Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pengenalan pola beat dalam analisa rekaman elektrokardiogram (EKG) menjadi bagian yang penting dalam deteksi penyakit jantung terutama aritmia. Banyak metode yang dikembangkan terkait dengan pengenalan pola beat, namun sebagian besar masih mengunakan algoritma klasifikasi klasik di mana masih belum mampu mengenali outlier klasifikasi. Fuzzy Learning Vector Quantization (FLVQ) merupakan salah satu algoritma yang mampu untuk mengenali outlier klasifikasi tetapi juga memiliki kelemahan untuk sistem uji yang bukan data berkelompok. Dalam tulisan ini peneliti mengusulkan Fuzzy Wavelet LearningVector Quantization (FWLVQ), yaitu modifikasi FLVQ sehingga mampu mengatasi data crisp maupun data fuzzy dan juga memodifikasi inferensi sistemnya sebagai perpaduan model fuzzy Takagi Sugeno Kang dengan wavelet. Sinyal EKG diperoleh dari database MIT-BIH. Sistem pengenalan pola beat secara keseluruhan terbagi atas dua bagian yaitu data pra proses dan klasifikasi. Hasil percobaan diperoleh bahwa FWLVQ memiliki akurasi sebesar 90.20% untuk data yang tidak mengandung outlier klasifikasi dan 87.19% untuk data yang melibatkan outlier klasifikasi dengan rasio data uji outlier klasifikasi dengan data non-outlier sebesar 1:1.

---

AbstractThe recognition of beat pattern in analysis of recording an electrocardiogram (ECG) becomes an important detection of heart disease, especially arrhythmias. Many methods are developed related to the recognition of beat patterns, but most still use the classical classification algorithms which are still not able to identify outlier classification. Fuzzy Learning Vector Quantization (FLVQ) is one of the algorithms that can identify outlier classification but also has a weakness for test systems that are not grouped data. In this paper we propose a Fuzzy Wavelet Quantization Learning Vector (FWLVQ), which is modified so as to overcome FLVQ crisp data and fuzzy data and also modify the inference system as a combination of Takagi Sugeno Kang fuzzy model with the wavelet. ECG signal obtained from the MIT-BIH database. Beat pattern recognition system as a whole is divided into two parts: data pre-processing and classification. The experimental results obtained that FWLVQ has an accuracy 90.20% for data that does not contain outlier classification and 87.19% for the classification of data involving outlier ratio outlier test data classification with non-outlier data of 1:1."

"Pengembangan metode IPIMRK untuk menyelesaikan persoalan yang stiff dan implementasi perangkat lunaknya telah dilakukan oleh Suhartanto dan Burrage. Implementasi ini menggunakan FORTRAN90 dan dijalankan pada mesin shared memory_MPMD SGI-ORIGIN2000. Paralelisasi dilakukan secara iteratif untuk tiga proses utama yang disebut dengan parallel_stages, parallel_factors dan parallel_solves yang dapat dijalankan pada sejumlah s-stages prosesor. Proses integrasi menggunakan ukuran langkah beruhab dan pada setiap langkah iterasi digunakan dua teknik perhitungan untuk koefisien tetap (fixed coefficients: FC-IPIMRK) atau koeffisien berubah (variable coeffisients: VC-IPIMRK). Bustaman dan Suhartanto et.al. berhasil mengimplementasikan kembali metode IPIMRK tersebut secara SPMD pada sistem paralel MPI-LINUX di laboratorium HGCCSUI Fakultas Ilmu Komputer UI Depok. Dari hasil eksperimen terlihat bahwa metode VC-IPMRK dibandingkan dengan metode FC-IPIMRK lebih baik dari sisi speed-up, efisiensi dan akurasi tetapi lebih buruk dari sis waktu komputasi. Kontribusi positif terhadap kinerja proses paralellel_factors sedangkan proses parallel-solves ternyata memberikan kontribusi negatif. Untuk meningkatkan kinerja maka sebaiknya proses parallel_solves tidak diaktifkan."