Hasil Pencarian  ::  Simpan CSV :: Kembali

"Era revolusi industri 4.0 memberikan peluang bagi data science untuk membantu kepentingan masyarakat tidak hanya di bidang teknologi dan industri, tetapi juga di bidang kesehatan. Salah satu masalah di bidang kesehatan yaitu ketika mendiagnosis suatu penyakit dari hasil biopsi, CT-scan, maupun MRI-scan para tenaga medis akan kewalahan jika memeriksanya satu per satu. Oleh karena itu, penelitian ini menggunakan machine learning untuk membantu dunia kesehatan menyelesaikan masalah overload data saat mendiagnosis pasien. Penyakit yang digunakan dalam penelitian ini adalah kanker prostat, yaitu salah satu penyebab kematian tertinggi pada pria di negara Barat. Kanker prostat adalah tumor ganas yang tumbuh secara perlahan di dalam kelenjar prostat. Pada umumnya, kanker prostat stadium awal timbul tanpa adanya gejala dan berkembang dengan perlahan. Maka, sangat penting bagi pasien untuk mendeteksi dini penyakit kanker prostat, dengan melakukan pemeriksaan kadar Prostate Specific Antigen (PSA). Kadar PSA dalam darah diukur dalam satuan nanogram per milimeter (ng / mL) yang normalnya berada pada angka 4 – 7 ng/mL. Jika lebih dari itu, disarankan untuk melakukan tes lebih lanjut atau langsung melakukan biopsi (Kementerian Kesehatan Republik Indonesia, 2017). Tingkat keganasan kanker prostat dapat diukur dengan sistem pengelompokan gleason score dari hasil tes biopsi pasien. Penelitian ini bertujuan untuk memprediksi pasien mengidap kanker prostat atau tidak dengan menggunakan citra hasil biopsi pasien yang telah diperbesar yang diambil dari Prostate cANcer graDe Assessment (PANDA) Challenge 2020. Ekstraksi fitur dengan metode Gray Level Co-occurence Matrix (GLCM) akan membantu untuk mengubah data citra menjadi data numerik. Metode yang dipilih pada penelitian ini adalah Fuzzy Robust Kernel C-Means dengan akurasi 87,5 %.

---

The era of the industrial revolution 4.0 provides opportunities for data science to help the interests of society not only in technology and industry, but also in the health sector. One of the problems in the health sector is that when diagnosing a disease from the results of a biopsy, CT-scan, or MRI-scan, medical personnel will be overwhelmed if they check one by one. Therefore, this study uses machine learning to help the healthcare world solve the problem of data overload when diagnosing patients. The disease used in this study is prostate cancer, which is one of the leading causes of death in men in Western countries. Prostate cancer is a malignant tumor that grows slowly in the prostate gland. In general, early stage prostate cancer appears without symptoms and develops slowly. So, it is very important for patients to detect prostate cancer early, by checking the levels of the Prostate Specific Antigen (PSA). PSA levels in the blood are measured in units of nanograms per millimeter (ng / mL), which is normally 4 - 7 ng / mL. If it is more than that, it is advisable to carry out further tests or to immediately perform a biopsy (Ministry of Health of the Republic of Indonesia, 2017). The level of malignancy of prostate cancer can be measured by a system of grouping the gleason score from the results of the patient's biopsy test. This study aims to predict whether or not a patient has prostate cancer using enlarged biopsy images of patients taken from the Prostate Cancer GraDe Assessment (PANDA) Challenge 2020. Feature extraction using the Gray Level Co-occurrence Matrix (GLCM) method will help to change image data becomes numeric data. The method chosen in this study is Fuzzy Robust Kernel C-Means with an accuracy of 87.5%."

"

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.

"

"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."

"Penyakit kronis adalah penyakit yang diderita dalam waktu panjang dan dapat berkembang secara cepat, salah satunya adalah penyakit kanker dan diabetes. Oleh karena itu, dengan melakukan pendeteksian dini maka perkembangan penyakit kanker dan diabetes akan menurun. Salah satu cara pendektesian dini dapat dilakukan oleh machine learning. Teknik machine learning banyak digunakan dalam berbagai bidang khususnya untuk analisa data medis.  Clustering merupakan salah satu metode dari machine learning yang bertujuan untuk mengelompokkan suatu dataset ke dalam subset berdasarkan ukuran jarak. Salah satu contoh metode clustering adalah metode Entropi Fuzzy C-Means yang dapat mengidentifikasi entropi disetiap titik data dan memilih pusat kluster terdekat dengan entropi minimum. Pada penelitian akan digunakan data kanker dan diabetes dari UCI Repository dengan menggunakan metode Entropi Fuzzy C-Means yang akan dimodifikasi dengan kernel RBF. Sebelum dilakukan klasifikasi, dilakukan pemilihan fitur menggunakan Chi-Square. Tujuan dari penelitian ini adalah untuk mendapatkan fitur-fitur yang optimal dan mengetahui hasil akurasi menggunakan untuk klasifikasi data diabetes dan kanker. Diperoleh hasil akurasi tertinggi pada klasifikasi data medis menggunakan metode Entropi Fuzzy C-Means berbasis kernel dengan pemilihan fitur Chi-Square yaitu sebesar 83.33% untuk data diabetes dan 77.77-100% untuk data kanker.

---

Chronic disease is a disease that occur for a long time and can develop quickly, one of them is cancer and diabetes. The early detection is very helpful to reduce the development of the disease. One of the ways to detect cancer and diabetes disease is using machine learning technic. Machine learning technic is widely use in many aspects especially in medical data analysis. Clustering is part of machine learning technic that is used to group a dataset into subset based on space size. Entropy Fuzzy C-Means is one of the methods which can identify entropy in every data and can choose the cluster center similar with minimum entropy. In this paper we will use cancer and diabetes medical data from UCI Repository using Entropy Fuzzy C-Means method which is modified by kernel RBF. Before classification, we will select the feature using Chi-Square  to get the optimal subset feature. The purpose of this study was to obtain optimal features and find out the results of accuracy using for the classification of diabetes and cancer data. The medical data classification using Entropy Fuzzy C-Means based on kernel with Chi-Square feature selection gives the 100% highest accuration result for cancer data and 83,33% for diabetes data."

"Dalam dekade terakhir ini, kanker menjadi pusat perhatian dunia kesehatan dikarenakan penyakit ini termasuk dalam penyebab utama kematian di seluruh dunia. Menurut statistik GLOBOCAN, International Agency for Research on Cancer IARC pada tahun 2012, terdapat 14.067.894 kasus kanker baru dengan 8.201.575 kematian akibat kanker di seluruh dunia. Oleh sebab itu, dibutuhkan tindakan pencegahan dan pengobatan yang efektif. Salah satunya dengan metode klasifikasi kanker. Metode klasifikasi kanker dapat dijadikan sebagai alat bantu tenaga medis untuk menangani kanker. Dalam tugas akhir ini diusulkan algoritma untuk mengklasifikasikan data kanker dengan menggunakan Fuzzy Possibilistic C-means FPCM dan metode baru yang menggunakan Normed Kernel Function-based Fuzzy Possibilistic C-means NKFPCM. Tujuannya untuk mendapatkan keakuratan terbaik dalam pengklasifikasian data kanker. Untuk meningkatkan keakuratan dua metode tersebut, dilakukan evaluasi kandidat fitur dengan menggunakan pemilihan fitur. Untuk pemilihan fitur digunakan metode Laplacian Score. Hasil yang diperoleh menunjukkan perbandingan keakuratan dan running time dari FPCM dan NKFPCM tanpa dan dengan dilakukan pemilihan fitur. Hasilnya, didapatkan akurasi terbaik saat dengan menggunakan metode NKFPCM dengan dilakukan pemilihan fitur, yaitu 90,91 dengan penggunaan 750 fitur untuk data kanker kandung kemih, 100 dengan penggunaan 250 fitur untuk data kanker darah leukemia , 96,67 dengan penggunaan 3.000 fitur untuk data kanker prostat, dan 100 dengan penggunaan 250 fitur untuk data kanker lambung.

---

Over the past decade, cancer has become the center of attention in the medical field due to its reputation as one of the main causes of death in the worldwide. According to GLOBOCAN statistics, International Agency for Research on Cancer IARC , there were 14,067,894 new cancer cases and 8,201,575 cancer related deaths occurred in 2012. Therefore, preventive actions and effective treatments are required to reduce these threats. One method of handling of cancer using cancer classification. Cancer classification method can be used as aids to handle Cancer. This research proposed an algorithm to classify cancer data using Fuzzy Possibilistic C Means FPCM and a new method, Normed Kernel Function Based Fuzzy Possibilistic C Means NKFPCM. The purpose of this research is to obtain the best accuracy in the classification of cancer data. To improve the accuracy of these two methods, the feature candidate will be evaluated using feature selection. The feature selection was conducted using Laplacian Score. The results obtained show the comparison of the accuracy and running time of FPCM and NKFPCM without and with feature selection. The results show that the best accuracy obtained when using NKFPCM with features selection, with percentage of 90.91 by using 750 features for bladder cancer data, 100 by using 250 features for blood cancer leukemia data, 96.67 by using 3,000 features for prostate cancer data, and 100 by using 250 features for gastric cancer data."

"Sinusitis adalah peradangan pada dinding sinus, yaitu rongga kecil yang terhubung dengan rongga udara dalam tulang tengkorak. Sinus terletak di belakang dahi, di dalam struktur tulang pipi, di kedua sisi hidung, dan di belakang mata. Sinusitis disebabkan oleh peradangan pada rongga hidung, tumbuhnya polip, alergi, dan hal lainnya yang dapat terjadi pada orang dewasa, remaja, bahkan anak-anak. Untuk mengklasifikasi jenis sinusitis, penulis menggunakan Fuzzy C-Means Berbasis Kernel yang merupakan pengembangan dari Fuzzy C-Means. Fuzzy C-Means mengelompokkan data menggunakan jarak Euclidean. Namun, jika data yang akan dipisahkan adalah data non linear, maka konvergensinya akan kecil dan membutuhkan waktu yang lama. Untuk menyelesaikan masalah ini dapat digunakan Fuzzy C-Means Berbasis Kernel yang menggunakan fungsi kernel untuk menggantikan jarak Euclidean. Metode ini memetakan objek dari ruang data ke ruang fitur yang berdimensi lebih tinggi, sehingga dapat mengatasi kelemahan FCM. Data yang digunakan adalah data penyakit sinusitis yang diperoleh dari laboratorium radiolog RSUPN Cipto Mangunkusumo, Jakarta. Karena data yang digunakan adalah data non linear, maka metode yang lebih cocok digunakan adalah Fuzzy C-Means Berbasis Kernel. Dengan menggunakan software Matlab diperoleh akurasi 100% dengan waktu mendekati 0 detik untuk Fuzzy C-Means Berbasis Kernel.

---

Sinusitis is an inflammation of the sinus wall, a small cavity interconnected through the airways in the skull bones. It is located on the back of the forehead, inside the cheek bone structure, on both side of the nose, and behind the eyes. Sinusitis is caused by infection, growth of nasal polips, allergies, and others. This condition can effect adults, teenagers, and even children. To classify sinusitis we used Kernel Based Fuzzy C-Means, which is the development of Fuzzy C-Means (FCM). FCM algorithm groups data using Euclidean distance. However, when non linear data is separated, the convergence is innacurate and need a long running time. To overcome this problem, a Kernel Based Fuzzy C-Means that use kernel functions as a substitute for Euclidean distance. It maps objects from data space to a higher dimention feature space, so they can overcome FCM deficiencies. Data that is used is sinusitis dataset obtained from the laboratory of radiology at Cipto Mangunkusumo National General Hospital, Jakarta. Because the data used is non-linear dataset, the more suitable method is Kernel Based Fuzzy C-Means. By using the Matlab software 100% accuracy is obtained and running time is close to 0 for Kernel Based Fuzzy C-Means."

"Investor mempunyai tujuan untuk mendapatkan keuntungan setiap melakukan investasi. Saham adalah salah satu instrumen investasi yang menawarkan tingkat keuntungan yang menarik. Di Indonesia, saham sudah menjadi salah satu instrumen investasi yang populer. Namun, walaupun saham mempunyai keuntungan yang tinggi, saham juga mempunyai risiko yang tinggi. Hal ini disebabkan karena harga saham fluktuatif dan dipengaruhi oleh faktor-faktor yang rumit. Akibat dari harga saham yang fluktuatif, investor sulit untuk mendapatkan sebuah prediksi yang akurat. Jika investor dapat memprediksi pergerakan harga saham di masa depan, investor dapat membuat keputusan yang tepat untuk beli, jual, atau hold. Dalam skripsi ini digunakan tiga jenis data perusahaan berbeda yang tercatat di dalam Bursa Efek Indonesia dengan data historis dari tahun 2017 sampai 2018. Umumnya, investor menggunakan indikator teknikal untuk memprediksi pergerakan saham. Pada skripsi ini, sebanyak tujuh belas teknikal indikator digunakan dan indikator teknikal tersebut diproses ke dalam dua jenis pendekatan. Pendekatan pertama memanfaatkan nilai-nilai indikator teknikal dan pendekatan kedua menggunakan sifat-sifat tertentu dalam menggambarkan pergerakan saham. Dua jenis data tersebut dijadikan data input bagi model prediksi dengan menggunakan metode Fuzzy Kernel Robust C-Means yang mengkelompokkan data harga saham ke dalam dua kelas, yaitu naik atau turun. Pada skripsi ini digunakan sebanyak tiga jenis label kelas yang berbeda, yaitu label kelas berdasarkan harga harian penutupan saham, label kelas yang bergantung pada rata-rata harga mingguan penutupan saham, dan label kelas yang bergantung pada rata-rata keseluruhan harga penutupan saham.

---

Investors must achieve a goal to obtain benefit from every investment they made. Stock offers an interesting amount of benefit. In Indonesia, stock has becoming one of the most popular investment tools. Even though stock offers an interesting amount of benefit, stock is also have a high risk. The reason behind this is because stock movement has fluctuating nature and affected by complicated factors. Due to this situation, investors hardly obtain an accurate prediction. If investors could oversee the stock price movement, investors could make right decision whether to buy, sell, or hold. Three different companies stock price data listed in Bursa Efek Indonesia from 2017 to 2018 used in this undergraduate thesis. Investors usually use technical indicators to predict the stock price movement. In this undergraduate thesis, seventeen technical indicators are used and processed into two different approaches. The first approach use the values of technical indicators and the scond one utilizes certain criteria owned by each technical indicator in describing stock price movement. Both approaches are then used as input data for prediction model using the Fuzzy Kernel Robust C-Means method which classifies the stock price data into two classes, i.e. up and down. Three different class labels are used in this undergraduate thesis, i.e. day stock price movement class label, weekly average stock price movement class label, and whole average stock price movement class label."

"Klasifikasi data kanker dilakukan untuk menemukan terapi yang tepat yaitu memaksimalkan efektivitas dan meminimalkan toksisitas. Pada umumnya, data kanker terdiri dari banyak fitur. Namun, tidak semua fitur tersebut informatif. Oleh karena itu, fitur-fitur tersebut akan diseleksi menggunakan metode Fisher's Ratio untuk memilih fitur-fitur yang paling informatif. Fitur-fitur terbaik akan dibentuk data baru. Data, sebelum dan setelah dilakukan pemilihan fitur, diklasifikasi menggunakan metode Fuzzy C-Means. Akurasi dari proses klasifikasinya akan dibandingkan. Hasilnya, tanpa melakukan pemilihan fitur, diperoleh rata-rata akurasi sebesar 82.92%. Setelah dilakukan pemilihan fitur, diperoleh akurasi terbaik dengan menggunakan 150 fitur dengan rata-rata akurasi sebesar 89.68%.

---

Classification of cancer data is done to find the right therapy that maximize efficacy and minimize toxicity. In general, cancer data consists of many features. However, not all of these features are informative. Therefore, these features will be selected using Fisher's Ratio to choose features that are most informative. The best features to be formed new data. Data, before and after feature selection, are classified using Fuzzy C-Means. The accuracy of the classification process will be compared. As a result, without doing feature selection, the accuracy is 82.92%. After doing feature selection, the best accuracy is obtained by using 150 features with the accuracy is 89.68%."

"Klasifikasi kanker berbasis microarray data telah menjawab tantangan pengobatan kanker dengan terapi kanker yang dapat dimaksimalkan dan toksisitas yang dapat diminimalkan. Pada tugas akhir ini, dibahas proses klasifikasi terhadap data kanker colon untuk menentukan apakah data tersebut merupakan data kanker atau normal. Tujuan dari penulisan tugas akhir ini adalah memperoleh keakuratan klasifikasi data kanker colon dengan menggunakan Tangent Fuzzy Possibilistic C-Means (TFPCM). Keakuratan klasifikasi tergantung pada parameter-parameter: nilai , derajat fuzzy, dan derajat possibilistic yang terdapat pada algoritma TFPCM, sehingga diperlukan nilai optimal dari parameter-parameter tersebut. Metode pada tugas akhir ini menggunakan teknik Robust Fuzzy Possibilistic C-Means (RFPCM) dengan fungsi Kernel yang digunakan adalah hyper tangent Kernel Bray Curtis.

---

Cancer classification based on microarray data has been able to cure cancer with cancer therapy that can be maximized and with toxicity that can be minimized. In this essay, classification process of colon cancer data will be discussed further to determine whether the data is a cancer data or normal data. The purpose of writing this essay is to obtain the accuracy of colon cancer data classification using Tangent Fuzzy Possibilistic C-Means (TFPCM). The accuracy depends on the parameters: value, degree of fuzzy, and degree of possibilistic in TFPCM algorithm, so the optimal value of those parameters are needed. The method in this essay using Robust Fuzzy Possibilistic C-Means technique (RFPCM) where the Kernel function that is being used is hyper tangent Kernel Bray Curtis. "

"Salah satu perkembangan dari teknologi terbaru adalah pengenalan wajah. Pengenalan wajah pada dasarnya dilakukan berdasarkan asumsi bahwa setiap individu memiliki identitas unik. Tetapi pada kenyataannya, akan ada individu yang memiliki wajah mirip dengan individu lainnya. Penelitian ini dilakukan untuk mendeteksi individu-individu yang mirip tersebut. Metode machine learning yang digunakan adalah Support Vector Machine dan Fuzzy Kernel C-Means dengan dua jenis kernel. Metode pemilihan fitur Chi-Square juga akan digunakan untuk mereduksi dimensi data sehingga waktu yang dibutuhkan lebih cepat. Data yang digunakan adalah data foto wajah yang diambil dari Look-Alike Face Database. Hasil yang diperoleh memperlihatkan bahwa kedua metode machine learning tersebut mampu untuk melakukan pengenalan wajah pada identifikasi kemiripan, dengan akurasi tertinggi yang diperoleh SVM sebesar 94 dan FKCM sebesar 74.

---

One of the latest technology developments is face recognition. Face recognition is basically done on the assumption that each individual has a unique identity. But in reality, there will be individuals who have faces similar to other individuals. This research was conducted to identify look alike faces. The machine learning methods used are Support Vector Machine and Fuzzy Kernel C Means with two types of kernel. The Chi Square feature selection method was also used to reduce the dimension of the data in order to achive lower running time. The data used are face photos taken from Look Alike Face Database. The results show that both machine learning methods were able to perform face recognition on identification of look alike faces, with the highest accuracy obtained by SVM is 94 and FKCM is 74 ."