Article Per Year (5 Year)
p-Index From 2021 - 2026
0
P-Index
This Author published in this journals
All Journal JUTI: Jurnal Ilmiah Teknologi Informasi
Chastine Fatichah
Teknik Informatika, Institut Teknologi Sepuluh Nopember
Computer Science & IT Dentistry Education Library & Information Science

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

Found 2 Documents
Search

 1 
EKSTRAKSI TRENDING ISSUE DENGAN PENDEKATAN DISTRIBUSI KATA PADA PEMBOBOTAN TERM UNTUK PERINGKASAN MULTI-DOKUMEN BERITA Christian Sri Kusuma Aditya; Chastine Fatichah; Diana Purwitasari
JUTI: Jurnal Ilmiah Teknologi Informasi Vol 14, No. 2, Juli 2016
Publisher : Department of Informatics, Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j24068535.v14i2.a570

Abstract

Penggunaan trending issue dari media sosial Twitter sebagai kalimat penting efektif dalam proses peringkasan dokumen dikarenakan trending issue memiliki kedekatan kata kunci terhadap sebuah kejadian berita yang sedang berlangsung. Pembobotan term dengan TFIDF yang hanya berbasis pada dokumen itu tidak cukup untuk menentukan in-deks dari suatu dokumen. Penentuan indeks yang akurat juga bergantung pada nilai informatif suatu term terhadap kelas atau cluster. Term yang sering muncul di banyak kelas atau cluster seharusnya tidak menjadi term yang penting meskipun nilai TFIDF-nya tinggi. Penelitian ini bertujuan untuk melakukan peringkasan multi dokumen berita menggunakan ekstraksi trending issue dengan pendekatan term distribution on centroid based (TDCB) pada pembobotan fitur dan mengintegrasikannya dengan query expansion sebagai kata kunci dalam peringkasan dokumen. Metode TDCB dilakukan dengan mempertimbangkan adanya kemunculan sub topic dari cluster hasil pengelompokan tweets yang dapat dijadikan nilai informatif tambahan dalam penentuan pembobotan kalimat penting penyusunan ringkasan. Tahapan yang dilakukan untuk menghasilkan ringkasan multi dokumen berita antara lain ekstraksi trending issue, query expansion, auto labelling, seleksi berita, ekstraksi fitur berita, pembobotan kalimat penting dan penyusunan ringkasan. Hasil percobaan menunjukan metode peringkasan dokumen dengan menambahkan nilai informatif sub topic trending issue NeFTIS-TDCB menunjukan nilai rata-rata max-ROUGE-1 terbesar 0.8615 untuk n=30 dari seluruh varian topik berita.
SEGMENTASI DAN PEMISAHAN SEL DARAH PUTIH BERSENTUHAN MENGGUNAKAN K-MEANS DAN HIERARCHICAL CLUSTERING ANALYSIS PADA CITRA LEUKEMIA MYELOID AKUT Aryo Harto; Chastine Fatichah
JUTI: Jurnal Ilmiah Teknologi Informasi Vol 15, No. 2, Juli 2017
Publisher : Department of Informatics, Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j24068535.v15i2.a599

Abstract

The success of identification and classification on diagnosing acute myeloid leukemia (AML) diseases based on image processing relies heavily on segmentation result. Segmentation on peripheral blood smear images aims to separate the leukocytes region with others region. To increase the segmentation accuracy on AML images, a few things regarding lighting condition, contrast, staining variations and the existence of touching cells must be overcome. In this study a method for leukocytes segmentation and separate the touching cell on AML images using cluster analysis with K-Means and hierarchical clustering analysis (HCA) is proposed. K-Means method is used to analyze the cluster for AML images segmentation. The AML image datasets with various staining variations is segmented using K-Means method.  The existence of touching cells is separated using HCA method which produce a stable clusters result. Segmentation and cell separation will be processed on local region or sub-image which is obtained from AML images cropping. From the evaluation results in 40 images of AML dataset, the proposed method is capable to properly segment the white blood cells region and separating the touching cell into a single cells. The average value of the segmentation results is 0.977 for precision, 0.885 for recall and 0.928 for Zijdenbos similarity index (ZSI) in white blood cell region. While in nucleus region the average value is 0.975 for precision, 0.924 for recall and 0.948 for ZSI. On cell counting, the error rate is also low which about 7.68%.
Co-Authors Aryo Harto Christian Sri Kusuma Aditya Diana Purwitasari