Sistem pengenalan retina mata dengan metode JST SOM untuk deteksi retinopati diabetes

Mata merupakan indera penting bagi manusia. Penyakit yang banyak merusak fungsi mata adalah retinopati diabetes. Retinopati diabetes merupakan komplikasi mikrovaskular yang dapat terjadi pada pasien diabetes dan menyerang fungsi penglihatan. Gejala klinis dari penyakit ini adalah munculnya mikroaneurisma yang merupakan pembengkakan pembuluh darah berukuran mikro dan dapat terlihat sebagai titik-titik kemerahan pada retina. Sistem pengenalan retina mata ini menjadi alternatif baru yang bisa digunakan untuk mendeteksi penyakit retinopati diabetes agar dapat dilakukan penanganan lebih dini. Proses pengenalan retina mata berbasis jaringan syaraf tiruan ini dilakukan dengan mengambil data citra retina yang diolah dengan menggunakan Operator laplacian. Kemudian dilakukan ekstraksi ciri dengan metode PCA ( Principal Component Analysis) digunakan sebagai data masukan pada proses JST SOM dalam proses pelatihannya agar dapat mengambil keputusan mengenai ada atau tidaknya Retinopati diabetes pada pasien.

Ruang Lingkup Jaringan Syaraf Tiruan

Secara umum, ada 2 algoritma pembelajaran pada jaringan syaraf, yaitu algoritma pembelajaran terawasi (supervised learning) dan algoritma pembelajaran tak terawasi (unsupervised learning).

Algoritma supervised learning, antara lain :

• Algoritma pembelajaran Hebb. Algoritma pembelajaran yang paling sederhana ini biasanya digunakan sebagai dasar untuk algoritma pembelajaran yang lebih kompleks.
• Algoritma pembelajaran delta rule, Adaline, Madaline
• Backpropagation(BP), terdiri dari algoritma BP standar (gradient descent dan gradient descent dengan momentum), algoritma BP dengan perbaikan menggunakan teknik heuristic (gradient descent dengan learning rate adaptif, gradient descent dengan momentum dan learning rate adaptif, dan resilent backpropagation), BP dengan perbaikan menggunakan optimasi numeris (algoritma-algoritma dengan conjugate gradient, algoritma quasi Newton dan algoritma Levenberg-marquart)
• Learning Vector Quantization (LVQ). Algoritma pembelajaran ini biasanya digunakan untuk penyelesaian masalah klasifikasi.
• Jaringan basis radial. Algoritma pembelajaran ini sangat handal digunakan untuk penyelesaian masalah peramalan (forecasting).
• Jaringan probabilistik. Algoritma pembelajaran ini digunakan untuk penyelesaian masalah klasifikasi.

Sedangkan algoritma pembelajaran yang termasuk unsupervised learning adalah self organizing map.

Ruang Lingkup Sistem Fuzzy

Beberapa bahasan yang dapat dikaji pada sistem fuzzy antara lain :

• Sistem inferensi fuzzy (fuzzy inference system) , beberapa metode yang sering digunakan antara lain : Metode Mamdani, Metode TSK dan metode Tsukamoto.
• Fuzzy clustering, metode yang sering digunakan antara lain : fuzzy c mean (FCM) dan fuzzy subtractive clustering.
• Fuzzy mathematical programming, antara lain : fuzzy linear programming, fuzzy integer transportation problem, fuzzy multi objective linear programming, dll
• Fuzzy Multi Criteria Decision Making (FMCDM).

SISTEM IDENTIFIKASI WAJAH DENGAN METODE WAVELET BLOCK FEATURE (WBF)

Sistem identifikasi biometric wajah adalah suatu sistem pengenalan individu dengan menggunakan ciri-ciri biometric wajah dari individu bersangkutan. Ada 3 isu utama yang digunakan untuk mengukur kehandalan sistem identifikasi citra, yaitu: pertama, tingkat kesuksesan (success rate) yang tinggi, kedua, waktu yang dibutuhkan dalam proses identifikasi harus cepat, dan ketiga, kemampuan sistem identifikasi bila diterapkan pada database berskala besar. Sistem identifikasi menerima satu citra masukan (citra query) yang akan diidentifikasi dan satu citra keluaran sebagai hasil identifikasi. Sistem identifikasi biometric wajah yang dirancang pada penelitian ini terdiri dari 2 bagian sistem, yaitu : sistem image querying dan sistem pengenalan (image recognition). Sistem image querying bertujuan untuk menyaring sejumlah kecil citra yang mirip dengan citra query dari keseluruhan citra yang ada pada database citra. Sedangkan sistem pengenalan bertujuan untuk mengidentifikasi satu citra diantara sejumlah kecil citra hasil proses query, sebagai hasil dari proses identifikasi. Pada penelitian ini, sistem image querying menggunakan metode metrika Lq, sedangkan sistem pengenalan menggunakan metode Wavelet Block Feature (WBF). Pengujian terhadap tingkat kehandalan (performance) sistem identifikasi dilakukan dengan menggunakan berbagai variasi citra query wajah dan menggunakan database berukuran 150 citra, dengan setiap individu diwakili oleh 1 citra referensi. Hasil penelitian menunjukkan metode WBF memiliki tingkat kehandalan yang tinggi karena mampu memberikan tingkat kesuksesan rata-rata di atas 85%, dengan waktu identifikasi kurang dari 0.5 detik dan dapat diterapkan pada ukuran database berskala besar.

PENGENALAN POLA EPILEPTIC SPIKES PADA REKAMAN EEG DENGAN MENGGUNAKAN WAVELET NEURAL NETWORK

Epilepsi adalah salah satu kelainan otak yang dapat dianalisa dengan EEG. Gejala epilepsi ditandai adanya epileptic spikes pada rekaman EEG. Dalam mendeteksi dan mengklasifikasikan spikes ini, para dokter ahli syaraf masih mengandalkan pada pengamatan langsung dari rekaman EEG. Dalam membaca rekaman EEG terdapat beberapa hal yang menyebabkan kesulitan, diantaranya adalah karena banyaknya data, adanya artefact serta normal variant. Hal ini telah mengilhami para peneliti untuk menyusun suatu algoritma komputer untuk mengenali pola epileptic spikes pada rekaman EEG penderita epilepsi. Pada tesis ini akan dipaparkan penggunaan algoritma Wavelet Neural Network (WNN) untuk mengenali epileptic spikes pada rekaman EEG. Algoritma ini menggabungkan kelebihan yang dimiliki oleh Artificial Neural Network, yang dikenal memiliki kemampuan yang baik dalam mengenali suatu fungsi/pola tertentu, dan analisa wavelet yang memiliki kemampuan mengekstraksi karakteristik sinyal non-stasioner. Dari hasil penelitian pada tesis ini, algoritma WNN mampu mengenali pola epileptic spike dengan baik, hanya saja algoritma WNN masih memiliki kelemahan dalam kemampuan generalisasi. Berdasarkan kriteria detectability dan sensitivity yang digunakan pada tesis ini, algoritma WNN memiliki kinerja yang lebih baik dibandingkan dengan algoritma backpropagation neural network.

PENGGUNAAN METODE WAVELET HAAR UNTUK MENYELESAIKAN MASALAH KALKULUS VARIASI

Wavelet atau gelombang singkat merupakan keluarga baru dari fungsi basis yang digunakan untuk memperkirakan suatu fungsi. Ide dasar dari wavelet adalah menganalisa menurut skala melalui representasi basis. Basis wavelet yang digunakan adalah basis yang paling sederhana yaitu basis wavelet Haar. Wavelet Haar ini dapat digunakan untuk menyelesaikan masalah kalkulus variasi yaitu mencari suatu lintasan atau grafik suatu fungsi yang mempunyai syarat tertentu. Masalah kalkukus variasi yang dibahas adalah suatu fungsi dengan nilai awal diketahui tetapi nilai akhir tidak diketahui dan nilai awal dan nilai akhir diketahui. Pertidaksamaan Wirtingers merupakan pertidaksamaan yang berhubungan dengan fungsi integal dapat divalidasi dengan meninjaunya sebagai suatu masalah kalkulus variasi dengan nilai awal dan nilai akhir diketahui.

Multi-Criterion Decision-Making Tools for Wastewater Planning Management

Wastewater planning management is a complex problem involving agricultural, rural and industrial interests. In countries facing rapid population growth, identifying methods that can allow them to take good decisions among several competitive alternatives is of utmost importance. The purpose of this paper is to present a methodology for a wastewater planning management system using a Multi-criterion Decision-making (MCDM) method based on utility function. It allows one to take into account a multiple conflicting multi criterion context in terms of objective specification, criteria, criterion scales and construction of a payoff matrix that consists of the alternative versus criteria array. These objectives deal with groundwater protection, effluent quality, wastewater reuse, system reliability and resources needed. A number of wastewater treatment techniques are presented as alternative action plans from which the most satisfying alternative is to be chosen. In order to select on appropriate management scheme, we propose to use the UTA (Utility Additive) method. This method is interactive and permits the decision maker (DM) to select the best solution according to his viewpoint . The UTA method proceeds in two steps: the assessment of optimal utility using piecewise linear programming techniques and sensitive analysis using a post – optimal procedure. An application of UTA  method in wastewater planning management system is presented for the first time and some extensions of the method are discussed.

Fullpaper

Penentuan tingkat buta warna berbasis HIS pada citra Ishihara

Buta warna adalah keadaan dimana seseorang tidak dapat membedakan warna tertentu yang dapat dilihat jelas oleh orang dengan mata normal. Untuk mengetahui keadaan buta warna pada seseorang selama ini adalah dengan menggunakan plates citra Ishihara. Plates Ishihara yang biasa digunakan masih terbatas pada warna merah dan hijau, sehingga belum dapat mengetahui tingkatan buta warna yang dialami oleh seseorang.
Pada penelitian ini dilakukan manipulasi terhadap citra Ishihara yang berwarna merah-hijau menjadi biru-kuning. Program manipulasi dibuat dengan menggeser nilai hue, intensity, dan saturation (HIS) dari citra Ishihara. Plates Ishihara merah-hijau dan biru-kuning kemudian dijadikan sampel pada simulasi pertama untuk tes buta warna. Simpulan dari hasil simulasi pertama menjadi acuan bagi simulasi kedua yang menggunakan sebuah citra warna. Hasil simulasi kedua ini merupakan simpulan akhir yang menentukan tingkat buta warna pada seseorang. Dari simulasi yang dilakukan dapat disimpulkan bahwa sistem yang dibuat dapat mengklasifikasikan penderita buta warna sesuai dengan tingkatannya serta mampu memvisualisasikan warnawarna yang dilihat oleh penderitanya.

Optimasi Query database dengan algoritma genetika

Algoritma genetik adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi biologis. Proses algoritma genetik menggabungkan proses seleksi, penggunaan operator crossover (penyilangan) dan mutasi untuk mendapatkan solusi terbaik. Dua metode crossover yang dapat digunakan untuk menyelesaikan masalah optimasi query database ini, yaitu M2S crossover dan CHUNK crossover.
Penggunaan dua metode crossover tersebut akan diuji dan dianalisa hasilnya, untuk mengetahui metode crossover apa yang terbaik yang dapat digunakan untuk menyelesaikan masalah optimasi query database, dengan mencari nilai minimum.
Hasil yang dicapai dengan algoritma genetik dapat mencapai solusi yang optimum. Semakin besar nilai parameter (Pc, Popsize dan Maxgen) maka hasilnya akan semakin akurat. Sebaliknya nilai Pm tidak perlu terlalu besar karena akan membuat hasil akhir kurang akurat. Namun demikian, hasil pengujian selanjutnya dapat saja berbeda karena komponen algoritma genetik berbasis pada fungsi random.

Algoritma Genetika

Algoritma genetika merupakan sebuah algoritma pencarian yang dikembangkan berdasarkan mekanika seleksi alami dan genetika alami oleh Holland dan dilanjutkan oleh Goldberg. Algoritma genetika bekerja menggunakan kode dari parameter yang menjadi permasalahan. Parameter problem tersebut dikodekan menjadi sebuah kromosom. Setiap kromosom terdiri dari bagian-bagian yang disebut gen. Gen – gen ini dapat berupa angka biner (‘1’ atau ‘0’), sehingga kromosom yang terbentuk merupakan deretan string biner. Pencarian solusi pada algoritma ini melibatkan sejumlah populasi dari titik-titik pada ruang parameter. Setiap titik tersebut disebut individu. Variabel dan parameter yang digunakan yaitu fitness (nilai hasil evaluasi obejctive function) untuk menentukan tingkat kesesuaian suatu individu dengan kriteria yang ingin dicapai, populasi jumlah individu per generasi, probabilitas terjadinya crossover pada suatu generasi, probabilitas terjadinya mutasi, serta banyaknya generasi yang dilibatkan. Algoritma akan dihentikan setelah mencapai 1000 generasi.

Algoritma FMADM

Algoritma FMADM adalah:
1. Memberikan nilai setiap alternatif (Ai) pada setiap kriteria (Cj) yang sudah ditentukan, dimana nilai tersebut di peroleh berdasarkan nilai crisp; i=1,2,…m dan j=1,2,…n.
2. Memberikan nilai bobot yang juga didapatkan berdasarkan nilai crisp.
3. Melakukan normalisasi matriks dengan cara menghitung nilai rating kinerja ternormalisasi (rij) dari alternatif Ai pada atribut Cj berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan/benefit=MAKSIMUM atau atribut biaya/cost=MINIMUM). Apabila berupa atribut keuntungan maka nilai crisp (Xij) dari setiap kolom atribut dibagi dengan nilai crisp MAX (MAX Xij) dari tiap kolom, sedangkan untuk atribut biaya, nilai crisp MIN (MIN Xij) dari tiap kolom atribut dibagi dengan nilai crisp (Xij) setiap kolom.
4. Melakukan proses perankingan dengan cara mengalikan matriks ternormalisasi (R) dengan nilai bobot (W).
5. Menentukan nilai preferensi untuk setiap alternatif (Vi) dengan cara menjumlahkan hasil kali antara matriks ternormalisasi (R) dengan nilai bobot (W). Nilai Vi yang lebih besar mengindikasikan bahwa alternatif Ai lebih terpilih. ( Kusumadewi , 2007).

FMADM metode SAW. Adapun langkah-langkahnya adalah:
1. Menentukan kriteria-kriteria yang akan dijadikan acuan dalam pengambilan keputusan, yaitu Ci.
2. Menentukan rating kecocokan setiap alternatif pada setiap kriteria.
3. Membuat matriks keputusan berdasarkan kriteria (Ci), kemudian melakukan normalisasi matriks berdasarkan persamaan yang disesuaikan dengan jenis atribut (atribut keuntungan ataupun atribut biaya) sehingga diperoleh matriks ternormalisasi R.
4. Hasil akhir diperoleh dari proses perankingan yaitu penjumlahan dari perkalian matriks ternormalisasi R dengan vektor bobot sehingga diperoleh nilai terbesar yang dipilih sebagai alternatif terbaik (Ai) sebagai solusi.
(Kusumadewi, 2006).

Fuzzy Multiple Attribute Decision Making

Fuzzy Multiple Attribute Decision Making (FMADM) adalah suatu metode yang digunakan untuk mencari alternatif optimal dari sejumlah alternatif dengan kriteria tertentu. Inti dari FMADM adalah menentukan nilai bobot untuk setiap atribut, kemudian dilanjutkan dengan proses perankingan yang akan menyeleksi alternatif yang sudah diberikan. Pada dasarnya, ada 3 pendekatan untuk mencari nilai bobot atribut, yaitu pendekatan subyektif, pendekatan obyektif dan pendekatan integrasi antara subyektif & obyektif. Masing-masing pendekatan memiliki kelebihan dan kelemahan. Pada pendekatan subyektif, nilai bobot ditentukan berdasarkan subyektifitas dari para pengambil keputusan, sehingga beberapa faktor dalam proses perankingan alternatif bisa ditentukan secara bebas. Sedangkan pada pendekatan obyektif, nilai bobot dihitung secara matematis sehingga mengabaikan subyektifitas dari pengambil keputusan. ( Kusumadewi, 2007).
Ada beberapa metode yang dapat digunakan untuk mnyelesaikan masalah FMADM. antara lain (Kusumadewi, 2006):
a. Simple Additive Weighting Method (SAW)
b. Weighted Product (WP)
c. ELECTRE
d. Technique for Order Preference by Similarity to Ideal Solution (TOPSIS)
e. Analytic Hierarchy Process (AHP)