📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 27 dokumenDETEKSI MANIPULASI GAMBAR BERITA BERBAHASA INDONESIA DENGAN TIMPA TEKS MENGGUNAKAN DEEP LEARNING
Penyebaran berita palsu melalui fenomena timpa teks merupakan permasalahan yang semakin ramai di media sosial seperti Instagram dan Facebook. Pendekatan pengolahan citra tradisional terbukti tidak efektif dalam menangani kasus ini karena rentan terhadap false positive pada latar belakang yang kompleks atau berkontras rendah. Penelitian ini mengusulkan sistem deteksi berbasis deep learning multimodal yang menggabungkan EfficientNetV2-L untuk modalitas visual, IndoBERT untuk modalitas teks hasil EasyOCR, dan modul fusi scaled dot-product attention tiga arah untuk mengintegrasikan kedua modalitas secara terintegrasi. Dataset yang digunakan dibangun secara khusus untuk penelitian ini, terdiri atas 2400 citra berita yang seimbang antara citra asli dan citra palsu, yang dikumpulkan dari grup Facebook dan akun media sosial resmi berita Indonesia, yang dibagi menjadi 2000 data latih, 200 data validasi, dan 200 data uji. Hasil pengujian pada data uji menunjukkan bahwa pendekatan multimodal yang diusulkan mencapai accuracy sebesar 0.8950 dan F1-score sebesar 0.8923, mengungguli pendekatan lainnya seperti unimodal visual, tekstual, maupun pendekatan konvensional.
PENERAPAN CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI OTOMATIS DAN PENENTUAN PARAMETER ORBIT ASTEROID
Perkembangan teknologi observatorium menghasilkan volume data astronomi yang masif, sehingga pendeteksian objek bergerak seperti asteroid secara manual menjadi tidak efisien. Algoritma otomatis konvensional sering kali terkendala oleh tingginya tingkat deteksi palsu (false positive) akibat derau astrometri. Penelitian ini mengusulkan sistem pipeline otomatis yang mengintegrasikan pengolahan citra diferensial, machine learning, dan astrodinamika untuk mendeteksi asteroid serta menentukan parameter orbitnya. Data observasi yang digunakan adalah citra FITS objek (29981) 1999 TD10 dari observatorium KPNO. Tahapan ekstraksi dimulai dengan plate solving, reduksi latar belakang menggunakan algoritma Difference Image Analysis (DIA) ZOGY, dan penautan spasial dengan K-d Tree untuk membentuk kandidat lintasan (tracklet). Model Convolutional Neural Network (CNN) kemudian dilatih untuk membedakan pergerakan objek sejati dari derau. Identitas tracklet yang lolos divalidasi menggunakan kueri Skybot berbasis probabilitas Gaussian dan interpolasi JPL Horizons. Terakhir, komputasi orbit dieksekusi menggunakan metode hibrida Gauss-Herget (Least Squares). Hasil pengujian menunjukkan model CNN mencapai akurasi validasi 96% dan berhasil memangkas drastis deteksi palsu. Sistem juga terbukti mampu merekonstruksi secara presisi enam parameter orbit target utama. Namun, penelitian ini mengungkap bahwa sistem masih rentan terhadap masalah observasi busur pendek (short-arc) pada objek minor sekunder yang membutuhkan pengamatan lanjutan.
IDENTIFIKASI GENANGAN AIR DENGAN MEMANFAATKAN CITRA QUICKBIRD DAN ALOS PALSAR (Studi Kasus: Kecamatan Dayeuhkolot, Kabupaten Bandung)
Indonesia merupakan salah satu negara yang memiliki potensi bencana yang cukup tinggi dan lebih dari 70% bencana yang terjadi merupakan bencana hidrometeorologis termasuk banjir. Banjir didefinisikan sebagai luapan atau genangan yang keluar dari sungai atau badan air dan menyebabkan suatu bahaya dan disebabkan oleh fenomena cuaca dan kejadian yang menyebabkan presipitasi berlebihan pada suatu permukaan bumi. Di Pulau Jawa terdapat empat daerah rawan banjir yang mendapat prioritas tinggi yaitu lereng Gunung Merapi, Provinsi Jakarta dan Daerah Aliran Sungai Bengawan Solo serta Daerah Aliran Sungai Citarum. Tujuan dari studi ini adalah melakukan identifikasi tutupan lahan daerah kawasan banjir beserta luasan genangan air pada tiap tutupan lahan dengan memanfaatkan citra Quickbird dan citra ALOS PALSAR. Sebelum dilakukan proses klasifikasi dan analisis citra, proses pra pengolahan data dilakukan pada citra Quickbird dan ALOS PALSAR agar bersih dari kesalahan yang ada. Tutupan lahan akan didapatkan dari citra Quickbird dengan metode klasifikasi object based dan genangan air diperoleh dengan deliniasi nilai backscatter citra ALOS PALSAR. Dengan curah hujan 5 mm pada tanggal 10 September 2007 seluruh kelas pada area studi tergenang dengan nilai tertentu.
IDENTIFIKASI KERUSAKAN PASCA GEMPA MENGGUNAKAN METODE OBJECT BASED IMAGE ANALYSIS MULTI PARAMETER
Seperti yang kita tahu, gempa bumi merupakan bencana yang dapat menyebabkan kerusakan bangunan seperti ketidakstabilan hingga keruntuhan bangunan. Selain itu kerusakan bangunan juga berdampak kepada efek sosial-ekonomi di dalam masyarakat. Indonesia sebagai negara yang terletak di daerah cincin api (ring of fire) merupakan negara yang cukup sering dilanda gempa hingga pada skala yang cukup besar. Pada tanggal 30 September 2009 Kota Padang dilanda gempa drengan kekuatan sebesar 7,9 skala ritcher yang mengakibatkan 100.000 bangunan mengalami kerusakan. Saat ini penginderaan jauh dapat sangat berperan dalam mengidentifikasi kerusakan yang diakibatkan oleh gempa. Studi kali ini akan berfokus terhadap pengidentifikasian kerusakan bangunan yang diakibatkan oleh gempa menggunakan citra beresolusi tinggi (IKONOS yang diambil pada tanggal 2 Oktober 2009) dan pengaplikasian OBIA (Object Based Image Analysis) sebagai metode yang digunakan untuk mengidentifikasi dan menganalisa kerusakan pasca gempa. Sebagai hasil dari penelitian ini, teknologi pengideraan jauh dapat digunakan untuk mengidentifikasi kerusakan bangunan pasca gempa dengan menggunakan citra satelit beresolusi tinggi.
IDENTIFIKASI TERUMBU KARANG DENGAN CITRA SATELIT QUICKBIRD (STUDI KASUS : WILAYAH PESISIR SADAI, KABUPATEN BANGKA SELATAN, PROVINSI KEPULAUAN BANGKA BELITUNG)
Penggunaan metode penginderaan jauh dalam pemantaun terumbu karang dapat menghemat waktu dan juga biaya dalam pemantauan potensi terumbu karang di suatu daerah. Dalam penelitian ini dilakukan pemetaan persebaran terumbu karang dengan menggunakan metode penginderaan jauh tersebut di daerah studi yakni daerah Kecamatan Sadai, Provinsi Kepulauan Bangka Belitung dengan menggunakan citra QuickBird untuk tahun 2006. Untuk mendapatkan klasifikasi terumbu karang dengan substrat-substrat lainnya dibutuhkan beberapa metode pengkoreksian seperti koreksi kolom air dan juga teknik klasifikasi dari substrat-substrat tersebut yakni teknik klasifikasi Benthic. Selanjutnya hasil dari klasifikasi Benthic tersebut dilakukan perbandingan dengan citra pengolahan dari algoritma Lyzenga yang akhirnya menunjukan keberadaan dari terumbu karang. Hal ini dilakukan untuk mengetahui terumbu karang pada hasil klasifikasi Benthic tersebut berwarna apa. Karena metode pengklasifikasian tersebut hanya memilah beberapa bentuk objek yang memiliki karakteristik pixel yang sama tanpa informasi penjelasan tentang objek tersebut, dan benda benda tersebut dikategorikan kedalam satu bentuk klasifikasi. Sehingga peneliti melakukan pengolahan citra dengan algoritma lyzenga tersebut untuk mendapatkan informasi dari warna-warna hasil klasifikasi yang diberikan oleh klasifikasi benthic tersebut.
APLIKASI CITRA QUICKBIRD UNTUK PEMETAAN BATIMETRI DAN PEMETAAN OBJEK DASAR PERAIRAN DANGKAL (STUDI KASUS : GOBAH PANGGANG, KEPULAUAN SERIBU)
Pemetaan batimetri dan objek dasar perairan dangkal dengan menggunakan citra satelit dapat dijadikan alternatif pengganti metode pemetaan konvensional pada kawasan perairan. Pencitraan satelit pada daerah pulau-pulau kecil dan perairan dangkal memiliki keterbatasan yaitu adanya efek variasi kedalaman sehingga menyebabkan suatu substrat memiliki nilai radiansi yang tidak konsisten. Hal ini disebabkan oleh atenuasi (pelemahan) gelombang cahaya tampak pada kolom air. Atenuasi merupakan akibat dari interaksi cahaya dengan partikel-partikel yang berada pada kolom air. Penelitian ini bertujuan menghasilkan peta objek dasar perairan dangkal dengan menggunakan metode Lyzenga dan untuk menghasilkan peta batimetri dengan menggunakan metode Jupp. Citra yang digunakan adalah citra Quickbird akuisisi september 2008. Pemeruman di lokasi penelitian dilakukan pada oktober 2009 dengan alat perum gema GPSmapsounder. Hasil evaluasi pengukuran kedalaman memperlihatkan bahwa kedalaman penetrasi maksimum band 2 adalah sebesar 9.9 meter, kedalaman penetrasi maksimum band 3 sebesar 3.6 meter, dan kedalaman penetrasi maksimum band 4 sebesar 0.9 meter. Implementasi algoritma Jupp memberikan nilai koefisien determinasi yang rendah. Penggunaan metode Lyzenga dapat menghasilkan citra indeks objek dasar perairan yang tidak tergantung dengan kedalaman (citra indeks invarian kedalaman). Hasil klasifikasi objek dasar perairan dalam dengan menggunakan citra indeks invarian kedalaman menunjukkan akurasi antara 77%-86%.
PENGEMBANGAN SISTEM ENHANCEMENT SELEKTIF DENGAN FINE-TUNING RETINEX-NET UNTUK PENINGKATAN KINERJA SISTEM PENGENALAN WAJAH PADA KONDISI CAHAYA RENDAH
Pengenalan wajah merupakan salah satu teknologi biometrik yang banyak diterapkan dalam berbagai sistem keamanan. Namun, kinerja sistem pengenalan wajah dapat menurun secara signifikan pada kondisi cahaya rendah karena hilangnya informasi visual penting wajah. Oleh karena itu, diperlukan metode peningkatan kualitas citra (image enhancement) yang efektif untuk mengatasi tantangan ini tanpa mengorbankan akurasi pengenalan. Solusi yang diajukan adalah dengan mengembangkan sistem enhancement selektif berbasis model Retinex-Net yang di-fine-tune secara khusus pada data citra wajah dengan kondisi pencahayaan rendah merata. Sistem ini dilengkapi dengan modul klasifikasi pencahayaan untuk mendeteksi kecukupan kondisi cahaya pada citra input dan menentukan apakah proses enhancement perlu dilakukan dengan menggunakan metode klasifikasi machine learning berdasarkan fitur rata-rata dan standar deviasi gray value citra. Model Retinex-Net dilatih menggunakan dataset Labeled Faces in the Wild (LFW) yang telah dimodifikasi dengan menurunkan kecerahan citra secara merata melalui metode pemrosesan citra. Hasil pengujian menunjukkan bahwa modul klasifikasi berhasil mengidentifikasi kondisi gelap dengan akurasi dan f1-score yang cukup tinggi yaitu 0.89 dan 0.92. Model Retinex-Net yang telah di-fine-tune menunjukkan adanya peningkatan kualitas citra berdasarkan metrik PSNR dan SSIM dibandingkan model dasar, namun memiliki penurunan kualitas berdasarkan metrik NIQE. Selain itu, uji generalisasi terhadap citra luar menunjukkan bahwa model tetap memberikan hasil baik, meskipun sensitif terhadap ukuran input serta masih menunjukkan keterbatasan dalam menangani citra wajah gelap nyata. Sistem juga mampu meningkatkan akurasi pengenalan dan deteksi wajah pada kondisi cahaya rendah tanpa menurunkan kinerja pada kondisi cahaya normal. Berdasarkan hasil pengujian, sistem ini efektif untuk meningkatkan kinerja pengenalan wajah pada kondisi pencahayaan rendah yang seragam, serta memiliki potensi diterapkan secara lebih luas dengan penyesuaian tambahan.
2D SCHMID FILTER BANK SEBAGAI INITIAL LAYER PADA CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK PENINGKATAN GENERALISASI KLASIFIKASI MUTU BIJI KOPI DENGAN COMPUTER VISION (CV)
Keberadaan kopi sangat dekat dengan keberadaan manusia karena pemanfaatannya yang beragam, baik untuk pangan, maupun untuk pertumbuhan ekonomi. Indonesia menjadi salah satu negara dengan produksi kopi terbesar di dunia, lebih tepatnya berada pada urutan keempat setelah Brasil, Vietnam, dan Kolombia. Robusta menjadi jenis kopi yang paling banyak berkembang dan diekspor di Indonesia. Dalam panen biji kopi dibutuhkan klasifikasi jenis cacat biji kopi. Dalam klasifikasi biji kopi, digunakan standardisasi berdasarkan Standar Nasional Indonesia (SNI) 01-2907-2008 oleh Badan Standardisasi Nasional (BSN) yang merupakan adaptasi dari International peraturan yang dikeluarkan oleh International Coffee Organization (ICO). Klasifikasi biji kopi awalnya dilakukan secara manual oleh tenaga manusia yang sudah memiliki sertifikat khusus secara organoleptik visual. Namun, hal tersebut menjadi kurang optimal karena bergantung pada jumlah tenaga manusia dan banyaknya biji kopi yang harus dipilah. Oleh karena itu, pada penelitian ini dilakukan pengembangan metodologi klasifikasi biji kopi berbasis computer vision (CV) yang memanfaatkan visual biji kopi untuk pengambilan keputusan dengan menggunakan machine learning dan deep learning. CV digunakan untuk akuisisi data, segmentasi region of interest (ROI), serta ekstraksi fitur fisik dari citra. Untuk klasifikasi, convolutional neural network (CNN) digunakan karena mampu mengekstraksi fitur secara bertingkat, meskipun kinerjanya dapat dipengaruhi variasi warna akibat perubahan pencahayaan. Penelitian ini memanfaatkan Schmid filter bank untuk mengekstraksi fitur tekstur secara multiskala dan multiorientasi, yang menghasilkan feature map tambahan pada setiap kanal RGB sehingga membentuk citra multi-channel. CNN dilatih menggunakan citra multi-channel tersebut untuk mengidentifikasi jenis cacat biji kopi dengan tingkat akurasi yang lebih tinggi dengan persentase mencapai lebih dari 90%, sekaligus mengurangi keterbatasan metode konvensional.
PENGARUH PERUBAHAN WARNA, TEKSTUR, GANGGUAN KETAJAMAN, DAN ORIENTASI CITRA TERHADAP SKOR KEPERCAYAAN PADA PENGENALAN EMAS DAN BERLIAN BERBASIS MODEL OWL-VIT
Mineral merupakan salah satu sumber daya alam yang sangat penting bagi kehidupan manusia. Saat ini terdapat ±6.000 jenis mineral beserta variannya di alam, masing?masing dengan karakteristik fisik, kimia, dan visual yang berbeda. Mengingat banyaknya sampel geologi yang ada, pengoptimalan proses diagnostik akan sangat membantu dalam dunia eksplorasi. Salah satu model deep learning yang dapat digunakan adalah OWL-ViT (Open-World Vision Transformer), yang dirancang untuk mendeteksi dan mengklasifikasi objek secara fleksibel dengan open-vocabulary. Studi ini akan mengevaluasi pengaruh parameter (warna, bentuk, tekstur, serta noise) dan tingkat rotasi objek terhadap kinerja OWL?ViT. Skor kepercayaan untuk konsep “gold” turun dari 0,02213 (emas batangan) menjadi 0,0118167 (bijih; ?46,6%) dan 0,0026167 (petrografi; ?88,2%). Pada transformasi warna (emas batangan ke silver batangan dan berlian ke berlian merah), laju degradasi skor kepercayaan untuk konsep “gold” di emas yang ditransformasi warna ke silver sekitar 2,9 kali lebih curam dibanding “diamond” di berlian yang ditransformasi warna ke merah. Keberadaan blur menurunkan skor kepercayaan emas batangan dari 0,0324 menjadi 0,0253 (blur level 5; ?21,9%) dengan tren hampir linear. Tingkat rotasi suatu objek dalam citra juga menurunkan skor kepercayaan emas batangan ke 0,0262 (rotasi objek 90o ke kanan; 19,14%). Model OWL?ViT memerlukan adaptasi domain dengan data mineral alami & citra petrografi, augmentasi citra, serta penggabungan dengan model yang mampu mendeteksi mineral berdasarkan parameter fisika, seperti energi untuk mencapai reliabilitas operasional dalam dunia nyata.
PENGEMBANGAN MODEL DEEP U-NET AUTOENCODER DENGAN BOTTLENECK, SKIP CONNECTION, DAN AKTIVASI SIGMOID UNTUK REDUKSI NOISE MULTI LEVEL PADA CITRA KERUMUNAN
Manajemen kerumunan di ruang publik membutuhkan sistem crowd counting yang akurat, namun nilai akurasi tersebut sering terdegradasi oleh masalah multi-level noise seperti gaussian, salt-and-pepper, dan poisson. Pada tesis ini dilakukan implementasi model deep U-Net autoencoder dengan tiga poin pengembangan yakni (1) optimasi bottleneck untuk menangkap konteks global multi-level noise, (2) skip connection berbasis attention gate mempertahankan fitur spasial dan kritis, dan (3) aktivasi sigmoid yang mengkombinasikan keunggulan sigmoid dan ReLU dalam menangani variansi intensitas noise. Model ini menggunakan metrik PSNR, SSIM, dan MAE untuk evaluasi, dan dataset yang digunakan adalah SHHA (kerumunan padat) dan SHHB (kerumunan sedang), dengan membandingkan performanya terhadap metode denoising spasial berbasis kernel (seperti: adaptive median filter, gaussian filter, dan bilateral filter). Hasil ekperimen menunjukkan bahwa model yang diimplementasikan unggul dalam menangani gaussian noise (PSNR 35.55, SSIM 0.97) dibandingkan dengan metode denoising spasial spasial namun, masih menghadapi tantangan pada poisson noise (PSNR 10.47) karena kehilangan detail intensitas rendah. Analisis lebih lanjut mengungkapkan bahwa level noise berpengaruh signifikan terhadap performa model ini, dimana dataset Shanghai Tech B lebih rentan terhadap degradasi dengan akurasi perhitungan (MAE 41.27) dibandingkan SHHA. Temuan penting lainnya yaitu bahwa tidak ada korelasi langsung antara besaran PSNR / SSIM yang tinggi terhadap nilai MAE yang ideal, yang menegaskan perlunya pengembangan terhadap metrik evaluasi berbasis object aware. Tesis ini memberikan kontribusi dalam implementasi dan eksperimentasi metode teknik denoising untuk citra kerumunan melalui integrasi teknik deep learning. Untuk pengembangan lebih lanjut, disarankan penelitian lanjutan seperti penerapan multi task learning untuk dapat menangani variasi kepadatan pada citra kerumunan.
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 ALUR PROSES MOSAIC IMAGE STITCHING BERBASIS SUPERPOINT DAN SUPERGLUE UNTUK PEMETAAN CITRA DRONE DALAM RUANGAN
Pemetaan area yang cepat dan akurat merupakan aspek krusial untuk berbagai aplikasi, termasuk survei, riset, dan lokalisasi robotik seperti drone navigasi dalam ruangan. Dalam proses pemetaan, salah satu langkah penting adalah penjahitan citra untuk menggabungkan sejumlah citra menjadi satu citra utuh dengan memanfaatkan area tumpang tindih antar citra. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem penjahitan citra real-time dengan memanfaatkan alur pemrosesan terencana (pipelining). Metode yang diusulkan mencakup lima tahap utama: pre-processing, ekstraksi fitur menggunakan SuperPoint, pencocokan fitur menggunakan SuperGlue, penyelarasan citra dengan transformasi homography yang dioptimasi menggunakan RANSAC, serta penyatuan citra melalui linear blending. Dibandingkan dengan AutoStitch yang bekerja secara sekuensial menggunakan algoritma SIFT, metode ini menunjukkan kinerja lebih baik dalam hal kecepatan pemrosesan dan tingkat distorsi berdasarkan metrik Mean Non Linearity Error (MNLE). Hasil evaluasi menunjukkan bahwa metode yang diusulkan secara signifikan lebih unggul. Algoritma ini mampu mengolah 2 kali lebih cepat dan memiliki distorsi 70% lebih rendah dibandingkan AutoStitch. Selain itu, algoritma ini mampu memproses data video yang tidak dapat dilakukan oleh AutoStitch. Temuan ini menegaskan bahwa pendekatan alur kerja secara pipelining berbasis SuperPoint-SuperGlue sangat menjanjikan untuk aplikasi real-time, dengan kecepatan pengolahan 425 milidetik/citra. ?
ANALISIS INDEKS SILAU DAN LUMINANSI PERMUKAAN DALAM RUANG DENGAN FASAD KINETIK MENGGUNAKAN CITRA HIGH DYNAMIC RANGE (HDR)
Fasad kinetik adalah fasad yang dapat bergerak atau berubah sebagai respons terhadap faktor lingkungan, seperti sinar matahari. Dalam penggunaannya, fasad tersebut berpotensi dapat mengoptimalkan penggunaan cahaya alami pada bangunan dengan mengontrol cahaya alami yang masuk ke dalam bangunan. Dalam memanfaatkan cahaya alami, penting untuk memperhatikan dampaknya terhadap kenyamanan visual pengguna. Kenyamanan visual dapat direperesentasikan dengan indeks silau, yang nilainya dievalusi salah satunya berdasarkan luminansi permukaan dalam ruang. Indeks silau serta luminansi permukaan tersebut dapat diketahui melalui analisis citra High Dynamic Range (HDR). Pada penelitian ini, dilakukan analisis terhadap kenyamanan visual dalam ruang dengan fasad kinetik berstruktur kain tarik (KBKT). Analisis dilakukan pada kondisi yang sesuai dengan skenario variasi bukaan fasad optimal berdasarkan variasi iradiansi difus langit. Namun, dikarenakan analisis dilakukan secara komputasional, maka dilakukan validasi model terlebih dahulu dengan purwarupa yang diukur pada ruang langit buatan tipe cermin. Berdasarkan validasi model yang dilakukan, model simulasi terbukti cukup akurat dengan nilai galat yang dihasilkan < 12%, namun hanya pada rentang waktu simulasi tertentu yaitu antara pukul 09:00 hingga 14:00. Dengan mengacu pada hasil validasi tersebut, maka selanjutnya dilakukan simulasi lanjutan untuk mengevaluasi kenyamanan visual ruang dengan fasad KBKT secara point in time pada 4 hari berbeda, pada 2 kondisi waktu, yang dievaluasi dengan indeks silau DGP yang menghasilkan indeks silau pada model ruangan dan falsecolor luminansi permukaan dalam ruang, serta nilai DGPs yang dianalisis berdasarkan nilai iluminansi vertikal dalam ruang. Hasil simulasi menunjukkan bahwa hampir di semua skenario waktu yang disimulasikan menghasilkan silau tak terlihat (imperceptible), kecuali pada tanggal 21 Juni pukul 11:00 yang masuk pada kategori silau yang jelas (perceptible). Dan berdasarkan heatmap yang dihasilkan dari DGPs, diketahui bahwa hampir semua skenario yang disimulasikan menunjukkan bahwa pada ruang dengan fasad KBKT menghasilkan imperceptible glare zone 100% kecuali pada satu kondisi yang menghasilkan nilai 96,25%. Kata kunci: citra, luminansi, silau, fasad kinetik
KLASIFIKASI NEOPLASIA INTRAEPITEL SERVIKS BERBASIS PEMBELAJARAN MESIN DAN PEMBELAJARAN MENDALAM MENGGUNAKAN CITRA KOLPOSKOPI
Lesi serviks menjadi salah satu tanda awal untuk melakukan diagnosis kanker serviks, secara umum terbagi menjadi tiga kategori: Neoplasia Intraepitel Serviks (NIS)1, NIS2, dan NIS3. Pada penelitian ini bertujuan untuk melakukan klasifikasi NIS berbasis pembelajaran mesin dan pembelajaran mendalam. Model pembelajaran mesin dibangun dengan pemanfaatan nilai ekstraksi fitur tekstur dan warna pada citra lesi serviks, yaitu Gray Level Co-occurrence Matrix (GLCM), L*a*b* color space, dan Local Binary Pattern (LBP), sedangkan model pembelajaran mendalam dibangun dengan memanfaatkan model dasar Convolutional Neural Network (CNN). Citra NIS pada data pelatihan dan pengujian menggunakan Intel Mobile Optical Detection Technologies, yaitu kumpulan citra NIS yang telah dikelompokkan dan diverifikasi oleh tenaga ahli. Eksperimen pada penelitian ini dilakukan untuk menganalisis kinerja model dalam melakukan klasifikasi NIS1, NIS2, dan NIS3, dengan hasil akurasi, sensitivitas, dan spesifisitas pada kinerja model Extra Tree sebesar 0,98, 0,97, dan 0,98, sedangkan pada kinerja model dasar CNN didapatkan nilai akurasi, sensitivitas, dan spesifisitas sebesar 0,94, 0,96, dan 0,89. Temuan pada penelitian ini menunjukkan bahwa kombinasi pada ektraksi fitur GLCM, L*a*b*, dan LBP mampu melakukan pengenalan dan identifikasi karakteristik penting dari citra lesi serviks sebagai tahapan awal klasifikasi kanker serviks. Penelitian selanjutnya, direkomendasikan untuk dapat melakukan peluasan dataset dan melakukan pengujian lanjutan dengan metode klasifikasi yang lebih kompleks guna untuk meningkatkan kinerja model klasifikasi.
MODEL ATENSI CITRA WAJAH AUDIENS BERBASIS EDGE MACHINE LEARNING
Keterbatasan edge device akan kapasitas pemrosesan, penyimpanan dan memori, dapat membatasi kompleksitas komputasi pada komputasi tepi dalam mengekstraksi informasi langsung dari sumber data, yang akan diteruskan oleh edge gateway ke server atau cloud maupun edge device lainnya, melalui jaringan Internet of Thing (IoT) untuk pemrosesan data lebih lanjut. Sebuah model pada machine learning memiliki struktur matematis secara algoritmik, yang merupakan komputasi komplek dalam implementasi keceradan buatan untuk mengotomatisasi pemecahan masalah. Dalam penelitian ini, dengan metodologi Design Research Methodology (DRM) dan metode Cross-Industry Standard Process for Data Mining (CRISP-DM), diusulkan sebuah desain sistem komputasi machine learning di edge device, dengan menggunakan model machine learning berbasis Convolution Neural Network (CNN) yaitu arsitektur MobileNetV2. Proses edge computing dengan machine learning terjadi di ESP32-CAM yang terhubung dengan server melalui jaringan Internet of Thing (IoT). Komputasi machine learning pada ESP32-CAM memiliki keutamaan dalam proses mengklasifikasi image wajah audiens dalam momen Kegiatan Belajar Mengajar (KBM), yang tertangkap kamera ESP32-CAM untuk dikategorikan audiens tersebut dengan label fokus dan tidak-fokus. Data image beserta label tersebut, kemudian dikirim ke Raspberry Pi. Dataset yang digunakan dalam membangun model sebanyak 211 data training dan 63 data testing. Pengujian model dilakukan sebanyak 4 kali, dengan ukuran batch 64 dan jumlah epoch yang berbeda-beda. Pada epoch 55, Jumlah data uji sebanyak 63 berhasil mengklasifikan 45 dari 63 data uji citra dengan benar. Sehingga hasil tersebut didapatkan 71,43% untuk nilai akurasi, 69% untuk nilai AUC, 75% untuk nilai presisi, 76% untuk nilai recall, dan 76% untuk nilai F1 score.