DAFTAR REFERENSI. xii
|
|
- Doddy Susanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 DAFTAR REFERENSI [AMI98] Amin, A., Singh, S. (1998). Recognition of Hand-printed Chinese Characters using Decision Trees/Machine Learning C4.5 System. Pattern Analysis and Applications Vol. 1 Issue 2 Pp [AMI99] Amin, A., Singh, S. (1999). Recognition of Hand-Printed Characters via Induct- RDR.ICDAR [COM89] Compton, P., Jansen, R. (1989). A Philosophical Basis for Knowledge Acquisition. Garvan Institute of Medical Research Technical Report. [COM00] Compton, P., Richards, D. (2000). Generalising Ripple-Down Rules. Knowledge Engineering and Knowledge Management: Methods, Models, Tools, Eds. R. Dieng; O. Corby, Juan-les-Pins France. Berlin, Springer. pp [FUK00] Fukushima, T., Nakagawa, M. (2000). On-line Writing-box-free Recognition of Handwritten Japanese Text Considering Character Size Variations. [GAI92] Gaines, B. R., Compton, P. J. (1992). Induction of Ripple Down Rules. Proceedings of the 5 th Australian Joint Conference on Artificial Intelligence, Hobart, Tasmania. Singapore, World Scientific [ISH99] Ishigaki, K., Tanaka, H., Iwayama, N. (1999). Interactive Character Recognition for Pen-based Technology. Fujitsu Sci. Tech Journal, 35, 2, pp [JAE03] Jaeger, S., Jaeger, S., Liu, C.L., Nakagawa, M. (2003). The State of The Art in Japanese Online Handwriting Recognition Compared to Techniques in Western Handwriting Recognition. IJDAR (2003) vol. 6 pp [LIT96] Littin, J. (1996). Thesis. New Zealand, University of Waikato. [LIU04] Liu, C.L., Jaeger, S., Nakagawa, M. (2004). Online Recognition of Chinese Characters: The State of The Art. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 26 No.2, February [MIT97] Mitchell, T. M. (1997). Machine Learning. Singapore, McGraw-Hill Company. [NAK96a] Nakagawa, M., Oguni, T., Homma, A. (1996). A Coarse Classification of On-Line Handwritten Character. Proc. Fifth International Workshop Frontiers Handwriting Recognition (IWFHR 96), pp xii
2 xiii [NAK96b] Nakagawa, M., Akiyama, K., Tu, L. V., Homma, A., Kigashiyama, T. (1996). Robust and Highly Customizable Recognition of On-Line Handwritten Japanese Characters. 13 th International Conference on Pattern Recognition (ICPR'96) Vol. 3 p [NAK97] Nakagawa, M. et al. On-line Handwritten Character Pattern Database Sampled in a Sequence of Sentences without Any Writing Instructions. Fourth International Conference on Document Analysis and Recognition (ICDAR), Ulm (Germany), pages [ROW02] Rowley, H.A., Goyal, M., Benett, J. (2002). The Effect of Large Training Set Sizes on Online Japanese Kanji and English Cursive Recognizers. Proceedings of the Eighth International Workshop on Frontiers in Handwriting Recognition. IEEE Computer Society. [SUD04] Sudjianto, Dahidi, A. (2004). Pengantar Linguistik Bahasa Jepang. Jakarta, Kesaint Blanc. [TAP90] Tappert, C.C., Suen, C.Y., Wakahara, T. (1990). The State of The Art in On-Line Handwriting Recognition. IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol. 12, No. 8. [YHA81] Yhap, E. F., Greanias, E. C. (1981). An On-Line Chinese Character Recognition System. IBM Journal Research Department Vol. 25 No. 3. [VUO02] Vuori, V., Aksela, M., Girdziusas, R., Laaksonen, J., Oja, E. (2002). On-line Recogniton of Handwritten Characters. [WIT00] Witten, I. H., Frank, E. (2000). Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. USA, Morgan Kaufmann Publishers.
3 LAMPIRAN A FEATURE EXTRACTION PADA 46 SILABEL DASAR HURUF KATAKANA Tabel A-1 Jenis dan urutan segmen dan posisi relatif antar segmen Huruf Jumlah Urutan dan jenis segmen Posisi relatif antar segmen Lafal Katakana segmen Seg1 Seg2 Seg3 Seg4 Seg5 Seg2_1 Seg3_2 Seg4_3 Seg5_4 A ア 3 R-Hor - - S-East West - - I イ 2 Ver Center U ウ 4 Ver Ver R-Hor - S-West East South - E エ 3 R-Hor Ver R-Hor - - South South - - O オ 4 R-Hor Ver U- - Center West West - Ka カ 3 R-Hor - - S-East West - - Ki キ 3 R-Hor R-Hor - - South Center - - Ku ク 3 R-Hor - - East South - - Ke ケ 3 R-Hor - - Center South - - Ko コ 3 R-Hor Ver R-Hor - - South South - - A-1
4 A-2 Huruf Jumlah Urutan dan jenis segmen Posisi relatif antar segmen Lafal Katakana segmen Seg1 Seg2 Seg3 Seg4 Seg5 Seg2_1 Seg3_2 Seg4_3 Seg5_4 Sa サ 4 R-Hor Ver Ver - Center East South - Shi シ 3 U- - - North S-East - - Su ス 3 R-Hor - - South Center - - Se セ 4 R-Hor Ver R-Hor - S-East East South - So ソ East Ta タ 4 R-Hor - East South Center - Chi チ 3 R-Hor - - South Center - - Tsu ツ East East - - Te テ 3 R-Hor R-Hor - - South South - - To ト 2 Ver Center Na ナ 2 R-Hor Center Ni ニ 2 R-Hor R-Hor South Nu ヌ 3 R-Hor - - S-East Center - - Ne ネ 5 U- Ver South S-East Center East
5 A-3 Huruf Jumlah Urutan dan jenis segmen Posisi relatif antar segmen Lafal Katakana segmen Seg1 Seg2 Seg3 Seg4 Seg5 Seg2_1 Seg3_2 Seg4_3 Seg5_4 No ノ Ha ハ East Hi ヒ 3 Ver R-Hor - - Center S-East - - Fu フ 2 U S-East He ヘ 2 U East Ho ホ 5 R-Hor Ver U- Center N-West East - Ma マ 3 U- - - S-East S-West - - Mi ミ South South - - Mu ム 3 U- - - S-East Center - - Me メ Center Mo モ 4 R-Hor R-Hor Ver R-Hor - South Center S-East - Ya ヤ 3 U- - - South West - - Yu ユ 3 R-Hor R-Hor - - South Center - - Yo ヨ 4 R-Hor Ver R-Hor R-Hor - South Center North -
6 A-4 Huruf Jumlah Urutan dan jenis segmen Posisi relatif antar segmen Lafal Katakana segmen Seg1 Seg2 Seg3 Seg4 Seg5 Seg2_1 Seg3_2 Seg4_3 Seg5_4 Ra ラ 3 R-Hor R-Hor - - South South - - Ri リ 3 Ver Ver - - East South - - Ru ル 3 Ver U- - - East S-East - - Re レ 2 Ver U East Ro ロ 4 Ver R-Hor R-Hor - East South South - Wa ワ 3 Ver R-Hor - - East South - - Wo ヲ 3 R-Hor R-Hor - - South East - - N ン 2 U South - - -
7 LAMPIRAN B FEATURE EXTRACTION PADA 46 SILABEL DASAR HURUF KATAKANA Tabel B-1 Kondisi Perpotongan antar Segmen Huruf Jumlah Urutan dan jenis segmen Perpotongan antar segmen Lafal Katakana segmen Seg1 Seg2 Seg3 Seg4 Seg5 Seg2_1 Seg3_2 Seg4_3 Seg5_4 A ア 3 R-Hor - - Succ. Succ. - - I イ 2 Ver Cross U ウ 4 Ver Ver R-Hor - No-Isect Cross Succ. - E エ 3 R-Hor Ver R-Hor - - Cross Cross - - O オ 4 R-Hor Ver U- - Cross Succ. No-Isect - Ka カ 3 R-Hor - - Succ. No-Isect - - Ki キ 3 R-Hor R-Hor - - No-Isect Cross - - Ku ク 3 R-Hor - - Cross Succ. - - Ke ケ 3 R-Hor - - Cross Cross - - Ko コ 3 R-Hor Ver R-Hor - - Succ. Cross - - B-1
8 B-2 Huruf Jumlah Urutan dan jenis segmen Perpotongan antar segmen Lafal Katakana segmen Seg1 Seg2 Seg3 Seg4 Seg5 Seg2_1 Seg3_2 Seg4_3 Seg5_4 Sa サ 4 R-Hor Ver Ver - Cross Cross - - Shi シ 3 U- - No-Isect No-Isect - - Su ス 3 R-Hor - - Succ. Cross - - Se セ 4 R-Hor Ver R-Hor - Succ. No-Isect Succ. - So ソ No-Isect Ta タ 4 R-Hor Cross Succ. Cross - Chi チ 3 R-Hor - - No-Isect Cross - - Tsu ツ No-Isect No-Isect - - Te テ 3 R-Hor R-Hor - - No-Isect Cross - - To ト 2 Ver Cross Na ナ 2 R-Hor Cross Ni ニ 2 R-Hor R-Hor No-Isect Nu ヌ 3 R-Hor - - Succ. Cross - - Ne ネ 5 U- Ver No-Isect Succ. Cross No-Isect
9 B-3 Huruf Jumlah Urutan dan jenis segmen Perpotongan antar segmen Lafal Katakana segmen Seg1 Seg2 Seg3 Seg4 Seg5 Seg2_1 Seg3_2 Seg4_3 Seg5_4 No ノ Ha ハ No-Isect Hi ヒ 3 Ver R-Hor - - cross Succ. - - Fu フ 2 U Succ He ヘ 2 U Succ Ho ホ 5 R-Hor Ver U- cross Succ. No-Isect No-Isect Ma マ 3 U- - - Succ. Cross - - Mi ミ No-Isect No-Isect - - Mu ム 3 U- - - Succ. Cross - - Me メ Cross Mo モ 4 R-Hor R-Hor Ver R-Hor - No-Isect Cross Succ. - Ya ヤ 3 U- - - Succ. No-Isect - - Yu ユ 3 R-Hor Ver R-Hor - - Succ. Cross - - Yo ヨ 4 R-Hor Ver R-Hor R-Hor - Succ. Cross No-Isect -
10 B-4 Huruf Jumlah Urutan dan jenis segmen Perpotongan antar segmen Lafal Katakana segmen Seg1 Seg2 Seg3 Seg4 Seg5 Seg2_1 Seg3_2 Seg4_3 Seg5_4 Ra ラ 3 R-Hor R-Hor - - No-Isect Succ. - - Ri リ 3 Ver Ver - - No-Isect Succ. - - Ru ル 3 Ver U- - - No-Isect Succ. - - Re レ 2 Ver U Succ Ro ロ 4 Ver R-Hor R-Hor - Cross Succ. Cross - Wa ワ 3 Ver R-Hor - - Cross Succ. - - Wo ヲ 3 R-Hor R-Hor - - No-Isect Cross - - N ン 2 U No-Isect - - -
11 LAMPIRAN C DIAGRAM KELAS Controller ui MainUI kare preprocessor Parser +source: String +description: String +summary: String +time: String irdr EvaluationSummary +EvaluationSummary(src: String, desc: String, sum: String): EvaluationSummary +tostring(): String KatakanaDataset +name: String +featurevector: FastVector +trainingset: Instances -nbrelationalattributes: int = 2 +segmentattributesnominalvalue: FastVector +sideattributesnominalvalue: FastVector +intersectionattributesnominalvalue: FastVector +KatakanaDataset(data: KatakanaDatabase): KatakanaDataset 1 +source +Parser(uri: String): Parser +readfile() +readfile(uri: String): KatakanaLetter[] -iskatakana(charcode: int): boolean -isblockheader(line: String): boolean -getpoint(line: String): Point -lookup(charcode: int, letters: KatakanaLetter[]): KatakanaLetter -initstorage(letter: KatakanaLetter, charcode: int, letters: KatakanaLetter[]): ImageData -setposition(image: ImageData, row: int, column: int) Normalizer -FRAME_START_X: int = 20 -FRAME_START_Y: int = 40 -FRAME_STEP_X: int = 65 -FRAME_STEP_Y: int = 105 -FRAME_SIZE: int = 60 -NORMALIZATION_SIZE: int = 64 +normalize(image: ImageData) -repose(point: Point, row: int, column: int): Point -calcscale(height: int, width: int): int -scalepoint(point: Point, scale: int): Point SegmentExtractor -THRESHOLD: double = createsegment(stroke: ImageStroke): ImageSegment[] +setinfo(segment: ImageSegment) -isoscilatebetween(f1: double, f2: double): boolean -calcinclination(segment: ImageSegment): double -calcinclination(start: Point, end: Point): double -categorizesegment(segment: ImageSegment): double[] +filename: String +path: String +maxsegmentsize: int +nbimages: int -code: int KatakanaDatabase +KatakanaDatabase(input: File): KatakanaDatabase +append(newdata: KatakanaDatabase) +size(): int +maxsegmentsize(): int -processrawdata() +summary(): String 1..* +letters KatakanaLetter +KatakanaLetter(unicode: int): KatakanaLetter +get(): int +getimages(): KatakanaDatabase[] +addimage(image: ImageData) +spell(): String +spell(code: int): String 1 1..* -container -images +row: int +column: int +points: Point[] +rescaled: Point[] ImageData -lettercontainer +ImageData(letter: KatakanaLetter): ImageData +getcontainer(): KatakanaLetter +getrow(): int +getcolumn(): int +getstrokes(): ImageStroke[] +getstrokeat(idx: int): ImageStroke +getpoints(): Point[] +getrescaled(): Point[] +setrow(r: int) +setcolumn(col: int) +addstroke(stroke: ImageStroke) +addpoint(point: Point) +setrescaled(points: Point[]) FastVector Attribute 1 weka 1 -startpoint: Point -endpoint: Point -trajectory: Point -inclination: double datastruct ImageSegment +ImageSegment(image: ImageData): ImageSegment +get(): ImageData +getlettercontainer(): KatakanaLetter +getstartpoint(): Point +getendpoint(): Point +gettrajectory(): Point[] +getcategory(): SegmentCategory +getinclination(): double +setstartpoint(start: Point) +setendpoint(end: Point) +add(p: Point) +setcategory(category: SegmentCategory) +setinclination(degree: double) +UNDEFINED +RIGHTHORIZONTAL +LEFTHORIZONTAL +TOPVERTICAL +BOTTOMVERTICAL +TOPBACKSLASH +BOTTOMBACKSLASH +TOPSLASH +BOTTOMSLASH <<enumeration>> SegmentCategory +NONE +CROSS +SUCCESSIVE -SegmentCategory(nominal: String, numeric: int): SegmentCategory +numeric(): int +nominal(): String +determinebynumeric(numeric: int): SegmentCategory +determinebynominal(nominal: String): SegmentCategory 1 -category -imagecontainer 1 -container 1..* -segments core classifiers rules Instance Instances Classifier Evaluation +Evaluation() +evaluatemodel() +crossvalidatemodel() +tosummarystring() Ridor +Ridor() +setmajorityclass() +buildclassifier() +tostring() <<enumeration>> IntersectionType -IntersectonType(value: String): IntersectionType +nominal(): String -startpoint: Point -endpoint: Point -trace: Point[] -rescaled: Point[] -reposed: Point[] <<enumeration>> Side +NORTH +NORTHEAST +EAST +SOUTHEAST +SOUTH +SOUTHWEST +WEST +NORTHWEST +CENTER -Side(value: String): Side +nominal(): String ImageStroke +ImageStroke(img: ImageData): ImageStroke +getcontainer(): ImageData +gettraces(): Point[] +getsegments(): ImageSegment[] +gettraceat(idx: int): Point +getstartpoint(): Point +getendpoint(): Point +getnormalized(): Point[] +getrescaled(): Point[] +setstartpoint(start: Point) +setendpoint(end: Point) +add(point: Point) +add(segment: ImageSegment) +setnormalized(normalized: Point[]) +setrescaled(rescaled: Point[]) +mergeneighbouringsegments() +removesmallsegments() Gambar C-1 Diagram Kelas KaRe C-1
12 LAMPIRAN D SEQUENCE DIAGRAM KARE : Controller : KatakanaDataset : KatakanaDatabase : Parser : KatakanaLetter : ImageData : ImageStroke ImageSegment : Normalizer : SegmentExtractor 1 : trainingset := KatakanaDataset() 2 : handwriting := KatakanaDatabase() 3 : letters := readfile() 4 : KatakanaLetter() 5 : ImageData() 6 : ImageStroke() 7 : addstroke() 9 : processrawdata() 8 : addimage() 10 : normalize() 12 : mergeneighbouringsegments() 13 : removesmallsegments() 11 : createsegment() Gambar 1 Diagram Sekuens Membangun Dataset 1
13 : Controller : KatakanaDataset : Ridor : EvaluationSummary 1 : dataset := KatakanaDataset() 2 : ridor := Ridor() 3 : setmajorityclass() 4 : buildclassifier() 5 : EvaluationSummary() 6 : tostring() Gambar 2 Diagram Sekuens Membangun Pengeahuan : Controller : Evaluation : EvaluationSummary 1 : eval := Evaluation() 2 [option = trainset] : evaluatemodel() 3 [option = cross validation] : crossvalidatemodel() 4 : EvaluationSummary() 5 : tosummarystring() Gambar 3 Diagram Sekuens Evaluasi 2
14 LAMPIRAN E PENGUJIAN IMPLEMENTASI KELAS KARE Tabel E-1 Pengujian Implementasi Kelas KaRe No. Hal yang diujikan Use case Kelas yang terlibat Skenario pengujian Kriteria pengujian Hasil 1 Melakukan parsing Mempersiapkan Parser Jalankan kelas Parser File keluaran menghasilkan Sukses terhadap sebuah file data data Semua kelas dalam package datastruct huruf Katakana, image dari huruf tersebut dan posisi tiap-tiap image (baris dan kolom) 2 Melakukan proses Mempersiapkan Normalizer Jalankan kelas Normalizer File keluaran menghasilkan Sukses normalisasi posisi terhadap data huruf Katakana data Semua kelas dalam package datastruct data huruf Katakana dan posisi titik koordinat baru dari setiap image E-1
15 E-2 No. Hal yang diujikan Use case Kelas yang terlibat Skenario pengujian Kriteria pengujian Hasil 3 Melakukan proses Mempersiapkan Normalizer Jalankan kelas Normalizer File keluaran menghasilkan Sukses normalisasi ukuran terhadap data huruf Katakana data Semua kelas dalam package datastruct data huruf Katakana dan titik-titik koordinat setiap image yang sudah direscale 4 Melakukan proses Mempersiapkan Segment Jalankan kelas File keluaran menghasilkan Sukses feature extraction pada data Extractor SegmentExtractor jenis segmen, relasi antar data hasil normalisasi Semua kelas dalam package datastruct tiap dua segmen, dan kondisi perpotongan antar dua segmen dari tiap image huruf Katakana 5 Membuka sebuah file Mempersiapkan MainUI Jalankan KaRe, klik tombol File dapat dibuka, pada text Sukses data data Open New, pilih sebuah field filenamearea muncul file masukan dari dialog lokasi direktori file box, lalu klik Open
16 E-3 No. Hal yang diujikan Use case Kelas yang terlibat Skenario pengujian Kriteria pengujian Hasil 6 Membuka beberapa file Mempersiapkan MainUI Jalankan KaRe, klik tombol File dapat dibuka, pada text Sukses data data Controller Semua kelas pada package atastruct dan preprocessor Open New, pilih sebuah file masukan dari dialog box, lalu klik Open. Klik tombol Add More, pilih sebuah file, klik Open. Ulangi sebanyak jumlah field filenamearea terdpat lokasi direktori file-file yang dibuka file yang akan dibuka 7 Melakukan praproses Mempersiapkan MainUI Jalankan KaRe, klik tombol File dapat dibuka, pada text Sukses pada data masukan (satu maupun gabungan) data Controller Semua kelas pada package atastruct dan preprocessor Open New, pilih sebuah file masukan dari dialog box, lalu klik Open. Klik tombol Add More, pilih sebuah file, klik Open. Ulangi sebanyak jumlah field filenamearea terdpat lokasi direktori file-file yang dibuka, pada text area IRDR Output muncul hasil praproses file yang akan dibuka
17 E-4 No. Hal yang diujikan Use case Kelas yang terlibat Skenario pengujian Kriteria pengujian Hasil 8 Melakukan Membangun Seluruh kelas Jalankan KaRe, buka file Pada text area IRDR Sukses pembangunan pengetahuan data masukan, klik tombol Output muncul struktur pengetahuan dari data Build RDR dan ukuran pengetahuan masukan (satu maupun yang berhasil dibangun gabungan) (jumlah rule) 9 Melakukan pengujian Menguji Seluruh kelas Jalankan KaRe, buka file Pada textarea IRDR output Sukses terhadap pengetahuan pengetahuan data masukan, klik tombol muncul keterangan dari data masukan Build RDR, klik tombol pengujian dan ringkasan dengan menggunakan Evaluate hasil pengujian seluruh data sebagai data latih 10 Melakukan pengujian Menguji Seluruh kelas Jalankan Kare, buka file Muncul pesan peringatan Sukses terhadap pengetahuan pengetahuan data masukan, klik tombol Invalid format dari data masukan Build/RDR, pilih mode dengan metode pengujian Cross Validation pengujian cross dari box Test Option, text validation dan nilai fold field jumlah fold tidak diisi dikosongkan
18 E-5 No. Hal yang diujikan Use case Kelas yang terlibat Skenario pengujian Kriteria pengujian Hasil 11 Melakukan pengujian Menguji Seluruh kelas Jalankan Kare, buka sebuah Muncul pesan peringatan Sukses terhadap pengetahuan pengetahuan file data masukan, klik Invalid number dan dari data masukan tombol Build/RDR, pilih petunjuk untuk mengisi dengan metode cross- mode pengujian Cross dengan angka lebih besar validation dan nilai fold Validation dari box Test dari 2 kurang dari jumlah Option, text field jumlah minimal fold fold diisi dengan angka 1 12 Melakukan pengujian Menguji Seluruh kelas Jalankan Kare, buka sebuah Muncul pesan peringatan Sukses terhadap pengeahuan pengetahun file data masukan, klik Invalid number dan dari data masukan tombol Build/RDR, pilih petunjuk untuk tidak dengan metode cross- mode pengujian Cross mengisi dengan jumlah validation dan nilai fold Validation dari box Test yang lebih besar dari lebih besar dari jumlah Option, text field jumlah jumlah data data fold diisi dengan angka 1000
19 LAMPIRAN F PENGUJIAN PERBANDINGAN ALGORITMA PRAPROSES KARE DENGAN PRAPROSES IDEAL Tabel F-1 Perbandingan Urutan dan Jenis Segmen Pada Algoritma Praproses KaRe dengan Praproses Ideal Huruf Hasil Ideal Hasil KaRe Lafal Kat. Jml segmen (N) Seg1 Seg2 Seg3 Seg4 Seg5 Jml segmen Seg1 Seg2 Seg3 Seg4 Seg5 Jml tepat benar Akurasi (n/n) A ア 3 R-Hor ,5 I イ 2 Ver ,5 U ウ 4 Ver Ver R-Hor E エ 3 R-Hor Ver R-Hor R-Hor R-Hor ,5 O オ 4 R-Hor Ver U- - 3 R-Hor ,25 Ka カ 3 R-Hor R-Hor Ki キ 3 R-Hor R-Hor R-Hor R-Hor F-1
20 F-2 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Jml segmen (N) Seg1 Seg2 Seg3 Seg4 Seg5 Jml segmen Seg1 Seg2 Seg3 Seg4 Seg5 Jml tepat benar Akurasi (n/n) Ku ク 3 R-Hor R-Hor Ke ケ 3 R-Hor R-Hor Ko コ 3 R-Hor Ver R-Hor ,3 Sa サ 4 R-Hor Ver Ver - 3 R-Hor ,25 Shi シ 3 U- - 3 R-Hor R-Hor U ,3 Su ス 3 R-Hor R-Hor Se セ 4 R-Hor Ver R-Hor - 3 R-Hor ,5 So ソ
21 F-3 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Jml segmen (N) Seg1 Seg2 Seg3 Seg4 Seg5 Jml segmen Seg1 Seg2 Seg3 Seg4 Seg5 Jml tepat benar Akurasi (n/n) Ta タ 4 R-Hor 4 R-Hor Chi チ 3 R-Hor R-Hor Tsu ツ Te テ 3 R-Hor R-Hor R-Hor R-Hor To ト 2 Ver R-Hor Na ナ 2 R-Hor R-Hor Ni ニ 2 R-Hor R-Hor R-Hor R-Hor Nu ヌ 3 R-Hor ,67 Ne ネ 5 U- Ver 5 R-Hor 2 0,4
22 F-4 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Jml segmen (N) Seg1 Seg2 Seg3 Seg4 Seg5 Jml segmen Seg1 Seg2 Seg3 Seg4 Seg5 Jml tepat benar Akurasi (n/n) No ノ Ha ハ Hi ヒ 3 Ver R-Hor R-Hor ,67 Fu フ 2 R-Hor ,5 He ヘ 2 U R-Hor ,5 Ho ホ 5 R-Hor Ver - 4 R-Hor R-Hor - 2 0,5 Ma マ 3 R-Hor ,67 Mi ミ 3 R-Hor R-Hor R-Hor R-Hor R-Hor R-Hor Mu ム 3 R-Hor R-Hor ,67
23 F-5 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Jml segmen (N) Seg1 Seg2 Seg3 Seg4 Seg5 Jml segmen Seg1 Seg2 Seg3 Seg4 Seg5 Jml tepat benar Akurasi (n/n) Me メ Mo モ 4 R-Hor R-Hor Ver R-Hor - 4 R-Hor R-Hor R-Hor - 3 0,75 Ya ヤ 3 U R-Hor Yu ユ 3 R-Hor R-Hor R-Hor R-Hor Yo ヨ 4 R-Hor Ver R-Hor R-Hor - 3 R-Hor R-Hor ,25 Ra ラ 3 R-Hor R-Hor R-Hor R-Hor Ri リ 3 Ver Ver Ru ル 3 Ver U U ,67
24 F-6 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Jml segmen (N) Seg1 Seg2 Seg3 Seg4 Seg5 Jml segmen Seg1 Seg2 Seg3 Seg4 Seg5 Jml tepat benar Akurasi (n/n) Re レ 2 Ver U U ,5 Ro ロ 4 Ver R-Hor R-Hor - 4 R-Hor R-Hor - 3 0,75 Wa ワ 3 Ver R-Hor ,3 Wo ヲ 3 R-Hor R-Hor R-Hor N ン 2 U U Σdata Σakurasi = 46 = 31,9 Akurasi rata-rata berdasarkan jenis dan urutan segmen : akumulasi 31, x 100% = 469 data x 100% = 69,35%
25 LAMPIRAN G PENGUJIAN ALGORITMA PRAPROSES Tabel G-1 Pengujian Posisi Relatif Antar Segmen Huruf Hasil Ideal Hasil KaRe Lafal Kat. Side2_1 Side3_2 Side4_3 Side5_4 Side2_1 Side3_2 Side4_3 Side5_4 Jml tepat benar Akurasi A ア S-East West - - South I イ Center Center U ウ S-West East South - S-West East South E エ South South - - South South O オ Center West West - Center West ,67 Ka カ S-East West - - S-East West Ki キ South Center - - South Center Ku ク East South - - East South ,5 Ke ケ Center South - - Center South Ko コ South South - - South South ,5 G-1
26 G-2 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Side2_1 Side3_2 Side4_3 Side5_4 Side2_1 Side3_2 Side4_3 Side5_4 Jml tepat benar Akurasi Sa サ Center East South - Center South ,67 Shi シ North S-East - - South South Su ス South Center - - South Center Se セ S-East East South - Center South So ソ East East Ta タ East South Center - Center South Center - 2 0,67 Chi チ South Center - - South Center Tsu ツ East East - - East Center ,5 Te テ South South - - South South To ト Center Center Na ナ Center Center Ni ニ South South Nu ヌ S-East Center - - South Center ,5 Ne ネ South S-East Center East South South Center East 3 0,75 No ノ
27 G-3 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Side2_1 Side3_2 Side4_3 Side5_4 Side2_1 Side3_2 Side4_3 Side5_4 Jml tepat benar Akurasi Ha ハ East East Hi ヒ Center S-East - - West S-East Fu フ S-East South He ヘ East S-East Ho ホ Center N-West East - Center West S-East - 1 0,3 Ma マ S-East S-West - - South South Mi ミ South South - - South South Mu ム S-East Center - - East S-East Me メ Center Center Mo モ South Center S-East - South Center S-East Ya ヤ South West - - Center Yu ユ South Center - - South Center Yo ヨ South Center North - Center South Ra ラ South South - - South South Ri リ East South - - East ,5
28 G-4 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Side2_1 Side3_2 Side4_3 Side5_4 Side2_1 Side3_2 Side4_3 Side5_4 Jml tepat benar Akurasi Ru ル East S-East - - East East ,5 Re レ East East Ro ロ East South South - East South South Wa ワ East South - - East South Wo ヲ South East - - South North ,5 N ン South South Σdata = 46 Σakurasi = 31,56 Nilai akurasi rata-rata berdasarkan posisi relative antar segmen: akurasi 31,56 x 100% = data 46 x 100% = 68,61%
29 LAMPIRAN H PENGUJIAN ALGORITMA PRAPROSES KARE Tabel H-1 Pengujian Perpotongan Antar Segmen Huruf Hasil Ideal Hasil KaRe Lafal Kat. Isect2_1 Isect3_2 Isect4_3 Isect5_4 Isect2_1 Isect3_2 Isect4_3 Isect5_4 Jml tepat benar Akurasi A ア Succ. Succ. - - Succ ,5 I イ Cross No-Isect U ウ No-Isect Cross Succ. - No-Isect No-Isect Succ ,67 E エ Cross Cross - - No-Isect No-Isect O オ Cross Succ. No-Isect - Cross Cross ,3 Ka カ Succ. No-Isect - - Succ. No-Isect Ki キ No-Isect Cross - - No-Isect Cross Ku ク Cross Succ. - - No-Isect Succ ,5 Ke ケ Cross Cross - - Succ. No-Isect Ko コ Succ. Cross - - Succ. No-Isect ,5 H-1
30 H-2 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Isect2_1 Isect3_2 Isect4_3 Isect5_4 Isect2_1 Isect3_2 Isect4_3 Isect5_4 Jml tepat benar Akurasi Sa サ Cross Cross Succ. - Cross No-Isect ,33 Shi シ No-Isect No-Isect - - No-Isect No-Isect Su ス Succ. Cross - - Succ. No-Isect ,5 Se セ Succ. No-Isect Succ. - Cross Succ So ソ No-Isect No-Isect Ta タ Cross Succ. Cross - Succ. Succ. Cross - 2 0,67 Chi チ No-Isect Cross - - No-Isect Cross Tsu ツ No-Isect No-Isect - - No-Isect No-Isect Te テ No-Isect Cross - - No-Isect No-Isect ,5 To ト Cross Cross Na ナ Cross Cross Ni ニ No-Isect No-Isect Nu ヌ Succ. Cross - - Succ. Cross Ne ネ No-Isect Succ. Cross No-Isect No-Isect Succ. No-Isect No-Isect 3 0,75 No ノ
31 H-3 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Isect2_1 Isect3_2 Isect4_3 Isect5_4 Isect2_1 Isect3_2 Isect4_3 Isect5_4 Jml tepat benar Akurasi Ha ハ No-Isect East Hi ヒ Cross Succ. - - No-Isect Succ ,5 Fu フ Succ Succ He ヘ Succ Succ Ho ホ Cross No-Isect No-Isect - Cross No-Isect No-Isect Ma マ Succ. Cross - - Succ. No-Isect ,5 Mi ミ No-Isect No-Isect - - No-Isect No-Isect Mu ム Succ. Cross - - Succ. Succ ,5 Me メ Cross Cross Mo モ No-Isect Cross Succ. - No-Isect Cross Succ Ya ヤ Succ. No-Isect - - Cross Yu ユ Succ. Cross - - Succ. Cross Yo ヨ Succ. Cross No-Isect - Cross No-Isect Ra ラ No-Isect Succ. - - No-Isect Succ Ri リ No-Isect Succ. - - No-Isect ,5
32 H-4 Huruf Hasil Ideal Hasil KaRe Lafal Kat. Isect2_1 Isect3_2 Isect4_3 Isect5_4 Isect2_1 Isect3_2 Isect4_3 Isect5_4 Jml tepat benar Akurasi Ru ル No-Isect Succ. - - No-Isect Succ Re レ Succ Succ Ro ロ Cross Succ. Cross - No-Isect Succ. No-Isect - 1 0,3 Wa ワ Cross Succ. - - No-Isect Succ ,5 Wo ヲ No-Isect Cross - - Succ. No-Isect N ン No-Isect No-Isect Σdata = 46 Σakurasi = 31,02 Nilai akurasi rata-rata berdasarkan posisi relative antar segmen: x 100% = 31,02 46 x 100% = 67,43%
33 LAMPIRAN I PENGETAHUAN INDUCT/RDR YANG BERHASIL DIBANGUN character = ー (2666.0/2410.0) Except (side_seg0-seg1 = SOUTH) => character = ス (587.0/0.0) [287.0/0.0] Except (isect_seg0-seg1 = NO-INTERSECT) => character = ン (330.0/0.0) [165.0/0.0] Except (Seg1 = R-HOR) and (Seg0 = R-HOR) => character = キ (132.0/0.0) [68.0/0.0] Except (isect_seg1-seg2 = NO-INTERSECT) => character = ニ (55.0/0.0) [33.0/0.0] Except (side_seg1-seg2 = SOUTH) => character = デ (29.0/0.0) [15.0/0.0] Except (side_seg2-seg3 = SIDE-UNDEF) => character = シ (14.0/0.0) [5.0/0.0] Except (Seg2 = SLASH) => character = テ (5.0/0.0) [2.0/0.0] Except (Seg2 = R-HOR) => character = ミ (4.0/1.0) [2.0/0.0] Except (Seg2 = U-SLASH) => character = ジ (6.0/0.0) [3.0/0.0] Except (side_seg2-seg3 = SIDE-UNDEF) => character = シ (4.0/0.0) [2.0/0.0] Except (Seg2 = SLASH) and (isect_seg1-seg2 = SUCCESSIVE) => character = ラ (17.0/0.0) [5.0/0.0] Except (Seg2 = SLASH) and (isect_seg2-seg3 = SUCCESSIVE) => character = モ (4.0/0.0) [1.0/0.0] Except (side_seg3-seg4 = EAST) => character = デ (10.0/0.0) [3.0/0.0] Except (Seg2 = U-SLASH) => character = ジ (6.0/0.0) [2.0/0.0]... Gambar I-1 Contoh Pengetahuan Induct/RDR yang Berhasil Dibangun I-1
BAB III PENGENALAN TULISAN TANGAN ON-LINE
BAB III PENGENALAN TULISAN TANGAN ON-LINE Bab ini berisi metode penulisan tangan on-line dan proses-proses yang terlibat di dalamnya. Pembahasan ini juga meliputi teknik-teknik yang umum digunakan dalam
Lebih terperinciBAB IV ANALISIS DAN PERANCANGAN
BAB IV ANALISIS DAN PERANCANGAN Bab ini berisi analisis permasalahan pengenalan tulisan tangan karakter Jepang Katakana dengan menggunakan Induct/RDR dan teknik pengenalan tulisan tangan yang dipilih dari
Lebih terperinciBAB VI PENGUJIAN SISTEM
BAB VI PENGUJIAN SISTEM Bab ini berisi penjelasan mengenai pengujian yang dilakukan terhadap sistem pengenal tulisan tangan huruf Katakana menggunakan metode Induct/RDR (KaRe) yang telah dibangun. Pengujian
Lebih terperinciBAB IV ANALISIS DATA DAN PEMBAHASAN. Pada bab ini, penulis akan menguraikan data-data yang diperoleh dari hasil
49 BAB IV ANALISIS DATA DAN PEMBAHASAN Pada bab ini, penulis akan menguraikan data-data yang diperoleh dari hasil proses belajar mengajar huruf katakana menggunakan teknik pembelajaran metode Tutorial.
Lebih terperinciANALISIS KESALAHAN PENULISAN KANA SISWA SLTA SUMATERA BARAT
ANALISIS KESALAHAN PENULISAN KANA SISWA SLTA SUMATERA BARAT Rahtu Nila Sepni, Gusdi Sastra, Lady Diana Yusri Fakultas Ilmu Budaya-Universitas Andalas Padang Abstract This study describes the error kana
Lebih terperinciBAB II LANDASAN TEORITIS. buruk menjadi baik (Kamus Besar Bahasa Indonesia, 2000 : 10). Selain itu
15 BAB II LANDASAN TEORITIS 2.1. Pembelajaran 2.1.1 Pengertian Belajar Belajar adalah usaha untuk memperoleh pengetahuan, belajar juga dapat diartikan berlatih dan belajar juga adalah mengubah suatu kebiasaan
Lebih terperinciBAB II LANDASAN TEORI
xvi BAB II LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Jaringan saraf tiruan (artificial neural network) adalah sistem komputasi yang arsitektur dan operasinya diinspirasi dari pengetahuan tentang sel saraf
Lebih terperinciDepartemen Pendidikan Bahasa Jepang, Universitas Pendidikan Indonesia, Jl. Dr. Setiabudhi No. 229, Bandung 40154, Indonesia
EFEKTIVITAS MEDIA PERMAINAN SUDOKU DALAM MENGHAFAL HURUF KANA (Menggunakan Metode Eksperimen Quasi Terhadap Siswa Japanese Club SMP Laboratorium Percontohan UPI) Konstantina Adinda Putrilani 1, Renariah
Lebih terperinciBAB I PENDAHULUAN. Dalam mempelajari suatu bahasa ada 4 keterampilan berbahasa, dalam bahasa
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam mempelajari suatu bahasa ada 4 keterampilan berbahasa, dalam bahasa Jepang disebut 4 ginō yaitu menyimak, membaca, berbicara dan menulis. Sasaran pembelajaran
Lebih terperinciBAB IV TEMUAN DAN PEMBAHASAN
BAB IV TEMUAN DAN PEMBAHASAN A. Laporan Penelitian Pelaksanaan kegiatan penelitian merupakan proses terpenting untuk mengumpulkan data. Penelitian ini terbagi menjadi dua pelaksanaan, yaitu test yang terdiri
Lebih terperinciBAB II LANDASAN TEORITIS
BAB II LANDASAN TEORITIS A. Teknik Pembelajaran Bahasa Jepang 1. Pengertian Teknik Pembelajaran Teknik pembelajaran dapat diartikan sebagai cara yang dilakukan seseorang dalam mengimplementasikan suatu
Lebih terperinciBAB 1 PENDAHULUAN. 2007), hal Aslinda, Leni Syafyahya, Pengantar Sosiolinguistik (Bandung: PT Refika Aditama,
BAB 1 PENDAHULUAN 1.1 Latar Belakang Bahasa merupakan hal yang paling penting dalam kehidupan manusia dan digunakan di segala bidang kehidupannya. Mempelajari bahasa dan mengkaji bahasa merupakan hal yang
Lebih terperinciTulisan dan Bunyi Bahasa Jepang
Tulisan dan Bunyi Bahasa Jepang Dalam tulisan bahasa Jepang terdapat 3 buah tulisan yaitu Kanji (Huruf Cina), Hiragana, dan Katakana. Huruf Romawi (Alphabet) digunakan dalam kasus-kasus khusus. Kanji dating
Lebih terperinciPDF created with FinePrint pdffactory trial version YUK BELAJAR NIHONGO
1 YUK BELAJAR NIHONGO PENGANTAR Saat ini sedang bekerja di sebuah perusahaan Jepang? Atau barangkali sedang kuliah jurusan Bahasa Jepang, atau suatu saat anda ingin pergi ke Jepang baik untuk belajar atau
Lebih terperinciBAB 1 PENDAHULUAN. dengan hakikat manusia sebagai mahluk bermain (homo ludens) (Wijana,
BAB 1 PENDAHULUAN 1.1 Latar Belakang Manusia adalah mahluk yang senang akan permainan, hal ini sesuai dengan hakikat manusia sebagai mahluk bermain (homo ludens) (Wijana, 2009:100) dan bahasa merupakan
Lebih terperinciPEMBELAJARAN INTERAKTIF DAFTAR SUKU KATA BAHASA JEPANG BESERTA CARA PENULISAN UNTUK SEORANG PEMULA BERBASIS FLASH NASKAH PUBLIKASI
PEMBELAJARAN INTERAKTIF DAFTAR SUKU KATA BAHASA JEPANG BESERTA CARA PENULISAN UNTUK SEORANG PEMULA BERBASIS FLASH NASKAH PUBLIKASI diajukan oleh Nurdi Hamzah 10.01.2795 kepada SEKOLAH TINGGI MANAGEMEN
Lebih terperinciIMPLEMENTASI METODE LOCAL BINARY PATTERNS UNTUK PENGENALAN POLA HURUF HIRAGANA DAN KATAKANA PADA SMARTPHONE
IMPLEMENTASI METODE LOCAL BINARY PATTERNS UNTUK PENGENALAN POLA HURUF HIRAGANA DAN KATAKANA PADA SMARTPHONE Rabiuldien Amat 1), Jayanti Yusmah Sari 2), Ika Purwanti Ningrum 3) 1,2,3) Jurusan Teknik Informatika,
Lebih terperinciBAB 6 KESIMPULAN DAN SARAN
BAB 6 KESIMPULAN DAN SARAN 3.13. Kesimpulan Berdasarkan pembahasan pada analisis, desain, implementasi dan pengujian yang telah dilakukan pada 30 responden, maka dapat ditarik kesimpulan yaitu: 1. Aplikasi
Lebih terperinciBAB III METODE PENELITIAN DAN ANALISIS DATA
BAB III METODE PENELITIAN DAN ANALISIS DATA 3.1 Metode Penelitian Sudaryanto (dalam Sutedi, 2011:53) menyatakan bahwa metode adalah cara yang harus dilaksanakan, teknik adalah cara melaksanakan metode.
Lebih terperinciTRANSLITERASI CITRA AKSARA HIRAGANA MEMPERGUNAKAN JARINGAN BACKPROPAGATION
Artikel ini telah dipresentasikan dalam Innovative and Creative Information Technology Conference (ICITech) Jurnal Teknologi Informasi-Aiti Vol. 13 nomor tahun 01, hal 1-19 dengan tema E-Transaction and
Lebih terperinciBAB III METODE PENELITIAN DAN ANALISIS DATA
BAB III METODE PENELITIAN DAN ANALISIS DATA 3.1 Metode Penelitian Metode yang digunakan dalam penelitian ini adalah metode analisis kesalahan, yaitu suatu prosedur kerja yang biasa digunakan oleh para
Lebih terperinciBAB III METODOLOGI PENELITIAN
20 BAB III METODOLOGI PENELITIAN A. Metode Penelitian Metode dapat diartikan sebagai cara atau prosedur yang harus ditempuh untuk menjawab masalah penelitian mulai dari perencanaan, pelaksanaan, dan pengambilan
Lebih terperinciBAB 2 LANDASAN TEORI. terkini sejalan dengan permasalahan yang dihadapi. Dalam bab juga diuraikan
BAB 2 LANDASAN TEORI Dalam landasan teori ini, diuraikan mengenai teori yang relevan, lengkap, dan terkini sejalan dengan permasalahan yang dihadapi. Dalam bab juga diuraikan hubungan antara permasalahan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Bahasa dan Aksara Jepang Bahasa Jepang merupakan bahasa yang digunakan oleh kurang lebih 130.000.000 orang penduduk Jepang dan oleh imigran ataupun emigran negara tersebut. Bangsa
Lebih terperinciRENCANA PELAKSANAAN PEMBELAJARAN (Pertemuan Ke-1)
RENCANA PELAKSANAAN PEMBELAJARAN (Pertemuan Ke-1) NAMA SEKOLAH : SMA PGRI 1 BANDUNG MATA PELAJARAN : Bahasa Jepang KELAS/SEMESTER : XI MIA /1 TOPIK : Huruf Katakana ALOKASI WAKTU : 2 x 30 menit (1 x pertemuan)
Lebih terperinciAPPLICATION OF HANDWRITING CHARACTER CLASSIFICATION USING CHARACTER EXTRACTION BASED ON CHAIN CODE AND SEGMENT PATTERN
APPLICATION OF HANDWRITING CHARACTER CLASSIFICATION USING CHARACTER EXTRACTION BASED ON CHAIN CODE AND SEGMENT PATTERN Ulva Choyriyanie, Nuryuliani Undergraduate Program, Faculty of Industrial Engineering,
Lebih terperinciPENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU
PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro
Lebih terperinciBAB II INDUCT/RIPPLE-DOWN RULE (RDR)
BAB II INDUCT/RIPPLE-DOWN RULE (RDR) Bab ini berisi tentang uraian mengenai teori Ripple-Down Rules (RDR), yang meliputi RDR dengan pengembangan manual dan RDR yang menerapkan algoritma Induct untuk pengembangannya.
Lebih terperinciBandung, Indonesia Bandung, Indonesia
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.2 Agustus 2015 Page 6353 Analisis dan Implementasi Pengklasifikasian Pesan Singkat pada Penyaringan SMS Spam Menggunakan Algoritma Multinomial Naïve
Lebih terperinciTEKNIK DATA MINING UNTUK MENDAPATKAN INFORMASI DARI KELUARAN PERANGKAT JARINGAN
TEKNIK DATA MINING UNTUK MENDAPATKAN INFORMASI DARI KELUARAN PERANGKAT JARINGAN Haryanto Binus University, Jakarta, DKI Jakarta, Indonesia Abstrak Data mining adalah sebuah tool yang banyak digunakan dalam
Lebih terperinciTINDAK TUTUR PENOLAKAN DALAM BAHASA JEPANG (Kajian Pragmatik Drama Televisi Berbahasa Jepang) TESIS
TINDAK TUTUR PENOLAKAN DALAM BAHASA JEPANG (Kajian Pragmatik Drama Televisi Berbahasa Jepang) TESIS Disusun untuk memenuhi sebagian prasyarat mencapai derajat Magister Program Studi Linguistik Minat Utama
Lebih terperinciDAFTAR REFERENSI. xiii. Computer Science Education, San Jose, United States, 1997.
DAFTAR REFERENSI [AGR95] [AHW03] [CAR06] [GKK01] [HAN01] [JAC97] [PEI01] [RSL95] Agrawal, Rakesh, Ramakrishnan Srikant. 1995. Mining Sequential Patterns. IBM Research Center. Agrawal, C, Han, Jiawei, Wang,
Lebih terperinci1.1. Latar Belakang. Universitas Sumatera Utara
2 BAB I PENDAHULUAN Bab ini akan menjelaskan mengenai latar belakang penelitian judul skripsi Implementasi Global Tresholding Metode Otsu Dan OCR Tesseract Engine Dengan Algoritma Horspool Untuk Menerjemahkan
Lebih terperinciEKSTRAKSI FITUR AKSARA BALI MENGGUNAKAN METODE ZONING
44 Teknologi Elektro, Vol. 14, No.2, Juli Desember 2015 EKSTRAKSI FITUR AKSARA BALI MENGGUNAKAN METODE ZONING I Wayan Agus Surya Darma 1, I Ketut Gede Darma Putra 2, Made Sudarma 3 Abstract Feature extraction
Lebih terperinciBAB 1 PENDAHULUAN. sosial tidak dapat hidup tanpa adanya komunikasi dengan sesama. seseorang dengan status sosial dan budaya dalam masyarakat itu
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Di dalam sebuah kehidupan bermasyarakat, saling berkomunikasi dan berinteraksi adalah hal yang selalu terjadi setiap saat. Manusia sebagai makhluk sosial tidak dapat
Lebih terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinciANALISA HASIL PERBANDINGAN IDENTIFIKASI CORE POINT PADA SIDIK JARI MENGGUNAKAN METODE DIRECTION OF CURVATURE DAN POINCARE INDEX
ANALISA HASIL PERBANDINGAN IDENTIFIKASI CORE POINT PADA SIDIK JARI MENGGUNAKAN METODE DIRECTION OF CURVATURE DAN POINCARE INDEX Mohammad imron (1), Yuliana Melita (2), Megister Teknologi Informasi Institusi
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA 2.1 Analisis Kesalahan 2.1.1 Pengertian Analisis Kesalahan Analisis adalah suatu kegiatan menjelaskan asal mula atau struktur dari permasalahan yang rumit dengan melakukan pemilihan
Lebih terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (2017) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-116 (Online) Artikel Perancangan Aplikasi Prediksi Kelulusan Mahasiswa Tepat Waktu Pada
Lebih terperinciModul Praktikum WEKA. Pembaca modul ini diasumsikan telah mengerti dasar-dasar datamining.
Modul Praktikum WEKA Yudi Wibisono (e: yudi@upi.edu ); t: @yudiwbs Ilmu Komputer Universitas Pendidikan Indonesia (cs.upi.edu) Versi BETA : Oktober 2013 http://creativecommons.org/licenses/by-nc-sa/3.0/
Lebih terperinciKlasifikasi Karakter Tulisan Tangan berdasarkan pola segmen
Klasifikasi Karakter Tulisan Tangan berdasarkan pola segmen 20 Nopember 2010 Nuryuliani, Lulu C Munggaran Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Gunadarma Universitas Gunadarma Depok,
Lebih terperinciPENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN. Disusun oleh : Mario Herryn Tambunan ( )
PENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN Disusun oleh : Mario Herryn Tambunan (1022056) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan pada
BAB III METODOLOGI PENELITIAN 1.1. Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan pada proses pengenalan huruf tulisan tangan Katakana menggunakan metode Fuzzy Feature Extraction
Lebih terperinciPengenalan Karakter Sintaktik menggunakan Algoritma Otsu dan Zhang-Suen
Pengenalan Karakter Sintaktik menggunakan Algoritma Otsu dan Zhang-Suen Yusfia Hafid Aristyagama (23214355) Electrical Engineering, Digital Media and Game Technology Institut Teknologi Bandung Bandung,
Lebih terperinciPOLA PEMBENTUKAN GOROAWASE (PERMAINAN KATA BAHASA JEPANG)
POLA PEMBENTUKAN GOROAWASE (PERMAINAN KATA BAHASA JEPANG) Oleh: Ningrum Tresnasari ningrum.tresnasari@widyatama.ac.id Program Studi Bahasa Jepang, Universitas Widyatama, Jl. Cikutra No. 204A,Bandung, Indonesia
Lebih terperinciDAFTAR PENILAIAN PELAKSANAAN PEKERJAAN PEGAWAI NON AKADEMIK UKSW
Lampiran 1 : Daftar Penilaian Pelaksanaan Pekerjaan Pegawai Non Akademik - UKSW DAFTAR PENILAIAN PELAKSANAAN PEKERJAAN PEGAWAI NON AKADEMIK UKSW Waktu Penilaian : YANG DINILAI a. Nama b. NIP c. Pangkat,
Lebih terperinciPENGKOMBINASIAN POHON KEPUTUSAN DATA PENCILAN KELAS DAN POHON KEPUTUSAN DATA NORMAL UNTUK PENINGKATAN AKURASI PREDIKSI CACAT PERANGKAT LUNAK
PENGKOMBINASIAN POHON KEPUTUSAN DATA PENCILAN KELAS DAN POHON KEPUTUSAN DATA NORMAL UNTUK PENINGKATAN AKURASI PREDIKSI CACAT PERANGKAT LUNAK Utomo Pujianto 1, Daniel Oranova Siahaan 2 1 Jurusan Teknik
Lebih terperinciPENGARUH PEMAKAIAN EDGE DETECTION PADA SISTEM PENGENALAN HURUF KAPITAL TULISAN TANGAN
Jurnal Teknik dan Ilmu Komputer PENGARUH PEMAKAIAN EDGE DETECTION PADA SISTEM PENGENALAN HURUF KAPITAL TULISAN TANGAN (The Influence of Edge Detection Use on Capital Letter Hand Writing Recognition System)
Lebih terperinciRabiner L, Juang BH Fundamental of Speech Recognition. New Jersey: PTR Prentice-Hall, Inc. Reynolds D.A An Overview of Automatic
DAFTAR PUSTAKA Bolat B, Yildirim T. 2003. Performance increasing methods for probabilistic Neural Networks. Pakistan Journal of Information and Technology 2(3):250-255. Campbell, J.P., 1997, Speaker Recognition:
Lebih terperinciAPLIKASI ALGORITMA CLASSIFY-BY-SEQUENCE UNTUK PENILAIAN KREDIT PADA BANK Y. Mohammad Iqbal 1. Abstrak
APLIKASI ALGORITMA CLASSIFY-BY-SEQUENCE UNTUK PENILAIAN KREDIT PADA BANK Y Mohammad Iqbal Jurusan Matematika, FMIPA-Institut Teknologi Sepuluh Nopember iqbalmohammad.math@gmail.com Abstrak Dalam penilaian,
Lebih terperinciPENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR
PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR Ardilla Ayu Dewanti Ridwan, Ivanna K. Timotius, Iwan Setyawan PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA
Lebih terperinciBAB III METODOLOGI 3.1. Prosedur Penelitian Identifikasi Masalah
BAB III METODOLOGI Dalam penelitian ini metodologi memegang peranan penting guna mendapatkan data yang obyektik, valid dan selanjutnya digunakan untuk memecahkan permasalahan yang telah dirumuskan. Maka
Lebih terperinciIMPLEMENTASI TEKNIK SELEKSI FITUR INFORMATION GAIN PADA ALGORITMA KLASIFIKASI MACHINE LEARNING UNTUK PREDIKSI PERFORMA AKADEMIK SISWA
IMPLEMENTASI TEKNIK SELEKSI FITUR INFORMATION GAIN PADA ALGORITMA KLASIFIKASI MACHINE LEARNING UNTUK PREDIKSI PERFORMA AKADEMIK SISWA Betha Nurina Sari 1) 1) Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciMENGGUNAKAN DATA MINING
E.11 MENGGUNAKAN DATA MINING UNTUK SEGMENTASI CUSTOMER PADA BANK UNTUK MENINGKATKAN CUSTOMER RELATIONSHIP MANAGEMENT (CRM) DENGAN METODE KLASIFIKASI (AGORITMA J-48, ZERO-R DAN NAIVE BAYES) Maghfirah, Teguh
Lebih terperinciBAB 3 PERANCANGAN SISTEM
21 BAB 3 PERANCANGAN SISTEM 3.1 Arsitektur Sistem Template Formulir Sample Karakter Pengenalan Template Formulir Pendefinisian Database Karakter Formulir yang telah diisi Pengenalan Isi Formulir Hasil
Lebih terperinciANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA
ANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA Prawidya Destarianto 1, Wahyu Kurnia Dewanto 2, Hermawan Arief Putranto 3 1,2,3 Jurusan, Teknologi
Lebih terperinciSATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA
Mata Kuliah Kode / SKS Program Studi Fakultas : Konsep Data Mining : IT012274 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1 Pengenalan RDBMS 2 SQL Mahasiswa dapat mnegrti dan memahami
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
Lebih terperinciBAB 4 PERANCANGAN SISTEM DAN EVALUASI. perancangan diagram UML (use case, activity, class, dan sequence), perancangan
41 BAB 4 PERANCANGAN SISTEM DAN EVALUASI 4.1 Perancangan Sistem Hal-hal yang akan dilakukan dalam perancangan aplikasi antara lain : perancangan diagram UML (use case, activity, class, dan sequence), perancangan
Lebih terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinciBab 3. Metode Perancangan
Bab 3 Metode Perancangan Pada bab ini akan dibahas mengenai metode perancangan yang digunakan dalam membuat perancangan sistem aplikasi penterjemah kata beserta rancangan design interface yang terdapat
Lebih terperinciPENGARUH INCOMPLETE DATA TERHADAP AKURASI VOTING FEATURE INTERVALS-5 (VFI5) ABSTRAK
PENGARUH INCOMPLETE DATA TERHADAP AKURASI VOTING FEATURE INTERVALS-5 (VFI5) Atik Pawestri Sulistyo 1, Aziz Kustiyo 1, Agus Buono 2 1 Departemen Ilmu Komputer, Fakultas Matematika dan IPA Institut Pertanian
Lebih terperinciTABEL DATABASE TABEL - KODE BARANG TOKO INFOMART BARANG - NAMA BARANG - HARGA
TABEL Dalam pembuatan database, data yang pertama dibuat adalah tabel. Tabel merupakan kumpulan data yang tersusun menurut aturan tertentu dan merupakan komponen utama pada database. Table disusun dalam
Lebih terperinciMatakuliah : Filsafah Ilmu, Filsafah Pendidikan Dan Filsafah IPS Kode Matakuliah : IPS001 SKS : 2
FORMAT SILABUS Matakuliah : Filsafah Ilmu, Filsafah Pendidikan Dan Filsafah IPS Kode Matakuliah : IPS001 SKS : 2 Jenjang : S3 Program Studi : Pendidikan Ilmu Pengetahuan Sosial Dosen : Prof. Dr. Hasbi
Lebih terperinciAnalisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra
Analisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra Meirista Wulandari Jurusan Teknik Elektro, Universitas Tarumanagara, Jakarta, Indonesia meiristaw@ft.untar.ac.id Diterima 10 Desember 016
Lebih terperinciHUBUNGAN JUMLAH INPUT LAYER DAN OUTPUT LAYER NEURAL NETWORK TERHADAP TINGKAT AKURASI SISTEM HANDWRITING RECOGNITION DENGAN METODE BACKPROPAGATION
HUBUNGAN JUMLAH INPUT LAYER DAN OUTPUT LAYER NEURAL NETWORK TERHADAP TINGKAT AKURASI SISTEM HANDWRITING RECOGNITION DENGAN METODE BACKPROPAGATION Harjono, Didik Warasto Politeknik Pratama Mulia Surakarta
Lebih terperinciPENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA
PENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA Dina Indarti Pusat Studi Komputasi Matematika, Universitas Gunadarma Jl. Margonda Raya no. 100, Depok 16424, Jawa Barat
Lebih terperinciMateri Praktikum Data Mining Decision Tree Program Studi Informatika / Matematika FMIPA Universitas Syiah Kuala
Materi Decision Tree Program Studi Informatika / Matematika FMIPA Universitas Syiah Kuala Dosen Pengasuh Dr. Taufik Fuadi Abidin, M.Tech Dr. Muhammad Subianto, M.Si {tfa,subianto}@informatika.unsyiah.ac.id
Lebih terperinciPengaruh Jumlah Hidden State pada Hidden-state Conditional Random Fields untuk Pengenalan Gerakan
Pengaruh Jumlah Hidden State pada Hidden-state Conditional Random Fields untuk Pengenalan Gerakan Intan Nurma Yulita 1,2, * 1 Departemen Ilmu Komputer, Universitas Padjadjaran 2 Fakultas Ilmu Komputer,
Lebih terperinciAKUISISI PENGETAHUAN MENGGUNAKAN MULTIPLE CLASSIFICATION RIPPLE DOWN RULES (MCRDR)
AKUISISI PENGETAHUAN MENGGUNAKAN MULTIPLE CLASSIFICATION RIPPLE DOWN RULES (MCRDR) Diana Pratiwi¹, Ririn Dwi Agustin², Agung Toto Wibowo³ ¹Teknik Informatika,, Universitas Telkom Abstrak Proses ekstraksi
Lebih terperinciPerbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor
Perbandingan Klasifikasi Tugas Akhir Mahasiswa Jurusan Teknik Informatika Menggunakan Metode Naïve Bayes Classifier dan K-Nearest Neighbor Yusra 1, Dhita Olivita 2, Yelfi Vitriani 3 1,2,3 Jurusan Teknik
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. dan fakor-faktor penyebab masalah tersebut bisa terjadi diantaranya. dimanfaatkan dan dikelola dengan baik.
BAB IV HASIL DAN PEMBAHASAN 4.1. Identifikasi Masalah Dalam menentukan status calon dosen dan dosen tetap terdapat masalahmasalah dan fakor-faktor penyebab masalah tersebut bisa terjadi diantaranya sebagai
Lebih terperinciHASIL DAN PEMBAHASAN. Praproses
5 4 MySQL sebagai database. 5 Mozilla Firefox sebagai web browser. 6 Microsoft Excel untuk perhitungan hasil penelitian dan pembuatan grafik. Perangkat keras: 1 Prosesor Intel Core i3. 2 RAM 2 GB. 3 Harddisk
Lebih terperinciPenghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori
Penghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori Abstrak 1 Sri Rahayu, 2 Teguh Bharata Adji & 3 Noor Akhmad Setiawan
Lebih terperinciSCREEN DIGITIZING. A. Digitasi Point (Titik)
SCREEN DIGITIZING Screen digitizing merupakan proses digitasi yang dilakukan di atas layar monitor dengan bantuan mouse. Screen digitizing atau sering disebut juga dengan digitasi on screen dapat digunakan
Lebih terperinciKLASTERISASI BERDASARKAN KESAMAAN POLA DENGAN MENGGUNAKAN ALGORITMA PCLUSTER (Kata kunci: Penggalian Data, Klasterisasi Kesamaan Pola)
PRESENTASI TUGAS AKHIR KI091391 KLASTERISASI BERDASARKAN KESAMAAN POLA DENGAN MENGGUNAKAN ALGORITMA PCLUSTER (Kata kunci: Penggalian Data, Klasterisasi Kesamaan Pola) Penyusun Tugas Akhir : Kartika Wijayati
Lebih terperinciSYSTEMIC Vol. 1, No. 1, Agustus 2015, PENGENALAN CATATAN PENJUALAN MENGGUNAKAN PENGENALAN ANGKA BERBASIS KORELASI.
SYSTEMIC Vol. 1, No. 1, Agustus 2015, 14-19 PENGENALAN CATATAN PENJUALAN MENGGUNAKAN PENGENALAN ANGKA BERBASIS KORELASI Ahmad Yusuf 1) 1) Fakultas Sains dan Teknologi, Universitas Islam Negeri Sunan Ampel
Lebih terperinciGambar 4.37 Layar Untuk Pembuatan Kolom
154 4. Langkah berikutnya, user dapat menambahkan kolom pada tabel tersebut dengan menekan tombol Add Column. User mendesripsikan nama, tipe data, serta ukuran tipe data dari kolom tersebut. User juga
Lebih terperinciNur Indah Pratiwi, Widodo Universitas Negeri Jakarta ABSTRAK
Klasifikasi Dokumen Karya Akhir Mahasiswa Menggunakan Naïve Bayes Classifier (NBC) Berdasarkan Abstrak Karya Akhir Di Jurusan Teknik Elektro Universitas Negeri Jakarta Nur Indah Pratiwi, Widodo Universitas
Lebih terperinciEducational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa
Educational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Universitas Nusantara PGRI Kediri Kontak Person: Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Kampus
Lebih terperinciFAKTOR PENYEBAB KESALAHAN PENGGUNAAN HURUF KATAKANA. Oleh:
FAKTOR PENYEBAB KESALAHAN PENGGUNAAN HURUF KATAKANA Oleh: Ahmad Azhar Kamal Dian Bayu Firmansyah Soni Mulyawan Setiana ABSTRACT This study discusses what are the factors that causing misuse of katakana
Lebih terperinciAngelina Prima Kurniati¹, -². ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2005 ANALISIS DAN IMPLEMENTASI ALGORITMA PUBLIC SEBAGAI SEBUAH CLASSIFIER POHON KEPUTUSAN YANG SCALABLE DALAM DATA MINING ANALYSIS AND IMPLEMENTATION OF PUBLIC
Lebih terperinciPenerapan Linear Congruent Method Pada Game Edukasi Tebak Huruf Hiragana Dan Katakana Berbasis Android
Volume VI No 1, Juni 2017 pissn : 2337 3601 eissn : 2549 015X Tersedia online di http://ejournal.stmik-time.ac.id Penerapan Linear Congruent Method Pada Game Edukasi Tebak Huruf Hiragana Dan Katakana Berbasis
Lebih terperinciANALISA PENGGUNAAN NILAI MATA KULIAH UNTUK CLUSTER MAHASISWA PERGURUAN TINGGI DENGAN MENGGUNAKAN EM CLUSTERING
UNTUK CLUSTER MAHASISWA PERGURUAN TINGGI DENGAN MENGGUNAKAN 1 ABSTRAK Nilai mahasiswa dapat digunakan sebagai acuan dalam menentukan atau menyarankan mata kuliah yang diambil sesuai dengan kemampuan atau
Lebih terperinciBAB 3 ANALISIS MASALAH DAN PERANCANGAN
BAB 3 ANALISIS MASALAH DAN PERANCANGAN 3.1 State of the Art Pada penelitian sebelumnya sudah ada yang menggunakan metode Stemming untuk preprocessing text dalam mengolah data pelatihan dan data uji untuk
Lebih terperinciPENERAPAN ADABOOST UNTUK KLASIFIKASI SUPPORT VECTOR MACHINE GUNA MENINGKATKAN AKURASI PADA DIAGNOSA CHRONIC KIDNEY DISEASE
PENERAPAN ADABOOST UNTUK KLASIFIKASI SUPPORT VECTOR MACHINE GUNA MENINGKATKAN AKURASI PADA DIAGNOSA CHRONIC KIDNEY DISEASE Eka Listiana 1*, Much Aziz Muslim 1 1 Program Studi Teknik Informatika, Fakultas
Lebih terperinciPattern Matching dalam Penerjemahan Kata yang Ditulis dengan Huruf Katakana ke dalam Bahasa Inggris
Pattern Matching dalam Penerjemahan Kata yang Ditulis dengan Huruf Katakana ke dalam Bahasa Inggris Nabilah Shabrina (13508087) Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut
Lebih terperinciBAB 3 PERANCANGAN. Universitas Indonesia. Klasifikasi topik menggunakan..., Dyta Anggraeni
BAB 3 PERANCANGAN Pada bab ini dijelaskan perancangan untuk melakukan klasifikasi topik pada artikel media massa dan abstrak tulisan ilmiah. Klasifikasi topik dilakukan dengan mengelompokkan dokumen ke
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA KLASIFIKASI NAÏVE BAYESIAN, LAZY-IBK, ZERO-R, DAN DECISION TREE- J48
PERBANDINGAN KINERJA ALGORITMA KLASIFIKASI NAÏVE BAYESIAN, LAZY-IBK, ZERO-R, DAN DECISION TREE- J48 Sulidar Fitri Teknik Informatika STMIK AMIKOM Yogyakarta email : inboxfitri@gmail.com Abstraksi Penelitian
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE
PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE Widodo Muda Saputra, Helmie Arif Wibawa, S.Si, M.Cs, dan Nurdin Bahtiar, S.Si, M.T Fakultas Sains dan Matematika, Jurusan Ilmu Komputer
Lebih terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Internet saat ini merupakan kebutuhan pokok yang tidak bisa dipisahkan dari segenap sendi kehidupan. Berbagai pekerjaan ataupun kebutuhan dapat dilakukan melalui media
Lebih terperinciPENDAHULUAN Gempa bumi Tsunami Earthquake Analysis and Tsunami Run-Up Modeling
PENDAHULUAN Gempa bumi adalah getaran yang terjadi pada permukaan bumi yang disebabkan oleh pergerakan kerak bumi (lempeng bumi). Kata gempa bumi juga digunakan untuk menunjukkan daerah asal terjadinya
Lebih terperinciPENGARUH PROSES DOWNSAMPLE PADA KINERJA PENGENALAN WAJAH DENGAN PENDEKATAN ROBUST REGRESSION
PENGARUH PROSES DOWNSAMPLE PADA KINERJA PENGENALAN WAJAH DENGAN PENDEKATAN ROBUST REGRESSION Budi Nugroho 1), Intan Yuniar Purbasari 2) 1) Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas
Lebih terperinciPERBANDINGAN AKURASI KLASIFIKASI DARI ALGORITMA NAIVE BAYES, C4.5, DAN ONER (1R)
Arifin, Perbandingan Akurasi Klasifikasi Dari Algoritma Naïve Bayes, C4.5, PERBANDINGAN AKURASI KLASIFIKASI DARI ALGORITMA NAIVE BAYES, C4.5, DAN ONER (1R) M Zainal Arifin Abstrak : Artikel ini menjabarkan
Lebih terperinciSaat ini Web merupakan sumber informasi dengan volume yang besar.
TUGAS AKHIR Sistem Ekstraksi Informasi Web Menggunakan Metode Pencarian Pola Otomatis Berbasis Pencocokan Pohon Sigit Dewanto 05/186213/PA/10559 http://nuevasystem.com PENDAHULUAN Latar Belakang Masalah
Lebih terperinciALGORITMA UNTUK EKSTRAKSI TABEL HTML DI WEB
No Makalah : 128 ALGORITMA UNTUK EKSTRAKSI TABEL HTML DI WEB Detty Purnamasari 1, I Wayan Simri Wicaksana 2, Syamsi Ruhama 3 1,2 Teknologi Informasi, 3 Sistem Informasi, 1,2 Fakultas Pascasarjana, 3 Fakultas
Lebih terperinciPENINGKATAN AKURASI PADA ALGORITMA C4.5 MENGGUNAKAN ADABOOST UNTUK MEMINIMALKAN RESIKO KREDIT
PENINGKATAN AKURASI PADA ALGORITMA C4.5 MENGGUNAKAN ADABOOST UNTUK MEMINIMALKAN RESIKO KREDIT Aldi Nurzahputra 1*, Much Aziz Muslim 2 1,2 Program Studi Teknik Informatika, Fakultas MIPA, Universitas Negeri
Lebih terperinciORISINALITAS LAPORAN PENELITIAN...
ABSTRAKSI Tugas Akhir ini berkaitan dengan pembangunan sistem informasi untuk membantu administrasi pusat maupun administrasi jurusan dalam hal mengolah persediaan Barang Milik Negara yang berjalan di
Lebih terperinci