Johan Harlan
Universitas Gunadarma

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

Filter technique of medical image on multiple morphological gradient (MMG) method Jufriadif Na'am; Johan Harlan; Rosda Syelly; Agung Ramadhanu
TELKOMNIKA (Telecommunication Computing Electronics and Control) Vol 17, No 3: June 2019
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12928/telkomnika.v17i3.9722

Abstract

Filter technique is supportive for reducing image noise. This paper presents a study on filtering medical images, i.e., CT-Scan, Chest X-ray and Panoramic X-ray collected from two of the most prominent public hospitals in Padang City, Indonesia. The aim of this study preserved to facilitate in diagnosing objects in x-ray medical images. This study used filter technique, i.e. Blur, Emboss, Gaussian, Laplacian, Roberts, Sharpen, or Sobel techniques as pre-processing step. The filter process performed before edge detection and edge clarification. MMG method used in this study to clarify the edge detection. Thus, this research showed the hesitation decline (confidence increase) of the diagnosis of objects contained in medical images.
Pengembangan Strategi Pembelajaran Mesin untuk Membangun Visualisasi Cerdas Berdasarkan Preferensi Pengguna: Array Evans Winanda Wirga; Johan Harlan; I Made Wiryana; Ernianti Hasibuan
Jurnal Ilmiah Komputasi Vol. 21 No. 3 (2022): Jurnal Ilmiah Komputasi : Vol. 21 No 3, September 2022
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32409/jikstik.21.3.2936

Abstract

Presentasi dan visualisasi yang didukung pola interaksi yang tepat antara pengguna sebagaipengambil keputusan berdasarkan pertimbangan data yang tepat akan mendukung Decision SupportSystem yang baik. Penelitian ini memaparkan pengembangan strategi pembelajaran mesin dalam membangun visualiasi yang berdasarkan preferensi pengguna. Data diklasifikan menjadi data pengontrol visualisasi (Dc) dan data visualisasi (Dv), Selanjutnya dibuat pattern visualiasi data sebagai bahan untuk pembelajaran mesin dalam menentukan hasil visualiasi. Penerapan strategi learning pada machine learning ini memungkinkan untuk menghasilkan smart visualization berdasarkan preferensi pengguna saat memilih visualisasi yang sesuai dengan kebutuhannya