SKRIPSI
DEPARTEMEN FISIKA
UNIVERSITAS AIRLANGGA
2020
SKRIPSI
Universitas Airlangga
Oleh
081611333006
Disetujui Oleh:
ii
NIM : 081611333006
Disetujui oleh:
Mengetahui,
Universitas Airlangga
iii
iv
KATA PENGANTAR
Alhamdulillah puji syukur penulis ucapkan kepada Allah SWT yang telah
memberikan rahmat, taufik serta karunia-Nya sehingga penulis dapat
menyelesaikan penyusunan naskah skripsi yang berjudul “Penggunaan Ektraksi
Fitur Histogram Berbasis Metode k-Nearest Neighbor untuk Deteksi
Tuberkulosis Paru Citra Thorax”. Skripsi ini disusun dalam rangka memenuhi
salah satu syarat untuk memperoleh gelar Sarjana Sains (S.Si) di Fakultas Sains dan
Teknologi Universitas Airlangga dengan lancar dan tanpa kurang satu apapun.
Sholawat serta salam penulis tak lupa haturkan kepada junjungan kita nabi besar
Nabi Muhammad SAW yang telah memberikan revolusi dalam hidup di dunia,
yaitu dari zaman jahiliyah menuju zaman ulumiyah.
vi
5. Ibu Dr. Ir. Aminatun, M.Si selaku Dosen Wali yang selalu membimbing
penulis selama menjalankan studi sejak awal perkuliahan sampai
tersusunnya skripsi ini.
6. Teman-teman penulis di Himafi, JIMM, Banjari FST, dan Mahasantri serta
fisika angkatan 2014, 2015, 2016, 2017 yang senantiasa memberi semangat
dalam proses penyusunan skripsi.
7. Sahabat penulis di kos 118 Mulyorejo dan di Surabaya khususnya Arsita
Devia, Yazid Bastomi, Chavid Zakariya, Mas Fandik, Mas Hakim, Mas
Arif, Mas Fadil, Mas Saiful, Mas Erul, Mas Ali, Mas Anung, Mas Anggi,
Mas Haruna, Adit, Shofiyul Fuad, Fuad Agus, dan Yuslih yang selalu
memberikan dukungan, bantuan dan semangat sehingga naskah skripsi ini
dapat selesai dengan baik dan tepat waktu.
8. Staff pengajar dan karyawan Fakultas Sains dan Teknologi khususnya
Departemen Fisika yang telah memberikan ilmu dan bantuan selama
perkuliahan hingga naskah skripsi selesai.
9. Semua pihak yang telah membantu penulis dalam penelitian dan penulisan
naskah skripsi yang tidak bisa disebutkan satu per satu.
vii
ABSTRAK
viii
ABSTRACT
ix
DAFTAR ISI
2.3 Citra........................................................................................... 16
2.4 Pemrosesan Citra Digital .......................................................... 17
2.4.1 Metode Cropping .................................................................. 18
2.4.2 Metode Histogram ................................................................ 19
2.3.2.1 Fitur Histogram ............................................................ 21
2.4.3 Metode k-Nearest Neighbor ................................................. 22
2.5 Matlab ....................................................................................... 23
2.6 Cross Validation ....................................................................... 26
BAB III METODE PENELITIAN ...................................................... 27
3.1 Waktu dan Tempat Penelitian ................................................... 27
3.2 Alat dan Bahan .......................................................................... 27
3.3 Prosedur Penelitian ................................................................... 27
3.3.1 Studi Pustaka ........................................................................ 29
3.3.2 Pengumpulan Data ................................................................ 29
3.3.3 Ekstraksi Fitur ....................................................................... 29
3.3.4 Klasifikasi Data dengan k-NN .............................................. 29
3.3.5 Analisis Data ......................................................................... 31
3.4 Perancangan GUI ...................................................................... 31
3.4.1 Jendela Utama ....................................................................... 32
3.4.2 Jendela Pemrosesan Citra ..................................................... 32
3.4.3 Jendela Pengujian ................................................................. 34
BAB IV HASIL DAN PEMBAHASAN .............................................. 36
4.1 Hasil Pengolahan Citra Paru ..................................................... 36
4.2 Hasil Ekstraksi Fitur Histogram................................................ 37
4.3 Pelatihan dan Pengujian k-NN .................................................. 40
4.4 Tampilan Program Deteksi Tuberkulosis ................................. 44
4.4.1 Jendela Cropping .................................................................. 45
4.4.2 Jendela Deteksi dan Akurasi ................................................. 45
xi
xii
DAFTAR TABEL
xiii
DAFTAR GAMBAR
xiv
xv
DAFTAR LAMPIRAN
xvi
BAB 1
PENDAHULUAN
BAB II
TINJAUAN PUSTAKA
2.1 Tuberkulosis
2.1.1 Definisi
2.1.2 Klasifikasi
1. Tuberkulosis paru
(a) (b)
Gambar 2.2 (a) Citra x-ray Normal dan (b) Citra TB paru
tetapi tidak dapat menembus benda-benda keras eperti tulang, gigi, dan
logam. Sinar X sering digunakan diberbagai bidang kedokteran, fisika,
kimia, mineralogi, metarulugi, dan biologi (Atkins, 1999).
(a) (b)
Gambar 2.5 (a). Sinar-X karakteristik (b) Sinar X
bremstrahlung (Hiswara, 2015)
Bahan
x
Gambar 2.6 Atenuasi intensitas radiasi setalah melewatu bahan
(Pratapa,2004)
1 𝑠𝑟𝑐
1R = 𝑐𝑚3 .....................................................................................(2.5)
1R = 1 rad ...................................................................................(2.6)
k (I.t)(𝑣)2
Keluaran = ....................................................................(2.7)
𝑑2
Dengan :
k = Konstanta penyinaran
I = Arus tabung
T = Waktu penyinaran
V = Potensial tabung sinar-X
d = Jarak target terhadap sumber radiasi
Potensial (kV), Arus (mA) dan waktu (t) mempengaruhi
densitas bayangan. Pemilihan potensial (kV) yang terlalu rendah
akan menyebabkan penyinaran yang diberikan tidak mampu
menghasilkan densitas pada film. Sedangkan pemilihan potensial
(kV) yang terlalu tinggi akan menimbulkan gambar film yang tidak
jelas sehingga informasi yang diperlukan hilang (kabur) (Hoxter,
1982).
Waktu penyinaran digunakan untuk menentukan lamanya
penyinaran. Hal ini terutama dimaksudkan untuk mengurangi ke-
tidak-tajaman gambar yang dihasilkan di film karena gerakan objek
yang diambil. Dengan waktu penyinaran yang minimal dapat
digunakan untuk mengontrol densitas rata-rata bayangan. Bila
waktu penyinaran yang dipilih ditingkatkan atau diperbesar akan
mengakibatkan gambar yang dihasilkan di film menjadi kurang
tajam. Hal ini terjadi bila ada faktor gerakan dari objek yang
diradiasi (Hoxter, 1982).
Hubungan antara variasi waktu penyinaran dengan potensial
dapat dinyatakan dengan persamaan :
mAs1 𝑘𝑣 4
= [𝑘𝑣1 ] ..............................................................................(2.8)
mAs2 2
Dengan :
mA = Arus listrik yang diberikan
s1, s2 = Waktu penyinaran
kV1, kV2 = Potensial yang diberikan
citra f(x,y) menghasilkan citra yang mempunyai baris M dan kolom N, sehingga
disebut citra berukuran M x N.
(blurring). Citra dengan kualitas kurang baik menjadi lebih sulit diinterpretasi
karena informasi yang disampaikan menjadi berkurang. Oleh karena itu, perlu
adanya proses pengolahan citra digital untuk memperbaiki kualitas citra agar
menjadi lebih baik (Munir, 2004). Pengolahan citra digital teknologi yang
menerapkan sejumlah algoritma komputer untuk mengolah gambar digital. Tujuan
utama pengolahan citra digital adalah untuk memungkinkan manusia memperoleh
cutra dengan kualitas tinggi (Zhou et al, 2010). Teknik operasi dalam pengolahan
citra digital diantaranya adalah perenggangan kontras (contrast stretching),
pengubahan kecerahan gambar (image brightness), perbaikan tepian objek (edge
enhancement), penajaman (sharpening), pemberian warna semu (pseudocoloring),
penapisan derau (noise filtering), dan lain sebagainya (Munir, 2004).
2.4.1 Metode Cropping
Pra-pengolahan terhadap data citra asli bertujuan untuk
memperbaiki kualitas citra misalnya penghilangan noise yang terdapat di
dalam citra, penajaman intensitas tepian objek dan penghilangan efek
keburaman. Noise dapat diartikan sebagai informasi yang ikut dalam citra
namun informasi ini tidak dibutuhkan. Noise bisa saja berada di dalam area
objek yang akan diteliti ataupun berada di luar area objek yang diteliti.
Khusus untuk noise yang berada di luar area objek yang diteliti, salah satu
cara untuk menghilangkannya adalah proses cropping. Memperkecil ukuran
suatu citra dengan cara memotong citra pada koordinat yang telah
ditentukan pada suatu area pada citra disebut dengan istilah cropping. Pada
proses cropping akan diperoleh sebuah objek hasil pemotongan dari sebuah
citra atau bagian dari suatu gambar dengan ukuran tertentu Untuk proses
cropping citra, perlu dilakukan lima langkah berikut:
1. Tentukan x0, y0 : letak kursor di kiri atas area yang akan
dipotong .
2. Tentukan x1, y1 : letak baris di kiri atas area yang akan dipotong.
3. Hiting delta x : lebar daerah yang akan dipotong.
4. Hitung delta y : tinggi daerah yang akan dipotong.
Dengan
L = Jumlah derajat keabuan
n= jumlah seluruh piksel dalam citra
ni= jumlah piksel yang memiliki dearaj keabuan i
Citra yang baik memiliki histogram yang mengisi daerah derajat
keabuan secara penuh dengan distribusi yang merata pada setiap nilai setiap
nilai intensitas pixel. Dimana nilai intensitas untuk citra grayscale adalah 0-
255, seperti pada gambar 2.12.
Gambar 2.12 Kategori citra (a). citra gelap (b). citra terang (c). citra normal
(normal brightness) (d). normal brightness dan high contras
2.4.2.1 Fitur Histogram
Ekstraksi fitur histogram akan memberikan informasi
distribusi citra berparas keabuan (Aggarwal dan Agrawal, 2012).
Sebuah pendekatan berdasarkan properti statistik dari intensitas
histogram sering dijumpai pada analisis tekstur. Fitur yang terdapat
pada tekstur statistic orde pertama (FO, the first-order statistics
texture) adalah sebagai berikut (Kadir dan Susanto, 2013):
1. Rerata intensitas atau average gray level akan menghasilkan
rata-rata dari kecerahan objek.
𝑓𝐴𝑣𝐺𝐿 = ∑𝐿−1
𝑖=0 𝑖 𝑝(𝑖).......................................................(2.20)
𝑓𝑆𝑇𝐷 =√∑𝐿−1 2
𝑖=0 ((𝑖) − 𝑓𝐴𝑉𝐺𝐿 ) 𝑝(𝑖) ..............................(2.21)
𝑓(𝐴𝑣𝐺𝐿)2 = ∑𝐿−1 2
𝑖=0 𝑖 𝑝(𝑖)..................................................(2.24)
DEuclidean = √∑𝑀 2
𝑖=1(𝑎𝑖 − 𝑏𝑖 ) .............................................................(2.25)
Dimana D(ai,bi) merupakan jarak skalar dari dua buah vektor a dan
b, dimana a merupakan data uji, dan b merupakan data latih, sedangkan M
merupakan jumlah fitur dalam vektor. Nilai jarak yang didapatkan pada
persamaan 2.25 akan digunakan sebagai nilai kedekatan atau kemiripan
antara data uji dengan data latih. Pada gambar 2.1 ditunjukan bahwa jika k
bernilai 1, kelas dari 1 data latih sebagai tetangga terdekat (terdekat
pertama) dari data uji tersebut akan diberikan sebagai kelas untuk data uji,
yaitu kelas 1; jika k bernilai 2, akan diambil 2 tetangga terdekat dari data
latih, dan begitupula nilai k selanjutnya. Jika dalam k-tetangga ada dua kelas
yang berbeda, akan diambil kelas dengan jumlah data terbanyak (Prasetyo,
2012).
menggunakan sifat dan bentuk matriks. Matlab merupakan bahasa software yang
sering digunakan untuk numerik untuk menyelesaikan masalah-masalah yang
melibatkan operasi matematika elemen, matrik, optimasi. Sehinga matlab banyak
digunakan pada : (1). Metematika dan komputasi, (2) pengembangan dan algoritma,
(3) pemrograman modeling (4) analisa data eksplorasi dan visualisasi, (5) analisis
numerik dan statis, dan (6) pengembangan aplikasi teknik (Putra, 2010).
Software matlab juga disebut sebagai bahasa dengan kinerja tinggi dalam
mengatasi komputasi pada masalah-masalah teknik, dalam proses pemakaiannya
matlab sangat mudah untuk digunakan karena telah memadukan antara komputasi,
visualisasi, dan pemrograman ke dalam satu model dimana penyelesaian masalah
pada matlab dalam bentuk notasi matematika (Iqbal, 2009). Menurut Iqbal (2009)
Matlab mempunyai 5 susunan utama yang terdiri dari :
1. Development environment : terdiri dari kumpulan perangkat-perangkat dan
fasilitas untuk memudahkan penggunaan fungsi dan file pada matlab dalam
bentuk graphical user interfaces (GUI), seperti dekstop, command history,
editor, debuger, workspace, file, dan search path.
2. Matlab matematical function library : kumpulan berbagai macam algoritma
komputasi yang terdiri dari fungsi-fungsi seperti, sum, sin, cos, dan complex
aritmatic, matrix inverse, matrix eigen values, bessel functions, dan fast
fourier transform.
3. Matlab language : pada matlab terdapat high level matrix/array language
dengan kontrol flow statements, functions, data stuctures, input atau output,
dan fitur-fitur object oriented programming. Sehingga memungkinkan
untuk dilakukan pemrograman baik dalam skala dan lingkup yang kecil
sampai dengan skala dan lingkup yang sangat besar.
Fitur-fitur yang sering digunakan dalam berbagai pengolahan citra dengan
matlab adalah :
1. Pembacaan image : pada matlab fungsi untuk melakukan pembacaan image
standar yaitu :
Imread (‘filename’);
BAB III
METODE PENELITIAN
Studi Pustaka
Citra Thorax
Pengumpulan
data
Citra Pelatihan Citra Pengujian
Klasifikasi data
Klasifikasi menggunakan algoritma k-
Nearest
Analisis data
klasifikasi dan regresi. Klasifikasi ini membutuhkan sebuah nilai k yang merupakan
jumlah data yang memiliki nilai fitur terdekat dengan data uji. Nilai k divariasikan
untuk mendapatkan akurasi, sensitivitas, dan spesivitas yang paling tinggi.
Tahapan proses klasifikasi menggunakan KNN adalah sebagai berikut:
Mulai
Selesai
axesProcessing
axesOrginal pushbut
tonProc
ess
pushbutto
teks1 tekt2 tekt3 tekt4 tekt5 nTrain
pushbutto
Pushb Pushb Pushb Pushb Pushb nTest
Gambar 3.5 Rancangan Jendela
utton
Pemrosesan Citra
utton utton utton utton
pushbutton
AVG STD ENT SKW MS
Reset
BAB IV
0.8
Nilai Mean
0.6
0.4
0.2
0
0 50 100 150 200 250 300
Data ke-
Normal TB
2.22, dimana sebaran nilai entropi ditunjukan pada gambar 4.3. Pada citra normal,
nilai entropi berkisar antara 6,766907 sampai 7,322773 dengan rata-rata bernilai
6,961385. Kemudian pada citra Tuberkulosis memiliki nilai entropi berkisar antara
6,808372 sampai 7,453951 dengan rata-rata bernilai 7,257159. Berdasarkan data
tersebut, nilai entropi citra tuberkulosis memiliki nilai yang lebih besar daripada
citra normal, dimana nilai entropi ini menandakan tingkat ketidakteraturan skala
keabuan dari suatu citra.
7.4
Nilai Entropi
7.2
6.8
6.6
0 50 100 150 200 250 300
Data ke-
Normal TB
NIlai Skewness
-0.002
-0.003
-0.004
-0.005
-0.006
-0.007
Data ke-
Normal TB
0.2
0.15
0.1
0.05
0
0 50 100 150 200 250 300
Data ke-
Normal TB
0.5
0.4
0.3
0.2
0.1
0
0 50 100 150 200 250 300
Data ke-
Normal TB
berfungsi sebagai kelas dari data latih. Kelas dari data tersebut dibedakan menjadi
2 bagian, yaitu normal dan tuberkulosis, yang masing-masing dimisalkan sebagai
angka 0 dan 1. Sementara itu, data uji merupakan matriks yang terdiri atas 50 x 7,
dimana 50 baris merupakan banyaknya data uji dengan 5 kolom fitur dan kolom
terakhir merupakan kelas. Data latih maupun data uji akan dilampirkan pada
Lampiran 2.
Hasil fitur ekstraksi histogram berupa mean, entropi, skewness, standard
deviasi, mean square akan menjadi masukan pada tahap pengujian. Variasi
kombinasi fitur yang akan dilakukan pada tahap pengujian yaitu sebanyak 25
kombinasi fitur. Kombinasi dari fitur histogram diharapkan mampu memberikan
kombinasi fitur yang paling optimal dan mendapatkan tingkat akurasi yang terbaik.
Untuk melakukan pengujian data, dilakukan dengan menghitung jarak Euclidian
yang telah dibahas pada bab sebelumnya. Jarak tersebut akan menentukan kelas dari
data uji dengan cara melihat banyaknya k data terdekat. Apabila banyaknya k
terdekat merupakan kelas dari citra paru normal, maka data uji tersebut
diklasifikasikan sebagai kelas paru normal atau kelas 0, hal ini berlaku juga untuk
kelas citra tuberkulosis. Untuk mendapatkan hasil klasifikasi paling optimal, maka
pada penelitian ini variabel k divariasikan dengan nilai 1 sampai dengan 99 dengan
menggunakan 5-fold cross-validation. Pemilihan nilai k yang optimal bergantung
pada nilai akurasi pada nilai yang diujikan seperti yang terlihat pada hasil percobaan
yang dilakukan dibawah ini:
Tombol ‘detection’ berfungsi untuk mengetahui hasil klasifikasi dari program yang
akan ditampilkan pada heldIg.Tombol akurasi berfungsi untuk menampilkan nilai
akurasi dari data yang dipilih serta tombol ‘exit’ yang berfungsi untuk menutup
program. Tampilan program jendela deteksi ditunjukan pada Gambar 4.9.
BAB V
5.1 Kesimpulan
Berdasarkan hasil penelitian Penggunaan Ekstraksi Fitur Histogram
Berbasis Metode k-Nearest Neighbor Untuk Deteksi Tuberkulosis Citra Thoraks:
1. Fitur histogram yang paling optimal sebagai masukan klasifikasi k-Nearest
Neighbro (k-NN) adalah 24 macam kombinasi fitur selain kombinasi fitur
skewness dan standard deviasi.
Sehingga dapat disimpulkan bahwa metode ekstraksi fitur histogram dengan
kombinasi fitur di atas serta klasifikasi k-NN dengan k=5 sampai dengan k=99
dapat diaplikasikan dalam program untuk mendeteksi tuberkulosis paru citra
thoraks.
2. Tingkat akurasi ektraksi fitur histogram berbasis metode k-Nearest
Neighbor untuk deteksi tuberkulosis paru menggunakan citra thoraks yang
paling tinggi sebesar 96% dengan sensitivitas 96% dan spesifisitas 96% dan
nilai k yang paling optimal adalah k=5 sampai dengan k=99.
5.2 Saran
Berdasarkan penelitian dan pembahasan, beberapa saran untuk peneliti dimasa
mendatang, yaitu:
1. Perlunya menggali metode cropping citra pada daerah Region of Interest
(ROI) citra thoraks secara optomatis, karena dalam penelitian ini penulis
masih menggunakan ROI 640x640 piksel dengan batas seluruh bagian paru-
paru secara manual.
2. Perlu dilakukan konsultasi dengan ahli medis dalam menentukan ukuran
cropping citra untuk identifikasi citra tuberkulosis maupun normal sebagai
masukan ekstraksi fitur histogram.
3. Perlunya mencoba untuk menggunakan 4 macam fitur ekstraksi dalam
penelitian dimasa mendatang tanpa mengikutkan fitur skewness dalam
penelitian ini.
DAFTAR PUSTAKA
Aggrawal, Namita dan Agrawal, R.K. 2012. First and Second Order Statistics
Feature for Classification of Magnetic Resonance Brain Image. India :
Journal of Signal and Information Processing.
American Cancer Society. 2014. Cancer Fact & Figures 2014. Georgia : American
Cancer Society.
Atkins, P.W. 1999. Kimia Fisika Jilid 2 Edisi ke-4. Jakarta : Erlangga.
Barret, Kim. dkk. 2010. Ganong’s Review of Medical Physiology 23rd Edition.
McGraw Hill : US.
Bisri, Hasan. dkk. 2013. Klasifikasi Citra Paru-Paru dengan Ekstraksi fitur
Histogram dan Jaringan Syaraf Tiruan Backpropagation. Jurnal Sains dan
Seni Pomits Vol. 2 No. 2 : 2337-3520.
Boel, Trelia. 2009. Dental radiografi, Prinsip dan Teknik. Medan : USU Press.
Croft. J., Norman. H., and Fred, M. 2002. Tuberkulosis Klinik Edisi 2. Jakarta :
Penerbit Widya Medik.
Endahyani, Siti Nur. dkk. 2010. Histogram dan Nilai Derajat Keabuan Citra
Thoraks Computed Radiography (CR) untuk Penderita Tuberkulosis Paru-
Paru. Jurnal Sains dan Matematika (JSM) Vol. 18 No. 4 : 118-122.
Hiswara, Eri. 2015. Buku Pintar Proteksi Dan Keselamatan Radiasi Di Rumah
Sakit. Jakarta : BATAN Press.
Kadir, Abdul dan Adhi Susanto. 2013. Teori dan Aplikasi Pengolahan citra.
Yogyakarta : Penerbit ANDI.
Liu L, Özsu MT. 2009. Encyclopedia of Database Systems (edisi ke-1). New
York, US: Springer.
Munthe, Helmina B. 2013. Analisa Hasil Diagnosa Tumor Paru pada Gambaran
Topogram Penggunaan pesawat CT-Scan Dibandingkan dengan Penggunaan
Pesawat Sinar X Konvensional. Medan : Departemen Fisika Fakultas Matematika
dan Ilmu Pengetahuan Alam. Universitas Sumatera Utara.
Naresh, Prashant., dan Dr. Rajashree Shettar. 2014. Early Detection of Lung Cencer
Using Neural Network Techniques. International Journal of Enginering
Research and Applications Vol. 4, Issue 8 : 78-83.
Nixon, Mark dan Aguado, Alberto. 2008. Feature Extraction & Image Processing,
2nd Edition. Hungary: Elsevier.
Prasetyo, Eko. 2012. Data Mining: Konsep dan Aplikasi Matlab. Yogyakarta:
Penerbit Andi.
Rahmadewi, R., dan Kurnia, R., 2016, Klasifikasi Penyakit Paru Berdasarkan Citra
Rontgen dengan Metoda Segmentasi Sobel, Jurnal Nasional Teknik Elektro,
Volume 5, Nomor 1, Jurusan Teknik Elektro Unand.
Widiastuti, Wenny. dkk. 2012. Aplikasi Sistem Pakar Deteksi Dini Penyakit
Tuberkulosis. Jurnal Algoritma Vol. 09 No. 06.
Wulan, Tri Deviasari. dkk. 2014. Deteksi Kanker Paru-Paru Dari Citra Foto
Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation. Jurnal
Program Studi Fisika Fakultas Sains dan Teknologi Universitas Airlangga:
Surabaya.
LAMPIRAN 1
'gui_OpeningFcn', @Utama_OpeningFcn,
...
'gui_OutputFcn', @Utama_OutputFcn,
...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State,
varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
'gui_OutputFcn',
@Cropping_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State,
varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
h=imrect;
position=wait(h);
m=imcrop(gbr,position);
% hasil1=rgb2gray(m);
% handles.hasil1=hasil1;
axes(handles.axes2)
imshow(m);
%
% *See GUI Options on GUIDE's Tools menu. Choose
"GUI allows only one
% instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State,
varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
[a b]=size(datalatih);
[c d]=size(datauji);
for kk=1:c
for i=1:a
sum=0;
for j=1:b
lala=(datauji(kk,j)- datalatih(i,j))^2;
sum=sum+lala;
end
y=sqrt(sum);
euc(i,:)=y;
end
u=horzcat(euc,kelaslatih);
urut=sortrows(u);
sum1=0;
sum2=0;
k=15;
for ii=1:k
if urut(ii,2)==1
sum1=sum1+1;
else
sum2=sum2+1;
end
end
if sum1>sum2
klasuji=1;
else
klasuji=0;
end
uji(1,:)=klasuji
end
uji;
if uji==1
helpdlg('indikasi Tuberkulosis','Hasil:');
elseif uji==0
helpdlg('Paru Normal','Hasil:');
else
end
% --- Executes on button press in pushbutton2.
function pushbutton2_Callback(hObject, eventdata,
handles)
% hObject handle to pushbutton2 (see GCBO)
% eventdata reserved - to be defined in a future version
of MATLAB
% handles structure with handles and user data (see
GUIDATA)
[namafile,direktori]=uigetfile({'*.jpg';},'Akuisi Citra
Digital');
if isequal(namafile,0)
return;
end
citra=imread(namafile);
set(handles.figure1,'CurrentAxes',handles.axes1);
set(imshow(citra));
set(handles.figure1,'UserData',citra);
set(handles.axes1,'UserData',citra);
% --- Executes on button press in pushbutton3.
function pushbutton3_Callback(hObject, eventdata,
handles)
% hObject handle to pushbutton3 (see GCBO)
% eventdata reserved - to be defined in a future version
of MATLAB
% handles structure with handles and user data (see
GUIDATA)
image=getimage(handles.axes1);
h=imhist(image)';
h=h/sum(h);
i=[0:255]/255;
mean=i*h';
ent=-h*log2(h+eps)';
skew=(i-mean).^3*h';
std=abs(i-mean)*h';
ms=i.^2*h';
tab(1,1)=mean;
tab(1,2)=ent;
tab(1,3)=skew;
tab(1,4)=std;
tab(1,5)=ms;
set(handles.uitable2,'Data',tab);
B=tab;
sheet=1;
%*****saving features*****
filename='datauji2.xlsx';
xlswrite(filename,B,sheet,'B2:F2');
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State,
varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
datalatih=citralatih(1:200,[2 5]);
kelaslatih=citralatih(1:200,7);
citrauji=get(handles.uitable2,'Data');
datauji=citrauji(1:50,[2 5]);
[a b]=size(datalatih);
[c d]=size(datauji);
for kk=1:c
for i=1:a
sum=0;
for j=1:b
lala=(datauji(kk,j)- datalatih(i,j))^2;
sum=sum+lala;
end
y=sqrt(sum);
euc(i,:)=y;
end
u=horzcat(euc,kelaslatih);
urut=sortrows(u);
sum1=0;
sum2=0;
k=str2num(get(handles.edit1,'string'));
for ii=1:k
if urut(ii,2)==1
sum1=sum1+1;
else
sum2=sum2+1;
end
end
if sum1>sum2
klasuji=1;
else
klasuji=0;
end
kelasuji(kk,:)=klasuji;
end
kelasuji;
kelasasli=citrauji(1:50,7);
datauji=[kelasasli kelasuji];
jumlahdatauji=size(kelasuji,1);
jumsesuai=0;
for i=1:jumlahdatauji
if kelasuji(i)==kelasasli(i)
jumsesuai=jumsesuai+1;
end
end
jumsesuai;
akurasi=(jumsesuai/jumlahdatauji)*100;
set(handles.edit2,'string',akurasi);
% str2double(get(hObject,'String')) returns
contents of edit2 as a double
LAMPIRAN 2
Nilai Fitur
Data Ke- Mean Entropi Skewness Std. Deviasi Mean. Sqr Kelas
1 0,73932 6,826138 -0,00170394 0,11104053 0,564066684 0
2 0,73409 6,821381 -0,00140651 0,11425155 0,556574339 0
3 0,73963 6,8784 -0,00088622 0,11138318 0,5636355 0
4 0,71176 6,897857 -0,00092303 0,12221366 0,525737269 0
5 0,68645 6,861045 -0,0001669 0,11035942 0,486975188 0
6 0,71062 6,831207 -0,00054657 0,11373477 0,521608412 0
7 0,78715 6,837694 -0,00122312 0,11079594 0,636290338 0
8 0,74516 6,766907 -0,00149061 0,10993904 0,572285636 0
9 0,77201 6,684979 -0,00074424 0,09932006 0,609443424 0
10 0,68539 6,868099 -1,4734E-05 0,11464358 0,486701436 0
11 0,71936 6,906748 -0,00101512 0,11924877 0,536184643 0
12 0,71674 6,943568 -0,00181735 0,11460495 0,532346251 0
13 0,71726 6,969482 -0,00112043 0,12171401 0,534352095 0
14 0,73165 6,933382 -0,00096098 0,1202221 0,554057095 0
15 0,72264 6,922715 -0,00117375 0,12140289 0,541619964 0
16 0,7609 6,936958 -0,0016473 0,11998027 0,598645948 0
17 0,65005 7,288554 -0,0032001 0,16574716 0,458704213 0
18 0,71602 6,911264 -0,00121621 0,11465808 0,530603513 0
19 0,72873 6,939448 -0,00123358 0,11803746 0,549720758 0
20 0,70491 6,823599 -0,00076646 0,1103191 0,512933732 0
21 0,71059 6,889684 -0,0006881 0,1139486 0,52199325 0
22 0,71555 6,905152 -0,00051713 0,12183548 0,530665974 0
23 0,72804 6,914463 -0,00131499 0,12007023 0,549203332 0
24 0,72595 6,882814 -0,00108936 0,1161478 0,545008281 0
25 0,69553 6,96307 -0,0003542 0,11944584 0,502190541 0
26 0,64983 7,289039 -0,00443772 0,15913058 0,457088974 0
27 0,71828 6,845461 -0,00029822 0,10397646 0,530536557 0
28 0,72582 6,908311 -0,00112055 0,11778982 0,545299246 0
29 0,70182 6,8639 -0,00055778 0,11448994 0,50950997 0
30 0,7515 7,064923 -0,00191983 0,13517294 0,58977006 0
31 0,72863 6,840448 -0,00172278 0,11556312 0,549248829 0
32 0,70705 6,945258 -0,00047381 0,12117481 0,518745792 0
33 0,72639 6,875868 -0,00064804 0,11869603 0,54558565 0
34 0,73081 6,924363 -0,00083395 0,11684051 0,551995158 0
35 0,73505 6,951017 -0,00152287 0,12360943 0,560605091 0
Data Ke- Mean Entropi Skewness Std. Deviasi Mean. Sqr Kelas
1 0,71778 6,98459 -0,001284 0,124655 0,5357758 0
2 0,72152 6,90328 -0,001168 0,1159564 0,5388487 0
3 0,7137 6,88175 -0,000413 0,1149179 0,5264873 0
4 0,76727 6,83299 -0,0011 0,1171418 0,6065529 0
5 0,6995 6,86363 -0,000724 0,1115311 0,5056364 0
6 0,62254 7,34484 -0,001435 0,1705327 0,4239688 0
7 0,73722 6,93135 -0,00074 0,1160336 0,5615741 0
8 0,7243 6,91465 -0,000939 0,1168204 0,5425908 0
9 0,7342 6,81351 -0,00093 0,1181771 0,5569095 0
10 0,63413 7,35178 -0,003042 0,1648346 0,438296 0
11 0,62386 7,3284 -0,002261 0,1614951 0,4230828 0
12 0,69651 6,9755 -0,001464 0,1181683 0,5046044 0
13 0,62473 7,35817 -0,001489 0,1787835 0,4297443 0
14 0,61874 7,31852 -0,001402 0,1545929 0,4137856 0
15 0,76537 6,77326 -0,000911 0,1106158 0,6018894 0
16 0,62262 7,32153 -0,002127 0,1644974 0,4222775 0
17 0,75723 6,81273 -0,002079 0,11515 0,5919477 0
18 0,75303 6,99029 -0,001029 0,1241491 0,5874427 0
19 0,62724 7,30472 -0,002023 0,1655923 0,4281504 0
20 0,73523 6,72388 -0,000932 0,1103714 0,5565714 0
21 0,61067 7,33053 -0,000911 0,1657838 0,407585 0
22 0,61185 7,36625 -0,001271 0,1727112 0,4117202 0
23 0,73764 6,82933 -0,001014 0,1084755 0,5600924 0
24 0,72094 6,88519 -0,000648 0,1112165 0,5363116 0
25 0,71143 6,98291 -0,002063 0,1219809 0,5268929 0
26 0,64232 7,36081 -0,001966 0,1568336 0,4453058 1
27 0,64454 7,33606 -0,002206 0,1749932 0,4534518 1
28 0,61894 7,3515 -0,001009 0,1725531 0,4200316 1
29 0,64932 7,32158 -0,003309 0,1559031 0,4545788 1
30 0,6326 7,32149 -0,003955 0,1602849 0,4353202 1
31 0,63138 7,34252 -0,001633 0,1699243 0,4349473 1
32 0,62835 7,42111 -0,001709 0,1717741 0,4325337 1
33 0,67056 7,35393 -0,003756 0,1686871 0,4875842 1
34 0,68439 7,28461 -0,002037 0,1601277 0,5015896 1
LAMPIRAN 3
7 74 60 60 84 96 68 84 92 76 84 92 72 88 88 88
15 72 60 60 84 92 72 88 92 84 80 88 72 94 96 92
25 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
31 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
35 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
39 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
43 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
47 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
51 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
55 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
59 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
63 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
67 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
71 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
75 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
79 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
83 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
87 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
91 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
95 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
99 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
1 62 72 52 74 80 68 80 84 76 72 76 68 82 76 88
3 72 88 56 80 92 68 86 96 76 76 84 68 90 88 92
5 74 88 60 82 92 72 90 96 84 80 88 72 94 92 96
7 74 88 60 82 92 72 88 92 84 80 88 72 92 88 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Std
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 70 80 60 76 76 76 78 80 76 74 80 68 80 80 80
3 72 84 60 80 88 72 84 80 88 74 80 68 88 80 96
5 72 84 60 80 92 68 80 84 76 80 88 72 90 88 92
7 72 84 60 80 92 68 82 84 80 80 88 72 92 96 88
15 72 84 60 80 92 68 84 92 76 78 84 72 92 96 88
25 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
31 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
35 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
39 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
43 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
47 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
51 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
M-Msq
55 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
59 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
63 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
67 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
71 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
75 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
79 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
83 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
87 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
91 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
95 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
99 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
1 56 80 32 72 80 64 84 92 76 60 76 44 82 76 88
3 72 88 56 78 92 64 84 88 80 72 84 60 88 84 92
5 74 88 60 80 92 68 86 88 84 80 88 72 92 88 96
7 72 84 60 82 92 72 90 96 84 80 88 72 96 96 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
Ent-Sk
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 68 84 52 72 84 60 80 88 72 70 76 64 86 76 96
3 72 88 56 78 88 68 90 88 80 72 80 64 92 92 92
5 74 88 60 80 92 68 88 92 84 80 88 72 96 96 96
7 74 88 60 82 92 72 88 92 84 80 88 72 94 92 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
Ent-Std
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 70 88 52 78 88 92 82 92 72 72 84 60 78 68 88
3 72 84 60 78 88 68 84 96 72 72 80 63 82 76 88
5 74 88 60 82 92 72 88 96 80 76 80 72 90 84 96
7 74 88 60 82 92 72 88 92 84 78 84 72 88 80 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
Ent-Msq
55 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
1 70 88 52 78 92 64 78 92 64 72 88 56 84 88 80
3 74 88 60 80 92 68 86 92 80 80 88 72 84 88 80
5 74 88 60 80 92 68 90 96 84 78 88 68 94 96 92
7 74 88 60 80 92 68 90 96 84 80 88 72 96 96 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
Sk-Std
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 68 76 60 76 76 76 76 76 76 76 84 68 76 68 84
3 66 76 56 76 92 60 78 92 64 74 80 68 78 76 80
5 70 80 60 78 92 64 80 88 72 78 84 72 80 76 84
7 68 76 60 78 92 64 80 88 72 78 84 72 90 92 88
15 72 84 60 80 92 68 84 92 76 78 84 72 92 96 88
25 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
31 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
35 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
39 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
43 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
47 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
51 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
Sk-Msq
55 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
59 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
63 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
67 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
71 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
75 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
79 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
83 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
87 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
91 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
95 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
99 72 60 84 80 68 92 84 76 92 78 72 84 92 88 96
1 60 64 56 76 80 72 80 76 84 72 72 72 86 76 96
3 70 88 52 78 92 64 84 96 72 74 84 64 88 88 88
5 74 88 60 80 92 68 88 96 80 80 88 72 90 88 92
7 74 88 60 82 92 72 90 96 84 80 88 72 94 92 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
Std-Msq
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 74 88 60 76 84 68 74 84 64 76 84 68 78 72 84
3 70 80 60 78 88 68 86 92 80 72 80 64 82 76 88
5 72 84 60 82 92 72 88 96 80 76 84 68 90 84 96
7 74 88 60 82 92 72 90 96 84 80 88 72 90 84 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Ent-Sk
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 72 88 56 74 80 68 74 84 64 74 76 72 78 72 84
3 72 84 60 80 92 68 84 92 76 72 80 64 82 76 88
5 74 88 60 82 92 72 86 92 80 76 84 86 88 80 96
7 74 88 60 82 92 72 90 92 88 78 84 72 90 84 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Ent-Std
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 68 88 48 76 88 64 74 88 60 74 88 60 78 68 88
3 72 84 60 78 88 68 84 96 72 74 80 68 82 76 88
5 74 88 60 82 92 72 88 96 80 80 88 72 84 72 96
7 74 88 60 82 92 72 88 92 84 80 88 72 86 76 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Ent-Msq
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 68 84 52 72 84 60 80 88 72 70 76 64 86 76 96
3 72 88 56 78 88 68 90 88 80 72 80 64 92 92 92
5 72 84 60 78 88 68 88 92 84 78 84 72 96 96 96
7 74 88 60 82 92 72 88 92 84 80 88 72 94 92 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
Ent-Sk-Std
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 70 88 52 78 88 68 82 92 72 72 84 60 78 68 88
3 72 84 60 78 88 68 84 96 72 72 80 64 82 76 88
5 74 88 60 82 92 72 88 96 80 76 80 72 90 84 96
7 74 88 60 82 92 72 88 92 84 78 84 72 88 80 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
Ent-Sk-Msq
55 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 82 96 80 72 88 96 96 96
1 60 64 56 76 80 72 80 76 84 72 72 72 86 76 96
3 70 88 52 78 92 64 82 92 72 74 84 64 88 88 88
5 74 88 60 80 92 68 88 96 80 80 88 72 90 88 92
7 74 88 60 82 92 72 90 96 84 80 88 72 94 92 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
Sk-Std-Msq
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 62 72 52 74 80 60 80 84 72 74 76 64 82 76 96
3 72 88 56 80 92 68 86 96 80 76 84 64 90 88 92
5 74 88 60 80 92 68 88 96 84 80 88 72 94 92 96
7 74 88 60 82 92 72 90 96 84 80 88 72 92 88 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Sk-Std
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 72 84 60 78 80 76 82 88 76 78 84 72 80 80 80
3 74 88 60 82 92 72 84 80 88 76 84 68 88 80 96
5 72 84 60 80 92 68 80 84 76 80 88 72 90 88 92
7 72 84 60 80 92 68 80 84 76 80 88 72 94 96 92
15 72 84 60 80 92 68 84 92 76 78 84 72 92 96 88
25 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
31 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
35 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
39 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
43 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
47 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
51 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
M-Sk-Msq
55 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
59 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
63 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
67 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
71 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
75 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
79 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
83 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
87 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
91 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
95 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
99 72 60 84 82 72 92 88 84 92 78 72 84 96 96 96
1 62 68 56 78 84 72 82 88 76 70 72 68 84 80 88
3 70 88 52 78 92 64 80 88 72 76 88 64 86 88 84
5 74 88 60 80 92 68 86 92 80 80 88 72 92 92 92
7 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Std-Msq
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 72 88 56 74 80 68 74 84 64 74 76 72 78 72 84
3 72 84 60 80 92 68 84 92 76 72 80 64 82 76 88
5 74 88 60 82 92 72 86 92 80 76 84 68 88 80 96
7 74 88 60 82 92 72 90 92 88 78 84 72 90 84 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Ent-Sk-Std
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 68 88 48 76 88 64 74 88 60 74 88 60 80 72 88
3 72 84 60 78 88 68 84 96 72 74 80 68 82 76 88
5 74 88 60 82 92 72 88 96 80 80 88 72 84 72 96
7 74 88 60 82 92 72 88 92 84 80 88 72 86 76 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Ent-Sk-Msq
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 70 84 56 74 84 64 74 84 64 72 76 68 80 72 88
3 74 84 64 78 88 68 84 96 72 74 80 68 84 80 88
5 74 88 60 84 92 76 86 92 80 78 84 72 84 72 96
7 74 88 60 82 92 72 88 92 84 78 84 72 86 76 96
15 74 88 60 82 92 72 90 96 84 80 88 72 94 92 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Ent-Std-Msq
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 62 68 56 78 84 72 82 88 76 72 72 72 84 80 88
3 70 88 52 78 92 64 80 88 72 76 88 64 86 88 84
5 74 88 60 80 92 68 86 92 80 80 88 72 92 92 92
7 74 88 60 82 92 72 90 96 84 80 88 72 94 92 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
M-Sk-Std-Msq
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
1 72 88 56 74 84 64 76 88 64 72 76 68 80 72 88
3 76 88 64 80 92 68 82 92 72 74 84 64 82 76 88
5 74 88 60 82 92 72 88 92 84 78 84 72 90 84 96
7 74 88 60 82 92 72 88 92 84 78 84 72 88 80 96
15 74 88 60 82 92 72 90 96 84 80 88 72 96 96 96
25 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
31 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
35 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
39 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
43 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
47 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
51 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
Ent-Sk-Std-Msq
55 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
59 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
63 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
67 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
71 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
75 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
79 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
83 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
87 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
91 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
95 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96
99 74 60 88 82 72 92 90 84 96 80 72 88 96 96 96