Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Metode Mel Frequency Cepstral Coefficient (MFCC) adalah metode yang paling populer dan memiliki kinerja yang baik sebagai metode feature extraction (pengekstraksi ciri) hingga saat ini. Namun berdasarkan hasil simulasi, diketahui bahwa speaker recognition system yang menggunakan MFCC sebagai metode feature extraction memiliki akurasi yang rendah ketika diterapkan pada sinyal suara yang mengandung noise. Dalam penelitian ini, penulis mengusulkan metode Discrete Wavelet Transform - Mel Frequency Cepstral Coefficient (DWT-MFCC) untuk mengatasi masalah tersebut. Hasil simulasi menunjukkan bahwa metode DWT-MFCC memiliki akurasi lebih tinggi dibandingkan dengan metode MFCC konvensional apabila diterapkan sebagai metode feature extraction dalam sistem speaker recognition dengan tingkat SNR dari 15 hingga 40 dB.

---

The Mel-frequency Cepstral Coefficients (MFCC) method is the most popular method and has good performance as a feature extraction to date. But based on the simulation results, it is known that the speaker recognition system that uses MFCC as a feature extraction has low accuracy when applied to voice containing noise. In this study, we propose the Discrete Wavelet Transform - Mel Frequency Cepstral Coefficient (DWT-MFCC) method to overcome this problem. The simulation results show that the DWT-MFCC method has higher accuracy compare with conventinal MFCC method when applied as feature extraction in the speaker recognition system with SNR from 15 to 40 dB.

Abstrak :
Teknologi pengenalan suara saat ini telah mengalami perkembangan terutama dalam hal speech processing. Speech processing merupakan suatu cara untuk mengekstrak informasi yang diinginkan dari sebuah sinyal suara. Penelitian ini membahas sistem klasifikasi suara manusia male dan female.

Abstrak :
Kematian yang disebabkan oleh kanker diperkirakan akan terus meningkat, padahal jumlah kematian ini dapat dikurangi dengan adanya deteksi dini. Salah satunya adalah dengan klasifikasi data kanker. Data kanker yang digunakan merupakan data kanker berdimensi tinggi dengan ribuan fitur, tetapi tidak semua fitur yang ada merupakan fitur yang relevan. Oleh karena itu, perlu adanya proses seleksi fitur. Untuk meningkatkan tingkat akurasi yang dihasilkan, digunakan sebuah metode seleksi fitur yang meninjau adanya korelasi antar gen, yaitu CSVM-RFE. Pada metode tersebut, data yang ada diproyeksikan dan diubah menjadi sebuah data baru dengan ekstraksi fitur, dan kemudian dilakukan proses seleksi fitur. Penggunaan dua metode tersebut pada klasifikasi tiga data kanker yang ada terbukti menghasilkan tingkat akurasi yang tinggi, pada data kanker kolon tingkat akurasi yang didapatkan adalah sebesar 96.6, pada kanker prostat sebesar 98.9, dan pada kanker lymphoma sebesar 98,6. ......The number of death caused by cancer expected to rise over two decades, whereas the number of death can be reduced by early detection. One of them is cancer classification. Cancer dataset is a high dimensional dataset that consist of thousands of features, but not all of these features are relevant. Therefore, it is necessary to remove the redundant features using feature selection. Feature selection can also improve the accuracy of classification. Many feature selection methods do not consider the correlated genes, so we need a new feature selection method that consider the correlated genes. It is CSVM RFE, in this method the existing data is projected and converted into a new data with feature extraction. These two methods are applied to the cancer datasets, and produce the accuracy of 96.6 using colon cancer dataset, 98.9 using prostate cancer dataset, and 98.6 using lymphoma cancer dataset.

Abstrak :
This research aims to examine a new meyhod inserted in the process of signal feature recognition, namely the objct pre-analysis feature manipulation....

Abstrak :
Interferometric SAR (IFSAR) offers a solution for a country like Indonesia to map areas that are covered by cloud all year long. In using IFSAR data for producing topographic maps, our main requirement is to set the procedures that resemble photogrametric process as close as possible due to the operators, background and the already available sofware and haedware....

Abstrak :
The analysis of HOS (High Order Statistics) are expexted to provide a richer description about data in parametric features for the purpose of pattern recognition of the data of an object or event. The higher order analysis of HOS will give the more candidates of feature parameter that can be selected for utilization....

Abstrak :
This research present asymmetry, border irregularity, color variation, and diameter (ABCD) feature extraction of image dermatoscopic for melanoma skin cancer diagnosis. ABCD feature is the important information based on morphology analysis of image dermatoscopic lesion. ABCD feature is used to calculate Total Dermatoscopic Value (TDV) for melanoma skin cancer diagnosis. Asymmetry feature consist information of asymmetry and lengthening index of the lesion. Border irregularity feature consist information of compactness index, fractal dimension, edge abruptness, and pigmentation transition from the lesion. Color homogeneity feature consist information of color homogeneity and the correlation between photometry and geometry of the lesion. Diameter extraction is diameter of the lesion. There are three diagnosis that is used on this research i.e. melanoma, suspicious, and benign skin lesion. The experiment uses 30 samples of image dermatoscopic lesion that is suspicious melanoma skin cancer. Based on the experiment, the accuracy of the system is 85% that there are four false diagnoses of 30 samples.

---

Penelitian ini menyajikan ekstraksi fitur citra dermatoskopik untuk diagnosis kanker kulit melanoma berdasarkan asymmetry, border irregularity, color variation, dan diameter (ABCD). Fitur ABCD adalah informasi yang penting berdasarkan analisis morfologi lesi citra dermatoskopik. Fitur tersebut digunakan dalam perhitungan Total Dermatoscopic Value (TDV) untuk diagnosis kanker kulit melanoma. Fitur asymmetry terdiri dari informasi asimetri dan indeks perpanjangan luka. Fitur border irregularity terdiri dari informasi indeks compactness, dimensi fraktal, edge abruptness, dan transisi pigmentasi dari lesi. Warna fitur homogenitas terdiri dari informasi homogenitas warna dan korelasi antara fotometri dan geometri lesi. Ekstraksi diameter adalah diameter lesi. Ada tiga diagnosa yang digunakan pada penelitian ini yaitu melanoma, diduga melanoma, dan benign skin lesion. Percobaan ini menggunakan 30 sampel dari lesi citra dermatoskopik kanker kulit melanoma yang mencurigakan. Berdasarkan percobaan, akurasi dari sistem ini adalah 85% dan terdapat empat diagnosa palsu dari 30 sampel.

Abstrak :
SIBI merupakan bahasa isyarat resmi yang digunakan di Indonesia. Penggunaan SIBI seringkali ditemukan permasalahan karena banyaknya gerakan isyarat yang harus diingat. Penelitian ini bertujuan untuk mengenali gerakan isyarat SIBI dengan cara mengekstraksi fitur tangan dan wajah yang kemudian diklasifikasikan menggunakan Bidirectional Long ShortTerm Memory (BiLSTM). Ekstraksi fitur yang digunakan dalam penelitian ini adalah Deep Convolutional Neural Network (DeepCNN) seperti ResNet50 dan MobileNetV2, di mana kedua model tersebut digunakan sebagai pembanding. Penelitian ini juga membandingkan performa dan waktu komputasi antara kedua model tersebut yang diharapkan dapat diterapkan pada smartphone nantinya, dimana model tersebut akan diimplementasikan. Hasil penelitian menunjukkan bahwa penggunaan model ResNet50-BiLSTM memiliki kinerja yang lebih baik dibandingkan dengan MobileNetV2-BiLSTM yaitu 99,89%. Namun jika akan diaplikasikan pada arsitektur mobile, MobileNetV2-BiLSTM lebih unggul karena memiliki waktu komputasi yang lebih cepat dengan performa yang tidak jauh berbeda jika dibandingkan dengan ResNet50-BiLSTM. ......SIBI is a sign language that is officially used in Indonesia. The use of SIBI is often found to be a problem because of the many gestures that have to be remembered. This study aims to recognize SIBI gestures by extracting hand and facial features which are then classified using Bidirectional Long ShortTerm Memory (BiLSTM). The feature extraction used in this research is Deep Convolutional Neural Network (DeepCNN) such as ResNet50 and MobileNetV2, where both models are used as a comparison. This study also compares the performance and computational time between the two models which is expected to be applied to smartphones later, where both models can now be implemented on smartphones. The results showed that the use of ResNet50-BiLSTM model have better performance than MobileNetV2-BiLSTM which is 99.89\%. However, if it will be applied to mobile architecture, MobileNetV2-BiLSTM is superior because it has a faster computational time with a performance that is not significantly different when compared to ResNet50-BiLSTM.

Abstrak :

Kanker merupakan salah satu penyakit dengan angka kematian tertinggi di dunia. Kanker adalah penyakit ketika sel-sel abnormal tumbuh tidak terkendali yang dapat menyerang organ tubuh yang berdampingan atau menyebar ke organ lain. Untuk mendiagnosis kanker paru-paru dapat dilakukan dengan pengambilan gambar rontgen, CT scan, dan biopsi jaringan paru. Tujuan dari penelitian ini adalah untuk memprediksi apakah pasien menderita kanker paru-paru atau tidak, dengan menggunakan data gambar CT scan mereka. Oleh sebab itu, dalam penelitian ini digunakan ekstraksi fitur dari gambar CT scan sebagai data untuk mengklasifikasi kanker paru-paru. Data yang digunakan merupakan data gambar CT scan yang didapat dari SPIE-AAPM Lung CT Challenge 2015. Gambar CT scan paru-paru dengan ukuran 512x512 sebelumnya dilakukan pre-processing 2D crop dan filtering. Dengan mengekstraksi fitur dari data gambar seperti ukuran nodul, Gray Level Co-occurrence Matriks (GLCM), dan Local Binary Pattern (LBP) dapat mengubah data gambar menjadi numerik. K-Fold Cross Validation digunakan untuk memisahkan data menjadi data training dan data testing. Fuzzy C-Means (FCM) dan Fuzzy Kernel C-Means (FKCM) diterapkan untuk pengklasifikasian. Didapatkan performa FKCM lebih baik dibandingkan FCM, dengan rata-rata akurasi 75.60%, precision 83.05%, dan specificity 87.80%. Oleh karena itu, penambahan kernel pada metode Fuzzy C-Means dapat meningkatkan performa dari metode tersebut

---

Cancer is one of the diseases with the highest mortality rate in the world. Cancer is a disease when abnormal cells grow out of control that can attack the body's organs side by side or spread to other organs. To diagnose lung cancer can be done by taking x-ray images, CT scans, and lung tissue biopsy. The purpose of this study is to classify whether patients have lung cancer or not using their CT scan image data. Therefore, in this study feature extraction from CT images was used as data to classify lung cancer. The data used in the form of CT scan image obtained from SPIE-AAPM Lung CT Challenge 2015. Previously, a CT scan of the lung with a size of 512x512 was pre-processed 2D crop and filtering. By extracting features from image data such as nodule size, Gray Level Co-occurrence Matrix (GLCM), and Local Binary Pattern (LBP) can convert image data to numeric. K-Fold Cross Validation is used to separate data into training data and testing data. Fuzzy C-Means (FCM) and Fuzzy C-Means (FKCM) are applied for classification. FKCM performed better than FCM, with 75.60% average accuracy, 83.05% average precision, and 87.80% average specificity. Therefore, adding a kernel to the Fuzzy C-Means method can improve the performance of the method.