Asri Angel Tumanggor
Universitas Negeri Medan

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

Analisis Deteksi Tepi untuk Mengidentifikasi Jenis Mobil Sadion Tumpal Damanik; Ade Setiawan; Todo Simanjuntak; Asri Angel Tumanggor; Fanny Ramadhani
Explore: Jurnal Sistem Informasi dan Telematika (Telekomunikasi, Multimedia dan Informatika) Vol 14, No 1 (2023): Juni
Publisher : Universitas Bandar Lampung (UBL)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36448/jsit.v14i1.3082

Abstract

Penelitian ini membahas pengenalan pola menggunakan metode deteksi tepi Sobel dan Canny. Fokus utama penelitian ini adalah pada deteksi tepi objek dalam citra, yang penting dalam mengekstraksi ciri dan melakukan segmentasi citra. Metode deteksi tepi Sobel dan Canny terbukti efektif dalam pengenalan pola sebelumnya. Penelitian ini melibatkan pengumpulan data menggunakan metode Sobel, latihan dan pengujian model pengenalan pola, serta eksperimen untuk menentukan rasio data latih dan data uji yang optimal. Hasil percobaan menunjukkan bahwa metode deteksi tepi Sobel dengan jarak Euclidean dan nilai k optimal memberikan akurasi tinggi dalam pengenalan pola. Namun, penting juga mempertimbangkan penggunaan metode deteksi tepi Canny sebagai alternatif. Penelitian ini berkontribusi pada pengembangan metode pengenalan pola yang dapat diterapkan dalam pengenalan jenis mobil yang beragam dan terus berkembang.
Penerapan K-Nearest Neighbors (KNN) dalam Memprediksi dan Menghitung Akurasi Data Penyakit Stroke Atika Haura Siregar; Asri Angel Tumanggor; Akhwan Rahmadani
Jurnal Penelitian Rumpun Ilmu Teknik Vol. 2 No. 4 (2023): November : Jurnal Penelitian Rumpun Ilmu Teknik
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/juprit.v2i4.3040

Abstract

Stroke is a disease characterized by a disruption in brain function caused by a lack of oxygen and blood flow to the brain, affecting various brain functions and causing difficulties in performing activities. The classification of stroke patients is still based on medical records that are not integrated, leading to a longer time for detection. The K-Nearest Neighbors (K-NN) algorithm is a part of machine learning that can be utilized to classify cases, including the classification of stroke patients. K-NN serves as the algorithm to determine classes and incorporate new data inputted in the specified format. In this study, the researcher aims to demonstrate that the classification algorithm of K-Nearest Neighbor with Bagging optimization can be used to determine if someone is affected by stroke. The predictions from this algorithm can facilitate decision-making in the healthcare field quickly.