Al Azhar 1 Jondri 2 Untari Novia Wisesty 2
|
|
- Ari Yuwono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Prediksi Perkembangan Kondisi Pasien Terapi HIV dengan Menggunakan Representasi ALE-index sebagai Invariant Nuceotida sequence dan Support Vector Machine A Azhar 1 Jondri 2 Untari Novia Wisesty 2 1,2,3 Fakutas Informatika Universitas Tekom J. Teekomunikasi, Dayeuhkoot Bandung Indonesia 1 aazhar1092@gmai.com, 2 jondri@tekomuniversity.ac.id, 3 untarinw@tekomuniversity.ac.id Abstrak Human Immunodeficiency Virus atau disingkat HIV merupakan saah satu jenis virus yang sangat berbahaya. HIV menyerang system immune yang menyebabkan pasien HIV mengaami kegagaan sistem kekebaan tubuh. Daam beberapa tahun terakhir, inveksi HIV sudah ditangani dengan berbagai terapi. Saah satu terapi paing efektif adaah dengan mengkonsumsi obat antiretrovira yang akan menekan virus HIV agar tidak mendupikasikan diri, ataupun menginfeksi se darah putih. Namun, virus biasanya akan bermutasi terhadap obat obatan yang diberikan daam penanganan, sehingga virus keba terhadap obat yang biasa diberikan di terapi. Untuk itu dibutuhkan suatu sistem prediksi untuk memprediksi kondisi pasien terapi yang akan membaik, agar mempermudah daam pengambian keputusan penangan dini pada pasien. Dengan menggunakan 4 parameter yaitu jumah CD4, Vira Load, PR sequence dan RT sequence, penuis berusaha membangun sistem prediksi perkembangan kondisi pasien terapi HIV. Sistem prediksi ini dibangun dengan saah satu metode kasifikasi machine earning yaitu metode Support Vector Machine (SVM) dan representasi numerik dari urutan nukeotida yaitu ALE-index. Metode ALE-index pada sistem berfungsi untuk mentransasi parameter RT sequence dan PR sequence yang masih daam bentuk urutan nukeotida menjadi data numerik agar bisa diinputkan kedaam SVM. Pada metode ALE-index ini juga terdapat beberapa penangan karakter yang bukan merupakan empat unsur utama penyusun urutan nukeotida. Hasi pengujian menunjukkan kombinasi penanganan Random-Deete row dengan menggunakan kerne RBF pada SVM memperoeh akurasi yang ebih tinggi dibandingkan kombinasi penanganan dan parameter ainnya yaitu 77.46%. Dan dengan menggunakan keempat parameter, akurasi yang diperoeh ebih tinggi dibandingkan dengan mengiangkan saah satu fitur. Kata kunci : : HIV, Support Vector Machine, Nukeotida, ALE-index Abstract Human Immunodeficiency Virus (HIV) is one of many dangerous type of virus. HIV attacks the immune system that causes HIV patients experienced faiure of the immune system. In recent years, HIV infection has been treated with various therapies. Currenty, the most effective treatment is to take antiretrovira drugs that woud suppress the HIV virus in order to not dupicate themseves, or infects white bood ces. However, the virus wi mutate to a drug normay prescribed by the treatment, which makes the virus resistant to drugs commony given in therapy. That requires a prediction system to predict the HIV progression of HIV patient, in order to faciitate the eary decision-making in the patient. By using four parameters: CD4 count, vira oad, PR and RT sequences sequences, the authors tried to buid prediction system of HIV patient's condition. This prediction system buit with one of machine earning cassification method Support Vector Machine (SVM) and numerica representation of the nuceotides sequence ALE-index. ALE-index method is used to transate parameter RT sequences and PR sequences that sti in the form of nuceotide sequences into numeric data to be entered into system. The resuts showed the combination of Random-Deete row using RBF kerne in the SVM obtain higher accuracy, 77.46% than the other combination of parameters. And by using four parameters, the system obtain higher accuracy compared to using just three parameters. Keyword : HIV, Support Vector Machine, Nuceotide, ALE-index 1. PENDAHULUAN HIV adaah sebuah virus yang menyerang system immune sehingga menyebabkan pengidap HIV mengaami kegagaan sistem kekebaan tubuh. Dampak dari ha tersebut adaah tubuh pasien menjadi emah daam meawan infeksi sehingga rentan terhadap serangan virus memungkinkan infeksi ain seperti kanker dapat berkembang [1]. Berdasarkan Joint United Nations Programme on HIV/AIDS, pada tahun 2009 HIV teah menyebabkan 30 juta kematian diseuruh dunia sejak ditemukan pada tahun 1981 [8]. Daam beberapa tahun terakhir, inveksi HIV sudah ditangani dengan berbagai terapi. Saat ini terapi yang paing efektif adaah dengan mengkonsumsi obat antiretrovira yang dapat menekan virus HIV agar tidak mendupikasikan diri, ataupun menginfeksi se darah putih. Namun, biasanya virus dapat bermutasi terhadap obat obatan yang diberikan, sehingga virus menjadi keba terhadap obat yang diberikan pada saat terapi. [13] Peneitian ini bertujuan untuk membangun sebuah sistem yang dapat memprediksi kondisi pasien terapi yang mengaami perkembangan. Dengan prediksi tersebut, akan mempermudah daam pengambian keputusan penanganan pada pasien. Parameter yang biasanya digunakan daam memonitor kondisi pasien adaah Vira Load (VL) dan jumah CD4. Kemudian pada peneitian kai ini, terdapat tambahan dua parameter seain yang disebutkan sebeumnya yaitu Protease (PR) dan Reverse transcriptase (RT) Sequence [11]. Dengan parameter-parameter tersebut Pasien terapi HIV akan 1
2 diprediksi apakah kondisinya akan membaik atau tidak daam 16 minggu kedepan. Metode yang digunakan pada peneitian ini adaah metode Support Vector Machine (SVM). SVM adaah saah satu metode kasifikasi yang membagi data berdasarkan keas-keas yang sudah ditentukan. Metode ini teah terbukti keefektifannya di berbagai bidang imu, saah satunya bidang bioinformatika. Keebihan metode SVM dibandingkan metode ainnya yaitu kemampuannya daam menemukan hyperpane terbaik yang memisahkan dua keas [12]. Namun metode SVM membutuhkan representasi numerik untuk data inputnya, untuk itu dibutuhkan suatu metode yang dapat merubah nuceotide sequence pada fitur kedaam representasi numerik. Oeh karena itu, penuis menggunakan metode representasi ALEindex sebagai representasi numerik dari nuceotide sequence. Metode ALE-index adaah metode yang diperkenakan oeh Chun Li dan Jun Wang [3] sebagai invariant dari urutan nukeotida. 2. DASAR TEORI 2.1 Urutan Nukeotida Urutan Nukeotida (Nuceotides sequence) adaah pengurutan susunan nukeotida ke daam kodon sepanjang peregangan DNA untuk ditranskripsikan. Atau dapat diartikan sebagai metode yang digunakan untuk menentukan urutan basa nukeotida daam suatu gen dan asam nukeat. DNA (deoxyribonuceic acid) merupakan suatu moeku yang terdapat daam se makhuk hidup yang memiiki skema bioogis yang unik. Barisan ini memiiki kemampuan untuk merepresentasikan informasi. Urutan nukeotida dihasikan dari materia bioogika DNA meaui suatu metode yang dinamakan DNA sequencing. Urutan nukeotida biasanya direpresentasikan daam bentuk kumpuan string yang terdiri dari A, G, C, T. Empat karakter pada urutan tersebut merupakan asam nukeat yaitu adenine, guanine, cytosine, and thymine. 2.2 ALE-index ALE-index merupakan saah satu metode representasi numerik dari urutan nukeotida. Jumah nukeotida yang sangat panjang pada sequence memberikan kesuitan tersendiri daam membandingkan urutan nukeotida. Dengan menggunakan metode ALE-index akan diperoeh sebuah invariant dari masing-masing urutan nukeotida. Invarian ini akan mempermudah daam meihat perbandingan dari 2 urutan nukeotida tersebut. Nafiseh Jafarzadeh and Ai Iranmanesh [6] daam papernya menggunakan D/D matrix based on codon untuk mendapatkan niai ALE-index dari sequence. Kodon merupakan urutan tertentu dari tiga nukeotida yang berdekatan untuk menentukan informasi kode genetik untuk sintesis asam amino tertentu. Gambar 2-1 Aur representasi urutan nukeotida Setiap kodon yang ada pada urutan nukeotida dipetakan kedaam koordinat grafik 2D yang terdiri dari empat kuadran seperti pada gambar 2-2 Gambar 2-2 Distribusi kodon kedaam koordinat kartesian Untuk merepresentasikan kedaam grafik 2D, urutan nukeotida akan dipotong kedaam bentuk kodon-kodon. S=C 1, C 2, C 3.C n dimana S merupakan sequence dari nukeotida. Misakan terdapat urutan nukeotida S= ATGGTGCACCCC. Dari urutan itu kita mendapatkan 4 kodon yaitu C 1 =ATG, C 2 =GTG, C 3 =CAC, C 4 =CCC. Dengan mengacu pada Gambar 3 maka didapatkan titik titik koordinat untuk setiap kodon (x 1, y 1 )=(3,1),( x 2, y 2 )=(-2,1),( x 3, y 3 )=(-1,-1),( x 4, y 4 )= (-4,-4). Untuk setiap n ϵ {1,2,. N}, didapat n n P n = ( x i, y i ) (1) dimana (x i, y i ) adaah koordinat dari kodon C i. Dari contoh sebeumnya didapat P 1 = (3,1), P 2 = (1,2), P 3 = (0,1), P 4 = (-4,-3). Maka diperoeh grafik berarah dari sequence S. Gambar 2-3 Grafik berarah dari urutan nukeotida 2
3 Seanjutnya dibangun matrix distance/distance [D/D] berdasarkan grafik berarah dari sequence S. Matrix [D/D] didefinisikan dengan: [D/D] ij = [ED] ij untuk i j, [GD] ij [D/D] ij = 0 untuk i=j Dimana ED adaah Eucidean-distance antara titik P i dan P j pada grafik berarah. ED dihitung dengan persamaan 3 dimana pi = (xi1, xi2), pj = (xj1, xj2) [ED] ij = (x i1 x j1 ) 2 + (x i2 x j2 ) 2 (2) Dan GD adaah teori graf (topoogica) distance antara titik Pi dan Pj. GD menggunakan persamaan j i jika j > i [GD] ij = { (3) Matrix [D/D] yang merepresentasikan 2D graf berarah adaah upper trianguar matrix yaitu matrix yang eemen-eemen dibawah diagona berniai 0. Niai ALE-index suatu sequence ditentukan dengan persamaan χ(d/d) = 1 2 ( 1 n D/D m1 + n 1 n D/D f (4) dimana D/D m1 = a ij i,j dan D/D f = (tr([d/ D] T [D/D])) 1/2 2.3 Support Vector Machine Support Vector Machine (SVM) pertama kai diperkenakan oeh Vapnik pada tahun 1992 sebagai rangkaian harmonis konsep-konsep ungguan daam bidang pattern recognition. [4] [5] [7] Metode SVM termasuk daam keas supervised earning. Konsep SVM dapat dijeaskan secara sederhana sebagai usaha mencari hyperpane terbaik yang berfungsi sebagai pemisah dua buah cass pada input space. [12] Gambar 2-5b SVM daam menemukan hyperpane Pada Gambar 2-5 terihat beberapa poa anggota keas dari dua buah keas yaitu keas -1 yang disimbokan dengan kotak warna merah dan keas +1 yang disimbokan dengan ingkaran berwarna kuning. Masaah kasifikasi dapat diartikan dengan usaha menemukan garis hyperpane yang dapat memisahkan antara kedua keas tersebut. [12] Hyperpane pemisah terbaik antara kedua cass dapat ditemukan dengan mengukur margin hyperpane tersebut dan mencari titik maksimanya. Margin adaah jarak antara hyperpane tersebut dengan pattern terdekat dari masing-masing cass. Pattern ini yang disebut sebagai support vector. Garis soid pada gambar 2-5 di sisi kanan menunjukkan hyperpane yang terbaik, yaitu yang teretak tepat pada tengah-tengah kedua cass, sedangkan titik merah dan kuning yang berada daam ingkaran hitam adaah support vector. Usaha untuk mencari okasi hyperpane ini merupakan inti dari proses pembeajaran pada SVM. [12] Margin terbesar dapat ditemukan dengan memaksimakan niai jarak antara hyperpane dan titik terdekatnya. Ha ini dapat dirumuskan sebagai Quadratic Programming (QP) probem, yaitu mencari titik minima persamaan (5), dengan memperhatikan constraint persamaan (6). min w τ(w) = 1 2 w 2 (5) y i (x i. w + b) -1 0 (6) Permasaahan ini dapat dipecahkan dengan berbagai teknik komputasi, di antaranya Lagrange Mutipier sebagaimana ditunjukkan pada persamaan (7). L(w, b, α) = 1 w 2 2 α i (y i ((x i. w + b) 1)) (7) Gambar 2-5a SVM daam menemukan hyperpane α i adaah Lagrange mutipiers, yang berniai no atau positif. Niai optima dari persamaan (7) dapat dihitung dengan meminimakan L terhadap w dan b, dan memaksimakan L terhadap αi. Dengan meperhatikan sifat bahwa pada titik optima gradient L=0, persamaan (7) dapat dimodifikasi sebagai maksimaisasi yang hanya mengandung αi saja, yaitu i,j=1 (8) Max α i 1 α 2 iα j y i y j < x i, x j > Subject to α i > 0, (i = 1,2,, ) α i y i = 0 3
4 Dari hasi perhitungan di atas didapatah α i yang berniai no dan positif. Data yang berkoreasi dengan α i yang positif iniah yang disebut sebagai support vector. Penjeasan tersebut beraku jika kedua keas dapat dipisahkan secara sempurna oeh hyperpane. Akan tetapi, pada umumnya input space tidak dapat dipisahkan secara sempurna yang menyebabkan batasan pada persamaan (8) tidak dapat terpenuhi, dan optimisasi tidak dapat diakukan. Untuk mengatasi permasaahan ini, maka SVM dirumus uang dengan menggunakan teknik soft margin.[12] Gambar 2-6 Soft margin SVM Dengan menggunakan teknik soft margin, persamaan (6) dimodifikasi dengan memasukan sack variabe ξ i (ξ i 0) dan sebuah fungsi penaty sebagai berikut: y i (x i. w + b) 1 ξ i, (9) dimana ξ_i 0 dan dengan demikian persamaan (5) dimodifikasi menjadi min τ(w, ξ) = 1 w + C ξ w 2 i (10) Parameter C dipiih untuk mengatur trade off antara margin dan error kasifikasi ξ. Niai C yang besar berarti akan memberikan penaty yang ebih besar terhadap error kasifikasi tersebut. Dengan demikin persamaan Lagrange mutipiers (8) menjadi : 1 Maximize α i 2 α i i,j=1 α j y i y j < x i, x j > (11) Subject to α i 0 (i = 1,2. ), α i y i = 0, 0 α i C 2.4 Kerne Trick Pada umumnya masaah daam domain dunia nyata (rea word probem) jarang yang bersifat inear separabe, kebanyakan bersifat non inear. Untuk menyeesaikan probem non inear, SVM dimodifikasi dengan memasukkan fungsi Kerne. Daam non inear SVM, pertama-tama data x dipetakan oeh fungsi Φ(x) ke ruang vektor yang berdimensi ebih tinggi. Pada ruang vektor yang baru ini, hyperpane yang memisahkan kedua cass tersebut dapat dikonstruksikan.[12] Gambar 2-7 Pemetaan input space berdimensi dua dengan pemetaan ke dimensi tinggi Iustrasi dari konsep ini dapat diihat pada gambar 2-7. Pada gambar, sisi kiri diperihatkan data pada cass kuning dan data pada cass merah yang berada pada input space berdimensi dua tidak dapat dipisahkan secara Linear. Seanjutnya pada gambar sisi kanan menunjukkan bahwa fungsi Φ memetakan tiap data pada input space tersebut ke ruang vektor baru yang berdimensi ebih tinggi dimana kedua cass dapat dipisahkan secara Linear oeh sebuah hyperpane. Notasi matematika dari mapping ini adaah sebagai berikut. Φ R d R q, d < q (12) Pemetaan ini diakukan dengan menjaga topoogi data, daam artian dua data yang berjarak dekat pada input space akan berjarak dekat juga pada feature space. Proses pembeajaran pada SVM daam menemukan titik-titik support vector, hanya bergantung pada dot product dari data yang sudah ditransformasikan pada ruang baru yang berdimensi ebih tinggi, yaitu Φ(x i ). Φ(x j ).[12] Umumnya transformasi Φ ini tidak diketahui, dan sangat suit untuk difahami secara mudah,maka perhitungan dot product tersebut sesuai teori Mercer dapat digantikan dengan fungsi kerne K(x i, x j ) yang mendefinisikan secara impisit transformasi Φ. Ha ini disebut Kerne Trick [12]. Dengan ini, persamaan (11) diubah menjadi: 1 Maximize α i 2 α i i,j=1 α j y i y j K(x i x j ) (16) Subject to α i 0 (i = 1,2. ), α i y i = 0 Dimana K(x i x j ) merupakan fungsi kerne. 2.5 Normaisasi data Normaisasi data adaah teknik menstandarkan niai fitur atau variabe dari data. Ha ini bertujuan untuk menghindari atribut dengan range yang besar mendominasi atribut dengan range keci. Untuk setiap data x, diakukan perhitungan : x μ (17) σ Dimana x adaah data daam sebuah fitur, μ adaah niai mean dari matriks sebuah fitur, dan σ adaah niai standar deviasi dari sebuah fitur [16]. Menurut Jason Weston, akurasi SVM akan menurun jika data tidak dinormaisasi [2]. 4
5 3. ANALISIS DAN PERANCANGAN SISTEM 3.1 Deskripsi Sistem Gambar 3-1 Gambaran sistem secara goba Secara umum proses yang diakukan sistem yang dibangun daam tugas akhir ini terdiri dari : preprocessing data, dan kasifikasi dengan Support vector machine yang nantinya menghasikan prediksi yang diperoeh dan akurasi sistem. 3.2 Dataset yang digunakan Data yang digunakan pada peneitian kai ini diambi dari situs kagge [9]. Pada data terdapat 6 atribut yang terdiri dari ID pasien, Kondisi pasien seteah terapi (dimana 1 menunjukkan pasien mengaami perkembangan dan 0 berarti tidak mengaami perkembangan), PR sequence, RT sequence Vira oad dan jumah CD Penanganan Noise Pada kasus ini, terdapat karakter-karakter yang tidak dikenai oeh sistem preprosesing ini seperti karakter RYKMSW dan BDHV. Tabe 3-1 Unsur pembentuk urutan nukeotida Symbo Description Bases represented A Adenine A 1 C Cytosine C G Guanine G T Thymine T W Weak A T 2 S Strong C G M amino A C K Keto G T R purine A G Y pyrimidine C T B not A C G T 3 D not C A G T H not G A C T V not T A C G N any A C G T Unsur RYKMSW merupakan suatu unsur yang terbentuk dari gabungan 2 unsur utama pembantuk urutan nukeotida, sedangkan unsur BDHV dideskripsikan dengan unsur yang masih diragukan unsur utamanya namun terdapat diantara 3 unsur utama. Untuk itu diakukan beberapa penanganan. Penangannanya adaah: 1. Jika menemukan karakter diantara RYKMSW maka dipiih saah satu penanganan dari beberapa penanganan berikut: a. Skip. Jika ditemukan karakter R,Y,K,M,S,W pada sequence, maka diakukan penghapusan karakter tersebut pada sequence b. Random. Jika ditemukan karakter R,Y,K,M,S,W pada sequence, maka diakukan random terhadap karakter yang membentuknya pada karakter tersebut. c. Repace. Jika ditemukan karakter R,Y,K,M,S,W pada sequence, maka karakter tersebut diganti dengan karakter yang membentuknya. 2. Jika menemukan karakter diantara BDHV maka dipiih saah satu penanganan dari beberapa penanganan berikut: a. Skip. Jika ditemukan karakter B,D,H,V pada sequence, maka diakukan penghapusan karakter tersebut pada sequence b. Random. Jika ditemukan karakter B,D,H,V pada sequence, maka diakukan random terhadap karakter yang membentuknya pada karakter tersebut. c. Deete row. Jika ditemukan karakter B,D,H,V pada sequence, maka sequence tersebut tidak dimasukkan kedaam proses seanjutnya Dari kombinasi penanganan diatas, didapatkan 9 dataset yang digunakan daam pengujian sistem. Tabe 3-2 Dataset Dataset RYKMSW BDHV 1 Random Random 2 Random Skip 3 Random Deete Row 4 Skip Random 5 Skip Skip 6 Skip Deete Row 7 Repace Random 8 Repace Skip 9 Repace Deete Row 4. PENGUJIAN Metode pengukuran akurasi yang akan digunakan pada pengujian ini adaah Baance Accuracy. Penggunaan metode ini dikarenakan jumah data positif dan data negatif pada dataset yang digunakan tidak seimbang, yaitu dengan perbandingan 1:7. Ha ini mencegah sistem memperoeh akurasi yang tinggi ketika sistem memprediksi data dengan baik hanya pada keas negative saja.[10] TP Accuracy = 0.5 ( TP + FN + TN TN + FP ) 5
6 Akurasi Akurasi 4.1 Pengujian terhadap dataset dan parameter SVM yang digunakan Pengujian ini akan menggunakan 2 tipe kerne dengan beberapa parameter. Kerne RBF, dan kerne Poynomia. Untuk kerne RBF, akan diujikan dengan niai sigma= 0.5, 1.5, 2, 2.5, 3.5, 4 dan kerne poynomia akan diujikan dengan menggunakan parameter poy ordo =2, 3, 4, 5. Niai C yang digunakan yaitu 1, 10, 50, 100. Pembagian data daam pengujian ini adaah 60% data atih dan 40% data uji. Hasi pengujian dapat diihat pada tabe dan gambar. Tabe 4-1 Hasi pengujian Dataset Kerne C γ/d Akurasi (%) Rand-Rand RBF Rand-Skip Poy Rand-Deete RBF Skip-Rand RBF Skip-Skip RBF Skip-Deete RBF Repace-Rand RBF Repace-Skip RBF Repace-De RBF Dari pengujian diketahui dataset Random-deete row dengan menggunakan SVM kerne RBF memperoeh akurasi yang ebih baik dibandingkan dengan dataset ain. Berikut merupakan grafik presentase perbandingan akurasi SVM kerne RBF pada tiap parameternya % 75.00% 70.00% 65.00% 60.00% 55.00% 50.00% 45.00% 40.00% Sigma C=1 C=10 C=50 C=100 Gambar 4-1 Perbandingan akurasi kerne RBF tiap parameter Dari grafik pada gambar 4-1, penambahan niai sigma pada beberapa parameter terbukti mampu meningkatkan akurasi yang diperoeh sistem. Dan perbedaan parameter C dari hasi pengujian menghasikan perbedaan akurasi yang tidak terau signifikan 4.2 Pengujian terhadap fitur yang digunakan Pada pengujian ini diakukan pengujian sistem dengan menghiangkan saah satu fitur. Dataset yang digunakan pada pengujian ini adaah dataset 3, karna pada pengujian sebeumnya mendapatkan akurasi tertinggi. Untuk kerne poynomia, penuis sudah mencoba dengan beberapa parameter, namun beum memperoeh akurasi yang memuaskan. Pembagian data daam pengujian ini adaah 60% data atih dan 40% data uji. Pada tahap uji pertama, fitur VL akan dihapus. Berikut hasi pengujian pada tahap uji pertama: Tabe 4-2 Hasi pengujian tanpa fitur VL Kerne γ C Akurasi(%) rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf Pada tabe terihat akurasi yang diperoeh dengan menghiangkan fitur VL, ternyata sangat mempengaruhi akurasi yang didapatkan. Pada gambar 4-2, terihat akurasi yang diperoeh dengan menghiangkan fitur VL jauh dibawah akurasi yang diperoeh dengan menggunakan fitur VL % 75.00% 70.00% 65.00% 60.00% 55.00% 50.00% 45.00% 40.00% Sigma C=1(3-fitur) C=10(3-fitur) C=50(3-fitur) C=100(3-fitur) C=1(4Fitur) C=10(4Fitur) C=50(4Fitur) C=100(4Fitur) Gambar 4-2 Perbandingan akurasi 4-fitur dengan 3-fitur Pada tahap uji kedua, fitur CD4 dihapus daam proses kasifikasi. Berikut hasi pengujian pada tahap uji kedua: 6
7 Akurasi Tabe 4-3 Hasi pengujian tanpa fitur CD4 Kerne γ C Akurasi(%) rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf rbf Pada tabe 4-3 dan gambar 4-3, terihat akurasi yang diperoeh dengan menghiangkan fitur CD4 hampir menyamai akurasi yang diperoeh dengan 4 fitur. Namun akurasi optimum yang didapatkan yaitu sebesar 76.5% beum bisa meampaui akurasi yang diperoeh dengan menggunakan keempat fitur % 70.00% 60.00% 50.00% 40.00% Sigma C=1(3-fitur) C=50(3-fitur) C=1(4Fitur) C=50(4Fitur) C=10(3-fitur) C=100(3-fitur) C=10(4Fitur) C=100(4Fitur) Gambar 4-3 Perbandingan akurasi 4-fitur dengan 3-fitur 4.3 Pengujian terhadap pembagian data atih Pada pengujian ini diakukan pengujian sistem terhadap pembagian data atih yang berbeda. Pertama akan diakukan pembagian data atih sebanyak 50%. Kedua pembagian data atih sebanyak 60%. Dan terakhir akan digunakan pembagian data atih sebanyak 70%. Data uji yang digunakan untuk menguji ketiga kondisi tersebut sebanyak 30%. Pengujian ini menggunakan kerne RBF dengan sigma pada range 1.5 sampai dengan 4, dan niai C={1,10,50,100}. Hasi pengujian ketiga kondisi tersebut dapat diihat pada tabe Tabe 4-4 Hasi pengujian pada jumah data atih 50% Data Latih 60% Data Latih 70% Data Latih C γ Akurasi C γ Akurasi C γ Akurasi Pada tabe diatas dapat diihat penambahan jumah data atih yaitu dari 50% data menjadi 60% data beum bisa meningkatkan akurasi optimum yang diperoeh sistem. Begitu juga dengan penambahan jumah data atih dari 60% data menjadi 70% data. 5. KESIMPULAN Berdasarkan hasi pengujian dapat diambi kesimpuan: 1. Metode SVM dengan menggunakan kerne Radia Basis Function pada kasus ini menghasikan akurasi yang jauh ebih baik dibandingkan dengan akurasi yang diperoeh dengan menggunakan kerne poynomia. 2. Parameter C=1 dan sigma=3.5 pada kerne RBF, merupakan kombinasi parameter yang memperoeh akurasi terbaik pada kasus ini. 3. Parameter C pada kerne RBF terbukti mampu meningkatkan akurasi yang diperoeh oeh sistem, akan tetapi pengaruh yang diberikan tidak terau signifikan terhadap akurasi yang didapatkan. 4. Metode Representasi numerik ALE-index sebagai invariant dari urutan nukeotida dapat menyeesaikan permasaahan dengan baik daam menganaisis kemiripan antar urutan nukeotida. 5. Penananganan terbaik untuk karakter noise yang terdapat pada data adaah dengan metode Random pada karakter RYKMSW dan Deete-row pada karakter BDHV. 6. Keempat fitur daam sistem prediksi ini yaitu Vira Load, jumah CD4, RT sequence dan PR sequence masing-masing memiiki pengaruh daam meningkatkan akurasi hasi prediksi yang diperoeh. 7
8 REFERENSI [1] AIDS. (2013). HIV-AIDS Basics. Retrieved from [2] Asa, B.-H., & Jason, W. (2010). A User s Guide to Support Vector Machines. Data Mining Techniques for the Life Sciences. [3] Chun L and Wang J. (2005). New Invariant of DNA Sequences. American Chemica Society, 45, [4] Cristianini, N. (2001). Support Vector and Kerne Machines. [5] Cristianini, N., & Shawe-Tayor, J. (2000). An Introduction to Support Vector Machines. Cambridge University Press. [6] Jafarzadeh N and Iranmanesh A. (2012). A Nove Graphica and Numerica Representation for Anayzing DNA Sequences Based on Codons. Communications in Mathematica and in Computer Chemistry, 68, [7] Jen Lin, C. (2006). Support Vector Machines and Kerne Methods. Machine Learning Summer Schoo. Taipei. [8] Joint United Nations Programmeon HIV/AIDS. (2009). UNAIDS 2010 Goba Report: Fact Sheet. [9] Kagge. (n.d.). Predict HIV Progression. Retrieved from [10] Marina, S., Nathaie, J., & Stan, S. (n.d.). Beyond Accuracy, F-score and ROC:a Famiy of Discriminant Measures for Performance Evauation. [11] Matthew, R., Lance, M., Miena, B., & Chan, A. (2006). Accurate prediction of HIV-1 drug response from the reverse transcriptase and protease amino acid sequences using sparse modes created by convex optimization. Bioinformatics, 22, [12] Nugroho, Anto, S., Witarto, A. B., & Handoko., D. (2003). Appication of Support Vector Machine in Bioinformatics. FUSII. [13] Onheath, HIV-Basics. (n.d.). Retrieved from eficiency_virus_hiv_aids [14] Ramadhan, D. P. (2012). Anaisis Perbandingan Opinion Mining Berbahasa Indonesia Menggunakan Support Vector Machine dengan Kerne Linear dan Radia Basic Function. Bandung: Fakutas Informatika Universitas Tekom. [15] Shafer, R., & Rhee, S. (2007). HIV-1 protease and reverse transcriptase mutations for drug resistance surveiance. Aids, 21, [16] T, J., & Dr, A. (2011). Statistica Normaization and Back Propagation for cassification. Internationa Journa of Computer Theory and Engineering, 3, [17] Zhang Z, Meng L, Xiaoqing Y, Chun L. (2009). An ALE-index based agorithm faciitated prediction of success for poymerase chain reactions. IEEE. 8
ISSN : e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 1305
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 1305 Prediksi Perkembangan Kondisi Pasien Terapi HIV dengan Menggunakan Representasi ALE-index sebagai Invariant Nucleotida sequence
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Untuk menunjang peaksanaan peneitian ini diakukan tinjauan pustaka mengenai tinjauan studi yang berisi peneitian-peneitian terkait dengan pengenaan kuaitas buah, median fitering,
Lebih terperinciAnalisis 9 Saham Sektor Industri di Indonesia Menggunakan Metode SVR
Anaisis 9 Saham Sektor Industri di Indonesia Menggunakan Metode SVR Nur Adhi Nugroho1,a, Acep Purqon1,b 1 Laboratorium Fisika Bumi, Keompok Keahian Fisika Bumi dan Sistem Kompeks, Fakutas Matematika dan
Lebih terperinciAPLIKASI METODE CROSS ENTROPY UNTUK SUPPORT VECTOR MACHINES
APLIKASI METODE CROSS ENTROPY UNTUK SUPPORT VECTOR MACHINES Tiananda Widyarini, Budi Santosa Jurusan Teknik Industri Institut Teknoogi Sepuuh Nopember (ITS) Surabaya Kampus ITS Sukoio Surabaya 60111 Emai:
Lebih terperinciANALISIS ALGORITMA PREDIKSI UNTUK MENGHASILKAN PREDIKSI BEBAN LISTRIK JANGKA PENDEK
JURNAL ILMU PENGETAHUAN VOL. 3. NO. 1 AGUSTUS 2017 ANALISIS ALGORITMA PREDIKSI UNTUK MENGHASILKAN PREDIKSI BEBAN LISTRIK JANGKA PENDEK Veti Apriana 1 ; Rani Irma Handayani 2 1 Komputerisasi Akuntansi AMIK
Lebih terperinciDeteksi Tumor Otak dengan Ektrasi Ciri & Feature Selection mengunakan Linear Discriminant Analysis (LDA) dan Support Vector Machine (SVM)
Deteksi Tumor Otak dengan Ektrasi Ciri & Feature Seection mengunakan Linear Discriminant Anaysis (LDA) dan Support Vector Machine (SVM) rain Tumor s Detection With Feature Extraction & Feature Seection
Lebih terperinciFOURIER Oktober 2014, Vol. 3, No. 2,
FOURIER Oktober 2014, Vo. 3, No. 2, 98 116 PENYELESAIAN MATCHING GRAF DENGAN MENGGUNAKAN METODE HUNGARIAN DAN PENERAPANNYA PADA PENEMPATAN KARYAWAN DI SUATU PERUSAHAAN Auia Rahman 1, Muchammad Abrori 2,
Lebih terperinciPENENTUAN CADANGAN PREMI MENGGUNAKAN METODE FACKLER PADA ASURANSI JIWA DWI GUNA
Buetin Imiah Mat. Stat. dan Terapannya (Bimaster) Voume 02, No. 2 (203), ha 5 20. PENENTUAN CAANGAN PREMI MENGGUNAKAN METOE FACKLER PAA ASURANSI JIWA WI GUNA Indri Mashitah, Neva Satyahadewi, Muhasah Novitasari
Lebih terperinciOutline. Pengertian Dasar Arsitektur Tugas Data Mining Contoh Penggunaan Data Mining
Outine Pengertian Dasar Arsitektur Tugas Data Mining Contoh Penggunaan Data Mining Latar Beakang 3 Mengapa harus Data Mining? Definisi Data Mining Pengertian Yang Saah Imu Data Mining Arsitektur Data Mining
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 terperinciModel Optimasi Penjadwalan Proses Slitting Material Roll dengan Multi Objective Programming
Mode Optimasi Penjadwaan Proses Sitting Materia Ro dengan Muti Objective Programming Dina Nataia Prayogo Jurusan Teknik Industri, Universitas Surabaya Jaan Raya Kairungkut, Surabaya, 60293 Te: (031) 2981392,
Lebih terperinciPREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION
PREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION Lisa Yui Kurniawati 1*), Handayani Tjandrasa 2), Isye Arieshanti 3) 1,2,3) Teknik Informatika, Fakutas Teknoogi Informasi Institut
Lebih terperinciMULTICRITERIA DECISION MAKING (MCDM)_3 PRASETYANINGRUM
MULTICRITERIA DECISION MAKING (MCDM)_3 IRA PRASETYANINGRUM PENDEKATAN KEPUTUSAN KELOMPOK Metoda Dephi Peniaian keompok, diakukan sharing dipandu moderator Masaah Daftar Anggota Ahi Masaah disampaikan ke
Lebih terperinciOPTIMISASI MULTIOBJEKTIF UNTUK PEMBENTUKAN PORTOFOLIO. Abdul Hoyyi 1, Dwi Ispriyanti 1. Abstract
Optimisasi (Abdu H) OPTIMISASI MULTIOBJEKTIF UNTUK PEMBENTUKAN PORTOFOLIO Abdu Hoyyi 1, Dwi Ispriyanti 1 1 Staf Pengajar Jurusan Statistika FSM UNDIP Abstract Investing in asset such as stock; besides
Lebih terperinciSELEKSI HYPERSPECTRAL BAND MENGGUNAKAN RECURSIVE FEATURE ELIMINATION UNTUK PREDIKSI PRODUKSI PADI DENGAN SUPPORT VECTOR REGRESSION HENDRA GUNAWAN
SELEKSI HYPERSPECTRAL BAND MENGGUNAKAN RECURSIVE FEATURE ELIMINATION UNTUK PREDIKSI PRODUKSI PADI DENGAN SUPPORT VECTOR REGRESSION HENDRA GUNAWAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciANALISIS DANA TABARRU ASURANSI JIWA SYARIAH MENGGUNAKAN PERHITUNGAN COST OF INSURANCE
Buetin Imiah Math. Stat. dan Terapannya (Bimaster) Voume 05, No. (206), ha 53-60. ANALISIS DANA TABARRU ASURANSI JIWA SYARIAH MENGGUNAKAN PERHITUNGAN COST OF INSURANCE Amanah Fitria, Neva Satyahadewi,
Lebih terperincisistem InformasI GgeoGgrafIs Widiastuti
sistem InformasI GgeoGgrafIs Widiastuti Universitas Gunadarma 2015 Pertemuan Ketiga Komponen Sistem Informasi Geografis Data dan Informasi.. Data menjadi Informasi Data Pemrosesan, Pengoahan, Konversi
Lebih terperinciPREMI DANA PENSIUN DENGAN METODE ENTRY AGE NORMAL PADA STATUS GABUNGAN BERDASARKAN DISTRIBUSI EKSPONENSIAL
PREMI DANA PENSIUN DENGAN METODE ENTRY AGE NORMAL PADA STATUS GABUNGAN BERDASARKAN DISTRIBUSI EKSPONENSIAL Adhe Afriani 1*, Hasriati 2, Musraini 2 1 Mahasiswa Program S1 Matematika 2 Dosen Jurusan Matematika
Lebih terperinciPERHITUNGAN CADANGAN PADA ASURANSI JIWA BERJANGKA MENGGUNAKAN METODE FACKLER DENGAN PRINSIP PROSPEKTIF
PERHITUNGAN ADANGAN PADA ASURANSI JIWA BERJANGKA MENGGUNAKAN METODE FAKLER DENGAN PRINSIP PROSPEKTIF Riaman, Kankan Parmikanti 2, Iin Irianingsih 3, Sudradjat Supian 4 Departemen Matematika, Fakutas MIPA,
Lebih terperinciBAB III METODE PENELITIAN
42 BAB III METODE PENELITIAN 3. Teknik Peneitian Peneitian dengan metode perbandingan eksperimenta berisikan kegiatan yang direncanakan dan diaksanakan oeh peneiti, maka dapat diperoeh bukti-bukti yang
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 terperinciFrekuensi Alami Rangka Batang Semi-Kaku dengan Efek Gaya Aksial Ruly Irawan 1,a*
Frekuensi Aami Rangka Batang Semi-Kaku dengan Efek Gaya Aksia Ruy Irawan 1,a* 1 Program Studi Teknik Sipi,Fakutas Teknik, Universitas Sarjanawiyata Tamansiswa a nawari007@yahoo.com Abstrak Artike ini menyajikan
Lebih terperinciProsiding Matematika ISSN:
Prosiding Matematika ISS: 2460-6464 Mode Matematika Cadangan Premi Asuransi Kesehatan Perawatan Rumah Sakit Menggunakan Metode Prospektif Mathematica Modes of Cacuation of The Heath Insurance Premium Backup
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 terperinciBAB II TINJAUAN PUSTAKA. utamanya adalah menentukan struktur yang mendasari keterkaitan (korelasi)
BAB II TINJAUAN PUSTAKA. Anaisis aktor Menurut Hair, et a. (995) anaisis faktor adaah sebuah nama umum yang diberikan kepada sebuah keas dari metode statistika mutivariat yang tujuan utamanya adaah menentukan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
71 BAB IV HASIL DAN PEMBAHASAN 4.1 Pembuatan Basis Data Langkah pertama daam membangun apikasi adaah meakukan instaasi apikasi server yaitu menggunakan SQLite manager yang di insta pada browser Mozia Firefox.
Lebih terperinciGambar 3.1 Lokasi Museum Konperensi Asia Afrika Sumber :
BAB III METODOLOGI PENELITIAN A. Lokasi dan Objek Peneitian Lokasi peneitian ini diaksanakan di Museum Konperensi Asia Afrika berokasi di Gedung Merdeka, jaan Asia Afrika No. 65 Bandung, Keurahan Braga,
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 terperinciTABEL MORTALITAS. Ratna Novitasari, S.Si., M.Si. Jurusan Matematika Universitas Diponegoro
TABEL MORTALITAS Ratna Novitasari, S.Si., M.Si. Jurusan Matematika Universitas Diponegoro TUJUAN Mahasiswa diharapkan mampu: 1. Memahami tabe mortaitas 2. Menjeaskan hubungan antara ajur-ajur tabe mortaitas
Lebih terperinciPREDIKSI THD TEGANGAN SISTEM TENAGA LISTRIK MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF
PREDIKSI THD TEGANGAN SISTEM TENAGA LISTRIK MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF Luqman Assaffat Universitas Muhammadiyah Semarang assaffat@unimus.ac.id ABSTRACT The voltage
Lebih terperinciAnalisis Pengaruh Semen Konduktif Sebagai Media Pembumian Elektroda Batang
Anaisis Pengaruh Semen Konduktif Sebagai Media Pembumian Eektroda Batang I M Yuistya Negara, Daniar Fahmi, D.A. Asfani, Bimo Prajanuarto, Arief M. Jurusan Teknik Eektro Institut Teknoogi Sepuuh Nopember
Lebih terperinciAnalisis Akurasi Support Vector Machine...
ANALISIS AKURASI SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF UNTUK PRAKIRAAN BEBAN LISTRIK HARIAN SEKTOR INDUSTRI Luqman Assaffat 1 * 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
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 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 terperinciBab III Metode Akuisisi dan Pengolahan Data
Bab III Metode Akuiii dan Pengoahan ata III.1 Pembuatan Mode Fii Bagian paing penting dari peneitian ini iaah pemodean fii auran fuida yang digunakan. Mode auran ini digunakan ebagai medium airan fuida
Lebih terperinciBAB III OBJEK DAN METODE PENELITIAN
37 BAB III OBJEK DAN METODE PENELITIAN 3.1 Objek Peneitian Peneitian ini menggunakan pendekatan manajemen pemasaran khususnya mengenai pengaruh service exceence terhadap kepuasan konsumen. Adapun yang
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 terperinciANALISIS FOURIER. Kusnanto Mukti W./ M Jurusan Fisika Fakultas MIPA Universitas Sebelas Maret. Abstrak
ANALISIS FOURIER Kusnanto Mukti W./ M0209031 Jurusan Fisika Fakutas MIPA Universitas Sebeas Maret Abstrak Anaisis fourier adaah cara matematis untuk menentukan frekuensi dan ampitudo harmonik. Percobaan
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 terperinciSISTEM DETEKSI PENYAKIT DIABETES MENGGUNAKAN METODE SUPPORT VECTOR MACHINES
IndoMS Journal on Statistics Vol. 2, No. 2 (2014), pp. 27 36 SISTEM DETEKSI PENYAKIT DIABETES MENGGUNAKAN METODE SUPPORT VECTOR MACHINES Abdul Azis Abdillah 1 dan Suwarno 2 1,2 STKIP Surya, 1 Politeknik
Lebih terperinciPENGATURAN FUNGSI PENYERAPAN DARI MODEL DIFUSI KADAR AIR PENYIMPANAN PADI DENGAN METODE BEDA HINGGA SKEMA IMPLISIT
JIMT Vo. 12 No. 1 Juni 2015 (Ha. 92 103) Jurna Imiah Matematika dan Terapan ISSN : 2450 766X PENGATURAN FUNGSI PENYERAPAN DARI MODEL DIFUSI KADAR AIR PENYIMPANAN PADI DENGAN METODE BEDA HINGGA SKEMA IMPLISIT
Lebih terperinciManajemen Kinerja Pokok Bahasan:
Manajemen Kinerja Pokok Bahasan: Manajemen Kinerja: Peatihan dan Penghargaan Sub Pokok Bahasan Pengertian Peatihan Proses pembeajaran dan pengembangan individu Jenis-jenis peatihan karyawan Manfaat peatihan
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 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 terperinciSupport Vector Machine Teori dan Aplikasinya
UNS Sebeas Maret, 28 Agustus 2017 Support Vector Machine Teori dan Apikasinya Dr. Anto Satriyo Nugroho Emai : anto.satriyo@bppt.go.id h:p://asnugroho.net Pusat Teknoogi Informasi & Komunikasi Badan Pengkajian
Lebih terperinciBAB II DASAR TEORI. Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma.
BAB II DASAR TEORI Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma. 2.1. Microsoft Visual Studio Microsoft Visual Studio adalah sebuah software yang
Lebih terperinciHASIL DAN PEMBAHASAN
10 HASIL DAN PEMBAHASAN Pengumpulan Dokumen Tahapan awal yang dilakukan dalam penelitian adalah mengolah dokumen XML yang akan menjadi korpus. Terdapat 21578 dokumen berita yang terdiri atas 135 topik.
Lebih terperinciIMLPEMENTASI MINISASI l 1 -l 0 UNTUK RESTORASI CITRA YANG MENGALAMI DEGRADASI OLEH DERAU GAUSSIAN CAMPURAN
IMLPEMEASI MIISASI 1 - UUK RESORASI CIRA YAG MEGALAMI DEGRADASI OLEH DERAU GAUSSIA CAMPURA Suci Istachoti Jannah 1, Yudhi Purananto, Ruy Soeaiman 3 eknik Informatika, Fakutas eknoogi Informasi, IS emai
Lebih terperinciRANCANGAN ANIMASI INTERAKTIF PENGENALAN ALAT-ALAT TRANSPORTASI UNTUK SISWA TAMAN KANAK-KANAK ISLAM AL AZZAM CILEDUK TANGERANG
SNIPTEK 2016 ISBN: 978-602-72850-3-3 RANCANGAN ANIMASI INTERAKTIF PENGENALAN ALAT-ALAT TRANSPORTASI UNTUK SISWA TAMAN KANAK-KANAK ISLAM AL AZZAM CILEDUK TANGERANG Indah Puspitorini AMIK BSI Bekasi J. Raya
Lebih terperinciT E K U K A N. Gambar 7.1. Pembebanan Normal Negatif
1/5/016 T E K U K N 7.1. Terjadinya Tekukan Tekukan terjadi apabia batang tekan memiiki panjang tertentu yang yang jauh ebih besar dibandingkan dengan penampang intangnya. Perhatikan Gambar 7.1 di bawah,
Lebih terperinciPENGEMBANGAN MODEL SISTEM DINAMIK TERHADAP KETERSEDIAN AIR BERSIH DI KABUPATEN KUTAI TIMUR PROVINSI KALIMANTAN TIMUR
JIEM Vo.1 No. 2, Oktober 216 E-ISSN: 2541-39, ISSN Paper: 253-143 PENGEMBANGAN MODEL SISTEM DINAMIK TERHADAP KETERSEDIAN AIR BERSIH DI KABUPATEN KUTAI TIMUR PROVINSI KALIMANTAN TIMUR Dimas Primadian N,
Lebih terperinci(b) Tekuk Gambar 7.1. Pembebanan Normal Negatif
BB VII T E K U K N 7.1. Terjadinya Tekukan Tekukan terjadi apabia batang tekan memiiki panjang tertentu yang yang jauh ebih besar dibandingkan dengan penampang intangnya. Perhatikan Gambar 7.1 di bawah,
Lebih terperinciJEMBATAN WHEATSTONE. , r KEGIATAN BELAJAR 2 A. LANDASAN TEORI
KEITN BELJ 2. LNSN TEOI JEMBTN WHETSTONE aam kegiatan beajar anda teah mempeajari pengukuran hgambatan dengan menggunakan ohmmeter dan menggunakan ampermeter dan votmeter dengan metoda amper-vot-meter
Lebih terperinciKAJIAN KEMAMPUAN GENERALISASI SUPPORT VECTOR MACHINE DALAM PENGENALAN JENIS SPLICE SITES PADA BARISAN DNA
KAJIAN KEMAMPUAN GENERALISASI SUPPORT VECTOR MACHINE DALAM PENGENALAN JENIS SPLICE SITES PADA BARISAN DNA Djati Kerami dan Hendri Murfi Departemen Matematika, FMIPA, Universitas Indonesia, Depok 16424,
Lebih terperinciBAB. 6 DINAMIKA ROTASI DAN KESETIMBAGAN BENDA TEGAR A. MOMEN GAYA DAN MOMEN INERSIA
BAB. 6 DINAMIKA OTASI DAN KESETIMBAGAN BENDA TEGA A. MOMEN GAYA DAN MOMEN INESIA 1. Momen Gaya Benda hanya dapat mengaami perubahan gerak rotasi jika pada benda tersebut diberi momen gaya, dengan adanya
Lebih terperinciJurnal Akademis dan Gagasan matematika Edisi Ke Dua Tahun 2015 Halaman 1 hingga 8
Jurna Akademis dan Gagasan tetika Edisi Ke Dua Tahun 2015 Haan 1 hingga 8 PEMBELAJARAN MATEMATIKA MENGGUNAKAN NUMBERED HEADS TOGETHER (NHT) DENGAN MEDIA POWERPOINT DAN BAGAN DITINJAU DARI KEMAMPUAN MEMORI
Lebih terperinciOPTIMALISASI JUMLAH BUS TRAYEK MANGKANG- PENGGARON DENGAN PENDEKATAN COMPROMISE PROGRAMMING
OPTIMALISASI JUMLAH BUS TRAYEK MANGKANG- PENGGARON DENGAN PENDEKATAN COMPROMISE PROGRAMMING Diana Puspita Sari, Arfan Backtiar, Heny Puspasri Industria Engineering Department, Diponegoro University Emai
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 terperinciPREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION
Lisa Yui Kurniawati, dkk, Prediksi Pergerakan Harga Vo. 4, No. 1 Juni 2014 ISSN 2088-2130 PREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION Lisa Yui Kurniawati 1*), Handayani Tjandrasa
Lebih terperinciKajian Peningkatan Akurasi Matriks Asal-Tujuan yang Dihasilkan dari Data Arus Lalulintas pada Kondisi Keseimbangan
PROC. ITB Sains & Tek. Vo. 39 A, No. 1&2, 2007, 23-39 23 Kajian Peningkatan Akurasi Matriks Asa-Tujuan yang Dihasikan dari Data Arus Lauintas pada Kondisi Keseimbangan Ofyar Z. Tamin 1 & Rusmadi Suyuti
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
3.1 Persiapan Data BAB III ANALISA DAN PERANCANGAN SISTEM Dalam pengerjaan tugas akhir ini data yang digunakan adalah kalimat tanya Berbahasa Indonesia, dimana kalimat tanya tersebut diambil dari soal-soal
Lebih terperinciKLASIFIKASI KEBUTUHAN NON-FUNGSIONAL MENGGUNAKAN FSKNN DENGAN PENGEMBANGAN SINONIM DAN HIPERNIM BERBASIS ISO/IEC 9126
pissn: 2442-3386 eissn: 2442-4293 Vo 1 No 2 Jui 2015, 1-6 1-8 KLASIFIKASI KEBUTUHAN NON-FUNGSIONAL MENGGUNAKAN FSKNN DENGAN PENGEMBANGAN SINONIM DAN HIPERNIM BERBASIS ISO/IEC 9126 Denni Adi Ramadhani 1,
Lebih terperinciPENGENALAN HURUF TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE
PENGENALAN HURUF TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE Christyawan Ridanto Pitoyo, Tjut Awaliyah Zuraiyah, Arie Qur ania Email : christyawan.ridanto@gmail.com Program Studi
Lebih terperinciNUMERICAL APPROACH OF BOUNDED STATE AND CRITICAL PHENOMENON OF YUKAWA POTENTIAL AT TWO NUCLEON INTERACTION USING FINITE DIFFERENCE METHOD
Pendekatan Numerik Keadaan Terikat. (Arif Gunawan) 179 PENDEKATAN NUMERIK KEADAAN TERIKAT DAN FENOMENA KRITIS POTENSIAL YUKAWA PADA INTERAKSI DUA NUKLEON MENGGUNAKAN METODE BEDA HINGGA (FINITE DIFFERENCE
Lebih terperinciPEMODELAN TARIKAN PERJALANAN PADA RUMAH SAKIT DI KOTA PADANG
No. Vo. Thn. XIV Apri 00 ISSN: 84-84 PEMODELAN TARIKAN PERJALANAN PADA RUMAH SAKIT DI KOTA PADANG Hendra Gunawan ),Titi Kurniati ),Dedi Arnadi ) )Staf Pengajar Jurusan Teknik Sipi Universitas Andaas )Mahasiswa
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 terperinciBAB III ANALISIS DAN PENYELESAIAN MASALAH
BAB III ANALISIS DAN PENYELESAIAN MASALAH 3.1 Deskripsi Sistem Gambar III-1 Deskripsi Umum Sistem Pada gambar III-1 dapat dilihat deskripsi sistem sederhana yang mendeteksi intrusi pada jaringan menggunakan
Lebih terperinciSKRIPSI. Oleh : PUSPHITA ANNA OCTAVIANI NIM PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM)
PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG SKRIPSI Oleh : PUSPHITA ANNA OCTAVIANI NIM. 24010210120043 JURUSAN STATISTIKA FAKULTAS
Lebih terperinci1. PENDAHULUAN 1.1. Latar Belakang
1. PENDAHULUAN 1.1. Latar Belakang Kanker merupakan salah satu penyakit yang dapat beresiko pada kematian atau lebih dikenal dengan penyakit pembunuh. Salah satu penyakit pembunuh diantaranya kanker prostat
Lebih terperinciANIMASI INTERAKTIF PEMBELAJARAN PENANGGULANGAN BANJIR UNTUK SISWA SD
Konferensi Nasiona Imu osia & Teknoogi (KNiT) Maret 016, pp. 56~6 ANIMAI INTERAKTIF PEMBELAJARAN PENANGGULANGAN BANJIR UNTUK IWA D 56 Desy Yekti A 1, Nani Purwati 1 AMIK BI Yogyakarta e-mai: mbesesek@gmai.com,
Lebih terperinciABSTRAK. Kata kunci: Sistem Pakar, Pembelajaran Mesin, Weka, Support Vector Machine, Regresi Logistik, Demam Berdarah, Malaria, Typhus
ABSTRAK Salah satu hal menantang dalam pengaplikasian teknologi informasi, khususnya pada bidang kedokteran, adalah untuk mendeteksi penyakit-penyakit yang mirip melalui gejala-gejala umum. Kasus yang
Lebih terperinciKata kunci: Fuzzy Adaptif, Air Fuel Ratio, duty cycle, sensor lambda.
KONTROL AIR FUEL RATIO PADA SPARK IGNITION ENGINE SISTEM EFI SEKUENSIAL MENGGUNAKAN KONTROL FUZZY ADAPTIF DAPAT MENEKAN BEAYA OPERASIONAL KENDARAAN Abdu Hamid, Ari Santoso Jurusan Teknik Eektro-FTI ITS
Lebih terperinciModul Praktikum Fisika Matematika: Mengukur Koefisien Gesekan pada Osilasi Teredam Bandul Matematika.
PROSIDING SKF 016 Modu Praktikum Fisika Matematika: Menukur Koefisien Gesekan pada Osiasi Teredam Bandu Matematika. Rizqa Sitorus 1,a), Triati Dewi Kencana Wunu,b dan Liik Hendrajaya 3,c) 1 Maister Penajaran
Lebih terperinciIMPLEMENTASI METODE MULTIPLE KERNEL SUPPORT VECTOR MACHINE UNTUK SELEKSI FITUR DARI DATA EKSPRESI GEN DENGAN STUDI KASUS LEUKIMIA DAN TUMOR USUS BESAR
IMPLEMENTASI METODE MULTIPLE KERNEL SUPPORT VECTOR MACHINE UNTUK SELEKSI FITUR DARI DATA EKSPRESI GEN DENGAN STUDI KASUS LEUKIMIA DAN TUMOR USUS BESAR Ariana Yunita 1 Chastine Fatichah 2 Umi Laily Yuhana
Lebih terperinciPREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) 1 Lestari Handayani, 2 Fitriandini Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Meningkatnya perkembangan teknologi juga diikuti dengan berkembangnya penggunaan berbagai situs jejaring sosial. Salah satu jejaring sosial yang sangat marak digunakan
Lebih terperinciPENGGOLONGAN UANG KULIAH TUNGGAL MENGGUNAKAN SUPPORT VECTOR MACHINE
E-Jurnal Matematika Vol. 6 (4), November 2017, pp. 220-225 ISSN: 2303-1751 DOI: https://doi.org/10.24843/mtk.2017.v06.i04.p169 PENGGOLONGAN UANG KULIAH TUNGGAL MENGGUNAKAN SUPPORT VECTOR MACHINE I Gede
Lebih terperinciBAB I PENDAHULUAN. akan terus mengalami kenaikan rata-rata 3.3% pertahun dengan quantitas dan
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Berdasarkan skala global, pasar enzim dunia adalah pasar yang sangat berprospek cerah. Pemasaran enzim dunia di beberapa 3 tahun terakhir diperkirakan telah mencapai
Lebih terperinciTINJAUAN TENTANG HIV/AIDS
BAB 2 TINJAUAN TENTANG HIV/AIDS 2.1 Pengenalan Singkat HIV dan AIDS Seperti yang telah dijelaskan pada bab sebelumnya, HIV adalah virus penyebab AIDS. Kasus pertama AIDS ditemukan pada tahun 1981. HIV
Lebih terperinciOBJECTIVES PENGANTAR-1
6//0 MINIMALISASI BIAYA MENGGUNAKAN GOLDEN SECTION AND HOOK JEEVES METHODS OBJECTIVES Understand why and where optimization occurs in engineering probem soving. Understand the major eements of the genera
Lebih terperinciBAB II DASAR TEORI. 2.1 DNA (Deoxy-Ribonucleic Acid)
BAB II DASAR TEORI Pada bagian ini dijelaskan mengenai teori-teori yang mendukung pengelompokan data ekspresi gen, bentuk data ekspresi gen dan jenis analisis dari data ekspresi gen tersebut. Dasar-dasar
Lebih terperinciSEMINAR NASIONAL PENDIDIKAN FISIKA 2018
ISSN : 2527 5917, Vo.3 Impementasi Pendidikan Karakter dan IPTEK untuk Generasi Mienia Indonesia daam Menuju SDGs 2030 KAJIAN DINAMIKA FLUIDA PADA ALIRAN AIR TERJUN TUJUH BIDADARI KABUPATEN JEMBER BERBASIS
Lebih terperinciBAB IV Persamaan Matematika IV.1 Model Perkiraan Limpasan Permukaan
68 BAB IV Persamaan Matematika IV.1 Mode Perkiraan Limpasan Permukaan Sudjono (1995) menguraikan konsep runoff yang teah diubah secara idea pada segmen keci, berdasar pada prinsip keseimbangan air. Mode
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 terperinciBAB II LANDASAN TEORI
2.1 Studi Literatur BAB II LANDASAN TEORI Penelitian yang berkaitan dengan klasifikasi kalimat tanya berdasarkan Taksonomi Bloom telah dilakukan oleh Selvia Ferdiana Kusuma dengan menggunakan algoritma
Lebih terperinciHUBUNGAN DISIPLIN KERJA DENGAN KINERJA KARYAWAN PADA PT RAMAYANA LESTARI SENTOSA,Tbk. CABANG BOGOR
HUBUNGAN DISIPLIN KERJA DENGAN KINERJA KARYAWAN PADA PT RAMAYANA LESTARI SENTOSA,Tbk. CABANG BOGOR Nama : Saepudin ABSTRAK Saah satu masaah yang sering dihadapi perusahaan yaitu disipin kerja seperti banyak
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1. Wilayah dan Jadwal Penelitian Wilayah penelitan adalah Kota Banda Aceh. Penelitian ini dilakukan mulai bulan April sampai Juli 2014. 3.2. Populasi dan Sampel Populasi dalam
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bagian ini akan diuraikan teori-teori dasar yang dijadikan sebagai landasan dalam penulisan tugas akhir ini. 2.1 Ilmu Bioinformatika Bioinformatika merupakan kajian yang mengkombinasikan
Lebih terperinciKOMPRESI CITRA MEDIS MENGGUNAKAN DISCRETE WAVELET TRANSFORM (DWT) DAN EMBEDDED ZEROTREE WEVELET(EZW) Jl. Prof. H. Soedarto, S.H., Tembalang Semarang
KOMPRESI CITRA MEDIS MENGGUNAKAN DISCRETE WAVELET TRANSFORM (DWT) DAN EMBEDDED ZEROTREE WEVELET(EZW) Khairi Anwar 1, Aris Sugiharto dan Priyo Sidik Sasongko 3 1,, 3 Jurusan Matematika FMIPA UNDIP J Prof
Lebih terperinciMETODE SIMPLEKS PRIMAL-DUAL PADA PROGRAM LINIER FUZZY PENUH DENGAN BILANGAN TRAPEZOIDAL
METODE SIMPLEKS PRIMAL-DUAL PADA PROGRAM LINIER FUZZY PENUH DENGAN BILANGAN TRAPEZOIDAL Bambang Irawanto 1,Djwandi 2, Sryoto 3, Rizky Handayani 41,2,3 Departemen Matematika Faktas Sains dan Matematika
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciPengaruh Preprocessing Data pada Metode SVR dalam Memprediksi Permintaan Obat
Pengaruh Preprocessing Data pada Metode SVR dalam Memprediksi Permintaan Obat Bakhtiyar Hadi Prakoso 1) 1) Jurusan Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Jember Jl. Karimata No.
Lebih terperinciANALISA ALGORITMA SUPPORT VECTOR MACHINE (SVM) DALAM MEMPREDIKSI NASABAH YANG BERPELUANG KREDIT MACET
ANALISA ALGORITMA SUPPORT VECTOR MACHINE (SVM) DALAM MEMPREDIKSI NASABAH YANG BERPELUANG KREDIT MACET Nugraha Rahmansyah Universitas Putra Indonesia YPTK Padang, Indonesia nugraha.rahmansyah@gmail.com
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 terperinciManajemen Kinerja Pertemuan ke-lima. Pokok Bahasan: Penilaian Kinerja
Manajemen Kinerja Pertemuan ke-ima Pokok Bahasan: Peniaian Kinerja Manajemen Kinerja, 2 sks CHAPTER 5 PENILAIAN KINERJA 1 Pokok Bahasan: Pengertian peniaian kinerja Proses peniaian kinerja Faktor-faktor
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 terperinciPENERAPAN MODEL MESIN BELAJAR SUPPORT VECTOR MACHINES PADA AUTOMATIC SCORING UNTUK JAWABAN SINGKAT
PENERAPAN MODEL MESIN BELAJAR SUPPORT VECTOR MACHINES PADA AUTOMATIC SCORING UNTUK JAWABAN SINGKAT TUGAS AKHIR Diajukan Untuk Memenuhi Sebagian Prasyarat Mencapai Derajat Teknik Informatika Disusun Oleh
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinci