This research aims to apply the localizing region-based active contour (LRAC) method to acquire the femur length in an ultrasound image automatically and to determine the effect of noise removal on the segmentation accuracy. The automatic femur length measurement system includes three main steps. The first step is the denoising process to reduce speckle noise in the ultrasound image. Afterwards, the LRAC method is applied to detect and segment a local region. The segmentation process with a certain number of iterations and a weight of the smoothing terms is started at the selected initial pixel. At the final step, the femur length is measured to estimate the gestational age. The experiment results show that the accuracy of the estimated gestational age increases significantly when the noise reduction technique is employed.

Indonesia merupakan negara dengan keanekaragaman hayati terbesar kedua di dunia setelah Brazil. Indonesia memiliki sekitar 25.000 spesies tumbuhan dan 400.000 jenis hewan dan ikan. Diperkirakan 8.500 spesies ikan hidup di perairan Indonesia atau merupakan 45% dari jumlah spesies yang ada di dunia, dengan sekitar 7.000an adalah spesies ikan laut. Untuk menentukan berapa jumlah spesies tersebut dibutuhkan suatu keahlian di bidang taksonomi. Dalam pelaksanaannya mengidentifikasi suatu jenis ikan bukanlah hal yang mudah karena memerlukan suatu metode dan peralatan tertentu, juga pustaka mengenai taksonomi. Pemrosesan video atau citra pada data ekosistem perairan yang dilakukan secara otomatis mulai dikembangkan. Dalam pengembangannya, proses deteksi dan identifikasi spesies ikan menjadi suatu tantangan dibandingkan dengan deteksi dan identifikasi pada objek yang lain. Metode deep learning yang berhasil dalam melakukan klasifikasi objek pada citra mampu untuk menganalisa data secara langsung tanpa adanya ekstraksi fitur pada data secara khusus. Sistem tersebut memiliki parameter atau bobot yang berfungsi sebagai ektraksi fitur maupun sebagai pengklasifikasi. Data yang diproses menghasilkan output yang diharapkan semirip mungkin dengan data output yang sesungguhnya.  CNN merupakan arsitektur deep learning yang mampu mereduksi dimensi pada data tanpa menghilangkan ciri atau fitur pada data tersebut. Pada penelitian ini akan dikembangkan model hybrid CNN (Convolutional Neural Networks) untuk mengekstraksi fitur dan beberapa algoritma klasifikasi untuk mengidentifikasi spesies ikan. Algoritma klasifikasi yang digunakan pada penelitian ini adalah : Logistic Regression (LR), Support Vector Machine (SVM), Decision Tree, K-Nearest Neighbor (KNN),  Random Forest, Backpropagation.

This paper summarizes a research effort in human face detection. A system to locate human faces in images, especially when used as a front-end for a human face identification system, could have many applications in the law enforcement and security professions. The approach presented here is a hybrid system using an edge deletion preprocessor and back-propagation neural networks. The method proposed successfully detected multiple faces. The results obtained are reported along with a discussion for improving the system.Keywords: Backpropagation neural networks, Edge Detection

Ketahanan pangan nasional tetap membutuhkan beras dalam memenuhi kecukupan pangan, namun demikian tekanan terhadap peningkatan produksi padi terkendala oleh permasalahan konversi lahan pertanian, kerusakan jaringan irigasi, perubahan iklim, dan serangan hama penyakit. Kemampuan memprediksi masa yang akan datang akan membuat petani bisa mengambil keputusan yang tepat dalam mengantisipasi keadaan di masa depan. Jaringan Syaraf Tiruan (JST) telah banyak digunakan dalam prediksi, termasuk dalam bidang pertanian. JST bilangan kompleks (JSBK)  memiliki struktur pemrosesan bilangan kompleks sehingga memiliki kemampuan pelatihan yang lebih baik, kemampuan generalisasi yang lebih baik, konvergensi yang lebih cepat, kompleksitas yang lebih baik, dan data pelatihan yang lebih sedikit. Pada JST dengan arsitektur multi-layer perceptron (MLP) biasa yang bernilai real, nilai dari parameter yang ada, yaitu elemen dari matriks bobot dan vektor bias, dinyatakan dalam bilangan real, sedangkan pada JST bernilai kompleks, nilai dari parameter yang ada dinyatakan dalam bilangan kompleks. Jaringan Syaraf Tiruan (JST) bilangan kompleks dengan algoritma Backpropagation, umumnya digunakan dalam data citra atau suara, namun pada pada penelitian ini digunakan untuk memprediksi produksi padi tahun 2015 di 34 provinsi Indonesia. Data produksi padi diperoleh dari dari Badan Pusat Statistik (BPS), sedangkan data curah hujan, suhu, kelembaban, tekanan udara diperoleh dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG). Atribut masukan pada pelatihan JST pada penelitian ini adalah data iklim dari 34 propinsi di Indonesia dari tahun 2011-2015, yaitu nilai dari : curah hujan, kelembaban, rata-rata suhu, dan rata-rata tekanan udara. Atribut keluaran JST adalah nilai produktifitas padi. Berdasarkan hasil pengujian, JST Backpropagation bilangan kompleks berhasil memprediksi produksi padi tahun 2015 dengan sangat baik pada 32 provinsi (jika tidak menyertakan data provinsi Kepulauan Riau dan DKI Jakarta) dengan rata-rata akurasi 98,9 %.