Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini bertujuan untuk mengenali dan menganalisa penyakit darah Leukimia dengan citra darah menggunakan metode Logika Fuzzy. Proses pengenalan penyakit darah dilakukan dengan beberapa operasi pengolahan citra. Penentuan parameter karakteristik citranya berdasarkan warna (hue) dan kecerahan (value) yang akan digunakan dalam proses cropping dan pembentukan FIS membership function. Input citra darah akan dilakukan cropping pada ROI yang tetap, yaitu pada daerah [ 300 272 520 448]. Kemudian diambil nilai pixel koordinat pusatnya untuk dilakukan identifikasi dengan ukuran dan jenis penyakit darah yang berbeda-beda. Hasil data-data tersebut dikumpulkan menjadi suatu database yang digunakan dalam proses pengenalan dengan FIS. Pengenalan dengan FIS dilakukan dengan tiga metode berdasarkan membership function-nya, yaitu FIS dengan fungsi keanggotaan Gaussian, FIS dengan fungsi keanggotaan Trapesium, dan FIS dengan fungsi keanggotaan Segitiga. Pengenalan dilakukan dengan mengidentifikasi tiga jenis penyakit darah Leukimia, yaitu Acute Lympotic Leukimia (ALL), Acute Myelogenous Leukimia (AML), dan Burkitts Lympoma (BL). Dari hasil simulasi dengan ketiga metode, diperoleh tingkat akurasi pengenalan penyakit darah yang mampu dikenali yaitu 100 % dan 66.67. Dimana, akurasi tertinggi dicapai oleh metode FIS fungsi keanggotaan tipe Gaussian dengan nilai akurasi 100 %.

---

This paper was made for recogning and analyzing the blood disease with blood images using Logic Fuzzy method. The identification blood disease process to use many operation emage processing. Determine the parameter chractheristic its image based on colour (hue) and brightness (value) which will using in the process cropping and formatting FIS membership function. The input blood image will conduct cropping at ROI which fixed, that is at region [ 300 272 520 448]. Then is taked the value pixel its coordinate center for is done identifity with size and kinds blood disease which different each order from coordinate center.

Result of data is collected to be a databese which will used in the process of recognition by FIS. The recognition by FIS is conducted to use three methods that based on its membership function, there are FIS by Gaussian membership function, FIS by Trapesium membership function, and FIS by Signoid membership function.

The recognition is conducted by to identify of three kinds Leucimia blood disease, involve Acute Lympotic Leukimia (ALL), Acute Myelogenous Leukimia (AML), and Burkitts Lympoma (BL). Based on the rezult simulation by 3th method, is gotten rate acuration of identification blood disease which can is recogned, that is 100 % and 66.67 %. Where, the highth acuration is reached by FIS membership function type Gaussian method with its value acuration 100 %."

"Darah merupakan unsur dalam tubuh manusia yang memiliki peran penting dalam mekanisme kerja tubuh. Banyak informasi penting yang terkandung dalam darah, termasuk informasi penyakit yang diderita seseorang. Pentingnya informasi tersebut ditambah kebutuhan diagnosis dini untuk mempercepat penanganan suatu penyakit, maka citra darah sangat vital sebagai media dalam proses pengenalan penyakit. Dengan menggunakan citra darah, proses pengenalan penyakit menjadi lebih mudah dan cepat karena tidak diperlukan proses reaksi kimia dengan darah. Dalam skripsi ini dilakukan perancangan proses pengenalan penyakit leukemia dari citra darah dengan menggunakan metode Hidden Markov Model (HMM). Prosesnya melibatkan dua tahap proses utama yaitu proses pembentukan database dan proses pengenalan. Pada tahap pembentukan database, citra darah diubah menjadi vector sebagai titik sample dan titik-titik yang terdekat akan dikuantisasi menjadi centroid atau codeword. Kumpulan codeword akan disimpan berupa codebook di dalam database. Pengenalan dilakukan dengan membandingkan besaran log of probability HMM yang dihitung berdasarkan titik sample dari setiap sample citra darah. Dengan menggunakan codebook berukuran 32, 64 dan 128 dengan jumlah repetisi 5 dan 10 kali, diperoleh tingkat akurasi pengenalan penyakit darah antara 60% sampai 82,76%.

---

Blood is a part of human body which plays an important role in the body mechanism. Important informations could be achieved from blood, including information of diseases. This kind of information is very essential in order to diagnose the disease as early as possible. Blood cells in digital format will be easier to analyze using computers and the process itself could be performed faster than conventional methods, since it needs no chemical reactions in the process.

In this research, the disease identification for leukemia is performed from blood imageries analyzed using Hidden Markov Model (HMM). The whole process consists of two main processes: database construction and recognition. In the first process, blood image will be transformed to vectors as sample points and the nearest points will be quantized as centroids or codewords. The collection of codewords is built in codebook database. Recognition process is performed by taking the largest value of HMM?s log of probability from sample points of several blood images. Based on the simulation results, using codebook 32, 64 and 128 with repetition 5 and 10 times, the accuration levels of the recognition results are between 60% and 82.76%."

"Untuk mengenali penyakit kanker sel darah putih (leukemia) dewasa ini masih dilakukan proses konvensional yang memakan waktu cukup lama dalam proses pengenalannya. Tugas akhir ini bertujuan untuk mengenali penyakit leukemia dari citra darah dengan menerapkan teknik pengolahan citra dan metode jaringan syaraf tiruan. Pada proses pengenalan penyakit ini, sistem yang sudah mengakuisisi citra darah akan melakukan proses cropping, resizing, dan membuat citra tersebut menjadi blok-blok matriks berukuran 4_4. Kemudian citra dalam format RGB dikonversikan ke dalam model warna HSV agar memiliki ruang warna yang lebih natural. Untuk mendapatkan fitur warna salah satu elemen warna yakni Hue akan diekstraksi untuk mendapatkan matriks nilai karakteristiknya. Nilai karakteristik hasil ekstraksi fitur warna tersebut kemudian akan dilatih oleh jaringan syaraf tiruan dan dimasukkan ke dalam database. Jaringan syaraf tiruan terdiri atas 3 layer input, 3 layer tersembunyi dan 1 layer keluaran. Dari hasil uji coba, diperoleh tingkat akurasi rata - rata sebesar 83.33% menggunakan 3 input untuk setiap jenis penyakit leukemia dan 20 kali pelatihan jaringan syaraf tiruan.

---

Recognize the white blood cell cancer disease (leukemia) identification today, still use conventional method and time consuming. The Objective of this research is to identify leukemia disease from blood image using image processing technique and artificial neural network. In this identification disease process, the system which has made acquisition of the blood image will process the cropping, resizing and divide the image into 4 _ 4 matrix blocks. Then the image in RGB format is converted to HSV color model in order to have a more natural color.

In order to acquire color feature, one of the element which is Hue will be extracted to get characteristic value of the matrix. The characteristic value from the extracted color feature will then be trained by artificial neural network and inserted into the database. The artificial neural network consisted of 3 input layer, 3 hidden layer and 1 output layer. From the test result, we acquire an average level of accuracy of 83.33% using 3 inputs for every types of leukemia and 20 times of artificial neural network training."

"ABSTRAKMekanisme pengendalian rekanan darnh manusia merupakan suatu hal yang sangat penting dilalrukan agar kondlsi manusia tetap teljaga Penggunaan mesin jantung buatm> dalam kondisi tertentu juga membutuhkan suatu mekanisme pengendali dalam menjaga agar tekanan darnh terulama yang diamati disini adalah tekanan darnh aorta akan tetnp teijaga pada keadaan noxmal rnta-rntanya, misalnya 120 mmHg untuk sisrelik dan SO mmHg untuk diastolik.Pada simulasi ini digunakan pengendali logika fuzzy dengan 7 buah varlabel linguistik dim.ana masing-masing variabel input adalah error dan delta error dari posisi pampa dan oulput adaJah gaya yang diberikan kopada plant sebagai sinyal kendalian. Karena sistem yang ada sating terkail antarn satu dengan lainnya, maka dengan mengendalikan posisi dari pampa akan secara otomatis akan mengendalikan tekanan darnh yang terukur.Simulasi dilalrukan terhadap sistern baik dalam keadaan tanpa gangguan !llllllpun dalam keadaan diberikan gangguan. Pengujian dalam keadllllll tanpa gangguan dilalrukan dengan mengubah parameter-parameter sistem dan melihal pengarubnya terbadap tekanan darnh aorta yang terukor. Parameter-parameter itu adaJah fiekoensi set point, Cah (lwmpliansi chamber), Cart (lwmpliansi arten) dan rl (qfterload). Pengujian dengan gangguan dilalrukan untuk melihal pengarubnya terbadap sistem . dan sejaub mana pengendall fuzzy dapat mengendalikan Jekanan darnh yang ada Ga:ngguan te=but

---

"

"Skripsi ini dilakukan sebagai penelitian untuk menganalisa proses pengenalan jenis pecahan uang kertas rupiah dengan menggunakan metode Logika Fuzzy. Hal ini didasarkan pada teori bahwa setiap jenis pecahan uang kertas rupiah memiliki desain, warna serta ciri yang unik. Dalam skripsi ini tiap lembar uang kertas bagian depan dan bagian belakang di-scan menggunakan scanner. Kemudian image hasil scanning dilakukan proses graylevel. Selanjutnya dilakukan cropping pada region of interest. Hasil cropping yang berupa bagian kecil dari image kemudian diambil matriksmatriks sampelnya untuk ditentukan rata-rata nilai real FFT, rata-rata nilai DCT dan jumlah piksel hasil edge detection. Hasilnya kemudian dijadikan database. Pengenalan dilakukan dengan membandingkan nilai matriks sampel yang akan dianalisis terhadap database. Pengenalan dilakukan dengan tiga metode yaitu Fuzzy inference system (FIS) dengan fungsi keanggotaan tipe segitiga, tipe Gaussian, dan tipe trapesium. Pengenalan dilakukan menggunakan enam jenis pecahan mata uang kertas rupiah yang terdiri dari Rp100.000,00; Rp50.000,00; Rp20.000,00; Rp10.000,00; Rp5000,00; and Rp1000,00. Simulasi mampu mengenali pecahan uang dengan tingkat ketepatan bervariasi mulai sebesar 78,95 % sampai 89,47 %. Akurasi tertinggi dicapai oleh metode FIS dengan fungsi keanggotaan Gaussian yaitu sebesar 89,47%.

---

This paper was made for studying Identification process of rupiah paper money using Fuzzy Logic. The study based on the theory that every kind of rupiah paper money were designed uniquely. In this paper, both side of rupiah paper money were scanned by a scanner. Then images obtained from the scanner were changed into graylevel images. A small part of graylevel images called region of interest then were cropped for obtaining sample matrices for determining three kind of image characteristic parameter. They were real average value of FFT, average value of DCT and number of pixel of edge detected images. The results then were mapped into membership function curve called database. Identification were held by evaluating the value of image characteristic parameter of the image being identified if their values were in database or not. Fuzzy Inference System with trapesium type, triangle type, and Gaussian type membership function provided by Matlab being used in this paper. Identification was held by using six different kind of rupiah paper money. They were Rp100.000,00; Rp50.000,00; Rp20.000,00; Rp10.000,00; Rp5000,00; and Rp1000,00. Data obtained from simulation told us if the money were succesfully identified or not. Simulation yielded percentage of accuracy from 78,95 % until 89,47 %. Fuzzy Inference System with Gaussian Type Membership function yielded best percentage of accuracy up to 89,47 %."

"Dalam penelitian ini aplikasi kendali logika fuzzy digunakan pada pengendalian posisi untuk pengaturan kecepatan motor dc. Kendali logika fuzzy diimplementasikan pada Personal Computer (PC) dan programnya dibuat dengan bahasa visual basic 6.0. Komunikasi yang digunakan adalah komunikasi parallel antara PC dengan device yang digunakan. Pengaturan kecepatan motor dc dilakukan dengan menggunakan metode Pulse Width Modulation (PWM). Sistem logika fuzzy mempunyai 2 crisp input yaitu error dan perubahan error dan mempunyai 1 crisp output. Metode defuzzifikasi yang digunakan adalah mean of maxima. Jumlah label dari membership function adalah 7 label. Respon sistem ditampilkan dalam bentuk grafik antara Setting Point (SP), Process Variable (PV), dan Manipulated Variable (MV). Hasil pengujian menunjukkan bahwa sistem telah bekerja dengan baik walaupun SP berubah-ubah."

"Masalah yang biasa terjadi dalam pembuatan sistem pengenalan wajah adalah jumlah dimensi yang terlalu besar untuk diproses ke dalam classifier, sehingga biaya komputasi yang dibutuhkanpun akan semakin besar pula. Penelitian berikut mencoba untuk mereduksi dimensi dalam ruang spatial akan tetapi dari hasil reduksi dimensi ini tidak membuat proses ekstraksi fitur kehilangan informasi penting yang mengakibatkan penurunan akurasi pengenalan.Reduksi dimensi dalam ruang spatial ini didapatkan dengan cara membangkitkan sejumlah garis pada data citra secara acak. Ada dua metode dalam membangkitan garis yaitu Fitur Garis Acak (FGA) dan Template Fitur Garis Acak (TFGA). Pada FGA, sejumlah garis dibangkitkan pada seluruh data citra secara acak. Sedangkan TFGA, sejumlah garis dibangkitkan hanya satu kali saja dan himpunan garis ini yang akan digunakan untuk membangkitkan garis pada data citra yang lain. Dari masing-masing garis ini dibangkitkan sejumlah spatial window. Vektor representasi citra didapatkan dari rata-rata intensitas yang terdapat pada spatial window tersebut. Vektor representasi citra ini akan dijadikan fitur untuk classifier. Classifier yang digunakan adalah k-nearest neighborhod dan backpropagation sebagai pembanding.Dari hasil percobaan menggunakan database weizmann, didapatkan bahwa pengenalan akan lebih stabil jika metode untuk membangkitkan garis adalah TFGA. Selain stabil dengan metode TFGA ini akurasi pengenalan lebih baik dibandingkan dengan metode FGA pada jumlah garis yang sama. Pada jumlah garis yang terkecil dengan menggunakan classifier k-nearest neighborhod, rata-rata akurasi pengenalan metode FGA adalah 46.67% sedangkan dengan TFGA akurasi pengenalan adalah 57.14%. Dengan classifier pembanding backpropagation dan menggunakan metode TFGA didapatkan rata-rata akurasi pengenalan 78.29%. Secara umum dari keseluruhan metode semakin bertambah jumlah garis maka semakin meningkat pula tingkat akurasi pengenalan."

"Dalam skripsi ini dibuat perangkat lunak yang dapat mengenali tipe ABO golongan darah manusia melalui pengolahan citra berbasiskan Jaringan Syaraf Tiruan (JST). Pola sampel darah yang direaksikan dengan reagen akan memiliki hasil pasangan penggumpalan yang berbeda. Jenis reagen yang direaksikan adalah antigen-A dan antigen-B. Pola pasangan darah dan reagen serta bentuk penggumpalan citra darah menjadi ciri dan kombinasi yang unik untuk membedakan tipe-tipe darah yang ada.Data sampel darah berupa citra digital yang diperoleh menggunakan kamera digital. Sampel darah direaksikan dengan reagen di atas preparat dengan urutan reagen anti-A ditempatkan pada bagian kiri preparat dan reagen anti-B pada bagian kanan. Sebelum diolah dalam sistem JST, data melewati pra-proses, yaitu proses perbaikan citra digital yang terdiri dari proses pencuplikan, gray-level quantization, dan normalisasi dalam bentuk matriks. Hasil akhirnya berupa citra fitur hitam putih dalam matriks berukuran 5×5. Hasil pra-proses kemudian dihitung nilai parameter karakteristiknya, yaitu nilai rata-rata matriks tersebut. Nilai ini selanjutnya akan dijadikan input bagi proses pelatihan jaringan syaraf tiruan dengan metode backpropagation.Jumlah data sampel sebanyak 120 set, dimana 80 di antaranya digunakan untuk melatih JST, dan sisanya digunakan untuk menguji JST. Hasil simulasi menunjukkan sistem mampu mengenali golongan darah dengan tingkat akurasi hingga 90%.

---

In this research, an identification system of human blood type is designed using image processing techniques and the Artificial Neural Network (ANN) with backpropagation algorithms. The pattern of human blood type was formed using a chemical reaction between the blood and a reagent. The reagent that used in the reaction process are anti-A and anti-B reagent. Using a flat glass preparat as a media, the anti-A reagent is mixed to the blood sample on the left side and the anti-B reagent on the right side. Combination of blood coagulation pairs could distinguish the blood type.

The blood coagulation pair is converted into digital images after taken by a digital camera. The image is then pre-processed and normalized to 50×50 matrix size. The matrix is divided to different blocks and reduced to 5×5 grayscale image. The preprocessing involved sampling, gray-level quantization, and normalization. After preprocessing, the mean of 5×5 gray scale image will be calculated and used as the input for the ANN.

The total number of blood sample data is 140 pairs, 80 set of them are used for training process of the ANN and the rest are used for identification. The simulation result shows that the system is able to identify up to 90% level of accuracy."

"Dalam skripsi ini bahas mengenai pengendalian perangkat listrik yang ada dirumah dengan menggunakan metode logika fuzzy. Pengendalian perangkat listrik di rumah ini mencangkup fungsi-fungsi otomatisasi rumah (home automation) berdasarkan masukan-masukan dari sensor-sensor yang ada. Dari masukan-masukan tersebut diolah dengan menggunakan logika fuzzy, sehingga dihasilkan keluaran yang sesuai dengan kebutuhan pengguna. Untuk mengimplementasikan rancangan, dibuat prototype sistem otomatisasi rumah untuk obyek pengendalian berupa lampu-lampu penerangan rumah dan top kontak yang dikendalikan melalui relay-relay. Sebagai alat bantu, digunakan perangkat lunak fuzzy TECH 5.12 Professional untuk melakukan simulasi sistem. Sedangkan perangkat keras pengendali menggunakan rangkaian elektronik berbasis mikrokontroler AVR AT mega 16. Dengan prototype tersebut dilaksanakan ujicoba dan analisis terhadap pengendalian langsung dan pengendalian dengan masukan sensor. Ujicoba yang dilakukan telah memberikan hasil yang memuaskan. Pada mode pengendalian otomatis, sistem dapat melakukan tindakan sesuai dengan masukan dari sensor-sensor. Begitu pula pada mode pengendalian manual, sistem dapat melaksanakan pengendalian sesuai dengan perintah dari pengguna."

"ABSTRAKLearning Vector Quantization (LVQ) merupakan salah satu metode yang digunakan dalam jaringan syaraf tiruan atau Artificial Neural Network. Namun untuk data yang bervariasi,performa LVQ mengalami penurunan, hal ini terlihat dari tingkat rekognisi yang diperoleh. Oleh karena itu dikembangkan metode logika Fuzzy yang diperkirakan mampu menaikkan kembali tingkat rekognisi dan performa dari LVQ . Hasil yang diperoleh menunjukkan bahwa dengan logika Fuzzy tingkat rekognisi naik hingga 40 %.

---

ABSTRACT

Learning Vector Quantization (LVQ) is one of the method that used in Artificial Neural Network.,but result shows that any data variations have decreasing the recognition rate. Fuzzy Logic developed to increasing and reinstate the recognition rate of LVQ. With Fuzzy logic, the result shows that recognition rate achieve 40% of increasing."