Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem informasi Geografis memproses data spasial, yang dapat direpresentasikan dengan struktur raster atau vektor. Representasi dengan struktur vektor lebih berkembang, padahal struktur data vektor membutuhkan algoritma vang rumit untuk melakukan proses kombinasi beberapa peta dan proses analisa data spasial [Burrs87]. Kerumitan itu tidak terjadi pada struktur data raster. Selain itu struktur vektor perlu konversi data raster ke vektor yang dapat menyebabkan hilangnya detil data akibat pereduksian. Kendala utama implementasi struktur data raster berkenaan dengan media penyimpanan, karena membutuhkan ruang penyimpanan data yang besar. Alternatif pemecahan masalah tersebut menggunakan struktur data quadtree yang banyak dikembangkan oleh banyak ahli [Same90]. Pada dasarnya representasi quadtree ada dua jenis: 1. Quadtree berpointer (Pointer quadtree), diimplementasikan dengan pohon (tree). 2. Quadtree tak-berpointer (Pointerless quadtree), yang diimplementasikan dengan listdari blok-blok. Dalam rangka memilih jenis representasi yang tepat untuk diimplementasikan pada kernel Sistem informasi Geografis berbasis raster, tugas akhir ini mengimplementasikan prototipe kernel berbasis quadtree berpointer dan tak-berpointer, dan kemudian melakukan uji unjuk kerja setiap primitif-primitif yang diimplementasikan (rotasi, translasi, dan sebagainya). Adapun parameter dari pengujian adalah waktu dan ruang penyimpanan data. Dari hasil unjuk kerja tersebut dilakukan analisa perbandingan."

"ABSTRAKProses visualisasi fraktal dimaksudkan untuk menggambarkan secara matematis terhadap obyek yang terdapat di alam menjadi sebuah citra, sehingga bentuk, pola (pattern) dan susunannya dapat di rumuskan dengan fungsi matematis dan dapat ditampilkan secara computerized. Secara singkat pengertian fraktal adalah algoritma untuk membangkitkan suatu gambar yang menyerupai bentuk sebcnamya di alam yang mempunyai kesamaan did dan keacakan yang menakjubkan_ Dengan visualisasi fungsi matematis, kita dapat memahami banyak ha] di dunia ini yang seringkali dianggap suatu keanehan, tetapi lewat visualisasi fungsi matematis kita dapat melakukan penalaran atas fenomena alam itu_Visualisasi gambar fraktal pohon dengan bahasa pemrograman Visual Basic Windows memiliki kelebihan dibanding bila menggunakan bahasa pemrograman yang berbasis operasi DOS. Dalam pemrograman berbasis DOS misalnya Turbo Pascal atau Turbo C akan kita jumpai kesulitan pada masalah penggabungan dengan bahasa rakitan misalnya Assembler. Karena kita mesti mengidentifikasi perangkat hardware kita terutama kartu VGA agar mendukung resolusi gambar yang akan kits tampilkan dan agar dapat di-link dengan program utama. Pembangkitan animasi gambar fraktal dengan Visual basic lebih sederhana dan tidak perlu mengidentifikasi kartu VGA karena proses visualisasi telah ditangani oleh program Windows, sehingga akan dihasilkan gambar yang lebih lulus dan atraktif.Hasil akhir dad proses visualisasi pada skripsi ini akan ditampilkan citra fraktal pohon dengan tambahan efek fatal- belakang (background) dan disajikan secara rekursif, sehingga akan terlihat dari awal proses pembentukannya, disertai basil gambar yang lebih eksotis.

---

"

"Sinusitis adalah peradangan pada dinding sinus, yaitu rongga kecil yang terhubung dengan rongga udara dalam tulang tengkorak. Sinus terletak di belakang dahi, di dalam struktur tulang pipi, di kedua sisi hidung, dan di belakang mata. Sinusitis disebabkan oleh peradangan pada rongga hidung, tumbuhnya polip, alergi, dan hal lainnya yang dapat terjadi pada orang dewasa, remaja, bahkan anak-anak. Untuk mengklasifikasi jenis sinusitis, penulis menggunakan Fuzzy C-Means Berbasis Kernel yang merupakan pengembangan dari Fuzzy C-Means. Fuzzy C-Means mengelompokkan data menggunakan jarak Euclidean. Namun, jika data yang akan dipisahkan adalah data non linear, maka konvergensinya akan kecil dan membutuhkan waktu yang lama. Untuk menyelesaikan masalah ini dapat digunakan Fuzzy C-Means Berbasis Kernel yang menggunakan fungsi kernel untuk menggantikan jarak Euclidean. Metode ini memetakan objek dari ruang data ke ruang fitur yang berdimensi lebih tinggi, sehingga dapat mengatasi kelemahan FCM. Data yang digunakan adalah data penyakit sinusitis yang diperoleh dari laboratorium radiolog RSUPN Cipto Mangunkusumo, Jakarta. Karena data yang digunakan adalah data non linear, maka metode yang lebih cocok digunakan adalah Fuzzy C-Means Berbasis Kernel. Dengan menggunakan software Matlab diperoleh akurasi 100% dengan waktu mendekati 0 detik untuk Fuzzy C-Means Berbasis Kernel.

---

Sinusitis is an inflammation of the sinus wall, a small cavity interconnected through the airways in the skull bones. It is located on the back of the forehead, inside the cheek bone structure, on both side of the nose, and behind the eyes. Sinusitis is caused by infection, growth of nasal polips, allergies, and others. This condition can effect adults, teenagers, and even children. To classify sinusitis we used Kernel Based Fuzzy C-Means, which is the development of Fuzzy C-Means (FCM). FCM algorithm groups data using Euclidean distance. However, when non linear data is separated, the convergence is innacurate and need a long running time. To overcome this problem, a Kernel Based Fuzzy C-Means that use kernel functions as a substitute for Euclidean distance. It maps objects from data space to a higher dimention feature space, so they can overcome FCM deficiencies. Data that is used is sinusitis dataset obtained from the laboratory of radiology at Cipto Mangunkusumo National General Hospital, Jakarta. Because the data used is non-linear dataset, the more suitable method is Kernel Based Fuzzy C-Means. By using the Matlab software 100% accuracy is obtained and running time is close to 0 for Kernel Based Fuzzy C-Means."

"Penyunting kata elekronis adalah salah satu perangkat lunak aplikasi komputer yang banyak digunakan oleh masyarakat. Penyunting kata elekronis memberikan kemudahan bagi pemakainya dalam membuat suatu dokumen. Pemakai penyunting kata elekronis di Indonesia dapat menggunakan berbagai macam produk perangkat lunak penyunting kata yang beredar diluar sesuai dengan kebutuhannya. Sayangnya, dari berbagai produk tersebut, belum ada yang menyediakan fasilitas yang membantu pemakai untuk pembuatan dokumen dalam bahasa Indonesia. Pengembangan fasilitas olah kata bahasa Indonesia pada penyunting kata elektronis memang kegiatan yang sedang dilaksanakan. Berbagai usaha telah mulai dirintis untuk menyiapkan keperluan ini. Program tugas akhir penulis adalah salah satu usaha untuk melengkapi keperluan tersebut, berupa prototype pemeriksa tata bahasa baku bahasa Indonesia. Program ini dikembangkan dengan alat bantu lex dan Yacc. Dan baru dikembangkan untuk pemeriksaan kalimat tunggal. Aturan-aturan tata bahasa yang berlaku untuk pembentukan kalimat yang benar telah penulis coba representasikan dalam bentuk tata bahasa LL dan tata bahasa LR. Dengan penulisan tata bahasa LL diperlukan banyak sekali non terminal baru sehingga sure yang dibutuhkan cukup besar. Banyaknya konflik shift dan reduksi, diakibatkan oleh banyaknya himpunan first yang sama. Sedangkan dengan tata bahasa LR, walaupun tidak menghilangkan, masalah yang dihadapi dapat dikurangi. Penelitian yang penulis lakukan masih jauh dari sempurna dan kebutuhan, masih banyak yang perlu dan dapat dikerjakan untuk pengembangan pemerikasa tata bahasa baku bahasa Indonesia lebih lanjut pada masa mendatang."

"Klasifikasi data kanker menggunakan microarray data menjadi salah satu cara untuk mendapatkan pengobatan yang lebih tepat. Kendala yang terdapat adalah karakteristik dari microarray yang memiliki fitur yang sangat banyak. Seringkali fitur tersebut tidak begitu informatif bagi pengklasifikasian sehingga perlu adanya suatu cara untuk memilih fitur-fitur yang mengandung informasi yang penting. Salah satu cara tersebut adalah dengan pemilihan fitur. Pada penelitian ini, metode pemilihan fitur yang digunakan berdasarkan clustering dengan fungsi kernel. Fitur-fitur yang sudah terpilih kemudian diklasifikasikan menggunakan metode Support Vector Machine.Evaluasi dari klasifikasi pada penelitian ini melibatkan K-Fold Cross Validation, metode tersebut akan membagi data secara acak, tetapi merata sehingga akurasi yang didapat juga merata. Hasil akurasi tersebut dilakukan dengan berbagai uji terhadap parameter yang berkaitan seperti K partisi, nilai dan fitur-fitur yang digunakan. Pada proses klasifikasi tanpa pemilihan fitur tingkat akurasinya mencapai 89.68 dengan k partisi sebanyak 6 sementara dengan 5 fitur akurasinya menjadi 95.87 pada partisi sebanyak 10.

---

Classification of cancer using microarray data is one way to get a more precise treatment. The obstacle on classification data is the characteristics of microarray data that is having many features. These features are often not so informative for classification, so it needs a way to select the features that contain important information. One way is by selection feature. In this research, the method of selection features that are used based on clustering with kernel function. Features that are already selected then classified using Support Vector Machine.

Evaluation of classification in this research involves a K Fold Cross Validation, that methods split data randomly but uniformly so that it can reach all of accuracy. The results of accuracy data was done with different test against related parameters such as K partition, the value of and the features that are used. On the classification process without selection features rate of accuracy reached on 89.68 with k partition number 6 while with the 5 features obtained 95.87 on partition number 10."

"Dalam dekade terakhir ini, kanker menjadi pusat perhatian dunia kesehatan dikarenakan penyakit ini termasuk dalam penyebab utama kematian di seluruh dunia. Menurut statistik GLOBOCAN, International Agency for Research on Cancer IARC pada tahun 2012, terdapat 14.067.894 kasus kanker baru dengan 8.201.575 kematian akibat kanker di seluruh dunia. Oleh sebab itu, dibutuhkan tindakan pencegahan dan pengobatan yang efektif. Salah satunya dengan metode klasifikasi kanker. Metode klasifikasi kanker dapat dijadikan sebagai alat bantu tenaga medis untuk menangani kanker. Dalam tugas akhir ini diusulkan algoritma untuk mengklasifikasikan data kanker dengan menggunakan Fuzzy Possibilistic C-means FPCM dan metode baru yang menggunakan Normed Kernel Function-based Fuzzy Possibilistic C-means NKFPCM. Tujuannya untuk mendapatkan keakuratan terbaik dalam pengklasifikasian data kanker. Untuk meningkatkan keakuratan dua metode tersebut, dilakukan evaluasi kandidat fitur dengan menggunakan pemilihan fitur. Untuk pemilihan fitur digunakan metode Laplacian Score. Hasil yang diperoleh menunjukkan perbandingan keakuratan dan running time dari FPCM dan NKFPCM tanpa dan dengan dilakukan pemilihan fitur. Hasilnya, didapatkan akurasi terbaik saat dengan menggunakan metode NKFPCM dengan dilakukan pemilihan fitur, yaitu 90,91 dengan penggunaan 750 fitur untuk data kanker kandung kemih, 100 dengan penggunaan 250 fitur untuk data kanker darah leukemia , 96,67 dengan penggunaan 3.000 fitur untuk data kanker prostat, dan 100 dengan penggunaan 250 fitur untuk data kanker lambung.

---

Over the past decade, cancer has become the center of attention in the medical field due to its reputation as one of the main causes of death in the worldwide. According to GLOBOCAN statistics, International Agency for Research on Cancer IARC , there were 14,067,894 new cancer cases and 8,201,575 cancer related deaths occurred in 2012. Therefore, preventive actions and effective treatments are required to reduce these threats. One method of handling of cancer using cancer classification. Cancer classification method can be used as aids to handle Cancer. This research proposed an algorithm to classify cancer data using Fuzzy Possibilistic C Means FPCM and a new method, Normed Kernel Function Based Fuzzy Possibilistic C Means NKFPCM. The purpose of this research is to obtain the best accuracy in the classification of cancer data. To improve the accuracy of these two methods, the feature candidate will be evaluated using feature selection. The feature selection was conducted using Laplacian Score. The results obtained show the comparison of the accuracy and running time of FPCM and NKFPCM without and with feature selection. The results show that the best accuracy obtained when using NKFPCM with features selection, with percentage of 90.91 by using 750 features for bladder cancer data, 100 by using 250 features for blood cancer leukemia data, 96.67 by using 3,000 features for prostate cancer data, and 100 by using 250 features for gastric cancer data."

"Geographic information system application for archaeological and historic sites mapping in Indonesia."

"Indonesia is the second world producer of palm oil after Malaysia. Beside production of the palm oil, the industry is also yields a huge of amounts of palm kernel meal (PKM or Bungkil sawit). Utilization of PKM is still limited for cosmetic industrial and margarine. Hem et al. 2008a reported that PKM fermentation was used to bioconversion of maggot larvae. The most popular insect used in this particular case is the Black Soldier (BS) fly, Hermetia illucens L (maggot) (Stratiomyidae, Diptera). Hermetia illucens L. is a non-pest tropical and warm-temperate insect that has been found useful for managing large concentrations of bio-solids as well as other by-products and wastes (O'Mara et al.1999; Choct 2001). Many research studies on the larvae of Hermetia illucens L. have also been conducted in Southeast Asian countries and expanded in Indonesia. As previously reported, Hermetia illucens L. has been found effective in reducing the mass of solid wastes (Lim et al. 2001).Research study of Palm Kernel Meal conversion and bacterial succession by Hermetia illucens L. larvae (maggot). The objective of this research are: to observed how to PKM conversion occured, isolation the bacteria, study bacterial succession, to observe changing of physical parameters of substrate and storage room, and analyze the proximate value. The study consists of two part: (1) to describe the process of PKM bioconversion. (2) to describe bacterial succession by Hermetia illucens L. larvae (maggot). The research was carried out at the Loka Riset Budidaya Ikan Hias Air Tawar; Institut de Recherche pour le Développement (IRD) Laboratory, Depok; Microbiology Laboratory -Department of Biology, FMIPA, University of Indonesia, Depok during July 2008 -- June 2009. The study of the Palm Kernel Meal (PKM) naturally conversion of Hermetia illusens L. larvae was carried out. The substrate of PKM was added by sterilized water with the composition of 1:2 (Hem et al. 2008a). The natural conversion was done for 7 days. Sampling and isolation bacteria from PKM bioconversion was carried out every day. The isolation of bacteria was done with dilution methods by Otoguro (2006) and purification was carried out with quadrant methods by Cappucino and Sherman (2002)."

"Penyakit kronis adalah penyakit yang diderita dalam waktu panjang dan dapat berkembang secara cepat, salah satunya adalah penyakit kanker dan diabetes. Oleh karena itu, dengan melakukan pendeteksian dini maka perkembangan penyakit kanker dan diabetes akan menurun. Salah satu cara pendektesian dini dapat dilakukan oleh machine learning. Teknik machine learning banyak digunakan dalam berbagai bidang khususnya untuk analisa data medis.  Clustering merupakan salah satu metode dari machine learning yang bertujuan untuk mengelompokkan suatu dataset ke dalam subset berdasarkan ukuran jarak. Salah satu contoh metode clustering adalah metode Entropi Fuzzy C-Means yang dapat mengidentifikasi entropi disetiap titik data dan memilih pusat kluster terdekat dengan entropi minimum. Pada penelitian akan digunakan data kanker dan diabetes dari UCI Repository dengan menggunakan metode Entropi Fuzzy C-Means yang akan dimodifikasi dengan kernel RBF. Sebelum dilakukan klasifikasi, dilakukan pemilihan fitur menggunakan Chi-Square. Tujuan dari penelitian ini adalah untuk mendapatkan fitur-fitur yang optimal dan mengetahui hasil akurasi menggunakan untuk klasifikasi data diabetes dan kanker. Diperoleh hasil akurasi tertinggi pada klasifikasi data medis menggunakan metode Entropi Fuzzy C-Means berbasis kernel dengan pemilihan fitur Chi-Square yaitu sebesar 83.33% untuk data diabetes dan 77.77-100% untuk data kanker.

---

Chronic disease is a disease that occur for a long time and can develop quickly, one of them is cancer and diabetes. The early detection is very helpful to reduce the development of the disease. One of the ways to detect cancer and diabetes disease is using machine learning technic. Machine learning technic is widely use in many aspects especially in medical data analysis. Clustering is part of machine learning technic that is used to group a dataset into subset based on space size. Entropy Fuzzy C-Means is one of the methods which can identify entropy in every data and can choose the cluster center similar with minimum entropy. In this paper we will use cancer and diabetes medical data from UCI Repository using Entropy Fuzzy C-Means method which is modified by kernel RBF. Before classification, we will select the feature using Chi-Square  to get the optimal subset feature. The purpose of this study was to obtain optimal features and find out the results of accuracy using for the classification of diabetes and cancer data. The medical data classification using Entropy Fuzzy C-Means based on kernel with Chi-Square feature selection gives the 100% highest accuration result for cancer data and 83,33% for diabetes data."