Research

1. Pattern Recognition & Machine Learning (keywords : Support Vector Machine, Feature Selection, Neural Networks)
   1. Publikasi
      1. M. Kugler, S. Kuroyanagi, A.S. Nugroho, and A. Iwata: CombNET-III : A Support Vector Machine based Large Scale Classifier with Probabilistic Framework, Proc. of the 16th JNNS General Conference, pp.136-137, Nagoya, 19-21 September 2006 (paper code: P2-22)
      2. M. Kugler, S. Kuroyanagi, A.S. Nugroho, and A. Iwata: CombNET-III : A Support Vector Machine based Large Scale Classifier with Probabilistic Framework, IEICE Trans. on Information & Systems, Vol.E89-D, No.9, pp.2533-2541, September 2006
      3. M. Kugler, T. Miyatani, S. Kuroyanagi, A.S. Nugroho, and A. Iwata: Non-linear gating for the large scale classification model CombNET-II, Proc. of the 14th. European Symposium on Artificial Neural Networks, pp.203-208, April 2006
      4. M. Kugler, A.S. Nugroho, K. Aoki, S. Kuroyanagi, A. Iwata: Feature Subset Selection for Support Vector Machines using Confident Margin,International Joint Conference on Neural Network 2005, pp.907-912, Montreal, Canada (2005)
      5. K. Aoki, S. Kuroyanagi,M. Kugler, A.S. Nugroho, A. Iwata: Feature Selection using Confident Margin for SVM, IEICE Trans. on Information & Systems, Vol.J88-D-II, No.12, pp.2291-2300, December 2005
      6. X. Hu, M. Kugler, A.S. Nugroho, S. Kuroyanagi, and A. Iwata: Splitting the feature subset selection of multiclass Support Vector Machine,IEICE Technical Report, NC2005-86, pp.31-36, December 2005
   2. Resume
2. Pengembangan sistem prediktor efektifitas terapi interferon bagi pasien Hepatitis C kronis
   1. Publikasi
      1. J. Yang, A.S. Nugroho, K. Yamauchi, K. Yoshioka, J. Zheng, K. Wang, K. Sato, S. Kuroyanagi and A. Iwata: Efficacy of Interferon Treatment for Chronic Hepatitis C Predicted by Feature Subset Selection and Support Vector Machine, Journal of Medical Systems, Springer US (1st author and 2nd author contributed equally to this study, accepted November 2006)
      2. A.S. Nugroho, J. Yang, S. Kuroyanagi, A. Iwata and K. Yamauchi: Prediction of interferon efficacy in chronic Hepatitis C treatment using Support Vector Machine, Trans. of the Japanese Society for Medical and Biological Engineering, Vol.11, Suppl.1, pp.594, 2006 (The 45th Annual Conference of Japanese Society for Medical and Biological Engineering, May 2006)
   2. Resume
      Journal terkemuka “Science”, pada1989 melaporkan penemuan virus oleh Chiron Co. yang deret genomenya berlainan dengan virus hepatitis A dan hepatitis B. Virus itu kemudian disebut Hepatitis C. Hepatitis C dewasa ini merupakan satu penyakit penting di dunia, yang menyerang sekitar 170 juta orang (tahun 2005). Hepatitis C kronis disebabkan oleh terkontaminasinya peredaran darah dengan virus, sehingga terjadi inflamasi pada lever selama lebih dari 6 bulan.Akibatnya terjadi kerusakan sel, yang menyebabkan fungsi lever menjadi tidak normal. Diperkirakan penderita penyakit ini di Indonesia berkisar 7 juta orang. Hal ini merupakan masalah yang serius, sedangkan sebaran penularan dan jumlahnya belum diketahui. Karena itulah, Depkes dan PT.Roche Indonesia mengembangkan sistem surveilans untuk mengamati perkembangan penyebaran penyakit ini [2].

      Salah satu metode pengobatan Hepatitis C adalah memakai terapi Interferon (IFN). Interferon dikenal cukup efektif dalam menghambat
      pertumbuhan virus hepatitis C. Tetapi, di sisi lain, pemakaian interferon ini diikuti oleh efek samping yang memberatkan pasien. Efek samping itu antara lain : Flu-like syndrome, menurunnya sel darah putih (leucocyte), rambut rontok, albuminuria, dsb. Terlebih lagi, berhasil tidaknya terapi interferon ini baru diketahui 6 bulan kemudian, dengan cara melakukan pemeriksaan HCV-RNA pasien. Bila hasilnya menunjukkan terjadi penurunan kadar HCV-RNA, berarti terapi itu efektif. Sebaliknya, jika kadar HCV-RNA pasien tidak turun, berarti interferon itu tidak efektif.

      Terapi Interferon cukup mahal, dan mengingat beratnya resiko efek samping yang ditimbulkan, terapi ini umumnya tidak dilakukan kepada pasien yang hasil terapinya diprediksi tidak berhasil. Kepada mereka lebih baik diberikan terapi selain interferon, yang memiliki potensi keberhasilan lebih tinggi. Prediksi keberhasilan terapi interferon ini umumnya dilakukan secara manual oleh dokter yang menangani sang pasien berdasarkan data klinis seperti hepatobiopsy, gene-type virus, dsb. Salah satu kelemahan cara ini adalah akurasinya tergantung dari pengalaman dan jam terbang sang dokter.

      Saat masih tinggal di Jepang, penulis berkolaborasi dengan praktisi medis mengembangkan suatu sistem cerdas yang mampu memperkirakan efektif tidaknya terapi interferon, sebelum diterapkan pada pasien [3]. Tujuan dari sistem ini adalah membantu tugas dokter untuk memilih terapi yang tepat bagi pasien. Jika ternyata hasil prediksi menunjukkan interferon tidak efektif, dokter dapat memberikan terapi lain yang mungkin lebih sesuai bagi pasien. Sistem yang dibangun memakai Support Vector Machine (SVM), sebuah metode komputasi yang dewasa ini menjadi salah satu kajian hangat di dunia komputasi pengenalan pola (pattern recognition). Informasi yang diolah oleh SVM berasal dari hasil diagnosa darah pasien meliputi Hepatobiopsy, HCV-RNA, HCV gene-type, dan berbagai faktor lain sebanyak 30 jenis.

      Data yang diolah berasal dari pasien yang berobat ke Nagoya University Hospital Jepang, dari tahun 1997-2004. Dari data awal sekitar 300 sampel, setelah diteliti, akhirnya diperoleh 112 sampel data yang dianggap cukup layak untuk dianalisa. Mengingat keterbatasan data yang ada, estimasi akurasi SVM dilakukan dengan leave-one-out cross
      validation. Eksperimen yang dilakukan penulis menunjukkan SVM mampu mencapai akurasi 84%, yang cukup baik dibandingkan dengan berbagai metode lain yang diuji juga pada eksperimen tersebut.

      Studi yang dilakukan di atas masih pada taraf eksperimen, dan belum sampai tahap implementasi di praktek medis. Untuk mencapai tahap implementasi, diperlukan kajian yang lebih intensif, terutama pemakaian sampel pasien yang jumlahnya lebih banyak. Ini tidak mudah dan merupakan tantangan klasik di riset biomedical engineering. Penyediaan sampel yang lebih banyak terbentur kendala: tidak mudah menyediakan sampel pasien dalam jumlah tertentu. Padahal dokter tidak mau tawar menawar dengan akurasi metode yang dipakai. Pasien bukanlah komputer yang kalau hang, cukup di-reboot untuk “menyembuhkan sakitnya”.

      Sebaliknya, peneliti di bidang komputasi pun bukanlah tukang sulap yang mampu membuat metode peramal ajaib. Kemampuan mereka hanyalah mendesain suatu solusi berdasarkan data yang diolah, sehingga hasilnya sangat tergantung kualitas dan kuantitas data tsb. Baik dokter maupun ahli komputasi menawarkan syarat yang cukup berat, agar sistem yang dikembangkan bisa dipakai. Ini yang menyebabkan hasil riset pada kategori ini memerlukan waktu yang cukup panjang untuk bisa sampai pada tahap implementasi. Dewasa ini terobosan-terobosan baru di bidang teknologi komputasi maupun medis terus dilakukan, agar waktu tunggu di atas dapat diperpendek, sehingga hasil riset dapat segera dirasakan
      manfaatnya oleh masyarakat.

      Referensi

      1. Depkes: 7 juta orang idap Hepatitis C
      (http://www.detiknews.com/index.php/detik.read/tahun/2006/bulan/07/tgl/10/time/124024/idnews/632535/idkanal/10)
      2. Depkes Petakan Hepatitis C
      (http://www.detiknews.com/indexfr.php?url=http://www.detiknews.com/index.php/detik.read/tahun/2007/bulan/09/tgl/07/time/172549/idnews/827132/idkanal/10)
      3. J. Yang, Anto S. Nugroho, K. Yamauchi, K. Yoshioka, J. Zheng, K. Wang, K. Sato, S. Kuroyanagi and A. Iwata: Efficacy of Interferon Treatment for Chronic Hepatitis C Predicted by Feature Subset Selection and Support Vector Machine, Journal of Medical Systems, 2007 Apr, 31(2), pp.117-123, Springer US, PMID: 17489504 (1st author and 2nd author contributed equally to this study)

3. Prediksi status mutasi Tumor Suppressor Gene TP53 berdasarkan profile mRNA pasien penderita kanker
   1. Publikasi
      1. A.S. Nugroho, ”Information Analysis using Softcomputing: The Applications to Character Recognition, Meteorological Prediction, and Bioinformatics Problems” , Chapter 6, Grad.School of Engineering, Dept. of Electrical & Computer Engineering, Nagoya Institute of Technology, January 2003 (Doctoral Dissertation)
   2. Resume
      Klasifikasi status penyakit merupakan topik yang menarik ditinjau dari bidang kedokteran, maupun teknologi informasi. Terlebih lagi dengan perkembangan yang sangat pesat beberapa tahun terakhir seperti misalnya diperkenalkannya teknologi DNA array, memberikan gairah baru bagi para peneliti bioinformatika. DNA array dapat memonitor ekspresi ribuan gen, yang memberikan harapan baru untuk dapat memahami mekanisme suatu penyakit secara komprehensif. Pemahaman ini sangat penting artinya dalam pengembangan tailor-made medicine. Sistem klasifikasi status penyakit yang dibangun terdiri dari tiga bagian:
      1. Sensor
      2. Feature Selection
      3. ClassifierSensor adalah bagian yang bertugas memonitor informasi yang masuk pada sistem dan menterjemahkan informasi tersebut sebagai input vektor. Hal ini dilakukan dengan pengamatan ekspresi gen oleh DNA array. Feature Selection adalah bagian yang berperan untuk memilih informasi penting dan relevan yang terdapat pada data, yang kemudian diumpankan ke classifier. Classifier bertugas untuk mengklasifikasikan input vektor tersebut ke dalam salah satu kategori, misalnya status mutasi TP53 mutant ataukah wild type.Dalam studi ini, evaluasi dilakukan terhadap performa empat algoritma feature selection :
      1. Sequential Forward Selection (SFS)
      2. Sequential Backward Selection (SBS)
      3. Sequential Forward Floating Selection (SFFS)
      4. Genetic AlgorithmAlgoritma tersebut diuji dalam studi kasus klasifikasi status mutasi Tumour Suppressor Gene TP53 berdasarkan ekspresi mRNA dari sample penderita penyakit kanker. Input vector diperoleh dari analisa DNA array terhadap 114 cancer cell lines, masing-masing 1281 genes, membentuk vektor berdimensi 1281. Eksperimen dilakukan memakai tiga buah PC dual-CPU, Xeon 1.7 GHz, RAM 512MB, FreeBSD 4.4.Eksperimen yang dilakukan terbagi dua:
      (i) 2-class classification problem : klasifikasi ke dalam dua kategori: wild-type dan mutant
      (ii) 3-class classification problem : klasifikasi ke dalam tiga kategori “wild-type”, “recessive mutant” atau “dominant negative mutant” class.Hasil dari eksperimen ini menunjukkan bahwa SFFS memberikan hasil yang paling baik, diukur dari akurasi prediksi mutasi TP53. Hasil ini menunjukkan kesesuaian dengan studi komparasi algorithma Feature Selection Algorithm, pada kasus-kasus yang lain. Analisa lebih lanjut terhadap gene-gene yang diseleksi oleh SFFS menunjukkan hasil yang menarik, karena sebagian daripada gene tsb. diketahui memiliki korelasi positif dengan proses mutasi TP53. Algoritma ini juga menunjukkan berbagai gene, yang tidak terkait secara langsung dengan mutasi TP53, akan tetapi tidak dapat ditinggalkan untuk memberikan pemahaman secara menyeluruh atas proses mutasi TP53.
4. Meteorological Prediction
   1. Publikasi
      1. A.S. Nugroho, S. Kuroyanagi, A. Iwata : Mathematical perspective of CombNET and its application to meteorological prediction, Special Issue of Meteorological Society of Japan on Mathematical Perspective of Neural Network and its Application to Meteorological Problem, Meteorological Research Note, No.203, pp.77-107, October 2002 (Japanese Edition)
      2. A.S. Nugroho, S. Kuroyanagi, A. Iwata : A Solution for Imbalanced Training Sets Problem by CombNET-II and Its Application on Fog Forecasting, IEICE Trans. on Information & Systems, Vol.E85-D, No.7, pp.1165-1174, July 2002
      3. A.S. Nugroho, S. Kuroyanagi, A. Iwata : Fog Forecasting Using Self Growing Neural Network CombNET-II: — A Solution for Imbalanced Training Sets Problem–, Proc. of the IEEE-INNS-ENNS International Joint Conference on Neural Networks (IJCNN’00), vol.4, pp.429-434, July 2000, Como-Italy
      4. A.S. Nugroho, S. Kuroyanagi, A. Iwata : Fog Forecasting by CombNET-II, Proc. of the Symposium Session in 1999 The Institute of Electronics, Information and Communication Engineers (IEICE) General Conference, pp.323-324, March 25-28, 1999, Yokohama (This study won the first prize award of 99 Fog Forecasting Contest sponsored by Neurocomputing Technical Group of IEICE-Japan)
   2. Resume
      Studi ini adalah partisipasi kami pada kompetisi yang diselenggarakan oleh NeuroComputing Technical Group, IEICE-Japan, dimana kami berhasil memenangkannya dengan akurasi prediksi tertinggi. Masalah yang harus diselesaikan pada kompetisi ini adalah memprediksi munculnya kabut (super cooling fogs) di Shin-Chitose Airport Hokkaido tiap 30 menit, berdasarkan data meteorologi yang diamati saat itu. Observasi yang dilakukan meliputi 26 item, antara lain tekanan udara, suhu, kecepatan dan arah angin, bentuk awan dsb. Hasil prediksi ini biasanya dipakai untuk membantu navigasi pesawat terbang. Yang membuat kasus ini sulit dan menarik adalah kemunculan kabut yang sangat jarang. Tingkat kemunculan kabut dalam setahun hanya 0.3% saja, sehingga membuat kondisi antara kedua kategori (kabut muncul dan kabut tak muncul) sangat tidak berimbang (imbalanced problem). Sifat ini membuat neural network maupun metode machine learning yang lain tidak mudah menemukan solusi yang tepat. Strategi yang kami lakukan adalah mengkombinasikan dua buah tipe neural network : competitive learning neural network & multilayer perceptron neural network untuk melakukan class-balancing. Masalah ini kami selesaikan sekitar 3 bulan. Mendekati deadline penyusunan hasil, saya temukan bug serius di program saya. Eksperimen yang saya lakukan dengan susah payah selama 3 bulan sirna begitu saja. Saya harus mulai dari nol lagi melatih neural network itu, padahal datanya berskala besar. Sekali running, kadang makan waktu 1 atau 2 minggu, tergantung banyaknya PC yang bisa dipakai untuk proses training. Tapi ternyata jerih payah saya tidak sia-sia. Untung saja, hasilnya ternyata lebih baik dari sebelumnya. Tadinya saya tidak berharap terlalu banyak dari kompetisi ini, karena jam terbang saya dalam riset neural network masih rendah (saat itu saya baru masuk program master, tahun pertama). Alhamdulillah, ternyata metode yang saya kembangkan dengan babak-belur ini berhasil memenangkan kompetisi neural network dengan score tertinggi di antara kontestan yang lain. Hal lain yang saya syukuri adalah diterimanya paper ini di jurnal IEICE, dan kami menerima undangan dari Meteorological Society of Japan, agar detail dari metode yang kami pakai ditulis sebagai salah satu paper pada edisi khusus mereka mengenai neural network dan meteorological prediction.
5. Computer Vision
   1. Publikasi
      1. A.S. Nugroho, S. Kuroyanagi, A. Iwata: An algorithm for locating characters in color image using stroke analysis neural network, Proc. of the 9th International Conference on Neural Information Processing (ICONIP’02), Vol.4, pp.2132-2136, November 18-22, 2002, Singapore
   2. Resume
      Character segmentation is a significant part in a character recognition system. Particularly, when the system is assumed to work in a color image with multi-segment characters such as Japanese Kanji characters, the complexity of the characters and the background properties bring the difficulties to the segmentation problem. Discussion in this paper is focused on designing an automatic system for locating text regions, assuming that the texts are composed by Kanji characters. The principle of the proposed model is the inclusion of recognition phase to give a feedback in controlling the segmentation task, yielding a robust algorithm to solve the complexity of the characters. The algorithm is assumed to work with color images, which makes it suitable for practical applications. The evaluation of the model shows that the algorithm promises an appropriate approach to deal with the complexity of Kanji character segmentation.
6. Handwriting Character Recognition
   1. Publikasi
      1. H. Kawajiri, Y. Takatoshi, T. Junji, A.S. Nugroho and A. Iwata : Hand-written Numeric Character Recognition for Facsimile Auto-dialing by Large Scale Neural Network CombNET-II, Proc. of 4th.International Conference on Engineering Applications of NeuralNetworks, pp.40-46, June 10-12,1998, Gibraltar
   2. Resume
7. Long Time Holter ECG Recording using Wavelet Transform
   1. Publikasi
   2. Resume