91 research outputs found
Optimalisasi dimensi image untuk meningkatkan akurasi Naive Bayes Classifier dengan menggunakan interpolasi
Get PDFSalah satu faktor yang dapat meningkatkan akurasi naïve bayes classifier (NBC) dalam mengklasifikasikan objek image adalah ketepatan dalam ekstraksi fitur image dan ketepatan dalam membangun struktur model NBC. Pada penelitian ini, dikaji secara lebih mendalam bagaimana optimalisasi metode interpolasi khususnya metode non-adaptive (nearest neighbor, bilinear, bicubic dan lanczos) sebagai dasar dalam ekstraksi fitur image. Ekstraksi fitur berdasarkan metode interpolasi dilakukan dengan melakukan optimalisasi dimensi image (image downscaling) untuk mendapatkan fitur image yang optimal bagi NBC. Untuk mengetahui sejauhmana kemampuan metode yang diusulkan, dilakukan ekspetimen dengan menggunakan data image benchmark yaitu image texture yang diambil dari CVonline database. Hasil eksperimen menunjukkan bahwa ekstraksi fitur berdasarkan optimalisasi dimensi image dengan interpolasi nearest neighbor menghasilkan tingkat akurasi paling baik daripada interpolasi bilinear, bicubic dan lanczos. Untuk interpolasi bicubic dan lanczos memberikan hasil relatif sama, sedangkan hasil terburuk diberikan oleh interpolasi bilinear
Optimalisasi dimensi image untuk meningkatkan akurasi Naïve Bayes Classifier dengan menggunakan interpolasi
Get PDFSalah satu faktor yang dapat meningkatkan akurasi naïve bayes classifier (NBC) dalam mengklasifikasikan objek image adalah ketepatan dalam ekstraksi fitur image dan ketepatan dalam membangun struktur model NBC. Pada penelitian ini, dikaji secara lebih mendalam bagaimana optimalisasi metode interpolasi khususnya metode non-adaptive (nearest neighbor, bilinear, bicubic dan lanczos) sebagai dasar dalam ekstraksi fitur image. Ekstraksi fitur berdasarkan metode interpolasi dilakukan dengan melakukan optimalisasi dimensi image (image downscaling) untuk mendapatkan fitur image yang optimal bagi NBC. Untuk mengetahui sejauhmana kemampuan metode yang diusulkan, dilakukan ekspetimen dengan menggunakan data image benchmark yaitu image texture yang diambil dari CVonline database. Hasil eksperimen menunjukkan bahwa ekstraksi fitur berdasarkan optimalisasi dimensi image dengan interpolasi nearest neighbor menghasilkan tingkat akurasi paling baik daripada interpolasi bilinear, bicubic dan lanczos. Untuk interpolasi bicubic dan lanczos memberikan hasil relatif sama, sedangkan hasil terburuk diberikan oleh interpolasi bilinear
Pengaruh Model Guided Discovery Learning terhadap Kemampuan Berpikir Analitis Siswa Kelas XI SMA Negeri Klakah
No full textABSTRAK Model pembelajaranpenemuanterbimbingmemilikikelebihandalammengembangkankemampuanbelajardanmemperbaikihasilbelajarsiswa. Model tersebut,terbuktiberpengaruh terhadap kemampuan penyelidikan, pemahaman dan kreativitas.Model penemuan terbimbing melibatkan siswa bebas menyelidiki, mencoba, dan menarik kesimpulan. Sedangkan guru bertindak sebagai penunjuk jalan untuk membantu siswa menemukan ide dan konsep.Siswa harus mengalami sendiri hal-hal yang dipelajarinya melalui pengalaman nyata sehingga kemampuan berpikir analitis siswa dapat terbangun.Siswa perlu dibiasakan untuk memecahkan masalah, menemukan sesuatu yang berguna bagi dirinya serta menemukan konsep, prinsip dan pemecahan masalah untuk menjadi miliknya lebih daripada sekedar menerima dari seorang guru maupun sebuah buku.Penelitianinibertujuanuntukmengetahuipengaruh model pembelajaranpenemuanterbimbingterhadapkemampuanberpikiranalitissiswakelas XI SMA NegeriKlakah. Jenispenelitianinikuasieksperimendenganrancanganpretest-posttest control group design.Subjekpenelitianadalahkelas XI IPS 2 sebagaikelaseksperimendankelas XI IPS 3 sebagaikelaskontrol. Data penelitianiniadalahskornilaikemampuanberpikiranalitis. Instrumenpenelitianmenggunakan 3 soalessai yang telahdiujisebelumnyamenggunakanvaliditasdanreliabilitas. Analisis data yang digunakanIndependent sample t-Test denganbantuanSPSS 16.0 for windows.Hasilpenelitianmenunjukkan,bahwanilai sig (2-tailed) adalah 0.008< 0.05 dan rata-ratanilaigain scorekelaseksperimen13,09lebihbesardarinilai rata-rata kelaskontrol6,56. Maka H0ditolakataudengan kata lain model pembelajaranpenemuanterbimbingberpengaruhterhadapkemampuanberpikiranalitissiswakelas XI SMANegeriKlakah. Berdasarkantemuanpenelitiandiajukandua saran. Pertama, jikaguru menggunakan model pembelajaranpenemuanterbimbingharus merencanakan alokasi waktu dengan baik dan lebih detail saat menjelaskan setiap tahapanserta memperhatikan kesesuaian materi dengan model pembelajaran.Kedua, untukpenelitilanjutandisarankanmenggunakan model pembelajaranpenemuanterbimbingsebagaipertimbanganpemilihan model dalampenelitiansertadapatmenambahkan variable maupunmenggunakanvariabel lain seperti, berpikirspasial, kreatif, ilmiahdan lain-lain
Meta-learning based softmax average of convolutional neural networks using multi-layer perceptron for brain tumour classification
Get PDFBrain tumour classification using Magnetic Resonance Imaging (MRI) is crucial for medical decision-making. The variability in tumour shape, size, and position poses challenges to classification methods. Convolutional Neural Networks (CNNs) are commonly used due to their proven performance, but their effectiveness diminishes with the high variability of tumour characteristics. This study proposes a meta-learning approach, leveraging the softmax average of multiple CNN models with a Multi-Layer Perceptron (MLP) as the meta-learner. The base-learner models include MobileNetV2, InceptionV3, Xception, DenseNet201, and ResNet50. This approach combines the softmax outputs of these CNN models, capturing their strengths to handle diverse tumour characteristics. The averaged outputs are fed into the MLP for increased classification performance. To evaluate the proposed method, we used several brain MRI image datasets, including Dataset 1 (Thomas Dubail Dataset), Dataset 2 (Mesoud Nickparcar Dataset), and Dataset 3 (Fernando Feltrin Dataset). The test results showed the proposed method's effectiveness in improving classification performance. For Dataset 1, the MLP with one hidden layer (128 neurons) achieved 97.47 % accuracy, improving the base learners' performance by 1.94 %–7.42 %. On Dataset 2, the MLP with 64 neurons reached 99.54 % accuracy, with a 0 %–2.44 % improvement. For Dataset 3, an MLP with two hidden layers (256 and 125 neurons) achieved 98.87 % accuracy, enhancing performance by 0.46 %–5.67 %
Citra Tekstur Terbaik Untuk Gaussian Naïve Bayes Dengan Interpolasi Nearest Neighbor
Get PDFSalah satu faktor yang berpengaruh terhadap kinerja Gaussian naive Bayes classifier (GNBC) dalam klasifikasi citra tekstur adalah ukuran (dimensi) citra. Ukuran citra adalah salah satu kriteria citra tekstur terbaik di samping nilai pikselnya. Pada penelitian ini, diusulkan metode untuk mendapatkan ukuran citra tekstur terbaik terhadap GNBC dengan optimalisasi interpolasi nearest neighbor (NN). Ukuran citra tekstur terbaik dengan nilai piksel hasil interpolasi tersebut membuat GNBC mampu membedakan citra tekstur pada setiap kelasnya dengan kinerja paling tinggi. Langkah pertama metode usulan tersebut adalah menentukan ukuran citra tekstur untuk pelatihan melalui kombinasi ukuran baris dan kolom pada proses optimalisasi. Pengubahan ukuran (resizing) semua citra tekstur asal dengan interpolasi NN adalah langkah penting berikutnya untuk mendapatkan citra tekstur baru. Langkah selanjutnya adalah membangun GNBC berdasarkan citra baru hasil interpolasi dan menentukan akurasi klasifikasinya. Langkah terakhir yaitu memilih ukuran citra tekstur terbaik berdasarkan nilai akurasi klasifikasi terbesar sebagai kriteria pertama dan ukuran citra sebagai kriteria kedua. Evaluasi terhadap metode yang diusulkan tersebut dilakukan menggunakan data citra tekstur dari dataset publik CVonline dengan melibatkan beberapa skenario uji coba dan metode interpolasi. Hasil uji coba menunjukkan bahwa pada skenario yang melibatkan lima kelas citra tekstur, GNBC dengan interpolasi NN memberikan nilai akurasi klasifikasi terkecil 89% dan terbesar 100% pada ukuran citra terbaik, masing-masing 14 × 32 dan 47 × 42. Pada skenario yang melibatkan jumlah kelas kecil hingga besar, GNBC dengan interpolasi NN memberikan akurasi klasifikasi 81,6% - 95%. Dari hasil tersebut, GNBC dengan optimalisasi NN memberikan hasil lebih baik daripada metode interpolasi nonadaptif lainnya (bilinear, bicubic, dan lanczos) dan principal component analysis (PCA)
The effects of pack carburizing using charcoal of unused mahogany on fatigue characteristic of v-notch shaft steel specimens
No full text
Holding time effect of pack carburizing on fatigue characteristic of v-notch shaft steel specimens
No full text
New Voting of Convolutional Neural Networks for Brain Tumor Detection Based on MRI Images
No full textDetection of brain tumors based on magnetic resonance imaging (MRI) images is essential for follow-up examinations. Several CNN models have been proposed before to get the best performance in detecting brain tumors. However, it is still necessary to improve performance due to complex brain structures, varying tumor shapes and sizes, and the position of brain tumors. Therefore, we propose a new voting of convolutional neural networks (CNNs) based on MRI images to detect brain tumors. CNN in the proposed method has three network paths, each involving a convolution process with a different kernel size. Involving different MRI image input shapes on the proposed CNN can provide different detection results, so voting is needed for the final detection. We propose a voting method with the condition that if only one proposed CNN model with a particular input shape detects a brain tumor in the MRI image, the final detection result indicates a tumor in the image. To evaluate the method's performance, we used brain MRI image datasets for tumor detection arranged into training, testing 1 (small size), and testing 2 (large size). The test results on the dataset show that the proposed method yields the best accuracy of 99.24% for testing 1 and 99.92% for testing 2. With these results, our proposed method performed better than the other methods, including VGG16,VGG19, ResNet50, MobileNetV2, InceptionV3, and Xception
- …
