Identifikasi Jenis Tanaman Anggrek Melalui Tekstur Bunga dengan Tapis Gabor dan M-SVM

Orchidaceae adalah nama latin dari bunga anggrek yang memiliki berbagai jenis bunga sehingga memiliki ciri-ciri yang berbeda antara satu jenis dengan jenis yang lain, mulai dari ciri warna, bentuk, maupun ukuran. Hampir di seluruh daerah di Indonesia memiliki jenis tanaman anggrek tersendiri sesuai dengan karakter geografis daerah tersebut. Untuk membedakan jenis tanaman anggrek maka bisa dilihat dari kondisi tekstur atau warna dari kelopak bunga anggrek. Namun karena kemiripan ciri tekstur atau warna dari kelopak bunganya, maka kegiatan identifikasi jenis tanaman anggrek oleh beberapa orang atau petugas terkait masih cenderung subjektif sehingga menimbulkan kesalahan dalam kegiatan identifikasi. Penelitian ini bertujuan untuk membantu identifikasi jenis tanaman anggrek menggunakan teknologi pengolahan citra digital sehingga memperoleh hasil yang akurat. Dalam penelitian ini jenis tanaman anggrek yang diteliti meliputi jenis dendrobium, phalaenopsis dan vanda. Tahapan yang dilakukan dalam penelitian adalah mengekstraksi tekstur bunga anggrek menggunakan metode tapis gabor, sedangkan untuk klasifikasi menggunakan metode M-SVM (Multiclass Support Vector Machine). Hasil dari penelitian ini memiliki akurasi klasifikasi mencapai 95,4%.

DETEKSI DINI PENYAKIT IUGR (INTRA UTERINE GROWTH RETRICTION) DENGAN METODE SVM (SUPPORT VECTOR MACHINE)

<p><em>IUGR (INTRA UTERINE GROWTH RETRICTION) is a condition when the baby's growth stops before birth so the baby looks small and does not have normal growth like normal fetal growth patterns. The purpose of this study was to detect the fetus in the womb so as to know the condition of the baby is normal or IUGR by knowing the gestational age, bi-parietal diameter, abdominal circumference, head circumference, fetal length.The purpose of this study was to obtain an accurate prediction of IUGR with "value 0" meaning that IUGR disease was not detected, whereas "value 1" was detected symmetric IUGR disease and "value 2" was Asymmetric IUGR using the SVM method (Support Vector Machine) ) with 4 kernelsThere are 12 parameters of IUGR patients. Patient data were obtained from Jemursari SBY Hospital.</em><em> </em><em>In this experiment using the swarm particle optimization (PSO) as an algorithm selection feature. In experiments show that PSO can reduce the attributes of 12 attributes to 4 attributes</em><em>. </em><em>In experiments with this multiclass SVM method obtained an accuracy value of 96%</em><em>.</em></p><p><em><strong>Keywords</strong></em><em>: </em><em>IUGR, SVM</em></p><p><em></em><em>IUGR (INTRA UTERINE GROWTH RETRICTION) adalah adalah sebuah kondisi ketika pertumbuhan bayi berhenti sebelum dilahirkan sehingga bayi terlihat kecil dan tidak memiliki pertumbuhan yang normal seperti pola pertumbuhan janin yang normal. Tujuan dari penelitian ini adalah untuk mendeteksi janin dalam kandungan agar mengetahui kondisi bayi tersebut normal atau IUGR dengan cara mengetahui </em><em>usia kehamilan, diameter bi-parietal, lingkar perut, lingkar kepala, panjang fetus. </em><em>Tujuan penelitian ini adalah </em><em>untuk </em><em>memperoleh hasil prediksi yang tepat terhadap penyakit IUGR dengan “nilai 0” artinya tidak terdeteksi penyakit IUGR, sedangkan “nilai 1” adalah terdeteksi penyakit IUGR Simetrik dan “nilai 2” adalah IUGR Asimetrik dengan menggunakan metode SVM ( Support Vector Machine ) dengan 4 kernel. </em><em>T</em><em>erdapat 12 parameter dari pasien IUGR. Data pasien diperoleh dari RS Jemursari SBY. </em><em>Dalam percobaan ini </em><em>menggunakan optimasi partikel swarm ( PSO ) sebagai fitur pilihan algoritma. Dalam experimen menunjukkan bahwa PSO dapat mengurangi atribut dari 12 atribut menjadi 4 atribut. </em><em>Dalam percobaan dengan metode SVM multiclass ini memperoleh nilai akurasi sebesar 96%.</em></p><p><em><strong>Kata kunci</strong></em><em>: </em><em>IUGR, SVM</em></p>

Minería de Datos para Reconocimiento de Patrones en el Análisis de Seguridad Estática de Sistemas de Potencia ante Eventos de Contingencia

El presente artículo busca analizar la seguridad estática del sistema, aplicando técnicas avanzadas de minería de datos que permitan evaluar los patrones de seguridad de un sistema eléctrico de potencia en un análisis de estado estacionario ante eventos de contingencia N-1. Los datos son obtenidos a través de flujos de potencia, para efectuar simulaciones de Monte Carlo con scripts desarrollados en Python. Usando el software de simulación DIgSILENT PowerFactory se analizan 10000 escenarios, lo que permite considerar la incertidumbre del sistema según la naturaleza probabilística del mismo. Se calculan los índices de seguridad estática del sistema para clasificar los tipos de contingencias como segura, críticamente segura, insegura y altamente insegura. La minería de datos es desarrollada mediante un algoritmo programado en lenguaje Python con el cual se realiza el diseño del clasificador tipo máquina de soporte vectorial multiclase (SVM Multiclass) el cual es entrenado para determinar si una contingencia es segura o insegura. Los parámetros del SVM fueron obtenidos mediante una optimización con un algoritmo de evolución diferencial (Differential Evolution). Los resultados de la validación del clasificador demostraron que la técnica es muy efectiva para clasificar nuevas contingencias. La metodología se aplica a un sistema de prueba IEEE de 39 barras.

Analisis dan Implementasi Metode Gabor Filter dan Support Vector Machine pada Klasifikasi Sidik Jari

Pengolahan citra digital semakin diminati, salah satunya pada sistem biometrik. Sistem biometrik merupakan sistem dalam pengenalan berdasarkan pola atau ciri khusus yang dimiliki makhluk hidup terutama manusia. Jenis identifikasi biometrik yang umum digunakan adalah pengenalan sidik jari. Sidik jari banyak digunakan dalam kehidupan sehari-hari selama lebih dari 100 tahun karena penerimaan yang tinggi, permanen, akurat, dan keunikan. Kelebihan sidik jari tersebut disebabkan oleh minutiae yang merupakan garis atau guratan pada sidik jari yang berbeda-beda setiap individu. Klasifikasi sidik jari secara umum terbagi menjadi dua tahap yakni ekstraksi fitur serta klasifikasi fitur. <br /> <br /> Ektraksi fitur dapat dilakukan dengan cara filter seperti gabor filter dengan empat sudut orientasi yang berkisar 0, 45, 90 dan 135 derajat. Hasil dari ekstraksi ciri akan klasifikasi dengan tujutan identifikasi. Metode Support Vector Machine (SVM) dapat digunakan sebagai classifier untuk sistem biometrik sidik jari. SVM memiliki kernel trick yang berpengaruh pada akurasi yang dihasilkan. Digunakan SVM multiclass metode one-against-all dalam klasfikasi sidik jari untuk 25 kelas. Akurasi terbesar diperoleh oleh kernel Radial Basis Function (RBF) sebesar 73% untuk data awal dan 76% untuk penambahan data augmentasi