Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : ILKOMNIKA: Journal of Computer Science and Applied Informatics

Pengembangan Arsitektur Model YOLOv8 untuk Meningkatkan Performa Object Detection pada Varian Boks Warehouse Palletizing Muzammil, Muhammad Alif Amri; Indraswari, Rarasmaya
ILKOMNIKA Vol 6 No 2 (2024): Volume 6, Nomor 2, Agustus 2024
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v6i2.642

Abstract

Dalam lingkungan industri modern, paletisasi gudang memainkan peran penting dalam mengoptimalkan rantai pasokan untuk memenuhi permintaan konsumen yang terus meningkat. Namun, banyak perusahaan masih menggunakan proses manual untuk pengaturan palet, yang menyebabkan kesalahan manusia dalam identifikasi dan penempatan barang. Hal ini mengakibatkan inefisiensi operasional dan kerugian material. Di era digital, computer vision, terutama object detection, sangat penting dalam mengatasi berbagai tantangan industri. Memanfaatkan teknologi pendeteksian objek yang canggih seperti YOLOv8 dapat secara signifikan meminimalkan kesalahan manusia dengan mengaktifkan deteksi barang secara otomatis, sehingga mengurangi keterlibatan manusia. Mengingat data yang digunakan untuk deteksi palet memiliki ukuran yang seragam, efisiensi model YOLOv8 dapat ditingkatkan dengan memodifikasi arsitekturnya ke tingkat multiskala. Penerapan Feature Pyramid Network (FPN) yang dimodifikasi dalam arsitektur YOLOv8 meningkatkan efisiensi pelatihan model dengan berfokus pada fitur data yang penting. Penggunaan TensorRT dalamm proses inferensi YOLOv8 untuk meningkatkan kecepatan dan kinerja, sehingga cocok untuk aplikasi real-time. Penelitian ini menawarkan solusi komprehensif untuk meningkatkan efisiensi dan akurasi operasional dalam pembuatan palet gudang sekaligus mengurangi kesalahan manusia. Dengan penggunaan model modifikasi arsitektur FPN untuk objek berskala kecil dan implementasi TensorRT memberikan performa terbaik yaitu mAP 95,6% dan performa inference speed tercepat yaitu 12ms.
Sistem Berbasis Deep Learning untuk Segmentasi dan Klasifikasi Tingkat Keganasan Tumor Otak Menggunakan Citra MRI 3D Ardan, Indira Salsabila; Indraswari, Rarasmaya
ILKOMNIKA Vol 6 No 2 (2024): Volume 6, Nomor 2, Agustus 2024
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v6i2.643

Abstract

Tumor otak merupakan pertumbuhan sel abnormal di dalam otak, yang dapat bersifat jinak atau ganas. Kanker otak, yang merupakan bentuk ganas dari tumor otak, termasuk dalam jenis kanker yang paling agresif dan sering terdiagnosis pada berbagai rentang usia. Di Indonesia, terdapat sekitar 300 kasus tumor otak yang didiagnosis setiap tahunnya, termasuk pada anak-anak. Dalam menangani kasus tumor otak, diperlukan informasi mengenai lokasi spasial tumor dan tingkat keganasan tumor untuk merencanakan pembedahan dan pengobatan. Metode saat ini yang mengandalkan analisis manual pada citra Magnetic Resonance Imaging (MRI) dapat menyebabkan hasil yang bervariasi antar dokter (inter-observer error). Penelitian mengenai klasifikasi tingkat keganasan tumor otak pada citra MRI 3D juga masih terbatas. Oleh karena itu, dalam penelitian ini, akan dilakukan rancang bangun sistem yang menggunakan metode deep learning untuk segmentasi dan klasifikasi tingkat keganasan tumor otak pada citra MRI 3D. Dalam penelitian ini, telah berhasil dikembangkan sistem berbasis deep learning yang mampu melakukan segmentasi dan klasifikasi tingkat keganasan tumor otak pada citra MRI 3D. Model segmentasi tumor otak yang diusulkan menggunakan arsitektur U-Net dengan dice sebesar 82% dan mean IoU sebesar 94% pada 250 epoch. Sedangkan, model klasifikasi yang diusulkan menggunakan arsitektur Convolutional Neural Network (CNN) dengan base model ResNet50V2 yang sudah dilatih pada dataset ImageNet, head model yang terdiri dari satu lapisan dense dengan 512 nodes, dan lapisan output yang memprediksi input menjadi dua kelas, yaitu “LGG” dan “HGG” dengan accuracy sebesar 97% pada 10 epoch.
Integrating Machine Learning Utility in Tabular Data Synthesizer Training using Loss Function Learning Nur, Muhammad Rizqi; Indraswari, Rarasmaya
ILKOMNIKA Vol 6 No 2 (2024): Volume 6, Nomor 2, Agustus 2024
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v6i2.646

Abstract

Machine learning (ML) utility has been the main evaluation metrics for data synthesizers. However, because ML utility cannot be simply calculated, none of the previous synthesizers were trained to reach the same level of ML utility as a training objective. This study aims to integrate ML utility into data synthesizer training using a transformer-based model as a learned loss function. The transformer was trained to estimate ML utility of synthetic datasets, then it’s integrated by backpropagating the difference between estimated and expected value. The integration has significantly improved the average ML utility of LCT-GAN and Realtabformer. The ML utility of LCT-GAN improved by 0.0158 for Contraceptive dataset, 0.031 for Insurance dataset, and 0.0561 for Treatment dataset. The ML utility of Realtabformer improved by 0.02 for Contraceptive dataset and 0.0024 for Insurance dataset. The increase affects the dataset distribution, correlation between features, and privacy, but the direction varies. Correlation coefficients indicate that synthetic data distribution gets closer to real data as ML utility improves. In addition to ML utility integration, this study has also shown that patterns between rows in a dataset can be learned, so better synthesizers can be developed based on them.
Integration of LIME Explainable AI to Enhance Interpretability of Deep Learning Models in Box Palette Classification Raditya, Evan; Indraswari, Rarasmaya
ILKOMNIKA Vol 6 No 2 (2024): Volume 6, Nomor 2, Agustus 2024
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v6i2.653

Abstract

In the food production system, manual box palette arrangement often encounters errors, such as incorrect stacking patterns, mismatched box quantities, and improper mixing of product variants. This issue occurs in a soy sauce production company with limited infrastructure, leading to the mixing of two product variants with the same box size in a single production line. This results in disruptions to the production flow and significant potential losses. This study proposes a solution using deep learning to detect box palette arrangement patterns. The Convolutional Neural Network (CNN) method is chosen because it has proven effective in image classification. Additionally, this study implements Explainable AI (XAI) to provide explanations related to classification results, increasing user confidence in the system. The Local Interpretable Model-agnostic Explanations (LIME) technique will be used to provide interpretations. This research produces the development of a deep learning model to classify box palette arrangements. Furthermore, the implementation of LIME in this study successfully provides interpretations of the model's predictions. The result is evident in the result where it shows that MobileNetV2 give an F1-Score of 100%, and LIME fidelity score of 0.2 and stability score of 0.2.
Integrasi Pendekatan Transformer dalam Jaringan Group Convolutional untuk Optimasi Super-Resolusi Citra Rosyidan, Fikri Yoma; Indraswari, Rarasmaya
ILKOMNIKA Vol 7 No 1 (2025): Volume 7, Number 1, April 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v7i1.718

Abstract

Single Image Super-Resolution (SISR) merupakan salah satu tantangan krusial dalam pengolahan citra digital, di mana tujuan utamanya adalah mengubah citra beresolusi rendah menjadi citra beresolusi tinggi dengan detail yang tajam dan akurasi visual yang tinggi. Di era digital saat ini, kebutuhan akan citra berkualitas tinggi sangat mendesak di berbagai bidang, mulai dari diagnosa medis yang membutuhkan interpretasi detail citra MRI dan CT scan, hingga aplikasi pengawasan keamanan dan hiburan digital yang mengandalkan ketajaman visual. Beragam pendekatan berbasis Convolutional Neural Network (CNN) seperti Enhanced Group Convolutional Neural Network (EGCNN) telah banyak dikembangkan, namun keterbatasannya dalam menangkap hubungan jarak jauh antar piksel membatasi hasil rekonstruksi. Di sisi lain, metode Transformer dengan mekanisme self-attention efektif memodelkan konteks global, tetapi kompleksitas komputasi menjadi tantangan tersendiri. Oleh karena itu, penelitian ini mengusulkan integrasi Efficient Transformer (ET) ke dalam arsitektur EGCNN. Integrasi ini menggabungkan keunggulan EGCNN dalam ekstraksi fitur lokal menggunakan group convolution dengan kemampuan ET dalam menangkap informasi global secara efisien. Evaluasi dilakukan dengan metrik Peak Signal-to-Noise Ratio (PSNR) dan Structural Similarity Index (SSIM) pada dataset pengujian (Set5, Set14, BSD100, Urban100). Hasil penelitian menunjukkan bahwa integrasi ET meningkatkan performa model secara signifikan dibandingkan baseline EGCNN, terutama pada skala pembesaran ×2, sekaligus menawarkan alternatif kompetitif dan efisien terhadap model-model SISR terkini.