Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Salah satu jenis penyakit kanker yang dapat menyebabkan kematian adalah kanker kulit (melanoma malignum). Tetapi jika penyakit ini dapat terdeteksi lebih awal maka kemungkinan besar dapat disembuhkan secara total. Cara yang sudah banyak digunakan paramedis untuk mendiagnosis tumor kulit adalah dengan melakukan biopsi yang membutuhkan biaya yang cukup besar. Karena itu banyak penelitian-penelitian yang dilakukan untuk memperkecil biaya ini tetapi dengan ketelitian yang cukup tinggi, salah satunya adalah dengan sistem komputerisasi yang menggunakan jaringan saraf tiruan propagasi balik. Input dari jaringan ini berupa hasil ekstraksi ciri dari citra tumor kulit. Ekstraksi ciri tekstur dari citra tumor payudara basil mammography dengan menggunakan Fuzzy Cooccurrence Matrix (FCM) sudah berhasil dilakukan oleh H.D Cheng, C.H. Chen dan R.I Freimanis. Pada penelitian ini FCM digunakan untuk mengekstraksi citra tumor kulit dan jaringan saraf tiruan propagasi balik digunakan untuk mengenalinya. Hasil penelitian yang terbaik didapat jika input jaringan berupa ciri tekstur, bentuk dan warna. Dengan menggunakan perbandingan jumlah data pelatihan dengan data pengenalan 1 : 1 jaringan berhasil mengenali tumor jinak (benign) seluruhnya, tetapi untuk tumor ganas (melanoma malignum) ada 1 tumor ganas yang dikenali sebagai tumor jinak.

Abstrak :
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.

Abstrak :
ABSTRAK
Penelitian 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.

---

ABSTRACT
This 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.

Abstrak :
Ketidakmampuan siswa dalam menyerap berbagai pengetahuan yang disampaikan oleh guru bukan dikarenakan ketidakmampuan pemahamannya dan bukan pula dikarenakan guru tidak mampu mengajar, melainkan dikarenakan ketidakcocokan gaya belajar antara siswa dan guru, sehingga siswa merasa tidak nyaman belajar pada guru tertentu. Hal tersebut juga terjadi di SMKN 2 Penajam Paser Utara, sehingga perlu dilakukan penelitian ini, untuk menganalisis cluster (kelompok) tipe belajar siswa dengan menerapkan metode data mining yaitu K-Means dan Fuzzy C-means. Tujuan adalah mengetahui keefektivan clustering tipe belajar ini terhadap perkembangan daya serap dan peningkatan prestasi belajar siswa. Metode yang digunakan untuk melakukan clustering tipe belajar dengan proses data mining dimulai dari tahap data cleaning, data selection, data transformation, penambangan data, pattern evolution, dan pengembangan pengetahuan.

Abstrak :
ABSTRAK
The process of selecting scholarship recipients is a process that must be carried out in the context of providing educational scholarships. For the Navy, education is a very important thing in an effort to increase capability and professionalism in running an organization. The provision of educational scholarships for Navy personnel, especially in the environment of professional informatics, is carried out through selection of candidates' criteria that have been registered. Scholarship recipient data is processed to find the order of the candidates who will be determined as scholarship recipients. Prospective recipient data is considered by looking at certain criteria. Each criterion has a different weight. Based on the weights of each criterion, we can get weights that can be sorted according to certain priorities. For decision makers, many factors influence in determining a decision, so by using the Analytical Hierarchy Process (AHP) method and the Fuzzy C-Means (FCM) method a sequence and grouping of prospective scholarship recipients can be generated from each method. Based on the calculation results, in the AHP data that was entered as many as 747 candidate data, in the initial selection process obtained as many as 107 candidate data whose profession is informatics. All candidate data can be sorted based on the calculation of the assessment of eight criteria and ranking, from rank 1 to ranking 107. For processing time, the AHP method requires a longer time, which is ± 3 minutes, weighting process ± 1 minute, and ranking process ± 1 minute. Whereas in the FCM method, with the same amount of data it takes around ± 5 minutes until the iteration is complete or until the difference in objective function is smaller than epsilon. For the grouping results, this FCM method found that 43 candidates (40.19%) were strongly recommended, 31 candidates (28.97%) were recommended, and 33 candidates (30.84%) were not advised to receive scholarships with cluster validation in this study was 0.604. Hope in the future can simplify the calculation process for ranking and grouping selection, because it is already a computer application that is easy to use, and is expected to accelerate the selection process.