Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Sejak adanya penemuan tentang struktur DNA yang berupa double helix, terdapat perkembangan tentang interaksi kompleks yang dibutuhkan untuk clustering (mengelompokkan) DNA menjadi clusters (kelompok-kelompok) yang memiliki kesamaan sifat ataupun fungsinya. Clustering DNA dapat dilakukan dengan metode partisi maupun metode hirarki. Dua metode tersebut dapat dipadukan dengan melakukan tahap partisi dan hirarki secara bergantian yang dikenal dengan nama HOPACH clustering. Tahap partisi dapat dilakukan dengan algoritma SOM, PAM, dan K-Means. Algoritma SOM dipilih karena menggunakan metode unsupervised learning dan efisien untuk digunakan pada data yang besar. Proses partisi dilanjutkan dengan proses ordering kemudian dilakukan collapsing dengan proses agglomerative, sehingga hasil clustering yang diperoleh menjadi lebih akurat. Penentuan cluster utama dilakukan dengan menghitung nilai kehomogenan hasil clustering menggunakan MSS (Mean Split Silhoutte). Kriteria penentuan cluster utama adalah pilih nilai MSS yang terkecil. Barisan 136 DNA EVD (Ebola Virus Disease) diperoleh dari Genbank NCBI dengan proses melakukan ekstraksi ciri DNA, selanjutnya melakukan normalisasi, dan dilanjutkan dengan menghitung jarak genetik menggunakan Jarak Euclidean. Matriks jarak genetik dapat dijadikan dasar untuk melakukan partisi serta clustering dengan menggunakan algoritma partisi SOM dalam metode HOPACH clustering. Proses ekstraksi ciri, normalisasi, dan penerapan algoritma partisi SOM dalam metode HOPACH clustering menggunakan bantuan program open source . Pada hasil clustering penerapan algoritma partisi SOM dalam metode HOPACH clustering diperoleh 9 cluster dengan nilai MSS sebesar 0,50280. Cluster yang dihasilkan dapat diidentifikasikan berdasarkan spesies dan tahun pertama kali mewabah. ...... Since the discovery of DNA structure in form of double helix, there is a development about the complex interaction required, DNA clustering into clusters which have the same features or functions. DNA clustering can be done by applying partitional or hierarchical method. Those two methods can be combined by doing partitional and hierarchical stage alternately known as HOPACH clustering. The partitional stage can be done by using SOM Algorithm, PAM, and K-Means. SOM algorithm is chosen because it uses unsupervised learning method and efficient to be used for large data. The partitional process is continued by ordering process and then performed collapsing with agglomerative process, so that the clustering result which is obtained will be more accurate. The determination of the main cluster done by calculating homogeneous value of the clustering result uses MSS (Mean Split Silhouette). The determination criteria of the main cluster is choosing the smallest MSS value. 136 sequences of DNA EVD (Ebola Virus Disease) are obtained from NCBI Genbank by applying extraction of DNA sequence, after that doing normalization, and then calculating the genetic distance use Euclidean Distance. Genetic distance matrix can be used as a basis to do partitional and clustering by implementation SOM partitioning algorithm in HOPACH clustering method. The extraction of DNA sequence, normalization, and the implementation of SOM partitioning algorithm in HOPACH clustering method use open source program . On the result of implementation SOM partitioning algorithm in HOPACH clustering method retrieved 9 clusters with MSS value of 0,50280. The cluster which is obtained can be identified according to species and the first year of becoming an epidemic.

Abstrak :
Tesis ini akan membahas karakterisasi absorbansi darah pada rentang 190 sampai dengan 1100 nm per 10 nm pada pasien demam dengue dengan menggunakan spektrofotometer UV-Vis. Data numerik yang diperoleh kemudian dilakukan pengenalan pola karakteristiknya menggunakan kecerdasan buatan. Hasil yang diperoleh menggambarkan karakteristik yang berbeda antara rentang 190 s/d 380 dan 610 s/d 1100 nm dengan 400 s/d 600 nm. Data numerik absorbansi 400 s/d 600 nm diproses dengan metoda self organizing maps menunjukan kestabilan hasil walaupun tingkat pengenalannya masih rendah. ......This thesis is describing characterization of blood absorbance in range of 190 through 1100 nm per 10 nm of dengue fever patient using UV-Vis spectrophotometer. Collected numerical data is processed by pattern recognition using artificial intelligence. Result shown that characteristics between 190-380 nm and 610?1100 nm differ from 400 nm?600 nm. 400 - 600 nm absorbance numerical data processed using self organizing maps showing output of recognition stability, even degree of recognition was still low.

Abstrak :
Masalah kependudukan di Indonesia pada hakekatnya menyangkut tiga aspek yaitu aspek kuantitas, aspek kualitas dan aspek mobilitas. Saat ini dari aspek kuantitas, Indonesia memiliki jumlah penduduk yang sangat besar yang mencapai angka 237,6 juta jiwa pada tahun 2010. Badan Kependudukan dan Keluarga Berencana Nasional (BKKBN) sebagai lembaga yang melaksanakan pengendalian penduduk dan menyelenggarakan keluarga berencana tidak dapat memenuhi target jumlah peserta KB sebesar 65% dari wanita usia subur berstatus menikah. Penelitian ini melakukan clustering kabupaten/kota di Indonesia berdasarkan capaian program keluarga berencana dengan tujuan untuk mengetahui karakteristiknya. Variabel yang digunakan pada penelitian ini sebanyak 21 variabel yang diturunkan dari indicator kinerja BKKBN dan factor yang mempengaruhi penggunaan kontrasepsi yang dikemukakan oleh Berthrand. Metode clustering yang digunakan dalam penelitian ini adalah data mining dengan menggunakan algoritma Self-Organizing Maps (SOM). Hasil dari penelitian ini menunjukkan bahwa teknik data mining clustering dengan algoritma SOM, berhasil mengelompokkan Indonesia ke dalam enam klaster pada data set tahun 2010, yang kemudian dilakukan identifikasi karakterristik wilayah tersebut sesuai dengan variabel yang mencirikan kondisi wilayahnya. Kondisi tahun 2010 ini digunakan sebagai dasar untuk melihat perkembangan capaian program keluarga berencana tiap tahunnya pada periode tahun 2010-2013. Perbandingan data set antar tahun pada periode tahun 2010 sampai tahun 2013 dengan menggunakan relative denstity mampu secara otomatis mendeteksi perubahan struktur klaster berupa klaster yang menghilang, muncul, membelah, bergabung, membesar, dan mengecil dari klaster sebelumnya. Perpindahan klaster ini dapat digunakan untuk mendeteksi perubahan hasil capaian program keluarga berencana serta memberikan rekomendasi program berdasarkan hasil capaian program keluarga berencana. ...... Indonesian population’s problem is to three aspects ; quantity, quality, and mobility. Currently from quantity aspect, Indonesia has 237,6 million people in 2010. National Population and Family Planning Board (BKKBN) as an institution which controlling population and administering family planning unable to meet the 65% birth control target from married fertile woman. This research conducted clustering in district / cities in Indonesia based on the family planning program performance with a purpose to know the characteristics. 21 Variables used for this research variable derived from BKKBN performance indicator and factor that affects the use of contraception, presented by Berthrand. Clustering methods used in research is data mining with algorithm Self-Organizing Maps ( SOM ).The result of the research indicated that data mining clustering with algorithms SOM technic managed to classify Indonesia into six cluster on 2010 data set, then conduct region identification based on variable that characterizes their area condition. The 2010 condition used as a basic to predicts family planning program developments annually in the period 2010-2013. Comparative data set between 2010-2013 period using relative density could automatically detect structure of cluster change that were disappearing, emerging, splitting, merging, enlarging, and shrinking from previous cluster. Cluster displacement can be used to detect result changes from the family planning program and give recommendation based on the family planning program result.

Abstrak :
Pengelompokan nasabah asuransi berdasarkan Self-Organizing Map (SOM) dan analisis cluster hierarki I Gde Angga Surjana (0399010211) Self-Organizing Map (SOM) merupakan metode pengelompokan yang dapat digunakan untuk memvisualisasikan sekaligus mengeksplorasi karakteristik data. Kombinasi antara SOM dan analisis cluster hierarki dapat menjadi metode pengelompokan yang efektif apabila digunakan pada data yang berukuran relatif besar, seperti pada data nasabah dari suatu perusahaan asuransi. Kedua metode ini digunakan untuk membentuk kelompok nasabah berdasarkan produk asuransi yang diikuti agar perusahaan dapat mengidentifikasi kebutuhan para nasabahnya akan asuransi. Hasil pengelompokan dari kedua metode ini adalah tiga kelompok utama, yaitu kelompok nasabah yang sadar asuransi, kelompok nasabah asuransi jiwa dan kelompok nasabah satu jenis asuransi tertentu.

Abstrak :
Macular edema is a kind of human sight disease as a result of advanced stage of diabetic retinopathy. It affects the central vision of patients and in severe cases lead to blindness. However, it is still difficult to diagnose the grade of macular edema quickly and accurately even by the medical doctor's skill. This paper proposes a new method to classify fundus images of diabetics by combining Self-Organizing Maps (SOM) and Generalized Vector Quantization (GLVQ) that will produce optimal weight in grading macular edema disease class. The proposed method consists of two learning phases. In the first phase, SOM is used to obtain the optimal weight based on dataset and random weight input. The second phase, GLVQ is used as main method to train data based on optimal weight gained from SOM. Final weights from GLVQ are used in fundus image classification. Experimental result shows that the proposed method is good for classification, with accuracy, sensitivity, and specificity at 80%, 100%, and 60%, respectively.

Abstrak :
Metoda klasifikasi Jaringan Syaraf Tiruan (JST) telah banyak diterapkan dalam bidang penginderaan jauh. Dalam penelitian ini dilakukan percobaan klasifikasi awan dengan menerapkan metoda JST Kohonen pada data citra multispektral satelit NOAA AVHRR. JST Kohonen adalah metoda klasifikasi tak terselia yang berbasis pada sistem pembelajaran kompetitif Self-Organizing Maps (SOM). Prosedur percobaan terdiri dari tiga tahap, yakni tahap pembelajaran, tahap pelabelan dan tahap klasifikasi. Pada mulanya, klasifikasi awan dilakukan menggunakan lima kanal data citra sebagai vektor masukan, yakni kanal cahaya-tampak, infra-merah dekat, infra-merah tengah, dan dua kanal infra-merah termal. Hasil klasifikasi lalu dibandingkan dengan hasil klasifikasi visual untuk menentukan tingkat keberhasilannya. Kemudian, proses klasifikasi dilanjutkan untuk mengevaluasi kanal-kanal yang dominan dalam klasifikasi awan dengan cara mereduksi jurnlah kanal yang digunakan dalam klasifikasi. Hasil percobaan menunjukkan bahwa klasifikasi awan menggunakan JST Kohonen memberikan tingkat keberhasilan yang cukup tinggi sebesar 81% untuk katagori 10 kelas atau 95% untuk 4 katagori utama 4 kelas awan, dengan kanal-kanal yang dominan yaitu kanal satu (cahaya-tampak) dan kanal empat (infra-merah termal).

Abstrak :
Salah satu metode clustering yang banyak digunakan karena unggul dari sisi kestabilannya adalah metode Self Organizing Map. Pada tesis ini dibahas penggunaan metode SOM pada DNA Human Papillomavirus (HPV) yang menjadi penyebab utama penyakit kanker serviks, yaitu penyakit kanker yang menempati urutan pertama di negara berkembang. DNA HPV yang digunakan adalah sebanyak 18 buah yang diambil berdasarkan complete genome terbaru. Dengan menggunakan program berbasis opensource R, proses clustering berhasil mengelompokkan 18 tipe HPV ke dalam dua buah cluster berbeda, yang terdiri dari 2 tipe HPV di cluster pertama sementara 16 tipe HPV lainnya di cluster ke dua. Hasil analisis 18 tipe HPV adalah berdasarkan tingkat keganasannya, atau tingkat kesulitan dalam penyembuhannya. Dua di antara tipe HPV yang berada di cluster pertama tergolong jenis HPV jinak, sementara 16 tipe HPV yang berada di cluster ke dua tergolong jenis HPV ganas. ...... One of the most widely used clustering method, since it has advantage on its robustness is Self Organizing Map (SOM) method. This thesis discusses the application of SOM method on Human Papillomavirus (HPV) DNA which is a main cause of cervical cancer disease, the most dangerous cancer in developing countries. We use 18 types of HPV DNA based on the newest complete genome. By using open-source-based program R, clustering process can separate 18 types of HPV into two different clusters. There are two types of HPV in the first cluster while 16 others in the second cluster. The Analyzing result of 18 types HPV based on the malignancy of the virus (the difficultness to cure). Two of HPV types the first cluster can be classified as tame HPV, while 16 others in the second cluster are classified as vicious HPV.

Abstrak :
ABSTRAK
Clustering adalah metode pembagian data ke dalam kelompok homogen yang disebut cluster. Spectral clustering merupakan salah satu algoritma clustering modern yang memiliki kelebihan dapat mereduksi dimensi data. Pada penelitian ini metode partisi yang diterapkan pada spectral clustering yaitu self-organizing map SOM . SOM memiliki keunggulan tahan terhadap data noise dan outlier, serta SOM dapat mengatasi dataset yang besar. Penelitian ini bertujuan untuk mengimplementasikan spectral clustering-self organizing map pada data microarray ekspresi gen karsinoma yang terdiri dari 7457 gen dari 18 sampel normal dan 18 sampel penderita kanker karsinoma. Sebelum dilakukan spectral clustering-SOM, data microarray ekspresi gen karsinoma dinormalisasi menggunakan normalisasi min-max. Spectral clustering-SOM dilakukan dengan tahapan-tahapan berikut: menghitung matriks similaritas W , menghitung matriks laplacian ternormalisasi Lsym , menghitung eigenvalue dari Lsym, membentuk matriks U yang terdiri dari k eigenvector terkecil, membentuk vektor unit Unorm dari vektor baris pada matriks U sehingga vektor unit memiliki norm 1, mengelompokkan gen pada matriks Unorm menggunakan SOM dan menghitung nilai indeks Davies-Bouldin IDB k . Penentuan jumlah cluster terbaik berdasarkan nilai indeks Davies-Bouldin yang paling minimum. Dengan menggunakan perangkat lunak R, hasil penelitian ini menunjukkan bahwa data microarray ekspresi gen karsinoma terbagi menjadi dua cluster dengan nilai indeks Davies-Bouldin yaitu 0,5843429. Berdasarkan indeks Davies-Bouldin, hasil clustering menggunakan metode spectral clustering-SOM lebih baik daripada hasil clustering yang menggunakan metode SOM tanpa spectral clustering.

---

ABSTRACT
Clustering is a method the dividing data into a homogeneous group called a cluster. Spectral clustering is one of the modern clustering algorithms that has the advantage of reducing dimensions of data. In this study the partitioning method applied to spectral clustering is self organizing map. SOM has the advantage of robust to noise and outlier, and SOM can handle large datasets. This study aims to implement spectral clustering self organizing map on microarray data of carcinoma gene expression consisting of 7457 genes from 18 normal samples and 18 samples of carcinoma cancer patients. Before spectral clustering SOM, the microarray data of carcinoma genes expression was normalized using min max normalization. The Spectral clustering SOM is done by the following steps calculate similarity matrix W , calculate the normalized Laplacian matrix Lsym , calculate the eigenvalue of Lsym , forming a vector unit Unorm of the row vector of the matrix U so that the vector unit has norm 1, grouping the genes in the matrix Unorm and calculate the Davies Bouldin index values IDB k . Determination of the best number of clusters based on the minimum value of the Davies Bouldin index. By using software R, the result of this research is microarray data of carcinoma gene expression is divided into two clusters with Davies Bouldin index value is 0.5843429. Based on the Davies Bouldin index values, clustering using spectral clustering SOM is better than clustering using only SOM method without spectral clustering.

Abstrak :
Dengan adanya keinginan merancang alat deteksi DD dengan sensor optik, maka dilakukan penelitian pengukuran absorbansi darah penderita DD, non DD dan orang sehat dengan Spektrofotometer UV-Vis. Pola-pola absorbansi yang diperoleh dikenali dengan menggunakan jaringan saraf tiruan dengan metode LVQ, SOM dan algoritma PCA. Hasil penelitian dengan menggunakan rentang panjang gelombang antara 400-600 nm dengan 21 data input memperlihatkan pola-pola yang sangat berbeda antara DD, non DD dan orang sehat dibandingkan dengan panjang gelombang 190-400 dan 400-1100 nm. Dengan algoritma PCA 10 dimensi dan LVQ mampu mengenali pola absorbansi darah penderdan DD, non DD dan orang sehat sebesar 73 %. Sedangkan PCA 20 maupun 10 dimensi dan SOM mampu mengenali pola-pola tersebut sebesar 47 %. ......The willing existence to design device for detection DF with optics sensor so has done this research by measure absorbance using spectrophotometer of DF, non DF and health person with spectrophotometer UV-vis. These patterns are recognized by using artificial neural network with LVQ, SOM and algorithm Principal PCA. This research done using wavelength range between 400-600 nm with 21 datas input show patterns very differ between DF, non DF and health person compared to wavelength 190-400 and 400-1100 nm. Using algorithm PCA with 10 dimensions and LVQ can recognize blood absorbance pattern DF, non DF and health person as big as 73 %, while PCA with 20 also 10 dimensions and SOM can recognize patterns as big as 47 %.