scholarly journals Artificial Neural Network dalam Menentukan Grading Histopatologi Kanker Payudara

2017 ◽  
Vol 19 (2) ◽  
pp. 176
Author(s):  
Agoes Santika Hyperastuty
Keyword(s):  
Breast Cancer ◽  
Neural Network ◽  
Artificial Neural Network ◽  
Learning Rate ◽  
Gray Level ◽  
Artificial Neural ◽  
Hidden Layer

Abstrak Kanker payudara adalah jenis tumor ganas utama yang diamati pada wanita dan pengobatan yang efektif tergantung pada diagnosis awalnya. Standar emas pemeriksaan kanker payudara adalah pemeriksaan histopatologis sel kanker. Penentuan kadar pada kanker payudara ditentukan oleh tiga faktor: pleomorfik, pembentukan tubular dan mitosis sel. Dalam tulisan ini mengacu pada formasi pleumorfic dan tubular oleh gambar histopatologi sel payudara. Sistem yang diusulkan terdiri dari empat langkah utama: preprocessing, segmentation, ekstrasi fitur dan identifikasi. Pada proses segmentasi  menggunakan metode K-Means Clustering yaitu mengelompokkan data menurut kesamaan warna dan bentuk. Hasil dari K-Means tersebut berupa matrik.  Ekstraksi fitur menggunakan Gray level Cooccurence Matrix (GLCM) yaitu  tingkat keabuan masing-masing citra yang dilihat dari  4 fiturnya adalah kontras, energi, entropi dan homogenitas. Langkah terakhir adalah identifikasi menggunakan Backpropagation. Beberapa parameter penting akan divariasikan dalam proses ini seperti learning rate dan jumlah node pada hidden layer. Hasil penelitian menunjukkan bahwa fitur ekstraksi dalam 4 fitur adalah akurasi terbaik berdasarkan kelas 81,1% dan khususnya ketepatannya adalah 80%.Kata kunci—Histopatologic breast cancer, kmeans, GLCM, Backpropagation

scholarly journals Studi prakiraan beban listrik menggunakan metode artificial neural network

TEKNO ◽  
2019 ◽  
Vol 28 (2) ◽  
pp. 116
Author(s):  
Yuan Octavia ◽  
Arif Nur Afandi ◽  
Hari Putranto
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Learning Rate ◽  
Layer 2 ◽  
Artificial Neural ◽  
Artificial Neural Network Ann ◽  
Hidden Layer

Pada penelitian ini, dilakukan prakiraan beban listrik jangka panjang menggunakan metode Artificial Neural Network (ANN) dengan penerapan algoritma backpropagation pada studi kasus distribusi energi listrik Area Mojokerto. Pada penelitian ini digunakan 8 variabel, dimana untuk variabel dependent berupa beban listrik, sedangkan untuk variabel independent digunakan 7 variabel yaitu jumlah penduduk, PDRB, jumlah pelanggan sektor rumah tangga, jumlah pelanggan sektor industri, jumlah pelanggan sektor usaha, jumlah pelanggan sektor sosial, dan susut distribusi. Berdasarkan hasil percobaan beberapa arsitektur ANN, diperoleh hasil MAPE pengujian terbaik sebesar 0.512% yang berarti memiliki tingkat akurasi tinggi. Hal ini berarti metode ANN dengan algoritma backpropagation dapat diterapkan sebagai metode prakiraan beban listrik untuk studi kasus pada distribusi energi listrik Area Mojokerto. Model ANN-backpropagation terbaik pada penelitian ini adalah variasi bobot dan bias awal diatur secara manual dengan modifikasi menggunakan algoritma inisialisasi Nguyen Widrow, jaringan memiliki 2 hidden layer dengan penyusunan 5 neuron pada hidden layer 1 dan 15 neuron pada hidden layer 2, nilai learning rate dan momentum berturut-turut adalah 0.9 dan 0.1. Berdasarkan arsitektur ANN terbaik, prakiraan beban listrik distribusi area Mojokerto pada tahun 2018 sampai dengan 2030 cenderung mengalami kenaikan dari tahun ke tahun, meskipun ada penurunan sebesar 0.157% dari tahun 2027 ke tahun 2028. Hasil prakiraan terendah ada pada tahun 2018 dengan hasil 312.7489 MW dan beban tertinggi ada pada tahun 2030 dengan hasil 383.5597MW. Hasil prakiraan beban listrik Area Mojokerto dari tahun 2018 sampai dengan 2030 mengalami kenaikan sebesar 22.641% dengan kenaikan rata-rata 1.728% per tahunnya

scholarly journals Penerapan Prediksi Produksi Padi Menggunakan Artificial Neural Network Algoritma Backpropagation

2020 ◽  
Vol 6 (2) ◽  
pp. 100-107
Author(s):  
Hasdi Putra ◽  
Nabilah Ulfa Walmi
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Learning Rate ◽  
Processing Data ◽  
Artificial Neural ◽  
Artificial Neural Network Ann ◽  
Hidden Layer

Prediksi produksi padi menjadi penting dilakukan untuk menunjang pembangunan nasional sektor pertanian pada suatu negara atau wilayah. Artificial Neural Network (ANN) termasuk metode yang terbaik dalam melakukan prediksi. Masalah utamanya adalah bagaimana menentukan jumlah neuron dan hidden layer yang optimal sehingga akurasi prediksinya tinggi. Artikel ini bertujuan untuk merancang arsitektu ANN unutk melakukan prediksi terhadap produksi padi menggunakan ANN dengan algortima backpropagation. Tahapan penelitian yang dilakukan adalah mengumpulkan data produksi padi, melakukan pre-processing data, memproses prediksi, dan pengujian akurasi dan error serta implementasi. Dalam memproses prediksi dilakukan sesuai dengan rancangan model prediksi, yaitu parameter epoch, momentum, learning rate, hidden layer untuk menghasilkan keakuratan yang tinggi. Temuan yang diperolah berupa rancangan optimal untuk melakukan prediksi yaitu dengan menggunakan multilayer. Hasil pengujian sistem prediksi produksi padi yang terdiri dari 75 kali pengujian pada di 19 daerah di Sumatera Barat, diperoleh tingkat akurasi mencapai 88,14% atau dengan tingkat error yang relatif rendah yaitu 11,86%.

scholarly journals Pemanfaatan Data Mining dalam Penentuan Rekomendasi Mustahik (Penerima Zakat)

2020 ◽  
Vol 12 (2) ◽  
pp. 67-73
Author(s):  
Andi Abdul malik Ahmad ◽  
Zawiyah Saharuna ◽  
Muhammad Fajri Raharjo
Keyword(s):  
Neural Network ◽  
Data Mining ◽  
Artificial Neural Network ◽  
Learning Rate ◽  
Test Results ◽  
Network Algorithm ◽  
Neural Network Algorithm ◽  
Artificial Neural ◽  
Hidden Layer ◽  
Artificial Neural Network Algorithm

This study applies data mining in determining recommendations for mustahik. The application is carried out using a classification method with an artificial neural network algorithm where the attributes used are age and type of work of the head of the family, the condition and ownership of the residence, the place of sewage, family monthly income, number of dependents, and diet. Tests are carried out using a combination of values ​​between learning rate, epoch, k-fold, and hidden layer neurons. Based on the test results from the classification process, it is found that the artificial neural network algorithm has the highest accuracy when the number of hidden layer neurons is six, the learning rate is one, the fold is seven, and the number of epochs is 200, which is 92.09%. The test results are then displayed on the Mustahik information system page.

scholarly journals ARTIFICIAL NEURAL NETWORK DALAM PREDIKSI TINGKAT PENGANGGURAN DI RIAU

2020 ◽  
Vol 5 (1) ◽  
pp. 41-48
Author(s):  
Pandu Pratama Putra ◽  
Dafwen Toresa
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Learning Rate ◽  
Artificial Neural ◽  
Artificial Neural Network Ann ◽  
Hidden Layer

Provinsi Riau terdapat sebanyak kurang lebih 190.140 orang tidak memiliki pekerjaan. Berdasarkan dari daerah tempat tinggalnya, pengangguran di perkotaan tercatat lebih tinggi jumlahnya dibanding di perdesaan. Hal tersebut dapat menunjukkan bahwa jumlah lapangan pekerjaan yang dibutuhkan di Riau masih kurang untuk memenuhi kebutuhan masyarakat. pada situasi tersebut, masyarakat akan menggunakan cara apapun yang mereka bisa agar dapat bertahan dan memenuhi kebutuhan hidup. Dengan menggunakan Artificial neural Network (ANN) atau yang biasa dikenal jaringan syaraf tiruan dapat digunakan untuk memprediksi jumlah pengangguran.tahapan dalam ANN ini dilakukan normalisasi data kemudian menggunakan algoritma backpropagation. Pada analisis ini,  metode penelitian yang digunakan yaitu pendekatan SDLC model waterfall yang merupakan pendekatan model paling sederhana. Implementasi metode Backpropagation dalam prediksi jumlah penganguran di provinsi Riau diperlukan data latih yang akan digunakan sebagai sumber pelatihan yang selanjutnya diproses pada tahap pengujian menggunakan algoritma Backpropagation dari ANN dengan 2 inputan, 6 hidden layer, learning rate 0,1 dan 1 output, maka diperoleh nilai error atau MSE yang  baik pada proses training sebesar 0,00060988.

Logistic Regression and Artificial Neural Network: A Comparative Study in Diagnosing Breast Cancer

2021 ◽  
pp. 6330-6334
Author(s):  
W. Abdul Hameed ◽  
Anuradha D. ◽  
Kaspar S.
Keyword(s):  
Breast Cancer ◽  
Neural Network ◽  
Artificial Neural Network ◽  
Logistic Regression ◽  
Breast Tumor ◽  
Diagnostic Performance ◽  
Malignant Breast Tumor ◽  
Malignant Breast ◽  
Artificial Neural ◽  
Artificial Neural Network Ann

Breast tumor is a common problem in gynecology. A reliable test for preoperative discrimination between benign and malignant breast tumor is highly helpful for clinicians in culling the malignant cells through felicitous treatment for patients. This paper is carried out to generate and estimate both logistic regression technique and Artificial Neural Network (ANN) technique to predict the malignancy of breast tumor, utilizing Wisconsin Diagnosis Breast Cancer Database (WDBC). Our aim in this Paper is: (i) to compare the diagnostic performance of both methods in distinguishing between malignant and benign patterns, (ii) to truncate the number of benign cases sent for biopsy utilizing the best model as an auxiliary implement, and (iii) to authenticate the capability of each model to recognize incipient cases as an expert system.

scholarly journals The effect of Kurtosis on the accuracy of artificial neural network predictive model

2018 ◽  
Vol 204 ◽  
pp. 02018
Author(s):  
Aisyah Larasati ◽  
Anik Dwiastutik ◽  
Darin Ramadhanti ◽  
Aal Mahardika
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Predictive Model ◽  
Predictive Models ◽  
Output Layer ◽  
Input Layer ◽  
Artificial Neural ◽  
Misclassification Rates ◽  
Hidden Layer ◽  
Program Data

This study aims to explore the effect of kurtosis level of the data in the output layer on the accuracy of artificial neural network predictive models. The artificial neural network predictive models are comprised of one node in the output layer and six nodes in the input layer. The number of hidden layer is automatically built by the program. Data are generated using simulation approach. The results show that the kurtosis level of the node in the output layer is significantly affect the accuracy of the artificial neural network predictive model. Platycurtic and leptocurtic data has significantly higher misclassification rates than mesocurtic data. However, the misclassification rates between platycurtic and leptocurtic is not significantly different. Thus, data distribution with kurtosis nearly to zero results in a better ANN predictive model.

scholarly journals Pengaruh Cahaya dan Kualitas Citra dalam Klasifikasi Kematangan Pisang Cavendish Berdasarkan Ciri Warna Menggunakan Artificial Neural Network

2021 ◽  
Vol 21 (1) ◽  
pp. 215-228
Author(s):  
Aditya Dwi Putro ◽  
Arief Hermawan
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Learning Rate ◽  
Artificial Neural

Buah pisang merupakan komoditas yang memberikan kontribusi besar terhadap angka produksi buah nasional maupun internasional. Pemerintah melalui Badan Standarisasi Nasional menetapkan standar untuk buah pisang, menjaga mutu buah pisang. Tujuan dari penelitian ini adalah menganalisa pengaruh cahaya dan kualitas citra dalam mengklasifikasikan tingkat kematangan buah pisang berdasarkan ciri warna buah pisang di Kebun Pisang Cavendish kabupaten banyumas jawa tengah sesuai dengan SNI 7422:2009[1]. Pisang yang terdapat di Kebun Pisang Cavendish ini beraneka ragam kualitas, sebagai buah lokal yang memiliki nilai ekonomi tinggi dan memiliki potensi pasar yang masih terbuka luas, pisang menjadi salah satu komoditas buah-buahan yang dapat diandalkan. Permasalahan yang sering ditemukan selain resource dan ketelitian yakni kurang tepatnya dan kurang pengetahuannya karyawan dalam membedakan tingkat kematangan pisang terutama karyawan baru. Artificial Neural Network digunakan sebagai metode dalam proses pengklasifikasian. Dataset pada penelitian ini adalah 80 citra buah pisang yang diambil per tandan terdiri dari 40 tandan citra pisang Cavendish yang diambil di pagi hari dengan kualitas citra bagus 20 dan kualitas citra tidak bagus 20, 40 tandan citra pisang Cavendish yang diambil di sore hari dengan kualitas citra bagus 20 dan kualitas citra tidak bagus 20. Tingkat kematangan pisang pada penelitian ini yaitu mentah dan matang. pengujian menghasilkan Akurasi tertinggi dalam proses klasifikasi kategori buah pisang cavendish menggunakan epoch 5000, goal 0.0001 dan learning rate 0.1 dengan jumlah akurasi sebesar 100% dengan model trainlm dan waktu 1.6 detik.

Sign in / Sign up

Export Citation Format

Share Document