BAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
|
|
- Fanny Sutedja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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. A. Hasil Model Radial Basis Function Neural Network (RBFNN) untuk diagnosa kanker otak Langkah-langkah untuk diagnosa kanker otak mengunakan Radial Basis Function Neural Network (RBFNN) diantaranya adalah: 1. Pengolahan Citra Pengolahan citra dilakukan pada citra MRI otak yang diperoleh dari Rumah Sakit Panti Rapih Yogyakarta. Citra MRI otak masing-masing berukuran 1113 x 636 pixel dengan format (JPG). Pada tugas akhir ini, data yang digunakan sebanyak 114 data citra MRI otak yang terdiri dari 57 data citra MRI otal normal dan 57 data citra MRI kanker otak. Pengolahan citra yang dilakukan berupa pemotongan (cropping) citra dan penghilangan background hitam pada citra. Citra hasil proses pemotongan dan penghilangan background dapat dilihat pada lampiran (2) dan (3 ). Pengolahan citra ini dilakukan dengan bantuan perangkat lunak Corel PHOTO-PAINT X7. Berikut adalah langkah-langkah pengolahan citra: a. Proses Pemotongan Citra Proses pemotongan citra dilakukan dengan bantuan perangkat lunak Corel PHOTO-PAINT X7. Proses pemotongan citra dilakukan untuk 6
2 memperoleh citra otak yang sesuai dan menghilangkan informasi indentitas dari setiap pasien yang akan mempengaruhi hasil ekstraksi. Berikut proses pemotongan citra pada salah satu data citra MRI yakni 2731.jpg: Gambar 4.1 Citra MRI otak sebelum dipotong Gambar 4.2 Citra MRI otak selelah dipotong Dalam proses pemotongan, diusahakan citra tetap berbentuk persegi panjang sesuai dengan bentuk awal citra, namun dalam proses pemotongan ini tidak bisa sesuai dengan pixel awal karena citra akan berubah menjadi lonjong atau informasi pasien masih ada pada citra setelah pemotongan. Sehingga dalam proses pemotongan ini, dilakukan pemotongan berbentuk persegi panjang namun pixelnya diubah menjadi 65 x 55 pixel. 61
3 b. Proses Penghilangan Background Citra MRI hasil pemotongan masih memiliki background berwarna hitam yang dianggap mempengaruhi hasil dignosa. Proses penghilangan background dilakukan dengan bantuan perangkat lunak Corel PHOTO-PAINT X7. Sehingga background menjadi berwarna putih dan dapat mengurangi pengaruh pada proses ekstraksi citra. Beikut proses penghilangan background pada citra MRI: Gambar 4.3 Citra MRI sebelum dilakukan penghilangan Background Gambar 4.4 Citra MRI setelah dilakukan penghilangan Background Setelah proses menghilangkan background dilakukan, citra disimpan dengan format JPG dan pixel citra disesuaikan setelah proses pemotongan yakni menjadi 65 x 55 pixel. 62
4 2. Ekstraksi Citra Setelah melakukan pengolahan citra MRI, langkah selanjutnya adalah melakukan ekstraksi citra. Proses ekstraksi merupakan salah satu karakteristik penting yang digunakan dalam mengidentifikasi objek atau pola citra, karena metode ekstraksi citra yang tepat akan mampu memberikan informasi yang detail tentang kelas suatu citra. Proses ekstraksi citra dapat dilakukan dengan Gray Level Coocurrence Matrix (GLCM). Parameter-parameter hasil ekstraksi citra yang digunakan dalam tugas akhir ini adalah 14 fitur yang nantinya digunakan sebagai variabel input dalam proses diagnosa. Fitur tersebut yaitu energi, kontras, korelasi, sum of squares, inverse difference moment, sum average, sum variance, sum entropy, entropi, difference variance, difference entropy, probabilitas maksimum, homogenitas dan dismilarity. Proses ekstraksi citra untuk mendapatkan parameter-parameter tersebut dapat dilakukan dengan bantuan MATLAB R213a. Berikut adalah contoh hasil ekstraksi citra untuk data citra MRI otak 2731.jpg yang ditunjukkan pada Tabel 4.1: Tabel 4.1 Hasil Ekstraksi Citra 2731.jpg No Fitur Hasil Ekstraksi 1 Energi, Kontras, Korelasi, Sum of Squares 37, Inverse difference moment, Sum Average 11, Sum Variance 115,
5 8 Sum Entropy 1, Entropi 1, Difference Variance, Difference entropy, Probabilitas Maksimum, Homogenitas, Dissimilarity, Selanjutnya, untuk hasil ekstraksi citra dari 114 data citra MRI secara lengkap dapat dilihat pada Lampiran (5). 3. Pendefinisian Variabel Input dan Variabel Target Pendefinisian variabel input dan target digunakan sebagai input dan target jaringan. Input berasal dari 14 parameter hasil dari ekstraksi citra menggunakan Gray Level Co-occurance Matrix (GLCM) secara lengkap dapat dilihat pada Lampiran (3) dan (6), sehingga banyaknya neuron pada lapisan input adalah 14 neuron. Variabel target berasal dari keterangan diagnosa masing-masing citra yakni citra MRI normal dan citra MRI kanker. Target dan output berupa vektor yang mewakili masing-masing diagnosa. Pola target yang digunakan sebagai berikut: Tabel 4.2 Pola Target Vektor Diagnosa Kanker Otak No Diagnosa Vektor Target 1 Normal 2 Kanker 1 64
6 Hasil diagnosa yang didapatkan merupakan bilangan desimal. Pendiagnosaan dilakukan dengan membulatkan bilangan desimal tersebut dengan kriteria, jika <.5 maka dibulatkan menjadi, sedangkan apabila.5 maka hasil perhitungan dibulatkan menjadi Pembagian Data Input Langkah selanjutnya adalah pembagian data input yang berupa data training dan testing. Pembagian data input dilakukan secara acak ( random). Pada tugas akhir ini yang digunakan untuk data training adalah 9 sampel data dari 114 total sampel data dan data testing yang digunakan adalah 24 sampel data dari 114 total sampel data. Hasil pembagian data input terlampir pada Lampiran (7) untuk data training dan Lampiran (8) untuk data testing. 5. Normalisasi Data Setelah proses pembagian data input, langkah selanjutnya adalah normnalisasi data. Data input dinormalisasi dengan membawa data ke bentuk normal baku, yakni dengan mean/rata-rata = dan standar deviasi = 1. Hasil normalisasi data training dan data testing secara urut masing-masing terlampir pada Lampiran ( 9) dan Lampiran ( 1). Berikut adalah salah satu hasil normalisasi citra 2731.jpg: Tabel 4.3 Hasil Normalisasi Citra 2731.jpg No Fitur Hasil Normalisasi 1 Energi -, Kontras -, Korelasi, Sum of Squares,
7 5 Inverse difference moment, Sum Average, Sum Variance, Sum Entropy, Entropi, Difference Variance -, Difference entropy, Probabilitas Maksimum, Homogenitas -, Dissimilarity, Pembelajaran Radial Basis Function Neural Network Data training hasil normalisasi digunakan dalam proses clustering. Proses clustering yang digunakan adalah metode k-means clustering. Proses k- means clustering dilakukan dengan menggunakan perangkat lunak MINITAB sehingga didapatkan pusat masing-masing cluster dan jarak yang digunakan dalam proses RBFNN. Tabel 4.4 merupakan hasil jarak dan pusat clustering dengan 1 cluster. Tabel 4.4 Hasil Jarak dan Pusat Clustering Clus ter Pusat Cluster Jarak X1 X2 X3 X4 X5 X6 X7 1-1,545 1,395-1,31 -,155 -,145 1,114 -, ,72,737 -,851,636 -,852,869, ,249 -,949,95 -,437,343 -,699 -,795, ,159 -,688 1,616-2,13 1,835-1,742-1,87 5 -,536,36 -,669 1,26 -,951,7 1, ,252,41 -,128 -,265,185,53 -,83 66
8 7,24 -,49 -,1,448 -,325,11, ,681 1,467-1,912 1,769-2,14 1,914,969,354 9,713-1,765 1,11 -,263,935-1,25,47 1 -,996,916 -,816,245 -,134,684,621 Clus ter Pusat Cluster Jarak X8 X9 X1 X11 X12 X13 X14 1 -,291 -,29 -,28,113-1,545-1,269 1,542 2,39,1,232 -,811 -,72 -,872, ,774 -,699 -,74,193 1,249,859-1,25, ,727-1,675-1,896 1,82 1,159 1,62-1, ,112 1,2 1,219 -,971 -,536 -,677, ,158 -,21 -,197,255 -,252 -,69,244 7,593,641,591 -,392,24 -,18 -,187 8,595,56 1,53-2,76-1,681-2,75 1,738, ,235 1,431,799,831,713 1,146 -,796 1,496,411,433,18 -,996 -,754,981 Hasil jarak dan pusat cluster secara lengkap terlampir pada Lampiran (11). Setelah masing-masing pusat cluster dan jarak didapatkan, selanjutnya dilakukan proses RBFNN dengan menggunakan rbfdesign dan globalridge. Program rbfdesign dan globalridge masing-masing secara urut terlampir pada Lampiran ( 12) dan Lampiran ( 13). Proses RBFNN dilakukan menggunakan MATLAB R213a. 7. Menentukan Jaringan Optimum Proses selanjutnya adalah pengoptimalan jaringan dan pengoptimalan bobot menggunakan persamaan ( 2.52). Jaringan optimum dilakukan dengan menentukan jumlah neuron pada lapisan tersembunyi. Banyaknya neuron 67
9 pada lapisan tersembunyi yang dapat menghasilkan jaringan optimum adalah neuron yang menghasilkan akurasi terbaik. Dengan menggunakan metode trial and error, beberapa cluster dicoba pada program RBFNN menggunakan MATLAB R213a. Hasil akurasi dari beberapa cluster menggunakan k-means clustering yang dicoba menggunakan MATLAB R213a sebagai berikut: Tabel 4.5 Hasil Akurasi dari Beberapa Cluster Hasil Akurasi Jumlah Data Training Data Testing Cluster (%) (%) 2 51, , , ,5 4 25, , ,4444 7, , , , ,5556 7, ,2222 7, , , , , ,4444 7, ,6667 7, Dari cluster yang digunakan pada Tabel 4.5 dapat dilihat bahwa nilai akurasi data training dan data testing berpola tidak beraturan. Hasil akurasi data training dan data testing yang terbaik didapatkan dengan cluster 68
10 sebanyak 1 cluster karena menghasilkan niai akurasi terbesar. Sehingga jaringan dengan 1 cluster merupakan jaringan optimum dengan nilai akurasi data training sebesar 83,3333% dan 91,6667% untuk data testing. Dengan demikian model RBFNN terbaik untuk mendiagnosa kanker otak mempunyai arsitektur 14 neuron pada lapisan input, 1 neuron pada lapisan tersembunyi, dan 1 neuron pada lapisan output. Arsitektur RBFNN jaringan terbaik yang digunakan untuk diagnosa kanker otak dengan 14 neuron pada lapisan input yakni (,,..., ), 1 neuron pada lapisan tersembunyi yakni (,,..., ), dan 1 neuron pada lapisan output yakni ( ) dapat dilihat pada Gambar 4.5 berikut: Lapisan Input Lapisan Tersembunyi Lapisan Output..... ( ) 1 Bias Gambar 4.5 Arsitektur RBFNN untuk Diagnosa Kanker Otak 69
11 Pada lapisan tersembunyi, fungsi aktivasi yang digunakan adalah fungsi aktivasi Gaussian dan fungsi yang diguakan pada lapisan output menggunakan fungsi linear atau identitas. B. Hasil Klasifikasi Arsitektur RBFNN jaringan terbaik terdiri dari 14 neuron pada lapisan input, 1 neuron pada lapisan tersembunyi, dan 1 neuron pada lapisan output. Selanjutnya, penentuan bobot yang dihasilkan dari metode global ridgeregression pada fungsi aktivasi gaussian serta model RBFNN yang didapat. Bobot antara neuron pada lapisan tersembunyi dan neuron pada lapisan output dicari dengan persamaan (2.52) yakni, = ( ) dengan, = parameter regulasi = vektor bobot diagnosa = vektor target diagnosa = fungsi aktivasi neuron tersembunyi = matriks identitas berukuran. Berdasarkan pusat, jarak, dan bobot yang dihasilkan, maka model RBFNN ( ) adalah ( ) = ( ) 7
12 dengan fungsi aktivasi gaussian, ( ) = exp dengan jarak cluster,. = ;. = ;. =,667;. = ;. = ;. = ;. = ;. =,354;. = ;. =. Dimana = 1, 2,..., 14 Pusat cluster 1:. = 1,54534;. = 1,395237;. = 1,3132;. =,15578;. =,14569;. = 1,11482;. =,28856;. =,29168;. =,2997;. =,2857;. =,113831;. = 1,54534;. = 1,26924;. = 1, Hasil cluster secara lengkap terlampir pada Lampiran (11). Bobot ( ): = 1,7646; = 2,7443; = 2,1944; = ; =,7784; =,42; =,44; =,2819; =,659; = 1,1516; dengan bobot bias =,
13 Perhitungan fungsi aktivasi gaussian untuk data 2731.jpg sebagai berikut: ( ) = ( ) = (,2974 ( 1,5453)) (,297 ( 1,313)) (,755 (,1456)) (,4619 (,2885)) (,4518 (,299)) (,8414,1138) (,4237 ( 1,269)) (,2974 (,729)) (,297 (,8519)) (,755 (,8523)) (,4619,272) (,2615,2325) (,2974 (,729) (,2292,7472) (,3686 1,3952) (,218 (,1557)) (,5867 1,1148) (,5357 (,2916) (,2615 (,285)) (,2974 ( 1,5453)) (,2292 1,542) (,3686,7372) (,218,6367) (,5867,8694) (,5357,398) (,8414 (,8112) (,4237 (,8726) =,3436 =,29498 (,4518,1) 72
14 ( ) = ( ) = (,2974 1,2495),667 (,297,957),667 (,755,3431),667 (,4619 (,7956)),667 (,4518 (,6992)),667 (,8414,19399),667 (,4237,85966),667 = 8, (,2974 1,1597) (,297 1,6168) (,755 1,8359) (,3686 (,9497)),667 (,218 (,43726)),667 (,5867 (,6996)),667 (,5357 (,7748),667 (,2615 (,742)),667 (,2974,8596),667 (,2292 ( 1,256)),667 (,3686 (,6887)) (,218 ( 2,13)) (,5867 ( 1,742)) (,4619 ( 1,872)) (,5357 ( 1,7275) (,4518 ( 1,6751)) (,2615 ( 1,8968)) (,8414 1,827) (,2974 1,1597) (,2292 ( 1,2426)) = (,4237 1,622) 73
15 ( ) = ( ) = (,2974 (,536)) (,297 (,6693)) (,755 (,9516)) (,4619 1,2653) (,2615 1,219) (,3686,367) (,218 1,268) (,5867,73) (,5357 1,1126) (,8414 (,9713)) (,2974 (,536)) (,4237 (,677)) (,2292,558) (,2974 (,25253)) (,297 (,1287)) (,755,1854) (,4619 (,839)) (,4518 (,217)) (,8414,2558) (,4237 (,69)) =,13339 (,3686,416) (,218 (,2658)) (,5867,539) (,5357 (,1587)) (,2615 (,1976)) (,2974 (,2525)) (,2292,2448) (,4518 1,25) =,
16 ( ) = (,2974,2418) (,3686 (,498)) (,297 (,19)) (,755 (,3258)) (,218,4487) (,5867,113) (,4619,5368) (,5357,5934) (,4518,6417) (,2615,5918) (,2974,241) (,8414 (,3924)) (,4237 (,18)) (,2292 (,1874)) =,65251 ( ) = (,2974 ( 1,681)),354 (,3686 1,4672),354 (,297 ( 1,9126)),354 (,755 ( 2,144)),354 (,218 1,7697),354 (,5867 1,9143),354 (,4619,9694),354 (,5357,5956),354 (,4518,568),354 (,2615 1,531),354 (,8414 ( 2,76)),354 (,2974 ( 1,6811)),354 (,4237 ( 2,754)),354 (,2292 1,7385),354 = 1,
17 ( ) = ( ) = (,2974,7138) (,297 1,111) (,755,9351) (,4619,476) (,2615,7999) (,4237 1,1467) (,2974 (,996)) (,297 (,8165)) (,755 (,1344)) (,4619,6219) (,2615,4337) (,3686 ( 1,7655)) (,218 (,2633)) (,5867 ( 1,251)) (,5357 1,2358) (,8414,831) (,2292 (,7962)) (,3686,91622) (,218,2457) (,5867,6847) (,5357,4961) (,8414,187) (,2974 (,996)) (,4237 (,7544)) (,2292,9813) =,1714 (,4518 1,4315) (,2974,7138) =,12449 (,4518,4114) Hasil perhitungan fungsi aktivasi gaussian pada model RBFNN secara lengkap terlampir pada lampiran (14). Berdasarkan hasil perhitungan nilai fungsi aktivasi gaussian, dilakukan perhitungan untuk menentukan hasil diagnosa menggunakan persamaan (2.25). ( ) =,29498 (1,7646) (,3436 ( 2,7447)) (8, ( 2,19377)) ( ),13339 (,7783),5385 (,4196) (,6525 (,4399)) (1, (,281649)),12449 (,659),17147 (1,15159) (1,54935) =,
18 Hasil perhitungan diagnosa secara lengkap terampir pada lampiran (16). Berikut hasil diagnosa data 2731.jpg yang dibulatkan sesuai dengan kriterianya. Tabel 4.6 Hasil Perhitungan Diagnosa secara Manual Output Perhitungan Manual Pembulatan Status Output, Kanker Sedangkan berikut merupakan hasil diagnosa data 2731.jpg yang diselesaikan menggunakan bantuan MATLAB R213a, yakni Tabel 4.7 Hasil Perhitungan Diagnosa menggunakan MATLAB R213a Output Perhitungan Pembulatan Status Output, Kanker Berdasarkan Tabel 4.6 dan Tabel 4.7, hasil output untuk diagnosa data 2731.jpg nilainya hampir mendekati sama. Sehingga perhitungan data yang lainnya dilakukan dengan bantuan MATLAB R213a. Hasil pembulatan diagnosa secara lengap terlampir pada lampiran (17). Berdasarkan lampiran (17), dapat dihitung ketepatan hasil diagnosa kanker otak dengan model RBFNN. C. Ketepatan Hasil Klasifikasi Ketepatan hasil klasifikasi/diagnosa dapat dihitung berdasarkan sensitivitas, spesifisitas, dan akurasi. Nilai akurasi telah diketahui melalui program MATLAB yang telah dilakukan sebelumnya, selanjutnya untuk 77
19 menghitung nlai sensitivitas dan nilai spesifitas, ditentukan terlebih dahulu nilai True Positive (TP), True Negative (TN), False Positive (FP), dan False Negative (FN). Berikut Jumlah hasil diagnosa kanker otak menggunakan RBFNN. Tabel 4.8 Jumlah Hasil Diagnosa Kanker Otak Menggunakan RBFNN Target Normal Hasil Diagnosa Abnormal Jumlah Normal 37(TN) 8(FP) 45 Data Training Abnormal 7(FN) 38(TP) 45 Jumlah 9 Normal 1(TN) 2(FP) 12 Data Testing Abnormal (FN) 12(TP) 12 Jumlah 24 Jumlah Data Training dan data Testing 114 Berdasarkan Tabel 4.8, dapat dihitung sensitivitas dan spesifisitas hasil diagnosa model RBFNN dengan persamaan (2.55) dan persamaan (2.56) sebagai berikut: 1. Data Training a) Sensitivitas = 1% = 1% = 84,4444% b) Spesifisitas = 1% = 1% = 82,2222% 2. Data Testing a) Sensitivitas = 1% = 1% = 1% 78
20 b) Spesifisitas = 1% = 1% = 83,3333% Pada data training, nilai sensitivitas 84,4444% artinya untuk pasien yang memiiki kanker otak kemungkinan model RBFNN mendiagnosa dengan tepat adalah sebesar 84,4444%. Sedangkan nilai spesifisitas 82,2222% artinya untuk pasien yang tidak memiliki kanker otak kemungkinan model RBFNN mendiagnosa dengan tepat sebesar 82,2222%. Nilai akurasi pada data training 83,3333% artinya hasil diagnosa dengan model RBFNN akurat sebesar 83,3333%, baik untuk pasien yang tidak memiliki kanker otak (normal), maupun pasien yang memiliki kanker otak. Pada data testing, nilai sensitivitas 1% artinya untuk pasien yang memiiki kanker otak kemungkinan model RBFNN mendiagnosa dengan tepat adalah sebesar 1%. Sedangkan nilai spesifisitas 83,3333% artinya untuk pasien yang tidak memiliki kanker otak kemungkinan model RBFNN mendiagnosa dengan tepat sebesar 83,3333%. Nilai akurasi pada data testing 91,6666% artinya hasil diagnosa dengan model RBFNN akurat sebesar 91,6666%, baik untuk pasien yang tidak memiliki kanker otak (normal), maupun pasien yang memiliki kanker otak. 79
BAB 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 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 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 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 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 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 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 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 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 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. 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 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 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. 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 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 terperinciPrediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 12 Prediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
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 1 PENDAHULUAN Latar belakang masalah
BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Saluran pernapasan pada manusia terdiri dari rongga hidung, faring, laring, trakea, percabangan bronkus dan paru-paru (bronkiolus, alveolus). Paru-paru merupakan
Lebih terperinciBAB I PENDAHULUAN. terkontrol pada jaringan paru. Munculnya kanker ditandai dengan
BAB I PENDAHULUAN A. Latar Belakang Kanker paru adalah penyakit pertumbuhan jaringan yang tidak dapat terkontrol pada jaringan paru. Munculnya kanker ditandai dengan pertumbuhan sel yang tidak normal,
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 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 terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF)
PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF) AINUN JARIAH 1209201721 DOSEN PEMBIMBING 1. Prof. Dr. Mohammad Isa Irawan, M.T 2. Dr Imam Mukhlas, S.Si, M.T
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 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 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 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 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 terperinciDeteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation
Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation Tri Deviasari Wulan 1, Endah Purwanti 2, Moh Yasin 3 1,2 Program Studi Fisika Fakultas Sains dan Teknologi
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 terperinciMahasiswa: Muhimmatul Khoiro Dosen Pembimbing: M. Arief Bustomi, S.Si, M.Si.
Mahasiswa: Muhimmatul Khoiro 1110100049 Dosen Pembimbing: M. Arief Bustomi, S.Si, M.Si. Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2014 Diagnosa
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 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
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 terperinciPendahuluan. Desain & Implementasi. Uji coba & Evaluasi. Kesimpulan
1 Pendahuluan Desain & Implementasi Uji coba & Evaluasi Kesimpulan 2 Latar Belakang Evaluasi performa: Mengukur kualitas algoritma Evaluasi algoritma deteksi struktur garis lengkung 3 Struktur garis lengkung
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 I PENDAHULUAN. beberapa dekade ini. Kanker paru merupakan pertumbuhan sel-sel abnormal yang
BAB I PENDAHULUAN A. Latar Belakang Kanker paru telah menjadi salah satu kanker yang sering terjadi dalam beberapa dekade ini. Kanker paru merupakan pertumbuhan sel-sel abnormal yang tak terkendali pada
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
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 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 terperinciAPLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira 50408896 Dr. Karmilasari Kanker Latar Belakang Kanker
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 terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
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 terperinciGRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE
GRAY LEVEL COOCURENCE MATRIX SEBAGAI PENGEKSTRAKSI CIRI PADA PENGENALAN NASKAH BRAILLE Yegar Sahaduta 1), Chairisni Lubis 2) 1) Fakultas Teknologi Informasi-Universitas Tarumanagara Jl. S. Parman No.1,
Lebih terperinciPenyusun Tugas Akhir Alvian Adi Pratama [ ] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom.
Penyusun Tugas Akhir Alvian Adi Pratama [5106100108] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom. Latar Belakang Batik merupakan harta kebudayaan Indonesia yang
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada dasarnya manusia memiliki system pencernaan yang bernama usus, dalam hal ini usus ialah bagian dari system pencernaan yang bermula dari akhir lambung sampai anus.
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
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 III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperincidengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan.
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
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 terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
Lebih terperinciEktraksi Fitur Citra Paru-Paru Menggunakan Gray Level Co-ocurance Matriks
Ektraksi Fitur Citra Paru-Paru Menggunakan Gray Level Co-ocurance Matriks Tri Deviasari Wulan Sistem Informasi, Fakultas Teknik, Universitas Nahdlatul Ulama Surabaya tridevi@unusa.ac.id ABSTRAK Penelitian
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciBAB I PENDAHULUAN. diatur di dalam otak sebagai pengendali utama tubuh manusia. Otak manusia
BAB I PENDAHULUAN A. Latar Belakang Manusia telah diciptakaan oleh Tuhan dalam bentuk kesempurnaan. Salah satu ciptaan yang menakjubkan adalah otak manusia dimana semua kecerdasaan diatur di dalam otak
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011 PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini dilakukan eksperimen sebanyak dua kali. Eksperimen pertama dilakukan untuk menguji keberhasilan klasifikasi ROI ke dalam jenis keabnormalan,
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
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 terperinciDeteksi Kanker Serviks ( Carsinoma Serviks Uteri ) pada Citra Hasil Rekaman CT-Scan Menggunakan Jaringan Syaraf Tiruan
Deteksi Kanker Serviks ( Carsinoma Serviks Uteri ) pada Citra Hasil Rekaman CT-Scan Menggunakan Jaringan Syaraf Tiruan Dewi Ari Nirmawaty, Prof. Dr. Ir Suhariningsih, Delima Ayu Saraswati ST. MT. Program
Lebih terperinci4.1. Pengumpulan data Gambar 4.1. Contoh Peng b untuk Mean imputation
4.1. Pengumpulan data Data trafik jaringan yang diunduh dari http://www.cacti.mipa.uns.ac.id:90 dapat diklasifikasikan berdasar download rata-rata, download maksimum, download minimum, upload rata-rata,
Lebih terperinciBAB I PENDAHULUAN. saluran kelenjar dan jaringan penunjang payudara, tidak termasuk kulit payudara
BAB I PENDAHULUAN A. Latar Belakang Kanker payudara adalah tumor ganas yang berasal dari sel kelenjar, saluran kelenjar dan jaringan penunjang payudara, tidak termasuk kulit payudara (Departemen Kesehatan,
Lebih terperinciIdentifikasi Jenis Buah Jeruk Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Jenis Buah Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit Reni Resita *1, Juratminingsih *2, Gasim 3 1,2 STMIK GI MDP; Jl. Rajawali
Lebih terperinciPerancangan dan Pembuatan Aplikasi Untuk Mengukur Efektivitas Produksi Berdasarkan Permintaan Pelanggan Dengan Metode Radial Basis Function
38 Perancangan dan Pembuatan Aplikasi Untuk Mengukur Efektivitas Produksi Berdasarkan Permintaan Pelanggan Dengan Metode Radial Basis Function Bagus Sayekti Sujatmiko Program Studi Sistem Informasi BagusBayekGilbert@gmail.com
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 1 Edisi.,Volume,. Bulan.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Edisi.,Volume,. Bulan.. ISSN : 289-933 ANALISIS METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN SEL KANKER OTAK Novita Handayani Teknik Informatika
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Rancangan antarmuka (interface) program terdiri dari form cover, form
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Rancangan Antarmuka (interface) Program Rancangan antarmuka (interface) program terdiri dari form cover, form testing dan form training (untuk programer). 4.1.1
Lebih terperinciIMPLEMENTASI METODE BERBASIS MULTISCALE FEATURE EXTRACTION UNTUK SEGMENTASI PEMBULUH DARAH CITRA RETINA RED-FREE DAN FLUORESCEIN
IMPLEMENTASI METODE BERBASIS MULTISCALE FEATURE EXTRACTION UNTUK SEGMENTASI PEMBULUH DARAH CITRA RETINA RED-FREE DAN FLUORESCEIN Dosen Pembimbing Dr. Agus Zainal Arifin, S.Kom., M.Kom. Dosen Pembimbing
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sistem parkir khususnya untuk parkir mobil di tempat-tempat pusat perbelanjaan di Indonesia pada umumnya sudah menerapkan sistem otomatis. Setiap mobil yang
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Analisis dan perancangan sistem ini ditujukan untuk memberikan gambaran secara umum mengenai aplikasi yang akan dibuat. Hal ini berguna untuk menunjang pembuatan
Lebih terperinciKlasifikasi Tingkat Keparahan Non- ProliferativeI Diabetic Retinopathy Bedarsarkan Hard Exudate Menggunakan Extreme Learning Machine
JURNAL SAINS DAN SENI POMITS Vol. 6, No.2, (2017) 2337-3520 (2301-928X Print) A 89 Klasifikasi Tingkat Keparahan Non- ProliferativeI Diabetic Retinopathy Bedarsarkan Hard Exudate Menggunakan Extreme Learning
Lebih terperinciKLASIFIKASI FUZZY UNTUK DIAGNOSA KANKER SERVIKS
KLASIFIKASI FUZZY UNTUK DIAGNOSA KANKER SERVIKS A-9 Yushaila Nur Sajida W. 1, Dhoriva Urwatul W. 2, Agus Maman Abadi 3 1 Program Studi Matematika FMIPA UNY 2,3 Jurusan Pendidikan Matematika FMIPA UNY 1
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 terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
18 BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka Pemikiran Penelitian ini dilakukan berdasarkan sebuah kerangka pemikiran. Seperti tercantum pada Gambar 9. Mulai Potongan kayu Alat pinda i (scanner) Identifikasi
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciLampiran 1. Citra Mammogram Data Training. Citra Mammogram Hasil Pemotongan Asli dan Menghilangkan Background. Klasifikasi Asli.
LAMPIRAN 129 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
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
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 terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Cabai merupakan tanaman yang banyak dibutuhkan untuk kehidupan sehari hari seperti memasak, baik secara langsung ataupun diolah dahulu. Salah satu contoh produk olahan
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 terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciBAB II LANDASAN TEORI. titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
BAB II LANDASAN TEORI 2. Citra/Image Citra atau yang lebih sering dikenal dengan gambar merupakan kumpulan dari titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
Lebih terperinciBAB III LANDASAN TEORI. 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix)
BAB III LANDASAN TEORI 3.1 Metode GLCM ( Gray Level Co-Occurrence Matrix) Metode GLCM menurut Xie dkk (2010) merupakan suatu metode yang melakukan analisis terhadap suatu piksel pada citra dan mengetahui
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 terperinciKlasifikasi Kualitas Pisau Potong Tembakau (CUT CELL) Menggunakan Metode Radial Basis Function (RBF)
22 Integer Journal, Vol 1, No 2, September 2016: 22-31 Klasifikasi Kualitas Pisau Potong Tembakau (CUT CELL) Menggunakan Metode Radial Basis Function (RBF) Fungki Apriyanto 1, Hari Agus Sujono 2, Luky
Lebih terperinciPEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS
PEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS Diana Purwitasari 1, Glory Intani Pusposari 2, Rully Sulaiman 3 Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dunia kesehatan dewasa ini tidak bisa dipisahkan dengan teknologi yang terus berkembang. Pengembangan teknologi yang erat kaitannya dengan dunia kesehatan atau dunia
Lebih terperinciBAB 4 ANALISA HASIL SISTEM
BAB 4 ANALISA HASIL SISTEM 4.1. Umum Pada bab ini akan dilakukan mengenai pengujian terhadap prosentase kemiripan dari sistem aplikasi yang telah dirancang. lingkup uji coba sistem aplikasi ini adalah
Lebih terperinciALGORITMA FUZZY C-MEANS (FCM) UNTUK PENENTUAN NILAI CENTER RADIAL BASIS FUNCTION (RBF) PADA KLASIFIKASI DATA PENYAKIT KARIES GIGI
ALGORITMA FUZZY C-MEANS (FCM) UNTUK PENENTUAN NILAI CENTER RADIAL BASIS FUNCTION (RBF) PADA KLASIFIKASI DATA PENYAKIT KARIES GIGI Nur Astuti 1, Oni Soesanto, Dwi Kartini 3 1,3 Prodi Ilmu Komputer FMIPA
Lebih terperinci