Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker otak adalah pertumbuhan sel-sel abnormal di organ otak yang bersifat ganas. Salah satu cara untuk mengurangi perkembangan penyakit ini adalah melakukan pendeteksian dini menggunakan machine learning. Metode machine learning yang digunakan adalah AdaBoost Support Vector Machines untuk klasifikasi. AdaBoost Support Vector Machines adalah metode ensemble antara AdaBoost dengan base classifier Support Vector Machines. Data kanker otak direpresentasikan dalam bentuk matriks berupa ekspresi gen yang disebut DNA microarray. Data DNA microarray yang berdimensi tinggi akan direduksi dengan pemilihan fitur Signal-to-noise Ratio. Pemilihan fitur bekerja untuk menemukan fitur-fitur yang informatif dan membuang fitur-fitur yang tidak sesuai. Pertama, data diklasifikasi menggunakan AdaBoost Support Vector Machines tanpa pemilihan fitur, dilanjutkan klasifikasi menggunakan AdaBoost Support Vector Machines dengan pemilihan fitur. Pendekatan one vs one digunakan untuk menyelesaikan masalah multi kelas. Setelah melakukan pengujian, hasil akurasi terbaik adalah 91,111 pada data training 90 dengan menggunakan pemilihan fitur sebanyak 60 fitur. Hasil tersebut lebih baik dibandingkan klasifikasi tanpa pemilihan fitur yaitu 86,667 pada data training 90.

---

Brain cancer is the growth of abnormal cells in the brain organ malignantly. One way to reduce the progression of this disease is to do early detection using machine learning. Machine learning method used is AdaBoost Support Vector Machines for classification. AdaBoost Support Vector Machines is an ensemble method between AdaBoost and base classifier Support Vector Machines. Brain cancer data is represented in the form of matrix of gene expression called DNA microarray. The high dimensional DNA microarray data will be reduced by Signal to noise Ratio feature selection.

Feature selection works to find informative features and discard irrelevant features. Firts, the data is classified using AdaBoost Support Vector Machines without feature selection, further classified using AdaBoost Support Vector Machines with feature selection. The one vs one approach is used to solve multi class problems. After testing, the best accuracy result is 91,111 in 90 training data by using feature selection of 60 features. The result is better than the classification without feature selection that is 86,667 in 90 data training."

"Pengolahan data magnetotelurik merupakan tahapan penting dalam pengembangan eksplorasi panas bumi. Sehingga untuk mendapatkan kualitas data yang baik diperlukan pemahaman tentang data magnetotelurik. Sebelum memahami data magnetotelurik, langkah utama yang harus dipelajari adalah memahami metode magnetotelurik. Metode MT merupakan teknik elektromagnetik pasif yang memanfaatkan sumber alam untuk menentukan kondisi bawah permukaan dengan cara mendeskripsikan sebaran resistivitas batuan. Biasanya, dalam akuisisi data magnetotelurik, data yang terdiri dari sinyal dan noise akan direkam. Sinyal adalah komponen yang terdiri dari medan listrik dan magnet yang diukur dan saling berhubungan satu sama lain melalui suatu fungsi transfer, sedangkan noise merupakan bagian dari data pengukuran MT yang dapat merusak data dan harus dikurangi. Munculnya noise akan menurunkan kualitas data MT, dan signal to noise ratio akan lebih rendah. Umumnya, noise yang terekam memiliki sifat koheren yang tidak teratur seperti noise spike. Untuk mengurangi kebisingan koheren, filter digital dapat digunakan dengan metode ekstensi entropi maksimum dan dekonvolusi jendela. Setelah melakukan filter spike noise, nilai signal to noise ratio meningkat dan kualitas data lebih baik dari sebelumnya. Nilai rms untuk kesalahan filter ekstensi entropi maksimum adalah 9,8% dan dekonvolusi jendela filter adalah 2,06%. Berdasarkan pemrosesan kurva resistivitas semu dan fase, hasil setelah pemfilteran MT terlihat lebih baik daripada sebelumnya atau saat menggunakan perangkat lunak SSMT 2000. Berdasarkan hasil inversi 1D dan 2D terlihat bahwa hasil filter MT lebih baik dari pada SSMT 2000.

---

Magnetotelluric data processing is an important stage in the development of geothermal exploration. So to get good data quality an understanding of magnetoteluric data is needed. Before understanding magnetoteluric data, the main step that must be studied is to understand the magnetoteluric method. The MT method is a passive electromagnetic technique that utilizes natural sources to determine subsurface conditions by describing the resistivity distribution of rocks. Usually, in magnetoteluric data acquisition, the data which consists of the signal and noise will be recorded. Signal is a component consisting of electric and magnetic fields that are measured and interconnected with each other through a transfer function, while noise is part of the MT measurement data which can damage data and must be reduced. The appearance of noise will reduce the quality of MT data, and the signal to noise ratio will be lower. Generally, recorded noise has irregular coherent properties such as spike noise. To reduce coherent noise, digital filters can be used with the maximum entropy extension method and window deconvolution. After filtering the spike noise, the signal to noise ratio value increases and the data quality is better than before. The rms value for the maximum entropy extension filter error is 9.8% and the filter window deconvolution is 2.06%. Based on the processing of pseudo resistivity curves and phase, the results after MT filtering look better than before or when using the SSMT 2000 software. Based on the results of 1D and 2D inversions, it can be seen that the results of the MT filter are better than that of SSMT 2000."

"Permasalahan utama dalam kompresi gambar adalah bagaimana mendapatkan PSNR (Peak Signal to Noise Ratio) dan Rasio Kompresi (RK) yang baik (tinggi) secara bersamaan serta gambar hasil kompresi yang masih dikenali oleh manusia serta waktu pemrosesan yang relatif cepat. Rasio kompresi yang tinggi menunjukkan penurunan nilai derajat keabuan (grayscale) dalam bit per piksel dan PSNR yang tinggi berhubungan dengan kwalitas gambar rekonstruksi yang diperoleh pada penerima. Proses kompresi dilakukan dengan mengkuantisasi koefisien-koefisien wavelet yang sangat beragam menjadi nilai dan tingkat tertentu. Nilai ini ditentukan oleh proses iterasi untuk mendapatkan distorsi minimal. Pemrosesan dengan ukuran sel yang sering digunakan yaitu 4x4 walaupun mempunyai PSNR yang tinggi namun mempunyai kelemahan rasio kompresi yang rendah serta waktu pengalahan yang relatif lama. Untuk itu digunakn ukuran sel (N) lain yaitu 8x8, 16x16 dan 32x32 kemudian dilakukan proses iterasi (k) untuk mencari distorsi minimum dan penambahan jumlah tingkat kwantisasi (M). Kedua hal terakhir ini adalah untuk menaikkan PSNR, sehingga walaupun ukuran sel diperbesar namun PSNRnya masih dapat dipertahankan. Dari nilai PSNR dan rasio kompresi yang diperoleh serta karakteristiknya diperoleh titik optimal yaitu pada ukuran sel ditambah proses iterasi don jumlah tingkat kwantisasi. Hasilnya adalah sel ukuran 32x32 dapat digunakan untuk mendapatkan rasio kompresi tertinggi dengan M=4, k=0 atau M=2, k=0 atau sel ukuran 16x16 untuk mendapatkan PSNR yang baik.

---

The main problem on image compression is how to achieve value both Compression Ratio (CR) and Peak Signal to Noise Ratio (PSNR) simultaneously high, a recognized reconstructed image and relatively small time processing. Compression ratio deals with decreasing grayscale value of an original image and PSNR deals with the quality of an image. In short word, the compression process is conducted by quantizing the various values to certain values and levels of wavelet coefficients. These values are determined by adding on iteration process to get minimum distortion in a cell. The cell size used is usually 4x4 that has the high PSNR, low compression ratio and high time processing. To dissolve such things, 8x8, 16x16 and 32x32 (N) of cell sizes are in use, iterate (k) and add of quantization level (M). The last two things are to enhance PSNR but to decrease compression ratio in contrast as well. From value of PSNR and CR as well as the characteristic, the optimum point is then to find out. The result is that 32x32 cell size is suitable to achieve the highest compression ratio with combining M=4 with k=O or M=2, k=O or 16x16 cell size to achieve good PSNR."

"Tesis ini membahas mengenai perbaikan data stack seismik yang jelek. Permasalahan utama mengapa data seismik bisa menjadi jelek adalah disebabkan karena noise - noise yang masih terekam didalam data seismik. Noise - noise ini sangat mengganggu karena menyebabkan data seismik sangat susah untuk diinterpretasi. Struktur seismik, reflektor lapisan, dan fault menjadi kabur karena noise yang masih terkandung didalam data seismik. Tesis ini bertujuan untuk menghilangkan noise yang mengganggu data seismik dengan menggunakan 1D time-varying median filter (TVMF), sehingga reflektor, fault, dan struktur dari seismik bisa menjadi lebih jelas untuk diinterpretasi. Penelitian dilakukan dengan menggunakan software komputasi MATLAB untuk menganalisa sinyal seismik dan membuat program filtering 1D TVMF. Hasil yang diharapkan dari tesis ini adalah hilangnya noise - noise yang mengganggu data seismik, sehingga data seismik bisa diinterpretasi. Kesimpulan akhir adalah bahwa filter 1D time-varying median filter sangat efektif untuk menghilangkan noise - noise yang terkandung didalam data seismik, serta menguatkan gambaran struktur geologinya.

---

The thesis study about enhancement of bad stack seismic data. The reason for seismic data being bad is because of noises that still remain in the seismic data. These noises causing the seismic data become very difficult to interpret. Events such as structure, bed, and fault become blurred because of noises that remain in the seismic data. The objective of this thesis is to repair seismic data by reducing the noise using 1D time-varying median filter (TVMF), so that interpreter could see more clearly of the reflector, fault, and structure. The research is done by using MATLAB as its main tools to analyze seismic signal and to make the 1D TVMF filtering programme. The expected result of this thesis is that the noise of seismic data is completely removed. We can conclude then, the 1D TVMF is very efective to remove noises in seismic data and strengthen the sturcture geology."

"Kondisi zona yang sangat lapuk pada lapangan penelitian ini menciptakan kualitas seismik yang kurang baik. Untuk itu pada penelitian ini geophone ditanam sedalam 6 meter di bawah lapisan lapuk. Berdasarkan model kecepatan tomography, kecepatan gelombang seismik di lapisan lapuk berada pada rentang nilai 880 sampai dengan 1100 m/s. Lapisan lapuk dan elevasi yang ekstrim pada daerah penelitian dapat diatasi dengan menggunakan travel time tomography. Hasil data seismik dari buried geophone memberikan hasil yang baik pada kualitas citra di bawah permukaan, signal-to noise ratio yang lebih tinggi dan frekuensi yang lebih tinggi.Hasil analisis RMS Amplitude pada data seismik dari buried dan surface geophone menyatakan nilai RMS Amplitude pada data seismik dari surface geophone lebih tinggi dibandingkan data seismik buried geophone karena data seismik surface geophone memiliki banyak noise. Hasil migrasi dari data seismik buried geophone memperlihatkan reflektor yang lebih jelas dengan signal to noise ratio yang lebih tinggi dibandingkan dengan hasil migrasi dari data seismik surface geophone.

---

Conditions were very weathered zone in this research field creating quality seismic unfavorable. Therefore in this study geophones planted deep as 6 meters below the weathered layer. Based on the model velocity tomography, seismic wave velocity in the weathered layer is in the range value of 880 up to 1100 m s. Weathered layers and extreme elevation of the research area can be overcome by using a travel time tomography.

The results of seismic data from geophones buried give good results on the quality of the image below the surface, the signal to noise ratio is higher and higher frequencies. The results of the analysis of the RMS amplitude of the buried and surface geophone seismic data declared value RMS amplitude on surface geophones seismic data is higher than buried geophone seismic data because surface geophones seismic data have a lot of noise. The results of the buried geophones seismic data migration showed clearer reflector, signal to noise ratio that is higher than the result of the migration of surface geophones seismic data."

"This book introduces audio watermarking methods in transform domain based on matrix decomposition for copyright protection. Chapter 1 discusses the application and properties of digital watermarking. Chapter 2 proposes a blind lifting wavelet transform (LWT) based watermarking method using fast Walsh Hadamard transform (FWHT) and singular value decomposition (SVD) for audio copyright protection. Chapter 3 presents a blind audio watermarking method based on LWT and QR decomposition (QRD) for audio copyright protection. Chapter 4 introduces an audio watermarking algorithm based on FWHT and LU decomposition (LUD). Chapter 5 proposes an audio watermarking method based on LWT and Schur decomposition (SD). Chapter 6 explains in details on the challenges and future trends of audio watermarking in various application areas."

"The book provides copyright protection approaches for videos using watermarking. The various watermarking techniques using various transforms such as discrete cosine transform (DCT), discrete wavelet transform (DWT) and singular value decomposition (SVD) for videos are presented. The book also provides video watermarking approach using compressive sensing (CS) theory. The presented watermarking techniques are designed and implemented using color digital videos. The performance of the presented techniques is evaluated using Peak Signal to Noise Ratio (PSNR) and Normalized Correlation (NC)."

"Soft Tissue Tumor atau tumor jaringan lunak adalah suatu benjolan atau pembengkakan abnormal yang disebabkan pertumbuhan sel baru. Tumor jaringan lunak dapat terjadi di seluruh bagian tubuh mulai dari ujung kepala sampai ujung kaki. Penyakit tersebut dapat terjadi disemua kelompok umur. Menurut beberapa dokter setiap benjolan/tumor yang ada haruslah diperiksa sejak dini sehingga pasien dapat mendapatkan pengobatan yang tepat dan tidak terjadinya perkembangan kanker. Pada penelitian ini, metode machine learning yang digunakan untuk mengklasifikasi soft tissue tumor. Dengan data Soft Tissue Tumor yang memiliki beragam fitur, maka akan direduksi dengan seleksi fitur signal to noise ratio. Pada penelitian ini, penyakit Soft Tissue Tumor dideteksi dengan mengklasifikasikan pasien tersebut mengidap Soft Tissue Tumor atau tidak menggunakan Deep Neural Network dengan implementasi metode seleksi fitur signal to noise ratio dan akan dibandingkan nilai akurasi klasifikasi yang dihasilkan dari Deep Neural Network tanpa seleksi fitur dan Deep Neural Network dengan seleksi fitur signal to noise ratio. Data yang diperoleh berjumlah 76 data dengan total 17 fitur. Diperoleh hasil bahwa akurasi menggunakan seleksi fitur lebih tinggi dibandingkan tanpa seleksi fitur. Metode klasifikasi mendapat akurasi tertinggi pada jumlah fitur 14.

---

Soft tissue tumor is an abnormal lump or swelling caused by the growth of new cells. They can occur in all parts of the body from head to toe. Some types of this disease are more common in children, while some others are more common in adults. Though initially benign, this tumor can become aggressive if not treated. The more the tumor has invaded nearby tissues, the harder it is to completely remove. Sometimes, patients underestimate lumps because there are no distinctive clinical signs between malignant and benign tumors. Therefore, doctors suggest patients to immediately examine any existing lump so that it can be treated early and not develop into cancer. The usage of machine learning method to classify the diagnosis is very beneficial. High-dimensional soft tissue tumor data will be reduced using signal to noise ratio feature selection method. In this study, soft tissue tumor disease is detected by classifying soft tissue tumor patients and non-patients data using Deep Neural Network with the implementation of signal-to-noise feature selection. The accuracy will then be compared to Deep Neural Network classification without the implementation of feature selection. The data obtained amounted to 76 data with a total of 17 features. It is found that the accuracy of Deep Neural Network with feature selection is higher compared to the one without feature selection. The highest accuracy result is obtained with the use of 14 features."

"Penggunaan Python dipilih karena bahasa pemrograman ini bersifat open source dengan banyak tersedianya berbagai sumber dan Python juga diklaim sebagai bahasa yang menggabungkan kapabilitas, dengan kode sintaks yang sangat jelas, dan dilengkapi dengan bahasa yang besar dan komprehensif. Library Open CV juga tersedia secara gratis dan menyediakan banyak fungsi pemrosesan gambar. Pengoreksian citra CBCT yang dilakukan pada penelitian ini bertujuan untuk meningkatkan kualitas citra CBCT dengan melihat meningkatnya nilai yang didapat pada citra CBCT terkoreksi. Phantom CIRS 002LFC di-scan pada CBCT menggunakan half bow tie filter sesuai dengan protokol yang digunakan untuk scanning organ thorax. Penelitian ini menggunakan data citra pasien dengan diagnosa kanker paru dan laring masing-masing berjumlah dua dan satu orang. Hasil kalibrasi CBCT terhadap CT diperoleh bahwa nilai HU citra CBCT linier terhadap citra CT. Evaluasi PSNR dan SSIM digunakan pada penelitian ini sebagai parameter keberhasilan dari citra yang dikoreksi.

---

Python was chosen because this programming language is open source with many sources available and Python is also claimed to be a language that combines capabilities, with very clear syntax code, and is equipped with a large and complete language. CV Open Library is also available free of charge and provides many drawing functions. CBCT image correction carried out in this study aims to improve the quality of CBCT images by looking at the value obtained in the corrected CBCT image. Phantom CIRS 002LFC was scanned on CBCT using a half bow tie filter according to the protocol used for scanning the thorax organs. This study uses image data of patients diagnosed with lung and laryngeal cancer, respectively, two and one person. The CBCT calibration results against CT showed that the HU value of CBCT images was linear to CT images. PSNR and SSIM evaluations were used in this study as the confidence parameters of the corrected image."

"Low dose computed tomography (LDCT) sangat baik digunakan dalam screening tetapi sangat sulit dalam mendeteksi adanya nodul. Penelitian ini dilakukan dengan cara membuat simulasi kgb di dalam paru (intrapulmonary lymph node) dan di daerah soft tissue. Simulasi kgb dimasukkan ke dalam gabus cork lalu disisipkan ke dalam 002LFC fantom CIRS toraks. Fantom tersebut dipindai dengan menggunakan 100 kV dan 120 kV pada 11, 25, 30, 50 mAs untuk LDCT dan 70, 80, 90, 100 mAs untuk SDCT. Hasilnya diperoleh bahwa terdapat perbedaan signifikan (p>0,05) antara nilai rata-rata SNR terhadap ukuran, bentuk dan komposisi IPLN pada low kV dan high kV. Jika dilihat secara visual, IPLN masih dapat dideteksi pada teknik LDCT dan SDCT untuk high kV maupun low kV sedangkan kgb pada soft tissue untuk LDCT khususnya pada 11 mAs dan 25 mAs untuk 100 kV dan 120 kV sangat sulit dideteksi dan SDCT pada 100 kV memiliki noise yang terlihat lebih besar dibandingkan pada 120 kV. Resolusi spasial citra dari MTF 10% yang terbaik didapatkan pada 120 kV, 30 mAs (LDCT). Kesimpulan dari penelitian ini adalah IPLN masih dapat dideteksi pada high kV, low kV untuk LDCT maupun SDCT sedangkan pada kgb yang berada di dalam soft tissue masih sulit untuk dideteksi pada low kV untuk LDCT.

---

Low Dose Computed Tomography (LDCT) is already well recognized for lung screening but it is still difficult to detect nodules. The lymph node simulations were put in the cork and paraffin then they both were inserted into the 002LFC CIRS thorax phantom. The phantom was scanned by using 100 kVp and 120 kVp at 11, 25, 30, 50 mAs for LDCT and 70, 80, 90, 100 mAs for SDCT. The results showed that there were significant (p>0,05)differences in average SNR values for varying sizes, shapes, and compositions of intrapulmonary lymph nodes (IPLNs). Visually, IPLNs could still be detected in LDCT and SDCT for high kVp and low kVp while lymph node in soft tissue for LDCT especially in 11 mAs and 25 mAs for 100 kVp and 120 kVp was very difficult to detect and the noise for 100 kVp SDCT technique was observed larger when compared to the 120 kVp SDCT. The best spatial resolution of images for 10% MTF is at 120 kVp, 30 mAs (LDCT). It can be concluded that IPLNs are still be able to detect at low and high kVp for LDCT and SDCT technique while lymph node in soft tissue is still difficult to detect at low kVp for LDCT."