Hasil Pencarian  ::  Simpan CSV :: Kembali

"Breast cancer can be detected using digital mammograms. In this research study, a system is designed to classify digital mammograms into two classes, namely normal and abnormal, using the k-Nearest Neighbor (kNN) method. Prior to classification, the region of interest (ROI) of a mammogram is cropped, and the feature is extracted using the wavelet transformation method. Energy, mean, and standard deviation from wavelet decomposition coefficients are used as input for the classification. Optimal accuracy is obtained when wavelet decomposition level 3 is used with the feature combination of mean and standard deviation. The highest accuracy, sensitivity, and specificity of this method are 96.8%, 100%, and 95%, respectively."

"ABSTRACTTalasemia adalah penyakit yang disebabkan oleh adanya kelainan dalam hemoglobin. Penyakit talasemia merupakan penyakit herediter atau penyakit keturunan dimana pembawa gen talasemia adalah orang tua dari penderita. Di Indonesia, pada tahun 2015 diketahui jumlah kasus talasemia mencapai 7.029 kasus. Sampai saat ini talasemia belum dapat disembuhkan namun dapat dikenali sifat pembawanya dengan skrining. Dalam tugas akhir ini, akan dibandingkan performa dari dua metode yang digunakan untuk mengklasifikasikan data talasemia, yaitu K-Nearest Neighbor dan Naive Bayes. Data yang digunakan adalah 82 data pasien talasemia dan 68 data pasien non-talasemia dari Rumah Sakit Anak dan Bunda Harapan Kita, Jakarta Barat. Hasil akhir menunjukkan bahwa metode Naive Bayes memberikan nilai akurasi yang lebih besar dari K-Nearest Neighbor dalam mengklasifikasikan talasemia. Rata-rata akurasi Naive Bayes sebesar 99.775% dengan rata-rata waktu running 0.0554 detik dan rata-rata akurasi K-Nearest Neighbor adalah 97.142% dengan rata-rata waktu running 0.081 detik. Untuk nilai spesifikasi, keduanya memberikan performa yang sama, yaitu dari K-Nearest Neighbor diperoleh ketika K=3 yaitu sebesar 100% dan dari Naive Bayes sebesar 100%. Hasil rata-rata sensitivitas tertingi diberikan oleh Naive Bayes yaitu sebesar 99.59%, sedangkan K-Nearest Neighbor sebesar 96.25% untuk K=1.

---

ABSTRACTThalassemia is a disease caused by abnormalities in the hemoglobin. Thalassemia is a hereditary disease which the thalassemia gene carriers are parents of sufferers. In Indonesia, in 2015 it was found that the number of thalassemia cases reached 7,029 cases. Until now thalassemia has not been cured, but it can be recognized the nature of its carrier by screening. In this final project, the performance of the two methods will be compared to classify thalassemia data, namely K-Nearest Neighbor and Naive Bayes. The data used were 82 data on thalassemia patients and 68 data on non-thalassemia patients from Harapan Kita Children and Womans Hospital, West Jakarta. The final results show that the Naive Bayes method provides greater accuracy value than K-Nearest Neighbor in classifying thalassemia. The average accuracy of Naive Bayes is 99.775% with an average running time of 0.0554 seconds and the average accuracy of K-Nearest Neighbor is 97.142% with an average running time of 0.081 seconds. For specification values, both give the same performance. The result of specification values using K-Nearest Neighbor yield when K = 3 that is 100% and from Naive Bayes that is 100%. The highest average sensitivity results are given by Naive Bayes is 99.59%, while K-Nearest Neighbor is 96.25% for K = 1."

"Magnetic Resonance Spectroscopy (MRS) membantu ahli radiologi untuk mengetahui apakah pasien mengalami glioma otak atau infeksi otak. Dalam tugas akhir ini dibahas proses klasifikasi terhadap data hasil MRS untuk mengetahui apakah pasien mengalami glioma otak atau infeksi otak. Metode yang digunakan untuk klasifikasi adalah metode AdaBoost dengan base learner K-Nearest Neighbor dan metode K-Nearest Neighbor. Hasil Percobaan yang dilakukan menunjukkan bahwa metode AdaBoost dengan base learner K-Nearest Neighbor dengan K=3 mempunyai nilai akurasi 97% pada data training 80% sementara nilai akurasi dari metode K-Nearest Neighbor 94.4 % pada data training 80%. Hasil akhir dari pembuatan tugas akhir ini adalah sebuah perangkat lunak pendukung keputusan ( Decision Support System) yang membantu memberikan informasi apakah pasien mengalami glioma otak atau infeksi otak.

---

Magnetic Resonance Spectroscopy (MRS) helps the experts of radiology to detect the brain glioma or brain infection in patients. In this final project, the classification process on the result of MRS data is discussed to detect the brain glioma or brain infection in patients. The used classification methods are AdaBoost with base learner K-Nearest Neighbor and K-Nearest Neighbor methods. The result of research shows that the AdaBoost method with base learner K-Nearest Neighbor with K=3 has 97% accuracy value on 80% training data, while the accuracy value from K-Nearest Neighbor method is 94.4 % on 80%training data. The result from the writing of this final project is the software for making decision (Decision Support System) that supports the giving of information on the existence of brain glioma or brain infection in patients."

"Penderita gangguan depresi semakin meningkat setiap tahunnya, terutama pada generasi muda. Hal ini membawa urgensi tentang pentingnya menjaga kesehatan mental, terlebih lagi WHO melaporkan bahwa depresi sangat mempengaruhi kualitas hidup dan menjadi penyebab dari meningkatnya risiko gangguan kesehatan lainnya. Kesalahan diagnosis seringkali terjadi pada depresi, maka dari itu sangat penting untuk mengembangkan pendekatan objektif untuk membantu dokter mendiagnosis depresi secara lebih efektif. Elektroensefalografi (EEG) merupakan teknologi berbasis sinyal otak yang dapat merekam aktivitas jaringan otak. Penelitian ini bertujuan untuk membuat program analisis gangguan depresi berbasis Machine Learning. Aplikasi Graphical User Interface (GUI) juga dibuat untuk mempermudah pengguna. Pemrosesan sinyal dilakukan dengan dua metode, yakni wavelet dan Power Spectral Density (PSD). Relative Power Ratio (RPR) dihitung sebagai fitur klasifikasi. Perhitungan dominansi juga dilakukan untuk mereduksi jumlah fitur. Fitur dengan dominansi tertinggi akan digunakan untuk membuat model klasifikasi Machine Learning. Pengklasifikasi yang digunakan adalah K-Nearest Neighbor (KNN) dengan cross validation. Akurasi tertinggi yang diperoleh mencapai 70% dengan metode wavelet dan 65% dengan metode PSD.

---

The number of individuals suffering from depressive disorder (also known as major depressive disorder or MDD) is increasing every year, especially among the younger generations. This highlights the urgency of prioritizing mental health, especially considering the World Health Organization’s report that depression significantly affects the quality of life and increases the risk of other health disorders. Misdiagnosis often occurs in cases of depression, making it crucial of develop an objective approach to help doctors diagnose depression more affectively. Electroencephalography (EEG) is a brain signalbased technology that records brain network activity. This research aims to create a machine learning-based program for analyzing depressive disorders. Additionally, a Graphical User Interface (GUI) application is developed to facilitate users. Signal processing is performed using two methods, namely wavelet and Power Spectral Density (PSD). The Relative Power Ratio (RPR) is calculated as a classification feature. Dominance computation is also conducted to reduce the number of features, and the feature with highest dominance are used to create the Machine Learning classification model. The classifier used is K-Nearest Neighbor (KNN) with cross-validation. The highest accuracy achived is 70% with the wavelet method and 65% with the PSD method."

"Kualitas tidur yang baik sangatlah penting untuk berbagai aspek kehidupan seperti kesehatan fisik, kesehatan mental, keselamatan, konsentrasi, performa, penyembuhan, dan lain-lain. Kualitas tidur tidak hanya mencakup aspek fisiologis, tetapi juga memperhatikan aspek mental seperti: kondisi setelah tidur, kepuasan dengan tidur, dan pengaruh pada kehidupan sehari-hari. Penelitian ini mengusulkan penggabungan data objektif yang berasal dari Fitbit dan kuesioner subjektif untuk mengklasifikasi kualitas tidur menggunakan K-Nearest Neighbor. Klasifikasi ini bertujuan untuk mempelajari fitur-fitur yang paling pengaruh dalam kualitas tidur. Data objektif yang berisikan data fisiologis dan aspek tidur terukur oleh Fitbit, serta data subjektif mengenai aspek mental, keduanya dijadikan fitur deskriptif dalam model. Analisa fitur yang paling berpengaruh dilakukan dari dua sudut pandang model, yaitu fitur target kualitas tidur subjektif dan fitur target kualitas objektif. Kedua model dilatih dengan serangkaian data preprocessing yang termasuk didalamnya terdapat seleksi fitur dan ekstraksi fitur. Seleksi fitur berbasis ANOVA F Test akan dibandingkan dengan ekstraksi fitur Principal Component Analysis (PCA) dan Neighborhood Component Analysis(NCA). Seleksi fitur ANOVA F-Test lebih baik dari PCA dan NCA dengan peningkatan skor sebesar 0,06-0,08 pada model objektif, dan 0,01-0,06 pada model subjektif. Skor terbaik terbaik dari model subjektif yaitu 0,52 dengan parameter jumlah fitur = 3 dan k-neighbors = 27. Skor terbaik terbaik dari model objektif yaitu 0,72 dengan parameter jumlah fitur = 7 dan k-neighbors = 4. Pada akhirnya, ditemukan 3 Fitur yang paling berpengaruh dalam klasifikasi subjektf, dan 7 fitur yang paling berpengaruh dalam klasifikasi objektif.

---

Good quality sleep is very important for various aspects of life such as physical health, mental health, safety, concentration, performance, healing, and others. Sleep quality does not only include physiological aspects, but also pay attention to mental aspects such as condition after sleep, satisfaction with sleep, and influence on daily life. This study proposes combining objective data from Fitbit and subjective questionnaires to classify sleep quality using K-Nearest Neighbor. This classification aims to study the features that have the most influence in sleep quality. Objective data containing physiological data and sleep aspects measured by Fitbit, as well as subjective data on mental aspects, are both used as descriptive features in the model. The analysis of the most influential features is carried out from two viewpoints of the model, namely the subjective sleep quality target feature and the objective quality target feature. Both models are trained with a series of preprocessing data which includes feature selection and feature extraction. ANOVA F Test based on feature selection will be compared with feature extraction of Principal Component Analysis (PCA) and Neighborhood Component Analysis (NCA). ANOVA F-Test feature selection is better than PCA and NCA with an increase in scores of 0.06-0.08 in the objective model, and 0.01-0.06 in the subjective model. The best score of the subjective model is 0.52 with the parameter number of features = 3 and k-neighbors = 27. The best score of the objective model is 0.72 with the parameter number of features = 7 and k-neighbors = 4. In the end, it was found 3 the most influential features in the subjective classification, and 7 the most influential features in the objective classification."

"ABSTRAKPada penelitian ini dirancang sebuah sistem pendeteksi kantuk untuk mencegah terjadinya kelalaian pengendara yang dapat menyebabkan kecelakaan dalam bentuk aplikasi berbasis Android. Dengan menggunakan Elektoensefalogram (EEG), kondisi mengantuk pada seseorang dapat dideteksi dengan cara merekam aktivitas kelistrikan yang terjadi pada otak manusia dan direpresentasikan menjadi bentuk sinyal frekuensi. Kemudian sinyal tersebut akan dikirim ke aplikasi di smartphone Android melalui Bluetooth dan akan memberikan peringatan berupa notifikasi jika kondisi mengantuk sudah terdeteksi. Sinyal akan diproses menggunakan Fast Fourier Tranform (FFT) untuk mengekstraksi fitur pada sinyal otak dan diklasifikasi menggunakan ­K-Nearest Neighbor (KNN). Sistem tersebut diharapkan dapat meminimalisir penyebab terjadinya kecelakaan yang dikarenakan oleh pengemudi yang mengantuk. Hasil yang didapatkan dari perancangan sistem pendeteksi ini menunjukkan bahwa aplikasi sudah dapat menghasilkan performa terbaik dengan tingkat akurasi tertinggi yaitu 95.24% dengan menggunakan nilai K=3 dan dengan menggunakan 4 fitur gelombang otak (Delta, Theta, Alpha, dan Beta).

---

ABSTRACTIn this research, a drowsiness detection system is an Android application and it is designed to prevent drivers negligence that can cause accidents. By using Electroencephalogram (EEG), the condition of drowsiness can be detected by recording the electrical activity that occurs in human brain and represented as a frequency signal. Then the signal will be sent to the Android application on smartphone via Bluetooth and will give an alarm notification if the drowsiness is detected. The signal will be processed using Fast Fourier Transform (FFT) to extract features in human brain signals and be classified using K-Nearest Neighbor (KNN). The system is expected to minimize the causes of accidents that caused by drowsy drivers. The results obtained from the development of this detection system indicate that the application can produce the best performance with the highest accuracy of 95.24% using the value of K = 3 and by using 4 brain wave features (Delta, Theta, Alpha, and Beta)."

"Kapal merupakan salah satu faktor penting dalam perekonomian & pendistribusian barang baik di dunia maupun di Indonesia. Kapal dinilai sangat efektif dalam pendistribusian barang dari suatu daerah ke daerah lainnya dengan muatan yang banyak. Dalam hal ini, Pemerintah Indonesia sudah membuat kebijakan Jalur Tol Laut. Namun Pemerintah Indonesia masih berupaya untuk menurunkan disparitas harga antara wilayah Indonesia Bagian Barat dengan Indonesia Bagian Timur dalam rangka menunjang pendistribusian barang dan pengembangan ekonomi di daerah terpencil dan daerah belum berkembang. Maka dari itu, pemilihan rute merupakan hal yang krusial untuk dapat mengurangi biaya oprasional yang tinggi. Penelitian ini mengimplementasikan metode optimasi rute pelayaran dengan menggunakan algoritma Nearest Neighbor. Dengan metode tersebut, dapat ditemukan jalur antar pelabuhan dari setiap rutenya yang paling pendek dalam segi jarak. Penelitian ini bertujuan untuk menguji apakah rute yang sudah ditentukan merupakan jalur paling pendek. Pada penelitian dengan judul Optimasi Rute Pelayaran Tol Laut 2022 Menggunakan algoritma Nearest Neighbor, ditemukan adanya perbedaan jarak yang lebih dekat sehingga dapat mengurangi waktu tempuh. Hasil ini bisa menjadi masukan bagi Pemerintah Indonesia terutama Kementrian Perhubungan sebagai bahan evaluasi dalam Keputusan Direktur Jenderal Perhubungan Laut Nomor: KP – DJPL 8 Tahun 2022.

---

Ships are important factor in the economy & distribution of goods both in the world and in Indonesia. Ships are considered to be very effective in distributing goods from one area to another with a large load. In this case, the Government of Indonesia has made a Sea Highway Policy. However, the Government of Indonesia is still trying to reduce the price disparity between the western part of Indonesia and the eastern part of Indonesia in order to support the distribution of goods and economic development in remote and underdeveloped areas. Therefore, route selection is crucial to be able to reduce high operational costs. This study implements the cruise route optimization method using the Nearest Neighbor algorithm. With this method, it is possible to find the shortest route between ports from each route in terms of distance. This study aims to test whether the route that has been determined is the shortest path. In a study entitled Optimization of the 2022 Sea Highway Shipping Route Using the Nearest Neighbor algorithm, it was found that there are differences in closer distances so as to reduce travel time. These results can be input for the Government of Indonesia as an evaluation material."

" Algoritma K-Support Vector Nearest Neighbor (K-SVNN) menjadi salah satu alternatifmetode hasil evolusi K-Nearest Neighbor (K-NN) yang bertujuan untuk mengurangi saat prediksitetapi tetap mempertahankan akurasi prediksi. Metode ini masih relatif muda sehingga barudibandingkan hanya dengan metode-metode berbasis K-NN lainnya. Dalam penelitian inidilakukan analisis perbandingan kesamaan, perbedaan, dan kinerja terhadap metode Decision Tree(DT) dan Naïve Bayes (NB). Pengujian dengan perbandingan ini penting untuk mengetahuikeunggulan dan kelemahan relatif yang dimiliki oleh K-SVNN. Dengan mengetahui keunggulandan kelemahan maka metode tersebut dapat dibuktikan kehandalannya ketika diimplementasikan.Pengujian dilakukan baik pada saat pelatihan maupun prediksi. Kinerja pelatihan diukur dalam halwaktu yang digunakan untuk pelatihan, kinerja prediksi diukur dalam hal waktu yang digunakanuntuk prediksi dan akurasi prediksi yang didapat. Hasil pengujian menunjukkan bahwa K-SVNNmempunyai akurasi yang lebih baik daripada DT dan NB. Sedangkan waktu yang digunakan untukpelatihan dan prediksi K-SVNN lebih lama disbanding DT dan NB. "

"The purpose of the study was to investigate hand gesture recognition. The hand gestures of American Sign Language are divided into three categories—namely, fingers gripped, fingers facing upward, and fingers facing sideways—using the adaptive network-based fuzzy inference system. The goal of the classification was to speed up the recognition process, since the process of recognizing the hand gesture takes a longer time. All pictures in all of the categories were recognized using K-nearest neighbor. The procedure involved taking real-time pictures without any gloves or censors. The findings of the study show that the best accuracy was obtained when the epochs score was 10. The proposed approach will result in more effective recognition in a short amount of time."