Article Per Year (5 Year)
p-Index From 2020 - 2025
5.878
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Techno.Com: Jurnal Teknologi Informasi TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Jurnal Edukasi dan Penelitian Informatika (JEPIN) ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika JOIV : International Journal on Informatics Visualization JOURNAL OF ELECTRICAL AND SYSTEM CONTROL ENGINEERING Jurnal Ilmiah FIFO MIND (Multimedia Artificial Intelligent Networking Database) Journal Jurnal Abdimasa TELKA - Telekomunikasi, Elektronika, Komputasi dan Kontrol TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika JMECS (Journal of Measurements, Electronics, Communications, and Systems) Aiti: Jurnal Teknologi Informasi Jurnal Teknik Informatika (JUTIF) Prosiding SNAST Jurnal Ilmu Komputer dan Informatika eProceedings of Engineering
Rita Magdalena
Universitas Telkom
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mechanical Engineering Other

Published : 124 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 124 Documents
Search

 8   9   10   11   12 
Deteksi Status Gizi Balita Dengan Estimasi Antropometri Menggunakan Metode Deteksi Tepi Berbasis Pengolahan Citra Digital Rafid Fakhri; Rita Magdalena; R Yunendah Nur Fu’adah
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Untuk mengetahui kategori status gizi pada balita dibutuhkan nilai tinggi dan berat badan. Namun pengukuran secara manual cenderung tidak efektif. Sehingga dibutuhkan suatu cara yang efisien untuk mendapatkan nilai status gizi balita. Oleh karena itu dilakukan penelitian untuk membuat aplikasi yang bisa mendeteksi estimasi tinggi dan berat badan menggunakan analisis pengolahan citra digital pada foto balita menggunakan Matlab. Hal ini dilakukan dengan menguji citra digital pada layer grayscale, Red Green Blue (RGB). Serta menganalisis nilai keluaran yang didapat dari masing-masing operator pada metode Deteksi Tepi, yaitu operator Canny, Roberts, Prewitt, dan Sobel. Hasil dari esktraksi ciri diklasifikasikan menggunakan tabel standar antropometri penilaian status gizi balita[1] yang sudah dikeluarkan oleh menteri kesehatan. Hasil keluaran aplikasi berupa beberapa kategori dari indeks status gizi, yaitu indeks berdasarkan Berat Badan Menurut Umur (BB/U), Tinggi Badan Menurut Umur (TB/U), dan Berat Badan Menurut Tinggi Badan (BB/TB). Hasil yang didapat dengan menggunakan metode tersebut, sistem aplikasi untuk mendeteksi status gizi menampilkan performansi dengan tingkat akurasi paling besar 87.08% pada tinggi dan 74.78% pada berat badan balita menggunakan 25 sampel citra laki-laki dan 25 sampel citra perempuan. Dengan adanya aplikasi ini proses menghitung status gizi balita dapat dilakukan berkala dan lebih praktis dibandingkan secara manual. Kata Kunci : Edge Detection, Canny, Sobel, Prewitt, Robert, Anthropometry Abstract To find out the nutritional status category in children, the height and weight values are needed. But with manual measurement tends to be ineffective. So that it requires an efficient way to get the nutritional status of children. Therefore a study was conducted to make an application that could detect the estimation of height and weight using an analysis of digital image processing on child’s photos using Matlab. This is done by testing digital images on the grayscale layer, Red Green Blue (RGB). And analyze the value of the output obtained from each operator on the Edge Detection method, namely Canny, Roberts, Prewitt, and Sobel Operators. The results of feature extraction are classified using the standard anthropometric table evaluating the nutritional status of children [1] issued by the minister of health. The results of the application are in the form of several categories of nutritional status indices, which are indexes based on Body Weight by Age (BB / U), Body Height by Age (TB / U), and Body Weight by Body Height (BB / TB). The results obtained using this method, the application system for detecting nutritional status displays performance with the highest level of accuracy of 87.08% at high and 74.78% on underweight children using 25 male image samples and 25 female image samples. With this application the process of calculating child nutritional status can be done periodically and more practically than manually. Keywords : Edge Detection, Canny, Sobel, Prewitt, Robert, Anthropometry
Matched Filter Dan Morphology Operation Untuk Deteksi Status Gizi Bayi Berdasarkan Estimasi Antropometri Rifqi Muhammad Fikri; Rita Magdalena; R Yunendah Nur Fu’adah
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Pengukuran fisik atau antropometri selama ini dikenal sebagai indikator sederhana dalam penilaian status gizi perorangan maupun masyarakat. Dalam penilaian untuk menentukan status gizi balita, antropometri disajikan dalam bentuk indeks yang dikaitkan dengan variabel lain. Indeks yang digunakan adalah indeks berat badan, dan tinggi badan sesuai usia dan jenis kelamin balita. Di Indonesia, grafik pertumbuhan yang dipergunakan berdasarkan The National Centre for Health Statistics (NCHS) dari Amerika Serikat. Grafik inilah yang digunakan dalam Kartu Menuju Sehat (KMS), atau buku catatan kesehatan anak yang diberikan pada orang tua. Grafik tersebut terdiri dari grafik pertumbuhan indeks-indeks yang diukur pada antropometri. Pada tugas akhir ini dirancang sebuah aplikasi Android yang dapat melakukan antropometri dengan input berupa citra digital menggunakan metode matched filter dan morphology operation. Kedua metode tersebut digunakan sebagai alat untuk melakukan ekstraksi komponen citra berupa representasi dan deskripsi suatu area dalam citra. Objek yang sudah tersegmentasi akan diolah lebih lanjut dengan perhitungan Body Surface Area (BSA) Mosteller yang menghasilkan informasi berupa berat badan dalam satuan kilogram (kg) dan tinggi badan dalam satuan centimeter(cm) Dari hasil pengujian sistem aplikasi, keluaran nilai antropometri mempunyai akurasi sebesar 82.19% untuk jenis kelamin laki-laki dan 82.45% untuk jenis kelamin perempuan. Kata Kunci: Antropometri, balita, deteksi citra, matched filter, morphology operation, Body Surface Area Mosteller. Abstract Physical measurement or anthropometry known as simple indicators to measure nutritional status of individuals or society. To determine the child's nutritional status, anthropometry is presented in the form of indexes which assosiated with another variable. The index used are weight index and height index according to the age and sex of the child. In Indonesia, the growth charts used are based on The National Centre for Health Statistics (NCHS) from United States of America. This graph is used in Kartu Menuju Sehat (KMS), or child health record books given to the parents. The graph consists of a growth chart of the indexes measured by anthropometry. This final project designs an Android app that can-do anthropometry with the input of digital image using matched filter and morphology operation method. Both methods are used as tools for performing image component extraction in the form of representation and description of an area in image. Objects that have been segmented will be processed further into the calculation of Body Surface Area (BSA) Mosteller which produces information of weight in kilograms (kg) and height in centimeters (cm). From the results of testing the application system, the output of anthropometry value has an accuracy of 82.19% for boys and 82.45% for girls. Keywords: anthropometry, child, image detection, matched filter, morphology operation, Body Surface Area Mosteller
Perancangan Dan Analisis Sistem Speech Processing Untuk Tunarungu Menggunakan Metode Hidden Markov Model Dan Mel-frequency Cepstral Coefficients Bagus Robbiyanto; Raditiana Patmasari; Rita Magdalena
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Mendengar merupakan salah satu cara untuk saling berkomunikasi, mendengar sangat dibutuhkan oleh manuasia untuk mengerti maksud satu sama lain. Namun hal ini membatasi untuk orang normal berkomunikasi dengan tunarungu, karena tidak semua orang mengerti gerakan Bahasa isyarat. Pada Tugas Akhir ini membuat dibuat suatu alat untuk membantu orang normal untuk berkomunikasi dengan orang yang menderita tunarungu. Alat ini mengolah sinyal suara input menjadi suatu text menggunakan metode Mel Frequency Cepstral Coefficient untuk mengekstrasi sinyal suara input dan diklasifikasi menggunakan metode Hidden Markov Model untuk melihat kemiripan antara sinyal suara yang sudah diekstrasi ciri dengan yang di database. Jika terdapat suatu kemiripan maka menghasilkan suatu text, kemudian text tersebut diolah menjadi suatu input baru yang menampilkan video Bahasa Isyarat Indonesia. Hasil pengujian menunjukkan bahwa kombinasi metode mel frequency cepstral coefficient dan Hidden Markov Model mampu mengenali sinyal suara berupa kata dengan akurasi tertinggi mencapai 87%. Kata Kunci: Bahasa Isyarat indonesia, Tunarungu, MFFC, HMM. Abstract Hearing is one way to communicate with each other, hearing is needed by manuasia to understand each other's intentions. But this limits the normal person communicating with the deaf, because not everyone understands Sign Language. In this Final Project, a tool is created to help normal people communicate with people who are deaf. This tool processes the input sound signal into a text using the Mel Frequency Cepstral Coefficient method to extract input sound signals and is classified using the Hidden Markov Model method to see the similarity between the sound signals that have been extracted and those in the database. If there is a similarity then it produces a text, then the text is processed into a new input that displays Indonesian Sign Language videos. The test results showed that the combination of the mel frequency cepstral coefficient method and the Hidden Markov Model were able to recognize sound signals in the form of words with the highest accuracy reaching 87%. Keywords: Indonesian Sign Language, Deaf Person, speech processing, MFCC, HMM.
Analisis Performansi Sistem Pendeteksi Katarak Menggunakan Dct (discrete Cosine Transform) Dan Jaringan Saraf Tiruan Backpropagation (jst Backpropagation) Herdian Anantya Risma; Raditiana Patmasari; Rita Magdalena
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Seiring berkembangnya teknologi saat ini, kita dapat memanfaatkan pengolahan citra digital sebagai cara untuk mendeteksi penyakit katarak. Pada pengolahan citra digital ini, akan dilakukan pengenalan suatu objek yang dapat dilakukan dengan mengenali algoritma tertentu. Pada tugas akhir ini menggunakan pengolahan citra digital untuk mempercepat proses identifikasi penyakit katarak. Pada identifikasi ini akan menggunakan metode DCT (Discrete Cosine Transform). Metode ini merupakan suatu metode yang akan digunakan dalam proses pemampatan file citra, yaitu untuk mentransformasikan sebuah matriks citra dengan representasi lain serta dapat digunakan di daerah pengolahan digital untuk keperluan pengenalan pola. Kemudian menggunakan Jaringan Saraf Tiruan Backpropagation (JST Backpropagation) sebagai pengklasifikasi citra uji. Hasil yang di peroleh adalah berupa sebuah simulasi perangkat lunak operasi matriks yang dapat digunakan untuk mengetahui dan mengklasifikasi mata katarak dengan akurasi sebesar 86,67% dengan waktu komputasi terbaik 3,666 detik menggunakan jumlah data latih dan data uji masing-masing 45 buah data, parameter orde satu standard deviation dan entropy, blok size DCT 5, saat epoch bernilai 1000, learning rate bernilai 1, dan hidden layer bernilai 5. Kata Kunci : DCT, JST Backpropagation, Katarak Abstract As technology develops today, we can utilize digital image processing as a way to detect cataract disease. In this digital image processing, we will do the introduction of an object that can be done by recognizing a particular algorithm. In this final project the research will use digital image processing to speed up the process of identification of cataract disease. This identification will use the DCT (Discrete Cosine Transform) method. This method is a method that will be used in image file compression process, that is to transform an image matrix with another representation and can be used in digital processing area for pattern recognition purposes. Then using Backpropagation Neural Network (JST Backpropagation) as the classifier of test image. The result obtained are a simulation of matrix operating software that can be used to know and classify cataract eyes with an accuracy of 86,67% with the best computation time 3,666 seconds using the amount of training data and test data for each of 45 pieces, the first orde parameter standard deviation and entropy, DCT size 5 block, when epoch is 1000, the learning rate is 1, and hidden layer is 5. Keywords : DCT, JST Backpropagation, Cataract
Deteksi Zat Narkotika Berdasarkan Tekstur Menggunakan Metode Principal Component Analysis Dan Learning Vector Quantization Septian Eko Kuncahyono; Rita Magdalena; Sofia Sa’idah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Narkotika adalah salah satu jenis narkoba yang berasal dari tanaman atau bukan tanaman, sintesis maupun semi sintesis. Narkotika sering digunakan didunia kedokteran untuk membius atau menghilangkan rasa sakit dan nyeri. Makin bertambahnya jenis – jenis napza yang beredar, aparat penegak hukum mengalami kesulitan pada saat proses penindakan pelanggaran kejahatan narkotika. Karena itu juga tidak semua petugas dilapangan mengetahui seluruh jenis narkotika yang beredar. Maka diperlukan sistem yang dapat mempermudah deteksi zat narkotika di sekitar kita. Pada tugas akhir ini dibuat sistem yang dapat mendeteksi dan mengklasifikasikan zat narkotika dengan pengolahan citra menggunakan metode ekstrasi ciri Principal Component Analysis (PCA) yang dapat mereduksi dimensi citra tanpa mengurangi karakteristik secara signifikan dan untuk klasifikasinya menggunakan Learning Vector Quantization (LVQ). Hasil yang didapat pada Tugas Akhir ini adalah aplikasi dengan menggunakan MATLAB yang dapat mengolah citra narkotika untuk mendeteksi jenis zat narkotika. Performansi yang dihasilkan oleh sistem yang dibuat yaitu akurasi sebesar 82% dan waktu komputasi 0.0179 dengan menggunakan parameter ciri statistik mean standard ddeviasi, size 128x128, komponen PCA 100, hidden size 30, learning rate 0.01 dan epoch 900. Kata Kunci : Zat narkotika, Principal Component Analysis (PCA), Learning Vector Quantization (LVQ). Abstract Narcotics are one of the types of drugs derived from plants or non-crops, synthesis and semi-synthesis. Narcotics are often used in the world of medicine to breed or relieve pain and pain. The increasing type of drugs in circulation, the law enforcement officers have difficulty in the process of enforcement of narcotic crimes violations. Cause that, not all officers in the field know all types of narcotics in circulation. Then, needed a system that can facilitate the detection of narcotic substances around us. In this final project, a system can be detected which can classify narcotics by image processing using the Principal Component Analysis (PCA) feature extraction method that can reduce the dimensions of the image without reducing its characteristics significantly and for its classification using Learning Vector Quantization (LVQ). The results obtained in this Final Project are applications using MATLAB which can process narcotics images to detect narcotics. The performance produced by the system is made, 82% accuracy and 0.0179 computation time using the mean standard deviasi statistical parameter, size 128x128, PCA 100 component, hidden size 30, learning rate 0.01 and epoch 900. Keywords: Narcotics, Principal Component Analysis (PCA), Learning Vector Quantization (LVQ).
Klasifikasi Katarak Menggunakan Metode Discrete Wavelet Transform (dwt) Dan Support Vector Machine (svm) Naufal Adi Gifran; Rita Magdalena; R. Yunendah Nur Fu'adah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Katarak merupakan penyakit mata yang ditandai dengan mengeruhnya lensa mata, sehingga membuat penglihatan kabur. Seiring bertambahnya usia, protein pada lensa akan menggumpal dan perlahan-lahan membuat lensa keruh dan berkabut. Hal ini menyebabkan penglihatan menjadi kabur dan tidak jelas. Berdasarkan pada penjelasan di atas, maka penulis melakukan penelitian dengan menggunakan metode Discrete Wavelet Transform (DWT) dan klasifikasi Support Vector Machine (SVM) untuk merancang sistem klasifikasi katarak. Penelitian sebelumnya tentang klasifikasi katarak pernah dilakukan oleh Rais Zul Ihram pada tahun 2018 mendapatkan akurasi sebesar 93,3% dengan menggunakan metode GLCM dengan klasifikasi yang digunakan adalah SVM. Penelitian serupa dilakukan oleh Rizkia Dwi Auliannisa pada tahun 2017 tentang deteksi katarak menggunakan metode Transformasi Hough berbasis Android dengan menggunakan pengklasifikasian K-NN dan mencapai akurasi lebih dari 80%. Dari hasil pengujian diperoleh akurasi terbaik dari klasifikasi katarak sebesar 80%. Akurasi tersebut didapatkan dari pengujian 90 citra mata yang memiliki ukuran 512x512 piksel, pada tahap ekstrasi ciri digunakan subband filter LH pada metode Discrete Wavelet Transform (DWT). Digunakan kombinasi enam ciri statistik yaitu Mean, standar deviasi, skewness, kurtosis, entropy, variance. Pada tahap klasifikasi digunakan metode Support Vector Machine (SVM) dengan kernel gaussian, dan pembagian multikelas OneAgainst-All (OAA). Kata Kunci : Katarak, Discrete Wavelet Transform (DWT), Support Vector Machine (SVM) Abstract Cataract is an eye disease characterized by the clouding of the lens of the eye, which makes vision blurry. As we get older, the protein in the lens will clot and slowly make the lens cloudy and foggy. This causes vision to be blurred and unclear. Based on the explanation above, the authors conducted a study using the Discrete Wavelet Transform (DWT) method and the Support Vector Machine (SVM) classification to design a cataract classification system. Previous research on the classification of cataracts was done by Rais Zul Ihram in 2018 to get an accuracy of 93.3% using the GLCM method with the classification used was SVM. A similar study was conducted by Rizkia Dwi Auliannisa in 2017 on cataract detection using the Android-based Hough Transform method using K-NN classification and achieving an accuracy of more than 80%. From the test results obtained the best accuracy of cataract classification by 80%. The accuracy is obtained from testing 90 eye images that have a size of 512x512 pixels, at the feature extraction stage the LH subband filter is used in the Discrete Wavelet Transform (DWT) method. A combination of six statistical features is used, namely Mean, standard deviation, skewness, kurtosis, entropy, variance. At the classification stage, the Support Vector Machine (SVM) method is used with the Gaussian kernel, and the One-Against-All (OAA) multiclass division. Keywords: Cataract, Discrete Wavelet Transform (DWT), Support Vector Machine (SVM)
Klasifikasi Retinopati Diabetik Pada Citra Mata Digital Menggunakan 3d Glcm Dengan Learning Vector Quantization Ilma Rahma Dewi; Rita Magdalena; R. Yunendah Nur Fu'adah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Retinopati diabetik merupakan salah satu komplikasi penyakit diabetes melitus yang terjadi pada retina mata dan dapat menyebabkan kebutaan. Penderita tidak merasakan gejala pada tahap awal, tetapi penglihatan mendadak hilang jika telah terjadi kerusakan yang sangat parah pada retina. Pemeriksaan medis retinopati diabetik dilakukan secara langsung oleh dokter dengan mengamati citra fundus retina pasien. Hasil citra retina dari kamera fundus tidak dapat memberikan informasi secara jelas sehingga dokter membutuhkan waktu yang relatif lama untuk menganalisis citra tersebut. Oleh karena itu, dirancang sebuah sistem untuk klasifikasi retinopati diabetik dengan waktu yang efisien. Sistem dibuat dengan menerapkan pengolahan citra digital menggunakan metode 3D Gray Level Cooccurrence Matrix untuk ekstraksi ciri. Hasil ekstraksi ciri kemudian diklasifikasikan menggunakan metode Learning Vector Quantization berdasarkan tingkat keparahan penyakit retinopati diabetik yaitu normal, Mild NPDR, Moderate NPDR, Severe NPDR dan proliferative diabetic retinopathy (PDR). Data yang digunakan pada sistem ini didapat dari EyePACS Retinal Reading Program yang berjumlah 250 data dengan pembagian masingmasing 175 data latih dan 75 data uji. Hasil pengujian yang telah dilakukan pada sistem ini mendapatkan akurasi 93.33% dengan waktu komputasi sebesar 0.7195 detik pada jarak antar piksel (d) = 1, sudut orientasi (θ) = 90º,45o menggunakan ciri statistik kontras, korelasi, energi dan homogenitas, serta hidden layer = 5 dan epoch = 500. Kata Kunci: Retinopati Diabetik, 3D GLCM, Learning Vector Quantization. Abstract Diabetic retinopathy is one of the complications of diabetes mellitus that occurs in the retina of the eye and can cause blindness. Patients do not feel the symptoms at an early stage, but sudden vision disappears if there has been very severe damage to the retina. Medical examination to diabetic retinopathy is handled by the doctor by observing the patient's retinal fundus image. Retinal image results from fundus cameras cannot provide clear information, so the doctors take a relatively long time to analyze the image. Therefore, a system is designed to classification of diabetic retinopathy in an efficient time. The system is created by applying digital image processing using the 3D Gray Level Co-occurrence Matrix method for features extraction. The results of the features extraction are then classified using the Learning Vector Quantization method based on the severity of diabetic retinopathy, which are normal, Mild NPDR, Moderate NPDR, Severe NPDR and proliferative diabetic retinopathy (PDR). The system using data obtained from EyePACS Retinal Reading Program with the amount of 250 data and devided into 175 training data and 75 testing data. The results of the tests that have been done on this system obtained the accuracy of 93.33% with computation time of 0.7195 seconds of pixel distance (d) = 1, orientation angle (θ) = 90º,45o by using statistic features contrast, correlation, energy and homogeneity, also hidden layer = 5 and epoch = 500. Keywords: Diabetic Retinopathy, 3D GLCM, Learning Vector Quantization.
Klasifikasi Kanker Usus Besar Menggunakan Metode Ekstraksi Ciri Principal Component Analysis Dan Klasifikasi Support Vector Machine Agung Aditama Putra; Rita Magdalena; R. Yunendah Nur Fu'adah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Kanker kolektal adalah salah satu jenis kanker ganas yang terdapat pada usus besar (kolon) dan bagian paling bawah dari usus besar yang terhubung ke anus (rectum) karena gaya hidup yang tidak sehat. Ada beberapa jenis kanker usus besar yang menyerang manusia yaitu Sarcoma, Lymphoma, dan Carcinoma. Sistem yang dirancang ini untuk melakukan sebuah simulasi klasifikasi terhadap citra usus besar menggunakan metode Support Vector Machine (SVM) sebagai klasifikasi ciri. Dan Principal Analysis Component (PCA) sebagai ekstraksi ciri. Hasil dari Tugas Akhir ini adalah suatu sistem yang mampu melakukan identifikasi jenis penyakit kanker usus besar yang terdiri dari penyakit carcinoma, lymphoma, dan usus normal pada manusia. Sistem ini memiliki performansi nilai akurasi tertinggi 74.4% dengan waktu komputasi 6,4654 detik menggunakan 108 data citra latih dan 60 citra uji. Hasil ini menggunakan data uji ukuran 64 × 64 piksel, citra warna green, parameter statistik Entropy, Mean, dan Skewness pada PCA. Pada klasifikasi Support Vector Machine (SVM) menggunakan Kernel Radian Basis Function (RBF), dan pembagian multiclass One-Against-One (OAO). Kata Kunci: Usus Besar, kanker kolektal, PCA, SUPPORT VECTOR MACHINE (SVM) Abstract Collectal cancer is one type of malignant cancer found in the large intestine (colon) and the lowest part of the large intestine that is connected to the anus (rectum) due to an unhealthy lifestyle. There are several types of colon cancer that attack humans, namely Sarcoma, Lymphoma, and Carcinoma. The design of this system to simulate the classification of large intestine images using the Support Vector Machine (SVM) method as a feature classification. And Principal Analysis Component (PCA) as feature extraction. The results of this Final Project are a system that can identify types of colon cancer consisting of normal carcinoma, lymphoma and intestinal disease in humans. This system has the highest accuracy value of 74.4% with a computing time of 6.4654 seconds using 108 training image data and 60 test images. These results use 64 × 64 pixel test data, green color images, Entropy, Mean, and Skewness statistical parameters on PCA. The Support Vector Machine (SVM) classification uses the Kernel Radian Basis Function (RBF), and the multiclass One-Against-One (OAO) distribution. Keywords: Colon, colorectal cancer, PCA, SUPPORT VECTOR MACHINE (SVM)
Deteksi Adanya Zat Narkotika Berbasis Citra Berdasarkan Tekstur Dengan Filter Gabor Wavelet Dan Metode K-nearest Neighbour Rama Arjun Setiawan; Rita Magdalena; Sofia Sa’idah
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Narkotika merupakan obat-obatan yang berasal dari tanaman atau bukan tanaman yang dimana dapat membuat penggunanya bisa menghilangkan rasa nyeri, perubahan kesadaran dan dapat menimbulkan ketergantungan bagi pemakainya. Karena penyebaran narkotika sudah tidak dapat di cegah maka dari itu mendorong penulis untuk membuat simulasi sistem untuk mendeteksi obat-obatan yang mengandung zat narkotika ataupun tidak di lingkungan kehidupan masyarakat jaman sekarang. Filter Gabor Wavelet merupakan metode untuk mengekstraksi ciri citra karena dapat meminimalisasi ciri yang tidak penting. Proses untuk membantu dalam melakukan klasifikasi terhadap objek berdasarkan jarak antara vektor data uji dan masing masing vektor data latih untuk memutuskan keluaran yaitu klasifikasi K-Nearest Neighbor. Mendeteksi citra zat narkotika merupakan hal yang berguna untuk kedepannya di lingkungan masyarakat karena dapat mencengah masyarakat untuk menyalahgunakan. Hasil yang didapatkan dengan Performansi yang dihasilkan dari sistem tersebut yaitu akurasi sebesar 85%. Akurasi tersebut diperoleh dari pengujian 100 citra dengan size 256×256, wavelength 2, Orientation 45° dan untuk parameter pada KNN menggunakan cityblock distance dengan nilai K = 9. Kata Kunci :Narkotika, Sabu, Filter Gabor Wavelet, K-Nearest Neighbor. Abstract Narcotics are drugs derived from plants or not plants that can make users can eliminate pain, change consciousness and can cause difficulties for the wearer. Because the spread of narcotics cannot be prevented, it, therefore, encourages writers to make a distribution system for drugs containing narcotics, not in today's society. Filter Gabor Wavelet is a method for extracting imagery features as it can minimize the unimportant features. The process to assist in the classification of objects based on the distance between vector test data and each of the trainer data vector to decide the output of the K-Nearest Neighbor classification. Detecting the image of a narcotic substance is useful for the future in the community because it can be a community to abuse it. The results obtained with performance resulting from the system is the accuracy of 85%. The accuracy is obtained from testing 100 images with size 256 × 256, wavelength 2, Orientation 45 ° and for parameters on the KNN using Cityblock distance with a value of K = 9. Keywords: Narcotics, Sabu, Gabor Wavelet Filter, K-Nearest Neighbor
Klasifikasi Retinopati Diabetik Non-proliferatif Dan Proliferatif Berdasarkan Citra Fundus Menggunakan Metode Gabor Wavelet Dan Klasifikasi Jaringan Saraf Tiruan Backpropagation Donny Janu Sundoro; Raditiana Patmasari; Rita Magdalena
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Retinopati diabetik merupakan komplikasi mikrovaskular di retina mata pada penderita diabetes melitus. Jika tidak tertangani, penyakit ini bisa berakibat pada kebutaan. Retinopati diabetik memiliki tiga tipe sesuai dengan tingkat keparahan penderitanya, yaitu normal, non-proliferatif (NPDR), dan proliferatif (PDR). Proses deteksi dan klasifikasi tingkat keparahan penderita retinopati diabetik saat ini masih dilakukan secara manual oleh tenaga medis terlatih. Seiring dengan berkembangnya bidang teknologi, memungkinkan pengembangan suatu sistem yang dapat mengklasifikasi tingkat keparahan retinopati diabetik. Pada tugas akhir ini, dirancang suatu sistem klasifikasi tingkat keparahan retinopati diabetik berdasarkan citra fundus dengan pengolahan citra digital. Klasifikasi tersebut dibagi menjadi lima kelas tingkat keparahan, yaitu normal, non-proliferatif (mild, moderate, dan severe), serta proliferatif yang masing-masing terbagi dalam 60 buah data latih dan 40 buah data uji. Metode yang digunakan untuk ekstraksi ciri adalah Gabor Wavelet dan Jaringan Saraf Tiruan (JST) Backpropagation sebagai algoritma klasifikasi. Berdasarkan pengujian yang telah dilakukan, didapatkan akurasi terbaik sebesar 85% dengan jumlah data latih 60 buah. Parameter terbaik menggunakan citra resize dengan resolusi 512x512, citra kanal biru, parameter orde satu feature variance dan entropy, downsampling d1=16 dan d2=16, dengan proses klasifikasi menggunakan jumlah neuron hidden layer 200 buah; learning rate 0,005; dan epoch sebanyak 1000 kali. Kata Kunci: Retinopati Diabetik, NPDR, PDR, Gabor Wavelet, JST Backpropagation Abstract Diabetic retinopathy is a microvascular complication in the retina of the eye in people with diabetes mellitus. If not treated, this disease can result in blindness. Diabetic retinopathy has three types according to the severity of the sufferer, namely normal, non-proliferative (NPDR), and proliferative (PDR). The process of detection and classification of the severity of diabetic retinopathy patients is still done manually by trained medical personnel. Along with the development of the technology field, it allows the development of a system that can classify the severity of diabetic retinopathy. In this final project, a system of classification of the severity of diabetic retinopathy is designed based on fundus images with digital image processing. The classification is divided into five classes of severity, namely normal, nonproliferative (mild, moderate, and severe), and proliferative wich is equally divided into 60 training data and 40 test data.. The method used for feature extraction is Gabor Wavelet and Artificial Neural Network (ANN) Backpropagation as a classification algorithm. Based on the tests that have been done, the best accuracy is obtained at 85% with 60 training data. The best parameters using resize images with 512x512 resolution, blue canal image, first order parameter feature variance and entropy, downsampling d1 = 16 and d2 = 16, with the classification process using 200 pieces of hidden layer neurons, learning rate 0.005, and epoch 1000 times . Keywords: Diabetic Retinopathy, NPDR, PDR, Gabor Wavelet, ANN Backpropagation
Co-Authors A F Akbar Abel Bima Wiratama Achmad Rizal Adham Nurjati Adinda Maulida Agung Aditama Putra Agustina Trifena Dame.S AGUSTINA, REGITA Ahmad Zendhaf Aldo Setiawan Alva Rischa Qhisthana Pratika Andria Sufy Angga Prihantoro Ardhi Fibrianto Arianto Sirandan Arintyo Archamadi Ayu Putu Wida Vanhita Bagas Farhan Hadyantoro Bagus Robbiyanto Bambang Hidayat Bambang Hidayat Bayuaji Kurniadhani Brian Adam Danding Adhi Priutomo Davita Nadia Fadhilah Dea Sifana Ramadhina Dewa Nyoman Indra Dewi Siskawati Dian Ayu Nurlitasari Dimas Frandisyah Putra Donny Janu Sundoro Dwi Anggreni Novitasari Dyah Ajeng Pramudhita Dyah Ayu Pratiwi Efri Suhartono Eko Susatio Eky Yuliansyah Eriel Mar Estananto Faizhal Rifky Alfaris Fathurrahman, Muhammad Hanif Fatima Azzahra FAUZI FRAHMA TALININGSIH Fauzi, Muhammad Ilham Febriani Ruming Sari Firmanda Robi Firmansyah Patriandhika Fitya Nur Fadhilah Galih Surya Gede Hari Yogiswara Gusty Aditya Arrazaq HARSONO, ALI BUDI Herdian Anantya Risma Hilman Fauzi, Hilman I Dewa Gede Agung Kurniawan I Gusti Agung Dian Wintara I Nyoman Apraz Ramatryana I Nyoman Apraz Ramatryana I NyomanApraz Ramatryana Ibnu Da'wan Salim Ibnu Da’wan Salim Ubaidah Ibnu Da’wan Salim Ubaidah Ignatius Yoslan Kurniawan Ikhwanda, Alfan Ikrar Khaera Arfat Ilma Rahma Dewi Imanuel Boyke Nainggolan Immanuel Rayuzi Pandapotan Sinaga Indrafaqih Eskamara Inung Wijayanto Iqbal Kurniawan Perdana Irham Bani Alfafa Ivan Prayoga Prawiro Ivandy Chaniago Jangkung Raharjo Jonthala Tambunan Koredianto Usman Krisna Prayoga Kurnia Khafidhatur Rafiah Ledya Novamizanti Lugina Perceka Putri M.Aldia Abilisa M.Fajar Zulvan Nugraha Mahendra, Dio Maisaroh Agustina Rahayu Malardy , Muhammad Andriyansyah Masykur, Muhammad Fadhel Affandi Misbakhul Munir Muhamad Rokhmat Isnaini MUHAMMAD ADNAN PRAMUDITO Muhammad Akhyar Ghifari Muhammad Ardhi Prakasa Muhammad Bayu Adinegara Muhammad Fadly Mustakim Muhammad Ihsan Fadhil Muhammad Ilham Muhammad Ilham Fauzi Muhammad Najiburahman Muhammad Tezar Muhammad Yuqdha Faza Nabila Herman Naufal Adi Gifran Nidaan Khofiya Nor Kumalasari Nor Kumalasari Caecar Nor Kumalasari Caecar Pratiwi Nor Kumalasari Caesar Pratiwi Nur Andini Nur Ibrahim NURFAJAR, FEBI Obed Simanungkalit Octavian Putera Kesuma Sugeng Olyvia Fernanda Soedradjat PERDANI, WAHYUNI RIZKY Prayudi, Yoshi Putra, Akbar Trisnamulya Putri Andriani R Ricki Juniansyah R Yunenda Nur Fu'adah R. Rumani R. Rumani R. Yunendah Nur Fu’adah Raditiana Patmasari Rafid Fakhri Rahmad Hidayatullah Salam Raihan Nur Fadhlillah Rama Arjun Setiawan Ramdhan Nugraha Ratri Dwi Atmaja Renny Rahmawati Reyfaldi Wahyu Pradana Reyhan Radifan Jordy Rezki Ariz Rahadian Ricardo Ricardo Richard Bina Jadi Simanjuntak Ridwan Firdaus Rifqi Muhammad Fikri Rissa Rahmania Rizki Muhammad Iqbal Rizqi Surya Utama Rosyita Ayuning Mauludiya Sa’idah, Sofia Saidah, Sofiah Sari, Febriani Ruming Sayidia Rizki Arfina Sean Alexander Suryaman Septian Eko Kuncahyono Shimon Anterio Armando Sinaga Sofia Sa'idah Sofia Sa'idah Sofia Sa’idah SOFIA SAIDAH Sofia Sa’idah Steven Palondongan Suci Aulia Sugondo Hadiyoso Susilo, Mochammad Hilmi Suwandhi, Adhisty Putrina Suwitrisna Putra Syafiq Hilmi Abdullah Syamsul Rizal Tahta Restu Adiguna Tamardi Pranata Tampubolon Tauhid Nur Azhar Teguh Dian Arifandi Tri Siswanto Twinarya Bagus Wibawa Varian Mohammad Sutama Yohana Karina Candra Sari Yunendah Fu’adah