Universitas Syiah Kuala | ELECTRONIC THESES AND DISSERTATION

Electronic Theses and Dissertation

Universitas Syiah Kuala

PERBANDINGAN ARSITEKTUR EFFICIENTNET DAN MOBILENET UNTUK KLASIFIKASI CITRA WA…

MUHAMMAD DIKA RAFI KASHA

Down Syndrome (DS) merupakan kelainan genetik akibat trisomi kromosom 21 yang dapat dikenali melalui karakteristik morfologi wajah. Pendekatan analisis citra wajah menjadi metode non-invasif yang potensial untuk mendukung deteksi dini DS. Seiring perkembangan teknologi deep learning, ekstraksi fitur visual dari citra wajah dapat dilakukan secara otomatis dan akurat. Oleh karena itu, penelitian ini bertujuan untuk membandingkan performa dua arsitektur lightweight convolutional neur…

KLASIFIKASI PEMBEDAAN H₂O DAN H₂O CAMPURAN NAOH BERBASIS SEGMENTASI K-MEA…

MAULIZA PUTRI

Penelitian ini mengembangkan sistem klasifikasi otomatis untuk membedakan larutan H₂O murni dan H₂O campuran NaOH menggunakan citra multispektral pola High-High Fluctuation (HHF). Secara visual kedua larutan tampak identik sehingga diperlukan pendekatan berbasis pengolahan citra digital. Metode yang diterapkan meliputi tiga tahap: (1) segmentasi K-Means untuk mengekstrak area larutan dari latar belakang, (2) klasifikasi menggunakan tiga arsitektur Convolutional Neural Network (CNN) y…

KLASIFIKASI AUTISM SPECTRUM DISORDER (ASD) PADA ANAK MENGGUNAKAN MODEL CNN VG…

ARYA SUYANDA

Deteksi dini Autism Spectrum Disorder (ASD) merupakan tantangan krusial dalam intervensi perkembangan anak. Penelitian ini mengusulkan sebuah pendekatan deep learning untuk klasifikasi ASD secara otomatis sebagai alat bantu skrining yang objektif. Tujuan dari penelitian ini adalah untuk merancang dan mengevaluasi kinerja model Convolutional Neural Network (CNN) VGG19 yang diadaptasi menggunakan pendekatan transfer learning.Metodologi penelitian menggunakan representasi landmark wajah yang ber…

STUDI PERBANDINGAN DENOISING MSPCA DAN MSICA UNTUK KLASIFIKASI AUTISM SPECTRU…

MUHAMMAD MIRZA RAHMAT

Electroencephalography (EEG) banyak digunakan karena bersifat non-invasif dan memiliki resolusi temporal tinggi. Namun, sinyal EEG mentah sangat rentan terhadap artefak biologis dan noise lingkungan, sehingga diperlukan proses denoising yang efektif sebelum klasifikasi. Penelitian ini bertujuan mengevaluasi pengaruh dua metode denoising multiskala, yaitu Multiscale Principal Component Analysis (MS-PCA) dan Multiscale Independent Component Analysis (MS-ICA), terhadap kinerja klasifikasi sinyal…

KLASIFIKASI AUTISM SPECTRUM DISORDER BERBASIS EEG MENGGUNAKAN TOKEN-SHARED TR…

Aufa Rafiki

Autism Spectrum Disorder (ASD) umumnya didiagnosis melalui penilaian klinis berbasis perilaku yang memerlukan waktu lama dan bersifat subjektif, sehingga mendorong pengembangan pendekatan skrining berbasis EEG yang lebih objektif. Penelitian ini mengusulkan Token-Shared Transformer Network (TSTNet) yang efisien terhadap parameter untuk klasifikasi ASD pada kondisi jumlah sampel yang terbatas. Rekaman EEG dikumpulkan dari 18 partisipan (9 ASD dan 9 kontrol neurotipikal) menggunakan sistem 16 c…

ANALISIS KINERJA MODEL MOBILENETV2 PADA KLASIFIKASI PENYAKIT DAUN PADI

RAHMAT MAULANA

Penyakit pada daun padi sering menurunkan kualitas pertumbuhan tanaman, sehingga diperlukan deteksi dini untuk mencegah kerugian hasil panen. Model klasifikasi penyakit daun padi menggunakan arsitektur MobileNetV2 yang dioptimalkan agar dapat diterapkan pada perangkat seluler. Dataset yang digunakan terdiri dari 1.920 citra daun padi yang mencakup enam kelas, yaitu Bacterial Leaf Blight, Brown Spot, Leaf Blast, Leaf Scald, Narrow Brown dan daun sehat. Tahapan penelitian meliputi pre-processin…

EVALUASI KINERJA MODEL EEGNET PADA PROSES KLASIFIKASI ASD DAN NORMAL BERBASIS…

Imam Fathur Rahman

Abstrak - Klasifikasi Autism Spectrum Disorder (ASD) secara akurat dan andal dari electroencephalography (EEG) masih menantang karena karakteristik sinyal EEG yang nonstasioner dan bersifat multikanal. Penelitian ini mengusulkan pipeline deep learning yang ringkas dengan mengintegrasikan Multivariate Empirical Wavelet Transform (MEWT) untuk ekstraksi fitur multikanal yang selaras secara spektral, serta EEGNet untuk klasifikasi ASD berbasis EEG. Performa dievaluasi menggunakan 5-fold cross-val…

PERFORMA ARSITEKTUR EFFICIENTNETB0, MOBILENETV3 DAN SHUFFLENETV2 PADA KLASIF…

ZURIATON NAVISAH

Autism Spectrum Disorder (ASD) merupakan gangguan perkembangan saraf yang memengaruhi interaksi sosial dan komunikasi pada anak. Deteksi dini terhadap ASD sangat penting untuk mendukung intervensi dan terapi yang tepat. Namun, diagnosis konvensional masih bergantung pada tenaga medis profesional dan membutuhkan waktu yang cukup lama. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis berbasis deep learning yang mampu membedakan wajah anak ASD dan normal secara objektif d…

KLASIFIKASI SINYAL EEG UNTUK DIAGNOSIS AUTISM SPECTRUM DISORDER MENGGUNAKAN G…

KAYSA MARISA

Abstrak - Autism Spectrum Disorder (ASD) merupakan gangguan perkembangan sistem saraf yang selama ini diidentifikasi melalui observasi perilaku dan wawancara klinis, yang bersifat subjektif dan memerlukan waktu lama. Penelitian ini bertujuan merancang model klasifikasi menggunakan Graph Convolutional Networ k (GCN) berdasarkan sinyal Electroencephalogram (EEG) yang telah dikonversi ke dalam bentuk citra heatmap untuk merepresentasikan aktivitas otak secara visual. Guna memperkaya …

KLASIFIKASI SINYAL EEG BETA PADA ANAK AUTIS DAN NORMAL MENGGUNAKAN EKSTRAKSI …

Ade Sri Rahayu

Abstrak-Autism Spectrum Disorder (ASD) adalah gangguan perkembangan neurologis yang berdampak pada komunikasi, perilaku, dan interaksi sosial. Penelitian ini bertujuan mengklasifikasikan sinyal EEG beta (12–30 Hz) dari anak ASD dan anak normal menggunakan metode Discrete Wavelet Transform (DWT) dan algoritma Least Squares Support Vector Machine (LS-SVM). Data EEG dari 16 subjek dipra-proses dengan Independent Component Analysis (ICA), lalu disegmentasi menggunakan overlapping wi…


    SERVICES DESK