data, such as vehicle dynamic responses, by leveraging the advantages of the GASF transformation.
SISTEM PENGHAPUSAN OBJEK PADA CITRA PERKOTAAN MENGGUNAKAN IMAGE SEGMENTATION DAN INPAINTING DENGAN PENDEKATAN DEEP LEARNING
Citra digital merupakan sebuah representasi visual dalam dua dimensi yang di dalamnya seringkali tersimpan makna emosional dan informasi krusial. Namun, pada citra, khususnya citra perkotaan, seringkali ditemui objek yang tidak diinginkan muncul di dalamnya. Untuk mengatasi masalah tersebut dibutuhkan sebuah sistem yang mampu menyeleksi area dengan objek yang tidak diinginkan secara otomatis, menghapus area tersebut, dan merestorasi area yang terhapus. Pengembangan sistem penghapusan objek dilakukan dengan mengimplementasikan dan mengintegrasikan modul image segmentation, modul image inpainting, dan aplikasi graphical user interface. Model pralatih image semantic segmentation, DeepLabv3+, digunakan untuk modul image segmentation. Di samping itu, terdapat tujuh model pralatih image inpainting, antara lain DeepFillv2, EdgeConnect (Places), EdgeConnect (PSV), MADF (Places), MADF (PSV), MAT, dan CoModGAN, yang dibandingkan terhadap beberapa aspek pengujian untuk digunakan pada modul image inpainting. Berdasarkan analisis hasil pengujian terhadap data uji, model DeepLabv3+ terbukti mampu melakukan segmentasi dengan akurat dengan nilai mIoU yang mencapai 0.936. Model CoModGAN dipilih sebagai model pralatih pada modul image inpainting karena mencapai skor rata-rata PSNR 26.59dB, SSIM 0.8908, FID 39.99, dan evaluasi subjektif 4.105. Aplikasi graphical user interface yang dikembangkan dan diintegrasikan dengan modul image segmentation dan image inpainting berhasil memberikan fleksibilitas kepada pengguna dan menunjukkan peningkatan kinerja dibandingkan penelitian sebelumnya.
PENGEMBANGAN APLIKASI M-HEALTH DENGAN FITUR PENGENALAN SEVEN-SEGMENT DIGIT UNTUK PEMBACAAN NILAI PADA TENSIMETER DIGITAL
Tekanan darah merupakan salah satu metrik penting dalam pemeriksaan kondisi kesehatan terutama untuk mendeteksi dini penyakit kardiovaskular, yang merupakan penyebab kematian utama di seluruh dunia. Dalam praktiknya, pencatatan data tekanan darah masih dilakukan secara manual. Kegiatan ini rawan akan kesalahan karena human error dan cenderung tidak praktis. Oleh karena itu, diperlukan sebuah solusi untuk dapat secara otomatis melakukan pembacaan dan pencatatan data riwayat tekanan darah dengan akurat, cepat, dan praktis. Solusi yang ditawarkan adalah dengan mengembangkan aplikasi m-health yang memiliki fitur pembacaan hasil pengukuran tekanan darah dengan deep learning, visualisasi data, manajemen user, dan autentikasi. Model tersebut dilatih untuk dapat mengenali seven-segment digit yang merepresentasikan 3 metrik tekanan darah pada tensimeter digital. Model ini dilatih menggunakan total 3.649 gambar tensimeter digital. Model yang digunakan adalah model YOLOv8 dengan varian small, medium, dan large. Terhadap ketiga varian tersebut, juga dilakukan proses kompresi model dengan teknik kuantisasi dan pruning. Berdasarkan hasil pengujian, model yang dipilih adalah model YOLOv8s dengan presisi INT8. Model tersebut dipilih karena memiliki ukuran dan waktu inferensi yang kecil, yaitu 11 MB dan 641,4 ms. Model juga telah memiliki akurasi pendeteksian seven-segment digit sebesar 99,28% dan f1-score sebesar 96,48%. Model tersebut telah di-deploy pada aplikasi m-health dengan peningkatan rata-rata waktu inferensi yang tidak terlalu besar, yaitu menjadi 1867,6 ms. Selain itu, berdasarkan hasil pengujian model pada aplikasi m-health secara langsung terhadap 40 buah gambar, diperoleh akurasi pengelompokkan seven-segment digit sebesar 96,67% dan akurasi pembacaan gambar secara keseluruhan sebesar 95%.
KLASIFIKASI MULTIKELAS CITRA CT SCAN COVID-19 DENGAN ARSITEKTUR VGG-16 MENGGUNAKAN SISTEM TRANSFER LEARNING
COVID-19 adalah penyakit pernapasan yang disebabkan oleh virus corona. Teknik tes paling umum yang digunakan saat ini untuk diagnosis COVID-19 adalah real- time reverse transcription-polymerase chain reaction (RT-PCR). Meskipun begitu dibandingkan dengan RT-PCR, pencitraan radiologi seperti X-Ray dan computer tomography (CT) mungkin merupakan teknologi yang lebih presisi, berguna, dan lebih cepat untuk klasifikasi COVID-19. X-Ray lebih mudah diakses karena banyak tersedia di seluruh rumah sakit di dunia dan lebih murah dari CT Scan, namun hasil klasifikasi COVID-19 menggunakan citra CT Scan lebih sensitif dibandingkan dengan X-Ray. Oleh karena itu, citra CT Scan dapat digunakan untuk deteksi dini pasien COVID-19. Salah satunya yaitu menggunakan metode deep learning. Pada penelitian ini akan dipilih algoritma CNN dengan arsitektur VGG-16 untuk melakukan klasifikasi citra CT Scan COVID-19, Intermediate, dan non-COVID, dengan menggunakan 2481 dataset citra. Pertama dilakukan pre-processing atau mengubah ukuran citra, saluran citra menjadi RGB dan membagi dataset menjadi training dataset dan testing dataset, kemudian dilanjutkan dengan proses konvolusi dengan memanfaatkan pre-trained model VGG-16 dari ImageNet. Diperoleh hasil pengujian data dengan akurasi 97%. Maka disimpulkan jika model yang dipakai untuk mengklasifikasikan citra CT Scan COVID-19, Intermediate, dan non-COVID efektif dan memperoleh hasil yang baik.
MODEL DEEP LEARNING UNTUK REKOGNISI PANJANG SERAT, KELEMBUTAN, DAN EFEK HANDUK PADA DATASET COMMONS
Pendekatan deep learning dalam merepresentasikan karakteristik tekstur pada permukaan kain merupakan solusi untuk menggantikan pengukuran subjektif yang sebelumnya dilakukan oleh para ahli tekstil. Representasi objektif ini memiliki peran kunci untuk pengembangan di industri tekstil, seperti pengenalan bahan tekstil, desain produk, dan pengendalian kualitas. Dalam penalitian ini, kami mengembangkan model deep learning yang mampu menghadirkan representasi tekstur kain dengan tingkat akurasi yang tinggi dan efisiensi waktu yang optimal. Pelatihan model deep learning dilakukan terhadap dataset CoMMonS yang terdiri dari 6912 gambar dari 24 material tekstil. Data telah dianalisis dan diklasifikasikan oleh para ahli ke dalam empat tingkatan dalam 3 kategori yakni panjang serat, kelembutan, dan efek handuk. Penggunaan model pada penelitian ini menggunakan VGG-S-BN (Visual Geometry Group Small dengan Batch Normalization) sebagai kerangka kerja utama yang efektif dalam pemrosesan gambar dan juga menjadi solusi untuk biaya komputasi yang mahal. Hasil yang didapatkan VGG-S-BN lebih baik dari VGG16 dan MuLTER untuk mendapatkan fitur-fitur yang terdapat pada dataset dari sisi biaya komputasi, akurasi, dan nilai loss. nilai akurasi yang diperoleh VGG-S-BN ialah 67.36%, 55.13%, 67.36% pada data pelatihan dan 74.32%, 65.23%, 74.32% pada data validasi dengan learning rate terbaik sebesar 0.001. Hasil penelitian diharapkan memberikan kontribusi penting untuk meningkatkan representasi tekstur kain menjadi lebih akurat dan efisien dalam dunia industri tekstil.
AIRCRAFT PARAMETER ESTIMATION USING DEEP LEARNING AND DELTA METHOD
Improving aircraft design relies on accurate aerodynamic modeling for predicting flight characteristics, wherein system identification and parameter estimation play a pivotal role. While the existing method demonstrates adequacy in achieving the desired outcomes, this research explores the potential of applying a deep learning approach for parameter estimation. This research assesses the efficacy of Deep Learning in aircraft aerodynamic model identification, comparing it to the established Least Squares method. Utilizing flight test data from the ATTAS research aircraft, the study demonstrates that Deep Learning effectively captures trends and reduces fluctuations. While all models show good predictive capability, slight discrepancies with Least Square estimates and limitations related to data variability and outliers were observed. Future research should focus on overcoming these challenges to enhance the precision of Deep Learning models for parameter estimation.