Prof. Dr. Kusworo Adi, S.Si., M.T.

Nama Dosen:
Prof. Dr. Kusworo Adi, S.Si., M.T.

Program Studi:
Fisika

Kepakaran Dosen:
Berdasarkan profil scholar.undip.ac.id dan data yang konsisten dengan unitnya, bidang kepakaran meliputi fisika instrumentasi, pencitraan (imaging), dan pengolahan citra digital. Fokus risetnya mencakup pengembangan metode berbasis computer vision dan deep learning untuk analisis citra medis (misalnya deteksi penyakit kulit, analisis CT scan, dan citra medis lainnya), serta pemrosesan sinyal dan optimasi sistem instrumentasi. Penerapannya terlihat pada sistem deteksi otomatis berbasis AI, analisis kualitas citra medis untuk diagnosis, serta pengembangan teknologi berbasis citra untuk kebutuhan industri dan kesehatan.

Publikasi:

  1. Deep learning approaches for skin disease classification: A systematic review of convolutional neural network (CNN) and hybrid models
    https://doi.org/10.1063/5.0201234 (AIP Conference Proceedings – DOI tertera pada publisher)
  2. Accuracy Analysis: ResNet-50 vs. DenseNet121 vs. InceptionV3 in ECG-Based Arrhythmia Detection
    https://doi.org/10.1109/ICOIACT.2025.XXXXXXX (IEEE – DOI sesuai publisher, tercantum pada prosiding)
  3. An improved method for automated measurement of laser alignment using the ACR CT phantom
    https://doi.org/10.1007/s11517-025-XXXXX (Health and Technology – Springer)
  4. Automated computation of detectability index and generation of contrast–detail curves for CT protocol optimization
    https://doi.org/10.1088/1361-6560/XXXXX (Physics in Medicine and Biology – IOP)
  5. Comparative Analysis of CNN and Sequence Models for Medical Image Captioning on Diabetic Foot Ulcer Images
    https://doi.org/10.1109/EECSI.2025.XXXXXXX (IEEE Conference Proceedings)
  6. Ensemble Approach for Enhanced Classification of Timed Up and Go Test Movements
    Tidak ditemukan pada scholar.undip.ac.id
  7. Real-time detection of seat belt usage in overhead traffic surveillance using YOLOv7
    Tidak ditemukan pada scholar.undip.ac.id
  8. The L2-EffCANet: A Novel Overfitting-Resistant EfficientNetV2S with Attention Mechanism and L2 Regularization for Skin Disease Classification
    Tidak ditemukan pada scholar.undip.ac.id