Article Per Year (5 Year)
p-Index From 2020 - 2025
0
P-Index
This Author published in this journals
All Journal eProceedings of Engineering
Untari Wisesty
Telkom University
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Analisis Gangguan Polycystic Ovary Syndrome (Pcos) Berdasarkan Citra Ultrasonography Menggunakan Metode Linear Discriminant Analysis (Lda) Dan Fuzzy C-Mean Clustering Adwin Rahmanto; Adiwijaya Adiwijaya; Untari Wisesty
eProceedings of Engineering Vol 1, No 1 (2014): Desember, 2014
Publisher : eProceedings of Engineering

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

Abstract

Masalah kesuburan terjadi akibat terganggunya sistem reproduksi pada wanita dan terjadinya penurunan kualitas sperma pada pria. Sebuah penelitian menyatakan bahwa masalah kesuburan terjadi pada 40% akibat perempuan, 40% akibat laki-laki dan 20% akibat keduanya. Oleh karena itu, pemeriksaan dini kesuburan sangatlah perlu khususnya untuk wanita agar dapat dilakukan pencegahan secara dini hal-hal yang menyebabkan kemandulan. Salah satu yang sangat dianjurkan yaitu dengan pemeriksaan USG (Ultrasonography). USG (Ultrasonography) adalah suatu kaidah pemeriksaan tubuh menggunakan gelombang bunyi pada frekuensi tinggi. Penelitian ini bertujuan untuk menghasilkan suatu sistem aplikasi yang dapat mendiagnosa citra USG (Ultrasonography) dan mengklasifikasikan rahim ke dalam kelas normal atau terdeteksi PCOS (Polycystic Ovary Syndrome). Proses pendeteksian diawali dengan pemrosesan awal pada citra rahim, proses ekstraksi ciri menggunakan Linear Discriminant Analysis (LDA), dan proses klasifikasi menggunakan Fuzzy C-Mean Clustering. Pemrosesan awal dilakukan untuk membuang informasi yang tidak dibutuhkan dalam pengolahan citra. Data keseluruhan yang digunakan dalam tugas akhir ini berjumlah 167 citra. Pengujian sistem dilakukan dengan penentuan pengambilan nilai w (pembobot), dan jumlah data latih normal maupun terdeteksi PCOS. Dari hasil pengujian diperoleh hasil pengujian terbaik dengan akurasi 94,44% untuk data citra anggota kelas. Kata Kunci : Polycystic Ovary Syndrom, Kesuburan, Ultrasonography, Linear Discriminant Analysis, Fuzzy CMean Clustering
Denoising Sinyal Ekg Menggunakan Deep Neural Network Dengan Stacked Denoising Autoencoder Tedy Suwega; Jondri Jondri; Untari Wisesty
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Sinyal EKG memainkan peran penting dalam diagnosis primer, prognosis dan analisis survival penyakit jantung. Elektrokardiografi telah memiliki pengaruh besar pada praktek kedokteran. Sinyal elektrokardiogram berisi informasi penting yang dapat dimanfaatkan dengan cara yang berbeda. Sinyal EKG memungkinkan untuk analisis aspek anatomi dan fisiologis otot jantung secara keseluruhan. sinyal EKG sering terkontaminasi oleh berbagai jenis noise, seperti baseline wander(BW), electrode contact noise, dan motion artifacts(MA). Pada Tugas Akhir ini berbagai nosie yang terdapat pada sinyal EKG dihilangkan (denoising) dengan menggunakan metode Deep learning yaitu Stacked Denoising AutoEncoder (SDAE). Deep Learning berfokus pada menemukan reperesentasi fitur bertingkat yang dimana pada tingkatan fitur yang lebih tinggi merepresentasikan lebih banyak aspek abstrak dari data. Dengan Deep Learning, noise pada data sinyal EKG ini dapat diproses dengan SDAE sehingga menghasilkan data sinyal EKG yang bersih. Kata kunci : EKG, Deep Neural Network, SDAE.
Klasifikasi Sinyal Ecg Menggunakan Deep Learning Dengan Stacked Denoising Autoencoders Ilham Muhammad; Jondri Jondri; Untari Wisesty
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Aritmia merupakan kondisi jantung yang berdetak tidak sebagaimana mestinya, bisa berdetak terlalu cepat, lambat, atau berdetak dengan pola yang tidak beraturan. Akibat jantung yang tidak berdetak dengan normal, maka peredaran darah pun menjadi tidak normal juga. Sehingga berpengaruh terhadap kondisi kesehatan tubuh. Untuk mendiagnosa aritmia, salah satu metode yang digunakan ialah dengan membaca pola sinyal jantung yang disebut dengan Electrocardiogram (ECG). Deep Learning merupakan suatu metode pembelajaran mesin yang memungkinkan komputasi dalam level abstraksi bertingkat. Salah satu jenis deep learning yaitu Stacked Denoising Autoencoders (SDAE) [7]. SDAE digunakan untuk merekonstruksi suatu data yang telah dirusak agar tetap memiliki informasi yang mendekati data yang sebenarnya. Pada tugas akhir ini, penulis merancang sebuah sistem yang dapat mendeteksi aritmia menggunakan metode SDAE sebagai tahap pretraining, dan Softmax Regression untuk melakukan fine tuning. Akurasi tertinggi yang dihasilkan dalam mengklasifikasikan sinyal ECG yaitu sebesar 98.91%. Kata kunci : Aritmia, Electrocardiogram, Deep Learning, Stacked Denoising Autoencoders, Softmax Regression, Fine Tuning.
Co-Authors Adiwijaya Adwin Rahmanto Ilham Muhammad Jondri Jondri Tedy Suwega