BAB II. LANDASAN TEORI
|
|
- Siska Darmali
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II. LANDASAN TEORI 2.1. Fase Tumbuh Tanaman Padi Tanaman padi secara umum memiliki 3 fase tumbuh yaitu fase vegetative, fase reproductive dan fase ripening. (Institute, AfricaRice, & Agriculture, n.d.) Fase Vegetative Fase vegetativedapat dibagi menjadi 3 tahap pertumbuhanyaitu tahap germination, tahap seedling, dan tahap tillering. Tahap pertumbuhanfase vegetatif dapat dibedakan secara fisiologis. Pertama pada tahap germinationditandai dengan radikula atau koleoptil yang memecah bungkus biji. Kemudian pada tahap seedlingditandai dengan tumbuhnya daun pada koleoptil. Kemudian pada tahap terakhir yaitu tahap tillering akan ditandai dengan tumbuhnya anakan atau batang pada tumbuhan padi.(institute et al., n.d.) Fase Reproductive Setelah fase vegetativeberakhir, pertumbuhan tanaman padi akan memasuki fase reproductive. Fase reproductivedapat juga dibagi menjadi 3 tahap pertumbuhan yaitu tahap booting, tahap heading, dan tahap flowering. Tahap booting ditandai dengan batang yang gembung dimanapada batang tersebut mulai membentuk malai. Dilanjutkan pada tahap heading yang ditandai dengan keluarnya malai. Pada tahap flowering ditandai dengan keluarnya serbuk sari dan dimulainya proses penyerbukan.(institute et al., n.d.) 8
2 Fase Ripening Fase ripening dapat dibagi menjadi 3 tahap pertumbuhan yaitu tahap milky, tahap dough, tahap yellow. Pada fase ripening, setiap tahap ditentukan berdasarkan tekstur dan warna dari padi.(institute et al., n.d.) 2.2. Reduksi Dimensi Menurut Maaten(2007), Reduksi dimensi adalah transformasi data yang memiliki dimensi tinggi menjadi sebuah representasi dengan data yang lebih sedikit dimensinya. Reduksi dimensi memiliki manfaat dalam pengolahan data. Reduksi dimensi dapat menghilangkan features yang tidak relevan dan mengurangi noise serta mengatasi curse of dimensionality. Curse of dimensionality adalah sebuah fenomena dimana analisis data menjadi hal yang sulit dikarenakan oleh jumlah dimensi data yang meningkat (Tan, 2007). Teknik Reduksi dimensi dapat dibagi menjadi 2 yaitu feature extraction dan feature selection (Fang et al., 2015). Pada penelitian ini menggunakan teknik reduksi dimensi untuk feature extraction. Feature extraction adalah salah satu kategori dari reduksi dimensi. Feature extraction bertujuan untuk membuat sebuah kumpulan fitur-fitur baru dengan memetakan fitur-fitur asli pada data. Salah satu teknik unsupervised pada feature extraction yang terkenal adalah principal component analysis (PCA).(Cunningham, 2008)
3 Principal Component Analysis (PCA) PCA membuat sebuah representasi data yang menggambarkan banyaknya kemungkinan sebaran data. Metode ini melakukan reduksi dimensi dengan mencari hubungan lineardata. Secara matematis, PCA mencari sebuah transformasi linear T yang memaksimalkan persamaan (1). (1) dimana adalah matriks kovarians dari data X dengan rata-rata nol. Pemetaan linear ini dapat dibentuk dengan d principal eigenvectors dari matriks kovarians tersebut. Oleh karena itu PCA menyelesaikan eigenproblem. (2) Eigenproblem dapat diselesaikan untuk d principal dengan eigenvalues λ.eigenvectors ini yang membentuk kolom pada matriks transformasi linear T. Data representasi y i dari titik x i dapat dihitung dengan memetakannya pada matriks T secara linear, contohnya T.(Maaten, 2007) Kernel PCA (KPCA) KPCA merupakan reformulasi dari PCA linear dalam sebuah ruang dimensi yang tinggi dimana dibuat dengan fungsi kernel. KPCA menghitung principal eigenvectors menggunakan matriks kernel daripada matriks kovarians. Implementasi PCA dalam ruang kernel membuat KPCA mampu untuk melakukan pemetaan nonlinear. KPCA dapat menghitung matriks kernel K dengan persamaan (3)., (3)
4 11 dimana k adalah sebuah fungsi kernel. Selanjutnya matriks kernel k dipusatkan dengan modifikasi dari input (4) Operasi pemusatan berhubungan dengan pengurangan rata-rata dari fitur-fitur pada PCA dimana berfungsi untuk membuat fitur-fitur dalam ruang dimensi tinggi yang ditentukan oleh fungsi kernel memiliki rata-rata nol. Selanjutnya, principal d eigenvectors v i dari matriks kernel yang dipusatkan dapat dihitung. Kovarians dari eigenvectorsmatriks α i (matriks yang dibentuk oleh k dalam ruang dimensi tinggi) adalah versi skala dari eigenvectors matriks kernel v i. 1 (5) Untuk memperoleh representasi data berdimensi rendah, data akan diproyeksikan pada eigenvectors dari matriks kovarians. Hasil proyeksi dapat dihitung dengan persamaan (6).,,,,,, (6) dimana k adalah fungsi kernel yang digunakan dalam perhitungan matriks kernel. Dikarenakan KPCA adalah sebuah metode berdasarkan kernel, pemetaan yang dilakukan KPCA sangat bergantung terhadap pemilihan fungsi kernel k. Fungsi kernel yang memungkinkan adalah kernel polynomial(7), kernelgaussian(8), serta kernellinear(9).(maaten, 2007) (7)
5 12 exp 2 (8) (9) 2.3. Klasifikasi Klasifikasi adalah sebuah bentuk analisis data dimana mengekstraksi model yang mendeskripsikan kelas data yang penting. Model-model hasil ekstraksi tersebut disebut classifiers. Klasifikasi data pada dasarnya dilakukan dengan 2 proses yaitu tahap belajar dimana model klasifikasi dibentuk dan tahap klasifikasi dimana model akan digunakan untuk memprediksi label kelas untuk data yang diberikan. Pertama-tama sebuah classifier akan dibentuk dengan menggambarkan sebuah kumpulan kelas data yang telah ditentukan. Pada tahap ini, sebuah algoritma klasifikasi akan membuat classifier dengan menganalisa sebuah kumpulan data training yang membentuk database tuples dan label kelasnya. Setiap tuple, X, diasumsikan milik sebuah kelas yang ditentukan atribut database lain disebut atribut label kelas. Dalam konteks klasifikasi data, data tuples dapat dianggap sebagai sampel atau contoh. Selanjutnya pada tahap klasifikasi dapat dilihat bahwa pembelajaran dari sebuah pemetaaan atau fungsi yang dapat memprediksi label kelas y dari sebuah tuple X. Pemetaaan ini direpresentasikan dalam bentuk classification rules, decision trees, atau persamaan matematika. Kemudian model yang dihasilkan akan digunakan pada tahap selanjutnya yaitu tahap klasifikasi.(han et al., 2011)
6 Support Vector Machine (SVM) SVM adalah sebuah metode klasifikasi untuk data linear dan nonlinear. SVM melakukan pemetaan nonlinear pada data ke dimensi yang lebih tinggi. Kemudian, SVM akan melakukan pemisahan data dengan mencari hyperplane pemisah secara linear yang optimal. SVM mencari hyperplane menggunakan support vector, dimana merupakan training tuples yang penting, dan margins yang ditentukan oleh support vectors. Pada data linear, SVM akan mencari maximum marginal hyperplane (MMH) tanpa melakukan pemetaan data ke dimensi yang lebih tinggi. Semakin besar margin yang dihasilkan pada saat dilakukan pemisahan linear, maka SVM akan menghasilkan akurasi yang lebih baik. Sedangkan data nonlinear, SVM akan melakukan pemetaan data ke dimensi yang lebih tinggi sebelum dilakukan pemisahan secara linear. Pemetaan data nonlinear dapat menggunakan fungsi kernel. Berdasarkan penelitian yang ada, ada 3 fungsi kernel yang sesuai untuk SVM yaitu polynomial kernel of degree h (10), Gaussian radial basis function kernel (11), dan sigm oid kernel (12)., 1 (10), (11), tanh (12) Dari ketiga fungsi kernel tersebut belum ada peraturan yang menentukan fungsi kernel yang dapat memberikan akurasi klasifikasi terbaik. (Han et al., 2011)
7 Naïve Bayesian Classifier bayesian adalah classifier statistik. Classifier ini menentukan atau memprediksi kelas dari sebuah tuple berdasarkan kemungkinan atau peluang dalam sebuah kelas. Asumsi D adalah kumpulan training tuples beserta label kelasnya dimana masing-masing tuple direpresentasikan dengan sebuah vektor atribut n-dimensi.classifier ini akan memprediksi tuple, X, ke dalam sebuah kelas (asumsi dari m kelas) dengan kondisi 1,. Oleh karena itu akan dimaksimalkan dengan maximum posteriori hypothesis pada persamaan (13). (13) Apabila kelas berdasarkan peluang tersebut tidak diketahui maka akan diasumsikan bahwa,, dimana, adalah jumlah training tuples dari kelas C i dalam D. Agar mengurangi komputasi dalam evaluasi, pada metode ini akan berasumsi nilai-nilai atribut tidak bergantung satu sama lain. Oleh karena itu, komputasi akan dihitung dengan persamaan (14). (14) Dalam komputasi harus mempertimbangkan atribut A k adalah categorical atau continuous-valued. Apabila A k adalah categorical, maka adalah jumlah tuples dari kelas C i dalam D yang memiliki nilai x k untuk A k, dibagi dengan,, jumlah tuples dari kelas C i dalam D. Dan apabila A k adalah countinuous-valued maka atribut tersebut akan diasumsi memiliki distribusi
8 15 Gaussian dengan rata-rata µ dan standar deviasi yang dihitung dengan persamaan (15).,, 1 2 (15) Sehingga persamaan menjadi seperti persamaan (16).,, (16) Berdasarkan persamaan tersebut, untuk memprediksi label kelas X, dievaluasi untuk setiap kelas C i. Classifier memprediksi label kelas X jika dan hanya jika 1,. Dengan kata lain, label kelas hasil prediksi adalah kelas C i dengan nilai maksimum dari persamaan.(han et al., 2011) k-nearest-neighbor Nearest-neighbor classifiersmempelajari perbandingan test tuples dan training tuples berdasarkan persamaan pola. Persamaan pola yang dimaksud ditentukan dengan distance metric. Salah satu distance metric yang dapat digunakan adalah euclidean distance. Pada klasifikasi k-nearest-neighbor, tuples akan dikelompokan dalam kelas yang paling umum diantara k-nearest-neighbor. Misal k=1, maka tuples akan dikelompokan pada kelas yang memiliki persamaan pola paling tinggi.(han et al., 2011) Cross-Validation Cross-validation adalah salah satu bentuk dari teknik statistika. Pada crossvalidation dibutuhkan sebuah nilai untuk menentukan jumlah folds. Data akan
9 16 dibagi secara acak dan merata sesuai dengan jumlah folds yang ditentukan. Setiap bagian data akan digunakan sebagai data testing dan sisanya akan digunakan sebagai data training. Prosedur ini akan dilakukan terus menerus hingga seluruh bagian data telah digunakan sebagai data testing. Pada umumnya untuk memprediksi error rate dari sebuah teknik machine learning, nilai fold yang digunakan adalah 10 yang disebut tenfold cross-validation. (Witten, Frank, & Hall, 2011) 2.4. Penelitian yang Relevan Penelitian dengan menggunakan teknik reduksi dimensi sudah pernah dilakukan sebelumnya. Kontribusi dan hasil penelitian pada umumnya berupa meningkatkan performa klasifikasi baik dari akurasi klasifikasi maupun waktu yang dibutuhkan untuk klasifikasi serta jumlah dimensi atau fitur yang digunakan setelah melalui proses reduksi dimensi. Pada paper penelitian yang dilakukan oleh Singh, Jayas, Paliwal, & White, (2009) dengan judul Detection of insect-damaged wheat kernels using nearinfrared hyperspectral imaging, PCA membantu dalam feature extraction dari data hiperspektral untuk digunakan dalam klasifikasi. Klasifikasi pada penelitian ini menggunakan linear discriminant analysis (LDA) dan quadratic discriminant analysis (QDA). Akurasi klasifikasi pada penelitian ini mencapai 85% hingga 100% dengan menggunakan 2 principal component (PC) dimana variabilitas PC-1 mencapai hamper 94% dan untuk PC-2 mencapai hamper 5%. PCA digunakan oleh Liu, Shi, Zhang, & Huang, (2010) dalam paper penelitian dengan judul Discrimination of rice panicles by hyperspectral
10 17 reflectance databased on principal component analysis and support vector classification. Tujuan penelitian ini adalah mendeteksi kondisi padi dengan klasifikasi menggunakan metode support vector classification. Data hiperspektral padi direduksi dimensi-nya menggunakan PCA menjadi masing-masing 3 PC untuk training dataset dan testing dataset. Hasil penelitian ini menyatakan bahwa kombinasi support vector classification dan PCA memberikan hasil klasifikasi yang memuaskan. Shahin & Symons, (2011) melakukan penelitian menggunakan PCA untuk mereduksi dimensi data gambar hiperspektral pada paper penelitian yang berjudul Detection of Fusarium damaged kernels in Canada Western Red Spring wheat using visible/near-infrared hyperspectral imaging and principal component analysis. Pada penelitian ini, PCA berhasil melakukan reduksi dimensi data menjadi 10 PC. LDA akan digunakan sebagai kernel klasifikasi. Hasil klasifikasi menunjukan bahwa akurasi rata-rata mencapai 92%. Pada paper penelitian yang dilakukan oleh Senthilnath et al., (2012) dengan berjudul Crop Stage Classification of Hyperspectral Data Using Unsupervised Techniques, PCA digunakan untuk melakukan reduksi dimensi terhadap data fase tumbuh tanaman pada gambar hiperspektral. Pada penelitian ini, jumlah features yang digunakan metode Modified Broken-Stick Rule. Dengan metode tersebut, pada penelitian ini menggunakan 6 PC pertama dari data. Data hasil reduksi dimensi tersebut digunakan untuk klasifikasi dengan algoritma ISODATA, AIS, HAIS dan NHAIS. Hasil penelitian ini menunjukan bahwa algoritma NHAIS memberikan performa klasifikasi yang lebih baik dibandingkan algoritma lainnya.
11 18 Melalui hasil penelitian ini, PCA dapat digunakan untuk mereduksi dimensi pada data hiperspektral dengan tetap menghasilkan performa klasifikasi yang optimal. Wang, (2012) membandingkan PCA dan KPCA dalam aplikasi face recognition dan active shape models. Paper penelitian ini berjudul Kernel Principal Component Analysis and its application in Face Recognition and Active Shape Models. Hasil penelitian ini menunjukan bahwa KPCA menghasilkan performa klasifikasi yang lebih baik dibandingkan dengan PCA dalam hal face recognition. Pada paper penelitian yang dilakukan oleh Liao, Bellens, Pizurica, Philips, & Pi, (2012) dengan judul Classification of Hyperspectral Data over Urban Areas Based on Extended Morphological Profile with Partial Reconstruction, KPCA juga memberikan hasil yang lebih baik dalam melakukan ekstraksi fitur dengan classifier linear. Pada paper penelitian ini, KPCA dibandingkan dengan teknik reduksi dimensi yang lain yaitu PCA dan Independent Component Analysis (ICA).
12 19 Tabel 2.1Ringkasan Penelitian yang Relevan No. Peneliti (Tahun) Teknik Reduksi Dimensi Hasil Penelitian Akurasi klasifikasi mencapai 85%-100% dimana hanya 1 Singh, Jayas, Paliwal, & White, (2009) PCA pada klasifikasi menggunakan LDA dan QDA menggunakan 2 PC. Jumlah PC ditentukan berdasarkan hasil dari feature extraction dengan PCA dimana PC-1 mencapai 94% dan PC-2 mencapai 5%. Kombinasi support vector 2 Liu, Shi, Zhang, & Huang, (2010) PCA pada klasifikasi menggunakan SVM. classification dan PCA memberikan hasil klasifikasi yang memuaskan. Rata-rata akurasi hasil 3 Shahin & Symons, (2011) PCA pada klasifikasi untuk mendeteksi Fusarium damaged kernels menggunakan LDA klasifikasi menunjukan bahwa dengan melakukan reduksi dimensi dengan PCA, LDA dapat memprediksi kerusakan lebih tepat. PCA untuk klasifikasi Algoritma NHAIS 4 Senthilnath et al., (2012) dengan algoritma ISODATA, AIS, HAIS, dan memberikan performa klasifikasi yang lebih baik NHAIS. dibandingkan algoritma
13 20 No. Peneliti (Tahun) Teknik Reduksi Dimensi Hasil Penelitian lainnya. PCA digunakan untuk mereduksi dimensi data hiperspektral dengan tetap menghasilkan performa klasifikasi yang optimal. KPCA menghasilkan 5 Wang, (2012) PCA dan KPCA dalam aplikasi face recognition dan active shape models. PCA, KPCA, dan ICA pada performa klasifikasi yang lebih baik dibandingkan dengan PCA dalam hal face recognition. 6 Liao, Bellens, Pizurica, Philips, & Pi, (2012) klasifikasi data hiperspektral daerah kota berdasarkan Extended Morphological Profile dengan Partial KPCA juga memberikan hasil yang lebih baik dalam melakukan ekstraksi fitur dengan classifier linear. Reconstruction.
BAB I. PENDAHULUAN. produksi padi akan berdampak langsung pada sekuritas makanan nasional pada
BAB I. PENDAHULUAN 1.1. Latar Belakang Pada negara-negara di Asia terutama Indonesia, padi adalah salah satu tanaman pertanian yang penting dan merupakan makanan pokok. Berkurangnya produksi padi akan
Lebih terperinciKombinasi KPCA dan Euclidean Distance untuk Pengenalan Citra Wajah
Kombinasi KPCA dan Euclidean Distance untuk Pengenalan Citra Wajah Rima Tri Wahyuningrum 1,2 Prodi Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo Jl. Raya Telang, PO BOX 2 Kamal, Bangkalan
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras 3.1.1 Diagram Blok Sistem Rancangan perangkat keras dari aplikasi pengenalan wajah ini dapat dilihat pada diagram blok Gambar 3.1 sebagai berikut
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 terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciSVM untuk Regresi Ordinal
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciSVM untuk Regresi. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciBAB II KAJIANPUSTAKA
BAB II KAJIANPUSTAKA 2.1 Klasifikasi Klasifikasi adalah proses pengelompokan data menjadi suatu kelas berdasarkan kesamaan karakteristik pada data data yang ada. Ada 2 jenis metode yang dapat digunakan
Lebih terperinciKLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM)
KLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Oleh : MEKAR SEKAR SARI NIM. 24010210120008 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Data mining adalah proses mengeksplorasi dan menganalisis data dalam jumlah besar untuk menemukan pola dan rule yang berarti (Berry & Linoff, 2004). Klasifikasi adalah
Lebih terperinciKlasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra
Jurnal Ilmiah Ilmu Komputer, Vol 15 No. 2, Desember 2010 : 38-41 Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra Vera Yunita, Yeni Herdiyeni Departemen Ilmu
Lebih terperinciBABI PENDAHULUAN. 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Kanker payudara adalah jenis kanker yang dimulai pada sel-sel payudara sebagai sekelompok sel kanker, yang kemudian dapat menyerang jaringan di sekitarnya atau menyebar
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Definisi Citra, Pengolahan Citra, dan Pengenalan Pola Citra dapat dijelaskan sebagai dua dimensi dari fungsi f(x,y) dimana x dan y tersebut adalah sebuah koordinat pada bidang
Lebih terperinciPENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 811-820 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan Support Vector Backpropagation. Pembahasan bertujuan untuk menguraikan teori dan algoritma yang digunakan dalam
Lebih terperinciBAB II TINJAUAN PUSTAKA
2.1 Tinjauan Empiris BAB II TINJAUAN PUSTAKA Pada penelitian ini, peneliti menggunakan beberapa penelitian yang pernah dilakukan sebelumnya sebagai tinjauan studi. Berikut ialah tinjauan empiris yang digunakan:
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kredit merupakan salah satu bentuk usaha sekunder yang dapat dilakukan untuk pemenuhan kebutuhan sehari-hari. Pada umumya, proses kredit dapat dilayani melalui lembaga
Lebih terperinciUJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES
1 Uji Kinerja Face Recognition Menggunakan Eigenfaces UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES ABDUL AZIS ABDILLAH 1 1STKIP Surya, Tangerang, Banten, abdillah.azul@gmail.com Abstrak. Pada paper
Lebih terperinciMetode Klasifikasi (SVM Light dan K-NNK. NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech. Jurusan Informatika FMIPA Universitas Syiah Kuala
Metode Klasifikasi (SVM Light dan K-NNK NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech Jurusan Informatika FMIPA Universitas Syiah Kuala www.informatika.unsyiah.ac.id/tfa Alur dan Proses Cleaning Process Dokumen
Lebih terperinciMetode Kernel. Machine Learning
MMA10991 Topik Khusus Machine Learning Metode Kernel Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciSupport Vector Machine
MMA10991 Topik Khusus Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciDIAGNOSA KETIDAKLURUSAN (MISALIGNMENT) POROS MENGGUNAKAN METODE MULTICLASS SUPPORT VECTOR MACHINE (SVM)
DIAGNOSA KETIDAKLURUSAN (MISALIGNMENT) POROS MENGGUNAKAN METODE MULTICLASS SUPPORT VECTOR MACHINE (SVM) SKRIPSI Diajukan sebagai salah satu syarat Untuk memperoleh gelar Sarjana Teknik Oleh: WANTO NIM.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data mining mengacu pada proses ekstraksi atau menggali pengetahuan dari sekumpulan data yang besar. Data mining mempunyai nama lain yang dikenal secara popular dengan
Lebih terperinciPengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA)
Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA) Erma Rachmawati Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh
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 terperinci4 Notepad dan Microsoft Excel sebagai editor data.
dengan menggunakan perangkat lunak ENVI disimpan dalam file.txt (Lampiran 1). File ini berisi informasi mengenai panjang gelombang dan nilai pantulan (reflectance) objek di permukaan bumi. Objek yang diperlukan
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Seperti halnya semua algoritma dalam pattern recognition pada real-world domain, Support Vector Machine juga selalu mengalami masalah pada tingginya dimensi data yang
Lebih terperinciSTUDI KOMPARASI METODE KLASIFIKASI DUA KELAS
Program Studi MMT-ITS, Surabaya Pebruari 007 STUDI KOMPARASI METODE KLASIFIKASI DUA KELAS Budi Santosa dan Devi Rosita Hanum Teknik Industri Institut Teknologi Sepuluh Nopember Email: budi_s@ie.its.ac.id,
Lebih terperinciK NEAREST NEIGHBOR INFORMATION RETRIEVAL (SISTEM TEMU KEMBALI INFORMASI)
K NEAREST NEIGHBOR INFORMATION RETRIEVAL (SISTEM TEMU KEMBALI INFORMASI) Disusun Oleh : Alfian Sukma 081116007 Dian Ramadhan 081211631003 Bagus Puji Santoso 081211631061 Tiara Ratna Sari 081211632014 Ni
Lebih terperinciModel Linear untuk Klasifikasi
MMA10991 Topik Khusus - Machine Learning Model Linear untuk Klasifikasi Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciOptimalisasi Pemetaan Fase Pertumbuhan Padi Berdasarkan Analisa Pola Reflektan dengan Data Hiperspektral Studi Kasus : Kabupaten Karawang
Optimalisasi Pemetaan Fase Pertumbuhan Padi Berdasarkan Analisa Pola Reflektan dengan Data Hiperspektral Studi Kasus : Kabupaten Karawang M. A. Rauf Syafriyyin 1) dan Bangun Mulyo Sukojo 2) Jurusan Teknik
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu pelayanan dalam dunia perbankan adalah pemberian pinjaman kredit kepada nasabah yang memenuhi syarat perbankan. kredit merupakan sumber utama penghasilan
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 terperinciUNJUK KERJA METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) DENGAN LEARNING VECTOR QUANTIZATION (LVQ) PADA APLIKASI PENGENALAN WAJAH
ISSN : 1693 1173 UNJUK KERJA METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) DENGAN LEARNING VECTOR QUANTIZATION (LVQ) PADA APLIKASI PENGENALAN WAJAH Yustina Retno Wahyu Utami 1), Teguh Susyanto 2). Abstract
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 terperinciPeningkatan Akurasi pada Algoritma Support Vector Machine dengan Penerapan Information Gain untuk Mendiagnosa Chronic Kidney Disease
Peningkatan Akurasi pada Algoritma Support Vector Machine dengan Penerapan Information Gain untuk Mendiagnosa Chronic Kidney Disease Kiki Prima Wijaya 1, Much Aziz Muslim 2 12 Jurusan Ilmu Komputer, FMIPA,
Lebih terperinciPRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA
PRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA Penyusun Tugas Akhir : Astris Dyah Perwita (NRP : 5110.100.178)
Lebih terperinciPENDEKATAN METODE FEATURE EXTRACTION DENGAN ALGORITMA NAÏVE BAYES
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 19~24 19 PENDEKATAN METODE FEATURE EXTRACTION DENGAN ALGORITMA NAÏVE BAYES Riski Annisa AMIK BSI Pontianak e-mail: riski.rnc@bsi.ac.id
Lebih terperinciBAB 1 PENDAHULUAN 1-1
BAB 1 PENDAHULUAN Bab ini menjelaskan mengenai Latar Belakang, Identifikasi Masalah, Tujuan Tugas Akhir, Lingkup Tugas Akhir, Metodologi Tugas Akhir dan Sistematika Penulisan Tugas Akhir. 1.1 Latar Belakang
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Persaingan dalam dunia bisnis, terlebih lagi bagi perusahaan besar, tidak lepas dari adanya proses jual beli saham. Saham secara umum merupakan surat berharga yang dapat
Lebih terperinciKLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO MENGGUNAKAN REGRESI LOGISTIK BINER DAN SUPPORT VECTOR MACHINE (SVM)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 123-132 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB 1 PENDAHULUAN. dalam bidang Teknologi Informasi sangat pesat. Hampir seluruh bidang-bidang dalam
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Dewasa ini perkembangan Ilmu Pengetahuan dan Teknologi (IPTEK) khususnya dalam bidang Teknologi Informasi sangat pesat. Hampir seluruh bidang-bidang dalam kehidupan
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
Lebih terperinci1. Pendahuluan Perumusan Masalah Dari latar belakang yang dipaparkan di atas, masalah yang dapat dirumuskan adalah:
1. Pendahuluan 1.1. Latar Belakang Wajah manusia dapat menunjukkan dimorfisme seksual yang cukup jelas [1][2][3][4][5]. Wajah pria dan wanita memiliki bentuk dan tekstur yang berbeda, dan petunjuk yang
Lebih terperinciTeknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil
Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil Ronny Susetyoko, Elly Purwantini Politeknik Elektronika Negeri Surabaya
Lebih terperinciIMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE
Jurnal Informatika Polinema ISSN: 2407-070X IMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE Faisal Rahutomo 1, Pramana Yoga Saputra 2, Miftahul Agtamas
Lebih terperinciTidak ada tepat satu teori untuk menyelesaikan problem pengenalan pola Terdapat model standar yang dapat dijadikan teori acuan
Terdapat banyak jenis pola: Pola visual Pola temporal Pola logikal Tidak ada tepat satu teori untuk menyelesaikan problem pengenalan pola Terdapat model standar yang dapat dijadikan teori acuan Statistik
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 KLASIFIKASI PADA TEXT MINING Budi Susanto Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa
Lebih terperinciPengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis)
Pengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis) Ratna Nur Azizah Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111
Lebih terperinciPlot Multivariate Menggunakan Kernel Principal Component Analysis (KPCA) dengan Fungsi Power Kernel
Plot Multivariate Menggunakan Kernel Principal Component Analysis (KPCA) dengan Fungsi Power Kernel Vitawati Bawotong, Hanny Komalig, Nelson Nainggolan 3 Program Studi Matematika, FMIPA, UNSRAT, vbawotong@gmail.com
Lebih terperinciReduksi Fitur Untuk Optimalisasi Klasifikasi Tumor Payudara Berdasarkan Data Citra FNA
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Reduksi Fitur Untuk Optimalisasi Klasifikasi Tumor Payudara Berdasarkan Data Citra FNA Made Satria Wibawa 1), Kadek Dwi
Lebih terperinciSIMULASI DAN ANALISIS PENERJEMAH BAHASA ISYARAT KE TEKS MENGGUNAKAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE
e-proceeding of Engineering : Vol.3, No.3 December 2016 Page 48 SIMULASI DAN ANALISIS PENERJEMAH BAHASA ISYARAT KE TEKS MENGGUNAKAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE SIMULATION AND ANALYSIS OF
Lebih terperinciTRANSFORMASI MODEL WARNA YUV DAN FUZZY SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI CITRA SATELIT
TRANSFORMASI MODEL WARNA YUV DAN FUZZY SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI CITRA SATELIT Ahmad Afif Supianto 1, Sutrisno 2 Informatika/Ilmu Komputer, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciHasil Ekstraksi Algoritma Principal Component Analysis (PCA) untuk Pengenalan Wajah dengan Bahasa Pemograman Java Eclipse IDE
Hasil Ekstraksi Algoritma Principal Component Analysis (PCA) untuk Pengenalan dengan Bahasa Pemograman Java Eclipse IDE Fiqih Ismawan Dosen Program Studi Teknik Informatika, FMIPA Universitas Indraprasta
Lebih terperinciANALISA PENGUKURAN SIMILARITAS BERDASARKAN JARAK MINIMUM PADA PENGENALAN WAJAH 2D MENGGUNAKAN DIAGONAL PRINCIPAL COMPONENT ANALYSIS
ANALISA PENGUKURAN SIMILARITAS BERDASARKAN JARAK MINIMUM PADA PENGENALAN WAJAH 2D MENGGUNAKAN DIAGONAL PRINCIPAL COMPONENT ANALYSIS Fetty Tri Anggraeny, Wahyu J.S Saputra Jurusan Teknik Informatika, Universitas
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR
PENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR 1 Fandiansyah, 2 Jayanti Yusmah Sari, 3 Ika Purwanti Ningrum Jurusan Teknik Informatika, Fakultas Teknik Universitas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini menjelaskan landasan teori dari metode yang digunakan dalam proses pengenalan wajah, yaitu terdiri atas: metode Eigenface, dan metode Jarak Euclidean. Metode Eigenface digunakan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dunia kesehatan dewasa ini tidak bisa dipisahkan dengan teknologi yang terus berkembang. Pengembangan teknologi yang erat kaitannya dengan dunia kesehatan atau dunia
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
Lebih terperinciBAB III METODOLOGI. Support Vector Machines (SVM) merupakan salah satu metode machine
BAB III METODOLOGI 3.1 Hipotesis Support Vector Machines (SVM) merupakan salah satu metode machine learning yang dapat melakukan klasifikasi data dengan sangat baik. Metode ini bertujuan untuk mendapatkan
Lebih terperinciKLASIFIKASI BUAH BELIMBING BERDASARKAN CITRA RED-GREEN-BLUE MENGGUNAKAN KNN DAN LDA ABSTRAK ABSTRACT
Jurnal Penelitian Ilmu Komputer, System Embedded & Logic 1(1) : 29-35 (2013) KLASIFIKASI BUAH BELIMBING BERDASARKAN CITRA RED-GREEN-BLUE MENGGUNAKAN KNN DAN LDA Retno Nugroho Whidhiasih 1, Nursinta Adi
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
60 BAB IV HASIL DAN PEMBAHASAN 41 Hasil Eksperimen E-nose terdiri dari 4 buah sensor gas dimana masing-masing dari sensor tersebut memiliki kepekaan yang berbeda pada saat pendeteksian aroma Jenis teh
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
68 BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Pengenalan Ekspresi Wajah Manusia Pengenalan ekspresi wajah manusia oleh mesin dapat dideskripsikan sebagai interpretasi terhadap karakteristik ekspresi wajah manusia melalui
Lebih terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
Lebih terperinciBAB IV PENGUJIAN DAN ANALISIS
BAB IV PENGUJIAN DAN ANALISIS Bab ini akan membahas tentang pengujian dan analisis sistem. Pada pengujian akan dijelaskan tentang kriteria pengujian serta analisis dari pengujian 4.1. Kriteria Pengujian
Lebih terperinciPengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA)
JURNAL EKNIK IS ol 1, (Sept, 212) ISSN: 231-9271 A-439 Pengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA) Ratna Dwi Kartika Rini, Wirawan dan Hendra Kusuma Jurusan eknik Elektro-FI,
Lebih terperinciBAB 2 Landasan Teori
BAB 2 Landasan Teori Pengenalan manusia secara otomatis menggunakan mesin merupakan masalah yang menantang dan telah menjadi banyak perhatian selama beberapa tahun terakhir. (Jawad, Syed, dan Farrukh,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Salah satu tanggung jawab sosial PT. Telkom dalam program kemitraan dengan masyarakat sekitarnya adalah memberikan kredit lunak bagi pelaku Usaha Kecil Menengah (UKM).
Lebih terperinciDeteksi Mobil Menggunakan Histogram of Oriented Gradient
1 Deteksi Mobil Menggunakan Histogram of Oriented Gradient Cahyo Permata,I Ketut Eddy Purnama dan Muhtadin Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI penelitian. Pada bab ini akan dibahas literatur dan landasan teori yang relevan dengan 2.1 Tinjauan Pustaka Kombinasi metode telah dilakukan oleh beberapa peneliti
Lebih terperinciPengantar Support Vector Machine
Pengantar Support Vector Machine Anto Satriyo Nugroho February 8, 2007 1 Pengantar Pattern Recognition (PR) didefinisikan sebagai proses pemetaan suatu data ke dalam konsep tertentu yang telah didefinisikan
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Budi Susanto KLASIFIKASI PADA TEXT MINING Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa algoritma klasifikasi: KNN Naïve Bayes Decision
Lebih terperinciSUPPORT VECTOR MACHINE UNTUK IMAGE RETRIEVAL
SUPPORT VECTOR MACHINE UNTUK IMAGE RETRIEVAL Muhammad Athoillah 1, M. Isa Irawan 2 dan Elly Matul Imah 3 1 Jurusan Matematika, FMIPA, Institut Teknologi Sepuluh Nopember, Jl. Arief Rahman Hakim, Surabaya,
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciPerbandingan Algoritma Pendeteksian Spam
Perbandingan Algoritma Pendeteksian Spam Andros, Dimas Prawita, Juan Karsten, Maldy Vinandar Fakultas Ilmu Komputer, Universitas Indonesia Depok, Jawa Barat, Indonesia andros@ui.ac.id, dimas.prawita@ui.ac.id,
Lebih terperinciANALISIS PERFORMANSI PERUSAHAAN SYARIAH DI BURSA EFEK INDONESIA (BEI) MENGGUNAKAN METODE DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE (SVM)
ANALISIS PERFORMANSI PERUSAHAAN SYARIAH DI BURSA EFEK INDONESIA (BEI) MENGGUNAKAN METODE DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE (SVM) NUR SYAFRIDA - 1308 100 065 Pembimbing : Muhammad Mashuri,
Lebih terperinciSUPPORT VECTOR MACHINE (SVM)
MAKALAH DATA MINING SUPPORT VECTOR MACHINE (SVM) Di Susun Oleh : Nama : RA. Toyyibatul Faihah NRP : 07.04.111.00132 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS TRUNOJOYO 2010 1 PENDAHULUAN 1.1
Lebih terperinciPERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI
ISSN 1858-4667 JURNAL LINK Vol 16/No. 1/Februari 212 PERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI Ronny Susetyoko 1, Elly Purwantini 2 1,2 Departemen Teknik Elektro,
Lebih terperinciPENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN
PENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN 1008605032 JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU
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 terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinci( ) ( ) (3) II-1 ( ) ( )
BAB II LANDASAN TEORI 2.1 Naïve Bayes Classifier 2.1.1 Teorema Bayes Bayes merupakan teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema Bayes (atau aturan Bayes) dengan
Lebih terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang Diagnosis kanker dapat dilakukan berdasarkan struktur morfologisnya, namun hal tersebut mengalami kesulitan karena perbedaan struktur morfologis yang sangat tipis
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Seiring berkembangnya teknologi informasi, kebutuhan akan informasi yang digunakan untuk mendukung business intelligent suatu perusahaan juga meningkat. Informasi penting
Lebih terperinciAPLIKASI PREDIKSI KELULUSAN MAHASISWA DENGAN METODE LINEAR DISCRIMINANT ANALYSIS
APLIKASI PREDIKSI KELULUSAN MAHASISWA DENGAN METODE LINEAR DISCRIMINANT ANALYSIS Sulistio PT Adicipta Inovasi Teknologi (AdIns) Jakarta email : sulistio.workmail@gmail.com Abstrak Aplikasi Prediksi Status
Lebih terperinciABSTRAK. Kata Kunci : klasifikasi, musik digital, jenis musik, support vector machine, fitur ekstraksi, daftar putar musik digital
ABSTRAK Kemudahan dalam mendapatkan musik digital membuat orang-orang dapat memiliki banyaknya koleksi musik digital. Terkadang orang-orang menikmati musik dengan jenis musik tertentu berdasarkan kondisi
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pendidikan adalah salah satu aspek terpenting bagi kehidupan manusia, yang dapat mempengaruhi manusia itu sendiri, juga menjadi faktor pendukung dalam setiap sektor
Lebih terperinci