Burnt Land Detection Using SC-UNET Based on Multi-Input SAR and Optical Data
Deteksi lahan terbakar menggunakan arsitektur Spatial and Channel Attention UNET yang menggabungkan data SAR dan Optik untuk akurasi mencapai 98.4%.
Deteksi lahan terbakar menggunakan arsitektur Spatial and Channel Attention UNET yang menggabungkan data SAR dan Optik untuk akurasi mencapai 98.4%.
Implementasi model CNN berbasis ResNet50 dengan mekanisme attention CBAM untuk klasifikasi 10 jenis penyakit daun tomat dengan akurasi 96%.
Riset ini mengembangkan model Deep Learning berbasis arsitektur Transformers untuk memprediksi risiko berbagai penyakit kronis menggunakan data multiomics (genomik, kardiologi, dan intestinal).
Sistem Computer Vision berbasis Faster R-CNN & ResNet50-FPN untuk deteksi jenis jerawat (comedone, nodules, papules, pustules) secara akurat. Menggunakan PyTorch untuk lokalisasi bounding box presisi, membantu otomatisasi screening dermatologi yang cepat dan objektif
Arsitektur Deep Learning Stacked LSTM dioptimalkan menggunakan algoritma meta-heuristics Simulated Annealing untuk memprediksi toksisitas molekul berdasarkan data SMILES. Implementasi menggunakan Python, RDKit, dan dataset Tox21 dengan fokus pada penanganan imbalance dataset.