Abstract-Component Normalized Generalized GradientVector Flow Snake (CNGGVFS) method is the development of Gradient Vector Flow Snake (GVFS) method as an external force algorithm for active contour (snake) that can be used to get the contour of nucleus and cytoplasm of cervical smear image. However, CNGGVFS using a conventional calculation of edge map such as Sobel can not detect the nucleus area correctly in single cell cervical smear image segmentation. In this study, an external force algorithm in snake that uses Radiating Edge Intisari-Metode Component Normalized Generalized GradientVector Flow Snake (CNGGVFS) merupakan pengembangan dari metode Gradient Vector Flow Snake (GVFS) sebagai algoritme pengganti energi eksternal active countour (snake). Namun, CNGGVFS menggunakan perhitungan edge map konvensional seperti Sobel yang belum mampu mendeteksi daerah nukleus dengan benar pada segmentasi kontur citra sel tunggal smear serviks. Makalah ini mengusulkan algoritme pengganti energi eksternal pada snake yang memanfaatkan perhitungan Radiating Edge Map (REM) untuk pencarian edge map pada CNGGVFS yang dinamakan Radiating Component Normalized Generalized Gradient Vector Flow Snake (RCNGGVFS). Metode RCNGGVFS digunakan untuk mendapatkan kontur nukleus dan sitoplasma pada citra sel tunggal smear serviks. Terdapat tiga tahapan utama untuk melakukan segmentasi kontur citra sel tunggal smear serviks pada makalah ini, yaitu: pra proses, segmentasi awal, dan segmentasi kontur. Uji coba dilakukan dengan menggunakan data set Herlev. Pengujian dilakukan dengan membandingkan hasil segmentasi metode yang diusulkan dengan metode pada penelitian sebelumnya dalam melakukan segmentasi citra sel tunggal smear serviks. Hasil pengujian menunjukkan bahwa metode yang diusulkan mampu mendeteksi area nukleus lebih optimal dibanding metode Radiating GVFS & Fuzzy C-Means (FCM) dan Radiating GVFS & K-means. Nilai rata-rata akurasi dan Zijdenbos similarity index (ZSI) untuk segmentasi nukleus adalah 95,34% dan 88,06%. Kemudian, nilai rata-rata akurasi dan ZSI untuk segmentasi sitoplasma adalah 83,48% dan 87,16%. Dari hasil evaluasi tersebut, disimpulkan metode yang diusulkan dapat digunakan sebagai proses segmentasi citra smear serviks pada identifikasi kanker serviks secara otomatis. Kata Kunci-Radiating Component Normalized GeneralizedGradient Vector Flow Snake, sel tunggal smear serviks, ekstraksi kontur. I. PENDAHULUANPemeriksaan pap smear merupakan prosedur penapisan manual yang digunakan untuk mendeteksi kanker serviks yang dikembangkan oleh Dr. Georges Papanicolaou pada Tahun 1940. Hasil pemeriksaan akan menunjukkan sel-sel serviks masih normal atau sudah terdapat gejala awal kanker serviks. Analisis hasil pemeriksaan pap smear secara manual memiliki kelemahan yaitu membutuhkan banyak tenaga ahli di bidang patologi, memakan banyak waktu, dan rawan terhadap kesalahan. Sebuah sistem penyaringan otomatis dan sistem diagnosa yang akurat untuk hasil pemeriksaan pap smear akan sangat bermanfaat untuk mengatasi kelemahankelemahan tersebut....
Many kinds of classification method are able to diagnose a patient who suffered Hepatitis disease. One of classification methods that can be used was Least Squares Support Vector Machines (LSSVM). There are two parameters that very influence to improve the classification accuracy on LSSVM, they are kernel parameter and regularization parameter. Determining the optimal parameters must be considered to obtain a high classification accuracy on LSSVM. This paper proposed an optimization method based on Improved Ant Colony Algorithm (IACA) in determining the optimal parameters of LSSVM for diagnosing Hepatitis disease. IACA create a storage solution to keep the whole route of the ants. The solutions that have been stored were the value of the parameter LSSVM. There are three main stages in this study. Firstly, the dimension of Hepatitis dataset will be reduced by Local Fisher Discriminant Analysis (LFDA). Secondly, search the optimal parameter LSSVM with IACA optimization using the data training, And the last, classify the data testing using optimal parameters of LSSVM. Experimental results have demonstrated that the proposed method produces high accuracy value (93.7%) for the 80-20% training-testing partition. Keywords: Classification, Least Squares Support Vector Machines, Improved Ant Colony Algorithm, Local Fisher Discriminant Analysis, Hepatitis Disease. AbstrakBanyak metode klasifikasi yang mampu mendiagnosa seorang pasien mengidap penyakit Hepatitis, salah satunya adalah menggunakan metode klasifikasi Least Squares Support Vector Machines (LSSVM). Terdapat dua parameter yang sangat berpengaruh pada LSSVM yaitu parameter kernel dan parameter regularisasi. Penentuan parameter optimal tersebut harus diperhatikan untuk mendapatkan akurasi klasifikasi yang tinggi pada LSSVM. Penelitian ini mengusulkan metode optimasi Improved Ant Colony Algorithm (IACA) dalam penentuan parameter optimal LSSVM untuk mendiagnosa penyakit Hepatitis. IACA membuat penyimpanan solusi untuk menjaga rute dari keseluruhan semut. Solusi yang disimpan adalah nilai parameter LSSVM. Ada 3 tahapan utama pada penelitian ini yaitu, dimensi dataset Hepatitis direduksi menggunakan metode Local Fisher Discriminant Analysis (LFDA), kemudian parameter optimal LSSVM dicari dengan metode optimasi IACA menggunakan data training, setelah itu data testing diklasifikasikan menggunakan parameter optimal LSSVM. Hasil uji coba menunjukkan bahwa metode yang diusulkan menghasilkan nilai akurasi yang tinggi (93,7%) pada partisi 80-20% training dan testing.
Sistem pengambilan keputusan promosi jabatan sebagai salah satu daya pendorong agar pegawai dapat meningkatkan semangat kerjanya. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem pengambilan keputusan promosi jabatan pada kantor camat masalle kab. Enrekang. Metode pada penelitian ini adalah Simple Additive Weighting (S.A.W) dengan pengembangan sistem yang digunakan yaitu SDLC Waterfall. Metode System Development Life Cycle (SDLC) yaitu prototiping terdiri dari beberapa tahapan yaitu login, menginputkan data pegawai, output berupa informasi ranking. Waterfall digunakan dalam pengembangan software dimana pengerjaannya harus dilakukan secara berurutan yang dimulai dari tahap perencanaan konsep, pemodelan (design), implementasi, pengujian dan pemeliharaan. Hasil penelitian ini menampilkan beberapa menu yaitu halaman login, halaman user, halaman kriteria, halaman data pegawai dan halaman ranking serta hasil perancangan di impelementasikan dan diterapkan pada kantor Camat masalle Kab. Enrekang. Kesimpulan dari aplikasi menggunakan metode Simple Additive Weighting (S.A.W) telah berhasil dirancang dan dapat digunakan dengan baik untuk mendukung pengambilan keputusan promosi jabatan pada kantor Camat Masalle Kab. Enrekang.
Diabetes merupakan salah satu penyebab kematian terbesar di dunia. Penyakit diabetes dapat menyebabkan komplikasi seperti stroke, gagal ginjal, kebutaan yang bisa menyebabkan kecacatan. Sehingga diperlukan model prediksi untuk mengklasifikasikan seseorang mengidap penyakit diabetes atau tidak secara otomatis. Pada penelitian ini diajukan metode kombinasi Best First Feature Selection (BF Feature Selection) dan Radial Basis Function (RBF) untuk mengklasifikasikan penyakit diabetes. BF Feature Selection sebagai metode untuk mereduksi fitur-fitur pada dataset diabetes. BF Feature Selection mendapatkan 5 fitur yang paling relevan. Selanjutnya, dilakukan klasifikasi terhadap fitur-fitur tersebut menggunakan metode RBF. Uji coba dilakukan dengan menggunakan dataset diabetes dari UCI repository. Pengujian dilakukan dengan membandingan hasil klasifikasi metode yang diajukan dengan metode yang berbeda pada penelitian sebelumnya. Berdasarkan hasil uji coba, metode yang diajukan mendapatkan nilai akurasi yang tinggi untuk 70-30% training testing partisi yaitu 82,17%. Dari hasil evaluasi tersebut dapat disimpulkan bahwa metode yang diajukan dapat digunakan sebagai metode klasifikasi penyakit diabetes secara otomatis.
Electroencephalogram (EEG) signal is a signal that could become an information for study about disorders of brain function such as Epilepsi. EEG that detected in epileptic seizures produce patterns that allow doctors to distinguish it from normal conditions. However, a visual analysis can not be done continuously. This study proposed a new hybrid method of EEG signal classification using Power Spectral Density (PSD) based on Welch method, Principle Component Analysis (PCA), and Multi Layer Perceptron Backpropagation.There are 3 main stages in this study, firstly preprocessing the dataset of EEG signals by Power Spectral Density (PSD) based on Welch method, then Principle Component Analysis (PCA) as a method of dimensionallity reduction of the EEG signal data and the Multi Layer Perceptron Backpropagation for classifying a signal. Based on experimental results, the proposed method is successfully obtain high accuracy for the 80-20% training-testing partition (99.68%).
Diabetes merupakan salah satu penyebab kematian terbesar di dunia. Penyakit diabetes dapat menyebabkan komplikasi seperti stroke, gagal ginjal, kebutaan yang bisa menyebabkan kecacatan. Sehingga diperlukan model prediksi untuk mengklasifikasikan seseorang mengidap penyakit diabetes atau tidak secara otomatis. Pada penelitian ini diajukan metode kombinasi Best First Feature Selection (BF Feature Selection) dan Radial Basis Function (RBF) untuk mengklasifikasikan penyakit diabetes. BF Feature Selection sebagai metode untuk mereduksi fitur-fitur pada dataset diabetes. BF Feature Selection mendapatkan 5 fitur yang paling relevan. Selanjutnya, dilakukan klasifikasi terhadap fitur-fitur tersebut menggunakan metode RBF. Uji coba dilakukan dengan menggunakan dataset diabetes dari UCI repository. Pengujian dilakukan dengan membandingan hasil klasifikasi metode yang diajukan dengan metode yang berbeda pada penelitian sebelumnya. Berdasarkan hasil uji coba, metode yang diajukan mendapatkan nilai akurasi yang tinggi untuk 70-30% training testing partisi yaitu 82,17%. Dari hasil evaluasi tersebut dapat disimpulkan bahwa metode yang diajukan dapat digunakan sebagai metode klasifikasi penyakit diabetes secara otomatis.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.