Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
The analysis of means (ANOM) is a graphical procedure used to quantify differences among treatment groups in a variety of experimental design and observational study situations. The ANOM decision chart allows one to easily draw conclusions and interpret results with respect to both statistical and practical significance. It is an excellent choice for multiple comparisons of means, rates, or proportions and can be used with both balanced and unbalanced data. Key advances in ANOM procedures that have appeared only in technical journals during the last 20 years are included in this first comprehensive modern treatment of the ANOM containing all of the needed information for practitioners to understand and apply ANOM.

Abstrak :
Awal tahun enam puluhan merupakan masa awal saya berkenalan dengan ilmu yang bernama epigrafi. Dalam salah satu prasasti yang ketika itu dijadikan bahan kuliah, ditemukan dua kata yang cukup menarik bagi saya, yaitu runwas (prasasti Polengan 4) dan wangkyul (prasasti Polengan 2). Saya mencoba mengajukan pendapat akan adanya kemungkinan bahwa kedua kata tersebut sekarang dikenal dalam bentuknya yang "baru", yaitu rimbas dan cangkul. Kata rimbas dikenal dalam bahasa Sunda, sedangkan cangkul dalam bahasa Indonesia (Melayu). Namun, segera saya diperingatkan agar jangan terlalu berani mengambil simpulan, mengingat datanya masih sangat kurang. Saya segera menyadari kedudukan saya sebagai mahasiswa yang barn belajar epigrafi, dan boleh dikatakan tanpa pengetahuan linguistik sedikit pun. Apa yang saya petik dari peringatan itu adalah, agar kita tidak terlalu tergesa-gesa menyimpulkan apa yang kita temukan, terutama jika bahannya tidak mencukupi. Ketika kamus Jawa Kuna yang paling lengkap terbit, kata rimbas dan rimwas tercatat sebagai jejar 'entri'; rimbas ditemukan dalam naskah Udyogaparwa. 6.25: "tang wenang ikang patuk rimbas ri sarira nikang daityd"; 6.29: "aster bajropama iku rimbas pin.akasar`rjatanyu"; dan -Kidung Harsawijaya 4.65a: "(ni.babad) antau'a wadung timbers garut"; sedangkan kata rimwas ditemukan dalam prasasti Polengan 4 (877 N1) 1111: "rintu'as I rradung I patuk-pattrk. I lukai 1". Kata itu sering ditemukan dalam prasasti (Zoetmulder 1982:1551). Demikian juga halnya dengan kata wangkyul, tercantum sebagai jejar, terdapat dalam prasasti Polengan 2 (875 M) 1A9: "Haggis .1 wangkyut I gulumi I". Kata itu pun sering ditemukan dalam prasasti (kys.:2197).

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 :
Pengelompokan atau clustering adalah pengelompokan objek-objek yang dilakukan atas dasar kesamaan atau jarak (perbedaan) di mana tidak ada asumsi yang dibuat mengenai banyaknya cluster atau struktur cluster. Salah satu metode yang banyak digunakan dalam penyelesaian masalah clustering adalah algoritme K-Means. Pada algoritme ini, suatu objek yang telah menjadi anggota cluster tertentu, tidak bisa menjadi anggota cluster yang lainnya. Metode ini dikenal sebagai hard clustering. Pendekatan lain dalam melakukan pengelompokan didasarkan pada teori himpunan fuzzy yang dikenal dengan pengelompokan fuzzy. Teori himpunan fuzzy memiliki nilai kekaburan antara salah atau benar. Jadi, dalam melakukan pengelompokan, setiap objek memiliki peluang menjadi anggota pada setiap cluster. Salah satu metode pengelompokan fuzzy adalah Fuzzy C-Means (FCM). Pada tugas akhir ini, metode K-Means dan FCM digunakan untuk mengelompokkan nagari-nagari di Kabupaten Agam. Nagari-nagari di Kabupaten Agam dikelompokan berdasarkan indikator pembangunan keluarga yang berasal dari Laporan Pendataan Keluarga tahun 2015 yang bersumber dari BKKBN (Badan Kependudukan dan Keluarga Berencana Nasional). Pada penelitian ini diperoleh empat cluster hasil dari indeks xie and beni. Jumlah anggota setiap cluster hasil dari algoritme K-Means adalah 32, 28, 11 dan 11. Sedangkan jumlah anggota setiap cluster hasil dari algoritme Fuzzy C-Means adalah 31, 18, 21, dan 12. Perbedaan jumlah anggota cluster yang dihasilkan algoritme K-Means dan Fuzzy C-Means adalah 14.29%. Karena rasio simpangan baku dalam dan antar cluster pada algoritme K-Means memberikan nilai yang lebih kecil dibandingkan algoritme Fuzzy C-Means maka algoritme K-Means memberikan hasil yang lebih baik dari pada algoritme Fuzzy C-Means dalam pengelompokan nagari-nagari di Kabupaten Agam. ......Grouping or clustering is a method to group objects that are carried out on the basis of similarity or distance (difference) where no assumptions are made regarding the number of clusters or cluster structures. One method that is widely used in solving clustering problems is the K-Means algorithm. In this algorithm, if an object has become a member of a particular cluster, then it cannot become a member of another cluster. This method is known as hard clustering. Another approach to grouping is based on fuzzy set theory, known as fuzzy grouping. Fuzzy set theory has a blurring value between right or wrong. So, in grouping process, each object has the opportunity to become a member in each cluster. One of the fuzzy grouping methods is Fuzzy C-Means. In this study, the two methods, K-Means and Fuzzy C-Means, are used to group nagari-nagari in Agam District. Nagari is equivalent to villages in other provinces in Indonesia. The nagari grouping in Kabupaten Agam is based on family development indicators derived from the 2015 Family Data Collection Report sourced from BKKBN (Badan Kependudukan dan Keluarga Berencana Nasional). In this study four clusters were obtained based on xie and beni’s index. The numbers of members of each cluster as the result of the K-Means algorithm are 32, 28, 11 and 11. While the numbers of members of each cluster as the result of the Fuzzy C-Means algorithm are 31, 18, 21, and 12. The different cluster members produced by the K-Means and Fuzzy algorithms C-Means is 14.29%. Because the standard deviation ratio within and between clusters in the K-Means algorithm gives a smaller value than the Fuzzy C-Means algorithm, the K-Means algorithm gives better results than the Fuzzy C-Means algorithm on the nagari grouping in Agam District.

Abstrak :
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%.

Abstrak :
Trend perkawinan poligami sudah semakin meluas dalam masyarakat, namun mengenai harta bersama dalam perkawinan poligami belum ada peraturan yang mengatur secara rinci. Dalam hal ini apakah notaris dapat mengantisipasi dengan membuat akta kesepakatan antara para pihak dalam upaya memberikan perlindungan terhadap hak isteri atas harta bersama dalam perkawinan poligami. Sehubungan dengan itu penelitian dilakukan untuk memperoleh data secara nyata mengenai perlakuan terhadap harta bersama dalam perkawinan poligami, dengan rnenggunakan field research metodh {metode penelitian lapangan secara langsung/pengamatan terlibat), dalam hal ini penulis meneliti masalah yang sedang ditangani atas permintaan klien yang membuat akta dihadapan penulis, sebagal notaris-PPAT yang sedang menjalankan tugas telah ditemukan penyimpangan perlakuan terhadap harta bersama dalam perkawinan poligami, karenanya diperlukan perlindungan antara lain dengan mencantumkan dalam akta perkawinan mereka isteri keberapa dan dari perkawinan yang keberapa masing-masing perkawinan tersebut di langsungkan, dengan cara pencatatan ulang pada akta (akta-akta) perkawinan mereka, bilamana terjadi perkawinan lagi setelah perkawinan yang mendahului. Dalam upaya memberikan perlindungan terhadap hak isteri atas harta bersama dalam perkawinan poligami maka untuk mengetahui siapa yang berwenang bertindak dan hak masing-masing atas harta bersama dalam perkawinan poligami, dalam pelaksanaan pembagiannya apabila terjadi perceraian, haruslah diinventarisir harta bersama yang diperoleh dalam perkawinan mereka berdasarkan waktu perolehannya dan pada masa pernikahan dengan isteri yang keberapa dengan dibuatkan daftar dan dituangkan dalam akta notaris, karena untuk menentukan hak dan kewenangan bertindak terhadap harta bersama dalam perkawinan poligami haruslah dilihat dari saat diperolehnya harta dimaksud dan saat/masa pernikahan dilaksanakan.

Abstrak :
Indeks validitas merupakan metode yang mengevaluasi hasil clustering untuk mendapatkan jumlah klaster optimal suatu data. Pada skripsi ini, dilakukan clustering pada data menggunakan algoritma K-Means. Selanjutnya, hasil clustering tersebut dievaluasi oleh empat jenis indeks validitas, yaitu indeks Silhouette, indeks Davies-Bouldin, indeks Sum of Square, dan indeks Calinski-Harabasz. Implementasi keempat jenis indeks validitas dilakukan dengan menggunakan data benchmark yang sudah diketahui jumlah kelasnya. Hasil implementasi tersebut akan dibandingkan untuk mengetahui apakah keempat indeks validitas dapat memprediksi jumlah klaster dengan tepat. Dari hasil simulasi, indeks Silhouette, indeks Davies-Bouldin, dan indeks Calinski-Harabasz dapat memprediksi jumlah klaster optimal lebih tepat dibandingkan dengan indeks Sum of Square. ......The validity index is a method that evaluates the clustering results to get the optimal number of clusters of a data. In this skripsi, data clustered using K Means algorithm. Furthermore, the clustering results are evaluated by four types of validity indices, namely the Silhouette index, the Davies Bouldin index, the Sum of Square index, and the Calinski Harabasz index. The implementation of the four validity indices is done by using the benchmark data which is already known to the number of classes. The results of the implementation will be compared to find out whether the four validity indices can predict the number of clusters appropriately. From the simulation results, the Silhouette index, the Davies Bouldin index, and the Calinski Harabasz index can predict the optimal cluster number is more precise than the Sum of Square index.

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 :
Dalam penelitian Computer Aided Diagnose (CAD) Radiografi Paru pasien dewasa dengan metode Fuzzy C Means (FCM), telah dilakukan dalam keadaan tahap awal. Penelitian ini bertujuan untuk mengetahui apakah metode clustering FCM dapat digunakan untuk membuat perangkat penolong untuk melihat abnormalitas pada paru-paru dari 200 data citra Radiografi sinar-X. Pembuatan perangkat dilakukan dengan menggunakan GUI pada Matlab. Perancangan di bagi menjadi dua metode menggunakan metode FCM otomatis dan manual kemudian untuk mengetahui perbedaan nilai piksel digunakan metode ambang rata-rata. Kedua metode ini berdasarkan intensitas derajat keabuan 0-256. Metode FCM digunakan untuk melihat visualisasi abnormalitas secara cepat dan mengetahui garis besar posisi yang abnormal. Kemudian diteruskan dengan segmen kotak dari metode ambang rata-rata untuk mengetahui perbedaan nilai pixel citra abnormalitas dan yang normal. Hasil penelitian nenujukkan bahwa, Kinerja Metode FCM Akurasi 57,7%, sensitifitas 50,0%, spesifikasi 89,5% , Overal Error 42,3% dan Presisi 95,1%. Sedangkan metode Segmen per kotak Akurasi 56,7%, sensitifitas 51,7%, spesifikasi 88,5% , Overal Error 43,3% dan Presisi 96,7%. berdasarkan penelitian dapat disimpulkan bahwa Metode FCM dalam paru hanya bisa menunjukkan visual secara cepat dan garis besar namun tidak memberikan akurasi yang cukup memuaskan, hal ini di karenakan data input yang random tidak dapat dijadikan patokan untuk ukuran keberhasilan. ...... In the study Computer Aided Diagnose (CAD) Lung Radiography adult patients with Fuzzy C Means (FCM), has been carried out in a state of infancy. This study aims to determine whether the FCM clustering method can be used to make the device helper to see abnormalities in the lungs of 200 image data of X-ray radiography. Making the device is done by using the GUI in Matlab. The design is divided into two methods using automated and manual methods FCM then to determine differences in pixel value threshold method is used on average. Both methods are based on the intensity of gray 0-256 degrees. FCM method is used for visualizing abnormalities quickly see and know the outline of an abnormal position. Then forwarded to the segment boxes of the average threshold method to determine differences in pixel values abnormalities and normal image. That research results, performance FCM method Accuracy 57.7%, 50.0% sensitivity, 89.5% specification, Overal Error 42.3% and 95.1% precision. While the method of segment per box Accuracy 56.7%, 51.7% sensitivity, 88.5% specification, Overal Error 43.3% and 96.7% precision. based study concluded that the method of FCM in the lungs can only show rapid visual and outline but does not give a satisfactory accuracy, it is in because random input data can not be used as a benchmark to measure success.