Muhammad Dzikrullah Suratin, Muhammad Dzikrullah
Universitas Muhammadiyah Maluku Utara, Ternate

Published : 9 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 9 Documents
Search

Identifikasi Sel Acute Lymphoblastic Leukemia (ALL) pada Citra Peripheral Blood Smear Berdasarkan Morfologi Sel Darah Putih Suratin, Muhammad Dzikrullah; Rahmadwati, Rahmadwati; Muslim, Aziz
e-Jurnal Arus Elektro Indonesia Vol 1, No 3 (2015)
Publisher : e-Jurnal Arus Elektro Indonesia

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

Abstract

Penelitian ini mengajukan sebuah sistem untuk melakukan identifikasi sel Acute Lymphoblastic Leukemia (ALL) pada citra sediaan apus darah berdasarkan ciri morfologi. Agoritma yang digunakan meliputi beberapa langkah: pra-pengolahan, segmentasi citra, perhitungan fitur dan klasifikasi. Algoritma K-means Clustering berdasarkan segmentasi warna digunakan untuk memisahkan citra apus darah menjadi empat daerah: latar belakang, nukleus WBC, sitoplasma WBC dan RBC. Nukleus yang tumpang tindih kemudian dipisahkan dengan mengaplikasikan metode Watershed Transform. Berdasarkan lima fitur morfologi yaitu area, perimeter, diameter, roundness dan compactness, citra apus darah diklasifikasikan menggunakan metode Support Vector Machine. Hasil penelitian ini didapatkan akurasi pengenalan sel ALL dan sel darah putih normal sebesar 95.45%.
PENGHITUNG JUMLAH SEL DARAH MERAH MENGGUNAKAN JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION Suratin, Muhammad Dzikrullah
DINTEK Vol 10 No 1 (2017): DINTEK Vol. 10 No.1, Maret 2017
Publisher : Fakultas Teknik UMMU

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

Abstract

Tujuan penelitian pembuatan Program yang memiliki kemampuan untuk mengenali citra sel darah merah danS menghitung jumlahnya.  Ketelitian dan konsentrasi dokter sangat menentukan hasil analisis.  Di lain pihak analisis preparat darah tepi tidak menghasilkan bukti citra sehingga tidak dapat dianalisis oleh banyak dokter. Analisis citra merupakan salah satu metode dalam pengolahan citra digital. Proses pengenalan citra / training pada aplikasi ini menggunakan jaringan saraf tiruan dengan metode backpropagation. Proses prapengolahan citra digital dimulai dari akuisisi data citra, konversi citra dengan metode laplacian, Training citra sel darah merah, hingga citra siap untuk dianalisis.  Analisis citra yang dilakukan dalam hal ini adalah pencacahan jumlah sel darah merah.
PENGHITUNG JUMLAH SEL DARAH MERAH MENGGUNAKAN JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION Suratin, Muhammad Dzikrullah
DINTEK Vol 10 No 1 (2017): DINTEK Vol. 10 No.1, Maret 2017
Publisher : Fakultas Teknik UMMU

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

Abstract

Tujuan penelitian pembuatan Program yang memiliki kemampuan untuk mengenali citra sel darah merah danS menghitung jumlahnya.  Ketelitian dan konsentrasi dokter sangat menentukan hasil analisis.  Di lain pihak analisis preparat darah tepi tidak menghasilkan bukti citra sehingga tidak dapat dianalisis oleh banyak dokter. Analisis citra merupakan salah satu metode dalam pengolahan citra digital. Proses pengenalan citra / training pada aplikasi ini menggunakan jaringan saraf tiruan dengan metode backpropagation. Proses prapengolahan citra digital dimulai dari akuisisi data citra, konversi citra dengan metode laplacian, Training citra sel darah merah, hingga citra siap untuk dianalisis.  Analisis citra yang dilakukan dalam hal ini adalah pencacahan jumlah sel darah merah.
Identifikasi Sel Acute Lymphoblastic Leukemia (ALL) pada Citra Peripheral Blood Smear Berdasarkan Morfologi Sel Darah Putih Muhammad Dzikrullah Suratin; Rahmadwati Rahmadwati; Aziz Muslim
Jurnal Arus Elektro Indonesia Vol 1 No 3 (2015)
Publisher : Fakultas Teknik, Universitas Jember

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

Abstract

Penelitian ini mengajukan sebuah sistem untuk melakukan identifikasi sel Acute Lymphoblastic Leukemia (ALL) pada citra sediaan apus darah berdasarkan ciri morfologi. Agoritma yang digunakan meliputi beberapa langkah: pra-pengolahan, segmentasi citra, perhitungan fitur dan klasifikasi. Algoritma K-means Clustering berdasarkan segmentasi warna digunakan untuk memisahkan citra apus darah menjadi empat daerah: latar belakang, nukleus WBC, sitoplasma WBC dan RBC. Nukleus yang tumpang tindih kemudian dipisahkan dengan mengaplikasikan metode Watershed Transform. Berdasarkan lima fitur morfologi yaitu area, perimeter, diameter, roundness dan compactness, citra apus darah diklasifikasikan menggunakan metode Support Vector Machine. Hasil penelitian ini didapatkan akurasi pengenalan sel ALL dan sel darah putih normal sebesar 95.45%.
PENGHITUNG JUMLAH SEL DARAH MERAH MENGGUNAKAN JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION Muhammad Dzikrullah Suratin
DINTEK Vol 10 No 1 (2017): DINTEK Vol. 10 No.1, Maret 2017
Publisher : Fakultas Teknik UMMU

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

Abstract

Tujuan penelitian pembuatan Program yang memiliki kemampuan untuk mengenali citra sel darah merah danS menghitung jumlahnya. Ketelitian dan konsentrasi dokter sangat menentukan hasil analisis. Di lain pihak analisis preparat darah tepi tidak menghasilkan bukti citra sehingga tidak dapat dianalisis oleh banyak dokter. Analisis citra merupakan salah satu metode dalam pengolahan citra digital. Proses pengenalan citra / training pada aplikasi ini menggunakan jaringan saraf tiruan dengan metode backpropagation. Proses prapengolahan citra digital dimulai dari akuisisi data citra, konversi citra dengan metode laplacian, Training citra sel darah merah, hingga citra siap untuk dianalisis. Analisis citra yang dilakukan dalam hal ini adalah pencacahan jumlah sel darah merah.
Implementasi Bee Colony Optimization Pada Pemilihan Centroid (Klaster Pusat) Dalam Algoritma K-Means Arfiani, Ika; Yuliansyah, Herman; Suratin, Muhammad Dzikrullah
Building of Informatics, Technology and Science (BITS) Vol 3 No 4 (2022): March 2022
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (436.104 KB) | DOI: 10.47065/bits.v3i4.1446

Abstract

Clustering is a method that is used to divide the data into several groups of parts. K-means (KM) is an algorithm that is often used in clustering, only just the result of KM often times get stuck in local optima i.e. the optimal solution (both maximum or minimal) on the candidate solution in the nearest neighbor only, not the whole of all existing solutions or what is commonly called the global optima. In this study aims to do improve the cluster determination process on the Kmeans algorithm using the Bee Colony Optimization (BCO) algorithm. BCO is an algorithm that works based on the way the bees search for food , BCO is famous for being able to escape from the local optima trap by recognizing which results are best from a series of optimal results . Combining BCO with KM begins with selecting a source of food early in random and using KM to resolve all the problems of clustering at every step BCO next and keep sources of food best in each iteration. The result of this research is that the BCOKM method has been proven to be able to solve the problem of data sharing, where the BCOKM method is able to form a good cluster, as shown by the resulting fitness value (the lowest value is 1221.53 and the highest value is 1233.28) all of which are better than the fitness value using K-means (1251.42). Likewise in terms of accuracy, where the use of BCOKM all showed better results (83.16%-83.30%) than the use of only K-means (83.09%)
Identifikasi Mutu Roasting Biji Kopi Menggunakan Fitur Warna Dan Backpropagation Taslim, Alfarabi; Sudin, Sakina; Suratin, Muhammad Dzikrullah
Jurnal Sains Komputer dan Teknologi Informasi Vol. 6 No. 1 (2023): Jurnal Sains Komputer dan Teknologi Informasi
Publisher : Institute for Research and Community Services Universitas Muhammadiyah Palangkaraya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33084/jsakti.v6i1.5600

Abstract

Kopi adalah salah satu minuman yang paling digemari oleh masyarakat dunia. Identifikasi jenis kopi yang telah diroasting secara kasat mata sangat sulit untuk dibedakan bagi masyarakat pada umumnya sehingga diperlukan sebuah keahlian khusus. Oleh karena itu, penting untuk dapat mengidentifikasi level roasting pada biji kopi secara tepat dan akurat. Tujuan dari penelitian ini untuk mengembangkan metode level roasting biji kopi yaitu light, medium, dark menggunakan metode Fitur Warna dan Backpropagation. Metode ini diharapkan dapat membantu para roast dalam menentukan level roasting yang ditentukan. Data set citra biji kopi dengan level roasting light, medium, dark terdiri dari 600 data citra biji kopi yang dibagi menjadi dua yaitu untuk data latih 420 data dan 180 untuk data uji. Metode Fitur Warna digunakan untuk mengekstraksi fitur-fitur dari citra biji kopi. Metode Backpropagation digunakan untuk melatih model prediksi untuk memperkirakan level roasting pada biji kopi. Metode Fitur Warna dan Backpropagation dapat menghasilkan tingkat akurasi yang lumayan tinggi yaitu 88,66% pada tahap pengujian.
IDENTIFIKASI DAUN KOPASANDA MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION Prasetyo, Dimas; Suratin, Muhammad Dzikrullah; Muhammad, Abdul Haris
SAINTIFIK@: Jurnal Pendidikan MIPA Vol 10, No 1 (2025): SAINTIFIK@: Jurnal Pendidikan MIPA EDISI MARET 2025
Publisher : Universitas Khairun

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33387/saintifik.v10i1.9774

Abstract

Plants are one of the components needed by humans. The science that studies plants has also made rapid progress, as well as plant recognition and identification systems that are useful in providing various information. The recognition process can be applied to various parts of the plant, one of which is the recognition of leaf images. The leaf image recognition process must go through a long learning process, so an image processing technique is used, namely Artificial Neural Networks (ANN). One of the artificial neural network training methods that is often used is Backpropagation. Backpropagation trains the network to obtain a balance between the network's ability to recognize patterns used during training and the network's ability to provide the correct response to input patterns that are similar (but not the same) to the patterns used during training [1]. Identification of leaf types using ANN in this experiment uses 3 types of leaf names such as kopasanda leaves, wild plant leaves sample A, wild plant leaves sample B with 20 leaf image samples with different leaf shapes for each type. Epoch in this Artificial Neural Network reaches a maximum value of 1000 iterations. Before conducting image testing, the image training process is carried out first. After testing on 20 leaf image samples, 19 leaf image samples were found to have correctly detected results and 1 leaf image sample had undetected results. From the results of this study, the success rate was 95% successfully detected and 5% were not successfully detected. The purpose of this study is to create a system that can recognize wild kopasanda plants based on texture and leaf shape features by implementing the Backpropagation Artificial Neural Network method.
Analisis dan Visualisasi Periodisitas Gempa Bumi di Maluku Utara Arfiani, Ika; Normawati, Dwi; Suratin, Muhammad Dzikrullah
Jurnal Ilmiah FIFO Vol 16, No 1 (2024)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2024.v16i1.004

Abstract

Gempa bumi juga dapat dipahami sebagai suatu peristiwa terjadinya guncangan bumi akibat pelepasan energi secara tiba-tiba, yang ditandai dengan pecahnya lapisan batuan pada kerak bumi. Gempa bumi biasanya disebabkan oleh pergerakan kerak atau lempeng bumi. Indonesia termasuk negara rawan gempa karena Indonesia dilalui pertemuan 3 lempeng tektonik: Indo-Australia, Eurasia, dan Pasifik. Beberapa penelitian tentang gempa bumi di Indonesia telah menghubungkan gempa bumi dengan data mining dan pembelajaran mesin. Namun gempa bumi merupakan peristiwa alam yang tidak dapat diprediksi atau diprediksi, sehingga untuk mengurangi risiko terjadinya gempa bumi perlu dilakukan analisis clustering pada daerah yang dicurigai. Kontribusi dalam penelitian ini bertujuan untuk memvisualisasikan data hasil pengolahan dataset gempa bumi kedalam peta geospasial wilayah Maluku Utara dengan menerapkan tahapan data mining, sehingga bisa mengetahui daftar wilayah yang termasuk dalam kawasan rawan bencana sebagai langkah antisipasi untuk mitigasi bencana di daerah Maluku Utara. Selain itu hasil penelitian ini juga dapat digunakan sebagai dataset untuk melakukan proses data mining lain seperti pengelompokan maupun klasisfikasi data gempa bumi di wilayah Maluku Utara.