Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker kandung kemih pada citra Computed Tomography Scanner (CT-Scan) memiliki bentuk, lokasi dan tekstur yang berbeda untuk setiap citra. Kandung kemih setiap orang memiliki ukuran yang berbeda saat pengambilan gambar. Gambar kontras dan non-kontras yang diambil pada CT scan kandung kemih dapat digunakan untuk menentukan struktur dan bentuk kandung kemih. Namun, perbedaan gambar kontras antara kelainan dan kandung kemih yang sehat seringkali tidak terlihat secara visual, sehingga sulit untuk mengevaluasi. Walaupun sudah banyak penelitian tentang deteksi kanker kandung kemih berdasarkan citra CT yang telah dilakukan, namun dilaporkan bahwa tingkat keberhasilan pendeteksian kanker kandung kemih masih tergolong rendah. Dalam penelitian ini, Computer-Aided Diagnosis (CAD) digunakan untuk membantu mengevaluasi kelainan kandung kemih menggunakan metode segmentasi berdasarkan algoritma Active Contour. Fitur citra berbasis Gray Level Co-Occurrence Matrix (GLCM) digunakan sebagai masukan dari Artificial Neural Network (ANN) untuk mengklasifikasikan citra normal dan citra abnormal. Penelitian CAD ini menggunakan MATLAB. Sampel yang digunakan berjumlah 320 citra dengan ketentuan 200 citra abnormal (25 pasien) dan 120 citra normal (8 pasien) digunakan sebagai data latih dan pengujian. Hasil pengujian berdasarkan Receiver Operating Characteristic (ROC) didapatkan akurasi pelatihan sebesar 90.2 ± 2.68% dan akurasi pengujian sebesar 89.2 ± 2.95%. Hasil ini berarti bahwa sistem CAD yang dikembangkan ini dapat mengenali citra kandung kemih yang normal dan abnormal.

---

Bladder cancer on a Computed Tomography Scanner (CT-Scan) image has a different shape, location and texture for each image. Each person's bladder is different in size when the image is taken. Contrast and non-contrast image captured on a CT scan of the bladder can be used to determine the structure and shape of the bladder. However, the difference in contrast images between an abnormality and a healthy bladder is often not visually obvious, making the evaluation is difficult. In this study, Computer-Aided Diagnosis (CAD) is used to help evaluating bladder abnormalities using the segmentation method based on an active contour algorithm. The Gray Level Co-Occurrence Matrix (GLCM)-based features of the images are used as the inputs of the Artificial Neural Network (ANN) to classify the normal and abnormal images. The research CAD in this study using MATLAB. A total number of samples were 320 images with 200 abnormal (25 patient) and 120 normal (8 patient) images were used as training and testing data. The result based on Receiver Operating Characteristic (ROC) illustrated that the training accuracy was 90,2 ± 2.68% and the test accuracy was 89,2 ± 2,95%. These results mean that this developed CAD system can recognize normal and abnormal bladder images"

"Kanker liver pada citra hasil CT-Scan memiliki bentuk, lokasi serta tekstur yang berbeda – beda disetiap citra. Perbedaan contrast antara abnormalitas dan liver sehat sering kali tidak dapat terlihat jelas, sehingga menyulitkan dalam evaluasi. Abnormalitas liver antara lain pembengkakan, fibrosis, kehadiran tumor jinak atau tumor ganas. Perbedaan contrast rendah dengan ukuran lebar dalam citra mudah dikenali sebagai abnormalitas, namun untuk massa kecil dan contrast rendah sulit dievaluasi. Dalam penelitian ini telah dilakukan CAD dengan tujuan untuk membantu evaluasi abnormalitas liver utamanya abnormalitas dengan ukuran kecil. Metode penelitian yang digunakan dalam penelitian ini adalah metode segmentasi berdasarkan active contour. Data yang digunakan merupakan data sekunder citra abdomen yang dihasilkan dari modalitas Computed Tomography Scanner (CT-Scan) RSUD Cibinong Bogor. Teknik pengumpulan data yang digunakan dengan melakukan observasi pada data pasien citra liver abnormal dari pasien-pasien kanker liver dan citra liver normal dari pasien-pasien penyakit lainnya sesuai dengan diagnosis dokter. Sedangkan untuk olah data digunakan proses ekstraksi fitur menggunakan analisis tekstur Gray-Level Co-occurrence Matrix (GLCM) dengan machine learning berupa Artificial Neural Network (ANN) untuk deteksi abnormalitas citra. Hasil penelitian menyatakan bahwa ANN dapat digunakan untuk mengelompokkan citra kedalam grup normal dan abnormal dengan akurasi sebesar 89% sensitivitas 86%, spesifisitas 92%, presisi 91%, error keseluruhan 10%.

---

Liver abnormalities in CT image commonly have different shape, location and texture. The contrast between abnormalities and healthy liver often cannot be clearly seen, making it difficult to evaluate. Liver abnormalities include swelling, fibrosis, the presence of benign tumors or malignant tumors. Low contrast differences with width measurements in images are easily recognized as abnormalities, but for small masses and low contrast it is difficult to evaluate. In this study CAD was carried out with the aim to help evaluate liver abnormalities, especially small size abnormalities. The segmentation method based on active contour is the method was employed in this research. The data which used was secondary data resulting abdomen image  from modalities of Computed Tomography Scanner (CT-Scan) of Cibinong Hospital, Bogor. The data collection techniques was used in this research were data abnormal liver image from patients liver cancer and normal liver image from patients other diseases according to the doctor's diagnosis. Meanwhile, the technique used to processing data was extraction feature process with analysis Gray-Level Co-occurrence Matrix (GLCM) texture and machine learning of Artificial Neural Network (ANN) for detection abnormality image. Results of this research stated that ANN can used for classify image to normal and abnormal group with accuracy of 89%, sensitivity of 86%, specificity of 92%, precision of 91%, and error of 10%."

"Modalitas pencitraan yang sering digunakan pada diagnosis kanker kandung kemih adalah Computed Tomography (CT). Informasi dari hasil pembacaan citra CT diharapkan berupa volume pada jaringan abnormal yang berguna untuk penentuan tindakan medis selanjutnya. Namun karena pada setiap slice citra memiliki ukuran, bentuk dan lokasi kanker kandung kemih yang berbeda-beda, maka penentuan volume menjadi tidak mudah. Oleh karena itu untuk meningkatkan keakuratan dan konsistensi penentuan diagnosa dan volume jaringan abnormalnya maka diperlukan bantuan Computer-Aided Diagnosis (CAD). CAD dapat dikembangkan menjadi perhitungan volume jaringan abnormal berdasarkan segmentasi dan klasifikasi citra. Pada penelitian ini, sistem CAD yang dikembangkan menggunakan metode segmentasi, fitur ekstrasi berbasis Gray Level Co-Occurrence Matrix (GLCM) dan klasifikasi citra normal dan abnormal menggunakan k-Nearest Neighbors (kNN). Data yang digunakan pada penelitian ini adalah 300 citra CT kandung kemih dari Rumah Sakit Kanker Dharmais, terdiri dari 100 citra normal dan 200 citra abnormal dengan 210 citra digunakan sebagai data pelatihan dan 90 citra digunakan sebagai data pengujian. Hasil performa sistem klasifikasi citra berupa akurasi sebesar 94,28% untuk data pelatihan dan 91,22% untuk data pengujian. Pada penelitian ini dilakukan kalkulasi volume jaringan abnormal kandung kemih terhadap 6 pasien dan hasilnya diperoleh volume terkecil 4,15 cm³ dan terbesar 77,40 cm³. Selain itu ditunjukkan pula volume jaringan abnormal terkecil yang dapat dideteksi adalah sekitar 0,03 cm³.

---

The most frequency using in the diagnosis of bladder cancer is computed tomography (CT). Information from CT image reading is expected to be in in the form abnormal tissue volume that is useful for determining the next treatment. However, the resulting image slices has a different size, shape and location of bladder cancer, determining the volume is not easy. Therefore, to improve the accuracy and consistency of reading medical images and abnormal tissue volume, Computer-Aided Diagnosis (CAD) can be assisted. CAD can be developed into abnormal tissue volume calculations based on image segmentation and classification. In this study, the CAD system was developed using preprocessing, segmentation, feature extraction based on Gray Level Co-Occurrence Matrix (GLCM) and normal and abnormal image classification using k-Nearest Neighbors (kNN). The data used in this study are 300 bladder CT images from Dharmais National Cancer Hospital, consisting of 100 normal images and 200 abnormal images. 210 images are used as training data, and 90 images are used as testing data. The results of CAD system performance in this study are in the form of the accuracy of 94.28% for training data and 91.22% for testing data. In this study, the volume of abnormal bladder tissue was calculated for 6 patients, and the results obtained the smallest volume is 4.15 cm³ and the largest 77.40 cm³. In addition, it is also shown that the smallest abnormal tissue slice in slice volume that can be detected is about 0.03 cm³."

"ABSTRAKPositron Emission Tomography (PET) telah dikenal sebagai modalitas molecular imaging yang sering memberikan informasi yang mendahului hasil pencitraan anatomi dari modalitas lain seperti Computed Tomography (CT) dan Magnetic Resonance (MR). Keunggulan PET untuk mendeteksi uptake yang sangat sedikit dari FDG dapat memberikan informasi abnormalitas pada organ, salah satunya pada otak. Pencitraan modalitas PET digunakan untuk mendiagnosis apabila terdapat abnormalitas dalam organ serta untuk memantau keberhasilan perlakuan radioterapi. Pada pencitraan otak menggunakan 2-Deoxy-2-[18F] fluoroglucose (FDG) uptake yang kecil tidak mudah dikenali secara visual, sehingga perlu menggunakan metode yang dapat membantu untuk mendeteksi. Dengan adanya teknik Computer-Aided Diagnosis (CAD) berupa segmentasi dan klasifikasi menggunakan citra PET diharapkan memberikan informasi abnormalitas dengan ukuran kecil yang tidak tampak secara visual. Pada penelitian ini, dikembangkan CAD menggunakan citra otak dengan modalitas PET untuk mendeteksi abnormalitas otak dengan metode klasifikasi menggunakan ekstraksi fitur berupa Gray Level Co-Occurrance Matrix (GLCM), intensity histogram, dan Gray Level Run Length Matrix (GLRLM) sebagai dataset dari klasifikasi teknik Artificial Neural Network (ANN). Hasil klasifikasi yang dievaluasi menggunakan Receiver Operating Characteristic (ROC) dengan hasil error pelatihan terkecil 1.92 ± 0.70 % dan error pengujian terkecil 12.30 ± 3.47%. Hasilnya menunjukkan bahwa sistem CAD yang dikembangkan dapat mengenali citra otak normal dan abnormal.

---

ABSTRACTPositron Emission Tomography (PET) is well known as a molecular imaging modality that provides functional organ information. This information supports the results of anatomical imaging from other modalities such as Computed Tomography (CT) and Magnetic Resonance Imaging (MRI). This superiority is due to the ability of PET to detect of small amount uptake from 2-Deoxy-2-[18F] fluoroglucose (FDG) which provide for information about abnormalities of organs, especially in the brain. Therefore, PET imaging is powerful to diagnose the presence of abnormalities, staging cancer, and evaluating radiotherapy treatment results. In brain PET imaging sometimes, small uptake is not easily visual recognized, hence an additional supporting method for its detection is needed. In this study, Computer-Aided Diagnosis (CAD) of brain abnormalities from PET images using classification methods based on a feature in the form of Gray Level Co-Occurrence Matrix (GLCM), intensity histogram, dan Gray Level Run Length Matrix (GLRLM) as a dataset of Artificial Neural Network (ANN). The result based on Receiver Operating Characteristic (ROC) illustrated that the training error was 1.92 ± 0.70 % and the test error was 12.30 ± 3.47%. These results mean that this developed CAD system can recognize normal and abnormal brain images."

"ABSTRAKTesis ini membahas kemampuan program segmentasi dan klasifikasi untuk melokalisasi daerah terduga kanker serviks dan mengelompokkan antara citra normal dan abnormal berdasarkan fitur-fitur yang terdapat dalam suatu citra. Citra yang digunakan terdiri dari dua macam, yaitu citra serviks abnormal dari pasien-pasien kanker serviks dan citra serviks normal dari pasien-pasien penyakit lainnya. Beberapa parameter dasar digunakan untuk mengklasifikasikan data citra ke dalam kelompok Abnormal dan Normal, yaitu panjang serviks, distribusi nilai piksel, jumlah piksel dan volume serviks pada citra CT-Scan. Namun, parameter-parameter tersebut memberikan hasil klasifikasi yang kurang akurat. Solusi yang ditawarkan adalah mensegmentasi daerah serviks dan mendapatkan fitur-fitur tekstur daerah tersebut pada data citra CT-Scan. Algoritma segmentasi yang digunakan adalah edge detection dan region-based snake model. Proses ekstraksi fitur menggunakan analisis tekstur Gray-Level Co-occurrence Matrix GLCM dengan machine learning berupa Support Vector Machine SVM . Hasil penelitian menyatakan bahwa SVM dapat digunakan untuk mengelompokkan citra ke kelompok normal dan abnormal dengan sensitivitas 95,2 , spesifisitas 90,5 , akurasi 92,9 , presisi 90,9 dan error keseluruhan 7,1.

---

ABSTRACT

The focus of this study is discussing the ability of segmentation and classification programs to localize areas of cervical cancer and to classify image data to normal and abnormal group based on features contained in images. Image data consists of two kinds, abnormal cervical images of cervical cancer patients and normal cervical images from patients of other diseases. Some basic parameters are used to classify image data into Abnormal and Normal groups, ie. cervical length, pixel value distribution, number of pixels and cervical volume on CT Scan images. However, these parameters give inaccurate classification results. The offered solution is to segment the cervical area and get the texture features of the area on the CT Scan image data. Segmentation algorithms we used are edge detection and region based snake model. The feature extraction process is in form of Gray Level Co occurrence Matrix GLCM texture analysis with machine learning in the form of Support Vector Machine SVM . The results suggest that SVM can be used to classify images to normal and abnormal groups with a sensitivity of 95,2 , a specificity of 90,5 , an accuracy of 92,9 , a precision of 90,9 and an overall error of 7,1 ."

"ABSTRAKPenelitian ini mengembangkan Computer Aided Diagnose (CAD) CT jantung pasiendewasa dengan menggunakan metode segmentasi deformable dan Frangi filter. Metode segmentasi deformable dan Frangi filter untuk mendapatkan posisi kalsifikasi di dalam maupun di luar arteri koroner. Setelah itu, kalsifikasi yang terdapat di dalam arteri koroner dihitung skor kalsium menggunakan metode skor Agatson dan dihitung persentase luasannya terhadap luaspembuluh darah untuk mengetahui korelasi antara skor kalsium, persentase penyempitan pembuluh darah dengan tingkat keparahan risiko penyakit jantung. Metode segmentasi deformable dan Frangi filter dapat menunjukan secara visual posisi kalsifikasi yang terdapat pada pembuluh darah arteri koroner untuk 4 cabang utama, yaitu left main (LM), left circumflex (LCx), left anterior descending (LAD), and right coronary arteries (RCA). Pada pengukuran persentase plak pada pembuluh darah, nilai persentase terendah adalah 20% sedangkan nilai persentase tertinggi adalah 75%. Tingkat risiko penyakit jantung koroner dapat diprediksi sebanding dengan nilai persentase plak pada pembuluh darah. Sementara itu, Perhitungan skor kalsium sesuai dengan hasil evaluasi dokter dalam penentuan stadium risiko penyakit jantung

---

ABSTRACTThis research developed Computer Aided Diagnose (CAD) CT heart of adult patients by using deformable segmentation method and Frangi filter. Method of deformable segmentation and Frangi filter to obtain the position of calcification inside and outside the coronary artery. Furthermore, calcification found in the coronary artery was calculated by calcium score using Agatson score method and calculated percentage of extent to blood vessel area to know correlation between calcium score, percentage of narrowing of bloodvessels with the severity of risk of heart disease. The deformable segmentation method and Frangi filter can show visually the position of calcification contained in coronary artery vein for 4 main branches, ie left main (LM), left circumflex (LCx), left anterior descending (LAD), and right coronary arteries (RCA ). In calculating the percentage of plaque on blood vessels, the lowest percentage value is 20% while the highest percentage value is 75%. Therisk of coronary heart disease is proportional to the percentage of plaque in blood vessels. Meanwhile, calcium score calculation is accordance with the results of the evaluation of the doctor in determining the stage of risk of heart disease"

"Kanker payudara adalah salah satu kanker paling umum terjadi di kalangan wanita dan tingkat kelangsungan hidupnya cenderung rendah ketika stadiumnya ditemukan sudah tinggi. Untuk meningkatkan kelangsungan hidup kanker payudara, deteksi dini sangat penting. Ada dua cara untuk mendeteksi kanker payudara: diagnosis dini dan skrining. Untuk membuat diagnosa yang akurat pada stadium awal kanker payudara, munculnya massa dan mikro-kalsifikasi pada citra mamografi merupakan dua indikator penting. Beberapa Computer-Aided Detection (CADe) telah dikembangkan untuk mendukung ahli radiologi karena pendeteksian mikro-kalsifikasi penting dalam menegakkan diagnosis dan perawatan yang direkomendasikan berikutnya. Sebagian besar sistem CADe yang ada saat ini mulai menggunakan Convolutional Neural Network (CNN) untuk mengimplementasikan deteksi mikro-kalsifikasi pada mammogram dan hasil kuantitatifnya sangat memuaskan, rata-rata tingkat akurasinya lebih dari 90%. Penelitian ini melakukan pendekatan otomatis untuk mendeteksi lokasi setiap mikro-kalsifikasi pada citra mammogram yang lengkap dan secara sederhana. Total lebih dari 350 gambar dari dataset INbreast digunakan dalam studi penelitian ini serta implementasi menggunakan data lokal Rumah Sakit (RS) sebanyak 23 citra. Proses ini dapat membantu ahli radiologi untuk melakukan diagnosis dini dan meningkatkan akurasi deteksi wilayah mikro-kalsifikasi. Performa sistem yang diusulkan diukur berdasarkan nilai error Mean Squared Logarithmic Error (MSLE) sebagai teknik untuk mengetahui perbedaan antara nilai yang diprediksi oleh model yang diusulkan dan nilai sebenarnya, didapat nilai loss terbaik yang diperoleh adalah 0,05. Hasil validasi daring mendapatkan nilai sensitivitas sebesar 88.14%, presisi 91.6% dan akurasi sebesar 90.3%. Hasil implementasi pada data lokal RS menunjukkan model CADe dapat mendeteksi mikro-kalsifikasi dengan cukup baik.

---

Breast cancer is one of the most common cancer among women and the survival rate tends to be low when its stage found high when treated. To improve breast cancer survival, early detection is critical. There are two ways of detection for breast cancer: early diagnosis and screening. To make an accurate diagnosis in the early stage of breast cancer, the appearance of masses and micro-calcifications on the mammography image are two important indicators. Several Computer-Aided Detection (CADe) have been developed to support radiologists because the automatic detection of micro-calcification is important for diagnosis and the next recommended treatment. Most of the current CADe systems at this time started using Convolutional Neural Network (CNN) to implement the micro-calcification detection in mammograms and their quantitative results are very satisfying, the average level of accuracy is more than 90%. This research conducts an automated approach to detect the location of any micro-calcification in the mammogram images with the complete image and in a simple way. A total more than 350 images from INbreast dataset were used in this research study and for implementation used 23 images from local hospital data. This process can help as an assistant to the radiologist for early diagnosis and increase the detection accuracy of the microcalcification regions. The proposed system performance is measured according to the error values of Mean Squared Logarithmic Error (MSLE) as the technique to find out the difference between the values predicted by the proposed model and the actual values, the best loss value obtained by the training model was achieved in 0.05. The results for data online validation for sensitivity is 88.14%, precision is 91.6% and accuracy is 90.3%. The CADe model can detect micro-calcification quite well using local hospital data."

"Retinopati diabetik adalah kelainan vaskular retina yang disebabkan oleh diabetes jangka panjang. Deteksi dini retinopati diabetik pada pasien diabetes diperlukan karena tidak ada gejala yang terlihat selama tahap awal penyakit. Para peneliti mengembangkan metode berbasis komputer untuk membantu dokter dalam proses deteksi dini. Dokter dapat menggunakan output dari metode tersebut sebagai pertimbangan dalam mediagnosis tipe retinopati diabetik yang diderita pasien. Salah satu metode yang populer adalah deep learning. Pada penelitian ini, dibangun gabungan dua algoritma deep learning, yaitu Convolutional Neural Network (CNN)-Long Short-Term Memory (LSTM) untuk deteksi retinopati diabetik dengan output berupa caption yang menjelaskan kondisi yang ada pada citra fundus pasien. CNN digunakan untuk mengekstraksi fitur lesi retinopati diabetik pada citra fundus, dan LSTM digunakan untuk membuat caption berdasarkan fitur lesi tersebut. Penelitian ini menggunakan empat model CNN, yakni AlexNet, pre-trained AlexNet, GoogleNet, dan pre-trained GoogleNet. Simulasi gabungan algoritma CNN-LSTM dilakukan dengan proporsi data yang berbeda menggunakan data set dari Rumah Sakit Cipto Mangunkusumo. Hasil simulasi menunjukkan bahwa gabungan algortima CNN-LSTM dapat mendeteksi fitur lesi dan membuat caption dengan rata-rata kinerja akurasi tertinggi sebesar 91.69% untuk model pre-trained GoogleNet-LSTM dan proporsi data 80% data training dan 20% data testing.

---

Diabetic retinopathy is a retinal vascular disorder caused by long-term diabetes. Early diabetic retinopathy detection in diabetes patients is needed because no symptoms can be seen during the early stage of disease. The researchers developed a computer-based method to assist ophthalmologists in the early detection process. Ophthalmologists can use the output of the method as a consideration in diagnosing the type of diabetic retinopathy. One of the popular methods is deep learning. In this study, a combination of two deep learning algorithms, namely Convolutional Neural Network (CNN)-Long Short-Term Memory (LSTM), was constructed for diabetic retinopathy detection with the output in the form of a caption that explains the condition present in the patient’s fundus images. CNN is used to extract features of diabetic retinopathy lesions on fundus images, and LSTM is used to generate a caption based on those lesion features. This study used four CNN models that are AlexNet, pre-trained AlexNet, GoogleNet, and pre-trained GoogleNet. Simulation of a combined CNN-LSTM algorithm has been done with the different proportions of data using a data set from Cipto Mangunkusumo National General Hospital. The simulation results show that a combined CNN-LSTM algorithm can detect lesion features and generate caption with the highest average performance accuracy of 91.69% for pre-trained GoogleNet-LSTM and the proportion 80% training data and 20% testing data."

"ABSTRAKPenelitian ini mengembangkan Computer Aided Diagnosis (CAD) untuk mamografi dengan menggunakan metode segmentasi Markov Random Field (MRF) dan local threshold. Metode local threshold mencari abnormalitas dengan membandingkan segmen citra abnormal dengan normal. Sementara itu, metode MRF mencari abnormalitas berdasarkan nilai piksel dan bentuk cluster. Metode MRF dikerjakan dengan dan tanpa median filter, contrast enhancement histeq dan CLAHE. Metode segmentasi local threshold memiliki sensitivitas 77,8%, akurasi 68,4%, spesifitas 60,4%, presisi 62,5%, dan overall error 31,6%. Rendahnya keberhasilan disebabkan bentuk payudara pada data sampel tidak seragam, sehingga tiap segmen dari tiap citra belum tentu menunjukkan posisi yang sama. Segmentasi citra MRF yang dilakukan tanpa filter dan contrast enhancement, memiliki keberhasilan terendah. Hal ini membuktikan bahwa citra mamografi memiliki kontras yang rendah dan noise yang tinggi. Metode MRF dilengkapi dengan median filter memiliki akurasi tertinggi (87,0%) dan overall error terendah (12,8%), yang berarti metode ini adalah metode yang paling baik dalam melakukan deteksi sesuai dengan diagnosis dokter. Metode histeq+MRF memiliki sensitivitas yang tinggi (95,9%) dan spesifitas yang rendah (76,2%) yang menunjukkan bahwa metode ini berhasil mendeteksi citra abnormal sebagai abnormal, namun banyak mendeteksi citra normal sebagai abnormal. Metode CLAHE+MRF memiliki nilai spesifitas tertinggi (92,2%) dan sensitivitas terendah (73,1%) yang berarti metode berhasil mendeteksi citra normal sebagai normal, namun banyak mendeteksi citra abnormal sebagai normal. Dalam menentukan sifat benign dan maglina dari cluster abnormal, metode histeq+MRF merupakan metode yang paling berhasil dalam memvisualisasi citra dengan diagnosis maglina.

---

ABSTRACTThis research developed Computer Aided Diagnosis (CAD) for mammography using Markov Random Field (MRF) and local thereshold method. The Local thereshold methods finds abnormalities by comparing segments from abnormal image. While, MRF methods find abnormalities based on the pixel value and cluster's shape. In this research, the MRF method carried out with median fiter, histeq, and CHALCE contrast enhancement. MRF without any filter and contrast enhancement also done. The sensitivity, accuracy, specfity, presision and overall error of local thereshold method sequentially are 77.8%, 68.4%, 60.4%, 62.5%, and 31.6%. The low result caused by the diversity of the breast's from in the sample, so that each segment on each image doesn't refer to the same anatomical position. MRF segmentationwithout any filter and contrast enhancement gave the worst result. This result proved that mammography images have poor contrast and lot of noise. MRF method with median filter has the highestaccuracy (87.0%) and the lowest overall error (12.8%). This score shows that median filter + MRF method is the best method that can matches doctor's diagnosis. Histeq+MRF method has the highest sensitivity (95.9%) and the lowest specifity (76.52%). This result indicates that histeq+MRF method succesfully detect abnormal image as abnormal, but detect many the normal images as abnormal. CLAHE+MRF method has the highest specifity (92.2%) and the lowest sensitivity (73.1%). It shows that this method has a good performance in detecting normal image as normal but detect many abnormal images as normal. Histeq+MRF method shows the best performance in visualizing maglina clusters."

"Luasnya dampak negatif gangguan depresi terhadap kehidupan seseorang membawa urgensi akan pentingnya metode diagnosis yang akurat dan objektif agar bisa menerapkan langkah pengobatan yang cepat pada pasien yang depresi. Metode diagnosis gangguan depresi yang berbasis kuesioner atau wawancara berpotensi subyektif, karena pasien bisa saja tidak menceritakan dengan detail kondisi yang dialaminya. EEG dapat menjadi sarana alternatif untuk mencapai diagnosis yang akurat dan objektif tersebut. Sinyal EEG mengandung banyak fitur yang dapat diekstrak dengan mudah, contohnya Relative Power Ratio (RPR). Penelitian ini mengekstrak fitur RPR dari sinyal EEG dengan menggunakan dua metode, yaitu STFT (Short-Time Fourier Transform) dan PSD (Power Spectral Density) dari 14 elektroda EEG yang tersedia. Fitur RPR yang diekstrak akan direduksi menggunakan algoritma PCA (Principal Component Analysis) ke dalam dimensi yang lebih rendah dengan tetap mempertahankan variansi (informasi) fitur sebesar 90%. Model ANN (Artificial Neural Network) dengan jenis FNN (Feedforward Neural Network) digunakan untuk klasifikasi pasien yang sehat dengan yang depresi. Dampak dari algoritma PCA akan dilihat pada performa model FNN dan lama waktu pelatihan yang dibutuhkan model FNN. Performa model yang akan diukur adalah akurasi, sensitivitas dan spesifisitas. Performa model akan divalidasi menggunakan 10-Fold Validation yang dijalankan sebanyak 10 iterasi. PCA berhasil mereduksi dimensi fitur RPR sebesar 57.1% dengan metode PSD dan 57.1% dengan metode STFT. Akurasi tertinggi yang didapatkan model FNN adalah 69.5% ketika menerapkan algoritma PCA pada RPR metode PSD, dan 68% ketika menerapkan algoritma PCA pada fitur RPR metode STFT. Penerapan PCA pada fitur RPR menurunkan waktu pelatihan model sebesar 6.33% dengan metode PSD dan sebesar 42.56% dengan metode STFT. Performa model FNN lebih baik setelah penerapan PCA dibandingkan dengan menggunakan fitur RPR langsung ke dalam model FNN. Hal ini menunjukkan bahwa PCA memiliki potensi untuk menurunkan waktu pelatihan model FNN dengan tetap mempertahankan performa model FNN.

---

The extent of the negative impact of depressive disorder on a person’s life raises the urgency of the importance of an accurate and objective diagnostic method to quickly apply treatment steps for depressive patients. Diagnostic method that based on questionnaire and interview has the potential to be subjective, because the patient might be not fully explain his condition. EEG or Electroencephalography could be an alternative way to achieve the accurate and objective diagnostic. EEG signal has many features that can be extracted easily, for example the Relative Power Ratio. This research extracted RPR features from EEG signal by implementing two methods, STFT (Short-Time Fourier Transform) and PSD (Power Spectral Density) from 14 available EEG electrodes. The extracted RPR features will be reduced by using PCA algorithm to a lower dimension while still retaining 90% variance (information) from the features. ANN (Artificial Neural Network) with the type of FNN (Feedforward Neural Network) will be used to classify healthy patients with depressed patients. The effect of PCA algorithm will be seen on the FNN model’s performances and on the training duration of the FNN model. Model’s performances that will be measured are accuracy, sensitivity, and specificity. Model’s performances will be validated by using 10-Fold Validation which will be executed for 10 iterations. PCA managed to reduce 57.1% RPR features’ dimensions by using PSD method and 57.1% by using STFT method. The highest accuracy achieved by FNN model is 69.5% when implementing PCA algorithm to the RPR features from the PSD method, and 68% when implementing PCA algorithm to the RPR features from STFT method. The implementation of PCA to the RPR features managed to reduce 6.33% training duration of FNN model for the PSD method and 42.56% for the STFT method. Better FNN model’s performances are shown after the implementation of PCA algorithm compared to when using the RPR features directly to the FNN model. This shows that PCA has a potential of reducing the training duration of the FNN model while still retaining FNN model’s performances."