SISTEM DETEKSI PENYAKIT DIABETES MENGGUNAKAN METODE SUPPORT VECTOR MACHINES
|
|
- Indra Susanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 IndoMS Journal on Statistics Vol. 2, No. 2 (2014), pp SISTEM DETEKSI PENYAKIT DIABETES MENGGUNAKAN METODE SUPPORT VECTOR MACHINES Abdul Azis Abdillah 1 dan Suwarno 2 1,2 STKIP Surya, 1 Politeknik Negeri Jakarta, 1 abdillah.azul@gmail.com; 2 suwarno@stkipsurya.ac.id Abstract In 2013, Indonesia has around 8.5 million people with diabetes. That is the fourth highest number in Asia and 7th in the world. Diabetes has not been able to be cured at this time. However, early detection and proper treatment can reduce risks of complications of the disease. One of the solution is using pattern recognition methods. Pattern recognition methods used in this study is Support Vector Machines (SVM). Testing was conducted using PIMA Indians Diabetes Database with 10-fold cross validation as experimental design. Detection of diabetes using SVM yields the average value of accuracy of 81.34%, Sensitivity 83.64%, and the specificity 80.09%. The results indicated that the system has good results and can be used an alternative for early detection of diabetes disease. Keywords: Diabetes, Support Vector Machines, PIMA Abstrak Pada tahun 2013, Indonesia memiliki sekitar 8,5 juta penderita Diabetes yang merupakan jumlah ke-empat terbanyak di Asia dan nomor-7 di dunia. Penyakit diabetes belum mampu disembuhkan saat ini. Namun, dengan adanya deteksi dini dan penanganan yang tepat dapat mengurangi komplikasi penyakit yang mungkin terjadi. Salah satu cara pendeteksian yang dapat dilakukan adalah menggunakan metode pengenalan pola. Metode pengenalan pola yang digunakan pada penelitian ini adalah Support Vector Machine (SVM). Pengujian dilakukan menggunakan dataset PIMA Indians Diabetes Database dengan desain eksperimen 10-fold cross validation. Deteksi penyakit diabetes menggunakan SVM menghasilkan nilai ratarata accuracy sebesar 81.34%, Sensitivity 83.64%, dan Specificity 80.09%. Hasil yang diperoleh menunjukkan bahwa sistem yang dibangun memiliki hasil yang baik dan dapat menjadi suatu alternatif untuk deteksi awal penyakit diabetes. Kata kunci: Diabetes, Support Vector Machines, PIMA 1. Pendahuluan Diabetes mellitus (DM) yang sering disebut sebagai penyakit kencing manis, adalah suatu kelainan metabolik yang disebabkan oleh tingginya tingkat glukosa darah dalam jangka waktu yang lama [1]. Tanda-tanda umum dari DM adalah hilangnya berat badan, polyuria (sering berkemih), polydipsia (sering haus), dan polyphagia (sering lapar). Jika tidak diobati, diabetes dapat menyebabkan banyak penyakit komplikasi [2], komplikasi jangka panjang dapat menyebabkan penyakit 27
2 28 Abdul Azis Abdillah dan Suwarno serius seperti penyakit jantung, stroke, gagal ginjal, ulkus kaki dan kerusakan pada mata [2]. Pada tahun 2013, Indonesia memiliki sekitar 8,5 juta penderita Diabetes yang merupakan jumlah ke-empat terbanyak di Asia dan nomor-7 di dunia [3]. Tingginya penderita DM dan perkiraan adanya peningkatan pada tahun yang akan datang menyebabkan perlunya antisipasi awal terhadap DM. Menyikapi hal tersebut, maka perlu tindakan pendeteksian dini terhadap penyakit diabetes agar dapat mengurangi komplikasi yang mungkin terjadi di masa yang akan datang. Salah satu cara pendeteksian yang dapat dilakukan adalah menggunakan metode pengenalan pola. Pada bidang medis, pendeteksian penyakit menggunakan pengenalan pola baru-baru ini mendapat perhatian lebih. Salah satu yang banyak digunakan adalah Support Vector Machines (SVM). SVM dikenal sebagai metode pembelajaran mesin (machine learning) paling mutakhir dalam pengenalan pola. SVM dikembangkan oleh Boser, Guyon, Vapnik, dan pertama kali dipresentasikan pada tahun 1992 di Annual Workshop on Computational Learning Theory. Prinsip dasar SVM adalah klasifikasi biner, dan selanjutnya dikembangkan agar dapat bekerja pada kasus multiclass. Penelitian awal terkait penyakit diabetes dilakukan oleh Smith, et al [4] menggunakan Dataset PIMA menghasilkan nilai sensitivity dan specificity sebesar 76%. Sedangkan, penelitian sebelumnya mengenai deteksi penyakit diabetes menggunakan SVM dengan kernel RBF dilakukan oleh Kumari, et al [5], menghasilkan nilai accuracy sebesar 78% dengan nilai sensitivity sebesar 80% dan specificity sebesar 76.5%. Pada penelitian ini metode Support Vector Machines digunakan untuk menganalisis dan mengimplementasikan sistem deteksi penyakit diabetes. Diharapkan dengan menggunakan sistem ini selain bisa digunakan dalam jangka panjang, biaya dan waktu yang dibutuhkan lebih efisien dibandingkan metode konvensional. 2. Support Vector Machines Suport Vector Machine (SVM) merupakan salah satu metode machine learning untuk menyelesaikan masalah klasifikasi. Konsep dasar SVM adalah mencari suatu hyperplane yang memisahkan dua buah kelas dengan margin maksimum. Secara teori, pemilihan margin maksimum ini akan memberikan kemampuan generalisasi yang paling baik. Sedangkan secara intuitif, jika marginnya maksimum maka ketika hyperplane optimalnya dicoba pada data selain data pembelajaran namun dengan kasus yang sama maka hyperplane optimal tersebut tetap dapat mengklasifikasi data ke dalam dua kelas dengan baik. 2.1 Maximal Margin Classifier Misalkan S = {(x i, t i )},,m merupakan suatu himpunan dengan m buah data, dimana x i R n dan t i = {1, 1}. Persamaan w T x + b = 0 disebut hyperplane. Jika suatu data memiliki label t i = 1, maka data tersebut dimasukkan ke dalam kelas A + (kelas positif). Sedangkan jika suatu data memiliki label t i = 1, maka data tersebut dimasukkan ke dalam kelas A (kelas negatif). Fungsi linier yang digunakan sebagai fungsi keputusan pada SVM adalah f(x) = w T x + b, dimana x adalah vektor input yang berupa data, w adalah vektor bobot, dan b adalah suatu bias.
3 Sistem Deteksi Penyakit Diabetes Menggunakan Metode SVM 29 Fungsi keputusan ini digunakan untuk memisahkan dua buah kelas, sehingga untuk setiap data x i, i = 1, 2,, m dimana t i = 1 (kelas A + ) akan membuat w T x + b > 0 dan untuk setiap data x i, i = 1, 2,, m dimana t i = 1 (kelas A ) akan membuat w T x + b < 0, sehingga untuk setiap data x i akan diklasifikasi dengan benar jika t i (w T x i + b) > 0. Karena fungsi keputusan f(x) = w T x + b tergantung pada parameter w dan b, maka harus dicari nilai parameter w dan b yang dapat memaksimumkan margin. Solusinya yaitu dengan menggunakan bentuk canonical dari hyperplane, yaitu t i (w T x i + b) = 1, dimana t i = 1, 1, i = 1, 2,, m dimana bentuk canonical paralel terhadap hyperplane dan memiliki jarak yang sama terhadap hyperplane. Bentuk canonical dari hyperplane pada kelas yaitu (w T x + i + b) = 1, i = 1, 2,, m sedangkan pada kelas yaitu (w T x i +b) = 1,i = 1, 2,, m Selanjutnya semua data pembelajaran akan memenuhi kondisi berikut: t i (w T x i + b) 1. Pada SVM, hyperplane optimal diperoleh saat margin antara dua kelas tersebut maksimum. Misalkan d + adalah jarak dari data x + i ke hyperplane dan d adalah jarak dari data x i ke hyperplane, maka margin pada SVM didefinisikan sebagai d = d + + d, dimana d + = d. d = d + + d = 1 w ( wt x + i + b + w T x i + b ) (1) = 2 w Berdasarkan hal ini, maka masalah memaksimalkan margin 2 w, ekuivalen dengan meminimumkan 1 2 w 2. Sehingga model matematis dari masalah maksimal margin classifier dapat dinyatakan sebagai berikut [6, 7, 8]: dengan kendala: min w,b 1 2 w 2 (2) t i (w T x i + b) 1, i = 1, 2,, m (3) Untuk memudahkan penyelesaian, maka pemrograman kuadrat akan ditransformasikan ke bentuk dual dengan bantuan pengali Lagrange. Fungsi Lagrange dari masalah optimisasi pada persamaan diatas yaitu [6, 7, 8] L(w, b, a) = 1 2 w 2 a i [t i (w T x i + b) 1] (4) Dimana a i 0 merupakan pengali Lagrange. Untuk mentransformasikan masalah optimisasi ke bentuk dual, maka fungsi Lagrange L(w, b, a) harus diminimumkan terhadap w dan b serta harus dimaksimalkan terhadap variabel dual a i. Dengan meminimumkan L(w, b, a) terhadap parameter w dan b diperoleh L m w = 0 w = a i t i x i (5) L m b = 0 0 = a i t i (6)
4 30 Abdul Azis Abdillah dan Suwarno Sehingga, bentuk dual dari masalah klasifikasi dengan margin maksimum dapat dituliskan sebagai berikut [6, 7, 8]: max ˆL(a) = a i 1 a i a j t i t j x T a i x j (7) 2 dengan kendala : j=1 a i 0, i = 1,, m (8) a i t i = 0 (9) Dengan demikian, solusi dari bentuk dual ini adalah diperolehnya nilai a i yang nantinya digunakan untuk menentukan nilai w dan b dengan rumus : w = a i t i x i (10) b = t i w T x i (11) Terdapat nilai a i untuk setiap data pelatihan. Data pelatihan yang memiliki nilai a i > 0 disebut sebagai support vector. Dengan demikian fungsi keputusan yang dihasilkan hanya dipengaruhi oleh support vector. Setelah solusi permasalahan pemrograman kuadrat ditemukan (nilai a i ) maka kelas dari data pengujian x dapat ditentukan berdasarkan nilai dari fungsi keputusan : ns f(x) = a i t i x T i x + b (12) 2.2 Soft Margin Support Vector Machines Pada umumnya dua buah kelas pada input space tidak dapat terpisah secara sempurna. Hal ini menyebabkan kendala t i (w T x i + b) 1, i = 1, 2,, m tidak dapat terpenuhi, sehingga optimasi tidak dapat dilakukan. Namun, kita tentu ingin mengontrol data yang berada pada kelas yang tidak sesuai. Selanjutnya, untuk mengontrol data yang berada pada kelas yang tidak sesuai kita menggunakan slack variable: ξ i 0, i = 1, 2,, m (13) Dengan demikian, masalah optimisasi pada klasifikasi dengan soft margin dapat dinyatakan sebagai [6, 7, 8]: 1 min w,b 2 w 2 + C ξ i (14) dengan kendala : t i (w T x i + b) 1 ξ i, i = 1, 2,..., m (15) ξ i 0, i = 1, 2,..., m (16) dimana C > 0 adalah parameter yang menentukan besarnya penalti akibat kesalahan dalam klasifikasi data dan nilainya di tentukan oleh user. Parameter C ditentukan dengan mencoba beberapa nilai dan dievaluasi efeknya terhadap akurasi yang dicapai oleh SVM.
5 Sistem Deteksi Penyakit Diabetes Menggunakan Metode SVM Nonlinear Support Vector Machines Pada kasus-kasus di dunia nyata, data yang terbentuk merupakan data yang nonlinier. Sehingga masalah yang terjadi adalah tidak ada satupun hyperplane yang dapat memisahkan data menjadi beberapa kelas. Untuk menyelesaikan kasus nonlinier SVM, maka pertama-tama data di ruang input R n dipetakan oleh fungsi transformasi Φ ke ruang Feature F, Φ : R n F dimana dimensi dari F lebih besar dari dimensi R n. Sehingga, bentuk dual dari masalah klasifikasi dengan soft margin di ruang Feature menjadi [6, 7, 8]: dengan kendala : max a ˆL(a) = a i 1 2 j=1 a i a j t i t j Φ(x i ) T Φ(x j ) (17) 0 a i C, i = 1, 2,..., m (18) a i t i = 0 (19) Karena untuk mendapatkan fungsi transformasi Φ yang tepat sangat sulit untuk diketahui, maka perhitungan dot product Φ(x i ) T Φ(x j ) digantikan oleh fungsi Kernel K(x i, x j ) yang dapat mendefinisikan secara implisit transformasi Φ. Proses ini dikenal sebagai Kernel Trick. Tujuan digunakannya fungsi Kernel adalah untuk menghitung dot product pada ruang Feature berdimensi tinggi atau bahkan berdimensi tak hingga secara langsung dari ruang input tanpa harus secara eksplisit menghitung fungsi transformasi Φ. Dengan menggunakan fungsi kernel, bentuk dual dari masalah klasifikasi dengan soft margin di ruang Feature menjadi [6, 7, 8]: max ˆL(a) = a i 1 a i a j t i t j K(x i, x j ) (20) a 2 dengan kendala : j=1 0 a i C, i = 1, 2,..., m (21) a i t i = 0 (22) Fungsi kernel yang digunakan pada penelitian ini adalah Fungsi Radial Basis (RBF) yang didefinisikan sebagai [6, 7, 8]: x y 2 K(x, y) = exp( σ 2 ), σ > 0. (23) 3. Metodologi Diagram alur sistem deteksi penyakit diabetes menggunakan SVM dapat dilihat pada gambar 1 berikut ini.
6 32 Abdul Azis Abdillah dan Suwarno Figure 1. Diagram alur sistem deteksi penyakit diabetes 3.1 Dataset Untuk mengetahui kinerja metode SVM dalam melakukan deteksi penyakit diabetes, dilakukan pengujian terhadap Dataset PIMA Indians Diabetes Database [4, 5, 9]. Dataset PIMA terdiri dari 768 data pasien yang semuanya adalah perempuan dengan usia 21 tahun. Dataset berisi 500 pasien tidak terdeteksi diabetes dan 268 pasien terdeteksi diabetes. Selain itu, dataset PIMA terdiri dari dua kelas yaitu kelas positif dan kelas negatif serta delapan atribut dari penyakit diabetes yaitu Jumlah kali hamil Konsentrasi glukosa plasma 2 jam dalam tes toleransi glukosa oral Tekanan darah diastolik (mm Hg) Triceps ketebalan lipatan kulit (mm) Serum insulin 2-Jam (mu U / ml) Indeks massa tubuh (kg/m 2 ) Riwayat Keturunan Penyakit Diabetes Umur (tahun) 3.2 Desain Eksperimen Desain Eksperimen dari penelitian ini menggunakan 10-fold cross validation [6] dengan tujuan untuk mendapatkan model terbaik untuk memprediksi penyakit diabetes. Dataset PIMA Indians Diabetes Database dibagi menjadi 10 bagian dengan jumlah kelas sama untuk setiap bagian. Sembilan bagian digunakan untuk melatih model, satu bagian digunakan untuk mengevaluasi model. Hasil rata-rata akurasi yang dicapai oleh 10 fold tersebut digunakan sebagai akurasi deteksi diabetes. 3.3 Evaluasi Eksperimen Evaluasi eksperimaen yang digunakan pada penelitian ini yaitu Confusion Matrix [10]. Confusion Matrix dideskripsikan pada Tabel 1. TP adalah jumlah record positif yang diklasifikasikan sebagai positif, FP adalah jumlah record negatif yang diklasifikasikan sebagai positif, FN adalah jumlah record positif yang diklasifikasikan sebagai negatif, TN adalah jumlah record negatif yang diklasifikasikan sebagai negatif. Accuracy dalam klasifikasi adalah persentase ketepatan record data yang diklasifikasikan secara benar. Formula Accuracy adalah sebagai berikut [10] : Accuracy = T P + T N T P + F P + F N + T N (24)
7 Sistem Deteksi Penyakit Diabetes Menggunakan Metode SVM 33 Table 1. Confusion matrix Actual Class Output Class yes no yes True Positive (TP) False Negative (FN) no False Positive (FP) True Negative (TN) Kuantitas lain yang digunakan pada bidang medis adalah Sensitivity dan Specificity. Pada kasus evaluasi sistem diagnosis penyakit pasien, sensitivity adalah kemampuan pengujian untuk mendiagnosis semua pasien sakit yang terdiagnosis sakit. Sedangkan, specificity adalah kemampuan pengujian untuk mendiagnosis semua pasien tidak sakit yang terdiagnosis tidak sakit. Pada bidang medis semakin besar nilai sensitivity dan specificity berarti sistem yang dibuat semakin baik. Berikut merupakan formula sensitivity dan specificity [10]: Sensitivity = Specif icity = T P T P + F N T N T N + F P (25) (26) 4. Hasil Eksperimen Pada penelitian ini penulis melakukan percobaan deteksi penyakit diabetes, dengan metode Support Vector Machines (SVM) menggunakan software Matlab R2013a. Spesifikasi komputer yang digunakan pada percobaan ini adalah CPU Processor Intel Core i GHz dengan RAM 4 GB dan OS Windows 7 Ultimate. Pada tahap awal, dataset PIMA dibagi menjadi dua bagian. 576 data digunakan sebagai data pelatihan dan sisanya 192 data sebagai data testing. Berdasarkan 10 fold cross validation, pada data pelatihan diperoleh model yang optimal dengan nilai parameter σ = 1.5. Tabel 2a dan tabel 2b secara berturut-turut merupakan hasil confusion matrix yang diperoleh dari percobaan SVM menggunakan nilai parameter yang telah diperoleh. Selanjutnya, dilakukan perhitungan untuk mencari nilai accuracy, sensitivity dan specificity dari data training dan data testing, yang hasilnya dapat dilihat pada Tabel 3. Berdasarkan pada tabel 3 diperoleh rata-rata hasil accuracy = 81.34%, Sensitivity = 83.64% dan Specificity = 80.09%. 5. Kesimpulan Support Vector Machines dapat digunakan untuk menganalisis dan membangun sistem deteksi penyakit diabetes. Analisa yang dilakukan menggunakan dataset PIMA yang berfungsi sebagai masukan pada SVM. Pada tahap awal dilakukan pemisahan dataset PIMA menjadi dua bagian yaitu 576 data sebagai data pelatihan dan sisanya 192 data sebagai data tes. Tahapan selanjutnya yaitu menentukan
8 34 Abdul Azis Abdillah dan Suwarno Table 2. Hasil confusion matrix (a) Confusion matrix pada data training Actual Class Output Class Tested Positive Tested Negative Tested Positive Tested Negative (b) Confusion matrix pada data testing Actual Class Output Class Tested Positive Tested Negative Tested Positive Tested Negative Table 3. Hasil accuracy, sensitivity dan specificity dari metode SVM Training Testing Accuracy (%) Sensitivity (%) Specificity (%) nilai parameter σ yang optimal dengan melakukan 10 cross validation. Setelah mendapatkan nilai σ yang optimal, tahap terakhir adalah melakukan uji sesungguhnya menggunakan data tes untuk mencari nilai accuracy, sensitivity, dan specificity. Pada penelitian ini nilai parameter optimal yang diperoleh adalah σ = 1.5. Deteksi penyakit diabetes menggunakan SVM dengan kernel RBF menghasilkan nilai rata-rata accuracy sebesar 81.34%, Sensitivity 83.64%, dan Specificity 80.09%. Berdasarkan hasil yang diperoleh pada penelitian ini, kinerja dari SVM sebagai pengklasifikasi lebih baik dari penelitian sebelumnya yang dilakukan oleh Smith, et al [4] dan Kumari, et al [5]. Hasil yang diperoleh menunjukkan bahwa sistem yang dibangun memiliki hasil yang baik dan dapat menjadi suatu alternatif untuk deteksi awal penyakit diabetes. Ucapan Terima Kasih. Penulis mengucapkan terima kasih kepada Kementerian Pendidikan dan Kebudayaan melalui DIRJEN DIKTI atas dukungan dana penelitian, melalui Hibah Penelitian Dosen Pemula Tahun 2015 Nomor DIPA /2015. References [1] World Health Organization. About diabetes. basics/en/. (30 Maret 2015, Pukul WIB). [2] World Health Organization. Diabetes Fact sheet. factsheets/fs312/en/. (30 Maret 2015, Pukul WIB). [3] Muhammadi, F.Z., Simple treatment to curb diabetes /simple-treatment-curb-diabetes.html. (28 Maret 2015, Pukul WIB).
9 Sistem Deteksi Penyakit Diabetes Menggunakan Metode SVM 35 [4] Smith, J.W., J. E. Everhart, et al., Using the ADAP learning algorithm to forecast the onset of diabetes mellitus, Proceedings of the Symposium on Computer Applications and Medical Care, (1988), [5] Kumari, V. A. dan Chitra, R., Classification of Diabetes Disease Using Support Vector Machine, IJERA, 3 (2013), [6] Bishop, C. M., Pattern Recognition and Machine Learning, Springer, [7] Christianini, N., and J. C. Shawe-Taylor, An Introduction to Support Vector Machines, Cambridge, UK: Cambridge University Press, [8] Scholkopf, B., and A. Smola, Learning with Kernels, Cambridge, MA: The MIT Press, [9] Lichman, M. UCI Machine Learning Repository [ Irvine, CA: University of California, School of Information and Computer Science, [10] Gorunescu, F., Data mining concepts, models and techniques, Springer, 2011.
10 36 Abdul Azis Abdillah dan Suwarno
Support 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 terperinciUJI KINERJA LEARNING TO RANK DENGAN METODE SUPPORT VECTOR REGRESSION
IndoMS Journal on Industrial and Applied Mathematics Volume. 2, Issue. 1 (2015), pp. 15-25 UJI KINERJA LEARNING TO RANK DENGAN METODE SUPPORT VECTOR REGRESSION ABDUL AZIS ABDILLAH, HENDRI MURFI, DAN YUDI
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 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 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 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 III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan langkah-langkah atau metode penelitian sebagai berikut: 1. Penentuan Masalah Penentuan masalah ini diperoleh dari studi literature
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 terperinciStudi Perbandingan Pemilihan Fitur untuk Support Vector Machine pada Klasifikasi Penilaian Risiko Kredit
Jurnal EduMatSains, 1 (2) Januari 2017, 119-136 Studi Perbandingan Pemilihan Fitur untuk Support Vector Machine pada Penilaian Risiko Kredit Desri Kristina Silalahi 1*, Hendri Murfi 2, Yudi Satria 3 1
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dataset
BAB III METODOLOGI PENELITIAN Metodologi penelitian diuraikan dalam skema tahap penelitian untuk memberikan petunjuk atau gambaran yang jelas, teratur, dan sistematis seperti yang ditunjukkan pada Gambar
Lebih terperinciPengklasifikasian Pada Data Echocardiogram Dengan Menggunakan Support Vector Machine dan Analisis Diskriminan
Gede Suwardika. (2017). Pengklasifikasian Pada Data Echocardiogram Dengan Menggunakan Support Vector Machine dan Analisis Diskriminan. International Journal of Natural Science and Engineering. Vol.1 (1)
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 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 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 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 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 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 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 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 terperinciJurnal MIPA 39 (2) (2016): Jurnal MIPA.
Jurnal MIPA 39 (2) (2016): 150-158 Jurnal MIPA http://journal.unnes.ac.id/nju/index.php/jm PENERAPAN ALGORITMA BAYESIAN REGULARIZATION BACKPROPAGATION UNTUK MEMPREDIKSI PENYAKIT DIABETES Suwarno 1 AA Abdillah
Lebih terperinciDIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 7~12 7 DIAGNOSA PREDIKSI PENYAKIT JANTUNG DENGAN MODEL ALGORITMA NAÏVE BAYES DAN ALGORITMA C4.5 Tri Retnasari 1, Eva Rahmawati 2 1 STMIK
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 terperinciPENGEMBANGAN DECISION TREE J48 UNTUK DIAGNOSIS PENYAKIT DIABETES MELLITUS
PENGEMBANGAN DECISION TREE J48 UNTUK DIAGNOSIS PENYAKIT DIABETES MELLITUS I Putu Dody Lesmana Jurusan Teknologi Informasi, Politeknik Negeri Jember, PO Box 164, Jember 68101 E-mail : dody@polije.ac.id
Lebih terperinciKomparasi dan Analisis Kinerja Model Algoritma SVM dan PSO-SVM (Studi Kasus Klasifikasi Jalur Minat SMA)
Jurnal Teknik Informatika dan Sistem Informasi e-issn : 2443-2229 Komparasi dan Analisis Kinerja Model Algoritma SVM dan PSO-SVM (Studi Kasus Klasifikasi Jalur Minat SMA) Theopilus Bayu Sasongko Program
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 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 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 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 terperinciPERBANDINGAN KINERJA ALGORITME C4.5 DAN NAÏVE BAYES MENGKLASIFIKASI PENYAKIT DIABETES
PERBANDINGAN KINERJA ALGORITME C4.5 DAN NAÏVE BAYES MENGKLASIFIKASI PENYAKIT DIABETES Hendra Marcos 1, Hengky Setiawan Utomo 2 1,2 Program Studi Teknik Informatika, STMIK Amikom Purwokerto Jl. Pol. Soemarto
Lebih terperinci2.Jenis Serangan Berikut Berikut ini daftar serangan yang terdapat dalam dataset:
Analisis Support vector machines pada Deteksi Misuse untuk Intrusion Detection System Faris Alfa Mauludy 1, Adiwijaya 2, GiaSeptiana 3 1 Prodi S1 Teknik Informatika, Telkom Informatics School, Universitas
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
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 terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA ABSTRACT
PENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA Rodiyatul FS 1, Bayu Adhi Tama 2, Megah Mulya 3 1,2,3 Fakultas Ilmu Komputer, Universitas Sriwijaya
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 terperinciAnalisis Perbandingan Sistem Pengenalan Rambu-Rambu Lalu Lintas Menggunakan Metode Generative Learning dan Support Vector Machine
Analisis Perbandingan Sistem Pengenalan Rambu-Rambu Lalu Lintas Menggunakan Metode Generative Learning dan Support Vector Machine Moses Jefferson Irawan, Dodi Sudiana Teknik Komputer, Fakultas Teknik,
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 terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
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 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 terperinciKLASIFIKASI UNTUK DIAGNOSA DIABETES MENGGUNAKAN METODE BAYESIAN REGULARIZATION NEURAL NETWORK (RBNN)
JURNAL INFORMATIKA VOL.11.NO1, JAN 2017 KLASIFIKASI UNTUK DIAGNOSA DIABETES MENGGUNAKAN METODE BAYESIAN REGULARIZATION NEURAL NETWORK (RBNN) M.Fadly Rahman 1, M.Ilham Darmawidjadja 2, Dion Alamsah 3 Teknik
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Dasar Penelitian Penelitian ini dilakukan berdasarkan rumusan masalah yang telah dijabarkan pada bab sebelumnya yaitu untuk mengklasifikasikan kelayakan kredit calon debitur
Lebih terperinciAPLIKASI PENGKLASIFIKASIAN MOTIF BATIK TULIS LASEM MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) DAN SUPPORT VECTOR MACHINE (SVM)
APLIKASI PENGKLASIFIKASIAN MOTIF BATIK TULIS LASEM MENGGUNAKAN METODE GRAY LEVEL CO-OCCURRENCE MATRICES (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Sebagai Salah Satu Syarat Untuk Memperoleh
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Pengembangan Perangkat Lunak Prediktor Kebangkrutan Menggunakan Metode Bagging Nearest Neighbor Support Vector Machine Mohamat Ulin Nuha, Isye Arieshanti,
Lebih terperinciKLASIFIKASI FAKTOR PENENTU WANITA BERPOTENSI DIABETES MENGGUNAKAN DECISION TREE CHAID
KLASIFIKASI FAKTOR PENENTU WANITA BERPOTENSI DIABETES MENGGUNAKAN DECISION TREE CHAID Muhammad Maulana Ramadhan 1, Irwan Budiman 2, Heru Kartika Chandra 3 1,2,3Prodi Ilmu Komputer FMIPA ULM Jl. A. Yani
Lebih terperinciPENDETEKSIAN JENIS DAN KELAS AROMA DENGAN MENGGUNAKAN METODE ONE-VS-ONE DAN METODE ONE-VS-REST
MAKARA, SAINS, VOL. 7, NO.3, DESEMBER 2003 PENDETEKSIAN JENIS DAN KELAS AROMA DENGAN MENGGUNAKAN METODE ONE-VS-ONE DAN METODE ONE-VS-REST Zuherman Rustam 1,3, Benyamin Kusumoputro 2,3 dan Belawati Widjaja
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 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 terperinciKLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR
KLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR Dewi Pramudi Ismi 1), Ardiansyah 2) 1 Program Studi Teknik Informatika, Fakultas Teknologi Industri,
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 terperinciBAB IV EKSPERIMEN. 4.1 Tujuan
BAB IV EKSPERIMEN Pada bab ini dibahas mengenai eksperimen penggunaan SVM dalam pendeteksian intrusi pada jaringan. Pembahasan ini meliputi tujuan yang ingin dicapai melalui eksperimen ini, parameter evaluasi
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
Lebih terperinciPENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI
PENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI Laily Hermawanti Program Studi Teknik informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro 1B Jogoloyo Demak Telpon
Lebih terperinciOPTIMISASI PARAMETER SUPPORT VECTOR MACHINE (SVM) MENGGUNAKAN ALGORITME GENETIKA IRAWATI
OPTIMISASI PARAMETER SUPPORT VECTOR MACHINE (SVM) MENGGUNAKAN ALGORITME GENETIKA IRAWATI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010 OPTIMISASI
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 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 terperinciIMPLEMENTASI WEB SERVICE DAN ANALISIS KINERJA ALGORITMA KLASIFIKASI DATA MINING UNTUK MEMPREDIKSI DIABETES MELLITUS
IMPLEMENTASI WEB SERVICE DAN ANALISIS KINERJA ALGORITMA KLASIFIKASI DATA MINING UNTUK MEMPREDIKSI DIABETES MELLITUS Doni Setyawan Fakultas Ilmu Komputer, Program Studi Teknik Informatika Universitas Widya
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 terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciSVM untuk Ranking. Model Linear
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 terperinciUji Kinerja Penggabungan Algoritma Support Vector Machine dan Simulated Annealing Pada Permasalahan Klasifikasi Pola
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Uji Kinerja Penggabungan Algoritma Support Vector Machine dan Simulated Annealing Pada Permasalahan Klasifikasi Pola Astris
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi adalah tata cara yang disusun secara pasti, sistematis dan logis sebagai landasan untuk kegiatan tertentu. Metodologi yang diperlukan untuk tugas akhir ini terdiri
Lebih terperinciMETODE PENELITIAN HASIL DAN PEMBAHASAN
5. Oleh karena itu untuk meningkatkan akurasinya, proses learning harus dihentikan lebih awal atau melakukan pemotongan tree secara umum. Untuk itu diberikan 2 (dua) buah threshold yang harus dipenuhi
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 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 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 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 terperinciPenggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot
Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier Bernhard M. Wongkar 1, John S. Kekenusa 2, Hanny A.H. Komalig 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, bernhard.wongkar2011@gmail.com
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 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 terperinciLinear Discrimant Model
(update 1 Februari 01) Lecture 3 Linear Discrimant Model Learning a Class from Examples (Alpaydin 009) Class C of a family car Prediction: Is car x a family car? Knowledge extraction: What do people expect
Lebih terperinciIMPLEMENTASI METODE SUPPORT VECTOR MACHINE DALAM KLASIFIKASI KUALITAS PRODUK FURNITURE PADA PT. HERDEX SEJAHTERA
IMPLEMENTASI METODE SUPPORT VECTOR MACHINE DALAM KLASIFIKASI KUALITAS PRODUK FURNITURE PADA PT. HERDEX SEJAHTERA Hendra Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang, Indonesia hendra@mhs.dinus.ac.id
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
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 terperinciMETODE KLASIFIKASI DATA MINING DAN TEKNIK SAMPLING SMOTE MENANGANI CLASS IMBALANCE UNTUK SEGMENTASI CUSTOMER PADA INDUSTRI PERBANKAN
Metode Klasifikasi Data Mining dan Teknik Sampling Smote... METODE KLASIFIKASI DATA MINING DAN TEKNIK SAMPLING SMOTE MENANGANI CLASS IMBALANCE UNTUK SEGMENTASI CUSTOMER PADA INDUSTRI PERBANKAN Hairani
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. kanker payudara apakah tergolong normal atau abnormal (benign atau malignant)
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Sistem aplikasi yang kami kembangkan adalah sistem pengklasifikasian jenis kanker payudara apakah tergolong normal atau abnormal (benign atau malignant)
Lebih terperinciBAB 4 IMPLEMENTASI DAN PENGUJIAN
BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Tahap implementasi merupakan tahap pengimplementasian metode kedalam perangkat lunak simulasi, tahap lanjut dari tahap perancangan simulasi di bab sebelumnya.
Lebih terperinciAPLIKASI SUPPORT VEKTOR MACHINE (SVM) UNTUK PROSES ESTIMASI SUDUT DATANG SINYAL
APLIKASI SUPPORT VEKTOR MACHINE (SVM) UNTUK PROSES ESTIMASI SUDUT DATANG SINYAL Hosken Ginting / 0322173 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
Lebih terperinciMoch. Ali Machmudi 1) 1) Stmik Bina Patria
UJI PENGARUH KARAKTERISTIK DATASET PADA PERFORMA ALGORITMA KLASIFIKASI Moch. Ali Machmudi 1) 1) Stmik Bina Patria 1) Jurusan Manjemen Informatika-D3 Email : 1 aliadhinata@gmail.com 1) Abstrak Tujuan utama
Lebih terperinciPENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR
PENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR Angga Lisdiyanto (1), Lukman Zaman P.C.S.W (2) Teknik Informatika, Universitas Islam Lamongan (1) Teknik Informatika, Sekolah
Lebih terperinciKata kunci : dimensionality, data mining, K-Means, GA, SVM
Prediksi Penyakit Menggunakan Algoritma K-Means dan GA untuk Reduksi Dimensi dengan Mengintegrasikan SVM pada Data Berdimensi Tinggi. Disease Prediction using K-Means and GA for Dimension Reduction by
Lebih terperinciUji Perbandingan Akurasi Analisis Sentimen Pariwisata menggunakan Algoritma Support Vektor Machine dan Naive Bayes
Uji Perbandingan Akurasi Analisis Sentimen Pariwisata menggunakan Algoritma Support Vektor Machine dan Naive Bayes Tesis Diajukan kepada Fakultas Teknologi Informasi Untuk Memperoleh Gelar Master of Computer
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 terperinciDIAGNOSA KERUSAKAN BANTALAN BOLA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
DIAGNOSA KERUSAKAN BANTALAN BOLA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE SKRIPSI Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik Oleh: MUHAMMAD FATHURROHMAN NIM. I0411032 JURUSAN
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 terperinciPresentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ. Muhammad Reza Budiman
Presentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ Muhammad Reza Budiman 5209100075 Jurusan Sistem Informasi Fakultas Teknologi Informasi
Lebih terperinciPREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR REGRESSION (SVR) DENGAN ALGORITMA GRID SEARCH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 315-321 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian terkait Penelitian ini sebelumnya dilakukan studi kepustakaan dari penelitian terdahulu sebagai dasar atau acuan untuk menyelesaikan tugas akhir. Dari studi kepustakaan
Lebih terperinciAnalisis Perbandingan Algoritma ID3 Dan C4.5 Untuk Klasifikasi Penerima Hibah Pemasangan Air Minum Pada PDAM Kabupaten Kendal
234 Analisis Perbandingan Algoritma ID3 Dan C4.5 Untuk Klasifikasi Penerima Hibah Pemasangan Air Minum Pada PDAM Kabupaten Kendal Comparative Analysis Of ID3 And C4.5 Algorithm For Classification Of Grant
Lebih terperinciLAPORAN TUGAS AKHIR. Disusun oleh: Franky
LAPORAN TUGAS AKHIR Analisis Sentimen Menggunakan Metode Naive Bayes, Maximum Entropy, dan Support Vector Machine pada Dokumen Berbahasa Inggris dan Dokumen Berbahasa Indonesia Hasil Penerjemahan Otomatis
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 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 terperinciText Mining Untuk Klasifikasi Kategori Cerita Pendek Menggunakan Naïve Bayes (NB)
Text Mining Untuk Klasifikasi Kategori Cerita Pendek Menggunakan Naïve Bayes (NB) Oman Somantri #1 # Program Studi Teknik Informatika, Politeknik Harapan Bersama Tegal Jln. Mataram.09 Pesurungan Lor Kota
Lebih terperinciISSN : e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 5014
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.3 Desember 2017 Page 5014 Klasifikasi Informasi, Anjuran dan Larangan pada Hadits Shahih Bukhari menggunakan Metode Support Vector Machine. Andina
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 terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinciOPTIMASI PARAMETER K PADA ALGORITMA K-NEAREST NEIGHBOUR UNTUK KLASIFIKASI PENYAKIT DIABETES MELLITUS
OPTIMASI PARAMETER K PADA ALGORITMA K-NEAREST NEIGHBOUR UNTUK KLASIFIKASI PENYAKIT DIABETES MELLITUS Indrayanti 1, Devi Sugianti 1, M. Adib Al Karomi 1* STMIK Widya Pratama Pekalongan * E-mail: adib.comp@gmail.com
Lebih terperinciPENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA
PENERAPAN ALGORITMA KLASIFIKASI C4.5 UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA Laily Hermawanti Program Studi Teknik Informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro No. 1B
Lebih terperinciKLASIFIKASI CITRA DOKUMEN MENGGUNAKAN METODE SUPPORT VECTOR MACHINE DENGAN EKSTRAKSI CIRI TERM FREQUENCY INVERSE DOCUMENT FREQUENCY
KLASIFIKASI CITRA DOKUMEN MENGGUNAKAN METODE SUPPORT VECTOR MACHINE DENGAN EKSTRAKSI CIRI TERM FREQUENCY INVERSE DOCUMENT FREQUENCY Arif Munandar *), Achmad Hidayatno, and Teguh Prakoso Departemen Teknik
Lebih terperinciPROBABILISTIC NEURAL NETWORK BERBASIS GUI MATLAB UNTUK KLASIFIKASI DATA REKAM MEDIS
PROBABILISTIC NEURAL NETWORK BERBASIS GUI MATLAB UNTUK KLASIFIKASI DATA REKAM MEDIS (Studi Kasus: Penyakit Diabetes Melitus di Balai Kesehatan Kementerian Perindustrian Jakarta) SKRIPSI Disusun oleh: JOHAN
Lebih terperinci