Articles

Found 3 Documents
Search

PARAMETER SIGMOID TRANSFORM CONTRAST ENHANCEMENT FOR DENTAL RADIOGRAPH CLASSIFICATION AND NUMBERING SYSTEM

Jurnal Ilmu Komputer dan Informasi Vol 8, No 2 (2015): Jurnal Ilmu Komputer dan Informasi (Journal of Computer Science and Information
Publisher : Faculty of Computer Science - Universitas Indonesia

Show Abstract | Original Source | Check in Google Scholar | Full PDF (609.272 KB)

Abstract

Dental record is a method that is used to identify a person. The identification process needs a system that could recognize each individual tooth automatically. The similar intensity level between the teeth and the gums is one of the main problem in tooth identification in a dental radiograph. The intensity problem could influence the segmentation process of the system. In this paper, we proposed a new contrast enhancement by using parameter sigmoid transform to increase the segmentation accuracy. There are five main steps in this method. The first step is to fix the contrast of the image with the proposed method. The next steps are to segment the teeth using horizontal and vertical integral projection, feature extraction, and classification using Support Vector Machine (SVM). The last step is teeth numbering. The experiment result using the proposed method have an accuracy rate of 88% for classification and 73% for teeth numbering.

Metode Hibrida K-Means dan Generalized Regression Neural Network Untuk Prediksi Arus Lalu Lintas

Jurnal Buana Informatika Vol 7, No 3 (2016): Jurnal Buana Informatika Volume 7 Nomor 3 Juli 2016
Publisher : Universitas Atma Jaya Yogyakarta

Show Abstract | Original Source | Check in Google Scholar

Abstract

Abstract. Traffic flow forecasting is a popular research topic in the development of Intelligent Transportation System. There have been many forecasting methods used for traffic flow forecasting, such as Generalized Regression Neural Network (GRNN) which has a fairly good accuracy. One of the GRNN’s characteristics is that the number of neurons in pattern layer increases as the number of training samples raise and this can cause overfitting problem. In this research, a hybrid method to predict traffic flow is proposed, that is K-means and GRNN algorithm. K-means method aims to solve overfitting problem in GRNN model by choosing training samples based on their similar characteristics. Leave One Out Cross Validation (LOOCV) is used to select an appropriate smoothing factor parameter at each GRNN’s model. Mean Absolute Percentage Error (MAPE) is used as the evaluation criterion in the testing process. The results show that the proposed method could improve the accuracy of predictions by reducing the value of MAPE by 0.82-3.81%. Keywords: Traffic flow forecasting, K-means, Generalized Regression Neural Network, Leave One Out Cross Validation  Abstrak. Prediksi arus lalu lintas telah menjadi tren topik penelitian untuk pengembangan sistem transportasi cerdas. Telah banyak metode yang digunakan terkait prediksi arus lalu lintas, diantaranya yaitu Generalized Regression Neural Network (GRNN) yang memiliki akurasi yang cukup baik. Salah satu karakteristik GRNN adalah jumlah neuron pada pattern layer akan bertambah seiring meningkatnya jumlah data latih yang akan mengakibatkan masalah overfitting. Dalam penelitian ini diusulkan metode hibrida K-means dan GRNN untuk prediksi arus lalu lintas. Metode K-means bertujuan untuk mengatasi masalah overfitting pada model GRNN dengan memilih data latih berdasarkan kemiripan karateristiknya. Algoritma Leave One Out Cross Validation (LOOCV) digunakan untuk memilih parameter smoothing factor terbaik pada setiap model GRNN. Mean Absolute Percentage Error (MAPE) digunakan sebagai kriteria evaluasi model prediksi. Hasil menunjukkan bahwa metode yang diusulkan dapat meningkatkan akurasi prediksi dengan penurunan nilai MAPE sebesar 0,82-3,81%.Kata Kunci: Prediksi arus lalu lintas, K-means, Generalized Regression Neural Network, Leave One Out Cross Validation

Prediksi Tingkat Kemiskinan Provinsi Gorontalo Menggunakan Metode Gabungan K-Means dan Generalized Regression Neural Network

Energy Vol 8 No 2 (2018): Jurnal ENERGY Vol. 8 No. 2 Edisi Nopember 2018
Publisher : Fakultas Teknik

Show Abstract | Original Source | Check in Google Scholar | Full PDF (212.805 KB)

Abstract

Penurunan tingkat kemiskinan menjadi hal penting dan menjadi fokus utama pemerintah Provinsi Gorontalo, karena merupakan salah satu daerah termiskin di Indonesia. Provinsi Gorontalo memiliki data persentasi penduduk miskin yang bersifat non linear. Salah satu aspek penting untuk mendukung strategi penanggulangan kemiskinan adalah tersedianya data kemiskinan yang akurat dan tepat sasaran. Sistem pengukuran yang diusulkan dalam penelitian ini menggunakan metode yang sangat cocok untuk data non linear. Generalized Regression Neural Network (GRNN) merupakan metode prediksi probabilistic neural network yang bersifat stabil dan cocok diterapkan pada data kemiskinan penduduk yang memiliki karakteristik yang beragam dan bersifat non linear. Peningkatan penggunaan jumlah data latih pada GRNN dapatmengakibatkan masalah overfitting sehingga berdampak pada penurunan performa hasil Prediksi. Dalam mengatasi hal tersebut, penelitian ini menggunakan metode K-Means dalam proses pemilihan data latih yang sesuai sehingga akan menghasilkan struktur jaringan yang lebih efisien atau model  GRNN dengan kinerja performa yang bagus. Uji coba dilakukan  dengan  membandingkan model  prediksi GRNN dengan model prediksi K-Means dan GRNN yang menggunakan data tingkat kemiskinan pada tahun 2016. Hasil uji coba menunjukkan bahwa besarnya nilai MAPE dari hasil uji coba prediksi tingkat kemiskinan pada tahun 2016 menghasilkan nilai MAPE sebesar 2.3%, sedangkan prediksi tingkat kemiskinan menggunakan metode GRNN saja memiliki nilai MAPE sebesar 2.9%. Kata Kunci  : prediksi, tingkat kemiskinan, GRNN, K-Means