Search Result  ::  Save as CSV :: Back

"Manusia cukup baik dalam mengenali wajah, betapapun miripnya wajah yang diberikan. Akan tetapi membangun model komputasional yang dapat menyamai kemampuan manusia dalam mengenali wajah merupakan pekerjaan yang sulit. Upaya pengenalan dan pengklasifikasian wajah dilakukan dengan mentransformasikan face images menjadi himpunan karakteristik dari image yang disebut vektor eigen. Pengenalan wajah dengan menggunakan vektor eigen metode Principal Component Analysis dilakukan dengan memproyeksikan test image ke ruang yang direntang dari vektor-vektor eigen, yaitu disebut face space. Kemudian mengklasifikasikannya sebagai individu yang ?dikenali? atau ?tidak dikenali? dengan membandingkan test image tersebut di face space dengan individu pada database. "

"Deteksi dan resolusi dari lapisan tipis merupakan masalah penting dalam analisis reservoir. Semakin tipis lapisan menyebabkan semakan tingginya puncak frekuensi pada spektrum wavelet yang direfleksikan dari lapisan tipis relatif terhadap domain frekuensi dari wavelet seismik datang. Untuk itu, energi dari gelombang digunakan untuk mendapatkan integrated energy spectra (INTENS) sebagai fungsi dari frekuensi. INTENS merupakan hasil plot antara integrated partial energy dengan frekuensi yang dapat digunakan untuk mendeteksi perubahan ketebalan dari lapisan tipis yang tidak dapat langsung dikenali pada domain waktu. Metode integrated energy spectra diterapkan pada model baji dan data seismik real 3 dimensi untuk mendapatkan penggambaran lapisan tipis yang lebih baik. Kemudian, untuk mempermudah analisis lapisan tipis, digunakan metode principal component spectral analysis (PCA) untuk mencari trend dari dari data yang dihasilkan. Metode ini mengkompaksi 86 komponen spectral yang harus dianalisa menjadi kurang dari 6 komponen utama. Hasil yang didapat menunjukkan PC band pertama dapat menggambarkan dengan baik distribusi channel. Jumlah dari 6 PC band pertama menunjukkan variansi sebesar 78% dan dapat menggambarkan distribusi channel yang lengkap. PCA dapat memproyeksikan fitur utama dengan baik pada beberapa PC band pertama dan menghilangkan sinyal yang tak berarti seperti noise.

---

Detection and resolution of thin layers is an important issue in the analysis of the reservoir. A progressively thinner bed corresponds to a progressively higher peak frequency in the spectrum of the wavelet reflected from the thin bed relative to the dominant frequency of the incident seismic wavelet. the energy of the waveform is used to obtain integrated energy spectra as a function of frequency. INTegrated ENergy Spectra (INTENS) is a plot of integrated partial energy against frequency that can be used to detect changes in thickness of thin that are not immediately recognizable in the time domain.

Integrated energy spectra method applied to the wedge model and 3-dimensional real seismic data to obtain a better image of thin bed. Then, to analyze thin layers, principal component analysis (PCA) is used to find the trend of the data produced. This method decrease 86 spectral components that must be analyzed to less than 6 main components.

The results show the first PC band can delineate channel distribution with good image. The sum of first 6 PC bands show variance by 78% and can delineate the complete distribution channel. PCA could project the main features on some first PC band and could eliminate bad signal such noise."

"Magnetic Resonance Spectroscopy (MRS) membantu ahli radiologi untuk mengetahui tingkat keganasan dari kanker otak (astrocytoma). Dalam tugas akhir ini akan dibahas proses klasifikasi terhadap data hasil MRS untuk mengetahui tingkat keganasan dari astrocytoma yang terdiri dari Tingkat rendah (Low Grade), Tingkat tinggi (High Grade), dan Normal. Data yang digunakan dalam tugas akhir ini berasal dari RSU Pusat Nasional Dr. Cipto Mangunkusumo, Jakarta. Metode yang digunakan untuk klasifikasi adalah metode Independent Component Analysis dan metode Possibilistic C-Means. Hasil percobaan yang dilakukan menunjukkan bahwa metode Independent Component Analysis mempunyai nilai akurasi 96,67% sementara nilai akurasi dari metode Possibilistic C-Means mencapai 90,91%. Dalam tugas akhir ini, akan dibuat sebuah perangkat lunak untuk pendukung keputusan yang membantu memberikan informasi mengenai tingkat keganasan dari astrocytoma.

---

Magnetic Resonance Spectroscopy (MRS) helps radiologists to determine the level of malignancy of brain cancer (astrocytoma). In this final project, we will discuss the classification process of MRS data to determine the level of malignancy of astrocytoma consisting of low grade, high grade, and normal. The data used in this final project comes from the National Central Hospital Dr. Cipto Mangunkusumo, Jakarta. The methods used for classification are the Independent Component Analysis method and the Possibilistic C-Means method.

The experimental results show that the Independent Component Analysis method has an accuracy value of 96.67% while the accuracy value of the Possibilistic C-Means method reaches 90.91%. In this final project, a decision support software will be made to help provide information about the level of malignancy of astrocytoma."