Vincent Suhartono
Universitas Dian Nuswantoro

Published : 5 Documents
Articles

Found 5 Documents
Search

INTEGRASI FUZZY C-MEANS DAN METODE LEVEL SET UNTUK OTOMATISASI SEGMENTASI CITRA MEDIS Wijanarko, Rony; Pramunendar, Ricardus Anggi; Suhartono, Vincent
Prosiding Seminar Nasional Sains Dan Teknologi Fakultas Teknik Vol 1, No 1 (2014): PROSIDING SEMINAR NASIONAL SAINS DAN TEKNOLOGI 5 2014
Publisher : Prosiding Seminar Nasional Sains Dan Teknologi Fakultas Teknik

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Segmentasi pada citra medis, seperti X-Rays, Magnetic Resonance (MR), Computer Tomography  (CT), Positron Emission Tomography (PET), dan lain-lain merupakan langkah awal yang penting dan sangat menentukan proses analisis data medis dalam visualisasi data pasien dan sebagai panduan dalam operasi.Masalah segmentasi  citra medis menjadi sulit, ketika citra yang di proses memiliki resolusi rendah ,kontras yang lemah, dan memiliki banyak noise.Pada penelitian ini penulis mengusulkan Integrasi Metode Fuzzy C-Means untuk otomatisasi penentuan parameter pada metode level set sehingga dapat  di gunakan  untuk segmentasi citra medis secara universal. Data awal diolah dengan menggunakan FCM untuk mendapatkan pusat cluster, dari data image fcm yang didapatkan kemudian proses segmentasi dilanjutkan dengan menggunakan metode level set  untuk mendapatkan segmentasi yang lebih baik.Kinerja metode segmentasi citra medis dengan menggunakan metode ini meningkat dengan data pengukuran hasil experimen adalah Accuracy 97.99, Precission 95.47, Recall 95.20, AUC 0.96 ( excellent classification), Kappa 0.94 (Almost Perfect / perfect) dan RMSE 0.14. Selain itu Metode yang diusulkan juga mampu mempersingkat waktu pemrosesan untuk melakukan segmentasi citra medis. Kata kunci: citra medis, Fuzzy C- Means, metode level set, segmentasi
Analisis Keranjang Pasar Menggunakan K-Medoids Dan FP-Growth Triyanto, Wiwit Agus; Suhartono, Vincent; Himawan, H.
Jurnal Pseudocode Vol 1, No 2 (2014)
Publisher : Universitas Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Analisis keranjang pasar (juga disebut dengan penambangan aturan hubungan)  adalah salah satu metode penambangan data yang memfokuskan pada penemuan pola pembelian dengan mengekstrak hubungan atau kejadian dari data transaksi pasar. Mendapatkan pola pembelian sangat penting karena dapat membantu dalam menyusun strategi rekomendasi dan promosi produk. Ada banyak algoritma yang dapat digunakan untuk menemukan pola hubungan, seperti Apriori dan FP-Growth. Namun ada beberapa kendala teknis yang berhubungan dengan teknik rekomendasi yang biasa digunakan, aturan hubungan sering kali mengabaikan kumpulan item yang banyak. Untuk mengatasi hal ini, atribut yang ada dikelompokkan berdasarkan atribut yang sama dan kemudian ditentukan hubungan antar pola dalam setiap grup. Penelitian ini akan menggunakan algoritma K-Medoid untuk pengklusteran data penjualan dan menerapkan algoritma FP-Growth untuk mendekati hubungan tiap kluster. Sehingga rekomendasi produk kepada konsumen dapat lebih akurat karena kelompok data yang akan dihubungkan menjadi lebih kecil. Nilai minimum yang mendukung eksperimen yaitu 10%-100% dan nilai minimum kepercayaan adalah 10%-100%. Dari pengukuran menggunakan rasio dukungan, kepercayaan, dan kenaikan ditemukan bahwa terdapat banyak aturan yang salah pada kluster kelima.Kata kunci: Analisis Keranjang Pasar, Rekomendasi Produk, Promosi Produk, Association Rule Mining, K-Medoids, FP-Growth
Color and Texture Feature Extraction Using Gabor Filter - Local Binary Patterns for Image Segmentation with Fuzzy C-Means Wicaksono, Yanuar; Wahono, Romi Satria; Suhartono, Vincent
Journal of Intelligent Systems Vol 1, No 1 (2015)
Publisher : IlmuKomputer.Com

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1514.261 KB)

Abstract

Image segmentation to be basic for image analysis and recognition process. Segmentation divides the image into several regions based on the unique homogeneous image pixel. Image segmentation classify homogeneous pixels basedon several features such as color, texture and others. Color contains a lot of information and human vision can see thousands of color combinations and intensity compared with grayscale or with black and white (binary). The method is easy to implement to segementation is clustering method such as the Fuzzy C-Means (FCM) algorithm. Features to beextracted image is color and texture, to use the color vector L* a* b* color space and to texture using Gabor filters. However, Gabor filters have poor performance when the image is segmented many micro texture, thus affecting the accuracy of image segmentation. As support in improving the accuracy of the extracted micro texture used method of Local Binary Patterns (LBP). Experimental use of color features compared with grayscales increased 16.54% accuracy rate for texture Gabor filters and 14.57% for filter LBP. While the LBP texture features can help improve the accuracy of image segmentation, although small at 2% on a grayscales and 0.05% on the color space L* a* b*. Keywords: Texture and Color, Image Segmentation, Local Binary Pattern, Gabor Filter, Fuzzy c-Means
Pemilihan Parameter Smoothing pada Probabilistic Neural Network dengan Menggunakan Particle Swarm Optimization untuk Pendeteksian Teks Pada Citra Saputri, Endah Ekasanti; Wahono, Romi Satria; Suhartono, Vincent
Journal of Intelligent Systems Vol 1, No 1 (2015)
Publisher : IlmuKomputer.Com

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (563.973 KB)

Abstract

Teks sering dijumpai di berbagai tempat seperti nama jalan, nama toko, spanduk, penunjuk jalan, peringatan, dan lain sebagainya. Deteksi teks terbagi menjadi tiga pendekatan yaitu pendekatan tekstur, pendekatan edge, dan pendekatan Connected Component. Pendekatan tekstur dapat mendeteksi teks dengan baik, namun membutuhkan data training yang banyak. Probabilistic Neural Netwok (PNN) dapat mengatasi permasalahan tersebut. Namun PNN memiliki permasalahan dalam menentukan nilai parameter smoothing yang biasanya dilakukan secara trial and error. Particle Swarm Optimization (PSO) merupakan algoritma optimasi yang dapat menangani permasalahan pada PNN. Pada penelitian ini, PNN digunakan pada pendekatan tekstur guna menangani permasalahan pada pendekatan tekstur, yaitu banyaknya data training yang dibutuhkan. Selain itu, digunakan PSO untuk menentukan parameter smoothing pada PNN agar akurasi yang dihasilkan PNN-PSO lebih baik dari PNN tradisional. Hasil eksperimen menunjukkan PNN dapat mendeteksi teks dengan akurasi 75,42% hanya dengan mengunakan 300 data training, dan menghasilkan 77,75% dengan menggunakan 1500 data training. Sedangkan PNN-PSO dapat menghasilkan akurasi 76,91% dengan menggunakan 300 data training dan 77,89% dengan menggunakan  1500 data training. Maka dapat disimpulkan bahwa PNN dapat mendeteksi teks dengan baik walaupun data training yang digunakan sedikit dan dapat mengatasi permasalahan pada pendekatan tekstur. Sedangkan, PSO dapat menentukan nilai parameter smoothing pada PNN dan menghasilkan akurasi yang lebih baik dari PNN tradisional, yaitu dengan peningkatan akurasi sekitar 0,1% hingga 1,5%. Selain itu, penggunaan PSO pada PNN dapat digunakan dalam menentukan nilai parameter smoothing  secara otomatis pada dataset yang berbeda. 
PENERAPAN BAGGING UNTUK PENINGKATAN AKURASI KLASIFIKASI TEMA TUGAS AKHIR MENGGUNAKAN ALGORITMA BACKPROPAGATION NEURAL NETWORK Sulasmoro, Arfan Haqiqi; Supriyanto, Catur; Suhartono, Vincent
Prosiding Seminar Nasional IPTEK Terapan (SENIT) 2016 Pengembangan Sumber Daya Lokal Berbasis IPTEK Vol 1, No 1 (2016): PROSIDING SEMINAR NASIONAL IPTEK TERAPAN 2016
Publisher : Prosiding Seminar Nasional IPTEK Terapan (SENIT) 2016 Pengembangan Sumber Daya Lokal Berbasis IPTEK

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (832.734 KB)

Abstract

Pertumbuhan jumlah mahasiswa membutuhkan penanganan dalam upaya menjaga keseimbangan kualitas kelulusan pada perguruan tinggi swasta. Pengelompokan tema tugas akhir mahasiswa di sebuah pendidikan tinggi swasta dengan melihat hasil studi untuk tiap-tiap matakuliah yang diberikan dengan melihat histori nilai tiap-tiap semester untuk matakuliah tertentu diharapkan dapat membantu dalam penyelesaian tugas akhir. Pada penelitian ini mencoba menerapkan metode Neural network dengan struktur Backpropagation untuk melakukan klasifikasi tema tugas akhir di program studi DIII Teknik Komputer Politeknik Harapan Bersama Tegal dengan evaluation pattern menggunakan aplikasi rapidminer 5.2. Penerapan metode ini bertujuan untuk mendapatkan hasil klasifikasi tema tugas akhir dengan BPNN. Hasil dari penelitian menunjukkan bahwa penerapan metode bagging pada proses training dapat meningkatkan nilai accuracy dalam mengklasifikasi tema tugas akhir menggunakan algoritma Backpropagation Neural Network. Kata kunci : Klasifikasi, backpropagation, neural network, Bagging.