KNN Dan Gabor Filter Serta Wiener Filter Untuk Mendiagnosis Penyakit Pneumonia Citra X-RAY Pada Paru-Paru

Pneumonia adalah salah satu jenis penyakit paru-paru yang disebabkan oleh bakteri, virus, jamur, ataupun parasit. Salah satu cara untuk mengetahui penyakit pneumonia adalah dengan rontgen atau x-ray. Hasil rontgen akan dianalisis untuk mengetahui apakah terdapat pneumonia atau tidak. Penelitian ini bertujuan untuk mengklasifikasi hasil rontgen apakah terdapat pneumonia atau tidak pada hasil rontgen. metode yang digunakan untuk klasifikasi adalah K-Nearest Neighbor (KNN) dan metode ekstraksi Gabor Filter serta Wiener Filter. Tahapan yang dilaukan pada citra sebelum di Klasifikasi yaitu Resize, selanjutnya dilakukan ekstraksi menggunakan Gabor Filter, Image Enhancement menggunakan Wiener Filter dan di klasifikasi menggunakan K-Nearest Neighbor (KNN) menghasilkan akurasi terbaik sebesar 79,62%.

Rancang Bangun Aplikasi Permainan EscapeMenggunakan Logika Fuzzy Dan Algoritma Floyd Warshall

Aplikasi permainan ESCAPE merupakan permainan yang mengandalkan player untuk keluar dari labirin tersebut. Penelitian ini menggunakan Logika Fuzzy untuk membuat perilaku komputer menjadi susah ditebak dan Floyd Warshall untuk membuat item jebakan menghalangi player saat bermain. Aplikasi permainan ini dibangun dan dirancang dengan menggunakan Unity 3D dan menggunakan metodologi prototype. Hasil uji dari data sampel menunjukkan bahwa logika fuzzy berhasil diterapkan dalam menentukan perilaku NPC. Hasil uji dari data sampel yang dilakukan menunjukkan bahwa kemunculan item jebakan berhasil diterapkan pada aplikasi permainan ESCAPE.

Perancangan Aplikasi Simulasi Penyelamatan Diri Dari Gempa Bumi

Menurut The World Risk Index tahun 2019, Indonesia berada pada peringkat 37 dari 180 negara paling rentan bencana. Pada tanggal 5 Agustus 2018 gempa bumi di Lombok menelan korban sebanyak 259 orang meninggal dunia, dan 1.033 mengalami luka berat. Kurangnya kesiap siagaan dan edukasi mengenai bencana gempa bumi menjadi salah satu faktor penyebab banyaknya jumlah korban. Maka dari itu dibuatlah sebuah aplikasi simulasi yang ditujukan untuk mengedukasi masyarakat supaya dapat mengetahui apa saja yang harus dilakukan pada saat terjadi gempa bumi. Aplikasi ini dibuat menggunakan metode prototyping untuk melakukan identifikasi masalah yang ada pada setiap kejadian gempa bumi. Tujuan dari pembuatan aplikasi ini adalah untuk memberikan pengetahuan tentang bagaimana cara menyelamatkan diri dari gempa bumi. Aplikasi ini berbentuk game yang mempunyai sudut pandang First Person yang mempunyai empat stage dan setiap stage mempunyai beberapa misi. Pemain harus menyelesaikan seluruh misi pada setiap stage agar dapat melanjutkan ke stage selanjutnya. Hasil dari penelitian ini yaitu menghasilkan sebuah aplikasi simulasi dalam cara menyelamatkan diri dari gempa bumi. Berdasarkan uji Black-Box yang telah dilakukan, diperoleh hasil uji coba bahwa aplikasi ini dapat dijalankan dengan baik dan sesuai dengan tujuan.

Perbandingan Tingkat Akurasi Pengenalan Kadar Semen Dan Pasir Pada Campuran Kering Berdasarkan Tingkat Resolusi Kamera Dengan Metode Pengenalan JST

Pasir dan semen merupakan salah satu material terbesar atau terpenting yang digunakan dalam proses pembangunan pada suatu bangunan atau gedung dan selalu digunakan oleh masyarakat. Masing-masing campuran memiliki takaran pasir dan semennya masing-masing, namun untuk orang biasa sulit untuk membedakan jenis-jenis campuran kering pada bangunan runtuh ataupun bangunan yang belum jadi. Penelitian ini membandingkan tingkat akurasi pengenalan kadar semen dan pasir pada campuran kering berdasarkan tingkat resolusi kamera dengan metode pengenalan Jaringan Saraf Tiruan. Jenis campuran yang digunakan antara lain dengan takaran 1semen 1pasir, 1semen 1,5pasir, 1semen 2pasir, 1semen 2,5pasir, 1semen 3pasir, dan 1semen 3,5pasir. Tingkat resolusi kamera yang digunakan ada 5 antara lain 3MP, 5MP, 8MP, 10MP, 12MP, dan menggunakan jarak pemotretan ±9cm. Metode pengenalan menggunakan Jaringan Syaraf Tiruan dan ekstrasi fitur menggunakan GLCM(Gray Level Co-Occurrence Matrix) yang terdiri dari Entropy, Standard Deviation, Contrast, Angular Second Moment(ASM)/ Homogeneity, Correlation, dan Inverse Different Moment(IDM)/ Energy. Hasil perhitungan tertinggi dalam pengenalan jenis campuran kering berdasarkan tingkat resolusi kamera ialah pada resolusi kamera 12MP dengan jumlah pengenalan sebanyak 105 dari 120 data uji, sehingga menghasilkan tingkat akurasi sebesar 87,5%.

Perbandingan Akurasi Pengenalan Kadar Semen Dan Pasir Berdasarkan Ukuran Citra Dengan Backpropagation

Penelitian ini mengangkat topik terkait dengan identifikasi jenis campuran semen dan pasir pada material yang sudah kering menggunakan kecerdasan buatan. Namun belum diketahui pada ukuran citra berapa yang memiliki tingkat pengenalan yang terbaik dalam penelitian tersebut. Penelitian ini membandingkan tingkat akurasi pengenalan kadar semen dan pasir berdasarkan ukuran citra. Jenis campuran semen dan pasir yang digunakan adalah 1:1, 1:1.5, 1:2, 1:2.5, 1:3, dan 1:3.5. Data yang digunakan sebanyak 570 citra yang terdiri dari 450 citra latih dan 120 citra uji pada setiap ukuran citranya. Metode pengenalan menggunakan jaringan syaraf tiruan dengan algoritma backpropagation, dengan input berupa nilai tekstur dari hasil ekstraksi ciri menggunakan fitur GLCM dari citra campuran semen dan pasir. Pengujian sistem dilakukan dengan variasi ukuran cropping citra yaitu 550x550 piksel, 450x450 piksel, 350x350 piksel, 250x250 piksel, dan 150x150 piksel. Tingkat akurasi tertinggi didapatkan pada ukuran citra 550x550 piksel yaitu sebesar 89.17% dengan hasil pengenalan sebanyak 107 dari 120 data uji. Hasil dari penelitian ini dapat digunakan sebagai referensi pada penelitian lanjutan dengan objek karakter sejenis ataupun objek yang sama.

Klasifikasi Pneumonia Pada Citra X-Rays Paru-Paru Menggunakan GLCM Dan LVQ

Pneumonia merupakan salah satu penyakit infeksi saluran pernafasan yang ditanda dengan peradangan pada satu atau kedua paru-paru yang dapat disebabkan oleh jamur, virus, dan bakteri yang menyebabkan kantung udara sulit menyerap oksigen. Salah satu cara yang dapat digunakan untuk mendeteksi adanya penyakit pneumonia adalah dengan foto rontgen, hasil foto rontgen akan dianalisis oleh orang yang ahli dalam bidang tersebut untuk memastikan apakah adanya pneumonia atau tidak. Penelitian ini dilakukan dengan tujuan untuk mengklasifikasikan hasil x-rays kedalam sebuah program untuk mengetahui apakah terdapat pneumonia atau tidak. Metode yang digunakan untuk ekstraksi fitur adalah Gray Level Co-Occurrence Matrix (GLCM) dengan arah 0°, 45°, 90°, 135° dan metode klasifikasi Learning Vector Quantization (LVQ). Proses sebelum dilakukan klasifikasi yaitu melakukan resize terlebih dahulu, selanjutnya dilakukan ekstraksi fitur menggunakan Gray Level Co-Occurrence Matrix (GLCM) dan di klasifikasi menggunakan Learning Vector Quantization (LVQ) dengan akurasi data train terbaik sebesar 89,714% dan akurasi data test yang terbaik sebesar 74,000% yang didapat pada pengujian dengan learning rate = 0,4.

Klasifikasi Sampah Daur Ulang Menggunakan Support Vector Machine Dengan Fitur Local Binary Pattern

Garbage is one of the problems that always arise in Indonesia and even in the world. Increasingly, the production of waste is increased along with the increase in population and consumption. Therefore, need a prevention to stop wasting or producing garbage through recycle. This research do garbage recycle classification of cardboard, glass, metal, paper and plastic by using Local Binary Pattern (LBP) texture feature extraction methode and Support Vector Machine (SVM) as classification methode. For examination technic and dataset distribution is using K-Fold Cross Validation methode type Leave One Out (LOO). From examination result had been done were using fold 5 until fold 10. Polynomial kernel get highest accuracy result from every fold used with mean point 87.82%. Based on SVM classification examination result whether linear kernel, polynomial nor gaussian by using fold 5 until fold 10. The best accuracy point for cardboard garbage is 96.01%. For glass garbage, the best accuracy point is 90.62%. Then, metal garbage get the best accuracy point 89.72%. While paper garbage with highest accuracy point 96.01%. And plastic garbage with highest accuracy point 87.64%.

Perbandingan Algoritma LVQ dan RBFNN Untuk Identifikasi Glaukoma dan Diabetes Retinopati Pada Citra Fundus

Penyakit mata merupakan salah satu masalah kesehatan utama pada semua orang terutama pada kaum lansia, penyakit mata yang paling umum menyerang lansia diantaranya adalah glaukoma dan retinopati diabetes. Penyakit glaukoma dan diabetes retinopati dapat diketahui melalui citra fundus. Pada penelitian ini telah dilakukan perbandingan algoritma Learning Vector Quantization dengan Radial Basis Function Neural Network untuk klasifikasi penyakit glaukoma dan diabetes retinopati (accuracy, precision, recall) berdasarkan citra fundus resolusi tinggi. Dataset yang digunakan berjumlah 45 citra fundus yang terdiri dari 15 citra fundus terjangkit glaukoma, 15 citra fundus terjangkit diabetes retinopati dan 15 citra fundus mata normal. Pada perhitungan dengan confusion matrix hasil tertinggi didapatkan pada algoritma radial basis function neural network dengan spread=20 dan MN=10 menghasilkan rata-rata accuracy sebesar 81,06%, precision sebesar 80,83% dan recall sebesar 73,33% jika dibandingkan dengan algoritma learning vector quantization dengan lvqnet=50 dan epoch=45 menghasilkan rata-rata accuracy sebesar 80,85%, precision sebesar 73,33% dan recall sebesar 77,14%.

IDENTIFIKASI JENIS TEPUNG TERIGU PADA ROTI GORENG BERDASARKAN FITUR LBP DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN

Penelitian ini tentang mengidentifikasi jenis tepung terigu pada goreng dengan menggunakan metode jaringan saraf tiruan. Jenis tepung terigu yang digunakan adalah kunci biru, sania, dan segitiga biru. Metode pengenalan yang digunakan adalah backpropagation . Hasil pengujian yang dilakukan menggunakan ukuran pixel 450x450px, jarak potret sejauh ±20 cm, resolusi kamera 16MP, menggunakan data latih sebanyak 100 citra/jenis dan data uji sebanyak 80 citra/jenis serta dengan menggunakan ekstraksi ciri Local Binary Pattern maka didapatkan hasil berupa tingkat akurasi sebesar 68,57%, presisi sebesar 53,33% dan recall sebesar 54,47%.

Implementasi Metode Convolutional Neural Network Menggunakan Arsitektur LeNet-5 untuk Pengenalan Doodle

Recognition of objects to date has been widely applied in various fields, for example in handwritten recognition. This research utilizes the ability of CNN to use LeNet-5 architecture for the introduction of doodle types with 5 object images, namely clothes, pants, chairs, butterflies and bicycles. Each doodle object consists of 30 images with a total dataset of 150 images. The test results show that the first, second and fourth scenarios of bicycle objects are more recognized with an accuracy value of 93% - 98%, recall 86% - 93% and precision 81% - 93%, clothes objects are more recognized in the third scenario with an accuracy value of 94%, 86% recall, and 83% precision.