Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini bertujuan untuk mengimplementasikan spectral clustering-PAM dengan menggunakan algoritma similaritas serial dan mengimplementasikan algoritma similaritas paralel berbasis CUDA dalam metode spectral clustering pada data microarray gen karsinoma. Implementasi dibantu dengan perangkat lunak R berbasis open source yang digunakan pada algoritma spectral clustering-PAM dengan algoritma similaritas serial dan CUDA yang digunakan pada algoritma similaritas paralel. Pengelompokan data microarray gen karsinoma diawali dengan menormalisasi data menggunakan normalisasi min-max. Pada algoritma spectral clustering-PAM, pertama-tama similaritas antar gen karsinoma dihitung. Selanjutnya, membentuk matriks Laplacian ternormalisasi dari matriks diagonal dan matriks Laplacian tak ternormalisasi. Langkah berikutnya yaitu menghitung eigenvalue dari matriks Laplacian ternormalisasi dan menentukan eigenvector dari eigenvalue terkecil matriks Laplacian ternormalisasi yang disusun menjadi dataset baru untuk dipartisi setiap barisnya menggunakan metode PAM. Berdasarkan running time, waktu yang dibutuhkan untuk menghitung nilai similaritas secara paralel di CUDA 378 kali lebih cepat daripada secara serial di R. Hasil penelitian menunjukkan bahwa spectral clustering-PAM mengelompokkan data microarray gen karsinoma menjadi dua cluster dengan nilai rata-rata silhouette yaitu 0,6458276.

---

This research aims to implement the spectral clustering PAM using serial similarity algorithm and implement parallel similarity algorithm based on CUDA in spectral clustering method on microarray data of carcinoma genes. Implementation assisted with software based on open source R used in spectral clustering algorithm PAM with serial similarity algorithm and CUDA used to parallel similarity algorithm. Clustering microarray data of carcinoma genes preceded by normalizing the data using min max normalization. In the spectral clustering PAM algorithm, first of all, similarity between genes of carcinoma calculated. Furthermore, forming the normalized Laplacian matrix from diagonal matrix and unnormalized Laplacian matrix. The next step is to calculate the eigenvalues of normalized Laplacian matrix and determine the eigenvectors of k smallest eigenvalues of normalized Laplacian matrix is organized into a new dataset to be partitioned each line using PAM. Based on the running time, the time required to calculate the value of parallel similarity in CUDA is 378 times faster than a serial in R. The results showed that spectral clustering PAM classify microarray data of carcinoma genes into two clusters with an average silhouette value is 0,6458276."

"Divais pemindai tiga dimensi (3D) mulai menarik perhatian dunia medis rekonstruksi kosmetik, khususnya ranah kedokteran Anaplastology. Dalam memberikan pelayanan terbaiknya, ranah yang bertugas untuk merestorasi bagian tubuh yang tidak sempurna ini, memanfaatkan kemampuan pemindai 3D dalam membuat replika prostetik yang menyerupai bentuk aslinya dengan cepat. Teknik pemindaian dengan bantuan metode cahaya terstruktur berpola banyak digunakan untuk menghasilkan gambar dengan kualitas resolusi tinggi dan dapat dapat memindai objek tanpa tekstur seperti kulit manusia. Meskipun pemindai 3D ini berpotensi untuk menggantikan metode terdahulunya yang dinilai tidak efektif dan kurang akurat, pemindai 3D memiliki harga yang cukup mahal. Skripsi ini bertujuan untuk melakukan analisis uji similaritas berbagai model permukaan 3D yang dapat merepresentasikan model hasil pemindaian 3D yang dirancang lebih murah (Intel® RealSense SR300) dibandingkan dengan pemindai 3D Einscan Pro 2X sebagai referensi (akurasi hingga 0,05 mm). Analisis similaritas diolah menggunakan bahasa Python dengan perhitungan distribusi bentuk (Shape Distribution). Proses pengukuran similaritas melalui dua tahapan utama yaitu mendapatkan descriptor dari transformasi model 3D dengan fungsi bentuk (shape function) D1 menjadi bentuk 1D dan membandingkan dengan metode pembanding distribusi probabilitas menggunakan Jensen-Shanon Distance (JSD). Perhitungan ini akan menghasilkan tingkat kesamaan geometris kedua hasil pemindaian. Hasil perbandingan terbaik melalui proses pemodelan 3D hingga fabrikasi prostesis serta dilakukan pengujian secara kuantitatif dengan analisis similaritas dan kualitatif dengan analisis data Likert.

---

Divais pemindai tiga dimensi (3D) mulai menarik perhatian dunia medis rekonstruksi kosmetik, khususnya ranah kedokteran Anaplastology. Dalam memberikan pelayanan terbaiknya, ranah yang bertugas untuk merestorasi bagian tubuh yang tidak sempurna ini, memanfaatkan kemampuan pemindai 3D dalam membuat replika prostetik yang menyerupai bentuk aslinya dengan cepat. Teknik pemindaian dengan bantuan metode cahaya terstruktur berpola banyak digunakan untuk menghasilkan gambar dengan kualitas resolusi tinggi dan dapat dapat memindai objek tanpa tekstur seperti kulit manusia. Meskipun pemindai 3D ini berpotensi untuk menggantikan metode terdahulunya yang dinilai tidak efektif dan kurang akurat, pemindai 3D memiliki harga yang cukup mahal. Skripsi ini bertujuan untuk melakukan analisis uji similaritas berbagai model permukaan 3D yang dapat merepresentasikan model hasil pemindaian 3D yang dirancang lebih murah (Intel® RealSense SR300) dibandingkan dengan pemindai 3D Einscan Pro 2X sebagai referensi (akurasi hingga 0,05 mm). Analisis similaritas diolah menggunakan bahasa Python dengan perhitungan distribusi bentuk (Shape Distribution). Proses pengukuran similaritas melalui dua tahapan utama yaitu mendapatkan descriptor dari transformasi model 3D dengan fungsi bentuk (shape function) D1 menjadi bentuk 1D dan membandingkan dengan metode pembanding distribusi probabilitas menggunakan Jensen-Shanon Distance (JSD). Perhitungan ini akan menghasilkan tingkat kesamaan geometris kedua hasil pemindaian. Hasil perbandingan terbaik melalui proses pemodelan 3D hingga fabrikasi prostesis serta dilakukan pengujian secara kuantitatif dengan analisis similaritas dan kualitatif dengan analisis data Likert."

"Tensor yang dipandang sebagai multidimensional array adalah bentuk umum dari suatu matriks. Oleh karena itu, dapat dikonstruksi bentuk umum dari hasil kali matriks yang disebut sebagai hasil kali tensor. Tujuan dari tulisan ini adalah menjelaskan inversi kiri dan inversi kanan suatu tensor. Pada tulisan ini disajikan karakteristik eksistensi inversi kiri dan inversi kanan orde k dari suatu tensor. Disajikan pula hasil terkait keserupaan suatu tensor.

---

Tensor, which is seemed as multidimensional array, is a general form of matrix. Therefore, tensor could be constructed into general form of matrix product which is called tensor product. The aim of this writing was to explain the right and left inversion of tensor. In this research, there were characteristics of right and left extension of orde k of tensor provided, in addition, there was also a result involved of the tensor similarity."