Claim Missing Document
Check
Articles

Found 4 Documents
Search
Journal : Jurnal Teknik ITS

Perbandingan Performa antara Imputasi Metode Konvensional dan Imputasi dengan Algoritma Mutual Nearest Neighbor Azwar Rizal Alfarisi; Handayani Tjandrasa; Isye Arieshanti
Jurnal Teknik ITS Vol 2, No 1 (2013)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373539.v2i1.2735

Abstract

Missing value adalah sebuah permasalahan yang sering terjadi pada dataset riil. Kekurangan ini biasanya mempengaruhi akurasi saat dilakukan klasifikasi dengan menggunakan dataset tersebut. Salah satu cara menyelesaikan masalah missing value tersebut adalah mengisi nilai baru atau dikenal dengan metode imputasi. Algoritma mutual nearest neighbor (MNN) adalah sebuah algoritma pengenalan pola yang menggunakan tetangga mutual terdekat suatu instance. Dalam studi ini, algoritma MNN digunakan sebagai metode imputasi. Performanya akan dibandingkan dengan metode imputasi konvensional yaitu mengisikan nilai mean atau modus data atribut ke missing value. Berdasarkan hasil uji coba, performa klasifikasi setelah dilakukan imputasi dengan algoritma MNN mengungguli performa klasifikasi dengan metode imputasi konvensional.
Deteksi Penyakit Epilepsi dengan Menggunakan Entropi Permutasi, K-means Clustering, dan Multilayer Perceptron Yunita Ardilla; Handayani Tjandrasa; Isye Arieshanti
Jurnal Teknik ITS Vol 3, No 1 (2014)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (277.104 KB) | DOI: 10.12962/j23373539.v3i1.5486

Abstract

Epilepsi didefinisikan sebagai kumpulan gejala dan tanda-tanda klinis yang muncul disebabkan gangguan fungsi otak secara intermiten, yang terjadi akibat lepas muatan listrik abnormal atau berlebihan dari neuron-neuron secara paroksimal dengan berbagai macam etiologi. Banyak pasien yang tidak menyadari adanya gejala epilesi dalam dirinya. Oleh karena itu diperlukan sistem yang bisa memprediksi apakah seseorang menderita epilepsi bebas kejang, atau epilepsi kejang. Dalam artikel ini diimplementasikan perangkat lunak pendeteksi penyakit epilepsi dengan menggunakan entropi permutasi, K-means clustering, dan multilayer perceptron. Hasil model dari algoritma multilayer perceptron akan digunakan dalam proses prediksi. Dataset yang digunakan dalam proses uji coba berisi lima himpunan (A-E) EEG dari manusia sehat dan yang menderita epilepsi yang tersedia online (''Klinik für Epileptologie, Universität Bonn''). Performa terbaik yang dihasilkan oleh model adalah akurasi sebesar 96,5%, specificity sebesar 95,45%, dan sensitivity sebesar 97,97%.
Deteksi Penyakit Glaukoma pada Citra Fundus Retina Mata Menggunakan Adaptive Thresholding dan Support Vector Machine Ahmad Mustofa; Handayani Tjandrasa; Bilqis Amaliah
Jurnal Teknik ITS Vol 5, No 2 (2016)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (700.017 KB) | DOI: 10.12962/j23373539.v5i2.18929

Abstract

Glaukoma adalah penyebab kebutaan kedua terbanyak setelah katarak. Berbeda dengan katarak, kebutaan yang disebabkan oleh glaukoma bersifat permanen. Hal ini karena glaukoma disebabkan oleh tekanan besar pada bola mata yang menyebabkan tersumbatnya pembuluh darah yang menuju ke syaraf mata sehingga syaraf mata tidak mendapatkan suplai darah yang cukup dan akhirnya akan mengalami kerusakan. Gejala glaukoma yang timbul biasanya tidak dapat dirasakan secara langsung. Sehingga perlu dilakukan pemeriksaan mata terlebih dahulu untuk mengetahui adanya glaukoma. Pada pengerjaan tugas akhir ini, dibangun sebuah perangkat lunak untuk mendeteksi penyakit glaukoma pada citra fundus retina mata. Tahap pertama dalam pengerjaan tugas akhir ini adalah proses preprocessing citra. Tahap preprocessing terbagi menjadi preprocessing optic cup, preprocessing optic disk, dan preprocessing pembuluh darah. Kemudian akan dilakukan proses segmentasi optic cup, optic disk, dan pembuluh darah dengan menggunakan metode adaptive thresholding. Setelah proses segmentasi selesai, maka fitur Cup to disk ratio (CDR), ISNT Neuro Retinal Rim (NRR), dan ISNT pembuluh darah akan diekstraksi dari masing-masing citra yang telah tersegmentasi. Ketiga fitur tersebut kemudian dijadikan masukan pada pengklasifikasi support vector machine dengan menggunakan metode pencarian hyperplane sequential minimal optimization dan fungsi kernel linear. Dengan menggunakan data yang diambil dari database RIM-ONE, didapatkan nilai akurasi rata-rata sebesar 80%.
Deteksi Ekspresi Wajah Menggunakan Fitur Gabor dan Haar Wavelet Claudia Primasiwi; Handayani Tjandrasa; Dini A. Navastara
Jurnal Teknik ITS Vol 7, No 1 (2018)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373539.v7i1.28706

Abstract

Manusia bersosialisasi secara verbal dan non-verbal. Salah satu bahasa non-verbal yang sering digunakan manusia untuk berinteraksi adalah ekspresi wajah. Penelitian ini dibagi menjadi tiga tagap: Deteksi wajah dan pre-processing menggunakan algoritma Viola-Jones dan histogram equalization, ekstraksi fitur Gabor dan fitur Haar, dan klasifikasi SVM One vs. All. Pada penelitian ini, digunakan kombinasi fitur Gabor dan Haar untuk dibandingkan dan digabungkan dengan fitur Landmark yang telah disediakan di database. Fitur Gabor dan Haar memiliki akurasi sebesar 92% dengan kelas terbaik berupa ekspresi senang.