Lampiran 1. Citra Mammogram Data Training. Citra Mammogram Hasil Pemotongan Asli dan Menghilangkan Background. Klasifikasi Asli.
|
|
- Deddy Tedjo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 LAMPIRAN 129
2 Lampiran 1 Citra Mammogram Data Training No Data Klasifikasi Asli Citra Mammogram Hasil Pemotongan Asli dan Menghilangkan Background 1 mdb003 Normal 2 mdb004 Normal 3 mdb006 Normal 4 mdb008 Normal 5 mdb009 Normal 130
3 6 mdb011 Normal 7 mdb014 Normal 8 mdb016 Normal 9 mdb020 Normal 10 mdb027 Normal 11 mdb029 Normal 131
4 12 mdb031 Normal 13 mdb033 Normal 14 mdb034 Normal 15 mdb035 Normal 16 mdb038 Normal 17 mdb039 Normal 132
5 18 mdb045 Normal 19 mdb047 Normal 20 mdb048 Normal 21 mdb049 Normal 22 mdb050 Normal 23 mdb052 Normal 133
6 24 mdb053 Normal 25 mdb054 Normal 26 mdb055 Normal 27 mdb060 Normal 28 mdb062 Normal 29 mdb067 Normal 134
7 30 mdb068 Normal 31 mdb070 Normal 32 mdb078 Normal 33 mdb001 Tumor 34 mdb002 Tumor 35 mdb005 Tumor 135
8 36 mdb010 Tumor 37 mdb013 Tumor 38 mdb019 Tumor 39 mdb021 Tumor 40 mdb030 Tumor 41 mdb032 Tumor 136
9 42 mdb063 Tumor 43 mdb080 Tumor 44 mdb081 Tumor 45 mdb083 Tumor 46 mdb099 Tumor 47 mdb104 Tumor 137
10 48 mdb107 Tumor 49 mdb121 Tumor 50 mdb132 Tumor 51 mdb142 Tumor 52 mdb145 Tumor 53 mdb150 Tumor 138
11 54 mdb152 Tumor 55 mdb165 Tumor 56 mdb167 Tumor 57 mdb175 Tumor 58 mdb190 Tumor 59 mdb191 Tumor 139
12 60 mdb193 Tumor 61 mdb195 Tumor 62 mdb198 Tumor 63 mdb240 Tumor 64 mdb312 Tumor 65 mdb023 Kanker 140
13 66 mdb028 Kanker 67 mdb058 Kanker 68 mdb075 Kanker 69 mdb090 Kanker 70 mdb105 Kanker 71 mdb111 Kanker 141
14 72 mdb115 Kanker 73 mdb117 Kanker 74 mdb120 Kanker 75 mdb124 Kanker 76 mdb125 Kanker 77 mdb130 Kanker 142
15 78 mdb134 Kanker 79 mdb141 Kanker 80 mdb148 Kanker 81 mdb179 Kanker 82 mdb181 Kanker 83 mdb184 Kanker 143
16 84 mdb206 Kanker 85 mdb209 Kanker 86 mdb216 Kanker 87 mdb231 Kanker 88 mdb233 Kanker 89 mdb239 Kanker 144
17 90 mdb241 Kanker 91 mdb245 Kanker 92 mdb256 Kanker 93 mdb264 Kanker 94 mdb267 Kanker 95 mdb270 Kanker 145
18 96 mdb271 Kanker 146
19 Lampiran 2 Citra Mammogram Data Testing No Data Klasifikasi Asli Citra Mammogram Hasil Pemotongan Asli dan Menghilangkan Background 1 mdb024 Normal 2 mdb026 Normal 3 mdb037 Normal 4 mdb061 Normal 5 mdb076 Normal 147
20 6 mdb100 Normal 7 mdb109 Normal 8 mdb112 Normal 9 mdb015 Tumor 10 mdb091 Tumor 11 mdb097 Tumor 148
21 12 mdb204 Tumor 13 mdb219 Tumor 14 mdb222 Tumor 15 mdb236 Tumor 16 mdb248 Tumor 17 mdb072 Kanker 149
22 18 mdb095 Kanker 19 mdb171 Kanker 20 mdb178 Kanker 21 mdb211 Kanker 22 mdb249 Kanker 23 mdb253 Kanker 150
23 24 mdb265 Kanker 151
24 Lampiran 3 Script M-file GLCM Ekstraksi 14 Parameter Statistik function [out] = GLCM_Features4(glcmin,pairs) % If 'pairs' not entered: set pairs to 0 if ((nargin > 2) (nargin == 0)) error('too many or too few input arguments. Enter GLCM and pairs.'); elseif ( (nargin == 2) ) if ((size(glcmin,1) <= 1) (size(glcmin,2) <= 1)) error('the GLCM should be a 2-D or 3-D matrix.'); elseif ( size(glcmin,1) ~= size(glcmin,2) ) error('each GLCM should be square with NumLevels rows and NumLevels cols'); end elseif (nargin == 1) % only GLCM is entered pairs = 0; % default is numbers and input 1 for percentage if ((size(glcmin,1) <= 1) (size(glcmin,2) <= 1)) error('the GLCM should be a 2-D or 3-D matrix.'); elseif ( size(glcmin,1) ~= size(glcmin,2) ) error('each GLCM should be square with NumLevels rows and NumLevels cols'); end end format longe if (pairs == 1) newn = 1; for nglcm = 1:2:size(glcmin,3) glcm(:,:,newn) = glcmin(:,:,nglcm) + glcmin(:,:,nglcm+1); newn = newn + 1; end elseif (pairs == 0) glcm = glcmin; end size_glcm_1 = size(glcm,1); size_glcm_2 = size(glcm,2); size_glcm_3 = size(glcm,3); % checked out.autoc = zeros(1,size_glcm_3); % Autocorrelation: [2] out.contr = zeros(1,size_glcm_3); % Contrast: matlab/[1,2] out.corrm = zeros(1,size_glcm_3); % Correlation: matlab out.corrp = zeros(1,size_glcm_3); % Correlation: [1,2] out.cprom = zeros(1,size_glcm_3); % Cluster Prominence: [2] out.cshad = zeros(1,size_glcm_3); % Cluster Shade: [2] out.dissi = zeros(1,size_glcm_3); % Dissimilarity: [2] out.energ = zeros(1,size_glcm_3); % Energy: matlab / [1,2] out.entro = zeros(1,size_glcm_3); % Entropy: [2] out.homom = zeros(1,size_glcm_3); % Homogeneity: matlab out.homop = zeros(1,size_glcm_3); % Homogeneity: [2] out.maxpr = zeros(1,size_glcm_3); % Maximum probability: [2] out.sosvh = zeros(1,size_glcm_3); % Sum of sqaures: Variance [1] out.savgh = zeros(1,size_glcm_3); % Sum average [1] out.svarh = zeros(1,size_glcm_3); % Sum variance [1] 152
25 out.senth = zeros(1,size_glcm_3); % Sum entropy [1] out.dvarh = zeros(1,size_glcm_3); % Difference variance [4] %out.dvarh2 = zeros(1,size_glcm_3); % Difference variance [1] out.denth = zeros(1,size_glcm_3); % Difference entropy [1] out.inf1h = zeros(1,size_glcm_3); % Information measure of correlation1 [1] out.inf2h = zeros(1,size_glcm_3); % Informaiton measure of correlation2 [1] %out.mxcch = zeros(1,size_glcm_3);% maximal correlation coefficient [1] %out.invdc = zeros(1,size_glcm_3);% Inverse difference (INV) is homom [3] out.indnc = zeros(1,size_glcm_3); % Inverse difference normalized (INN) [3] out.idmnc = zeros(1,size_glcm_3); % Inverse difference moment normalized [3] glcm_sum = zeros(size_glcm_3,1); glcm_mean = zeros(size_glcm_3,1); glcm_var = zeros(size_glcm_3,1); % confuses the range of % i and j used in calculating the means and standard deviations. % As of now I am not sure if the range of i and j should be [1:Ng] or % [0:Ng-1]. I am working on obtaining the values of mean and std that get % the values of correlation that are provided by matlab. u_x = zeros(size_glcm_3,1); u_y = zeros(size_glcm_3,1); s_x = zeros(size_glcm_3,1); s_y = zeros(size_glcm_3,1); % checked p_x p_y p_xplusy p_xminusy p_x = zeros(size_glcm_1,size_glcm_3); % Ng x #glcms[1] p_y = zeros(size_glcm_2,size_glcm_3); % Ng x #glcms[1] p_xplusy = zeros((size_glcm_1*2-1),size_glcm_3); %[1] p_xminusy = zeros((size_glcm_1),size_glcm_3); %[1] % checked hxy hxy1 hxy2 hx hy hxy = zeros(size_glcm_3,1); hxy1 = zeros(size_glcm_3,1); hx = zeros(size_glcm_3,1); hy = zeros(size_glcm_3,1); hxy2 = zeros(size_glcm_3,1); corm = zeros(size_glcm_3,1); corp = zeros(size_glcm_3,1); for k = 1:size_glcm_3 glcm_sum(k) = sum(sum(glcm(:,:,k))); glcm(:,:,k) = glcm(:,:,k)./glcm_sum(k); % Normalize each glcm glcm_mean(k) = mean2(glcm(:,:,k)); % compute mean after norm glcm_var(k) = (std2(glcm(:,:,k)))^2; for i = 1:size_glcm_1 for j = 1:size_glcm_2 p_x(i,k) = p_x(i,k) + glcm(i,j,k); p_y(i,k) = p_y(i,k) + glcm(j,i,k); 153
26 % taking i for j and j for i %if (ismember((i + j),[2:2*size_glcm_1])) p_xplusy((i+j)-1,k) = p_xplusy((i+j)-1,k) + glcm(i,j,k); %end %if (ismember(abs(i-j),[0:(size_glcm_1-1)])) p_xminusy((abs(i-j))+1,k) = p_xminusy((abs(i-j))+1,k) +... glcm(i,j,k); %end end end end % marginal probabilities are now available [1] % p_xminusy has +1 in index % for matlab (no 0 index) % computing sum average, sum variance and sum entropy: %Q = zeros(size(glcm)); i_matrix = repmat([1:size_glcm_1]',1,size_glcm_2); j_matrix = repmat([1:size_glcm_2],size_glcm_1,1); % i_index = [ ] i_index = j_matrix(:); % j_index = [ ] j_index = i_matrix(:); xplusy_index = [1:(2*(size_glcm_1)-1)]'; xminusy_index = [0:(size_glcm_1-1)]'; mul_contr = abs(i_matrix - j_matrix).^2; mul_dissi = abs(i_matrix - j_matrix); %div_homop = ( 1 + mul_contr); % used from the above two formulae %div_homom = ( 1 + mul_dissi); for k = 1:size_glcm_3 % number glcms out.contr(k) = sum(sum(mul_contr.*glcm(:,:,k))); out.dissi(k) = sum(sum(mul_dissi.*glcm(:,:,k))); out.energ(k) = sum(sum(glcm(:,:,k).^2)); out.entro(k) = - sum(sum((glcm(:,:,k).*log(glcm(:,:,k) + eps)))); out.homom(k) = sum(sum((glcm(:,:,k)./( 1 + mul_dissi)))); out.homop(k) = sum(sum((glcm(:,:,k)./( 1 + mul_contr)))); % [1] explains sum of squares variance with a mean value; % the exact definition for mean has not been provided in % the reference: I use the mean of the entire normalized glcm out.sosvh(k) = sum(sum(glcm(:,:,k).*((i_matrix - glcm_mean(k)).^2))); out.indnc(k) = sum(sum(glcm(:,:,k)./( 1 + (mul_dissi./size_glcm_1) ))); out.idmnc(k) = sum(sum(glcm(:,:,k)./( 1 + (mul_contr./(size_glcm_1^2))))); out.maxpr(k) = max(max(glcm(:,:,k))); u_x(k) = sum(sum(i_matrix.*glcm(:,:,k))); u_y(k) = sum(sum(j_matrix.*glcm(:,:,k))); % using for s_x % s_y : This solves the difference in value of correlation and might be 154
27 % the right value of standard deviations required % According to this website there is a typo in [2] which provides % values of variance instead of the standard deviation hence a square % root is required as done below: s_x(k) = (sum(sum( ((i_matrix - u_x(k)).^2).*glcm(:,:,k) )))^0.5; s_y(k) = (sum(sum( ((j_matrix - u_y(k)).^2).*glcm(:,:,k) )))^0.5; corp(k) = sum(sum((i_matrix.*j_matrix.*glcm(:,:,k)))); corm(k) = sum(sum(((i_matrix - u_x(k)).*(j_matrix - u_y(k)).*glcm(:,:,k)))); out.autoc(k) = corp(k); out.corrp(k) = (corp(k) - u_x(k)*u_y(k))/(s_x(k)*s_y(k)); out.corrm(k) = corm(k) / (s_x(k)*s_y(k)); out.cprom(k) = sum(sum(((i_matrix + j_matrix - u_x(k) - u_y(k)).^4).*... glcm(:,:,k))); out.cshad(k) = sum(sum(((i_matrix + j_matrix - u_x(k) - u_y(k)).^3).*... glcm(:,:,k))); out.savgh(k) = sum((xplusy_index + 1).*p_xplusy(:,k)); % the summation for savgh is for i from 2 to 2*Ng hence (i+1) out.senth(k) = - sum(p_xplusy(:,k).*... log(p_xplusy(:,k) + eps)); % compute sum variance with the help of sum entropy out.svarh(k) = sum((((xplusy_index + 1) - out.senth(k)).^2).*... p_xplusy(:,k)); % the summation for savgh is for i from 2 to 2*Ng hence (i+1) % compute difference variance, difference entropy, % out.dvarh2(k) = var(p_xminusy(:,k)); % but using the formula in l % we have for dvarh out.denth(k) = - sum((p_xminusy(:,k)).*... log(p_xminusy(:,k) + eps)); out.dvarh(k) = sum((xminusy_index.^2).*p_xminusy(:,k)); % compute information measure of correlation(1,2) [1] hxy(k) = out.entro(k); glcmk = glcm(:,:,k)'; glcmkv = glcmk(:); hxy1(k) = - sum(glcmkv.*log(p_x(i_index,k).*p_y(j_index,k) + eps)); hxy2(k) = - sum(p_x(i_index,k).*p_y(j_index,k).*... log(p_x(i_index,k).*p_y(j_index,k) + eps)); hx(k) = - sum(p_x(:,k).*log(p_x(:,k) + eps)); hy(k) = - sum(p_y(:,k).*log(p_y(:,k) + eps)); out.inf1h(k) = ( hxy(k) - hxy1(k) ) / ( max([hx(k),hy(k)]) ); out.inf2h(k) = ( 1 - exp( -2*( hxy2(k) - hxy(k) ) ) )^0.5; % eig_q(k,:) = eig(q(:,:,k)); % sort_eig(k,:)= sort(eig_q(k,:),'descend'); % out.mxcch(k) = sort_eig(k,2)^0.5; 155
28 % The maximal correlation coefficient was not calculated due to % computational instability % l end % GLCM Features (Soh, 1999; Haralick, 1973; Clausi 2002) % f1. Uniformity / Energy / Angular Second Moment (done) % f2. Entropy (done) % f3. Dissimilarity (done) % f4. Contrast / Inertia (done) % f5. Inverse difference % f6. correlation % f7. Homogeneity / Inverse difference moment % f8. Autocorrelation % f9. Cluster Shade % f10. Cluster Prominence % f11. Maximum probability % f12. Sum of Squares % f13. Sum Average % f14. Sum Variance % f15. Sum Entropy % f16. Difference variance % f17. Difference entropy % f18. Information measures of correlation (1) % f19. Information measures of correlation (2) % f20. Maximal correlation coefficient % f21. Inverse difference normalized (INN) % f22. Inverse difference moment normalized (IDN) 156
29 Lampiran 4 Script Matlab untuk operasi titik dan ekstraksi A=imread('mdb003.png'); pic=imadjust(a,[ ],[0 1]); Iec=imresize(pic,[ ]); % perintah di atas digunakan untuk proses operasi titik GLCM2 = graycomatrix(iec); S=GLCM_Features4(GLCM2,0); p1=s.contr; p2=s.corrm; p3=s.energ; p4=s.homop; p5=s.entro; p6=s.sosvh; p7=s.idmnc; p8=s.savgh; p9=s.senth; p10=s.svarh; p11=s.dvarh; p12=s.denth; p13=s.maxpr; p14=s.dissi; B=[p1 p2 p3 p4 p5 p6 p7 p8 p9 p10 p11 p12 p13 p14]; 157
30 Lampiran 5 Tabel Hasil Ekstraksi Citra Mammogram Data Training (dengan Operasi Titik) No Kontras Korelasi Energi Homogenitas Entropi SS IDM SA SE SV DV DE Prob Maks Dissimilarity
31
32
33
34 Lampiran 6 Tabel Hasil Ekstraksi Citra Mammogram Data Testing (dengan Operasi Titik) No Kontras Korelasi Energi Homogenitas Entropi SS IDM SA SE SV DV DE Prob Maks Dissimilarity
35
36 Lampiran 7 Tabel Hasil Ekstraksi Citra Mammogram Data Training (tanpa Operasi Titik) No Kontras Korelasi Energi Homogenitas Entropi SS IDM SA SE SV DV DE Prob Maks Dissimilarity
37
38
39
40 Lampiran 8 Tabel Hasil Ekstraksi Citra Mammogram Data Testing (tanpa Operasi Titik) No Kontras Korelasi Energi Homogenitas Entropi SS IDM SA SE SV DV DE Prob Maks Dissimilarity
41
42 Lampiran 9 Script M-file Fuzzy Neural Network untuk Klasifikasi Kanker Payudara %mencari banyak neuron pada lapisan tersembunyi %yang memberikan MSE kecil syms y t; jawab ='y'; while jawab=='y'; n11= input ('Berapa neuron pada lapisan tersembunyi= '); %jumlah neuron lapisan tersembunyi diubah-ubah hingga diperoleh %neuron yang MSE-nya kecil X1=xlsread('training operasi titik.xlsx');% X1 adalah matriks input-target training, 13 Fitur X2=xlsread('testing operasi titik.xlsx');% X2 adalah matriks input-target testing, 13 Fitur P= X1(:,1:13)'; %input training1 Pc= X2(:,1:13)'; %input testing [m, n]=size(p); [mc, nc]=size(pc); T=X1(:,14)';%target training Tc=X2(:,14)';%target testing %normalisasi input dan target training dan testing [Pn,meanp,stdp,Tn,meant,stdt]=prestd(P,T); %inisialisasi FNN net=newff(minmax(pn),[n11 1],{'logsig' 'purelin'}, 'traingdx'); %Melihat bobot awal input, lapisan, dan bias BobotAwal_Input=net.IW{1,1}; BobotAwal_Bias_Input=net.b{1,1}; BobotAwal_Lapisan=net.LW{2,1}; BobotAwal_Bias_Lapisan=net.b{2,1}; %set parameter net.trainparam.epochs=5000; net.trainparam.goal=1e-5; net.trainparam.max_perf_inc=1.06; net.trainparam.lr=0.1; net.trainparam.lr_inc=1.2; net.trainparam.lr_dec=0.6; net.trainparam.mc=0.8; net.trainparam.show=500; %melakukan pembelajaran net=train(net,pn,tn); %melihat bobot akhir input, lapisan, dan bias BobotAkhir_Input=net.IW{1,1}; BobotAkhir_Bias_Input=net.b{1,1}; BobotAkhir_Lapisan=net.LW{2,1}; BobotAkhir_Bias_Lapisan=net.b{2,1}; %menampilkan target, output jaringan dan error data training ab = sim(net,pn); a=poststd(ab,meant,stdt); e1 = T-a; MSE1 = mse(e1); H1=[(1:size(P,2))' T' a' (T'-a')]; d1=['mse training adalah ',num2str(mse1)]; %dibulantakn 2 angka di belakang koma sprintf('%2d %9.2f %7.2f %5.2f\n',H1'); %Normalisasi input dan target output data testing 170
43 Qn=trastd(Pc,meanp,stdp); %menampilkan target, output jaringan dan error data testing bn=sim(net,qn); b=poststd(bn,meant,stdt); E2=Tc-b; MSE2=mse(E2); H2=[(1:size(Pc,2))' Tc' b' (Tc'-b')]; d2=['mse testing adalah ',num2str(mse2)]; %dibulantakn 2 angka di belakang koma sprintf('%2d %9.2f %7.2f %5.2f\n',H2'); %Evaluasi output NN [m1,b1,r1] = postreg(a(1,:),t(1,:));%data training dengan target %display MSE disp(d1); disp(d2); %Hasil Akurasi Training sizet=size(t); r=round(a); hitung = (find(t==r)); sizehit = size(hitung); Akurasi = (sizehit(1,2)/sizet(1,2))*100; disp('akurasi Data Training'); disp(akurasi); %Hasil Akurasi Testing sizetc=size(tc); s=round(b); hitung2=(find(tc==s)); sizeh2=size(hitung2); Akurasi2=(sizeh2(1,2)/sizetc(1,2))*100; disp('akurasi Data Testing'); disp(akurasi2) jawab=input('ingin mengulang lagi?(y/t)'); end 171
44 Lampiran 10 Hasil Klasifikasi Stadium Kanker Payudara dengan Operasi Titik pada Data Training No Data Klasifikasi Klasifikasi Hasil Asli dengan model Keterangan 1 mdb003 Normal Normal Benar (TN) 2 mdb004 Normal Normal Benar (TN) 3 mdb006 Normal Normal Benar (TN) 4 mdb008 Normal Normal Benar (TN) 5 mdb009 Normal Normal Benar (TN) 6 mdb011 Normal Normal Benar (TN) 7 mdb014 Normal Normal Benar (TN) 8 mdb016 Normal Normal Benar (TN) 9 mdb020 Normal Normal Benar (TN) 10 mdb027 Normal Normal Benar (TN) 11 mdb029 Normal Normal Benar (TN) 12 mdb031 Normal Normal Benar (TN) 13 mdb033 Normal Normal Benar (TN) 14 mdb034 Normal Normal Benar (TN) 15 mdb035 Normal Normal Benar (TN) 16 mdb038 Normal Normal Benar (TN) 17 mdb039 Normal Normal Benar (TN) 18 mdb045 Normal Normal Benar (TN) 19 mdb047 Normal Normal Benar (TN) 20 mdb048 Normal Normal Benar (TN) 21 mdb049 Normal Normal Benar (TN) 22 mdb050 Normal Normal Benar (TN) 23 mdb052 Normal Normal Benar (TN) 24 mdb053 Normal Normal Benar (TN) 25 mdb054 Normal Normal Benar (TN) 26 mdb055 Normal Normal Benar (TN) 27 mdb060 Normal Normal Benar (TN) 28 mdb062 Normal Normal Benar (TN) 29 mdb067 Normal Normal Benar (TN) 30 mdb068 Normal Normal Benar (TN) 31 mdb070 Normal Normal Benar (TN) 32 mdb078 Normal Normal Benar (TN) 33 mdb001 Tumor Tumor Benar (TP) 172
45 34 mdb002 Tumor Tumor Benar (TP) 35 mdb005 Tumor Tumor Benar (TP) 36 mdb010 Tumor Tumor Benar (TP) 37 mdb013 Tumor Tumor Benar (TP) 38 mdb019 Tumor Tumor Benar (TP) 39 mdb021 Tumor Tumor Benar (TP) 40 mdb030 Tumor Tumor Benar (TP) 41 mdb032 Tumor Tumor Benar (TP) 42 mdb063 Tumor Tumor Benar (TP) 43 mdb080 Tumor Tumor Benar (TP) 44 mdb081 Tumor Tumor Benar (TP) 45 mdb083 Tumor Tumor Benar (TP) 46 mdb099 Tumor Tumor Benar (TP) 47 mdb104 Tumor Tumor Benar (TP) 48 mdb107 Tumor Tumor Benar (TP) 49 mdb121 Tumor Tumor Benar (TP) 50 mdb132 Tumor Tumor Benar (TP) 51 mdb142 Tumor Tumor Benar (TP) 52 mdb145 Tumor Tumor Benar (TP) 53 mdb150 Tumor Tumor Benar (TP) 54 mdb152 Tumor Tumor Benar (TP) 55 mdb165 Tumor Tumor Benar (TP) 56 mdb167 Tumor Tumor Benar (TP) 57 mdb175 Tumor Tumor Benar (TP) 58 mdb190 Tumor Tumor Benar (TP) 59 mdb191 Tumor Tumor Benar (TP) 60 mdb193 Tumor Tumor Benar (TP) 61 mdb195 Tumor Tumor Benar (TP) 62 mdb198 Tumor Tumor Benar (TP) 63 mdb240 Tumor Tumor Benar (TP) 64 mdb312 Tumor Tumor Benar (TP) 65 mdb023 Kanker Kanker Benar (TP) 66 mdb028 Kanker Kanker Benar (TP) 67 mdb058 Kanker Kanker Benar (TP) 68 mdb075 Kanker Kanker Benar (TP) 69 mdb090 Kanker Kanker Benar (TP) 70 mdb105 Kanker Kanker Benar (TP) 71 mdb111 Kanker Kanker Benar (TP) 72 mdb115 Kanker Kanker Benar (TP) 173
46 73 mdb117 Kanker Kanker Benar (TP) 74 mdb120 Kanker Kanker Benar (TP) 75 mdb124 Kanker Kanker Benar (TP) 76 mdb125 Kanker Kanker Benar (TP) 77 mdb130 Kanker Kanker Benar (TP) 78 mdb134 Kanker Kanker Benar (TP) 79 mdb141 Kanker Kanker Benar (TP) 80 mdb148 Kanker Kanker Benar (TP) 81 mdb179 Kanker Kanker Benar (TP) 82 mdb181 Kanker Kanker Benar (TP) 83 mdb184 Kanker Kanker Benar (TP) 84 mdb206 Kanker Kanker Benar (TP) 85 mdb209 Kanker Kanker Benar (TP) 86 mdb216 Kanker Kanker Benar (TP) 87 mdb231 Kanker Kanker Benar (TP) 88 mdb233 Kanker Kanker Benar (TP) 89 mdb239 Kanker Kanker Benar (TP) 90 mdb241 Kanker Kanker Benar (TP) 91 mdb245 Kanker Kanker Benar (TP) 92 mdb256 Kanker Kanker Benar (TP) 93 mdb264 Kanker Kanker Benar (TP) 94 mdb267 Kanker Kanker Benar (TP) 95 mdb270 Kanker Kanker Benar (TP) 96 mdb271 Kanker Kanker Benar (TP) 174
BAB III PEMBAHASAN. A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium
BAB III PEMBAHASAN A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium Kanker Payudara Fuzzy Neural Network (FNN) adalah gabungan sistem fuzzy dengan Artificial Neural Network (ANN).
Lebih terperinciBAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
Lebih terperinciBAB III PEMBAHASAN. arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk
BAB III PEMBAHASAN Bab III merupakan pembahasan yang meliputi proses penelitian yaitu arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk klasifikasi stadium kanker payudara,
Lebih terperinciKLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN MODEL FUZZY NEURAL NETWORK
KLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN MODEL FUZZY NEURAL NETWORK SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta Sebagai Salah Satu Persyaratan
Lebih terperinciDisusun oleh: Aziza Ratna Kumala
PERBANDINGAN K-MEANS DAN FUZZY C-MEANS CLUSTERING PADA MODEL RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) UNTUK KLASIFIKASI STADIUM KANKER PAYUDARA SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu
Lebih terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciBAB III METODE PENELITIAN. sekunder berupa citra Magnetic Resonansi Image (MRI) yang diperoleh dari
BAB III METODE PENELITIAN Metode penelitian yang dilakukan pada penelitian ini adalah teknik pengumpulan data dan teknik analisis data. A. Teknik Pengumpulan Data Data yang digunakan pada penelitian ini
Lebih terperinciBAB 4 PENGUJIAN DAN ANALISIS SISTEM
BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB III PEMBAHASAN. Radial Basis Function Neural Network (FRBFNN), prosedur pembentukan model
BAB III PEMBAHASAN Bab III merupakan pembahasan yang meliputi proses penelitian yaitu Fuzzy Radial Basis Function Neural Network (FRBFNN), prosedur pembentukan model FRBFNN, hasil model FRBFNN untuk deteksi
Lebih terperinciBAB I PENDAHULUAN. yang menyerang saluran pencernaan. Lebih dari 60 persen tumor ganas kolorektal
BAB I PENDAHULUAN A. Latar Belakang Kanker kolorektal ( colo rectal carcinoma) atau yang biasa disebut sebagai kanker usus besar merupakan suatu tumor ganas terbayak diantara tumor lainnya yang menyerang
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah
BAB IV HASIL DAN PEMBAHASAN A. Data Sampel Sampel pengujian menggunakan sebanyak 1 buah sampel beras A, 7 buah sampel beras B, 1 buah sampel beras C, dan 2 buah sampel beras D. 1. Data Pengujian Mutu Beras
Lebih terperinciKLASIFIKASI PARKET KAYU JATI BERDASARKAN ANALISA TEKSTUR GLDM MENGGUNAKAN METODE BACKPROPAGATION Muhammad Arief Rahman Hakim Jurusan Teknik Informatik
Wood Parket Classification based on GDLM texture Analysis With Backpropagation Method Muhammad Arief Rahman Hakim Undergraduate Program, Faculty of Industrial Engineering, 2010 Gunadarma University http://www.gunadarma.ac.id
Lebih terperinciABSTRAK. Kata kunci : CBIR, GLCM, Histogram, Kuantisasi, Euclidean distance, Normalisasi. v Universitas Kristen Maranatha
ABSTRAK Content-Based Image Retrieval (CBIR) adalah proses untuk mendapatkan suatu citra berdasarkan konten-konten tertentu, konten yang dimaksud dapat berupa tekstur, warna, bentuk. CBIR pada dasarnya
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Pada bagian ini penulis akan menganalisa kebutuhan kebutuhan dalam membuat program ini. Setelah semua kebutuhan selesai dianalisa, maka penulis akan melanjutkan ke tahap
Lebih terperinciDETEKSI DINI KANKER PARU DENGAN MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) DAN HIGH FREQUENCY EMPHASIS FILTER SKRIPSI
DETEKSI DINI KANKER PARU DENGAN MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) DAN HIGH FREQUENCY EMPHASIS FILTER SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciBAB 3 METODOLOGI. untuk mengurangi adanya false positive dan false negative. False positive dalam hal ini
34 BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah Dalam proses diagnosis kanker payudara dibutuhkan akurasi yang tinggi untuk mengurangi adanya false positive dan false negative. False positive dalam
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Bab ini membahas langkah-langkah dari implementasi dan pembahasan dari hasil penelitian yang telah dilakukan tentang klasifikasi aktivitas menggunakan algoritma k-nearest neighbor
Lebih terperinciIMPLEMENTASI ALGORITMA RANDOM FORESTS UNTUK KLASIFIKASI SPAM PADA CITRA DAN TEXT INSTAGRAM TUGAS AKHIR
IMPLEMENTASI ALGORITMA RANDOM FORESTS UNTUK KLASIFIKASI SPAM PADA CITRA DAN TEXT INSTAGRAM TUGAS AKHIR RIZKY NOVRIYEDI PUTRA 1132001001 PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION Nasep Muhamad Ramdan (0522135) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jalan Prof. Drg.
Lebih terperinciEKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX. Abstrak
EKSTRAKSI CIRI TEKSTUR CITRA WAJAH PENGGUNA NARKOTIKA MENGGUNAKAN METODE GRAY LEVEL CO-OCCURANCE MATRIX Karina Auliasari, Bastian, Bella Fardani, Zulkifli, Ivandi Jurusan Teknik Informatika Fakultas Teknik
Lebih terperinciBAB I PENDAHULUAN. syaraf pusat yang mengkoordinir, mengatur seluruh tubuh dan pemikiran manusia.
BAB I PENDAHULUAN A. Latar Belakang Masalah Otak adalah bagian penting dari tubuh manusia karena otak merupakan syaraf pusat yang mengkoordinir, mengatur seluruh tubuh dan pemikiran manusia. Cidera sedikit
Lebih terperinciBAB II KAJIAN TEORI. Pengolahan Citra Digital, Ekstraksi Fitur Citra, Artificial Neural Network, SOM. Berikut adalah hal-hal mengenai Kanker Paru:
BAB II KAJIAN TEORI Bab II berisi tentang kajian teori yang diantaranya mengenai Kanker Paru, Pengolahan Citra Digital, Ekstraksi Fitur Citra, Artificial Neural Network, SOM Kohonen clustering dan Ketepatan
Lebih terperinciBAB 3 PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB 3 PERANCANGAN DAN IMPLEMENTASI SISTEM Bab ini berisi tentang penjelasan proses perancangan sistem pengolahan citra yang berupa algoritma-algoritma yang akan digunakan dalam proses pengolahan citra
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciBAB II KAJIAN TEORI. penelitian ini diantaranya mengenai kanker payudara, penelitian-penelitian
BAB II KAJIAN TEORI Bab II berisi tentang kajian teori. Teori-teori yang digunakan dalam penelitian ini diantaranya mengenai kanker payudara, penelitian-penelitian terdahulu, pengolahan citra digital dan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih terperinciDIAGNOSA PENYAKIT PARU EFUSI PLEURA DENGAN PENDEKATAN POSSIBILISTIC FUZZY LEARNING VECTOR QUANTIZATION SKRIPSI
DIAGNOSA PENYAKIT PARU EFUSI PLEURA DENGAN PENDEKATAN POSSIBILISTIC FUZZY LEARNING VECTOR QUANTIZATION SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Jurusan Informatika Disusun
Lebih terperinciBAB III METODOLOGI PENELITIAN. Model sistem presensi biometri sidik jari yang dikembangkan secara garis
BAB III METODOLOGI PENELITIAN 3.1 Disain Penelitian Model sistem presensi biometri sidik jari yang dikembangkan secara garis besar terdiri atas bagian input, bagian proses, dan bagian output seperti gambar
Lebih terperinciBAB II KAJIAN TEORI. berasal atau tumbuh di dalam struktur usus besar (kolon) dan atau rectum. Kanker
BAB II KAJIAN TEORI A. Kanker Kolorektal Kanker kolorektal merupakan keadaan dimana jaringan neoplasma ganas berasal atau tumbuh di dalam struktur usus besar (kolon) dan atau rectum. Kanker kolorektal
Lebih terperinciPENGELOMPOKKAN CITRA WARNA MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN SOFTWARE MATLAB ABSTRAK
PENGELOMPOKKAN CITRA WARNA MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN SOFTWARE MATLAB Nurhayati 1, John Adler 2, Sri Supatmi 3 1,2,3 Teknik Komputer, Universitas Komputer Indonesia (UNIKOM) 1 nuril24@yahoo.com,
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciKLASIFIKASI KANKER SERVIKS MENGGUNAKAN MODEL BACKPROPAGATION NEURAL NETWORK DAN PREPROCESSING CITRA DENGAN OPERASI SPASIAL
KLASIFIKASI KANKER SERVIKS MENGGUNAKAN MODEL BACKPROPAGATION NEURAL NETWORK DAN PREPROCESSING CITRA DENGAN OPERASI SPASIAL SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Kanker merupakan proses penyakit yang terjadi karena sel abnormal mengalami mutasi genetik dari DNA seluler. Sel abnormal membentuk klon dan berproliferasi secara abnormal
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Kerangka Pikir Kanker payudara merupakan salah satu penyebab kematian yang sering dialami oleh wanita pada usia lanjut. Tercatat bahwa pada tahun 2011, terdapat lebih
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih terperinciNotes. Output Created 13-May :13:44 Comments Input Data E:\olahdata 2011\andreas\data2.sav. N of Rows in Working Data
REGRESSION /DESCRIPTIVES MEAN STDDEV CORR SIG N /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA COLLIN TOL /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT Emotional /METHOD=ENTER Sense Feel Act /RESIDUALS
Lebih terperinciLAMPIRAN A Percobaan Validasi Metode Analisa Propranolol HCl. 1. Penentuan Kurva Baku Berikut ini adalah data dari kurva baku selama tiga hari C 1
LAMPIRAN A Percobaan Validasi Metode Analisa Propranolol HCl 1. Penentuan Kurva Baku Berikut ini adalah data dari kurva baku selama tiga hari C 1 A 1 C 2 A 2 C 3 (µg/ml) (µg/ml) (µg/ml) 2,04 0,03 2 0,03
Lebih terperinciBAB 6 SIMPULAN DAN SARAN
39 BAB 6 SIMPULAN DAN SARAN 6.1 Simpulan Dari penelitian yang telah dilakukan hingga mendapatkan hasil yang cukup memuaskan, maka ada beberapa kesimpulan yang dapat peneliti berikan, 1. Teknik ekstraksi
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN
4 BAB HASIL DAN PEMBAHASAN Ada tiga tahap utama yang dilakukan pada percobaan ini yaitu ektraksi ciri, pelatihan dan pengujian JST. Percobaan dilakukan dengan mengkombinasikan data hasil ekstraksi ciri
Lebih terperinciBAB II KAJIAN TEORI. kanker. Kanker yang tumbuh pada payudara disebut kanker payudara.
BAB II KAJIAN TEORI A. Kanker Payudara Kanker merupakan pertumbuhan sekelompok sel yang tidak normal, yang berkembang pada bagian tubuh yang normal. Sel kanker yang tumbuh membentuk benjolan disebut tumor.
Lebih terperinciLAMPIRAN A HASIL UJI MUTU FISIK GRANUL
LAMPIRAN A HASIL UJI MUTU FISIK GRANUL Pengujian Kadar air (persen) Waktu alir (detik) Sudut diam (derajat) Indeks kompresibilitas (persen) Formula Replikasi 1 2 3 4 I 3,64 4,71 4,38 2,78 II 4,66 3,11
Lebih terperinciBAB IV PENGOLAHAN DATA
BAB IV PENGOLAHAN DATA 4.1 Print Output dan Analisa Output A. Diskriminan Parameter : 1. Grup 1 : Konsumen (responden) yang sering berkunjung ke... Grup 2 : Konsumen (responden) yang sering berkunjung
Lebih terperinciBAB III PEMBAHASAN. 1. Arsitektur Fuzzy Radial Basis Function Neural Network (FRBFNN) Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan
BAB III PEMBAHASAN A. Fuzzy Radial Basis Function (FRBFNN) 1. Arsitektur Fuzzy Radial Basis Function Neural Network (FRBFNN) Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan gabungan dari
Lebih terperinciBAB 3 METODOLOGI. melakukan pengamatan dan analisis dari gambar yang didapat. Untuk bisa mendapatkan
BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah 3.1.1 Analisis Kebutuhan Dalam melakukan analisa gambar mammogram, biasanya dokter secara langsung melakukan pengamatan dan analisis dari gambar yang
Lebih terperinciChairunnisa Adhisti Prasetiorini *), R. Rizal Isnanto, dan Achmad Hidayatno. Abstrak. Abstract
PENGENALAN IRIS MATA MENGGUNAKAN JARINGAN SARAF TIRUAN METODE PERAMBATAN BALIK DENGAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN (GRAY LEVEL CO-OCCURRENCE MATRIX - GLCM) Chairunnisa Adhisti Prasetiorini
Lebih terperinciBAB II KAJIAN TEORI. terutama asap rokok. Menurut World Health Organization (WHO), kanker
BAB II KAJIAN TEORI A. Kanker Paru Kanker paru adalah pertumbuhan sel kanker yang tidak terkendali dalam jaringan paru yang dapat disebabkan oleh sejumlah karsinogen, terutama asap rokok. Menurut World
Lebih terperinciK-Means Clustering. Tim Asprak Metkuan. What is Clustering?
K-Means Clustering Tim Asprak Metkuan What is Clustering? Also called unsupervised learning, sometimes called classification by statisticians and sorting by psychologists and segmentation by people in
Lebih terperinciBAB II KAJIAN PUSTAKA. Leher rahim yaitu suatu daerah organ reproduksi wanita yang menghubungkan
BAB II KAJIAN PUSTAKA A. Kanker Serviks Kanker serviks adalah sel kanker yang terbentuk pada daerah leher rahim. Leher rahim yaitu suatu daerah organ reproduksi wanita yang menghubungkan rahim ke vagina.
Lebih terperinciBAB VI CONTOH APLIKASI JST UNTUK PENGENALAN POLA SIDIK JARI
BAB VI CONTOH APLIKASI JST UNTUK PENGENALAN POLA SIDIK JARI Kompetensi :. Mahasiswa memahami aplikasi JST Sub Kompetensi :. Dapat melakukan pemrograman JST dengan Matlab.. Dapat mencoba kasus aplikasi
Lebih terperinciPerbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca
NATURALA Journal of Scientific Modeling & Computation, Volume 1 No.1 2013 7 ISSN 23030135 Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca Candra Dewi 1, M. Muslikh
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciNon Linear Estimation and Maximum Likelihood Estimation
Non Linear Estimation and Maximum Likelihood Estimation Non Linear Estimation and Maximum Likelihood Estimation Non Linear Estimation We have studied linear models in the sense that the parameters are
Lebih terperinciIDENTIFIKASI VARIETAS DURIO ZIBETHINUS BERDASARKAN SEBARAN TRIKOMA DAUN MENGGUNAKAN GLCM DAN KNN NOORDAMA
IDENTIFIKASI VARIETAS DURIO ZIBETHINUS BERDASARKAN SEBARAN TRIKOMA DAUN MENGGUNAKAN GLCM DAN KNN NOORDAMA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciMODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA TUGAS AKHIR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciBAB II KAJIAN TEORI. di antaranya mengenai kanker payudara (breast cancer), konsep dasar Neural
BAB II KAJIAN TEORI Bab II berisi tentang kajian teori yang akan digunakan dalam penelitian ini di antaranya mengenai kanker payudara (breast cancer), konsep dasar Neural Network, algotitma Backpropagation,
Lebih terperinciLAMPIRAN A PERCOBAAN VALIDASI METODE ANALISA PROPRANOLOL HCL. Berikut ini adalah data dari kurva baku selama tiga hari berturut turut A 2 C 3.
LAMPIRAN A PERCOBAAN VALIDASI METODE ANALISA PROPRANOLOL HCL 1. Penentuan Kurva Baku Berikut ini adalah data dari kurva baku selama tiga hari berturut turut C 1 (µg/ ml) A 1 C 2 (µg/ ml) A 2 C 3 (µg/ ml)
Lebih terperinciAtthariq 1, Mai Amini 2
IDENTIFIKASI IKAN KERAPU BERDSARKAN POLA KULIT DENGAN METODE GLCM DAN EUCLIDEAN DISTANCE Atthariq 1, Mai Amini 2 1,2,3 Teknologi Informasi dan Komputer, Politeknik Negeri Lhokseumawe, Jalan banda Aceh-Medan
Lebih terperinciIdentifikasi Tumor Otak Menggunakan Jaringan Syaraf Tiruan Propagasi Balik pada Citra CT-Scan Otak Vinny Marita a, Nurhasanah a*, Iklas Sanubary a
Identifikasi Tumor Otak Menggunakan Jaringan Syaraf Tiruan Propagasi Balik pada Citra CT-Scan Otak Vinny Marita a, Nurhasanah a*, Iklas Sanubary a a Prodi Fisika, FMIPA Universitas Tanungpura, Jalan Prof.
Lebih terperinciDETEKSI NOMINAL DAN KEASLIAN UANG KERTAS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2010 DETEKSI NOMINAL DAN KEASLIAN UANG KERTAS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Syariefudin Bashori¹, Achmad Rizal², Iwan Iwut Tirtoasmoro³
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
Lebih terperinciDeskripsi PENENTUAN STADIUM CA MAMMA MENGGUNAKAN BESARAN FISIS FILM HASIL MAMMOGRAFI
Deskripsi PENENTUAN STADIUM CA MAMMA MENGGUNAKAN BESARAN FISIS FILM HASIL MAMMOGRAFI Bidang Teknik Invensi Invensi ini berhubungan dengan proses menentukan tingkat keganasan suatu penyakit kanker menggunakan
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinci128 LAMPIRAN - LAMPIRAN
128 LAMPIRAN - LAMPIRAN 129 FOAM PEMERIKSAAN PENGARUH PEMBERIAN SENAM BAYI TERHADAP PENINGKATAN BERAT BADAN PADA BAYI USIA 6-12 BULAN DI POSYANDU PERUMAHAN KEMANG TIMUR JAKARTA SELATAN IDENTITAS RESPONDEN
Lebih terperinciLAMPIRAN A HASIL UJI MUTU FISIK GRANUL
LAMPIRAN A HASIL UJI MUTU FISIK GRANUL Mutu fisik yang diuji Kadar air (%) Waktu alir (detik) Sudut diam ( ) Indeks kompresibilitas (%) Replikasi Formula I II III IV I 3,34 3,35 3,31 3,25 II 3,01 3,04
Lebih terperinciKLASIFIKASI DAUN TANAMAN THEOBROMA CACAO MENGGUNAKAN METODE NEURAL NETWORK
KLASIFIKASI DAUN TANAMAN THEOBROMA CACAO MENGGUNAKAN METODE NEURAL NETWORK Endi Permata 1), Andri Suherman 2), Alief Maulana 3) 1) 2 )3) Program Studi S1 Teknik Elektro, Fakultas Teknik,Universitas Sultan
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih terperinciLAMPIRAN 1. Universitas Sumatera Utara
LAMPIRAN 1 54 LAMPIRAN 2 HASIL PEMERIKSAAN Menerangkan bahwa mahasiswa/peneliti yang namanya di bawah ini: Peneliti : dr. Dwi Rita Anggraini, M.Kes. Nama Instansi : Departemen Anatomi Fak. Kedokteran USU
Lebih terperinciKlasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor
Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor Puspa Rizky Trisnaningtyas 1, Maimunah 2 Program Studi Teknik Komputer Universitas Islam 45 Bekasi, Indonesia
Lebih terperinciLAMPIRAN A UJI F KURVA BAKU
58 LAMPIRAN A UJI F KURVA BAKU Replikasi 1 Konsentrasi Absorbansi x 2 y 2 xy 1,01 0,029 1,0201 0,0008 0,0293 3,03 0,031 9,1809 0,0010 0,0939 5,05 0,045 25,5025 0,0020 0,2273 15,15 0,104 229,5225 0,0108
Lebih terperinciKlasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM)
IJCCS, Vol.8, No.1, January 2014, pp. 59~68 ISSN: 1978-1520 59 Klasifikasi Massa pada Citra Mammogram Berdasarkan Gray Level Cooccurence Matrix (GLCM) Refta Listia* 1, Agus Harjoko 2 1 Prodi S2/S3 lmu
Lebih terperinciSIMULASI MONTE CARLO RISK MANAGEMENT DEPARTMENT OF INDUSTRIAL ENGINEERING
SIMULASI MONTE CARLO RISK MANAGEMENT DEPARTMENT OF INDUSTRIAL ENGINEERING PENGANTAR Simulasi Monte Carlo didefinisikan sebagai semua teknik sampling statistik yang digunakan untuk memperkirakan solusi
Lebih terperinciDISCRIMINANT ANALYSIS
DISCRIMINANT ANALYSIS STATISTIK LANJUT MAGISTER PROFESI F.PSI.UI Liche Seniati 1 Discriminant Analysis Merupakan teknik parametrik yang digunakan untuk menentukan bobot dari prediktor yg paling baik untuk
Lebih terperinciANALISA PREDIKSI JUMLAH ORDER BARANG DENGAN ALGORITMA BACK PROPAGATION (Studi Kasus pada MART 165)
ANALISA PREDIKSI JUMLAH ORDER BARANG DENGAN ALGORITMA BACK PROPAGATION (Studi Kasus pada MART 165) Muhammad Reza Putra, S. Kom, M. Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang e-mail:
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciSTUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
STUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muh. Ishak Jumarang 1), Lyra Andromeda 2) dan Bintoro Siswo Nugroho 3) 1,3) Jurusan Fisika,
Lebih terperinciProsiding Statistika ISSN:
Prosiding Statistika ISSN: 2460-6456 Pemodelan Autoregressive Integrated Moving Average (ARIMA) dan Feedforwar Neural Network (FFNN) dengan Algoritma Backpropagation untuk Meramalkan Harga Open Emas Dunia
Lebih terperinciRealisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen
Realisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen David Novyanto Candra/0322003 Email: dave_christnc@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Jln.Prof.Drg.Suria
Lebih terperinciLAMPIRAN A HASIL UJI MUTU FISIK GRANUL. Propranolol Hidroklorida
LAMPIRAN A HASIL UJI MUTU FISIK GRANUL Replikasi Formula Tablet Sublingual Mutu fisk Propranolol Hidroklorida yang diuji F I F II F III F IV Persyaratan Waktu alir I 9.57 8.54 7.56 6.01 Tidak lebih (detik)
Lebih terperinciIMPLEMENTASI SISTEM FUZZY SUGENO ORDE SATU PADA DIAGNOSIS KANKER PAYUDARA
Implementasi Sistem Fuzzy... (Weni Safitri) 1 IMPLEMENTASI SISTEM FUZZY SUGENO ORDE SATU PADA DIAGNOSIS KANKER PAYUDARA IMPLEMENTATION OF FIRST-ORDER SUGENO FUZZY SYSTEM ON DIAGNOSING BREAST CANCER Oleh:
Lebih terperinciDependent VS independent variable
Kuswanto-2012 !" #!! $!! %! & '% Dependent VS independent variable Indep. Var. (X) Dep. Var (Y) Regression Equation Fertilizer doses Yield y = b0 + b1x Evaporation Rain fall y = b0+b1x+b2x 2 Sum of Leave
Lebih terperinciABSTRACT. Keyword : Reef Fish, HSL, GLCM, PNN.
ABSTRACT Suharindra, Muhammad Ryzani. 2017. Identification Reef Fish Image With HSL Color Extraction And GLCM Texture Extraction Based on Probabilistic Neural Network Algorithm Thesis.Tanjungpinang: Department
Lebih terperinciIDENTIFIKASI VARIETAS DURIAN BERDASARKAN CITRA DAUN MENGGUNAKAN K NEAREST NEIGHBOR DENGAN EKSTRAKSI TEKSTUR CO-OCCURRENCE MATRIX NELLA SABRINA
IDENTIFIKASI VARIETAS DURIAN BERDASARKAN CITRA DAUN MENGGUNAKAN K NEAREST NEIGHBOR DENGAN EKSTRAKSI TEKSTUR CO-OCCURRENCE MATRIX NELLA SABRINA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION ABSTRAK Eka Putri Tambun (0722118) Jurusan Teknik Elektro Universitas Kristen
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI
PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih terperinciLampiran 1: Tabulasi Skor Jawaban Responden untuk Uji Validitas dan Reliabilitas
Lampiran : Tabulasi Skor Jawaban Responden untuk Uji itas dan Reliabilitas TABULASI SKOR VARIABEL KEPEMIMPINAN No SKOR UNTUK BUTIR Res Btr Btr 2 Btr 3 Btr 4 Btr 5 Btr 6 Btr 7 Btr 8 Btr 9 Btr 0 Skor 4 4
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciPENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH
PENGOLAHAN CITRA RADIOGRAF PERIAPIKAL PADA DETEKSI PENYAKIT PULPITIS MENGGUNAKAN METODE ADAPTIVE REGION GROWING APPROACH Rikko Ismail Hardianzah 1), Bambang Hidayat 2), Suhardjo 3) 1),2) Fakultas Teknik
Lebih terperinciLAMPIRAN 1 LAMPIRAN KUESIONER
LAMPIRAN 1 LAMPIRAN KUESIONER IDENTITAS RESPONDEN Nama :... L/P Umur :... Alamat :... No.hp :... Jenis Produk Smartfren Yang di Gunakan :... PETUNJUK PENGISIAN ANGKET 1. Baca sejumlah pertanyaan dibawah
Lebih terperinciKLASIFIKASI KANKER PAYUDARA DARI CITRA MAMMOGRAFI MENGGUNAKAN MODEL FUZZY NEURAL NETWORK
KLASIFIKASI KANKER PAYUDARA DARI CITRA MAMMOGRAFI MENGGUNAKAN MODEL FUZZY NEURAL NETWORK SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta untuk Memenuhi
Lebih terperinciPERBANDINGAN TINGKAT AKURASI JENIS CITRA KEABUAN, HSV, DAN L*a*b* PADA IDENTIFIKASI JENIS BUAH PIR
PERBANDINGAN TINGKAT AKURASI JENIS CITRA KEABUAN, HSV, DAN L*a*b* PADA IDENTIFIKASI JENIS BUAH PIR Mulia Octavia 1), Jesslyn K 2), Gasim 3) 1), 2),3) Program Studi Teknik Informatika STMIK GI MDP Jl. Rajawali
Lebih terperinciPREDIKSI KEBUTUHAN LOGISTIK UNTUK SISTEM AKADEMIK DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN STUDI KASUS UNIVERSITAS PUTRA INDONESIA YPTK PADANG
PREDIKSI KEBUTUHAN LOGISTIK UNTUK SISTEM AKADEMIK DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN STUDI KASUS UNIVERSITAS PUTRA INDONESIA YPTK PADANG Sofika Enggari, S.Kom, M.Kom,,Fakultas Ilmu Komputer, Universitas
Lebih terperinciJl. Raya Dukuhwaluh Purwokerto ) Key words- training algorithm, error, epoch, learning rate.
Tingkat Keoptimalan Algoritma Pelatihan pada Jaringan Syaraf Tiruan (Studi Kasus Prediksi Prestasi Belajar Mahasiswa) Optimization Level of Training Algorithms in Neural Network (Case Studies of Student
Lebih terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
Lebih terperinci