Klasifikasi Citra Rekaman Sinyal Elektrokardiogram Menggunakan Metode Analisis Tekstur, K-Nn Dan Multilayer Perceptron

Sofie, Mohamad; Rizal, Achmad

doi:10.24176/simet.v7i1.509

Cited by 3 publications

(3 citation statements)

References 5 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Each perceptron is connected to form layers (layers). Each MLP [24] consists of one input layer (input layer), one or more hidden layers (hidden layer), and one output layer (output layer), as Figure 7. In Figure 7, the input layer is denoted by X, the hidden layer is denoted by Z, and the output layer is denoted by Y.…”

Section: Multilayer Perceptron (Mlp)mentioning

confidence: 99%

Identification of White Blood Cells Using Machine Learning Classification Based on Feature Extraction

Musliman

Fadlil

Yudhana

2021

join

View full text Add to dashboard Cite

In various disease diagnoses, one of the parameters is white blood cells, consisting of eosinophils, basophils, neutrophils, lymphocytes, and monocytes. Manual identification takes a long time and tends to be subjective depending on the staff's experience, so the automatic identification of white blood cells will be faster and more accurate. White blood cells are identified by examining a colored blood smear (SADT) and examined under a digital microscope to obtain a cell image. Image identification of white blood cells is determined through HSV color space segmentation (Hue, Saturation Value) and feature extraction of the Gray Level Cooccurrence Matrix (GLCM) method using the Angular Second Moment (ASM), Contrast, Entropy, and Inverse Different Moment (IDM) features. The purpose of this study was to identify white blood cells by comparing the classification accuracy of the K-nearest neighbor (KNN), Naïve Bayes Classification (NBC), and Multilayer Perceptron (MLP) methods. The classification results of 100 training data and 50 white blood cell image testing data. Tests on the KNN, NBC, and MLP methods yielded an accuracy of 82%, 80%, and 94%, respectively. Therefore, MLP was chosen as the best classification model in the identification of white blood cells.

show abstract

Section: Multilayer Perceptron (Mlp)mentioning

confidence: 99%

Identification of White Blood Cells Using Machine Learning Classification Based on Feature Extraction

Musliman

Fadlil

Yudhana

2021

join

View full text Add to dashboard Cite

show abstract

“…Ekstraksi fitur merupakan langkah awal dalam melakukan klasifikasi dan interpretasi citra. Proses ini berkaitan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri yang sesuai (Sofie & Rizal, 2016).…”

Section: Pendahuluanunclassified

Perbandingan Algoritma Decision Tree C4.5 Dan Naive Bayes pada Analisa Tekstur Gray Level Co-Occurrence Matrix Menggunakan Citra Wajah

Sulaiman¹

2021

SISTEMASI

View full text Add to dashboard Cite

Analisis tekstur lazim dimanfaatkan sebagai proses untuk melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra berbasis analisis tekstur pada umumnya membutuhkan tahapan ekstraksi ciri, yang terdiri dari tiga macam metode yaitu metode statistik, metode spaktral dan metode struktural. Metode GLCM (Gray-Level Co-Occurrence Matrix) termasuk dalam metode statistik di mana dalam perhitungan statistiknya menggunakan distribusi derajat keabuan dengan mengukur tingkat kekontrasan, granularitas (ukuran), dan kekasaran suatu daerah dari hubungan ketetanggaan antar piksel di dalam citra. Tujuan penelitian ini mencari nilai akurasi yang baik dengan membandingkan algoritma decision tree C4.5 dan naive bayes pada analisis tekstur Gray Level Cooccurrence Matrix (GLCM) menggunakan citra wajah. Tools yang digunakan untuk ektrasi fitur menggunakan MATLAB dan untuk klasifikasi algoritmanya menggunakan tools Rapid miner. Dari hasil penelitian untuk nilai terbaik pada perbandingan algoritma dengan analisis tekstur Gray-Level Co-Occurrence Matrix (GLCM) menggunakan citra wajah. Untuk nilai akurasi terhadap 2 kelas dengan algoritma klasifikasi C4.5 sebesar 58,64%, sedangkan untuk nilai akurasi algoritma klasifikasi Naive Bayes sebesar 75,45% sedangkan untuk nilai akurasi terhadap 3 kelas dengan algoritma klasifikasi C4.5 sebesar 54,74%%, sedangkan untuk nilai akurasi algoritma klasifikasi Naive Bayes sebesar 62,63%. Dapat disimpukan bahwa algoritma Naive Bayes memiliki nilai terbaik dalam analisis tekstur Gray-Level Co-Occurrence Matrix (GLCM) menggunakan citra wajah baik terhadap 2 kelas maupun yang 3 kelas.

show abstract

“…[3] Berbagai permasalahan di atas adalah hal yang menlatarbelakangi perlu dibuatnya alat ini. Beberapa penelitian yang berkaitan [10][11] [12] telah dilakukan sebelumnya, umumnya hanya fokus pada pendeteksian detak jantung Alat ini diharapkan sebagai pemberi peringatan dan mencegah pengguna smartphone yang sudah terlalu lama atau sudah melampauai batas penggunaan, sehingga melindungi para pengguna smartphone dari dampak negatif yang ditimbulkan. Adapun tujuan dari pembuatan alat ini adalah dapat membantu mengurangi resiko dampak negatif yang ditimbulkan dari penggunaan smartphone.…”

Section: Pendahuluanunclassified

Efektifitas Sensor Elektrokardiograf (EKG) AD8232 Untuk Mendeteksi Kelelahan Pada Saat Penggunaan Smartphone

Isma

Yuliza²,

Angraini³

et al. 2020

EJI

View full text Add to dashboard Cite

Smartphones are electronic devices that are widely used in the current modern era. Ranging from children to adults are using smartphones. Lack of knowledge from smartphone users makes the use of smartphones improperly exceeding the body's limits. This makes a variety of negative impacts of using a smartphone. One way to overcome this problem is to use an electrocardiograph (ECG) sensor. The use ECG is to determine the fatigue of smartphone users based on heart rate rhythm. The sensor used as fatigue detection is the type AD8232. The result of this process is a secure or insecure condition for using a smartphone. When BPM is worth 60 <BPM <120, the condition of smartphone users is safe, whereas when BPM <60 or BPM> 120, the condition of smartphone users is unsafe. Based on the results that have been tested, the longer the use of a smartphone, the value of the BPM will sharply be reduced.

show abstract

Klasifikasi Citra Rekaman Sinyal Elektrokardiogram Menggunakan Metode Analisis Tekstur, K-Nn Dan Multilayer Perceptron

Cited by 3 publications

References 5 publications

Identification of White Blood Cells Using Machine Learning Classification Based on Feature Extraction

Identification of White Blood Cells Using Machine Learning Classification Based on Feature Extraction

Perbandingan Algoritma Decision Tree C4.5 Dan Naive Bayes pada Analisa Tekstur Gray Level Co-Occurrence Matrix Menggunakan Citra Wajah

Efektifitas Sensor Elektrokardiograf (EKG) AD8232 Untuk Mendeteksi Kelelahan Pada Saat Penggunaan Smartphone

Contact Info

Product

Resources

About