Selamat Datang di Website Dosen

Promosi dan pemasaran memegang peran penting dalam penjualan yang berdampak pada keuangan usaha. Sehingga dibutuhkan sebuah media yang sesuai untuk kegiatan tersebut. Namun untuk menentukan media yang cocok maka harus disesuaikan dengan target pemasaran. Karena ketidaksesuaian target dan cara promosi akan berdampak siasia dan adanya ketidakefisienan pengeluaran biaya promosi. Berdasarkan permasalahan tersebut maka digunakan data mining dengan teknik asosiasi untuk mencari kombinasi yang kuat antar media. Sehingga produsen maupun penjual hanya fokus pada kombinasi media yang memiliki kekuatan hubungan saja. Dalam penelitian ini target pemasaran yang digunakan adalah Mahasiswa dan Algoritma Apriori sebagai teknik asosiasi mining. Ada dua cara pengukuran kekuatan kombinasi media promosi yaitu support dan confidence. Dari kedua pengukuran ini dapat diperoleh aturan asosiasi akhir (Association Rule) dimana nilai ketepatan (valid) asosiasi dihitung menggunakan lift rasio. Penelitian ini memperoleh hasil bahwa semua aturan yang dihasilkan dapat dipercaya dan dijadikan acuan karena memenuhi kondisi lift rasio. Dari berbagai media promosi yang biasa digunakan mahasiswa untuk membeli sebuah barang, diketahui bahwa ada 3 media yang memiliki asosiasi sangat kuat yaitu web lain, web resmi, dan Instagram. Berdasarkan asosiasi akhir diperoleh bahwa ada 3 aturan yang terdiri dari 2 kombinasi item yaitu : confidence 80% jika memasang iklan di web lain maka memasang iklan di web resmi; confidence 67,36% jika memasang iklan di web resmi maka memasang iklan di web lain; serta confidence 65,31% jika memasang iklan di web lain maka memasang iklan di Instagram. Aturan asosiasi ini telah di uji coba dengan 42 data primer dan menghasilkan akurasi sebesar 97, 62%.

Keywords— Media Promosi, Pemasaran, Data Mining, Teknik Asosiasi, Algoritma Apriori, Lift Rasio, Support, Confidence, Association Rule

Based on data obtained from the Ministry of Indonesia Health in 2012, Diabetes mellitus (DM) was ranked as the sixth leading cause of death. In a higher phase, it can cause complications in other organs such in retina. A disease that attacks the retina is Diabetic Retinopathy (DR). Although it is not a deadly disease, but patient can suffer permanent blindness, which can affect mental and social condition. Therefore built a system that can detect early. So the initial inspection can be faster. This Research uses data from Dr. Cipto Mangunkusumo Hospital (RSCM) Jakarta, Indonesia and DiaretDB0 as comparative data. This research uses knowledge, Fast Adaptive Histogram Equalization as pre-processing method, and Extreme Learning Machine as classification methods from previous research. Feature used is the area of blood vessels. In the previous research, DiaretDB0 reached 97,5%. After that we use these knowledge for RSCM data. But in the experiment, it reached only 52% for testing accuracy, lower than DiaretDB0. The contribution from this research is analysis why the result from both data is different and suggestion for the next research.

Key Word : 

• Diabetes Mellitus,
• Diabetic Retinopathy,
• RSCM,
• DiaretDB0,
• Fast Adaptive Histogram Equalization,
• Extreme Learning Machine,
• Blood Vessels

Pengenalan pola merupakan hal penting untuk mengkategorikan sebuah objek pada citra. Pengkategorian dengan jumlah data banyak relatif memberikan kesulitan pada manusia. Untuk itu diperlukan sebuah metode yang tepat agar sistem yang dibuat dapat mengelompokkan citra sesuai kelasnya. Metode Convolutional Neural Nework Lecunn Network 5 (CNN LeNet 5) dan Extreme Learning Machine (ELM) merupakan metode yang diunggulkan pada banyak penelitian beberapa tahun terakhir. Karena keunggulannya, penelitian ini melakukan percobaan pada data sederhana dimana citra yang digunakan adalah tulisan tangan angka yang hanya diolah melalui proses binerisasi dan menjadikan hasil tersebut sebagai masukan metode klasifikasi. Penelitian ini menggunakan dua jenis data, yaitu data primer yang diambil langsung dari berbagai lokasi di Palembang Indonesia. Sedangkan data sekunder diambil melalui basis data publik MNIST. Hasil percobaan menunjukkan bahwa CNN LeNet 5 lebih unggul dalam hal akurasi yaitu mencapai 98,04% untuk 10.000 data sekunder MNIST dan 78,14% untuk 700 data primer. Sedangkan metode ELM lebih unggul dalam hal komputasi waktu yang mencapai 0,00078 mili detik.

Kata kunci : Pengenalan pola, Tulisan Tangan Angka, CNN LeNet 5, ELM

Diabetik Retinopati (DR) adalah penyakit yang dapat mengakibatkan kebutaan. Penyakit ini terjadi akibat adanya kerusakan mikrovaskular pada retina mata manusia dan dipengaruhi pula oleh Diabetes Militus. Proses kebutaan pada DR melewati beberapa tahapan. Mulai dari tahap awal hingga ke tahap lanjut. Untuk itu proses pendeteksian dini sangat penting untuk dilakukan sehingga pengobatan dan penanganan yang tepat dapat diberikan. Pada penelitian ini tingkatan stadium yang digunakan adalah Normal, Early NPDR, Advanced NPDR, dan PDR. Adapun eksperimen dilakukan menjadi 2 mekanisme. Mekanisme pertama menggunakan fitur tekstur dari Grey Level Coocurence Matrix (GLCM). Mekanisme kedua menggunakan fitur penanda DR yang khas seperti mikroaneurisma, eksudat keras, dan pembuluh darah. Data yang digunakan adalah data citra retina dari Rumah Sakit Cipto Mangunkusumo (RSCM) Indonesia dimana pembagian data pelatihan dan pengujian menggunakan 10-fold Cross Validation. Kemudian data diolah dengan teknik morfologi dan diklasifikasi menggunakan Extreme Learning Machine (ELM) yang dikenal sebagai metode klasifikasi yang 1000 kali lebih cepat dibanding dengan Single Layer Perceptron dan cocok untuk pembelajaran citra medis. Penelitian ini menghasilkan suatu informasi dasar yang dapat dijadikan sebagai acuan kategori tingkatan stadium DR dengan akurasi sebesar 53,53% untuk mekanisme satu dan 52,26% untuk mekanisme kedua. Kata kunci— Diabetic Retinopathy; Cross Validation; GLCM Morfologi; Extreme Learning Machine

Neovascular is an early sign of Proliferative Diabetic Retinopathy (PDR) stage. The diagnosis of this sign is very important to provide proper handling and treatment, thus minimizing the possibility of decreased visual function. With this classification it will be easier to distinguish between normal and abnormal blood vessels (neovascular). In this paper, we use a combination of image processing methods, Adaptive Histogram Equalization, Morphology Opening and Extreme Learning Machine (ELM) as a method of classification. The evaluation method is verified on public database DIARETDB0 using a different number of dataset. Accuracy obtained from the ELM is 97.5% and provide improved results and performance compared to previous methods. Keywords: Diabetic retinopathy (DR), Proliferative Diabetic Retinopathy (PDR), Neovascular, Extreme Learning Machine (ELM).

Keywords: Diabetic retinopathy (DR), Proliferative Diabetic Retinopathy (PDR), Neovascular, Extreme Learning Machine (ELM).