Hasil Pencarian  ::  Simpan CSV :: Kembali

"[ABSTRAKKanker payudara adalah tumor ganas yang tumbuh akibat pertumbuhan sel-seljaringan yang tidak normal pada jaringan payudara. Kanker payudara pada wanitamerupakan penyakit yang kini paling banyak diderita dibandingkan jenis kankerlainnya. Cara yang dilakukan agar penyakit ini tidak memiliki kesempatan untukmenyebar adalah dengan mendeteksinya sedini mungkin dengan menggunakanmammografi.Pada penelitian ini penulis telah merancang suatu sistem yang menggunakankomputer untuk mendeteksi dan mengklasifikasi kanker payudara pada citramammogram. Citra mammogram yang digunakan adalah citra mammogram dariMommographic Image Analysis Society (MIAS) yang terdiri dari 322 citra.Pengolahan awal citra pada sistem ini menggunakan metode Otsu Thresholding,pendeteksian tepi dengan menggunakan metode Canny, dan metode dilasi. Ciriyang digunakan pada sistem ini adalah Gray Level Co-occurrence Matrix(GLCM) dan Discrete Wavelet Transform (DWT). Metode pengklasifikasian yangdigunakan pada penelitian ini adalah Support Vector Machine (SVM).Sistem memiliki ketahanan yang baik terhadap noise salt and pepper pada nilainoise tertentu pada tiap jenis citra mammogram yang digunakan. Tingkatkeakuratan berkisar 80% pada saat diberi noise sebesar -16dB pada citramammogram jinak dan ganas. Keakuratan sistem juga teruji cukup baik untukjumlah data latih yang hanya sebesar 70% dimana tingkat keakuratanpendeteksian dan pengklasifikasian adalah sebesar 80,6%.

---

ABSTRACTBreast cancer is a malignant tumor that grows as a result of the growth of tissuecells that are not normal in the breast tissue. Breast cancer in women is a diseasethat is now the most common cancer than other types. How that is done so that thedisease does not have a chance to spread is to detect it as early as possible byusing mammography.In this study, the authors have designed a system that uses a computer to detectand classify breast cancer on a mammogram image. Mammogram image has beentaken from Mommographic Image Analysis Society (MIAS) which consists of 322images. Initial processing images on this system using Otsu Thresholding, edgedetection using Canny method, and the method of dilation. Features used in thissystem is the Gray Level Co-occurrence Matrix (GLCM) and Discrete WaveletTransform (DWT). Claassification method was used in this study is SupportVector Machine (SVM).The system has good resistance to salt and pepper noise on certain noise value foreach type of mammogram image are used. The accuracy range was 80% whengiven the noise of -16dB on mammogram images of benign and malignant. Theaccuracy of the system was also tested well enough for the amount of training datathat only 70% where the level of detection and classification accuracy is 80,6 %.;Breast cancer is a malignant tumor that grows as a result of the growth of tissuecells that are not normal in the breast tissue. Breast cancer in women is a diseasethat is now the most common cancer than other types. How that is done so that thedisease does not have a chance to spread is to detect it as early as possible byusing mammography.In this study, the authors have designed a system that uses a computer to detectand classify breast cancer on a mammogram image. Mammogram image has beentaken from Mommographic Image Analysis Society (MIAS) which consists of 322images. Initial processing images on this system using Otsu Thresholding, edgedetection using Canny method, and the method of dilation. Features used in thissystem is the Gray Level Co-occurrence Matrix (GLCM) and Discrete WaveletTransform (DWT). Claassification method was used in this study is SupportVector Machine (SVM).The system has good resistance to salt and pepper noise on certain noise value foreach type of mammogram image are used. The accuracy range was 80% whengiven the noise of -16dB on mammogram images of benign and malignant. Theaccuracy of the system was also tested well enough for the amount of training datathat only 70% where the level of detection and classification accuracy is 80,6 %., Breast cancer is a malignant tumor that grows as a result of the growth of tissuecells that are not normal in the breast tissue. Breast cancer in women is a diseasethat is now the most common cancer than other types. How that is done so that thedisease does not have a chance to spread is to detect it as early as possible byusing mammography.In this study, the authors have designed a system that uses a computer to detectand classify breast cancer on a mammogram image. Mammogram image has beentaken from Mommographic Image Analysis Society (MIAS) which consists of 322images. Initial processing images on this system using Otsu Thresholding, edgedetection using Canny method, and the method of dilation. Features used in thissystem is the Gray Level Co-occurrence Matrix (GLCM) and Discrete WaveletTransform (DWT). Claassification method was used in this study is SupportVector Machine (SVM).The system has good resistance to salt and pepper noise on certain noise value foreach type of mammogram image are used. The accuracy range was 80% whengiven the noise of -16dB on mammogram images of benign and malignant. Theaccuracy of the system was also tested well enough for the amount of training datathat only 70% where the level of detection and classification accuracy is 80,6 %.]"

"ABSTRAKTuberkulosis TB merupakan salah satu penyakit yang masih banyak terjadi di Negara berkembang seperti Indonesia. Penyakit ini umumnya menyerang paru-paru karena kuman TB mencari tempat yang terdapat tekanan oksigen tinggi. Pendeteksian yang paling cepat dilakukan adalah pemeriksaan citra x-ray toraks dibandingkan dengan menggunakan metode tuberculin skin test TST dan pewarnaan cepat asam yang membutuhkan waktu lebih lama. Diagnosa citra ini sering terkendala karenat tenaga spesialis radiologi tidak menyebar rata pada setiap fasilitas kesehatan, untuk mengatasi hal itu diperlukan bantuan computer untuk mendeteksi citra tersebut yang sering disebut computer aided diagnostis CAD . Metode menggunakan pendekatan fitur tekstur dimotivasi oleh pemeriksaan rutin citra x-ray toraks abnormal yang cenderung menunjukkan perubahan salah satunya perubahan tekstur konten. Data yang digunakan pada penelitian ini diambil dari website Open-I yaitu dataset Montgomery County dan Shenzen. Sistem ini dimulai dengan segmentasi citra dengan metode k-means clastering, yang kemudian dilanjutkan dengan ekstraksi fitur. Ekdtraksi fitur dilakukan dengan metode Discrete Wavelet Transform DWT dan Gray Level Co-Occurance Matrix GLCM . Hasil dari ekstraksi fitur dilakukan klasifikasi untuk mengelompokkan citra yang terdapat TB dan yang bebas TB. Hasil akhir klasifikasi dibandingkan antara metode ekstraksi DWT, GLCM , dan penggabungan keduanya. Akurasi klasifikasi yang didapat dengan metode DWT sebesar 92,86 untuk dataset Montgomery County dan 93,94 untuk dataset Shenzen. Metode GLCM menghasilkan akurasi sebesar 85,71 untuk dataset Montgomery County dan 75,76 untuk dataset Shenzen. Sedangkan penggabungan dari keduanya menghasilkan akurasi 96,43 untuk dataset Montgomery County dan 93,94 untuk dataset Shenzen. Dari nilai akurasi tersebut dapat diketahui bahwa pengabungan kedua metode menghasilkan akurasi yang paling baik kemudian disusul metode DWT dan metode GLCM memiliki nilai akurasi paling kecil.

---

ABSTRACTTuberculosis TB is one of the diseases that still occur in developing countries like Indonesia. This disease usually attacks the lungs because TB germs look for places that contain high oxygen. The quickest detection was the x ray thoracic image examination compared with the tuberculin skin test TST method and fast acid staining which took longer time. Image diagnoses that are often constrained by radiologist specialists do not spread on average at every Health facility, to gather what is needed computer help to detect what is often called computer assisted diagnostics CAD. Methods using the texture feature approach are motivated by routine x ray image inspection of the abnormal piston originating from each texture content . The data being reviewed by the Open I website is the Montgomery County and Shenzen datasets. This system starts with image segmentation with k means clustering method, which then continued with extraction feature. The feature extraction is performed by Discrete Wavelet Transform DWT method and Gray Level Co Occurance Matrix GLCM . The results of the extraction feature were performed to group the images that contained tuberculosis and the TB free ones. The final result between the DWT extraction method, GLCM, and the merging of both. The classification accuracy obtained by the DWT method is 92.86 for the Montgomery County dataset and 93.94 for the Shenzen dataset. The GLCM method obtained an accuracy of 85.71 for the Montgomery County dataset and 75.76 for the Shenzen dataset. The combination of both obtained 96.43 accuracy for the Montgomery County dataset and 93.94 for the Shenzen dataset. From the value of accuracy can be seen that the merging of both methods produce the best accuracy then followed by DWT method and GLCM method has the least accuracy value."

"Indonesia merupakan salah satu negara dengan produksi tanaman padi terbesar di dunia dengan total lebih dari 150 juta ton padi dihasilkan pada 3 tahun terakhir. Meskipun sudah menjadi makanan pokok selama bertahun-tahun, tanaman padi tidak luput dari serangan penyakit yang dapat menghambat produksi beras padi. Berbagai macam penyakit dapat menghambat produksi beras padi di Indonesia. Daun tanaman padi yang terkena serangan penyakit dapat digunakan sebagai indikator jenis penyakit dikarenakan setiap penyakit tanaman padi memiliki corak yang unik pada daun tanaman padi. Dari citra daun tanaman padi yang didapat, dilakukan transformasi format citra ke dalam format grayscale untuk dibentuk Gray Level Co-occurence Matrix (GLCM) untuk beberapa sudut. Fitur Haralick kemudian diekstraksi dari GLCM yang sudah didapatkan untuk mendapatkan fitur-fitur yang dapat menjelaskan citra daun tanaman padi tersebut. Metode ini dapat digunakan dikarenakan fitur Haralick dalam GLCM mampu menangani citra yang memiliki perbedaan tekstur dengan baik dan citra daun penyakit tanaman padi memiliki perbedaan pada tekstur daun yang cukup jelas dilihat. Sehingga dapat dikatakan bahwa metode ini cocok untuk digunakan pada kasus ini. Dengan jumlah fitur Haralick yang cukup banyak, Linear Discriminant Analyis (LDA) kemudian diaplikasikan kepada fitur-fitur Haralick sebagai metode reduksi dimensi sedemikian sehingga fitur baru yang didapatkan memiliki separasi yang lebih baik. Kemudian, Support Vector Machine (SVM) digunakan sebagai classifier dalam mengklasifikasi penyakit tanaman padi menggunakan fitur LDA yang sudah didapatkan.

---

Indonesia is one of the world’s leading rice producers with a total of more than 150 million tons of rice produced in the last three years . Rice plants, despite being a staple crop for many years, are susceptible to diseases that can hamper rice production.  Because each diseases of rice plants has a distinctive pattern on the leaves of rice plants, the leaves of diseased rice plants can be used as indicators of the type of disease. The picture format of the rice leaf is converted to grayscale in order to create a Gray Level Co-occurence Matrix (GLCM) at multiple angles. The Haralick feature is extracted from the GLCM to obtain features that can describe the image of the rice plant leaf. Because the Haralick feature in GLCM can handle images with diverse textures and the image of leaves of rice plant diseases has differences in leaf texture that are clearly apparent, this method can be used. With a large number of Haralick features, the Linear Discriminant Analysis (LDA) is used as a dimension reduction technique for the Haralick features, resulting in better separation of the new features. The Support Vector Machine (SVM) is used as a classifier to classify rice plant diseases based on the obtained LDA features."

"Di dunia kesehatan, tenaga medis dituntut untuk mengatasi berbagai jenis penyakit dengan gejala yang beragam. Oleh karena itu, diperlukan suatu teknologi untuk membantu mereka menyelesaikannya dengan baik. Penelitian ini mendukung mereka dengan menggunakan machine learning sebagai pemecah masalah. Metode machine learning yang digunakan pada penelitian ini adalah metode klasifikasi. Penulis membahas tentang stroke yang merupakan salah satu penyakit dengan angka kematian tertinggi di dunia. Penelitian ini mengamati perubahan densitas pada otak penderita stroke iskemik. Stroke iskemik merupakan salah satu jenis stroke yang terjadi ketika pembuluh darah tersumbat oleh trombus atau emboli. Penelitian ini menggunakan data CT scan dari Departemen Radiologi, Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Data yang berupa citra CT scan diubah menjadi data numerik dengan metode Gray Level Co-Occurrence Matrix dan Local Binary Pattern yang dibandingkan performanya pada saat melakukan proses klasifikasi. Penelitian ini menerapkan Support Vector Machines sebagai metode klasifikasi. Didapatkan hasil bahwa Support Vector Machines dengan Local Binary Pattern menghasilkan performa yang lebih baik dibandingkan Support Vector Machines dengan Gray Level Co-Occurrence Matrix.

---

In the health sector, the medical staffs are challenged to overcome many types of diseases with various symptoms. Therefore, a technology is needed to help them solving it well. This study is supporting them by using a machine learning as the problem solver. The machine learning method that is used in this study is classification method. The author discusses about stroke which is one of the diseases with the highest mortality rate in the world. This study observed the density changes in the brain of ischemic stroke sufferers. Ischemic stroke is one of the stroke types that occurs when the arteries are blocked by thrombus or embolism. This study used data of CT scan from Department of Radiology, Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The image data of the CT scan is changed into a numerical data by using the Gray Level Co-Occurrence Matrix method and the Local Binary Pattern which is being compared when processing the classification. This study applies Support Vector Machines as the classification method. The results showed that Support Vector Machines with Local Binary Pattern has a better performance than Support Vector Machines with Gray Level Co-Occurrence Matrix."

"Penelitian ini melakukan studi mengenai sistem identifikasi pembicara berbahasa Indonesia menggunakan SVM. Parameter sistem terdiri atas silence removal, PCA, nilai rata-rata dan varians MFCC. Ujicoba menggunakan data berita berbahasa Indonesia dari televisi dan radio yang disegmen dalam 5, 10, 15 detik dengan jumlah data 26 jam (715 pembicara). Hasil penelitian ini menunjukkan ketepatan pengenalan pembicara sebesar 94-98% untuk kombinasi parameter silence removal dan rata-rata MFCC dengan akurasi terbaik pada segmen waktu 10 detik. Namun dengan bertambahnya jumlah pembicara, ketepatan pengenalan cenderung berkurang. Penelitian ini dapat dikembangkan untuk sistem perolehan informasi data speech berdasarkan siapa yang berbicara dalam suatu sesi data.

---

This research studies speaker identification system for Indonesian speech based on SVM. Parameters of this system are silence removal, PCA, average and varians values of MFCC. The experiments use 26 hours (715 speakers) Indonesian broadcast news from radio and television segmented into 5, 10, 15 seconds. The results achieve 94-98% identification accuracy for combination of parameters silence removal and average of MFCC. The best accuracy comes from 10 seconds time segment. However, the accuracy falls when the number of speakers increases. This study could be used for speech retrieval system based on who speaks in a speech session."

"ABSTRAKKadar kolesterol yang tinggi dalam darah dapat memicu timbulnya penyakit jantung koroner. Berdasarkan data yang diperoleh dari Kementerian Kesehatan Republik Indonesia, penyakit jantung koroner merupakan penyebab kematian tertinggi kedua setelah stroke dengan persentase 12.9% pada tahun 2014. Selain kolesterol tinggi, kondisi stres yang tinggi juga dapat memicu berbagai penyakit seperti gangguan pencernaan, kecemasan, dan gangguan jantung. Sehingga pemeriksaan kesehatan sedini mungkin baik dengan metode alternatif maupun pemeriksaan secara medis perlu dilakukan.Penelitian ini membahas mengenai deteksi kolesterol dan stres melalui pengamatan citra iris. Endapan lemak yang telah terbentuk di jaringan kornea menghasilkan keburaman di area terluar iris. Tanda ini merupakan indikasi dari ketidakseimbangan tubuh sebagai tanda kolesterol berlebih. Sedangkan tidak terbentuknya endapan lemakmengindikasikan kondisi kolesterol tidak tinggi. Sehingga dari pengamatan karakteristik iris ini, dapat dideteksi kondisi kolesterol tinggi dan kolesterol tidak tinggi. Lingkaran-lingkaran yang terbentuk pada iris atau yang disebut dengan cincin saraf mengindikasikan adanya ketegangan saraf berlebih. Cincin saraf terbentuk karena adanya iritabilitas, insomnia, ketidakseimbangan mental dan emosi seseorang. Sehingga tanda ini dapat mengindikasikan kondisi stres seseorang berupa bergejala stres atau tidak bergejala.Deteksi kolesterol dan stres ini dibuat menggunakan metode Morphology Reconstruction untuk mengubah karakteristik penyakit lain pada ROI yang sama, Gray Level Co-occurence Matrix (GLCM) sebagai metode ekstraksi ciri, dan Backpropagation Neural Network (BNN) sebagai metode klasifikasi. Ciri yang digunakan dalam penelitian ini adalah entropy, contrast, correlation, energy, homogeneity, variance, dan difference variance. Dari hasil perancangan dengan jumlah citra pelatihan masing-masing sebesar 59 untuk deteksi kolesterol dan 53 untuk deteksi stres, diperoleh tingkat akurasi pengujian mencapai 96.49% untuk deteksi kolesterol dan 85.96% untuk deteksi stres dengan jumlah citra uji sebesar 57 citra.

---

ABSTRACTHigh cholesterol levels in the blood can trigger coronary heart disease. Based on data obtained from the Ministry of Health of the Republic of Indonesia, coronary heart disease is the second highest cause of death with a percentage of 12.9% in 2014. Besides high cholesterol, high stress conditions can also trigger various diseases such as digestive disorders, anxiety, and heart problems. So people need to do healthexaminations as early as possible.This study discusses the detection of cholesterol and stress through observation of iris images. Fat deposits that have formed in the corneal tissue produce blur in the outer area of the iris. This sign is an indication of body imbalance as a sign of excess cholesterol. While the formation of fat deposits does not indicate the condition of cholesterol, it is identified as not high cholesterol. So from observing the characteristics of this iris, high cholesterol and not high cholesterol conditions can be detected. The circles that form on the iris or called as nerve ring indicate excessive nervous tension. The nerve ring is formed due to irritability, insomnia, mental and emotional imbalance in a person. So this sign can indicate a person's stress condition in the form of symptomatic stress or asymptomatic.This cholesterol and stress detection is made using the Morphology Reconstruction method to change the characteristics of other diseases on the same Region of Interest, Gray Level Co-occurrence Matrix (GLCM) as a feature extraction method, and Backpropagation Neural Network (BNN) as a classification method. The characteristics used in this study are entropy, contrast, correlation, energy, homogeneity, variance, and difference variance. From the results of the design with the number of training images respectively 59 images for cholesterol detection and 53 images for stress detection, the accuracy of the test is 96.49% for cholesterol detection and 85.96% for stress detection with the number of testing images is 57 images."

"Penelitian ini melakukan studi mengenai sistem identifikasi pembicara berbahasa Indonesia menggunakan SVM. Parameter sistem terdiri atas silence removal, PCA, nilai rata-rata dan varians MFCC. Ujicoba menggunakan data berita berbahasa Indonesia dari televisi dan radio yang disegmen dalam 5, 10, 15 detik dengan jumlah data 26 jam (715 pembicara). Hasil penelitian ini menunjukkan ketepatan pengenalan pembicara sebesar 94-98% untuk kombinasi parameter silence removal dan rata-rata MFCC dengan akurasi terbaik pada segmen waktu 10 detik. Namun dengan bertambahnya jumlah pembicara, ketepatan pengenalan cenderung berkurang. Penelitian ini dapat dikembangkan untuk sistem perolehan informasi data speech berdasarkan siapa yang berbicara dalam suatu sesi data.

---

This research studies speaker identification system for Indonesian speech based on SVM. Parameters of this system are silence removal, PCA, average and varians values of MFCC. The experiments use 26 hours (715 speakers) Indonesian broadcast news from radio and television segmented into 5, 10, 15 seconds.

The results achieve 94-98% identification accuracy for combination of parameters silence removal and average of MFCC. The best accuracy comes from 10 seconds time segment. However, the accuracy falls when the number of speakers increases. This study could be used for speech retrieval system based on who speaks in a speech session."

"ABSTRAK

Untuk menunjang pemantauan konsentrasi manusia, perlu adanya pemahaman mengenai respon sinyal dari EEG terhadap dua kondisi manusia ya itu saat sedang konsentrasi penuh dan konsentrasi tidak penuh (adanya distraksi). Dalam mengolah data sinyal EEG tersebut, dibutuhkan metode algoritma dan klasifikasi sinyal untuk mendapatkan hasil data sinyal dari dua kondisi tersebut. Pada penelitian ini akan dijelaskan tentang sistem perancangan pendeteksian konsentrasi manusia berdasarkan sinyal EEG. Metode yang digunakan adalah Fast Fourier Transform (FFT) dan Discrete Wavelet Transform (DWT) sedangkan dalam algoritma klasifikasinya menggunakan Support Vector Machine (SVM). Hasil yang telah didapatkan dalam pengujian ini adalah SVM lebih mampu untuk mengklasifikasikan sistem dengan kernel RBF menggunakan 30% holdout validation. Keakurasian dari sistem ini adalah 91% pada metode DWT dan 72% pada metode FFT. Sehingga, dari kedua ekstraksi metode FFT dan DWT, yang memiliki nilai ekstraksi terbaik adalah DWT.

---

ABSTRACTTo support the monitoring focused human concentration, there is a need to understand the response of signals from EEG in two conditions which are when human is in full concentration and less concentration (presence of distraction).  To process those EEG signal data, an algorithm method and classification is needed to get the results of signal data from these two conditions In this research, the system of detecting design of human concentration levels based on EEG signals will be explained. The used methods are Fast Fourier Transform (FFT) and Discrete Wavelet Transform (DWT) while the classification algorithm uses Support Vector Machine (SVM).  The result of this research shows that by using SVM, a much more reliable result is achieved when a kernel RBF is used with 30% holdout validation. The result of the aforementioned method yields a 91% accuracy with DWT method and a 72% accuracy with FFT. 

 

"

"Kanker pankreas adalah penyakit di mana sel-sel tumor ganas (kanker) berkembang di jaringan pankreas, yaitu organ di belakang perut bagian bawah dan di depan tulang belakang, yang membantu tubuh menggunakan dan menyimpan energi dari makanan dengan memproduksi hormon untuk mengontrol kadar gula darah dan enzim pencernaan untuk memecah makanan. Biasanya, kanker pankreas jarang terdeteksi pada tahap awal. Salah satu tanda seseorang mengalami kanker pankreas adalah diabetes, terutama jika itu bertepatan dengan penurunan berat badan yang cepat, penyakit kuning, atau rasa sakit di perut bagian atas yang menyebar ke punggung. Di antara berbagai jenis kanker, kanker pankreas memiliki tingkat kelangsungan hidup terendah, yaitu hanya sekitar 3-6% dari mereka yang didiagnosis yang dapat bertahan hidup selama lima tahun. Jika pasien didiagnosis tepat waktu untuk perawatan, peluang mereka untuk bertahan hidup akan meningkat. Terdapat penanda tumor yang biasa digunakan untuk mengikuti perkembangan kanker pankreas, yaitu CA 19-9 yang dapat diukur dalam darah. Orang sehat dapat memiliki sejumlah kecil CA 19-9 dalam darah mereka. Kadar CA 19-9 yang tinggi seringkali merupakan tanda kanker pankreas. Tetapi kadang-kadang, kadar tinggi dapat menunjukkan jenis kanker lain atau gangguan non-kanker tertentu, seperti sirosis dan batu empedu. Karena kadar CA 19-9 yang tinggi tidak spesifik untuk kanker pankreas, CA 19-9 tidak dapat digunakan dengan sendirinya untuk skrining atau diagnosis. Ini dapat membantu memantau perkembangan kanker dan efektivitas pengobatan kanker. Dalam studi ini, metode Kernel-based Support Vector Machine digunakan untuk mengklasifikasikan hasil tes darah CA19-9 menjadi dua bagian; data pasien yang didiagnosis dengan kanker pankreas atau pasien normal (tidak terdiagnosis kanker pankreas). Metode ini memperoleh akurasi sekitar 95%.

---

Pancreatic cancer is a disease in which malignant (cancerous) tumor cells develop in pancreatic tissue; organ behind the lower abdomen and in front of the spine, which helps the body use and store energy from food by producing hormones to control blood sugar levels and digestive enzymes to break down food. Usually, pancreatic cancer is rarely detected at an early stage. One sign of a person with pancreatic cancer is diabetes, especially if it coincides with rapid weight loss, jaundice, or pain in the upper abdomen that spreads to the back. Among various types of cancer, pancreatic cancer has the lowest survival rate of only about 3-6% of those diagnosed who can survive for five years. If patients are diagnosed on time for treatment, their chances of survival will increase. There is a tumor marker commonly used to follow the course of pancreatic cancer, namely CA 19-9 which can be measured in the blood. Healthy people can have small amounts of CA 19-9 in their blood. High levels of CA 19-9 are often a sign of pancreatic cancer. But sometimes, high levels can indicate other types of cancer or certain noncancerous disorders, including cirrhosis and gallstones. Because a high level of CA 19-9 is not specific for pancreatic cancer, CA 19-9 cannot be used by itself for screening or diagnosis. It can help monitor the progress of your cancer and the effectiveness of cancer treatment. In this study, the Kernel-based Support Vector Machine method is used to classify CA19-9 blood test results into two sections including data on patients diagnosed with pancreatic cancer or normal patients. This method will get an accuracy of around 95%."

"Segregasi adalah sebuah fenomena pemisahan fraksi berukuran kecil dan besar didalam suatu campuran sehingga timbul keberadaan agregat kasar dan agregrat halus pada suatu campuran yang tidak merata. Akibat distribusi yang tidak seragam tersebut, kemungkinan timbulnya lubang, pengelupasan, dan retak pada aspal jalan raya sangat mungkin terjadi. Maka dari itu penting untuk kita bisa melakukan tindakan pencegahan sebagai bentuk meminimalisir kemungkinan terjadinya fenomena tersebut. Segregasi pada aspal umumnya biasa dideteksi lewat inspeksi visual secara manual. Namun, dalam menggunakan metode tersebut dinilai penilaian yang didapatkan akan cenderung subjektif dan diperlukan waktu yang lama. Dengan demikian, penelitian kali ini dilakukan untuk memberikan solusi terbaru untuk mendeteksi daerah segregasi dengan cara yang lebih kredibel, waktu yang lebih cepat, dan ekonomis. Solusi tersebut dengan memanfaatkan metode pengolahan citra digital yang masih jarang penggunaanya. Dalam prosesnya, metode ini akan dicoba diimplementasikan bersama dengan metode Support Vector Machine. Kemudian, variabel yang akan digunakan sebagai fokus utama adalah standar deviasi. Pada penelitian kali ini akan dilakukan pengujian klasifikasi daerah segregasi dan non segregasi pada lingkungan aspal jalan di Universitas Indonesia.

---

Segregation is a phenomenon of separating small and large fractions in a mixture, resulting in the presence of coarse aggregate and fine aggregate in an uneven mixture. As a result of the non-uniform distribution, the possibility of potholes, raveling, and cracks in the asphalt of the highway is very likely to occur. Therefore, it is important for us to be able to take preventive measures as a form of minimizing the possibility of this phenomenon occurring. Segregation in asphalt is generally detected through manual visual inspection. However, in using the assessment method obtained will tend to choose and take a long time. Thus, this research was conducted to provide a new solution to detect segregation areas in a more credible, faster and economical way. This solution utilizes digital image processing methods that are still rarely used. In the process, this method will be implemented together with the Support Vector Machine method. Then, the variable that will be used as the main focus is the standard deviation. In this study, we will test the classification of segregated and non-segregated areas on the asphalt road environment at the University of Indonesia."