Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam penelitian Computer Aided Diagnose (CAD) Radiografi Paru pasien dewasa dengan metode Fuzzy C Means (FCM), telah dilakukan dalam keadaan tahap awal. Penelitian ini bertujuan untuk mengetahui apakah metode clustering FCM dapat digunakan untuk membuat perangkat penolong untuk melihat abnormalitas pada paru-paru dari 200 data citra Radiografi sinar-X. Pembuatan perangkat dilakukan dengan menggunakan GUI pada Matlab. Perancangan di bagi menjadi dua metode menggunakan metode FCM otomatis dan manual kemudian untuk mengetahui perbedaan nilai piksel digunakan metode ambang rata-rata. Kedua metode ini berdasarkan intensitas derajat keabuan 0-256. Metode FCM digunakan untuk melihat visualisasi abnormalitas secara cepat dan mengetahui garis besar posisi yang abnormal. Kemudian diteruskan dengan segmen kotak dari metode ambang rata-rata untuk mengetahui perbedaan nilai pixel citra abnormalitas dan yang normal. Hasil penelitian nenujukkan bahwa, Kinerja Metode FCM Akurasi 57,7%, sensitifitas 50,0%, spesifikasi 89,5% , Overal Error 42,3% dan Presisi 95,1%. Sedangkan metode Segmen per kotak Akurasi 56,7%, sensitifitas 51,7%, spesifikasi 88,5% , Overal Error 43,3% dan Presisi 96,7%. berdasarkan penelitian dapat disimpulkan bahwa Metode FCM dalam paru hanya bisa menunjukkan visual secara cepat dan garis besar namun tidak memberikan akurasi yang cukup memuaskan, hal ini di karenakan data input yang random tidak dapat dijadikan patokan untuk ukuran keberhasilan.

---

In the study Computer Aided Diagnose (CAD) Lung Radiography adult patients with Fuzzy C Means (FCM), has been carried out in a state of infancy. This study aims to determine whether the FCM clustering method can be used to make the device helper to see abnormalities in the lungs of 200 image data of X-ray radiography. Making the device is done by using the GUI in Matlab.

The design is divided into two methods using automated and manual methods FCM then to determine differences in pixel value threshold method is used on average. Both methods are based on the intensity of gray 0-256 degrees. FCM method is used for visualizing abnormalities quickly see and know the outline of an abnormal position. Then forwarded to the segment boxes of the average threshold method to determine differences in pixel values abnormalities and normal image.

That research results, performance FCM method Accuracy 57.7%, 50.0% sensitivity, 89.5% specification, Overal Error 42.3% and 95.1% precision. While the method of segment per box Accuracy 56.7%, 51.7% sensitivity, 88.5% specification, Overal Error 43.3% and 96.7% precision. based study concluded that the method of FCM in the lungs can only show rapid visual and outline but does not give a satisfactory accuracy, it is in because random input data can not be used as a benchmark to measure success."

"Penelitian ini mengembangkan Computer Aided Diagnosis CAD radiografi paru anak dengan menggunakan metode segmentasi Deformable Models untuk membantu mendeteksi abnormalitas. Metode Deformable Models mencari abnormalitas berdasarkan nilai piksel citra. Metode Deformable Models dikerjakan dengan dua variasi yaitu median filter Deformable Models dan wiener filter Deformable Models. Nilai piksel paru-paru abnormal dengan segmentasi wiener filter Deformable models adalah 186-255 dan median filter Deformable Models adalah 191-255. Metode wiener filter Deformable models menghasilkan nilai ROC lebih tinggi dibandingkan metode median filter dengan nilai akurasi 78,5, sensitivitas 74,5, spesifitas 80, presisi 90,0 dan overall error 21,0.

---

This study developed a correlation test Computer Aided Diagnosis CAD radiographic of children pulmonary using segmentation Deformable Models method for detecting Abnormalities. Deformable models method searched abnormalities by value of the image pixel. Deformable models method used two variations, namely median filter Deformable Models and wiener filter Deformable Models. Abnormal result lung pixel values with segmentation Wiener filter Deformable models is 186 255 and median filter Deformable Models is 190 255. Wiener filter Deformable models method have ROC result relatively higher than median filter Deformable models with value of accuracy 78,5, sensitivity 74,5, specificity 80.0, precision 90,0 and overall error of 21,0."

"Penelitian ini mengembangkan Computer Aided Diagnosis CAD radiografi paru anak dengan menggunakan metode segmentasi Particle Swarm Optimization PSO untuk membantu dokter mendeteksi paru yang abnormal. Metode PSO mencari abnormalitas berdasarkan nilai piksel. Metode PSO dikerjakan dengan dua variasi metode yaitu FCM Wienerfilter PSO dan FCM Adaphisteq PSO. Evaluasi dilakukan dengan menghitung ROC Receiver Operating Characteristics citra segmentasi tiap metode terhadap citra acuan evaluasi dokter. Metode FCM Wienerfilter PSO memiliki nilaiROC paling baik. Overall error metode ini yaitu 11.43 1.6 dibanding dengan metode FCM Adapthisteq PSO yaitu 28.57 1,6. Hal ini menggambarkan bahwa banyak kesalahan deteksi yang dilakukan pada metode FCM Adapthisteq PSO. Metode FCM Wienerfilter PSO ini memiliki nilai akurasi 88,57, sensitifitas 90,00, spesifitas 85,00, dan presisi 93,75 lebih tinggi dibanding dengan semua parameter ROC metode FCM Adaphisteq PSO yaitu akurasi 71,43, Sensitivitas 80,00, Spesifitas 50,00, dan Presisi 80.00. Hal ini membuktikan bahwa hasil deteksi metode FCM Wienerfilter PSO lebih banyak memiliki tingkat keberhasilan yang sesuai dengan evaluasi dokter dan lebih baik dalam mendeteksi citra abnormal. Pada citra abnormal nilai piksel metodeFCM wienerfilter PSO memiliki rentang 209-255, dan nilai piksel metodeAdapthisteq PSO memiliki rentang 206-255.

---

The study developed Computer Aided Diagnosis CAD children pulmonary radiography using Particle Swarm Optimization PSO segmentation method to help doctors detect abnormal lung. The PSO method searched abnormalities by value of the image pixel. PSO method used two variations method, namely FCM Wienerfilter PSO and FCM Adaphisteq PSO. The evaluation was done by calculating the ROC Receiver Operating Characteristics segmentation of each image against the reference image evaluation doctors. FCM Wienerfilter PSO method has better ROC value. Overall error of this method is 11.43 1.6 compared with the method of FCM Adapthisteq PSO is 28.57 1.6. This explain that many of the error detection on FCM Adapthisteq PSO method.

ROC FCM Wienerfilter PSO results show the value of accuracy 88,57, sensitivity 90,00, specificity 85,00, and precision 93,75 is relatively higher than all parameter of ROC FCM Adaphisteq PSO method that isaccuracy 71,43, sensitivity 80,00, specificity 50,00, and precision 80.00. This proves that the results of the detection method of FCM Wienerfilter PSO has more success rates in accordance with doctor rsquo s evaluation and better at detecting abnormal image. Abnormal lung pixel values by the method of FCM wienerfilter PSO is 209 255, andAbnormal lung pixel values by the FCM Adapthisteq PSO methodis 206 255."

"Penelitian ini mengembangkan Uji Korelasi Computer Aided Diagnosis CAD radiografi paru anak dengan menggunakan metode segmentasi Markov Random Field MRF untuk membantu mendeteksi abnormalitas paru dengan kecenderungan infeksi. Metode MRF mencari abnormalitas berdasarkan nilai piksel citra. Metode MRF dikerjakan dengan empat variasi yaitu MRF tanpa filter, median filter MRF, wiener filter MRF dan adapthisteq MRF. ROC hasil segmentasi wiener filter relatif lebih tinggi dari tanpa filter. Hasil ROC wiener filter menunjukkan nilai akurasi akurasi akurasi 81,4 , sensitivitas 82,0 , spesifitas 80,0 , presisi 91,1 dan overall error 18,6 . Sedangkan ROC untuk tanpa filter maupun filter yang lain menunjukkan lebih rendah dari nilai ROC wiener filter. Namun perbedaan ROC untuk setiap jenis tingkat keberhasilan tidak lebih dari 5 , artinya keempat metode MRF masih dapat diimplementasikan. Nilai piksel paru abnormal dengan metode MRF tanpa filter, median filter MRF, dan adapthisteq MRF sama yaitu 205-255. Nilai piksel paru abnormal dengan metode wiener filter MRF yaitu 197-255. Citra paru belum dapat menentukan secara definitif penyakit infeksi paru pada anak.

---

This study developed a correlation test Computer Aided Diagnosis CAD radiographic of children pulmonary using segmentation Markov Random Field MRF method to detect lung abnormalities with infection trends. MRF method searched abnormalities by value of the image pixel. MRF method used four variations, namely MRF without a filter, median filter MRF, wiener filter MRF, and adapthisteq MRF. ROC segmentation results wiener filter is relatively higher than without a filter. ROC wiener filter results show the value of accuracy 81.4 , sensitivity 82.0 , specificity 80.0 , precision 91.1 and overall error of 18.6 . While the ROC for unfiltered and filter others show lower than the value of ROC wiener filter. However, differences in ROC for any kind of success rate is not more than 5 , meaning that all four methods MRF can still be implemented. Abnormal lung pixel value with MRF method without filter, median filter MRF, and adapthisteq MRF same namely 205 255. Abnormal lung pixel values by the method of wiener filter MRF is 197 255. Radiographic of children pulmonary can not definitively determine lung infections in children."

"ABSTRAKPenelitian ini mengimplementasikan metode spectral clustering-Fuzzy C-Means pada tiga microarray data ekspresi gen, dengan tujuan untuk mengelompokkan gen-gen yang memiliki tingkat ekspresi yang similar. Spectral clustering secara teoritis terdiri dari tiga tahap utama yaitu: membangun matriks jarak, membentuk matriks Laplacian, dan proses partisi, khususnya dalam tesis ini menggunakan algoritma partisi Fuzzy C-Means. Oleh karena itu, implementasi dari spectral clustering-FCM lebih sederhana dan intuitif pada pelaksanaannya. Analisis cluster singkat juga akan dipaparkan untuk masing-masing microarray data yang digunakan yaitu: Carcinoma, Leukemia, dan Lymphoma. Hasil cluster yang sangat baik didapatkan, sehingga metode yang diusulkan memiliki potensi besar ke depannya dalam penelitan pada bidang medis.

---

ABSTRACTThis research implements the spectral clustering FCM method on three microarray gene expression data, with the aim of grouping genes with similar expression levels. Spectral clustering is theoretically composed of three main stages building distance matrix, forming Laplacian matrix, and partitioning process, especially in this thesis using Fuzzy C Means partition algorithm. Therefore, the implementation of spectral clustering FCM is simpler and more intuitive in its implementation. Brief cluster analysis will also be presented for each microarray data used Carcinoma, Leukemia, and Lymphoma. Excellent cluster results are obtained, so the proposed method has great potential for future research in the medical field. "

"

Saat ini tidak ada keraguan bagi siswa-siswi sekolah menengah untuk melanjutkan pendidikannya ke jenjang universitas. Namun, transisi dari sekolah menengah ke pendidikan tinggi adalah tantangan besar bagi mahasiswa tahun pertama. Kinerja mahasiswa pada tahun pertama cenderung menentukan kinerja mahasiswa tersebut di tahun-tahun akademik berikutnya. Penting untuk mencari karakteristik-karakteristik mahasiswa berdasarkan kinerjanya pada awal tahun semester akademik, sehingga dapat dilakukan pendeteksian awal untuk mencegah penurunan kinerja dan meningkatkan prestasi akademik mahasiswa. Penelitian ini bertujuan untuk mengelompokkan 140 mahasiswa semester pertama. Fitur-fitur diseleksi menggunakan Chi-Square lalu digunakan Fuzzy C-Means clustering untuk mengelompokkan mahasiswa. Dari hasil simulasi, mahasiswa dikelompokkan ke dalam dua cluster dengan kinerja cluster kedua lebih baik dibanding kinerja cluster pertama.

---

Currently there is no doubt for high school students to continue their education at the university level. However, the transition from high school to university is a major challenge for the first-year students. Moreover, student performance during the first year tends to determine their performance in the following academic years. It is important to find student's characteristics based on their performance at the beginning of the academic semester so that early detection can be done to prevent performance degradation and increase student academic achievement. This study aims to cluster 140 first year students. Features are selected using the Chi-Square feature selection method and then using Fuzzy C-Means clustering to group the students. From simulation result, students are grouped into two clusters with the second cluster's performance is better than the first cluster's performance.

"

"Segmentasi merupakan sebuah proses yang penting dilakukan dalam menganalisa suatu citra. Dengan melakukan segmentasi, maka citra tersebut dapat dibagi menjadi beberapa bagian yang lebih sederhana yaitu bagian-bagian yang memiliki karakteristik visual yang serupa seperti warna, gerakan, dan tekstur. Fuzzy c-means (FCM) yang diperkenalkan oleh Dunn dan dikembangkan oleh Jim Bezdek, adalah algoritma yang populer digunakan dalam segmentasi citra karena algoritma ini mudah digunakan dan akurat. Lebih tepatnya, FCM sangatlah efektif digunakan untuk mensegmentasi citra yang tidak memiliki noise. Selain sensitif terhadap noise, FCM juga sensitif terhadap outliers. Berbagai macam metode telah ditemukan untuk mengatasi kelemahan dari algoritma FCM, salah satunya menggunakan metode robust FCM (RFCM). Dari hasil penelitian yang dilakukan, dapat dilihat hasil secara kuantitatifnya lebih baik dibandingkan dengan algoritma-algoritma FCM lain. Hasil percobaan menunjukkan modifikasi RFCM memberikan hasil yang lebih baik terutama untuk data iris.

---

Segmentation is an important process to analyze an image. With image segmentation, an image can be partitioned into several simpler parts, which is parts that have similar visual characteristics like colors, motions, and textures. Fuzzy c-means (FCM) is introduced by Dunn and developed by Jim Bezdek. FCM is a popular algorithm to be used on image segmentation because of its simplicity and accuracy. Moreover, FCM is highly effective to segment image that have no noise. Aside its sensitiveness to noise, FCM is also sensitive to outliers. Several methods are founded to overcome FCM’s weaknesses one of which is using robust FCM method. From research, quantitatively it’s result is better compared to other FCM algorithms. Reseach done shows that modified RFCM gives better result especially for iris data."

"Salah satu cara untuk mengetahui fungsi dari ekpresi gen (DNA/Protein) adalah dengan analisis kelompok (Clustering). Metode pengelompokan HOPACH mengkombinasikan agglomerative dan partisi. Partisi yang dapat digunakan antara lain PAM, SOM, dan K-Means yang termasuk dalam hard clustering. Dalam beberapa kasus karena beberapa hal pengelompokkan objek dengan hard clustering menjadi kurang tepat. Karena itu kemudian muncul teori himpunan fuzzy (kabur, tidak pasti) yang mendasari berkembangnya metode fuzzy clustering. Salah satu metode fuzzy clustering adalah metode Fuzzy c-means (FCM) yang merupakan perkembangan dari k-means. Hasil dari penerapan algoritma partisi fuzzy c-means dalam metode pengelompokan HOPACH adalah algortima pengelompokan dengan langkah-langkah: ekstraksi ciri dengan n-mers frecuency, normalisasi, partisi dengan FCM, menentukan kelompok terbaik dengan mencari nilai MSS minimum, ordering, dan collapsing. Hal ini dilakukan berulang kali sampai kriteria berhenti terpenuhi. Penerapan algoritma ini dilakukan dengan program R. Pada penerapan algoritma partisi dalam metode HOPACH clustering, langkah normalisasi tidak perlu dilakukan, karena FCM sendiri sudah mengatasi masalah adanya outliers. Kekurangan dari penerapan ini adalah running time program yang cukup lama untuk nilai batas toleransi yang kecil.

---

One of the way to know the function of gene expression by clustering analysis. HOPACH clustering is combine thea agglomerative and partition method. The partition are PAM, SOM, and K-means which is part of hard clustering. In some cases because of the placement object in to a cluster with hard clustering can cause an error. So that is the reason why fuzzy set theory occurs and became the foundation of fuzzy clustering. One of the fuzzy clustering methods is Fuzzy C-means (FCM) which is developed from K-means.

The result from the implementation of FCM partitioning algorithm in HOPACH clustering method is the clustering algorithm which the steps are: characteristic extraction, normalization, partition using FCM, choosing the best cluster with the minimum MSS, ordering and collapsing. The process need done by iteration until the stopping criteria has reached. The implementation of this algorithm is use R program. In the implementation of FCM partitioning algorithm in HOPACH clustering method, normalization process can be deleted, because the FCM already sole the outliers problem. This disadvantage of this implementation is the running time program need quite along time for the small tolerance limits."

"[ABSTRAKIntensitas keabuan yang sangat dekat memungkinkan terjadinya kesalahan dalammenginterpretasikan citra hasil Computed Radiography (CR). Maka diperlukanalgoritma yang dapat mempermudah tim medis mendiagnosa kondisi pasienkhususnya bagian paru. Penelitian ini menggunakan tingkat keabuan /intensitascitra sebagai dasar clustering dan segmentasi Region of Interest (ROI ) yang akandilakukan dengan sistem komputerisasi. Sehingga hasil pembacaan lebih akuratdibanding secara manual. Data sampel berupa 100 citra hasil CR pasien parudewasa Rumah Sakit Pusat Pertamina yaitu 50 citra norma sebagai citra acuan dan50 citra uji (normal dan abnormal). Pada clustering diuji coba dengan jumlahcluster (k) bervariasi yaitu 3, 4, .., 10. Citra hasil clustering yang terbaikditunjukkan pada k = 8 karena dapat memvisualisasikan batas warna dengan lebihjelas dibanding dengan k yang lain. Pada segmentasi ROI, citra paru dibagimenjadi 33 daerah sesuai posisi anatomi paru yang terdiri dari 6 daerah apex, 11daerah hilum dan 16 daerah peripheral. Selanjutnya, masing-masing daerahpembagian diukur intensitasnya. Intensitas citra acuan dijadikan dasar untukmenentukan abnormalitas citra uji, intensitas citra uji yang lebih tinggi dariintensitas citra normal dikategorikan sebagai citra abnormal. Akurasi sistem padapenelitian ini adalah 66%.

---

ABSTRACTGray intensity is very close to allow for errors in interpreting the ComputedRadiography (CR) image. It would require an algorithm that can facilitate medicalteam to diagnose the patient's condition especially the lungs. Clustering k-meansclustering and segmentation Region of Interest (ROI) will be done by acomputerized system based on the image gray level / intensity. 100 CR imageused as the sample data from Rumah Sakit Pusat Pertamina, 50 image asreferences images and 50 images as tested image. On clustering tested by thenumber of clusters (k) varies the 3, 4, .., 10. The clustering of the best imageresults are shown in k = 8 because it can visualize the color boundaries moreclearly than the other k. At ROI segmentation, lung image is divided into 33regions corresponding anatomical position lung consist of 6 regional apex, hilumarea 11 and 16 peripheral areas. Furthermore, each regional division of themeasured intensity. The intensity of the reference image used as the basis fordetermining abnormality test images, test image intensity higher than normalimage intensity categorized as abnormal image. The system accuracy in this studywas 66%., Gray intensity is very close to allow for errors in interpreting the ComputedRadiography (CR) image. It would require an algorithm that can facilitate medicalteam to diagnose the patient's condition especially the lungs. Clustering k-meansclustering and segmentation Region of Interest (ROI) will be done by acomputerized system based on the image gray level / intensity. 100 CR imageused as the sample data from Rumah Sakit Pusat Pertamina, 50 image asreferences images and 50 images as tested image. On clustering tested by thenumber of clusters (k) varies the 3, 4, .., 10. The clustering of the best imageresults are shown in k = 8 because it can visualize the color boundaries moreclearly than the other k. At ROI segmentation, lung image is divided into 33regions corresponding anatomical position lung consist of 6 regional apex, hilumarea 11 and 16 peripheral areas. Furthermore, each regional division of themeasured intensity. The intensity of the reference image used as the basis fordetermining abnormality test images, test image intensity higher than normalimage intensity categorized as abnormal image. The system accuracy in this studywas 66%.]"