Study Literatur

Makalah 1 :

Judul     : Implementasi Klasifikasi Citra Untuk Mendeteksi Embrio Bebek Pada Aplikasi Mobile Menggunakan Artificial Intelligence

1)   - Machine learning yang digunakan adalah Supervised Learning dan Teachable Machine.

- Parameter yang didapatkan adalah dibawah <150 maka dinyatakan tidak berembrio, jika diatas 151< maka dinyatakan berembrio. 

- Hasilnya adalah dengan menggunakan data training sebanyak 900 citra, untuk label berhasil (terdapat embrio) dan 400 citra, untuk label gagal (tidak terdapat embrio) didapatkan tingkat akurasi sebanyak 100% berdasarkan angka perhitungan dalam Teachablemodel.

2)   Machine learning ini digunakan untuk bidang peternakan. Bertujuan untuk mendeteksi embrio bebek.

Makalah 2 :

Judul     : Perancangan Aplikasi Deteksi Kanker Serviks Menggunakan Metode Convolutional Neural Network

1)   - Machine learning yang digunakan adalah Convolutional Neural Network.

- Parameter yang digunakan :

 a. Tingkat akurasi sistem

Tingkat akurasi sistem didapatkan dari perbandingan jumlah data uji benar dengan data uji. Data uji benar didapatkan dari kecocokan hasil yang dikeluarkan sistem dengan penilaian spesialis ginekologi. Data yang diuji sebanyak 159 citra serviks: 82 citra serviks iva negatif dan 77 gambar serviks iva positif. Berikut skema pengujian untuk mendapatkan tingkat akurasi sistem: a. Pengujian dengan gambar asli. b. Pengujian dengan gambar yang telah dilakukan tresholding.

b. Tingkat sensitivitas dan spesifisitas sistem

Tingkat sensitivitas dan spesifisitas sistem didapat melalui rumus dari hasil pengujian data oleh sistem. Kecocokan hasil pengujian didapat berdasarkan pendapat spesialis ginekologi. Data yang diuji sebanyak 159 citra serviks: 82 citra serviks iva negatif dan 77 gambar serviks iva positif.

- Hasilnya berbeda disetiap skenario.

a. Hasil skenario I

Analisis skenario 1 merupakan skenario dimana pelatihan dilakukan perubahan jumlah epoch. Besaran akurasi pada proses testing dan training dipengaruhi dengan besaran jumlah epoch yang dilakukan. Epoch merupakan jumlah data citra dilakukan pelatihan. Pada skenario 1 pengujian akurasi berdasarkan epoch menghasilkan akurasi yang optimal pada saat epoch 30 berada pada akurasi 96%.

b. Hasil skenario 2

Dari skenario 2 dapat disimpulkan bahwa jumlah kernel dan filter optimal yang menghasilkan akurasi paling tinggi adalah sebanyak 3 kernel dan 64 serta 256 filter dengan jumlah dropout sebanyak 0.2 dan hidden dims sebanyak 128 menghasilkan akurasi sebesar 96% juga dicapai dengan epoch 30.

c. Hasil skenario 3

Dari 159 data (82 IVA negatif dan 77 IVA positif) didapatkan hasil: 68 citra positif benar, 9 positif palsu, 65 citra negatif benar, dan 17 negatif palsu.

2)   Machine learning ini digunakan untuk bidang kesehatan. Bertujuan untuk mendeteksi kanker serviks.

Makalah 3 :

Judul     : Integrating machine learning with region-based active contour models in medical image segmentation

1)   - Machine learning yang digunakan adalah Extreme Learning Machine (ELM).

- Parameter yang digunakan adalah menggunakan vektor fitur 3-D sebagai masukan mewakili karakteristik daerah. Fitur 3-D digunakan untuk mengklasifikasikan suatu piksel menjadi dua kelas yaitu foreground atau latar belakang yang sesuai dengan pita suara dan daerah non-kabel suara, masing-masing.

- Hasilnya adalah segmentasi ELM terlihat lebih baik dibandingkan dengan segmentasi set level. ELM dapat menangani dengan baik lubang dan batas yang tidak jelas. area tersegmentasi dari metode pertama lebih konsisten meskipun konturnya kasar.

2)   Machine learning ini digunakan untuk bidang kesehatan. Bertujuan untuk mengakurasi segmentasi pita suara dengan CT-Scan.

Makalah 4 :

Judul     : Robust Edge-Stop Functions for Edge-Based Active Contour Models in Medical Image Segmentation

1)  - Machine learning yang digunakan adalah K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM).

- Parameter yang digunakan pada KNN adalah k = 99, sedangkan pada SVM menggunakan fungsi kernel pada SVM bersifat linear dengan parameter scale.

- Hasilnya mengonfirmasi bahwa model kontur aktif menggunakan ESF yang diusulkan mengungguli model kontur aktif berbasis kawasan dan berbasis tepi tradisional

2)  Machine learning ini digunakan untuk bidang kesehatan. Bertujuan untuk membuat grup ESF ro bust untuk model kontur aktif berbasis edge yang dapat digunakan untuk mendeteksi batas yang tidak jelas.

 Makalah 5 :

Judul     : Integrating Machine Learning With Level Set Method For Medical Image Segmentation

1)  - Machine learning yang digunakan adalah K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM).

- Parameter yang digunakan :

 a. Active Contour with Initialization from Classification Algorithms

 Parameter : η = 0.04, λ = 5.0, γ = 1.5,  = 1.5, and σ = 1.5.

 b. Active Contour with Gradient and Class Probability

 Parameter default nilainya adalah μ = 0,04, α = 1,5, = 1,5, dan σ = 2,5. Nilai λ diatur ke 3 untuk tumor  hati dan 5 untuk tumor otak. Dalam k-NN menggunakan k = 99, sedangkan dalam SVM   menggunakan linier dengan parameter skala = 1.

- Hasilnya adalah eksperimen menggunakan enam algoritma klasifikasi yang dipilih mengkonfirmasi keefektifan kami kerangka untuk segmen gambar medis. Penggunaan kombinasi bisa meningkatkan akurasi segmentasi dibandingkan dengan algoritma tunggal. Di antara algoritma yang dipilih, k-NN dan SVM digabungkan dengan model kontur aktif berbasis tepi secara konsisten menunjukkan di atas rata-rata akurasi dibandingkan dengan integrasi dari NBC, ELM, JST, dan random forest.

2)  Machine learning ini digunakan untuk bidang kesehatan. Bertujuan untuk mensegmentasikan citra medis yang digunakan secara luas untuk mendiagnosa kelainan, mengidentifikasi tumor, membuat model untuk perencanaan bedah, dan merencanakan medis pengobatan dengan menggunakan integrasi algoritma machine learning dan model kontur aktif menggunakan metode set level.

Referensi            :

1    Perkasa, Billy Ryan, Anang Sularsa, and Agus Pratondo. "Implementasi Klasifikasi Citra Untuk Mendeteksi Embrio Bebek Pada Aplikasi Mobile Menggunakan Artificial Intelligence." eProceedings of Applied Science 8, no. 1 (2022).

2.   Agustyawati, Dhira Nurrizka, Hilman Fauzi, and Agus Pratondo. "Perancangan Aplikasi Deteksi Kanker Serviks Menggunakan Metode Convolutional Neural Network." eProceedings of Engineering 8, no. 4 (2021).

 3.  Pratondo, Agus, Binh P. Nguyen, Chee-Kong Chui, and Sim-Heng Ong. "Vocal cord segmentation from CT images using machine learning." In Proc. 10th Asian Conf. Computer Aided Surgery (ACCAS 2014), pp. 40-41. 2014.

4.   Pratondo, Agus, Chee-Kong Chui, and Sim-Heng Ong. "Robust edge-stop functions for edge-based active contour models in medical image segmentation." IEEE Signal Processing Letters 23, no. 2 (2015): 222-226.

5.   Pratondo, Agus. "Integrating machine learning with level set method for medical image segmentation." PhD diss., National University of Singapore (Singapore), 2016.