Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker servik yang juga dikenal dengan istilah kanker leher rahim merupakan salah satu dari jenis kanker yang paling umum diderita oleh wanita. Kanker ini dapat disembuhkan apabila kanker ini terdeteksi pada stadium awal dan diberikan perawatan yang sesuai. Salah satu cara untuk mencegah kanker servik agar tidak memasuki stadium lebih lanjut adalah dengan melakukan Pap Smear Test. Namun untuk melakukan Pap Smear Test diperlukan tingkat akurasi yang sangat tinggi, sehingga diperlukan tenaga ahli patologi untuk melakukannya.Penelitian ini dilakukan dengan harapan dan tujuan untuk mengembangkan metode segmentasi secara otomatis yang memberikan hasil segmentasi dengan cukup baik. Metode segmentasi yang digunakan dalam penelitian ini adalah fuzzy c-means clustering. Proses pengenalan sel kanker yang dilakukan melalui beberapa tahapan proses yakni, penyeragaman intensitas keabuan, ekstraksi ciri, segmentasi daerah sel, deteksi sel tunggal, dan diakhiri dengan pengenalan kategori normal atau abnormal dari sel tersebut.Penelitian demi penelitian telah dilakukan untuk mendapatkan metode segmentasi yang optimal untuk melakukan pendeteksian sel kanker. Penelitian Titin Farida merupakan salah satu penelitian yang menerapkan metode segmentasi fuzzy cmeans clustering. Namun pada penelitian Titin Farida metode segmentasi yang digunakan masih bersifat semi-otomatis. Hal ini menyulitkan pengguna, karena pengguna harus menentukan parameter yang sesuai dengan karakteristik sel. Penelitian ini hendak melakukan modifikasi terhadap metode segmentasi ini agar dapat bekerja secara otomatis dan relatif lebih optimal."

"Kanker servik yang juga sering disebut sebagai kanker leher rahim telah menjadi penyebab sebagian besar kematian wanita di dunia. Salah satu cara untuk mencegah kanker servik ke stadium lebih lanjut adalah dengan melakukan Pap Smear Test. Pap Smear Test merupakan suatu metode pemeriksaan sel-sel yang diambil dari leher rahim dan kemudian diperiksa di bawah mikroskop untuk melihat perubahan-perubahan yang terjadi dari sel tersebut. Citra atau gambar yang dihasilkan dari Pap Smear. Test ini kemudian akan diperiksa oleh ahli patologi untuk diputuskan tentang normal tidaknya sel. Penelitian ini mencoba beberapa metode untuk melakukan segmentasi secara otomatis atau semi otomatis pada citra sel tunggal Pap Smear menjadi tiga obyek: latar belakang, nukleus, dan sitoplasma. Tiga metode segmentasi yang digunakan dalam penelitian ini adalah fuzzy c-means clustering, thresholding, dan transformasi watershed.Data pengujian terdiri atas sejumlah citra sel tunggal Pap Smear beserta masing-masing citra tersegmentasi acuannya. Pengukuran keberhasilan dari metode-metode segmentasi dilakukan dengan membandingkan hasil segmentasi citra sel tunggal Pap Smear berdasarkan metode segmentasi yang digunakan dan citra tersegmentasi acuannya. Citra tersegmentasi acuan yang digunakan merupakan citra hasil segmentasi menggunakan commercial software bernama CHAMP, yang juga telah disupervisi oleh dokter. Sifat otomatis atau semi otomatis atas segmentasi yang dilakukan menggunakan CHAMP tersebut tidak dijelaskan dalam sumber pengambilan data pengujian. Sampai penulisan laporan ini, penulis juga belum berhasil mendapatkan informasi mengenai metode segmentasi yang digunakan oleh CHAMP, yang juga tidak disebutkan dalam sumber pengambilan data.Sebagai indikator keberhasilan secara numerik, digunakan nilai false negative, false positive, dan overall error atas pengidentifikasian daerah nukleus dan sitoplasma, serta probability of error atas pengidentifikasian obyek pada keseluruhan pixel citra sel. Hasil uji coba menunjukkan bahwa metode fuzzy c-means clustering memberikan hasil dengan tingkat kesalahan identifikasi obyek terkecil di antara metode lainnya. Metode watershed dengan marker controlled yang diterapkan dalam penelitian ini masih belum bisa memberikan hasil segmentasi yang lebih bagus dari metode thresholding. Namun demikian, beberapa hasil pengujian menunjukkan bahwa metode watershed masih menjanjikan untuk memperbaiki kelemahan segmentasi thresholding dalam menentukan nilai threshold yang tepat, terutama dalam menghasilkan segmentasi daerah nukleus."

"Segmentasi merupakan sebuah proses yang penting dilakukan dalam menganalisa suatu citra. Dengan melakukan segmentasi, maka citra tersebut dapat dibagi menjadi beberapa bagian yang lebih sederhana yaitu bagian-bagian yang memiliki karakteristik visual yang serupa seperti warna, gerakan, dan tekstur. Fuzzy c-means (FCM) yang diperkenalkan oleh Dunn dan dikembangkan oleh Jim Bezdek, adalah algoritma yang populer digunakan dalam segmentasi citra karena algoritma ini mudah digunakan dan akurat. Lebih tepatnya, FCM sangatlah efektif digunakan untuk mensegmentasi citra yang tidak memiliki noise. Selain sensitif terhadap noise, FCM juga sensitif terhadap outliers. Berbagai macam metode telah ditemukan untuk mengatasi kelemahan dari algoritma FCM, salah satunya menggunakan metode robust FCM (RFCM). Dari hasil penelitian yang dilakukan, dapat dilihat hasil secara kuantitatifnya lebih baik dibandingkan dengan algoritma-algoritma FCM lain. Hasil percobaan menunjukkan modifikasi RFCM memberikan hasil yang lebih baik terutama untuk data iris.

---

Segmentation is an important process to analyze an image. With image segmentation, an image can be partitioned into several simpler parts, which is parts that have similar visual characteristics like colors, motions, and textures. Fuzzy c-means (FCM) is introduced by Dunn and developed by Jim Bezdek. FCM is a popular algorithm to be used on image segmentation because of its simplicity and accuracy. Moreover, FCM is highly effective to segment image that have no noise. Aside its sensitiveness to noise, FCM is also sensitive to outliers. Several methods are founded to overcome FCM’s weaknesses one of which is using robust FCM method. From research, quantitatively it’s result is better compared to other FCM algorithms. Reseach done shows that modified RFCM gives better result especially for iris data."

"Peradaban yang terus berkembang telah membuat konflik antara manusia dan lingkungan menjadi semakin parah sehingga menyebabkan banyak terjadinya bencana alam. Banyak negara yang terdampak oleh bencana alam dan salah satunya adalah Indonesia. Kondisi dan letak geografis Indonesia menyebabkan banyak terjadinya bencana alam di Indonesia. Oleh karena itu, perlu dilakukan pengelompokan daerah bencana alam di Indonesia untuk mengetahui daerah yang paling sering terkena bencana alam. Metode clustering dapat digunakan untuk mengetahui daerah tersebut. Dari studi literatur yang telah dilakukan, belum ada penelitian yang menggunakan metode hierarchical clustering dan fuzzy c-means untuk clustering daerah bencana alam di Indonesia. Maka dari itu, tujuan dari penelitian ini adalah mengklasifikasi daerah yang sering mengalami bencana alam di Indonesia dengan menggunakan metode hierarchical clustering dan fuzzy c-means. Data yang digunakan dalam penelitian ini adalah data bencana alam di Indonesia dari tahun 2019 hingga 2023. Variabel yang digunakan adalah jumlah kebakaran hutan dan lahan, banjir, cuaca ekstrem, gelombang pasang, tanah longsor, kekeringan, erupsi gunung api, dan gempa bumi di setiap kabupaten yang terdampak bencana alam. Hasil clustering menunjukan terdapat 66 daerah yang sering mengalami banjir, 45 daerah yang sering mengalami kebakaran hutan dan gelombang pasang, dan 30 daerah yang sering mengalami cuaca ekstrem, tanah longsor, kekeringan, erupsi gunung api, dan gempa bumi.

---

The continuously evolving civilization has exacerbated the conflict between humans and the environment, leading to increasingly severe natural disasters. Many countries are affected by natural disasters, and one of them is Indonesia. Indonesia's conditions and geographic location contribute to the occurrence of numerous natural disasters in the country. Therefore, it is necessary to classify areas prone to natural disasters in Indonesia to identify the most frequently affected regions. Clustering methods can be used to determine these areas. From the literature review conducted, there has been no research utilizing hierarchical clustering and fuzzy c-means methods for clustering areas prone to natural disasters in Indonesia. Therefore, the aim of this research is to classify areas that frequently experience natural disasters in Indonesia using hierarchical clustering and fuzzy c-means methods. The data used in this research is the natural disaster data in Indonesia from 2019 to 2023. The variables used include the number of forest and land fires, floods, extreme weather events, tidal waves, landslides, droughts, volcanic eruptions, and earthquakes in each disaster-affected district. The clustering results indicate that there are 66 regions frequently experiencing floods, 45 regions often experiencing forest fires and tidal waves, and 30 regions commonly facing extreme weather, landslides, droughts, volcanic eruptions, and earthquakes."

"ABSTRAKPenelitian ini bertujuan untuk meningkatkan kualitas citra USG 2D dan evaluasiparameter untuk phantom polyurethane sebagai test unjuk kerja dan akurasi USG2D. Untuk mencapai tujuan tersebut maka dilakukan tahap pre-processing,intermediate-processing, dan post-processing menggunakan software Matlabsecara offline. Pre-processing terdiri dari cropping dan filtering, intermediateprocessingberupa segmentasi menggunakan algoritma FCM, dan post-processingmengevaluasi parameter-parameter dari citra phantom polyurethane. Hasil daripre-processing yaitu dimensi citra menjadi kecil, resolusi turun, dan citra menjadiblur. Algoritma FCM yang diimplementasikan mempartisi objek citra ke dalamempat cluster berdasarkan similaritas derajat keabuannya. Tahap terakhir,menampilkan jarak, diameter, dan titik konsentrasi objek pada parameter tertentudari citra. Segmentasi merupakan inti dari peningkatan kualitas citra yang manaalgoritma FCM menghasilkan citra yang tersegmentasi secara tepat namunevaluasi beberapa parameter masih kurang signifikan (lihat Tabel 4.1).

---

ABSTRACTThe research aim to upgrade image quality of USG 2D and to evaluate parameterfor polyurethane phantom as performance test and accuracy of USG 2D. Thegoals could be reached via pre-processing, intermediate-processing, and postprocessingstep using Matlab software in offline. Pre-processing consist ofcropping and filtering process. Intermediate-processing is segmentation that usingFuzzy C-Means (FCM) algorithm and post-processing evaluated parameter ofpolyurethane phantom image. Result of pre-processing is polyurethane phantomimage with small dimension, low resolution, and blur. FCM algorithm wasimplementation make partition image object into four cluster based on similarityits gray scale. The last step display distance, diameter, and concentration dot ofobject in particular parameter of image. Segmentation is main step ofenhancement of image quality which FCM algorithm that produced imagesegmentation accurately however evaluation of any parameter did not still quitesignificant (look at Table 4.1)."

"Dalam penelitian Computer Aided Diagnose (CAD) Radiografi Paru pasien dewasa dengan metode Fuzzy C Means (FCM), telah dilakukan dalam keadaan tahap awal. Penelitian ini bertujuan untuk mengetahui apakah metode clustering FCM dapat digunakan untuk membuat perangkat penolong untuk melihat abnormalitas pada paru-paru dari 200 data citra Radiografi sinar-X. Pembuatan perangkat dilakukan dengan menggunakan GUI pada Matlab. Perancangan di bagi menjadi dua metode menggunakan metode FCM otomatis dan manual kemudian untuk mengetahui perbedaan nilai piksel digunakan metode ambang rata-rata. Kedua metode ini berdasarkan intensitas derajat keabuan 0-256. Metode FCM digunakan untuk melihat visualisasi abnormalitas secara cepat dan mengetahui garis besar posisi yang abnormal. Kemudian diteruskan dengan segmen kotak dari metode ambang rata-rata untuk mengetahui perbedaan nilai pixel citra abnormalitas dan yang normal. Hasil penelitian nenujukkan bahwa, Kinerja Metode FCM Akurasi 57,7%, sensitifitas 50,0%, spesifikasi 89,5% , Overal Error 42,3% dan Presisi 95,1%. Sedangkan metode Segmen per kotak Akurasi 56,7%, sensitifitas 51,7%, spesifikasi 88,5% , Overal Error 43,3% dan Presisi 96,7%. berdasarkan penelitian dapat disimpulkan bahwa Metode FCM dalam paru hanya bisa menunjukkan visual secara cepat dan garis besar namun tidak memberikan akurasi yang cukup memuaskan, hal ini di karenakan data input yang random tidak dapat dijadikan patokan untuk ukuran keberhasilan.

---

In the study Computer Aided Diagnose (CAD) Lung Radiography adult patients with Fuzzy C Means (FCM), has been carried out in a state of infancy. This study aims to determine whether the FCM clustering method can be used to make the device helper to see abnormalities in the lungs of 200 image data of X-ray radiography. Making the device is done by using the GUI in Matlab.

The design is divided into two methods using automated and manual methods FCM then to determine differences in pixel value threshold method is used on average. Both methods are based on the intensity of gray 0-256 degrees. FCM method is used for visualizing abnormalities quickly see and know the outline of an abnormal position. Then forwarded to the segment boxes of the average threshold method to determine differences in pixel values abnormalities and normal image.

That research results, performance FCM method Accuracy 57.7%, 50.0% sensitivity, 89.5% specification, Overal Error 42.3% and 95.1% precision. While the method of segment per box Accuracy 56.7%, 51.7% sensitivity, 88.5% specification, Overal Error 43.3% and 96.7% precision. based study concluded that the method of FCM in the lungs can only show rapid visual and outline but does not give a satisfactory accuracy, it is in because random input data can not be used as a benchmark to measure success."

"ABSTRAKPenelitian ini mengimplementasikan metode spectral clustering-Fuzzy C-Means pada tiga microarray data ekspresi gen, dengan tujuan untuk mengelompokkan gen-gen yang memiliki tingkat ekspresi yang similar. Spectral clustering secara teoritis terdiri dari tiga tahap utama yaitu: membangun matriks jarak, membentuk matriks Laplacian, dan proses partisi, khususnya dalam tesis ini menggunakan algoritma partisi Fuzzy C-Means. Oleh karena itu, implementasi dari spectral clustering-FCM lebih sederhana dan intuitif pada pelaksanaannya. Analisis cluster singkat juga akan dipaparkan untuk masing-masing microarray data yang digunakan yaitu: Carcinoma, Leukemia, dan Lymphoma. Hasil cluster yang sangat baik didapatkan, sehingga metode yang diusulkan memiliki potensi besar ke depannya dalam penelitan pada bidang medis.

---

ABSTRACTThis research implements the spectral clustering FCM method on three microarray gene expression data, with the aim of grouping genes with similar expression levels. Spectral clustering is theoretically composed of three main stages building distance matrix, forming Laplacian matrix, and partitioning process, especially in this thesis using Fuzzy C Means partition algorithm. Therefore, the implementation of spectral clustering FCM is simpler and more intuitive in its implementation. Brief cluster analysis will also be presented for each microarray data used Carcinoma, Leukemia, and Lymphoma. Excellent cluster results are obtained, so the proposed method has great potential for future research in the medical field. "

"

Saat ini tidak ada keraguan bagi siswa-siswi sekolah menengah untuk melanjutkan pendidikannya ke jenjang universitas. Namun, transisi dari sekolah menengah ke pendidikan tinggi adalah tantangan besar bagi mahasiswa tahun pertama. Kinerja mahasiswa pada tahun pertama cenderung menentukan kinerja mahasiswa tersebut di tahun-tahun akademik berikutnya. Penting untuk mencari karakteristik-karakteristik mahasiswa berdasarkan kinerjanya pada awal tahun semester akademik, sehingga dapat dilakukan pendeteksian awal untuk mencegah penurunan kinerja dan meningkatkan prestasi akademik mahasiswa. Penelitian ini bertujuan untuk mengelompokkan 140 mahasiswa semester pertama. Fitur-fitur diseleksi menggunakan Chi-Square lalu digunakan Fuzzy C-Means clustering untuk mengelompokkan mahasiswa. Dari hasil simulasi, mahasiswa dikelompokkan ke dalam dua cluster dengan kinerja cluster kedua lebih baik dibanding kinerja cluster pertama.

---

Currently there is no doubt for high school students to continue their education at the university level. However, the transition from high school to university is a major challenge for the first-year students. Moreover, student performance during the first year tends to determine their performance in the following academic years. It is important to find student's characteristics based on their performance at the beginning of the academic semester so that early detection can be done to prevent performance degradation and increase student academic achievement. This study aims to cluster 140 first year students. Features are selected using the Chi-Square feature selection method and then using Fuzzy C-Means clustering to group the students. From simulation result, students are grouped into two clusters with the second cluster's performance is better than the first cluster's performance.

"

"Salah satu cara untuk mengetahui fungsi dari ekpresi gen (DNA/Protein) adalah dengan analisis kelompok (Clustering). Metode pengelompokan HOPACH mengkombinasikan agglomerative dan partisi. Partisi yang dapat digunakan antara lain PAM, SOM, dan K-Means yang termasuk dalam hard clustering. Dalam beberapa kasus karena beberapa hal pengelompokkan objek dengan hard clustering menjadi kurang tepat. Karena itu kemudian muncul teori himpunan fuzzy (kabur, tidak pasti) yang mendasari berkembangnya metode fuzzy clustering. Salah satu metode fuzzy clustering adalah metode Fuzzy c-means (FCM) yang merupakan perkembangan dari k-means. Hasil dari penerapan algoritma partisi fuzzy c-means dalam metode pengelompokan HOPACH adalah algortima pengelompokan dengan langkah-langkah: ekstraksi ciri dengan n-mers frecuency, normalisasi, partisi dengan FCM, menentukan kelompok terbaik dengan mencari nilai MSS minimum, ordering, dan collapsing. Hal ini dilakukan berulang kali sampai kriteria berhenti terpenuhi. Penerapan algoritma ini dilakukan dengan program R. Pada penerapan algoritma partisi dalam metode HOPACH clustering, langkah normalisasi tidak perlu dilakukan, karena FCM sendiri sudah mengatasi masalah adanya outliers. Kekurangan dari penerapan ini adalah running time program yang cukup lama untuk nilai batas toleransi yang kecil.

---

One of the way to know the function of gene expression by clustering analysis. HOPACH clustering is combine thea agglomerative and partition method. The partition are PAM, SOM, and K-means which is part of hard clustering. In some cases because of the placement object in to a cluster with hard clustering can cause an error. So that is the reason why fuzzy set theory occurs and became the foundation of fuzzy clustering. One of the fuzzy clustering methods is Fuzzy C-means (FCM) which is developed from K-means.

The result from the implementation of FCM partitioning algorithm in HOPACH clustering method is the clustering algorithm which the steps are: characteristic extraction, normalization, partition using FCM, choosing the best cluster with the minimum MSS, ordering and collapsing. The process need done by iteration until the stopping criteria has reached. The implementation of this algorithm is use R program. In the implementation of FCM partitioning algorithm in HOPACH clustering method, normalization process can be deleted, because the FCM already sole the outliers problem. This disadvantage of this implementation is the running time program need quite along time for the small tolerance limits."