Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Pemeriksaan kesehatan dalam konteks ini adalah salah satunya untuk mencegah penyakit serebrovaskular, kondisi ini dapat dipahami sebagai salah satu kondisi yang memungkinkan terjadinya kedatangan kembali dari pasien selain bertujuan untuk melakukan pengobatan atau melakukan pencegahan dari penyakit ini. Data pemeriksaan kesehatan memberikan informasi yang dibutuhkan untuk membuat prediksi yang akurat dari kedatangan kembali dari pasien dengan diagnosis kondisi pasien tersebut. Kondisi pasien yang cocok dengan kriteria diprediksi seperti kriteria yang terpreiksi untuk melakukan kedatangan kembali dan jika aturan tersebut memiliki skor ABD maka pasien diindikasikan sebagai rentan terhadap penyakit serebrovaskular yang akan memiliki kesempatan lebih tinggi untuk kembali ke rumah sakit untuk melakukan pemeriksaan atau untuk mencegah penyakit atau bahkan melakukan pengobatan untuk penyakit serebrovaskular. Metode pohon keputusan merupakan salah satu pendekatan Data Mining yang mampu menghasilkan pohon keputusan yang dapat dikonversi untuk menghasilkan aturan yang komprehensif. Dalam menghasilkan aturan, masalah yang terjadi adalah dengan banyaknya atribut yang digunakan maka aturan yang dihasilkan akan lebih kompleks. Dalam penelitian ini, pendekatan metaheuristik diterapkan untuk memaksimalkan efisiensi aturan yang dihasilkan. Metode yang digunakan adalah Particle Swarm Optimization (PSO).

---

ABSTRACT
Preventive medical check-ups in this context is preventing the cerebrovascular disease, could be understood as one of the condition that enables the re-coming of the examinees besides doing the treatment for the disease. Establishing examinee’s diagnoses often determine the recommendation made to the examinees. The health examination data provides the information needed to make an accurate prediction of the re-coming of the examinee with diagnosis for the examinee’s condition. The condition of the examinee that match the criteria is predicted as do the re-coming and if the rule has the ABD score the examinee indicated as vulnerable to cerebrovascular disease which will have higher chance to come back to the hospital whether to do another checkup for preventing the disease or even doing the treatment for the disease. Decision tree method is one of Data Mining approach that capable to generate decision tree that can be converted to produce comprehensive rules. In generating the rules, the problem occurred is more attribute used more complex the rules would be. In this research, a metaheuristic approach ;

Abstrak :
Produk internet fixed broadband atau produk internet menggunakan kabel merupakan produk yang jarang digunakan oleh masyarakat Indonesia, padahal di era Covid-19 dengan sistem work from home, masyarakat membutuhkan kualitas internet yang baik. Penelitian ini bertujuan untuk membantu PT ABC mendapatkan pelanggan baru dengan melakukan cross-selling produk terhadap pelanggan dari anak perusahaannya yaitu PT XYZ yang juga menggunakan produk internet fixed broadband namun bukan produk dari PT ABC dengan menggunakan metode machine learning jenis unsupervised learning dengan jenis clustering partisi dengan algoritma k-means clustering dengan menggunakan tool KNIME untuk proses k-means clustering dan tool R Programming untuk proses pencarian cluster jumlah optimal. Hasil dari algoritma ini menemukan bahwa terdapat empat jenis cluster pelanggan PT XYZ yang karakteristiknya dapat dilihat dari sisi pendapatan yang didapat dari hasil korelasi data, cluster 2 dan cluster 3 merupakan cluster potensial dengan 2123 pelanggan dan area yang memiliki sedikit pelanggan adalah area 1 dan area 4, lalu estimasi pendapatan minimum yang akan dihasilkan adalah Rp 8.937.830.000. ......Internet fixed broadband products or internet products using cables is a products that are rarely used by Indonesian people, even though in the Covid-19 era with a work from home system, people need a good quality internet. This study aims to help PT ABC get new customers by cross-selling products to customers of its subsidiary PT XYZ who also use internet fixed broadband products, but not products from PT ABC by using the machine learning method unsupervised learning types with partition clustering and the k-means clustering algorithm using the KNIME tool for the k-means clustering process and the R Programming tool for the process of finding the optimal number of clusters. The result of this algorithm finds that there are four types of PT XYZ customer clusters whose characteristics we can see from the revenue side from the results of data correlation, cluster 2 and cluster 3 are potential clusters with 2123 customers and areas that have few customers are area 1 and area 4, then the estimated minimum revenue that will be generated is IDR 8,937,830,000.

Abstrak :
Tesis ini membahas penyebaran malware Avalanche pada infrastruktur internet Indonesia. Penelitian dilakukan dengan metode analisis big data dengan menggunakan Algoritma K-mean (k=3). Dataset pada penelitian ini menggunakan dataset yang diperoleh dari CERT-bund. Hasil penelitian ini menggambarkan bahwa infrastruktur internet Indonesia masih terinfeksi malware Avalanche dengan aktivitas sebanyak 44.254.374 sepanjang tahun 2018 dan 2019. Aktivitas ini melibatkan 969 AS Number, 3.173.254 IP Address, dan 26 jenis malware. Hasil Clustering menggunakan Splunk terhadap AS Number dan IP Address menghasilkan masing-masing 3 cluster. Cluster AS Number yang paling produktif adalah cluster1 yang memiliki populasi 3 AS Number. Sedangkan Cluster IP Address yang paling produktif adalah cluster1 dengan populasi 32.991 IP Address. ......This thesis discusses the spread of Avalanche malware on Indonesian internet infrastructure. The research was conducted by using the big data analysis method using the K-mean algorithm (k = 3). The dataset in this study was obtained from the CERT-bund. The results of this study illustrate that Indonesia's cyber infrastructure is still infected with Avalanche malware with a total of 44,254,374 activities throughout 2018 and 2019. This activity involved 969 AS Numbers, 3,173,254 IP Addresses, and 26 types of malware. The results of clustering using Splunk on the AS Number and IP Address resulted in 3 clusters each. The most productive AS Number cluster is cluster1 which has a population of 3 AS Number. Meanwhile, the most productive cluster IP address is cluster1 with a population of 32,991 IP addresses.

Abstrak :
Penyakit Alzheimer merupakan bentuk umum dari gangguan neurodegeneratif yang ditandai dengan rusaknya sel-sel otak, seperti kusutnya neurofibrillary dan adanya plak amiloid yang bersifat progresif. Salah satu ciri fisik seseorang menderita penyakit Alzheimer adalah adanya penyusutan luas daerah hippocampus pada otak. Hippocampus merupakan bagian terkecil dari otak yang berfungsi menyimpan memori. Deteksi penyakit Alzheimer dapat dilakukan dengan menggunakan Magnetic Resonance Image MRI yang merupakan satu teknik non inovasif untuk analisis struktur otak pada penderita Alzheimer. Pada penelitian ini, digunakan metode K-Means Clustering dan Watershed untuk mensegmentasi daerah hippocampus yang merupakan salah satu bagian otak yang diserang ketika terkena penyakit Alzheimer. Analisis yang dilakukan untuk mendeteksi Alzheimer, yaitu membandingkan nilai threshold dengan jumlah piksel putih pada citra. Data yang digunakan pada penelitian ini yaitu Open Acess Series of Image Studies OASIS database dengan menggunakan citra potongan koronal. Berdasarkan hasil percobaan, antara metode K-Means Clustering dan Watershed keduanya dapat mensegmentasi daerah hippocampus untuk mendeteksi penyakit Alzheimer. ......Alzheimer 39s disease is a common form of neurodegenerative disorders characterized by defective brain cells, such as neurofibrillary tangles and amyloid plaque that is progressive. One of the physical characteristics of someone suffering from Alzheimer 39s disease is shrinking of the hippocampus area of the brain. The hippocampus is the smallest part of the brain that serves to save memory. The detection of Alzheimer 39s disease can be done using a Magnetic Resonance Image MRI which is a technique of non inovasif for an analysis of the structure of the brain in the Alzheimer 39s patient. In this research, K Means Clustering and Watershed method are used to segment the hippocampus area which is one part of the brain that was attacked by Alzheimer 39s disease. The analysis used to detect Alzheimer 39 s is comparing the value of the threshold with the number of white pixels in the images. The data used in this research are Open Access Series of Image Studies OASIS database by using the image of coronal slice. Based on the our experiment result, both K Means Clustering and Watershed method can segment the samehippocampus area to detect Alzheimers disease.

Abstrak :
Pertumbuhan pemanfaatan internet telah meningkatkan perhatian terhadap keamanan data. Pada tahun 2014, Projek SHINE (SHodan Intelligence Extraction) telah menerbitkan laporan penilaian keamanan skala besar untuk perangkat yang terhubung ke Internet. Namun, berdasarkan laporan tersebut, jumlah informasi mengenai IP address Indonesia yang berhasil didapatkan masih sedikit. Terdapat sebanyak 7.182 IP address dari Indonesia, yaitu sekitar 0,0032% dari total 2.186.971 IP address yang berhasil dikumpulkan oleh Projek SHINE. Dalam penulisan tesis ini, penulis mengajukan inisiatif untuk melakukan analisis kerentanan semua informasi Autonomous System Number (AS Number) di Indonesia dari Shodan. Penulis telah menyusun dataset semua informasi AS Number di Indonesia antara lain 12.787 port, 79 sistem operasi, 409 produk, 3.634 domain, 145.543 IP address, dan 790 organisasi. Penulis menggunakan algoritma K-Means clustering untuk mengelompokkan AS Number ke dalam beberapa kelas sesuai dengan tingkat paparan di shodan. Berdasarkan hasil pengelompokan, penulis mendapatkan 4 kelas AS Number antara lain 1.075 AS Number di kelas: 0 (belum terdapat informasi mengenai AS Number tersebut di Shodan), 614 AS Number di kelas: 1 (tingkat paparan rendah), 9 AS Number di kelas: 2 (tingkat paparan sedang), dan 1 AS Number di kelas: 3 (tingkat paparan tinggi). Informasi ini dapat dimanfaatkan oleh Kementerian yang menangani bidang Teknologi Informasi dan Komunikasi dan Badan yang menangani Keamanan Siber di Indonesia untuk menghimbau organisasi pengelola AS Number agar mewaspadai potensi kerentanan yang dinformasikan oleh Shodan dan dimanfaatkan oleh hacker. ......The growth of internet-enabled devices has increased interest in cybersecurity. In 2014, Project SHINE (SHodan INtelligence Extraction) published a report of large-scale security assessments for devices connected to the Internet. However, the number of IP addresses harvested from Indonesia in 2014 is very small. There were 7.182 IP address from Indonesia. It was about 0,0032% from the total 2.186.971 IP addresses. In this paper, we propose an initiative to gather all information for all Autonomous System Number (AS Number) from Indonesia in Shodan. We have gathered a dataset about all information of AS Numbers in Indonesia such as 12.787 unique ports, 79 unique operating systems, 409 unique products, 3.634 unique domains, 145.543 unique IP addresses, and 790 unique organizations. We use the K-Means algorithm to cluster all AS Numbers into several classes according to the exposure level in shodan. Based on the result, we have 4 classes of AS Numbers. There are 1.075 AS Numbers in class:0 (no information in Shodan yet), 614 AS Numbers in class:1 (exposure level = low), 9 AS Numbers in class:2 (exposure level = medium), and 1 AS Number in class:3 (exposure level = high). This information can be used to warn the organizations that manage AS Numbers in Indonesia to be aware of the security and the threats to their systems.

Abstrak :
Kemajuan pembangunan manusia di Indonesia ditandai dengan meningkatnya nilai indeks pembangunan manusia (IPM). IPM adalah indikator penting dalam mengukur upaya untuk membangun kualitas dan kesetaraan kehidupan manusia. IPM terdiri dari empat faktor termasuk harapan hidup saat lahir, harapan lama sekolah, rata-rata lama sekolah dan pengeluaran per kapita. Dalam penelitian ini kami mengklasifikasikan kabupaten atau kota di Indonesia berdasarkan IPM menjadi tiga kategori; daerah tinggi, sedang, dan rendah. Kami menggunakan analisis kluster untuk penelitian ini. Analisis klaster adalah salah satu teknik multivariat yang digunakan untuk mengklasifikasikan objek atau kasus ke dalam kelompok relatif yang disebut klaster. Salah satu metode analisis kluster adalah K-Means. Hasil penelitian ini dibagi menjadi tiga kelompok; daerah tinggi, daerah sedang dan daerah rendah. Kelompok pertama atau daerah rendah berisi 19 kota. Kelompok kedua atau area tengah berisi 381 kabupaten/kota. Kelompok ketiga atau daerah tinggi berisi 114 kabupaten/kota. Adapun beberapa cara atau kebijakan yang bisa diterapkan oleh pemerintah untuk mempercepat pertumbuhan kemakmuran di Indonesia dengan terfokus pada langkah-langkah percepatan seperti menarik anak-anak yang putus sekolah untuk kembali duduk di bangku sekolah, memaksa anak-anak yang terpaksa bekerja-karena alasan ekonomi keluarga-untuk berhenti bekerja dan kembali ke bangku sekolah, menjadikan pemberantasan buta huruf sebagai sebuah gerakan yang berbasis desa/kelurahan dengan model intervensi by name by address, dan lain-lain. ......Human development progress in Indonesia is characterized by the increasing score of human development index (HDI). HDI is an important indicator in measuring efforts to build the quality and equity of human life. HDI consists of four factors including life expectancy at birth, school continuity, average of school continuity and expenditure per capita. In this research we classify Indonesia regency or city based on the HDI into three categories; high, middle, and low area. We use cluster analysis for the research. Cluster analysis is a class of multivariate techniques that are used to classify objects or cases into relative groups called clusters. One of the cluster analysis methods is k-means. The result of this research are divided into three groups; high area, medium area and low area. The first group or the low area contained 19 cities. The second group or the middle area contained 381 regencies/cities. The third group or the high area contained 114 regencies/cities. As for several ways or policies that can be implemented by the government to accelerate prosperity growth in Indonesia by focusing on accelerating measures such as attracting children who drop out of school to return to school, forcing children who are forced to work-due to family economic reasons-to stop working and return to school, making illiteracy eradication a village-based movement with a model of intervention by name by address, and others.

Abstrak :
[ABSTRAK
Berdasarkan data WHO tahun 2014, diperkirakan sekitar 15 juta orang di dunia yang terinfeksi hepatitis B (HBsAg+) juga terinfeksi hepatitis D. Infeksi hepatitis D dapat terjadi bersamaan (koinfeksi) atau setelah seseorang terkena hepatitis B kronis (superinfeksi). Penyakit hepatitis B disebabkan oleh virus HBV dan penyakit hepatitis D disebabkan oleh virus HDV. HDV tidak dapat hidup tanpa HBV. Hepatitis D erat hubungannya dengan infeksi virus HBV, sehingga sangat realistis bila setiap usaha pencegahan terhadap hepatitis B, maka secara tidak langsung mencegah hepatitis D. Pada tesis ini akan dibahas bagaimana hasil pengelompokan barisan DNA HBV menggunakan algoritma k-means clustering dengan menggunakan perangkat lunak R. Dimulai dengan mengumpulkan barisan DNA HBV yang diambil dari GenBank, kemudian dilakukan ekstraksi ciri menggunakan n-mers frequency, dan hasil ekstraksi ciri barisan DNA tersebut dikumpulkan dalam sebuah matriks dan dilakukan normalisasi menggunakan normalisasi min-max dengan interval [0, 1] yang akan digunakan sebagai data masukan. Jumlah cluster yang dipilih dalam penelitian ini adalah dua dan penentuan centroid awal dilakukan secara acak. Pada setiap iterasi dihitung jarak masing-masing objek ke masing-masing centroid dengan menggunakan Euclidean distance dan dipilih jarak terpendek untuk menentukan keanggotaan objek di suatu cluster sampai akhirnya terbentuk dua cluster yang konvergen. Hasil yang diperoleh adalah virus HBV yang berada pada cluster pertama lebih ganas dibanding virus HBV yang berada pada cluster kedua, sehingga virus HBV pada cluster pertama berpotensi berevolusi dengan virus HDV menjadi penyebab penyakit hepatitis D.

---

ABSTRACT
Based on WHO data, an estimated of 15 millions people worldwide who are infected by hepatitis B (HBsAg+) are also infected by hepatitis D. Hepatitis D infection can occur simultaneously with hepatitis B (co infection) or after a person is exposed to chronic hepatitis B (super infection). Hepatitis B is caused by the HBV virus and hepatitis D is caused by HDV virus. HDV can not live without HBV. Hepatitis D virus is closely related to HBV infection, hence it is really realistic that every effort of prevention against hepatitis B can indirectly prevent hepatitis D. This thesis discussed the clustering of HBV DNA sequences by using k-means clustering algorithm and R programming. Clustering processes is started with collecting HBV DNA sequences that are taken from GenBank, then performing extraction HBV DNA sequences using n-mers frequency and furthermore the extraction results are collected as a matrix and normalized using the min-max normalization with interval [0, 1] which will later be used as an input data. The number of clusters is two and the initial centroid selected of cluster is choosed randomly. In each iteration, the distance of every object to each centroid are calculated using the Euclidean distance and the minimum distance are selected to determine the membership in a cluster until two convergent clusters are created. As the result, the HBV viruses in the first cluster is more virulent than the HBV viruses in the second cluster, so the HBV viruses in the first cluster can potentially evolve with HDV viruses that cause hepatitis D., Based on WHO data, an estimated of 15 millions people worldwide who are infected by hepatitis B (HBsAg+) are also infected by hepatitis D. Hepatitis D infection can occur simultaneously with hepatitis B (co infection) or after a person is exposed to chronic hepatitis B (super infection). Hepatitis B is caused by the HBV virus and hepatitis D is caused by HDV virus. HDV can not live without HBV. Hepatitis D virus is closely related to HBV infection, hence it is really realistic that every effort of prevention against hepatitis B can indirectly prevent hepatitis D. This thesis discussed the clustering of HBV DNA sequences by using k-means clustering algorithm and R programming. Clustering processes is started with collecting HBV DNA sequences that are taken from GenBank, then performing extraction HBV DNA sequences using n-mers frequency and furthermore the extraction results are collected as a matrix and normalized using the min-max normalization with interval [0, 1] which will later be used as an input data. The number of clusters is two and the initial centroid selected of cluster is choosed randomly. In each iteration, the distance of every object to each centroid are calculated using the Euclidean distance and the minimum distance are selected to determine the membership in a cluster until two convergent clusters are created. As the result, the HBV viruses in the first cluster is more virulent than the HBV viruses in the second cluster, so the HBV viruses in the first cluster can potentially evolve with HDV viruses that cause hepatitis D.]

Abstrak :
Perkembangan sistem teknologi telekomunikasi yang semakin canggih dan kompleks memicu meningkatnya kegagalan ataupun kesalahan sistem dalam sistem jaringan utama dan sistem pendukung layanan telekomunikasi, serta kesalahan yang terjadi pada bisnis proses dan sumber daya manusia yang terkait. Kegagalan dan kesalahan ini menyembabkan kerugian yang ditanggung perusahaan, kerugian yang ditimbulkan dengan istilah revenue leakage atau kebocoran pendapatan. Revenue Assurance memegang peranan penting dalam pengendalian terhadap resiko revenue leakage dengan membuat kontrol dalam mendeteksi dan mencegah terjadinya kebocoran agar mampu meminimalkan biaya dan memaksimalkan potensi pendapatan. Dalam tesis ini dikembangkan metode untuk menganalisis Big data CDR untuk mengoptimalkan proses analisis pada revenue assurance control dengan menggunakan algoritma K-means Clustering. Algortima ini mengelompokkan obyek pengamatan dalam beberapa kategori yang diindikasikan sebagai titik kebocoran. Hasil kelompok yang dihasilkan dengan kategori yang beresiko tinggi memiliki anggota yang sedikit dengan tingkat nilai evaluasi akurasi cluster, R-Squared, sekitar 90%. ......In the telco industry, Revenue Assurance plays an important role to assure the company revenue from leakage. the revenue chain is established across the process and whole sophisticated system that technologically complex to provide the unstoppable services. This case increasing the probability of system or process failure leads to the leakage. Hence necessary the revenue assurance control to detect and prevent it then it can help to minimize cost and maximize revenue. In this thesis, developed the analysis method in big data CDR to optimize analysis process at revenue assurance control using K-means Clustering algorithm. The use of the K-means clustering algorithm method able to group the object areas with high risk indications of leakage. The cluster result of high risk of leakage is having low amount of member, and the cluster evaluation result of R-Squared giving the good value about 90%.

Abstrak :
ABSTRACT
Hepatitis merupakan penyakit peradangan pada hati yang dapat disebabkan oleh virus hepatitis. Di antara lima jenis hepatitis, hepatitis B dan hepatitis C merupakan jenis hepatitis yang dapat berkembang menjadi kanker hati. Kanker hati merupakan jenis kanker nomor tujuh tertinggi di dunia dan nomor tiga yang menyebabkan kematian karena kanker. Seseorang yang memiliki gejala penyakit hepatitis dapat melakukan serangkaian uji laboratorium untuk melihat kondisi kesehatannya. Hasil laboratorium hepatitis dapat kita manfaatkan untuk membentuk suatu program yang dapat mengklasifikasi hepatitis B dan hepatitis C. K-Means Clustering merupakan salah satu metode clustering yang dapat dimanfaatkan untuk mengklasifikasi hepatitis B dan hepatitis C. K-Means Clustering cukup mudah untuk diimplementasikan dan waktu yang digunakan untuk mengolah data juga cukup sedikit sehingga, metode ini cukup baik untuk mengklasifikasi data hepatitis B dan hepatitis C. Sementara, Spherical K-Means merupakan metode lanjutan dari K-Means Clustering. Hasil klasifikasi dari dua buah metode akan digunakan untuk melihat akurasi dari kedua buah metode dan membandingkan kedua metode tersebut.

---

ABSTRACT
Hepatitis is an inflammatory disease of the liver caused by hepatitis virus. Among the five types of hepatitis virus, hepatitis B and hepatitis C is the types of hepatitis that can develop into liver cancer. Liver cancer is number seventh in the world for the highest cancer case and number third of the highest death because of cancer. Someone who has symptoms of hepatitis can carry out a series of laboratory tests to see his health condition. This laboratory results can be used to form a program to classify hepatitis B and hepatitis C data. K-Means Clustering is a clustering method which can be used to classify hepatitis B and hepatitis C data. K-Means Clustering was rather easy to use and less time was needed to running the program of K-Means Clustering, with the result that, K-Means Clustering method was good enough to classify hepatitis B and hepatitis C data. While, Spherical K-Means is an advanced method of K-Means Clustering. Classification results from this two methods will be used to see the accuracy of the data and compare the two methods.

Abstrak :
ABSTRAK
Peningkatan kualitas citra medis khususnya untuk bagian kepala manusia terus dikembangkan, termasuk dengan pemodelan 3D. Hal ini dilakukan untuk mengurangi kesalahan dalam proses diagnosa dan memfasilitasi pendeteksian tumor otak dengan pendekatan 3D. Dalam prosesnya, citra MRI otak dianalisa secara 3D sehingga diperoleh bagian tumor otak. Citra MRI dikonversi dari citra berformat MINC. Citra diklasifikasi untuk mendeteksi objek menggunakan K-Means Clustering yang akan memisahkan bagian tumor dan otak. Proses filter dilakukan menggunakan Non-Local Means sehingga noise hasil pengolahan dapat berkurang dari proses sebelumnya. Hasil citra pengolahan disegmentasi untuk meningkatkan dan mendukung proses rekonstruksi menggunakan Thresholding. Terakhir adalah merekonstruksi citra dalam bentuk 3D menggunakan metode Marching Cube. Evaluasi akurasi sistem meliputi pengurangan resolusi, pengujian citra normal, uji perbandingan, penggantian format citra dan penambahan noise. Hasil akurasi pendeteksian tumor otak mencapai 100% untuk format PNG dan resolusi 512x512, 97,7% untuk resolusi 256x256, 96,9% untuk citra normal tanpa tumor dan 97,96% berdasarkan perbandingan data olah dengan data referensi. Format PNG memiliki akurasi dibandingkan format JPEG dengan perbedaan sebesar 4%. Pengujian dengan menambahkan noise menghasilkan akurasi 87,6% untuk densitas 0,01, 83,6% untuk 0,05 dan 74,5% untuk 0,09.

---

ABSTRACT
Medical image enhancement especially for human brain imageries is rapidly developed, including 3D modeling. This research is aimed to reduce the error of diagnosis process and facilitate brain tumor detection using 3D approach. In the process, 3D brain from MRI imageries is analyzed to detect brain tumors. MRI image is converted from MINC format. Then, the image is classified to detect objects using K-Means Clustering to divide each part of brain. Filtering is performed using Non-Local Means to remove noise from previous processes. The result of imageries are segmented to enhance and support reconstruction process using Thresholding. Finally, 3D image reconstruction is performed using Marching Cube method. The accuracy of brain tumor detection is evaluated of resolution reduction, non tumor image testing, comparison testing, modifying image format, and adding noise. The accuracy rate of brain tumor detection is 100% for PNG format and 512x512 resolution, 97,7% for 256x256 resolution, 96,9% for non tumor image and 97,96% for comparison between ideal image and reference data. PNG format has better accuracy with JPEG by 4% improvement. The accuracy of adding noise is 87,6% for 0,01 density, 83,6% for 0,05 and 74,5% for 0,09.