Claim Missing Document
Check
Articles

Found 5 Documents
Search
Journal : Indonesian Journal on Computing (Indo-JC)

Implementasi Gabor Wavelet dan Support Vector Machine pada Deteksi Polycystic Ovary (PCO) Berdasarkan Citra Ultrasonografi Untari Novia Wisesty
Indonesia Journal on Computing (Indo-JC) Vol. 1 No. 2 (2016): September, 2016
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/INDOJC.2016.1.2.90

Abstract

Ketidaksuburan adalah kondisi pasangan suami istri yang susah memiliki keturunan. Salah satu pemeriksaan kesuburan yang dianjurkan di bidang kesehatan adalah USG (Ultrasonografi). Untuk memeriksa kesuburan wanita dilakukan USG rahim dengan memeriksa keberadaan penyakit di rahim yang menyebabkan kemandulan, salah satunya adalah PCO (Polycystic Ovary), dengan melihat jumlah dan ukuran folikel dalam ovarium. Namun, sampai saat ini penentuan hasil USG rahim masih dilakukan secara manual oleh Dokter Spesialis Kandungan. Penelitian ini bermaksud untuk membantu ahli medis dalam mendiagnosa kesuburan wanita berdasarkan keberadaan PCO secara terkomputerisasi, sehingga hasil diagnosa dapat dilakukan dengan cepat dan akurat. Proses pendektesian diawali dengan pemrosesan awal pada citra USG dan ekstraksi ciri menggunakan Gabor Wavelet. Selanjutnya, pada tahap klasifikasi PCO digunakan metode Support Vector Machine (SVM). Kernel SVM yang digunakan sebagai classifier adalah fungsi kernel Linear, RBF, Kuadratik, dan Polinomial sesuai dengan kebutuhan persebaran data, dengan nilai parameter C kelipatan 10 dari rentang 0 hingga 300. Dengan menggunakan metode-metode tersebut, pencapaian akurasi tertinggi didapatkan dengan menggunakan parameter Gabor Wavelet dan SVM yang terbaik yaitu kernel polynomial, C=160, mask 17x17, frekuensi 2, 3, 4, 5 Hz dan sudut orientasi [π/6; π/6; π] dengan akurasi uji 78.4661% dan akurasi latih 75.5480% berdasarkan pengujian per-folikel.
Klasifikasi Keadaan Mata Berdasarkan sinyal EEG menggunakan Extreme Learning Machines Ersa Christian Prakoso; Untari Novia Wisesty; Jondri .
Indonesia Journal on Computing (Indo-JC) Vol. 1 No. 2 (2016): September, 2016
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/INDOJC.2016.1.2.105

Abstract

Electroencephalography atau sinyal EEG adalah salah satu biosignal yang marak menjadi topikpenelitian saat ini. Sinyal EEG memiliki banyak manfaat seperti pendeteksian epilepsi, gangguantidur, atau input dalam aplikasi komputer. Salah satu input yang dapat dideteksi berdasarkan sinyalEEG adalah keadaan mata. Namun untuk digunakan sebagai input dalam aplikasi diperlukanklasifikasi dengan performansi yang memadai. Oleh karena itu penulis akan dilakukan penelitiandimana salah satu metode pembelajaran Jaringan Syaraf Tiruan yaitu Extreme Learning Machine(ELM) akan diimplementasikan untuk mengklasifikasikan kondisi mata berdasarkan sinyal EEG.Dataset yang digunakan untuk melatih dan menguji model adalah dataset eye-state yangdidonasikan oleh Oliver Roesler digabung dengan dataset yang berasal dari website repositoryUniversitas of California, IrvineI (UCI) . Terdapat 7 corpus yang terdiri dari perekaman EEGyang dilakukan kepada 4 orang berbeda, lalu ditambahkan 1 corpus yang merupakanpenggabungan seluruh corpus lain. Dari hasil pengujian yang dilakukan disimpulkan bahwa ELMdapat digunakan untuk klasifikasi keadaan mata dengan akurasi mencapai 97,95% dengan waktulatih hanya 0,81 detik jika masing-masing data digunakan secara terpisah, sedangkanpenggabungan keseluruhan dataset hanya mencapai akurasi 78,94% dengan waktu latih 5,71 detik.
Deteksi Kanker berdasarkan Klasifikasi Data Microarray menggunakan Functional Link Neural Network dengan Seleksi Fitur Genetic Algorithm Putri Tsatsabila Ramadhani; Untari Novia Wisesty; Annisa Aditsania
Indonesia Journal on Computing (Indo-JC) Vol. 2 No. 2 (2017): September, 2017
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/INDOJC.2017.2.2.173

Abstract

Di beberapa tahun terakhir, pemanfaatan teknologi microarray memiliki pengaruh besar dalam menentukan gen informatif yang menyebabkan kanker. Micorarray mampu menentukan ekspresi ribuan gen dan secara simultan memantau proses bilogis yang sedang berlangsung. Dengan melakukan analisa terhadap data micorarray, selanjutnya ekspresi dari ribuan gen yang merepresentasikan suatu jaringan pada manusia, akan diklasifikasikan sebagai jaringan kanker atau bukan. Dalam penulisan penelitian penelitian, penulis meng-implementasikan Functional Link Neural Network dengan fungsi basis Legendre Polynomial untuk klasifikasi data yang akurat dan menggunakan Genetic Algorithm sebagai seleksi fitur untuk mereduksi data berdimensi tinggi yang sering ditemukan pada data microarray. Dengan serangkaian proses yang telah dilakukan, maka diperoleh kinerja tertinggi terhadap klasifikasi data microarray Colon Tumor sebesar 92.3% dan Leukemia sebesar 87.5%. Perbedaan kinerja yang diperoleh disebabkan oleh perbedaan karakteristik masing-masing data.
Analisis dan Implementasi Metode Gabor Filter dan Support Vector Machine pada Klasifikasi Sidik Jari Intan Raharni Wijaya; Untari Novia Wisesty; Said Al Faraby
Indonesia Journal on Computing (Indo-JC) Vol. 2 No. 2 (2017): September, 2017
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/INDOJC.2017.2.2.176

Abstract

Pengolahan citra digital semakin diminati, salah satunya pada sistem biometrik. Sistem biometrik merupakan sistem dalam pengenalan berdasarkan pola atau ciri khusus yang dimiliki makhluk hidup terutama manusia. Jenis identifikasi biometrik yang umum digunakan adalah pengenalan sidik jari. Sidik jari banyak digunakan dalam kehidupan sehari-hari selama lebih dari 100 tahun karena penerimaan yang tinggi, permanen, akurat, dan keunikan. Kelebihan sidik jari tersebut disebabkan oleh minutiae yang merupakan garis atau guratan pada sidik jari yang berbeda-beda setiap individu. Klasifikasi sidik jari secara umum terbagi menjadi dua tahap yakni ekstraksi fitur serta klasifikasi fitur.   Ektraksi fitur dapat dilakukan dengan cara filter seperti gabor filter dengan empat sudut orientasi yang berkisar 0, 45, 90 dan 135 derajat. Hasil dari ekstraksi ciri akan klasifikasi dengan tujutan identifikasi. Metode Support Vector Machine (SVM) dapat digunakan sebagai classifier untuk sistem biometrik sidik jari. SVM memiliki kernel trick yang berpengaruh pada akurasi yang dihasilkan. Digunakan SVM multiclass metode one-against-all dalam klasfikasi sidik jari untuk 25 kelas. Akurasi terbesar diperoleh oleh kernel Radial Basis Function (RBF) sebesar 73% untuk data awal dan 76% untuk penambahan data augmentasi
Eye State Prediction Based on EEG Signal Data Neural Network and Evolutionary Algorithm Optimization Untari Novia Wisesty; Hifzi Priabdi; Rita Rismala; Mahmud Dwi Sulistiyo
Indonesia Journal on Computing (Indo-JC) Vol. 5 No. 1 (2020): Maret, 2020
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2020.5.1.372

Abstract

Eye state prediction is one study using EEG signals obtained to predict the state of the human eye several moments before. In its development, many researchers also have built eye states detection schemes, but the system built is only limited to classifying one record of input data obtained from the Emotive EPOC headset channel into the eye state. Therefore, this paper proposed eye state prediction system where the system can predict the state of the human eye some time previously based on the EEG signal series used. The proposed system consists of two parts, namely the prediction of the EEG signal value and eye state detection based on the value of the signal that has been obtained using Differential Evolution and Neural Network optimized by Evolution Strategies, respectively. The highest accuracy obtained from the eye state prediction system that has been built is 73.2%. These results are obtained by the best combination of parameters from the three methods used.