Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker payudara merupakan penyakit yang banyak mengancam jiwa kaum wanita. Pengurangan resiko kematian akibat penyakit ini dapat dilakukan dengan pemeriksaan dini melalui mammografi. Hasil mammografi yang berupa mammogram sering kurang memuaskan para ahli radiologi karena tertutupnya sel kanker oleh jaringan/strukur yang sebenarnya merupakan jaringan/struktur normal.Penelitian ini mecoba memodifikasi metode-metode dari penelitian terdahulu yang berkaitan dengan deteksi kanker secara otomatis atau semi otomatis. Metode terdiri dari preprocessing untuk penghilangan jaringan/struktur normal pada mammogram, segmentasi dengan transformasi watershed dan segmentasi dengan thresholding.Hasil segmentasi kemudian diklasifikasi menggunakan metode pengukuran jarak kemiripan Euclidean Distance. Hasil uji coba menunjukkan metode preprocesing belum baik sehingga dapat mengganggu proses berikutnya yaitu segmentasi. Segmentasi dengan transformasi watershed mencapai keberhasilan hingga 96,67%, tercatat pada beberapa kasus ukuran sel kanker yang tersegmentasi lebih kecil dari seharusnya. Hasil segmentasi dengan thresholding menunjukkan keberhasilan hingga 70%, tercatat pada beberapa kasus ukuran sel kanker yang tersegmentasi lebih besar dari seharusnya. Metode klasifikasi menunjukkan hasil buruk dengan selalu menunjukkan kelas benign pada kasus dimana terdapat segmentasi."

"Kanker servik yang juga sering disebut sebagai kanker leher rahim telah menjadi penyebab sebagian besar kematian wanita di dunia. Salah satu cara untuk mencegah kanker servik ke stadium lebih lanjut adalah dengan melakukan Pap Smear Test. Pap Smear Test merupakan suatu metode pemeriksaan sel-sel yang diambil dari leher rahim dan kemudian diperiksa di bawah mikroskop untuk melihat perubahan-perubahan yang terjadi dari sel tersebut. Citra atau gambar yang dihasilkan dari Pap Smear. Test ini kemudian akan diperiksa oleh ahli patologi untuk diputuskan tentang normal tidaknya sel. Penelitian ini mencoba beberapa metode untuk melakukan segmentasi secara otomatis atau semi otomatis pada citra sel tunggal Pap Smear menjadi tiga obyek: latar belakang, nukleus, dan sitoplasma. Tiga metode segmentasi yang digunakan dalam penelitian ini adalah fuzzy c-means clustering, thresholding, dan transformasi watershed.Data pengujian terdiri atas sejumlah citra sel tunggal Pap Smear beserta masing-masing citra tersegmentasi acuannya. Pengukuran keberhasilan dari metode-metode segmentasi dilakukan dengan membandingkan hasil segmentasi citra sel tunggal Pap Smear berdasarkan metode segmentasi yang digunakan dan citra tersegmentasi acuannya. Citra tersegmentasi acuan yang digunakan merupakan citra hasil segmentasi menggunakan commercial software bernama CHAMP, yang juga telah disupervisi oleh dokter. Sifat otomatis atau semi otomatis atas segmentasi yang dilakukan menggunakan CHAMP tersebut tidak dijelaskan dalam sumber pengambilan data pengujian. Sampai penulisan laporan ini, penulis juga belum berhasil mendapatkan informasi mengenai metode segmentasi yang digunakan oleh CHAMP, yang juga tidak disebutkan dalam sumber pengambilan data.Sebagai indikator keberhasilan secara numerik, digunakan nilai false negative, false positive, dan overall error atas pengidentifikasian daerah nukleus dan sitoplasma, serta probability of error atas pengidentifikasian obyek pada keseluruhan pixel citra sel. Hasil uji coba menunjukkan bahwa metode fuzzy c-means clustering memberikan hasil dengan tingkat kesalahan identifikasi obyek terkecil di antara metode lainnya. Metode watershed dengan marker controlled yang diterapkan dalam penelitian ini masih belum bisa memberikan hasil segmentasi yang lebih bagus dari metode thresholding. Namun demikian, beberapa hasil pengujian menunjukkan bahwa metode watershed masih menjanjikan untuk memperbaiki kelemahan segmentasi thresholding dalam menentukan nilai threshold yang tepat, terutama dalam menghasilkan segmentasi daerah nukleus."

"Kanker leher rahim atau kanker serviks merupakan penyakit kanker yang paling banyak menyerang wanita di negara berkembang, termasuk Indonesia. Salah satu cara pencegahannya adalah dengan melakukan test Pap-Smear. Sel serviks hasil test Pap-Smear tersebut kemudian didiagnosa oleh dokter Patologi Anatomi. Namun dokter Patologi Anatomi tidak selalu ada di semua wilayah, terutama di daerah terpencil. Untuk memungkinkan diagnosa pasien di daerah terpencil yang jarang ditemukan dokter Patologi Anatomi, diperlukan suatu upaya untuk mengotomatiskan diagnosa terhadap hasil test Pap-Smear, sehingga dapat dilakukan diagnosa jarak jauh (telemedicine).Penelitian ini bertujuan untuk melakukan diagnosa terhadap citra hasil test Pap-Smear, yaitu dengan menggunakan Algoritma Multiflaktal yang dikombinasi dengan Adaptive Multiple Thresholding sebagai metode segmentasi secara otomatis dan Jaringan Syaraf Tiruan menggunakan Learning Vector Quantization (LVQ) sebagai metode klasifikasi dengan nilai intensitas dari citra hasil segmentasi sebagai cirinya. Performa dari hasil segmentasi akhir, tingkat ketelitiannya sekitar 70%. Hasil klasifikasi dengan LVQ terhadap tujuh kelas tingkat pengenalannya masih di bawah 40%, sedangkan tingkat pengenalan terhadap dua kelas mampu mencapai sekitar 82%.

---

Cervix cancer is the most cancer disease that attact women in the developing country, include Indonesia. One of the way of its prevention is by a PapSmear test Cervix cells that resulted from Pap-Smear test then diagnosed by a Pathology of Anatomy doctor. But Pathology of Anatomy doctor is not always in all area. To enable diagnosa patient in purilieus which seldom be found Pathology of Anatomy doctor, needed an effort, so that can be conducted by long distance diagnosa (telemedicine).

This research aims to conduct diagnose the image result of Pap-Smear test, and keep involve Multifractal Algorithm which is combined with Adaptive Multiple Thresholding as segmentation method automatically, and Artiflcial Neural Network using Leaming Vector Quantization (LVQ) as clssification method with intensity value from segmentation image as its feature. The performance in segmentation and increasing quality result, the correctness about 70%. The result of classification using LVQ toward seven classes, its recognition is less than 40%, meanwhile the recognition rate of two classes about 82%."

"Telah dilakukan penelitian metodologi segmentasi dan klasiiikasi citra synthetic aperture radar (SAR) bcrdasarkan Pulse Coupled Neural Networks (PCNN) dikombinasilcan dengan ciri teksturf Langkah awal penelitian ialah mencari variabel optimal pada persamaan PCNN. Segmentasi citra dilakukan menggunakan tiga macam metoda yang diusulkan yaitu pertama berdasarkan PCNN yang variabelnya telah dibuat optimal, kedua yaitu berdasarkan modiiikasi proses iterasi PCNN dan ketiga berdasarkan mod'kasi persamaan PCNN. Hasil segmentasi tiga teknik ini dapat memisahkan wilayah sesuai ground truth, tetapi pada jumlah iterasi tertentu masih telj adi tumpang tindih. Klasiikasi berdasarkan PCNN dilakukan dua tahap yaitu pertama mengelmraksi ciri tekstur citra. Ekstraksi ciri ini menggunakan perhitungan Grey Level Co-occurrence Matrix (GLCM). Dipilih tiga macam ciri yaitu diss|'m1`!arity, correlation dan angular second moment. Tiga ciri ini menjadi masukan pada PCNN untuk diiterasi. Hasil yang sangat menonjol dari rangkaian elcsperimcn. ini ialah didapatkannya variabel optimal persamaan PCNN yang tegar, metoda modiiikasi iterasi persamaan PCNN yang dapat menghlndari terjadinya tumpang tindih pada dua kelas wilayah hasil segmentasi, modiiikasi persamaan PCNN menjadi empat pereamaan yang dapat mempercepat segmentasi, dan hasil yang menonjol lainnya ialah dapat digunakannya PCNN ini untuk klasiftkasi ciua SAR yang bertekstur dan multi wilayah setelah dikombinasikan dengan ciri tekstur dan ketepatan klasifilasi berdasarkan PCNN yang diusulkan mencapai 91,58$% untuk pita L, 88, 31% untuk pita C dan 85,33%, untuk pita P.

---

The new methodology on segmentation and classification of Synthetic Aperture Rofar (SAR) based on Pulse Coupled Neural Networks (PCNN) and features texture was proposed in this dissertation. The tirst step of this research is timing the variables of the PCNN. The segmentation is based on new methods which proposed in this dissertation. First by iterating the images used optimal PCNN, the second method by modifying the iteration of the PCNN, and the third method by modilymg the equations of the PCNN. The results of these experiments are good enough, but in one of some iterations the result was overlap, in this case two area of the image were appeared in the binary image. The classification based on PCNN would be in two steps, Erst was the features extraction. The features were extracted by using the Gray Level Co-occurrence Matrix (GLCM). Three features, dissimilarity, correlation and angular second moment were selected to be processed by the PCCNN. The significant results of the experiments are, optimal variables of the PCNN which are robust, the new method of iteration of the PCNN which be able to avoid over lapping in segmentation, the new method of modification PCNN equation could increases the speed of segmentation and classification, and new method the application of PCNN in the segmentation and classification ofthe textural and multi region SAR images. Total accuracy for L band is 9l,58%, C band is 88,31% and'P band is 85, 33%."

"Segmentasi dan ekstraksi ciri dari citra USG merupakan salah satu pekerjaan yang cukup sulit, karena batas tepi antara obyek dan background tidak begitu jelas. Ketidakjelasan tersebut disebabkan oleh beberapa hal diantaranya adalah adanya derau (noise) yang disebabkan oleh hamburan karena ketidak homogenan dari media yang dilalui oleh gelombang ultrasonik, serta adanya atenuasi gelombang ultrasonik yang sangat kuat. Segmentasi maupun ekstraksi ciri tersebut sangat penting untuk bidang medis terutama untuk melihat perkembangan janin, deteksi tumor maupun, penyakit lainnya.Dalam penelitian ini dikembangkan suatu teknik segmentasi dan ekstraksi ciri yang mampu mengekstrak batas tepi dari citra USG dengan akurat. Teknik segmentasi yang dikembangkan tersebut merupakan gabungan dari metode thresholding dan gradien operator. Metode tersebut diuji dengan menggunakan citra dari polyurethane phantom yang telah diketahui geometri dan sifat-sifat dari obyek yang ada didalamnya. Dari hasil yang diperoleh, metode yang dikembangkan menunjukkan akurasi yang cukup baik dan mampu menghilangkan noise disekitar obyek dan batas antara obyek dengan background dapat dibedakan dengan jelas. Selain itu posisi, ukuran geometri suatu organ (obyek) dapat ditentukan dengan jelas."

"Penyakit Alzheimer merupakan bentuk umum dari gangguan neurodegeneratif yang ditandai dengan rusaknya sel-sel otak, seperti kusutnya neurofibrillary dan adanya plak amiloid yang bersifat progresif. Salah satu ciri fisik seseorang menderita penyakit Alzheimer adalah adanya penyusutan luas daerah hippocampus pada otak. Hippocampus merupakan bagian terkecil dari otak yang berfungsi menyimpan memori. Deteksi penyakit Alzheimer dapat dilakukan dengan menggunakan Magnetic Resonance Image MRI yang merupakan satu teknik non inovasif untuk analisis struktur otak pada penderita Alzheimer. Pada penelitian ini, digunakan metode K-Means Clustering dan Watershed untuk mensegmentasi daerah hippocampus yang merupakan salah satu bagian otak yang diserang ketika terkena penyakit Alzheimer. Analisis yang dilakukan untuk mendeteksi Alzheimer, yaitu membandingkan nilai threshold dengan jumlah piksel putih pada citra. Data yang digunakan pada penelitian ini yaitu Open Acess Series of Image Studies OASIS database dengan menggunakan citra potongan koronal. Berdasarkan hasil percobaan, antara metode K-Means Clustering dan Watershed keduanya dapat mensegmentasi daerah hippocampus untuk mendeteksi penyakit Alzheimer.

---

Alzheimer 39s disease is a common form of neurodegenerative disorders characterized by defective brain cells, such as neurofibrillary tangles and amyloid plaque that is progressive. One of the physical characteristics of someone suffering from Alzheimer 39s disease is shrinking of the hippocampus area of the brain. The hippocampus is the smallest part of the brain that serves to save memory. The detection of Alzheimer 39s disease can be done using a Magnetic Resonance Image MRI which is a technique of non inovasif for an analysis of the structure of the brain in the Alzheimer 39s patient.

In this research, K Means Clustering and Watershed method are used to segment the hippocampus area which is one part of the brain that was attacked by Alzheimer 39s disease. The analysis used to detect Alzheimer 39 s is comparing the value of the threshold with the number of white pixels in the images. The data used in this research are Open Access Series of Image Studies OASIS database by using the image of coronal slice. Based on the our experiment result, both K Means Clustering and Watershed method can segment the samehippocampus area to detect Alzheimers disease."

"Kanker leher rahim atau kanker serviks merupakan penyakit kanker yang paling banyak menyerang wanita di negara berkembang, termasuk Indonesia. Salah satu cara pencegahannya adalah dengan melakukan test Pap-Smear. Sel serviks hasil test Pap-Smear tersebut kemudian didiagnosa oleh dokter Patologi Anatomi. Namun dokter Patologi Anatomi tidak selalu ada di semua wilayah, terutama di daerah terpencil. Untuk memungkinkan diagnosa pasien di daerah terpencil yang jarang ditemukan dokter Patologi Anatomi, diperlukan suatu upaya untuk mengotomatiskan diagnosa terhadap hasil test Pap-Smear, sehingga dapat dilakukan diagnosa jarak jauh (telemedicine). Penelitian ini bertujuan untuk melakukan diagnosa terhadap citra hasil test Pap-Smear, yaitu dengan menggunakan Algoritma Multifraktal yang dikombinasi dengan Adaptive Multiple Thresholding sebagai metode segmentasi secara otomatis dan Jaringan Syaraf Tiruan menggunakan Learning Vector Quantization (LVQ) sebagai metode klasifikasi dengan nilai intensitas dari citra hasil segmentasi sebagai cirinya. Performa dari hasil segmentasi akhir, tingkat ketelitiannya sekitar 70%. Hasil klasifikasi dengan LVQ terhadap tujuh kelas tingkat pengenalannya masih di bawah 40%, sedangkan tingkat pengenalan terhadap dua kelas mampu mencapai sekitar 82%.

---

Cervix cancer is the most cancer disease that attact women in the developing country, include Indonesia. One of the way of its prevention is by a Pap-Smear test. Cervix cells that resulted from Pap-Smear test then diagnosed by a Pathology of Anatomy doctor. But Pathology of Anatomy doctor is not always in all area. To enable diagnosa patient in purilieus which seldom be found Pathology of Anatomy doctor, needed an effort, so that can be conducted by long distance diagnosa ( telemedicine). This research aims to conduct diagnose the image result of Pap-Smear test, and keep involve Multifractal Algorithm which is combined with Adaptive Multiple Thresholding as segmentation method automatically, and Artificial Neural Network using Learning Vector Quantization (LVQ) as clssification method with intensity value from segmentation image as its feature. The performance in segmentation and increasing quality result, the correctness about 70%. The result of classification using LVQ toward seven classes, its recognition is less than 40%, meanwhile the recognition rate of two classes about 82%."

"Coronavirus Disease 2019 (COVID-19) merupakan sebuah penyakit yang disebabkan oleh novel coronavirus SARS-CoV-2. Penyakit yang berasal dari Provinsi Hubei di China ini sudah menyebar ke seluruh dunia, menjangkiti banyak hingga seluruh negara di dunia. Sudah menginfeksi kurang lebih 400 juta jiwa di seluruh dunia pada pertengahan kuartal pertama tahun 2022. Mencegah penyebaran COVID-19 merupakan tindakan yang harus segera dilakukan, salah satu caranya adalah dengan pendeteksian sedini mungkin.Pendeteksian COVID-19 selain menggunakan metode kedokteran, dapat dipertimbangkan mengenai penggunaan artificial intelligence. Penelitian mengenai metode pendeteksian COVID-19 menggunakan citra X-Ray yang telah dilakukan oleh Dhita menuai hasil yang cukup sukses. Menambahkan penelitian tersebut, kami melakukan metode pendeteksian menggunakan citra CT Scan. Beberapa penelitian mengenai pendeteksian COVID-19 menggunakan citra CT Scan seperti Tang et al. meneliti mengenai segmentasi citra CT Scan terhadap daerah local lesi terindikasi COVID-19 atau Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei juga melakukan penelitian sebelumnya mengenai pengklasifikasian pasien COVID-19 menggunakan citra CT Scan dengan mendapatkan hasil 90% akurasi dengan menggunakan metode FPN.

---

Coronavirus Disease 2019 (COVID-19) is a disease caused by the novel coronavirus SARS-CoV-2. This disease which originates from the Hubei Province in China has already spread throughout the world, reaching many if not all countries in the world. There have been more than 400 million people infected across the globe as of the first quarter of 2022. Prevention of the spreading of the disease is very important, and one of the best ways to do so is to detect its infection as soon as possible.

Aside from asking a doctor, the task of detecting COVID-19 using artificial intelligence has been considered. The research done by Dhita to detect COVID-19 using X-ray images has been seen as a success. Adding to that, we attempt to detect COVID-19 using CT Scan images.

A couple research papers about detecting COVID-19 using CT Scan images such as the ones done by Tang et al. tried to segment CT Scan images related to the lesions that indicate COVID-19 or Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei also conducted research related to classifying COVID-19 patients using CT Scan images and found success at 90% accuracy with an FPN model."

"Coronavirus Disease 2019 (COVID-19) merupakan sebuah penyakit yang disebabkan oleh novel coronavirus SARS-CoV-2. Penyakit yang berasal dari Provinsi Hubei di China ini sudah menyebar ke seluruh dunia, menjangkiti banyak hingga seluruh negara di dunia. Sudah menginfeksi kurang lebih 400 juta jiwa di seluruh dunia pada pertengahan kuartal pertama tahun 2022. Mencegah penyebaran COVID-19 merupakan tindakan yang harus segera dilakukan, salah satu caranya adalah dengan pendeteksian sedini mungkin. Pendeteksian COVID-19 selain menggunakan metode kedokteran, dapat dipertimbangkan mengenai penggunaan artificial intelligence. Penelitian mengenai metode pendeteksian COVID-19 menggunakan citra X-Ray yang telah dilakukan oleh Dhita menuai hasil yang cukup sukses. Menambahkan penelitian tersebut, kami melakukan metode pendeteksian menggunakan citra CT Scan. Beberapa penelitian mengenai pendeteksian COVID-19 menggunakan citra CT Scan seperti Tang et al. meneliti mengenai segmentasi citra CT Scan terhadap daerah local lesi terindikasi COVID-19 atau Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei juga melakukan penelitian sebelumnya mengenai pengklasifikasian pasien COVID-19 menggunakan citra CT Scan dengan mendapatkan hasil 90% akurasi dengan menggunakan metode FPN.

---

Coronavirus Disease 2019 (COVID-19) is a disease caused by the novel coronavirus SARS-CoV-2. This disease which originates from the Hubei Province in China has already spread throughout the world, reaching many if not all countries in the world. There have been more than 400 million people infected across the globe as of the first quarter of 2022. Prevention of the spreading of the disease is very important, and one of the best ways to do so is to detect its infection as soon as possible. Aside from asking a doctor, the task of detecting COVID-19 using artificial intelligence has been considered. The research done by Dhita to detect COVID-19 using X-ray images has been seen as a success. Adding to that, we attempt to detect COVID-19 using CT Scan images. A couple research papers about detecting COVID-19 using CT Scan images such as the ones done by Tang et al. tried to segment CT Scan images related to the lesions that indicate COVID-19 or Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei also conducted research related to classifying COVID-19 patients using CT Scan images and found success at 90% accuracy with an FPN model."

"ABSTRAKSkripsi ini membahas mengenai salah satu metoda segmentasi suatu obyek serta kemampuan klasifikasi obyek dengan menggunakan deformable template. Pemilihan metoda deformable template karena kemampuan yang dimiliki metoda ini untuk beradaptasi terhadap variasi dari obyek yang diamati, dalam skripsi ini ialah kendaraan coda empat. Banyaknya variasi bentuk dari kendaraan roda empat menyebabkan metoda ini ideal untuk diterapkan dalam aplikasi segmentasi ini. Aplikasi yang akan dibahas dalam skripsi ini dapat dipergunakan untuk mengamati obyek kendaraan beroda empat dalam keadaan bergerak. Deformable template ini bekerja berdasarkan suatu bentuk poligonal dengan aturan-aturan khusus yang membatasi nilai tiap-tiap elemennya. Tap elemen tersebut diberikan kebebasan untuk beradaptasi terhadap parameter-parameter masukan dengan kendali dari seperangkat aturan dan algoritma deformasi yang ditentukan. Pola deformasi elemen template tersebut menggunakan algoritma Metropolis untuk meminimalisasi fungsi energi yang merepresentasikan kemiripan bentuk template terhadap obyek, serta terpenuhinya aturan-aturan yang membatasi parameter tiap elemen template. Dalam skripsi ini dibentuk perangkat lunak yang mewakili logika dari aplikasi ini untuk mengamati perilaku umum dari parameter-parameter yang terkait didalamnya. Perangkat lunak tersebut dibuat dalam program Matlab."