PEMILIHAN DATA TRAINING UNTUK MENINGKATKAN KINERJA VOTING FEATURE INTERVAL 5 (VFI 5) DAVID AULIA AKBAR ADHIEPUTRA
|
|
- Utami Lesmono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PEMILIHAN DATA TRAINING UNTUK MENINGKATKAN KINERJA VOTING FEATURE INTERVAL 5 (VFI 5) DAVID AULIA AKBAR ADHIEPUTRA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010
2 PEMILIHAN DATA TRAINING UNTUK MENINGKATKAN KINERJA VOTING FEATURE INTERVAL 5 (VFI 5) DAVID AULIA AKBAR ADHIEPUTRA Skripsi Sebagai salah satu syarat untuk memperoleh Gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010
3 ABSTRACT DAVID AULIA AKBAR ADHIEPUTRA. Training Data Selection for Improving Performance of Voting Feature Interval 5 (VFI 5). Supervised by SRI NURDIATI and AZIZ KUSTIYO. Voting Feature Interval 5 (VFI 5) is a supervised algorithm and an inductive learning algorithm for inducing knowledge classification from training information. VFI 5 algorithm is capable of classifying sample very well and can provide an explanation why and how the class groups of new samples from the classification can be predicted in the individual vote that each feature has been assigned to the class. VFI 5 algorithm determines the point interval for the classification process. Point interval is obtained by taking the lowest and the highest value of the sample in each class. In the testing process, if the test data are outside the sample interval they will have zero voting value and will reduce the accuracy of the classification results. The selection of training data with non-random sampling method uses the purposive sampling technique. The selection process is done by taking a few of the lowest and the highest feature values from each feature data to be training data. The remaining data which are not used as training data will be used as testing data. The propotion of training and testing data is 2:1. Among the three data used in the VFI 5 algorithm with the selection training data using the lowest and highest feature values, the iris data produced an accuracy of 98.04%, the accuracy of wines data is 96.56% and the acuracy of gender koi data is very high reaching 100%. The result of this study shows that the algorithm VFI 5 data selection method using the lowest and the highest feature values can improve the performance of the algorithm VFI 5. Keywords: non probability sampling, purposive sampling, voting feature interval. ii
4 Judul : Pemilihan Data Training untuk Meningkatkan Kinerja Voting Feature Interval 5 (VFI 5) Nama : David Aulia Akbar Adhieputra NRP : G Menyetujui: Pembimbing I, Pembimbing II, Dr. Ir. Sri Nurdiati, M.Sc. NIP Aziz Kustiyo, S.Si., M.Kom. NIP Mengetahui: Ketua Departemen, Dr. Ir. Sri Nurdiati, M.Sc. NIP Tanggal Lulus : iii
5 RIWAYAT HIDUP Penulis lahir di kota Purworejo, 12 Oktober 1985, anak terakhir dari tiga bersaudara dari pasangan Drs. Muji Hadiwiyono dan Suyatmi, ST. Pada tahun 1998 penulis lulus dari SD Negeri Kliwonan Purworejo, dan pada tahun 2001 lulus dari SMP Negeri 2 Purworejo. Tahun 2004 penulis lulus dari SMA Negeri 2 Purworejo, dan pada tahun yang sama melanjutkan pendidikan tinggi di Institut Pertanian Bogor (IPB), Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB). Selama masa kuliah penulis pernah menjadi asisten dosen untuk Mata Kuliah Pola Pengenalan Citra Digital (PPCD). Pada tahun 2007, penulis mengikuti Praktek Kerja Lapang selama 1 bulan di Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan Pertanian (BBSDLP) wilayah Bogor. iv
6 PRAKATA Alhamdulillahi Rabbil alamin, puji dan syukur penulis panjatkan kepada Allah SWT karena hanya dengan rahmat dan karunia-nya penulis dapat menyelesaikan tugas akhir ini yang merupakan salah satu persyaratan kelulusan pada Program Sarjana Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Tugas akhir ini mengambil judul Pemilihan Data Training untuk Meningkatkan Kinerja Voting Feature Interval 5 (VFI 5). Pada kesempatan ini, penulis ingin menyampaikan rasa terima kasih yang sebesar-besarnya kepada senua pihak yang telah membantu kelancaran penelitian ini, anatara lain kepada: 1. Orangtua tercinta, Ayahanda Muji Hadiwiyono dan Ibunda Suyatmi atas segala doa, kasih sayang, dan dukungan baik moral maupun spiritual yang telah diberikan selama ini, serta kepada kedua kakak, Didit dan Dewi yang selalu memberi semangat. 2. Ibu Dr. Ir. Sri Nurdiati M.Sc dan Bapak Aziz Kustiyo, S.Si, M.Kom yang senantiasa dengan penuh ketekunan dan kesabaran membimbing penulis hingga selesainya penulisan karya ilmiah ini. 3. Bapak Firman Ardiansyah, S.Kom, M.Si, terima kasih atas kesediaan beliau menjadi moderator pada seminar dan penguji pada sidang tugas akhir. 4. Edho, Yohan, Didit, Indri Puspita, Tresna, Ganang, Reza, Geti, Maul, Lutfi, Onong, Ahyar, anakanak kos Cemara, dan teman-teman Passing Out lainnya yang selalu memberi dukungan dan mendampingi penulis selama penelitian ini. 5. Intan Dyah, Yuli Fitriyani, Khodijah, Bayu Mahardhika, Rista, dan Radi yang telah menjadi sahabat baik penulis selama ini. 6. Mi-Chan, Oreo, Maze, Onji, Titin, Mong-Mong, Lala, Tete, Bon-Bon, Oski, Candy, Edu, Momo, Plato, Oin, dan Oscar yang selalu menemani penulis selama ini. 7. Pak Soleh, Pak Pendi, Mbak Rahma, Mas Irfan, dan seluruh keluarga besar Ilmu Komputer, FMIPA IPB umumnya, Ilkomers 39, 40, 42, dan 41 khususnya. 8. Serta kepada semua pihak yang telah memberikan kontribusi besar selama pengerjaan penelitian ini yang tidak dapat penulis sebutkan satu-persatu. Sebagaimana manusia yang tidak luput dari kesalahan, penulis menyadari bahwa karya ilmiah ini jauh dari kesempurnaan. Akan tetapi, penulis berharap semoga karya ilmiah ini dapat bermanfaat bagi semua pihak, baik secara langsung maupun tidak langsung termasuk penulis pribadi. Jazakumullah khairan katsiira. : Bogor, Januari 2010 David Aulia Akbar Adhieputra
7 DAFTAR ISI Halaman DAFTAR TABEL... vii DAFTAR GAMBAR... vii DAFTAR LAMPIRAN... vii PENDAHULUAN Latar Belakang... 1 Tujuan... 1 TINJAUAN PUSTAKA Pengambilan Sampel... 1 Teknik Pengambilan Sampel... 1 Metode k-fold Cross Validation... 2 Algoritme Voting Feature Interval METODE PENELITIAN Studi Pustaka... 4 Data... 4 Klasifikasi Algoritme VFI Data Pelatihan dan Data Pengujian... 4 Pelatihan... 4 Klasifikasi (Pengujian)... 4 Akurasi... 5 Lingkungan Pengembangan... 5 HASIL DAN PEMBAHASAN Pemilihan Data Latih dan Data Uji... 5 Pengolahan dan Tingkat Akurasi VFI 5 dengan Data Iris... 5 Pengolahan dan Tingkat Akurasi VFI5 dengan Data Wine... 8 Pengolahan dan Tingkat Akurasi VFI5 dengan Data Ikan Koi KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN vi
8 DAFTAR TABEL Halaman 1 Spesifikasi Data yang Digunakan Pembagian Data Iris dengan Nilai Fitur Terendah dan Tertinggi Hasil Akurasi dengan Nilai Fitur Terendah dan Tertinggi Data Iris Hasil Pembagian Acak Data Iris Susunan Data Pelatihan dan Data Pengujian Data Iris Hasil Akurasi dengan Nilai Acak Data Iris Pembagian Data Iris dengan Nilai Fitur Terendah Pembagian Data Iris dengan Nilai Fitur Tertinggi Pembagian Data Iris Tanpa Nilai Fitur Terendah dan Tertinggi Perbandingan Akurasi pada Data Iris Pembagian Data Wine dengan Nilai Fitur Terendah dan Tertinggi Hasil Akurasi dengan Nilai Fitur Terendah dan Tertinggi Data Wine Hasil Pembagian Acak Data Wine Susunan Data Pelatihan dan Data Pengujian Data Wine Hasil Akurasi dengan Nilai Acak Data Wine Pembagian Data Wine dengan Nilai Fitur Terendah Pembagian Data Wine dengan Nilai Fitur Tertinggi Pembagian Data Wine Tanpa Nilai Fitur Terendah dan Tertinggi Perbandingan Akurasi pada Data Wine Pembagian Data Ikan Koi dengan Nilai Fitur Terendah dan Tertinggi Hasil Akurasi dengan Nilai Fiture Terendah dan Tertinggi Data Ikan Koi Hasil Pembagian Acak Data Susunan Data Pelatihan dan Data Pengujian Data Koi Hasil Akurasi dengan Nilai Acak Data Ikan Koi Pembagian Data Ikan Koi dengan Nilai Fitur Terendah Pembagian Data Ikan Koi dengan Nilai Fitur Tertinggi Pembagian Data Ikan Koi Tanpa Nilai Fitur Terendah dan Tertinggi Perbandingan Akurasi pada Data Ikan Koi DAFTAR GAMBAR Halaman 1 Diagram Metode Penelitian Perbandingan Akurasi pada Data Iris Perbandingan Akurasi pada Data Wine Perbandingan Akurasi pada Data Ikan Koi DAFTAR LAMPIRAN Halaman 1 Contoh Pelatihan Contoh Klasifikasi Normalisasi Akhir Data Latih dengan Nilai Fitur Terendah dan Tertinggi Data Iris (Iterasi 1) Normalisasi Akhir Data Latih dengan Nilai Fitur Terendah dan Tertinggi Data Iris (Iterasi 2) Normalisasi Akhir dengan Data Latih Acak pada Data Iris (Iterasi 1) Normalisasi Akhir dengan Data Latih Acak pada Data Iris (Iterasi 2) Normalisasi Akhir dengan Data Latih Acak pada Data Iris (Iterasi 3) Normalisasi Akhir Data Latih dengan Nilai Fitur Terendah Data Iris Normalisasi Akhir Data Latih dengan Nilai Fitur Tertinggi Data Iris vii
9 Halaman 10 Normalisasi Akhir Data Latih Tanpa Nilai Fitur Terendah dan Tertinggi Data Iris Normalisasi Akhir Data Latih dengan Nilai Fitur Terendah dan Tertinggi Data Wine (Iterasi 1) Normalisasi Akhir Data Latih dengan Nilai Fitur Terendah dan Tertinggi Data Wine (Iterasi 2) Normalisasi Akhir dengan Data Latih Acak pada Data Wine (Iterasi 1) Normalisasi Akhir dengan Data Latih Acak pada Data Wine (Iterasi 2) Normalisasi Akhir dengan Data Latih Acak pada Data Wine (Iterasi 3) Normalisasi Akhir Data Latih dengan Nilai Fitur Terendah Data Wine Normalisasi Akhir Data Latih dengan Nilai Fitur Tertinggi Data Wine Normalisasi Akhir Data Latih Tanpa Nilai Fitur Terendah dan Tertinggi Data Wine Normalisasi Akhir Data Latih dengan Nilai Fitur Terendah dan Tertinggi Data Koi (Iterasi 1) Normalisasi Akhir Data Latih dengan Nilai Fitur Terendah dan Tertinggi Data Koi (Iterasi 2) Normalisasi Akhir dengan Data Latih Acak pada Data Koi (Iterasi 1) Normalisasi Akhir dengan Data Latih Acak pada Data Koi (Iterasi 2) Normalisasi Akhir dengan Data Latih Acak pada Data Koi (Iterasi 3) Normalisasi Akhir Data Latih dengan Nilai Fitur Terendah Data Koi Normalisasi Akhir Data Latih dengan Nilai Fitur Tertinggi Data Koi Normalisasi Akhir Data Latih Tanpa Nilai Fitur Terendah dan Tertinggi Data Koi Normalisasi Akhir Data Latih dengan Nilai Fitur Terendah Data Iris Normalisasi Akhir Data Latih dengan Nilai Fitur Tertinggi Data Iris Normalisasi Akhir Data Latih Tanpa Nilai Fitur Terendah dan Tertinggi Data Iris viii
10 PENDAHULUAN Latar Belakang Voting Feature Interval 5 (VFI 5) adalah sebuah supervised algorithm dan algoritme pembelajaran secara induktif untuk menginduksi klasifikasi pengetahuan dari informasi suatu pelatihan. Algoritme VFI 5 mampu melakukan proses klasifikasi dengan sangat baik. Algoritme ini dapat memberikan penjelasan mengapa dan bagaimana contoh baru dari klasifikasinya dapat diprediksi golongan kelasnya dalam individual vote yang masing-masing fiturnya telah diberikan ke dalam kelas tersebut. Setiap contoh training direpresentasikan sebagai sebuah nominal vektor (dengan fungsi diskret) atau linear (dengan fungsi continous) pada nilai fiturnya, ditambah label yang merepresentasikan kelas dari setiap contohnya. Contoh pelatihan menunjukkan bahwa algoritme VFI 5 membangun interval untuk masing-masing fitur berupa range atau point interval. Range interval didefinisikan pada sebuah kumpulan nilai yang berurutan yang diberikan oleh data fitur pelatihan, sedangkan point interval didefinisikan pada sebuah nilai tunggal dari fiturnya (Demiröz 1997). Algoritme VFI 5 menentukan point interval untuk proses klasifikasi. Point interval didapat dari pengambilan nilai fitur terendah dan tertinggi contoh pada masingmasing kelas. Pada proses uji, jika data uji berada di luar interval contoh akan mendapat nilai voting nol dan akan mengurangi akurasi dari hasil klasifikasinya. Dalam penelitian ini data pelatihan dengan menggunakan nilai fitur terendah dan tertinggi akan dibandingkan dengan beberapa data pelatihan yang dipilih dengan cara lain, dengan pembandingan tersebut diharapkan data pelatihan yang menggunakan nilai fitur terendah dan tertinggi akan mendapatkan akurasi yang lebih baik. Tujuan Tujuan dari penelitian ini adalah melakukan pemilihan data training untuk meningkatkan kinerja dari algoritme VFI 5 agar mendapatkan nilai akurasi yang lebih baik dengan menggunakan nilai fitur terendah dan tertinggi, serta menggunakan bobot yang sama pada algoritme VFI 5. TINJAUAN PUSTAKA Pengambilan Sampel Dalam rangka pengambilan sampel menurut Nasution (2003) ada beberapa pengertian yang perlu diketahui agar sampel yang diambil mewakili sehingga dapat diperoleh informasi yang cukup, yaitu: 1. Populasi sasaran Yaitu populasi yang menjadi sasaran pengamatan atau populasi di mana keterangan dapat diperoleh. 2. Kerangka sampel Yaitu suatu daftar unit-unit yang ada pada populasi yang akan diambil sampelnya. 3. Unit sampel Yaitu unit terkecil pada populasi yang akan diambil sebagai sampel. 4. Rancangan sampel Yaitu rancangan yang meliputi cara pengambilan sampel dan penentuan besar sampel. 5. Random Yaitu salah satu cara pengambilan sampel, di mana setiap unit dalam populasi mempunyai kesempatan yang sama untuk dipilih untuk mejadi anggota sampel. Teknik Pengambilan Sampel Pemilihan teknik pengambilan sampel merupakan upaya penelitian untuk mendapat sampel yang representatif yang dapat menggambarkan populasinya. Teknik pengambilan sampel tersebut dibagi atas dua kelompok besar (McLennan 1998), yaitu probability sampling (random sampling) dan non probability sampling (non random sampling). Probability sampling Pada pengambilan sampel secara acak, setiap unit populasi mempunyai kesempatan yang sama untuk diambil sebagai sampel. Hal ini dapat menghindarkan peneliti dari memilih data sesuai keinginannya yang akan mengakibatkan bias pada kasus tertentu yaitu hasil yang diperoleh tidak sesuai dengan kenyataan. Dengan cara acak bias pemilihan dapat diperkecil sehingga diperoleh sampel yang representatif. Keuntungan pengambilan sampel secara acak adalah sebagai berikut: Derajat kepercayaan terhadap sampel dapat ditentukan. Beda penaksiran parameter populasi dengan statistik sampel dapat diperkirakan. 1
11 Besar sampel yang dapat diambil dapat dihitung. Non probability sampling (selected sample) Pemilihan sampel dengan cara ini tidak menghiraukan prinsip-prinsip probability. Pemilihan sampel secara tidak acak, hasil yang diharapkan adalah gambaran kasar dari suatu keadaan, dan biasanya pengambilan sampel dengan cara ini digunakan jika biaya sangat sediki, hasil yang diminta segera, dan tidak memerlukan ketepatan yang tinggi karena hanya gambaran umumnya saja. Pada penelitian kali ini, pengambilan sampel pada sampel data pelatihan menggunakan metode non probability sampling. Teknik pengambilan sampel yang digunakan adalah pengambilan sampel dengan maksud (purposive sampling) di mana teknik ini merupakan bagian dari metode pengambilan sampel secara tidak acak dengan cara mengambil unsur-unsur yang dikehendaki untuk pertimbangan penelitian. Dalam hal ini unsur- unsur yang diambil adalah nilai terendah dan tertinggi dari atribut data atau pada algoritme ini biasa disebut minimum fitur dan maksimum fitur. Keduanya digunakan sebagai sampel data pelatihan dengan harapan dapat meningkatkan kinerja algoritme VFI 5. Metode k-fold Cross Validation Validasi silang (cross-validation) merupakan metode untuk memerkirakan error generalisasi berdasarkan resampling (Weiss & Kulikowski 1991; Efron & Tibshirani 1993; Hjorth 1994; Plutowski et al. 1994; Shao & Tu 1995, diacu dalam Sarle 2004). Dalam k- fold cross validation, data dibagi secara acak menjadi k himpunan bagian yang ukurannya hampir sama satu sama lain. Himpunan bagian yang dihasilkan yaitu S 1,S 2,...,S k digunakan sebagai pelatihan dan pengujian. Pengulangan dilakukan sebanyak k kali dan pada setiap ulangan disisakan satu subset untuk pengujian dan subset lainnya untuk pelatihan. Pada iterasi ke-i, subset S i diperlakukan sebagai data pengujian, dan subset lainnya diperlakukan sebagai data pelatihan. Pada iterasi pertama S 2,...S k menjadi data pelatihan dan S 1 menjadi data pengujian. Selanjutnya pada iterasi kedua S 1,S 3,...,S k menjadi data pelatihan dan S 2 menjadi data pengujian, dan seterusnya. Algoritme Voting Feature Interval 5 Voting Feature Intervals 5 (VFI 5) merupakan algoritme klasifikasi yang dikembangkan oleh Demiröz dan Güvenir (Demiröz, 1997). Semua instance pelatihan diproses bersamaan. Algoritme VFI 5 terdiri atas dua tahap, yaitu tahap pelatihan dan klasifikasi. Pelatihan Pada tahap pelatihan, awalnya dicari nilai end point suatu feature f pada kelas data c. End point adalah nilai minimum dan nilai maksimum setiap kelas c pada feature f. Nilai end points tersebut kemudian diurutkan menjadi interval untuk feature f. Terdapat dua jenis interval, yaitu point interval dan range interval. Point interval dibentuk dari setiap nilai yang berbeda dari end points. Range interval dibentuk dari dua nilai end points yang berdekatan tetapi tidak termasuk end points tersebut (Güvenir 1997). Tahap selanjutnya ialah menghitung jumlah instance pelatihan setiap kelas c dengan feature f yang nilainya jatuh pada interval i, direpresentasikan sebagai interval_class_count [f,i,c]. Untuk setiap instance pelatihan, dicari interval i di mana nilai feature f dari instance pelatihan e (e f ) tersebut jatuh. Jika interval i merupakan point interval dan nilai e f sama dengan nilai pada batas bawah atau batas atas maka jumlah kelas instance tersebut (e f ) pada interval i ditambah 1. Jika interval i merupakan range interval dan nilai e f jatuh pada interval tersebut, maka jumlah kelas instance e f pada interval i ditambah 1. Hasil dari proses tersebut merupakan jumlah vote kelas c pada interval i. Jumlah vote kelas c untuk feature f pada interval i dibagi dengan jumlah instance pada kelas c (class_count[c]) untuk menghilangkan perbedaan distribusi setiap kelas. Hasil normalisasi direpresentasikan dalam interval_class_vote [f,i,c]. Nilai-nilai pada interval_class_vote [f,i,c] dinormalisasi sehingga jumlah vote dari beberapa kelas pada setiap feature sama dengan 1. Berikut ini adalah pseudocode oleh Güvenir (1997) tahap pelatihan dari algoritme VFI 5. train (TrainingSet); begin for each feature f if f is linear for each class c 2
12 EndPoints[f] = EndPoints[f]U find_end_points(trainingset,f, c); sort (EndPoints[f]); for each end point p in EndPoints[f] form a point interval from end point p form a range interval between p and the next endpoint p else /*if f is nominal*/ form a point interval for each value of f for each interval i on feature f for each class c interval_class_count[f,i,c]=0; count_instances(f,trainingset); for each interval i on feature f for each class c normalize interval_class_vote[f,i,c]; /* such that interval_class_vote[f,i,c] = 1 c */ End Klasifikasi Klasifikasi merupakan proses menemukan sekumpulan model (atau fungsi) yang menggambarkan dan membedakan konsep-konsep kelas data. Tujuannya adalah agar model tersebut dapat digunakan untuk memprediksi kelas dari suatu objek atau data yang lebel kelasnya tidak diketahui (Han & Kamber 2001). Pada tahap awal klasifikasi, dilakukan proses inisialisasi awal nilai vote masingmasing kelas dengan nilai 0. Untuk setiap feature f dicari nilai interval i di mana e f jatuh, e f adalah nilai feature f dari instance tes e. Jika e f tidak diketahui, maka feature tersebut tidak disertakan dalam voting (memberi nilai vote 0 untuk masing-masing kelas). Feature yang nilainya tidak diketahui diabaikan. Jika e f diketahui maka interval tersebut ditemukan. Interval tersebut dapat menyimpan instances pelatihan dari beberapa kelas. Kelaskelas dalam sebuah interval direpresentasikan oleh vote kelas-kelas tersebut pada interval itu. Untuk setiap kelas c, feature f memberikan vote yang sama dengan interval_class_vote[f,i,c]. Notasi tersebut merepresentasikan vote feature f yang diberikan untuk kelas c. Setiap feature f mengumpulkan nilai vote kemudian dijumlahkan untuk memeroleh total vote. Kelas c yang memiliki nilai vote tertinggi diprediksi sebagai kelas dari instance tes e. Pseudocode oleh Güvenir (1997) untuk tahap klasifikasi dapat dilihat di bawah ini. classify (e) begin for each class c vote[c] = 0 for each feature f for each class c feature_vote[f,c] = 0; /*vote of feature f for class c*/ if e f value is known i = find_interval(f,e f) feature_vote[f,c] = interval_class_vote [f,i,c] end for each class c vote[c] = vote[c] + feature_vote[f,c]*weight[f]; return class c with highes vote[c]; METODE PENELITIAN Metode penelitian diawali dengan pengumpulan bahan-bahan penunjang penelitian, pengumpulan data, dan pengolahan data. Metode penelitian yang digunakan disajikan dalam diagram metode penelitian pada Gambar 1. Gambar 1 Diagram Metode Penelitian. 3
13 Studi Pustaka Melakukan studi pustaka yang berhubungan dengan penelitian yang akan dilakukan. Dalam hal ini, studi pustaka mengenai penerapan algoritme VFI 5. Data Penelitian ini menggunakan minimal tiga buah data. Data yang digunakan harus memiliki atribut yang memiliki nilai kontinyu agar dapat dibuat range interval. Data yang digunakan pada penelitian ini adalah data iris, data wine, dan data jenis kelamin ikan koi yang masing-masing data memiliki jumlah atribut yang berbeda dan atribut yang memiliki nilai kontinyu jumlahnya juga berbeda. Data bunga iris dan wine diambil dari UCI repository of machine learning database ( sedangkan data jenis kelamin ikan koi diambil dari penelitian sebelumnya. Data yang diambil dari sumber tersebut untuk penelitian ini, memiliki nilai kontinu dan digunakan untuk penggunaan klasifikasi. Contoh data dapat dilihat pada Lampiran 27, Lampiran 28, dan Lampiran 29. Adapun spesifikasi data, disajikan pada Tabel 1. Tabel 1 Spesifikasi Data yang Digunakan No Nama data Jumlah instance Jumlah fitur Jumlah kelas 1 Iris Wine Ikan Koi Klasifikasi Algoritme VFI 5 Tahapan klasifikasi Voting Feature Intervals 5 terdiri atas dua proses yaitu proses pelatihan dan proses klasifikasi (pengujian). Data yang digunakan pada tahapan ini juga dibagi menjadi dua bagian yaitu data pelatihan dan data pengujian. Proses pelatihan akan menghasilkan model klasifikasi yang diturunkan dari data pelatihan. Model ini akan digunakan dalam data pengujian dalam proses klasifikasi. Data Pelatihan dan Data Pengujian Pada pemilihan data pelatihan dengan metode non random sampling, teknik yang digunakan adalah purposive sampling. Teknik tersebut dilakukan melalui pemilihan data latih dengan hanya mengambil beberapa nilai yang terendah dan tertinggi (minimum dan maksimum fitur) dari setiap fitur data untuk dijadikan data latih dan menggunakan sisa data yang belum digunakan sebagai data uji. Perbandingan yang digunakan adalah 2:1, yaitu dua untuk data latih dan satu untuk data uji. Pelatihan dan pengujian pada pemilihan data pelatihan secara acak menggunakan metode k-fold cross validation. Pada metode ini digunakan 3-fold cross validation. Oleh karena itu, data yang digunakan dibagi menjadi tiga subset secara acak yang masingmasing subset memiliki jumlah instance dan perbandingan jumlah kelas yang hampir sama. Pembagian data ini digunakan pada proses iterasi klasifikasi. Iterasi dilakukan sebanyak tiga kali. Setiap iterasi, satu subset digunakan untuk pengujian sedangkan subset-subset lainnya digunakan untuk pelatihan. Data pelatihan dibagi menjadi lima macam pemilihan yaitu : 1. Pemilihan data pelatihan menggunakan nilai fitur terendah dan tertinggi. 2. Pemilihan data pelatihan dilakukan secara acak. 3. Pemilihan data pelatihan hanya menggunakan nilai fitur terendah. 4. Pemilihan data pelatihan hanya menggunakan fitur tertinggi. 5. Pemilihan data pelatihan tanpa menggunakan nilai fitur terendah dan tertinggi. Pelatihan Subset data pelatihan digunakan sebagai input bagi algoritme Voting Feature Intervals 5 pada tahapan pelatihan. Langkah pertama yang dilakukan pada tahapan pelatihan yaitu membuat interval dari masing-masing fitur berdasarkan nilai end point masing-masing fitur untuk setiap kelasnya. Setelah end point masing-masing fitur terbentuk maka dimulailah proses voting pada algoritme. Voting yang dilakukan yaitu menghitung jumlah data untuk setiap kelas pada interval tertentu. Masing-masing kelas pada rentang interval tertentu memiliki nilai vote yang berbeda-beda. Nilai vote tersebut akan dinormalisasi untuk mendapatkan nilai vote akhir pada masing-masing fitur. Contoh pelatihan dapat dilihat pada Lmpiran1 Klasifikasi (Pengujian) Pada tahapan pengujian atau klasifikasi, setiap nilai fitur dari data pengujian akan 4
14 diperiksa letaknya pada interval. Nilai Vote setiap kelas untuk setiap fitur pada interval yang bersesuaian diambil nilainya dan kemudian dijumlahkan. Kelas dengan nilai vote tertinggi menjadi kelas prediksi dari data pengujian tersebut. Tahapan pengujian menggunakan data uji yang telah ditentukan sebelumnya dalam proses iterasi. Data uji yang digunakan disesuaikan dengan subset data pelatihan yang digunakan. Contoh pengujian dapat dilihat pada Lampiran2. Akurasi Akurasi adalah adalah derajat kedekatan pengukuran terhadap nilai sebenarnya. Pada penelitian ini akan diketahui akurasi yang dicapai algoritme VFI5. Tingkat akurasi dihitung dengan cara : Data uji benar diklasifikasi Tingkat akurasi = X100% Total data uji Tingkat akurasi menunjukkan tingkat kebenaran penglasifikasian data terhadap kelas sebenarnya. Semakin rendah nilai akurasi maka semakin tinggi kesalahan klasifikasi. Tingkat akurasi yang baik adalah tingkat akurasi yang mendekati nilai 100%. Lingkungan Pengembangan Aplikasi yang digunakan pada penelitian ini dibangun dengan menggunakan perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut: Perangkat keras berupa computer mobile: 1. Processor AMD Sempron M 1,86 GHz 2. RAM kapasitas 512 MB 3. Harddisk kapasitas 40 GB 4. Monitor pada resolusi pixels 5. Keyboard dan Mouse Perangkat lunak: 1. Sistem Operasi : Microsoft Windows XP Proffesional Edition 2. Visual Basic 6.0 HASIL DAN PEMBAHASAN Pada bab ini akan dipaparkan proses peningkatan kinerja algoritme VFI5 untuk mendapatkan nilai akurasi yang lebih baik dengan menggunakan nilai fitur terendah dan tertinggi, serta menggunakan bobot yang sama pada algoritme VFI 5. Pemilihan Data Latih dan Data Uji Penelitian ini bertujuan untuk melakukan pemilihan data latih guna meningkatkan kinerja dari algoritme VFI 5. Pemilihan data dalam penelitian ini dibagi ke dalam 5 kategori seperti yang sudah dipaparkan pada bagian metode penelitian. Hasil dari kelima kategori akan dbandingkan satu sama lainnya untuk menunjukkan tingkat akurasi masing-masing. Kategori utama adalah pemilihan data pelatihan menggunakan nilai fitur terendah dan tertinggi. Kategori pemilihan data pelatihan secara acak merupakan pembanding, sedangkan sisanya digunakan sebagai pembanding tambahan. Pemilihan data secara acak dilakukan dengan mengacak suatu kelompok data kemudian diambil proporsi data latih dan data uji sebesar 2:1 pada tiaptiap kelas. Pemilihan data dengan menggunakan nilai fitur terendah dan tertinggi dilakukan dengan membagi data latih dan data uji dengan proporsi 2:1. Misal data ikan koi yang memiliki 119 data jika dibagi dengan proporsi 2:1 akan menghasilkan 80 data latih dan 39 data uji serta nilai terendah dan tetinggi setiap fitur terdapat di dalam data latih pada masingmasing fitur pada tiap kelas. Tiap fitur diurutkan berdasarkan nilai fitur terendah dan tertingginya kemudian data tersebut dijadikan data latih. Pemilihan data dengan tanpa nilai fitur terendah dan tertinggi, data latihnya adalah data yang bukan merupakan nilai fitur terndah dan tertinggi. Dalam hal ini data ujinya menggunakan data yang telah dikelompokkan berdasarkan nilai terendah dan tertinggi pada tiap fitur. Pemilihan data dengan nilai fitur terendah, data latihnya menggunakan nilai terendah pada masing-masing fitur, sedangkan data ujinya memakai nilai tertinggi pada fitur. Pada pemilihan data dengan nilai fitur tertinggi, digunakan nilai tertinggi pada masing-masing fitur sebagai data latih dan nilai terendah pada fitur digunakan sebagai data uji. Pengolahan dan Tingkat Akurasi VFI 5 dengan Data Iris Kelompok data iris ini terdiri atas 150 kasus dengan 4 fitur dan mempunyai 3 kelas data. 5
15 1. Pengolahan Data Pelatihan Menggunakan Nilai Fitur Terendah dan Tertinggi Proses ini dilakukan dengan menggunakan metode non random sampling dengan teknik purposive sampling. Teknik ini berupa pemilihan data latih dengan hanya mengambil beberapa nilai yang terendah dan tertinggi (minimum dan maksimum fitur) dari setiap fitur data untuk dijadikan data latih dan menggunakan sisa data yang belum digunakan sebagai data uji. Perbandingan yang digunakan adalah mendekati 2:1, yaitu dua untuk data latih dan satu untuk data uji. Data iris dibagi menjadi tiga kelas yang tiap kelasnya terdiri atas 50 kasus dengan 4 fitur. Tiap-tiap kelas masing-masing fiturnya diambil 2 nilai terndah dan 2 nilai tertinggi sehingga diperoleh 8 nilai terendah dan 8 nilai tertinggi pada tiap kelasnya. Pembagian tersebut menghasilkan 24 nilai terendah dan 24 nilai tertinggi atau total 48 data yang memiliki nilai nilai fitur terendah dan tertinggi pada keseluruhan data iris. Data tersebut digunakan untuk proses pelatihan pada iterasi pertama. Sisanya adalah 102 data yang sebagian diikutkan sebagai data pelatihan dengan jumlah 51 data dan sebagian lagi sebagai data uji dengan jumlah 51 data. Secara keseluruhan data iris pada iterasi pertama terdiri atas 99 data pelatihan dan 51 data uji. Iterasi kedua dilakukan dengan menukar data pelatihan pada iterasi pertama yang tidak mengandung nilai fitur terendah dan tertinggi dengan data uji pada iterasi pertama. Pembagian data dapat dilihat pada Tabel 2. Tabel 2 Pembagian Data Iris dengan Nilai Fitur Terendah dan Tertinggi Keterangan Data Data Latih Uji Kelas Iterasi 1 Kelas Kelas Total Kelas Iterasi 2 Kelas Kelas Total Hasil pelatihan menggunakan nilai fitur terendah dan tertinggi menghasilkan normalisasi akhir yang dapat dilihat pada Lampiran 3 dan Lampiran 4. Proses pengujian menghasilkan akurasi pada iterasi pertama sebesar 96,08% dan pada iterasi kedua sebesar 100%. Rata-rata tingkat akurasi adalah sebesar 98,04%. Hasil akurasi ditunjukkan dalam Tabel 3. Tabel 3 Hasil Akurasi dengan Nilai Fitur Terendah dan Tertinggi Data Iris Keterangan Nilai Akurasi Iterasi 1 96,08% Iterasi 2 100% Rata-rata 98,04% 2. Pengolahan Data Pelatihan Secara Acak Proses ini dilakukan dengan menggunakan metode 3-fold cross validation dengan jumlah data keseluruhan 150 kasus. Terlebih dahulu data dibagi menjadi tiga himpunan. Jumlah masing-masing bagiannya hampir sama satu dengan lainnya. Pembagian tersebut menghasilkan bagian S 1, S 2, dan S 3. Hasil pembagian data himpunan secara keseluruhan disajikan dalam Tabel 4. Tabel 4 Hasil Pembagian Acak Data Iris Himpunan Bagian S 1 S 2 S 3 Kelas Kelas Kelas Total Penelitian ini dilakukan dengan pelatihan dan pengujian data sebanyak tiga kali. Susunan data pelatihan dan data pengujian disajikan dalam Tabel 5. Tabel 5 Susunan Data Pelatihan dan Data Pengujian Data Iris Iterasi Pelatihan Pengujian 1 S 2 dan S 3 S 1 2 S 1 dan S 3 S 2 3 S 1 dan S 2 S 3 Hasil pelatihan secara acak menghasilkan normalisasi akhir yang dapat dilihat pada Lampiran 5, Lampiran 6, dan Lampiran 7. Proses pengujian menghasilkan akurasi pada iterasi pertama sebesar 86,28%, pada iterasi kedua sebesar 96,08%, dan pada iterasi ketiga sebesar 97,92%. Rata-rata tingkat akurasi 6
16 adalah sebesar 93,43%. Hasil akurasi ditunjukkan dalam Tabel 6. Tabel 6 Hasil Akurasi dengan Nilai Acak Data Iris Keterangan Nilai Akurasi Iterasi 1 86,28% Iterasi 2 96,08% Iterasi 3 97,92% Rata-rata 93,43% 3. Pengolahan Data Pelatihan Menggunakan Nilai Fitur Terendah. Data yang hanya memiliki nilai fitur terendah ditambah dengan data yang tidak memiliki nilai fitur terendah dan tertinggi dijadikan data latih, sedangkan data ujinya adalah data yang memiliki nilai fitur tertinggi ditambah sisa data yang tidak memiliki nilai fitur nilai fitur terendah dan tertinggi. Data yang dijadikan data latih dan data uji memiliki rasio 2:1, sehingga diperoleh 99 data latih dan 51 data uji. Hasil pembagian data dapat dilihat pada Tabel 7. Tabel 7 Pembagian Data Iris dengan Nilai Fitur Terendah Kelas Data Latih Data Uji Kelas Kelas Kelas Total Hasil pelatihan menggunakan nilai fitur terendah menghasilkan normalisasi akhir yang dapat dilihat pada Lampiran 8. Proses pengujian menghasilkan akurasi sebesar 72,55%. 4. Pemilihan Data Pelatihan Menggunakan Nilai Fitur Tertinggi. Data yang hanya memiliki nilai fitur tertinggi ditambah dengan data yang tidak memiliki nilai fitur terendah dan tertinggi dijadikan data latih, sedangkan data ujinya adalah data yang memiliki fitur terndah ditambah sisa data yang tidak memiliki nilai fitur terendah dan tertinggi. Data yang dijadikan data latih dan data uji memiliki rasio 2:1, sehingga diperoleh 99 data latih dan 51 data uji. Hasil pembagian data dapat dilihat pada Tabel 8. Tabel 8 Pembagian Iris dengan Nilai Fitur Tertinggi Kelas Data Latih Data Uji Kelas Kelas Kelas Total Hasil pelatihan menggunakan nilai fitur tertinggi menghasilkan normalisasi akhir yang dapat dilihat pada Lampiran 9. Proses pengujian menghasilkan akurasi sebesar 70,59%. 5. Pemilihan Data Pelatihan Tanpa Menggunakan Nilai Fitur Terendah dan Tertinggi. Data yang tidak memiliki nilai fitur terendah dan tertinggi sejumlah 102 kasus digunakan sebagai data latih sedangan data uji adalah data yang memiliki nilai terendah dan tertinggi sebanyak 48. Pembagian data ini dapat dilihat pada Tabel 9. Tabel 9 Pembagian Data Iris Tanpa Nilai Fitur Terendah dan Tertinggi Kelas Data Latih Data Uji Kelas Kelas Kelas Total Hasil pelatihan tanpa menggunakan nilai fitur terendah dan tertinggi menghasilkan normalisasi akhir yang dapat dilihat pada Lampiran 10. Proses pengujian menghasilkan akurasi sebesar 72,92%. 6. Analisis dan Perbandingan Akurasi pada Data Iris Pelatihan dan Pengujian data iris menunjukkan tingkat akurasi yang bervariasi. Hal ini disebabkan karena cara pemilihan data latih dan data uji yang berbeda-beda. Perbedaan tingkat akurasi masing-masing ditunjukkan pada Tabel 10. 7
17 Tabel 10 Perbandingan Akurasi pada Data Iris Percobaan Kelompok Data Latih Akurasi 1 dengan nilai fitur terendah dan 98,04% tertinggi 2 secara acak 93,43% 3 dengan nilai fitur terendah 72,55% 4 dengan nilai fitur tertinggi 70,59% 5 tanpa nilai fitur terendah dan tertinggi 72,92% Tabel 10 menunjukkan rata-rata akurasi menggunakan nilai fitur terendah dan tertinggi adalah yang tertinggi di antara lainnya yaitu sebesar 98,04%. Hal ini disebabkan oleh data uji tidak berada ujung selang yang bernilai nol (vote tidak sama dengan nol) sehingga didapatkan tingkat akurasi yang tinggi. Hasil ini berbeda jauh dengan pelatihan data iris secara acak yaitu sebesar 93,43%. Sebagai pembanding tambahan yaitu pelatihan dengan nilai fitur terendah, dengan nilai fitur tertinggi fitur, dan tanpa nilai fitur terendah dan tertinggi menunjukkan tingkat akurasi yang berbeda jauh yaitu masing-masing sebesar 72,55%, 70,59%, dan 72,92%. Hal ini disebabkan oleh adanya kasus-kasus yang berada pada ujung selang yang bernilai nol pada ketiga percobaan tersebut. Pada penelitian data iris ini, perbandingan tingkat akurasi rata-rata dari hasil kelima percobaan digambarkan dalam Gambar 2. Gambar 2 Perbandingan Akurasi pada Data Iris. Pengolahan dan Tingkat Akurasi VFI5 dengan Data Wine Kelompok data wine ini terdiri atas 178 kasus dengan 13 fitur dan mempunyai 3 kelas data. 1. Pengolahan Data Pelatihan Menggunakan Minimum dan Maksimum Fitur Proses ini dilakukan dengan metode yang sama seperti pada data iris yaitu menggunakan metode non random sampling dengan teknik purposive sampling. Perbandingan yang digunakan adalah 2:1 yaitu dua untuk data latih dan satu untuk data uji. Data wine dibagi menjadi tiga kelas dengan kelas 1 berjumlah 59, kelas 2 berjumlah 71, dan kelas 3 berjumlah 48. Tiap kelas memiliki 13 fitur. Tiap-tiap kelas masing-masing fiturnya diambil 1 nilai terendah dan 1 nilai tertinggi sehingga diperoleh 13 nilai terendah dan 13 nilai tertinggi pada tiap kelasnya. Pembagian tersebut menghasilkan 39 nilai terendah dan 39 nilai tertinggi atau total 78 data yang memiliki nilai terendah dan tertinggi pada keseluruhan data wine. Data tersebut digunakan untuk proses pelatihan pada iterasi pertama. Sisanya adalah 100 data yang sebagian diikutkan sebagai data pelatihan dengan jumlah 42 data dan sebagian lagi sebagai data uji dengan jumlah 58 data. Secara keseluruhan data wine pada iterasi pertama terdiri dari 120 data pelatihan dan 58 data uji. Iterasi kedua dilakukan dengan menukar data pelatihan pada iterasi pertama yang tidak mengandung nilai fitur terendah dan tertinggi dengan data uji pada iterasi pertama. Pembagian data dapat dilihat pada Tabel 11. Tabel 11 Pembagian Data Wine dengan Nilai Fitur Terendah dan Tertinggi Keterangan Data Data Latih Uji Kelas Iterasi 1 Kelas Kelas Total Kelas Iterasi 2 Kelas Kelas Total
18 Hasil pelatihan menggunakan nilai fitur terendah dan tertinggi menghasilkan normalisasi akhir yang dapat dilihat pada Lampiran 11 dan Lampiran 12. Proses pengujian menghasilkan akurasi pada iterasi pertama sebesar 94,83% dan pada iterasi kedua sebesar 98,28%. Rata-rata tingkat akurasi adalah sebesar 96,56%. Hasil akurasi ditunjukkan dalam Tabel 12. Tabel 12 Hasil Akurasi dengan Nilai Fitur Minimum dan Maksimum Data Wine Keterangan Nilai Akurasi Iterasi 1 94,83% Iterasi 2 98,28% Rata-rata 96,56% 2. Pengolahan Data Pelatihan Secara Acak Proses ini dilakukan dengan menggunakan metode 3-fold cross validation dengan jumlah data keseluruhan 178 kasus. Terlebih dahulu data dibagi menjadi tiga himpunan. Jumlah masing-masing bagiannya hampir sama satu dengan lainnya. Pembagian tersebut menghasilkan bagian S 1, S 2, dan S 3. Hasil pembagian data himpunan secara keseluruhan disajikan dalam Tabel 13. Tabel 13 Hasil Pembagian Acak Data Wine Himpunan Bagian S 1 S 2 S 3 Kelas Kelas Kelas Total Penelitian ini dilakukan dengan pelatihan dan pengujian data sebanyak tiga kali. Susunan data pelatihan dan data pengujian disajikan dalam Tabel 14. Tabel 14 Susunan Data Pelatihan dan Data Pengujian Data Wine Iterasi Pelatihan Pengujian 1 S 2 dan S 3 S 1 2 S 1 dan S 3 S 2 3 S 1 dan S 2 S 3 Hasil pelatihan secara acak menghasilkan normalisasi akhir yang dapat dilihat pada Lampiran 13, Lampiran 14, dan Lampiran 15. Proses pengujian menghasilkan akurasi pada iterasi pertama sebesar 94.83%, pada iterasi kedua sebesar 93.33%, dan pada iterasi ketiga sebesar 95%. Rata-rata tingkat akurasi adalah sebesar 94,39%. Hasil akurasi ditunjukkan dalam Tabel 15. Tabel 15 Hasil Akurasi dengan Nilai Acak Data Wine Keterangan Nilai Akurasi Iterasi % Iterasi % Iterasi 3 95% Rata-rata 94,39% 3. Pengolahan Data Pelatihan Menggunakan Nilai Fitur Terendah. Data yang hanya memiliki nilai fitur terendah ditambah dengan data yang tidak memiliki nilai fitur terendah dan tertinggi dijadikan data latih, sedangkan data ujinya adalah data yang memiliki nilai fitur tertinggi ditambah sisa data yang tidak memiliki nilai fitur terendah dan tertinggi. Data yang dijadikan data latih dan data uji memiliki rasio 2:1, sehingga diperoleh 119 data latih dan 59 data uji. Hasil pembagian data dapat dilihat pada Tabel 16. Tabel 16 Pembagian Data Wine dengan Nilai Fitur Terendah Kelas Data Latih Data Uji Kelas Kelas Kelas Total Hasil pelatihan menggunakan nilai fitur terendah menghasilkan normalisasi akhir yang dapat dilihat pada Lampiran 16. Proses pengujian menghasilkan akurasi sebesar 89,83%. 4. Pemilihan Data Pelatihan Menggunakan Nilai Fitur Tertinggi Data yang hanya memiliki nilai fitur tertinggi ditambah dengan data yang tidak memiliki nilai fitur terendah dan maksimum dijadikan data latih, sedangkan data ujinya adalah data yang memiliki nilai fitur terendah dan tertinggi ditambah sisa data yang tidak memiliki nilai fitur terendah dan tertinggi. 9
19 Data yang dijadikan data latih dan data uji memiliki rasio 2:1, sehingga diperoleh 119 data latih dan 59 data uji. Hasil pembagian data dapat dilihat pada Tabel 17. Tabel 17 Pembagian Data Wine dengan Nilai Fitur Tertinggi Kelas Data Latih Data Uji Kelas Kelas Kelas Total Hasil pelatihan menggunakan nilai fitur tertinggi menghasilkan normalisasi akhir yang dapat dilihat pada Lampiran 17. Proses pengujian menghasilkan akurasi sebesar 88,14%. 5. Pemilihan Data Pelatihan Tanpa Menggunakan Nilai Fitur Terendah dan Tertinggi Data yang tidak memiliki nilai fitur terendah dan tertinggi sejumlah 100 kasus digunakan sebagai data latih sedangan data uji adalah data yang memiliki nilai fitur terendah dan tertinggi sebanyak 78. Pembagian data ini dapat dilihat pada Tabel 18. Tabel 18 Pembagian Data Wine dengan Tanpa Menggunakan Nilai Fitur Terendah dan Tertinggi Kelas Data Latih Data Uji Kelas Kelas Kelas Total Hasil pelatihan tanpa menggunakan nilai fitur terendah dan tertinggi menghasilkan normalisasi akhir yang dapat dilihat pada Lampiran 18. Proses pengujian menghasilkan akurasi sebesar 89,74%. 6. Analisis dan Perbandingan Akurasi pada Data Wine Pelatihan dan pengujian data wine menunjukkan tingkat akurasi yang bervariasi. Hal ini disebabkan oleh cara pemilihan data latih dan data uji yang berbeda-beda. Perbedaan tingkat akurasi masing-masing ditunjukkan pada Tabel 19. Tabel 19 Perbandingan Akurasi pada Data Wine Percobaan Kelompok Data Latih Akurasi 1 dengan nilai fitur terendah dan 96,56% tertinggi 2 secara acak 94,39% 3 dengan nilai fitur terendah 89,83% 4 dengan nilai fitur tertinggi 88,14% 5 tanpa nilai fitur terendah dan tertinggi 89,74% Tabel 19 menunjukkan rata-rata akurasi menggunakan nilai fitur terendah dan tertinggi adalah yang tertinggi di antara lainnya yaitu sebesar 96,56%. Hal ini disebabkan oleh data uji yang tidak berada di ujung selang yang bernilai nol (vote tidak sama dengan nol). Hasil ini tidak berbeda jauh dengan tingkat akurasi pada pelatihan data wine secara acak yaitu sebesar 94,39%. Walaupun tidak berbeda jauh, pelatihan menggunakan nilai fitur terendah dan tertinggi menunjukkan angka yang lebih tinggi dibandingkan pada pelatihan data wine secara acak. Sebagai pembanding tambahan yaitu pelatihan dengan nilai fitur terendah, dengan nilai fitur tertinggi, dan tanpa nilai fitur terendah dan tertinggi menunjukkan tingkat akurasi yang lebih rendah yaitu masing-masing sebesar 89,83%, 88,14%, dan 89,74%. Tingkat akurasi tersebut masih dibilang tinggi karena hampir mendekati 90%. Hal ini disebabkan oleh sedikitnya pengaruh nilai nol di ujung selang pada ketiga percobaan tersebut terhadap tingkat akurasi data wine. Sedikitnya pengaruh tersebut dimungkinkan karena nilai fitur tiap kelas berbeda-beda di mana terdapat range nilai yang jauh antar kelas sehingga memengaruhi rataan nilai dari ketiga kelas. Pada penelitian data wine ini, perbandingan tingkat akurasi rata-rata dari hasil kelima percobaan digambarkan dalam Gambar 3. 10
20 Tabel 20 Pembagian Data Ikan Koi dengan Nilai Fitur Terendah dan Tertinggi Keterangan Data Latih Data Uji Kelas Iterasi 1 Kelas Total Kelas Iterasi 2 Kelas Total Gambar 3 Perbandingan Akurasi pada Data Wine. Pengolahan dan Tingkat Akurasi VFI5 dengan Data Ikan Koi Kelompok data ikan koi ini terdiri atas 119 kasus dengan 13 fitur dan mempunyai 2 kelas data. 1. Pengolahan Data Pelatihan Menggunakan Nilai Fitur Terendah dan Tertinggi Proses ini dilakukan dengan menggunakan metode seperti pada iris dan wine. Data ikan koi dibagi menjadi 2 kelas yang tiap kelasnya terdiri atas 60 kasus dan 59 kasus dengan 13 fitur. Tiap-tiap kelas masingmasing fiturnya diambil 1 nilai terendah dan 1 nilai tertinggi sehingga diperoleh 13 nilai terendah dan 13 nilai tertinggi pada tiap kelasnya. Pembagian tersebut menghasilkan 26 nilai terendah dan 26 nilai maksimum atau total 52 data yang memiliki nilai terendah nilai dan tertinggi pada keseluruhan data ikan koi. Data tersebut digunakan untuk proses pelatihan pada iterasi pertama. Sisanya adalah 67 data yang sebagian diikutkan sebagai data pelatihan dengan jumlah 28 data dan sebagian lagi sebagai data uji dengan jumlah 39 data. Secara keseluruhan data ikan koi pada iterasi pertama terdiri dari 80 data pelatihan dan 39 data uji. Iterasi kedua dilakukan dengan menukar data pelatihan pada iterasi pertama yang tidak mengandung nilai fitur terendah dan tertinggi dengan data uji pada iterasi pertama. Pembagian data dapat dilihat pada Tabel 20. Hasil pelatihan menggunakan nilai fitur terendah dan tertinggi menghasilkan normalisasi akhir yang dapat dilihat pada Lampiran 19 dan Lampiran 20. Proses pengujian menghasilkan akurasi pada iterasi pertama sebesar 100% dan pada iterasi kedua sebesar 100%. Rata-rata tingkat akurasi adalah sebesar 100%. Hasil akurasi ditunjukkan dalam Tabel 21. Tabel 21 Hasil Akurasi dengan Nilai Fitur Terendah dan Tertinggi Data Ikan Koi Keterangan Nilai Akurasi Iterasi 1 100% Iterasi 2 100% Rata-rata 100% 2. Pengolahan Data Pelatihan Secara Acak Proses ini dilakukan dengan menggunakan metode 3-fold cross validation dengan jumlah data keseluruhan 119 kasus. Terlebih dahulu data dibagi menjadi tiga himpunan. Jumlah masing-masing bagiannya hampir sama satu dengan lainnya. Pembagian tersebut menghasilkan bagian S 1, S 2, dan S 3. Hasil pembagian data himpunan secara keseluruhan disajikan dalam Tabel 22. Tabel 22 Hasil Pembagian Acak Data Ikan Koi Himpunan Bagian S 1 S 2 S 3 Kelas Kelas Total Penelitian ini dilakukan dengan pelatihan dan pengujian data sebanyak tiga kali. Susunan data pelatihan dan data pengujian disajikan dalam Tabel
21 Tabel 23 Susunan Data Pelatihan dan Data Pengujian Data Koi Iterasi Pelatihan Pengujian 1 S 2 dan S 3 S 1 2 S 1 dan S 3 S 2 3 S 1 dan S 2 S 3 Hasil pelatihan secara acak menghasilkan normalisasi akhir yang dapat dilihat pada Lampiran 21, Lampiran 22, dan Lampiran 23. Proses pengujian menghasilkan akurasi pada iterasi pertama sebesar 97,44%, pada iterasi kedua sebesar 95%, dan iterasi ketiga sebesar 95%. Rata-rata tingkat akurasi adalah sebesar 95,81%. Hasil akurasi ditunjukkan dalam Tabel 24. Tabel 24 Hasil Akurasi dengan Nilai Acak Data Ikan Koi Keterangan Nilai Akurasi Iterasi 1 97,44% Iterasi 2 95% Iterasi 3 95% Rata-rata 95,81% 3. Pengolahan Data Pelatihan Menggunakan Nilai Fitur Terendah. Data yang hanya memiliki nilai fitur terendah ditambah dengan data yang tidak memiliki nilai fitur terendah dan tertinggi dijadikan data latih, sedangkan data ujinya adalah data yang memiliki nilai fitur tertinggi ditambah sisa data yang tidak memiliki minimum dan maksimum fitur. Data yang dijadikan data latih dan data uji memiliki rasio 2:1, sehingga diperoleh 80 data latih dan 39 data uji. Hasil pembagian data dapat dilihat pada Tabel 25. Tabel 25 Pembagian Data Ikan Koi dengan Nilai Fitur Terendah Kelas Data Latih Data Uji Kelas Kelas Total Hasil Hasil pelatihan menggunakan nilai fitur terendah menghasilkan normalisasi akhir yang dapat dilihat pada Lampiran 24. Proses pengujian menghasilkan akurasi sebesar 92,31%. 4. Pemilihan Data Pelatihan Menggunakan Nilai Fitur Tertinggi Data yang hanya memiliki nilai fitur tertinggi ditambah dengan data yang tidak memiliki nilai fitur terendah dan tertinggi dijadikan data latih, sedangkan data ujinya adalah data yang memiliki nilai fitur terendah ditambah sisa data yang tidak memiliki nilai fitur terendah dan tertinggi. Data yang dijadikan data latih dan data uji memiliki rasio 2:1, sehingga diperoleh 80 data latih dan 39 data uji. Hasil pembagian data dapat dilihat pada Tabel 26. Tabel 26 Pembagian Data Ikan Koi dengan Nilai Fitur Tertinggi Kelas Data Latih Data Uji Kelas Kelas Total Hasil pelatihan menggunakan nilai fitur tertinggi menghasilkan normalisasi akhir yang dapat dilihat pada Lampiran 25. Proses pengujian menghasilkan akurasi sebesar 74,36%. 5. Pemilihan Data Pelatihan Tanpa Menggunakan Nilai Fitur Terendah dan Tertinggi Data yang tidak memiliki nilai fitur terendah dan tertinggi sejumlah 67 kasus digunakan sebagai data latih sedangkan data uji adalah data yang memiliki nilai fitur terendah dan tertinggi sebanyak 52. Pembagian data ini dapat dilihat pada Tabel 27. Tabel 27 Pembagian Data Ikan Koi Tanpa Menggunakan Nilai Fitur Terendah dan Tertinggi Kelas Data Latih Data Uji Kelas Kelas Total
22 Hasil pelatihan tanpa menggunakan nilai fitur terendah dan tertinggi menghasilkan normalisasi akhir yang dapat dilihat pada Lampiran 26. Proses pengujian menghasilkan akurasi sebesar 61,54%. 6. Analisis dan Perbandingan Akurasi pada Data Ikan Koi Pelatihan dan Pengujian data ikan koi menunjukkan tingkat akurasi yang bervariasi. Hal ini disebabkan karena cara pemilihan data latih dan data uji yang berbeda-beda. Perbedaan tingkat akurasi masing-masing ditunjukkan pada Tabel 28. Tabel 28 Perbandingan Akurasi pada Data Ikan Koi Percobaan Kelompok Data Latih Akurasi 1 dengan nilai fitur terendah dan 100% tertinggi 2 secara acak 95,81% 3 dengan nilai fitur terendah 92,31% 4 dengan nilai fitur tertinggi 74,36 % 5 tanpa nilai fitur terendah dan tertinggi 61,54 % Tabel 27 menunjukkan rata-rata akurasi menggunakan nilai nilai fitur terendah dan tertinggi adalah yang tertinggi diantara lainnya yaitu sebesar 100%. Hal ini disebabkan oleh data uji tidak berada di ujung selang yang bernilai nol (vote tidak sama dengan nol) sehingga didapatkan tingkat akurasi yang tinggi. Hasil ini jauh lebih tinggi dibandingkan tingkat akurasi pada pelatihan data iris secara acak yaitu sebesar 95,81%. Sebagai pembanding tambahan yaitu pelatihan dengan nilai fitur terendah, dengan nilai fitur tertinggi, dan tanpa nilai fitur terendah dan tertinggi menunjukkan tingkat akurasi yang berbeda jauh yaitu masing-masing sebesar 92,31%, 74,36%, dan 61,54%. Saat pelatihan dengan menggunakan nilai fitur terendah, tingkat akurasi terbilang tinggi. Hal ini dilihat pada tingkat akurasi di atas 90% yang disebabkan oleh sedikitnya pengaruh nilai nol pada ujung selang sterhadap tingkat akurasi dari data ikan koi. Berbeda dengan kedua percobaan terakhir, nilai nol pada ujung selang sangat berpengaruh sehingga mengakibatkan tingkat akurasi yang rendah. Pada penelitian data ikan koi ini, perbandingan tingkat akurasi rata-rata dari hasil kelima percobaan digambarkan dalam Gambar 4. Gambar 4 Perbandingan Akurasi pada Data Ikan Koi. KESIMPULAN DAN SARAN Kesimpulan Dari ketiga data yang digunakan pada kinerja algoritme VFI 5 dengan pemilihan data latih menggunakan nilai fitur terendah dan tertinggi dengan data iris dihasilkan akurasi lebih tinggi dari metode yang lain yaitu 98,04%, sedangkan pada data wine dihasilkan akurasi sebesar 96,56%. Pada data jenis kelamin ikan koi akurasi yang diperoleh sangat tinggi yaitu mencapai 100%. Jika dilihat dari hasil ketiga pengujian tersebut, penelitian ini memerlihatkan bahwa algoritme VFI 5 dengan metode pemilihan data menggunakan nilai fitur terendah dan tertinggi mampu meningkatkan kinerja dari algoritme VFI 5. Saran Penelitian lanjutan yang terkait dengan topik penelitian ini masih dapat dilakukan dengan menggunakan data yang memiliki dimensi atau fitur yang lebih besar. Selanjutnya peningkatan kinerja metode pemilihan data ini dapat juga dilakukan dengan menghilangkan nilai voting nol pada ujung selang kanan dan kiri. Karena nilai nol tersebut dimungkinkan mengurangi akurasi. 13
PENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Klasifikasi merupakan salah satu bidang kajian pada machine learning. Klasifikasi adalah proses menemukan sekumpulan model atau fungsi yang menggambarkan dan membedakan konsep
Lebih terperinciPENGARUH INCOMPLETE DATA TERHADAP AKURASI VOTING FEATURE INTERVALS-5 (VFI5) ABSTRAK
PENGARUH INCOMPLETE DATA TERHADAP AKURASI VOTING FEATURE INTERVALS-5 (VFI5) Atik Pawestri Sulistyo 1, Aziz Kustiyo 1, Agus Buono 2 1 Departemen Ilmu Komputer, Fakultas Matematika dan IPA Institut Pertanian
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Jamur merupakan salah satu jenis tumbuhan yang banyak dijumpai di alam, sehingga sejak dahulu jamur dijadikan sebagai bahan konsumsi utama. Seiring dengan berkembangnya waktu,
Lebih terperinciEKSPLORASI METODE PENENTUAN NILAI END POINT PADA ALGORITMA VOTING FEATURE INTERVALS 5 SETA BAEHERA
EKSPLORASI METODE PENENTUAN NILAI END POINT PADA ALGORITMA VOTING FEATURE INTERVALS 5 SETA BAEHERA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2009 EKSPLORASI
Lebih terperinciPERNYATAAN DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI YANG BERJUDUL ANALISIS KEUNGGULAN KOMPARATIF DAN KOMPETITIF USAHA
PERNYATAAN DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI YANG BERJUDUL ANALISIS KEUNGGULAN KOMPARATIF DAN KOMPETITIF USAHA PEMBENIHAN IKAN PATIN SIAM ( Studi Kasus : Perusahaan Deddy Fish Farm) BELUM PERNAH
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 PENDAHULUAN Latar Belakang Pesatnya perkembangan teknologi informasi dan komunikasi menempatkan telepon selular menjadi bagian yang tidak terpisahkan dari masyarakat. Keberadaan telepon selular telah
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Penelitian mengenai pengenalan wajah termotivasi oleh banyaknya aplikasi praktis yang diperlukan dalam identifikasi wajah. Pengenalan wajah sebagai salah satu dari teknologi
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Biometrik adalah ilmu untuk menetapkan identitas seseorang berdasarkan ciri fisik, kimia, ataupun tingkah laku dari orang tersebut. Dewasa ini, biometrik telah menjadi suatu
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Biometrik merupakan ilmu pengetahuan yang membangun identitas seseorang berdasarkan sifat-sifat fisik, kimiawi, ataupun kebiasaan seseorang. Sistem biometrik dapat menggunakan
Lebih terperinciIDENTIFIKASI KELAYAKAN PESERTA TENDER PADA PETRONAS CARIGALI INDONESIA MENGGUNAKAN ALGORITMA VFI 5 (STUDI KASUS : TENDER PENGADAAN JARINGAN INTERNET)
IDENTIFIKASI KELAYAKAN PESERTA TENDER PADA PETRONAS CARIGALI INDONESIA MENGGUNAKAN ALGORITMA VFI 5 (STUDI KASUS : TENDER PENGADAAN JARINGAN INTERNET) YOGI PURNOYUDHO NUGROHO G64103073 DEPARTEMEN ILMU KOMPUTER
Lebih terperinciIDENTIFIKASI JENIS SHOREA (MERANTI) MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN EVI SUSANTI
IDENTIFIKASI JENIS SHOREA (MERANTI) MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN EVI SUSANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciKLASIFIKASI PASIEN SUSPECT PARVO DAN DISTEMPER PADA DATA REKAM MEDIK RUMAH SAKIT HEWAN IPB MENGGUNAKAN VOTING FEATURE INTERVALS ABSTRAK
1 KLASIFIKASI PASIEN SUSPECT PARVO DAN DISTEMPER PADA DATA REKAM MEDIK RUMAH SAKIT HEWAN IPB MENGGUNAKAN VOTING FEATURE INTERVALS Muhammad Iqbal 1, Aziz Kustiyo 1, Ekowati Handharyani 2 1 Departemen Ilmu
Lebih terperinciKLASIFIKASI DEBITUR KARTU KREDIT DENGAN PEMILIHAN FITUR MENGGUNAKAN VOTING FEATURE INTERVALS 5 SRI RAHAYU NATASIA
KLASIFIKASI DEBITUR KARTU KREDIT DENGAN PEMILIHAN FITUR MENGGUNAKAN VOTING FEATURE INTERVALS 5 SRI RAHAYU NATASIA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciKLASIFIKASI JAMUR KE DALAM KELAS DAPAT DIKONSUMSI ATAU BERACUN MENGGUNAKAN ALGORITMA VFI 5 (STUDI KASUS : FAMILI AGARICUS DAN LEPIOTA)
KLASIFIKASI JAMUR KE DALAM KELAS DAPAT DIKONSUMSI ATAU BERACUN MENGGUNAKAN ALGORITMA VFI 5 (STUDI KASUS : FAMILI AGARICUS DAN LEPIOTA) BAYU MAHARDHIKA PUTRA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA
Lebih terperinciPREDIKSI INDEKS PRESTASI KUMULATIF MAHASISWA ILMU KOMPUTER IPB MENGGUNAKAN ALGORITMA VFI5 ABDUL NASRAH G
PREDIKSI INDEKS PRESTASI KUMULATIF MAHASISWA ILMU KOMPUTER IPB MENGGUNAKAN ALGORITMA VFI5 ABDUL NASRAH G64103012 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciLingkungan Pengembangan Pelatihan HASIL DAN PEMBAHASAN Seleksi Fitur Pelatihan (deskripsi training Klasifikasi Akurasi
6 diberikan sesuai dengan beban SKS mata kuliah yang bersangkutan, sedangkan fitur IP TPB disesuaikan. Untuk fitur mata kuliah yang sudah terseleksi, bobot yang dipakai sesuai dengan beban SKS, sedangkan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Untuk bisa mendukung sistem secara utuh dibutuhkan teori-teori yang mendukung dalam pengembangan aplikasi ini. Teori-teori yang dibutuhkan meliputi pengenalan tanda tangan dan teknologi
Lebih terperinciDIAGNOSIS PENYAKIT DEMAM BERDARAH DENGUE MENGGUNAKAN VOTING FEATURE INTERVALS 5 ARISTI IMKA APNIASARI G
DIAGNOSIS PENYAKIT DEMAM BERDARAH DENGUE MENGGUNAKAN VOTING FEATURE INTERVALS 5 ARISTI IMKA APNIASARI G64103027 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciKelas. Kelas. p q r s t u v w x y Level Transformasi.
Fitur yang digunakan untuk pelatihan pada algoritme VFI5 diperoleh dari tiap-tiap piksel pada citra tanda tangan. Fitur pada pelatihan yang semula berupa matriks berukuran 3 4 piksel disusun menjadi matriks
Lebih terperinciDIAGNOSIS GANGGUAN SISTEM URINARI PADA ANJING DAN KUCING MENGGUNAKAN VFI 5. Oleh: DHANY NUGRAHA RAMDHANY G
DIAGNOSIS GANGGUAN SISTEM URINARI PADA ANJING DAN KUCING MENGGUNAKAN VFI 5 Oleh: DHANY NUGRAHA RAMDHANY G64353 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciSELEKSI FITUR MENGGUNAKAN FAST CORRELATION BASED FILTER PADA ALGORITMA VOTING FEATURE INTERVALS 5 HIDA NUR FIRQIANI G
SELEKSI FITUR MENGGUNAKAN FAST CORRELATION BASED FILTER PADA ALGORITMA VOTING FEATURE INTERVALS 5 HIDA NUR FIRQIANI G64103047 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciSELEKSI FITUR MENGGUNAKAN FAST CORRELATION BASED FILTER PADA ALGORITMA VOTING FEATURE INTERVALS 5 ABSTRAK
1 SELEKSI FITUR MENGGUNAKAN FAST CORRELATION BASED FILTER PADA ALGORITMA VOTING FEATURE INTERVALS 5 Hida Nur Firqiani, Aziz Kustiyo, Endang Purnama Giri 1 Departemen Ilmu Komputer, Fakultas Matematika
Lebih terperinciANALISIS GRAFOLOGI BERDASARKAN HURUF a DAN t MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR AMANDA KARATIKA HUBEIS
ANALISIS GRAFOLOGI BERDASARKAN HURUF a DAN t MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR AMANDA KARATIKA HUBEIS DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPREDIKSI KOTA PERAIH ANUGERAH ADIPURA MENGGUNAKAN ALGORITME KLASIFIKASI VFI5 MUHAMAD HAIKAL
PREDIKSI KOTA PERAIH ANUGERAH ADIPURA MENGGUNAKAN ALGORITME KLASIFIKASI VFI5 MUHAMAD HAIKAL DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2009 PREDIKSI
Lebih terperincidan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. akurasi =.
dan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. Gambar 5 Macam-macam bentuk partisi citra. Ekstraksi Fitur Pada tahap ini semua partisi dari citra dihitung
Lebih terperinciPREDIKSI INDEKS PRESTASI MAHASISWA MENGGUNAKAN ALGORITMA VFI5 (STUDI KASUS MAHASISWA PROGRAM MAYOR MINOR DEPARTEMEN ILMU KOMPUTER IPB ) AKHYAR AZNI
PREDIKSI INDEKS PRESTASI MAHASISWA MENGGUNAKAN ALGORITMA VFI5 (STUDI KASUS MAHASISWA PROGRAM MAYOR MINOR DEPARTEMEN ILMU KOMPUTER IPB ) AKHYAR AZNI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciAkurasi. Perangkat Lunak: Sistem operasi: Windows Vista Home Premium Aplikasi pemrograman: Matlab 7.0
Tabel 1 Dimensi citra di tiap level Level transformasi Dimensi citra 1 46 56 2 23 28 3 12 14 4 6 7 5 3 4 6 2 2 Pada Gambar 5 disajikan visualisasi transformasi wavelet hingga level 3. Deskripsi citra dekomposisi
Lebih terperinciPenghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori
Penghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori Abstrak 1 Sri Rahayu, 2 Teguh Bharata Adji & 3 Noor Akhmad Setiawan
Lebih terperinciHASIL DAN PEMBAHASAN. Data
Transformasi data, mengubah data ke bentuk yang dapat di-mine sesuai dengan perangkat lunak yang digunakan pada penelitian. Penentuan Data Latih dan Data Uji Dalam penelitian ini data terdapat dua metode
Lebih terperinciANALISIS SELEKSI ATRIBUT PADA ALGORITMA NAÏVE BAYES DALAM MEMPREDIKSI PENYAKIT JANTUNG
ANALISIS SELEKSI ATRIBUT PADA ALGORITMA NAÏVE BAYES DALAM MEMPREDIKSI PENYAKIT JANTUNG TESIS IVAN JAYA 117038072 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS
Lebih terperinciPREDIKSI PENYAKIT PARU MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 DENGAN BOBOT FITUR TIDAK SERAGAM DISTY TATA CERIA
PREDIKSI PENYAKIT PARU MENGGUNAKAN ALGORITME VOTING FEATURE INTERVALS 5 DENGAN BOBOT FITUR TIDAK SERAGAM DISTY TATA CERIA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPEMODELAN JARINGAN SYARAF TIRUAN UNTUK PENGENALAN KATA PADA BERBAGAI KONDISI KESEHATAN PEMBICARA BAYU INDRAYANA
PEMODELAN JARINGAN SYARAF TIRUAN UNTUK PENGENALAN KATA PADA BERBAGAI KONDISI KESEHATAN PEMBICARA BAYU INDRAYANA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciDIAGNOSIS GANGGUAN SISTEM URINARI PADA ANJING DAN KUCING MENGGUNAKAN VFI 5. Abstrak
DIAOSIS AUA SISTEM URIARI PADA AJI DA KUCI MEUAKA VFI 5 Dhany ugraha Ramdhany 1, Aziz Kustiyo 2, Ekowati Handharyani 3, dan Agus Buono 4 1, 2, 4 Departemen Ilmu Komputer, FMIPA, IPB, Kampus IPB Darmaga
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 terperinciKLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK
KLASIFIKASI PELANGGAN DENGAN ALGORITME POHON KEPUTUSAN DAN PELUANG PELANGGAN YANG MERESPONS PENAWARAN DENGAN REGRESI LOGISTIK YUANDRI TRISAPUTRA & OKTARINA SAFAR NIDA (SIAP 16) Pendahuluan Latar Belakang
Lebih terperinciPENERAPAN METODE NAÏVE BAYES CLASSIFIER DAN ALGORITMA ADABOOST UNTUK PREDIKSI PENYAKIT GINJAL KRONIK
PENERAPAN METODE NAÏVE BAYES CLASSIFIER DAN ALGORITMA ADABOOST UNTUK PREDIKSI PENYAKIT GINJAL KRONIK SKRIPSI Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu Program Studi Informatika
Lebih terperinciSKRIPSI RONNY BENEDIKTUS SIRINGORINGO
ANALISIS PERBANDINGAN PROSES CLUSTER MENGGUNAKAN K- MEANS CLUSTERING DAN K-NEAREST NEIGHBOR PADA PENYAKIT DIABETES MELLITUS SKRIPSI RONNY BENEDIKTUS SIRINGORINGO 131421021 PROGRAM STUDI S1 ILMU KOMPUTER
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. Segmentasi
4 Perangkat keras berupa Notebook: Processor intel Core i3 2.2 GHz. RAM kapasitas 2. GB. Harddisk Kapasitas 5 GB. Monitor pada resolusi 1366 x 768 piksel. Merek Acer Aspire 475. Perangkat lunak berupa:
Lebih terperinciPercobaan 1 Percobaan 2
direpresentasikan dengan histogram. Perlakuan pertama terhadap data-data penelitian ini adalah menghitung histogramnya. Kemudian dari interval antara 0-255 akan dibagi menjadi interval-interval bagian
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah 1.2 Perumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Masalah pemilihan lokasi usaha yang tepat merupakan salah satu faktor penunjang suksesnya suatu usaha. Dalam pemilihan lokasi usaha yang tepat diperlukan pertimbangan
Lebih terperinciHASIL DAN PEMBAHASAN. Setiap tahapan di dalam penelitian ini akan ditunjukkan di dalam Tabel 2.
6 tahap ini, pola yang telah ditemukan dipresentasikan ke pengguna dengan teknik visualisasi agar pengguna dapat memahaminya. Deskripsi aturan klasifikasi akan dipresentasikan dalam bentuk aturan logika
Lebih terperinciCROSS LANGUAGE QUESTION ANSWERING SYSTEM MENGGUNAKAN PEMBOBOTAN HEURISTIC DAN RULE BASED SELAMET SUBU
CROSS LANGUAGE QUESTION ANSWERING SYSTEM MENGGUNAKAN PEMBOBOTAN HEURISTIC DAN RULE BASED SELAMET SUBU DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciMODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG
MODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini
Lebih terperinciPENYELESAIAN MASALAH PENGIRIMAN PAKET KILAT UNTUK JENIS NEXT-DAY SERVICE DENGAN MENGGUNAKAN TEKNIK PEMBANGKITAN KOLOM. Oleh: WULAN ANGGRAENI G
PENYELESAIAN MASALAH PENGIRIMAN PAKET KILAT UNTUK JENIS NEXT-DAY SERVICE DENGAN MENGGUNAKAN TEKNIK PEMBANGKITAN KOLOM Oleh: WULAN ANGGRAENI G54101038 PROGRAM STUDI MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciPENGEMBANGAN WORDNET BAHASA INDONESIA BERBASIS WEB
PENGEMBANGAN WORDNET BAHASA INDONESIA BERBASIS WEB RIYAN ADI LESMANA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 PENGEMBANGAN WORDNET BAHASA
Lebih terperinciPREDIKSI JANGKA PANJANG DARI PROSES POISSON SIKLIK DENGAN FUNGSI INTENSITAS GLOBAL DIKETAHUI AGUSTINA MARGARETHA
PREDIKSI JANGKA PANJANG DARI PROSES POISSON SIKLIK DENGAN FUNGSI INTENSITAS GLOBAL DIKETAHUI AGUSTINA MARGARETHA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciRATA-RATA KUADRAT SESATAN PENDUGA REGRESI DENGAN KOMBINASI LINIER DUA VARIABEL BANTU PADA SAMPEL ACAK SEDERHANA
RATA-RATA KUADRAT SESATAN PENDUGA REGRESI DENGAN KOMBINASI LINIER DUA VARIABEL BANTU PADA SAMPEL ACAK SEDERHANA oleh INTAN LISDIANA NUR PRATIWI NIM. M0110040 SKRIPSI ditulis dan diajukan untuk memenuhi
Lebih terperinciADLN - Perpustakaan Universitas Airlangga ABSTRAK. viii
Muhammad Arif Santoso, 2015. Peramalan Penjualan Produk Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine. Skripsi ini dibawah bimbingan Auli Damayanti,S.Si, M.Si dan Dr. Herry Suprajitno,
Lebih terperinciPREDIKSI PENYAKIT KENCING MANIS (DIABETES MELLITUS) MENGGUNAKAN ALGORITME KLASIFIKASI VOTING FEATURE INTERVALS 5 EKA HAYANA HASIBUAN
PREDIKSI PENYAKIT KENCING MANIS (DIABETES MELLITUS) MENGGUNAKAN ALGORITME KLASIFIKASI VOTING FEATURE INTERVALS 5 EKA HAYANA HASIBUAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciKLASIFIKASI KELULUSAN MAHASISWA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO MENGGUNAKAN MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS)
KLASIFIKASI KELULUSAN MAHASISWA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO MENGGUNAKAN MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) SKRIPSI Disusun oleh : RIZAL YUNIANTO GHOFAR 240102101410029
Lebih terperinciPERBANDINGAN ALGORITME FEATURE SELECTION INFORMATION GAIN DAN SYMMETRICAL UNCERTAINTY PADA DATA KETAHANAN PANGAN DELKI ABADI
PERBANDINGAN ALGORITME FEATURE SELECTION INFORMATION GAIN DAN SYMMETRICAL UNCERTAINTY PADA DATA KETAHANAN PANGAN DELKI ABADI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPENGENALAN GARIS TELAPAK TANGAN MENGGUNAKAN EKSTRAKSI JARAK EUCLIDEAN TERNORMALISASI SKRIPSI FUJI FRILLA KURNIA
PENGENALAN GARIS TELAPAK TANGAN MENGGUNAKAN EKSTRAKSI 09PENGENALAN GARIS TELAPAK TANGAN DENGAN MENGGUNAKAN FITUR EKSTRAKSI OPERASI BLOK FITUR OPERASI NON-OVERLAPPING BLOK NON-OVERLAPPING DAN PENCOCOKAN
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 terperinciBAB 1 PENDAHULUAN Pengantar
1 BAB 1 PENDAHULUAN 1.1. Pengantar Pada awalnya komputer hanya dapat digunakan oleh mereka yang ahli, peneliti dan orang-orang yang punya keahlian khusus. Kini penggunaan komputer tidak lagi hanya terbatas
Lebih terperinciIMPLEMENTASI FUZZY OLAP PADA DATA POTENSI DESA DI PROVINSI JAWA BARAT TAHUN 2003 DAN 2006 SOFIYANTI INDRIASARI G
IMPLEMENTASI FUZZY OLAP PADA DATA POTENSI DESA DI PROVINSI JAWA BARAT TAHUN 2003 DAN 2006 SOFIYANTI INDRIASARI G64103046 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciPEMBENTUKAN PASSAGE DALAM QUESTION ANSWERING SYSTEM UNTUK DOKUMEN BAHASA INDONESIA SYAHRUL FATHI
PEMBENTUKAN PASSAGE DALAM QUESTION ANSWERING SYSTEM UNTUK DOKUMEN BAHASA INDONESIA SYAHRUL FATHI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
Lebih terperinci: Analisis Diskriminan pada Klasifikasi Desa di Kabupaten. Tabanan Menggunakan Metode K-Fold Cross Validation. 2. I Gusti Ayu Made Srinadi, S.Si, M.
Judul : Analisis Diskriminan pada Klasifikasi Desa di Kabupaten Tabanan Menggunakan Metode K-Fold Cross Validation Nama : Ida Ayu Made Supartini Pembimbing : 1. Ir. I Komang Gde Sukarsa, M.Si 2. I Gusti
Lebih terperinciDIAGNOSA PENYAKIT PARU EFUSI PLEURA DENGAN PENDEKATAN POSSIBILISTIC FUZZY LEARNING VECTOR QUANTIZATION SKRIPSI
DIAGNOSA PENYAKIT PARU EFUSI PLEURA DENGAN PENDEKATAN POSSIBILISTIC FUZZY LEARNING VECTOR QUANTIZATION SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Mencapai Gelar Strata Satu Jurusan Informatika Disusun
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Pada bab ini akan diuraikan mengenai pelaksanaan terhadap hasil perancangan yang telah diperoleh sebelumnya. Hasil perancangan pada tahap perancangan akan diimplemetasikan menjadi
Lebih terperinciABSTRAK. Kata Kunci: data tidak seimbang, klasifikasi, KSMOTE, boosting, SSO, support vector machine.
ABSTRAK Klasifikasi dalam data mining adalah proses untuk menemukan model atau fungsi yang mendeskripsikan dan membedakan kelas-kelas data atau konsep. Salah satu permasalahan klasifikasi adalah distribusi
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 terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
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 terperinciHUBUNGAN KECERDASAN EMOSIONAL DENGAN KEPATUHAN DAN KEMANDIRIAN SANTRI REMAJA DI PONDOK PESANTREN ASSHIDDIQIYAH NURLAILI RAHMAH DINI
1 HUBUNGAN KECERDASAN EMOSIONAL DENGAN KEPATUHAN DAN KEMANDIRIAN SANTRI REMAJA DI PONDOK PESANTREN ASSHIDDIQIYAH NURLAILI RAHMAH DINI DEPARTEMEN ILMU KELUARGA DAN KONSUMEN FAKULTAS EKOLOGI MANUSIA INSTITUT
Lebih terperinciDESKRIPSI KEMAMPUAN PEMODELAN MATEMATIKA SISWA SMP NEGERI 2 KALIGONDANG DITINJAU DARI GAYA BELAJAR DAN GENDER
i DESKRIPSI KEMAMPUAN PEMODELAN MATEMATIKA SISWA SMP NEGERI 2 KALIGONDANG DITINJAU DARI GAYA BELAJAR DAN GENDER SKRIPSI Diajukan untuk Memenuhi Sebagian Syarat Mencapai Derajat Sarjana Pendidikan Oleh:
Lebih terperinciKLASIFIKASI DATA SPASIAL UNTUK KEMUNCULAN HOTSPOT DI PROVINSI RIAU MENGGUNAKAN ALGORITME ID3 VIKHY FERNANDO
KLASIFIKASI DATA SPASIAL UNTUK KEMUNCULAN HOTSPOT DI PROVINSI RIAU MENGGUNAKAN ALGORITME ID3 VIKHY FERNANDO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciKLASIFIKASI PADA DATA MINING MENGGUNAKAN NAIVE BAYESIAN CLASSIFIER CLASSIFICATION FOR DATA MINING USING NAIVE BAYESIAN CLASSIFIER
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2005 KLASIFIKASI PADA DATA MINING MENGGUNAKAN NAIVE BAYESIAN CLASSIFIER CLASSIFICATION FOR DATA MINING USING NAIVE BAYESIAN CLASSIFIER Agustina Ratna Puspitasari¹,
Lebih terperinciBAB III METODOLOGI PENELITIAN
28 BAB III METODOLOGI PENELITIAN Untuk menunjang kegiatan penelitian, dalam bab ini akan dijelaskan desain penelitian, metode penelitian yang digunakan, serta alat dan bahan penelitian. 3.1 Desain Penelitian
Lebih terperinciLingkungan Pengembangan HASIL DAN PEMBAHASAN
aturan 3--5 untuk menentukan interval akan dibagi menjadi berapa kelompok. Hasilnya akan menjadi hirarki paling atas. Kemudian nilai maksimum dan nilai minimum diperiksa apakah nilainya masuk ke dalam
Lebih terperinciPENDEKATAN ALGORITMA PEMROGRAMAN DINAMIK DALAM MENYELESAIKAN PERSOALAN KNAPSACK 0/1 SKRIPSI SRI RAHAYU
PENDEKATAN ALGORITMA PEMROGRAMAN DINAMIK DALAM MENYELESAIKAN PERSOALAN KNAPSACK 0/1 SKRIPSI SRI RAHAYU 060823001 PROGRAM STUDI SARJANA MATEMATIKA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciKLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER
KLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (STUDI KASUS : Calon Pendonor Darah di Kota Semarang) SKRIPSI Disusun Oleh : DHIMAS BAYUSUSETYO NIM. 24010212130081 DEPARTEMEN
Lebih terperinciOleh : Dewi Mutia Handayani A
ANALISIS PROFITABILITAS DAN PENDAPATAN USAHATANI PADI SAWAH MENURUT LUAS DAN STATUS KEPEMILIKAN LAHAN (Studi Kasus Desa Karacak, Kecamatan Leuwiliang, Kabupaten Bogor, Jawa Barat) Oleh : Dewi Mutia Handayani
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciPENGEMBANGAN APLIKASI ESTIMASI UKURAN PERANGKAT LUNAK DENGAN PENDEKATAN FUNCTION POINT ANALYSIS
PENGEMBANGAN APLIKASI ESTIMASI UKURAN PERANGKAT LUNAK DENGAN PENDEKATAN FUNCTION POINT ANALYSIS (FPA) MENGGUNAKAN METODE RAPID APPLICATION DEVELOPMENT (RAD) Diajukan untuk Memenuhi Salah satu Syarat Mencapai
Lebih terperinciKAJIAN PENDEKATAN REGRESI SINYAL P-SPLINE PADA MODEL KALIBRASI. Oleh : SITI NURBAITI G
KAJIAN PENDEKATAN REGRESI SINYAL P-SPLINE PADA MODEL KALIBRASI Oleh : SITI NURBAITI G14102022 DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2007 ABSTRAK SITI
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMAAN BEASISWA DEPARTEMEN AGAMA DI PESANTREN DARULARAFAH RAYA DENGAN METODE TOPSIS SKRIPSI
SISTEM PENDUKUNG KEPUTUSAN SELEKSI PENERIMAAN BEASISWA DEPARTEMEN AGAMA DI PESANTREN DARULARAFAH RAYA DENGAN METODE TOPSIS SKRIPSI MUKHLIDA FATMI 091421036 PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER DEPARTEMEN
Lebih terperinciPENERAPAN DATA MINING MENGGUNAKAN ALGORITME C4.5 DALAM PENENTUAN JURUSAN SISWA SMA NEGERI 2 SURAKARTA
PENERAPAN DATA MINING MENGGUNAKAN ALGORITME C4.5 DALAM PENENTUAN JURUSAN SISWA SMA NEGERI 2 SURAKARTA oleh NADYA AL FITRIANI M0111060 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciKAJIAN METODE SUKSESIF INTERVAL (MSI) DALAM MENGUBAH DATA ORDINAL MENJADI DATA INTERVAL DAN DAMPAKNYA TERHADAP DISTRIBUSI SKRIPSI
KAJIAN METODE SUKSESIF INTERVAL (MSI) DALAM MENGUBAH DATA ORDINAL MENJADI DATA INTERVAL DAN DAMPAKNYA TERHADAP DISTRIBUSI SKRIPSI MHD. FAHMI NASUTION 120803004 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA
Lebih terperinciPENGENALAN AKSARA BALI MENGGUNAKAN METODE MODIFIED DIRECTION FEATURE DAN ALGORITMA GENERALIZED LEARNING VECTOR QUANTIZATION (GLVQ)
PENGENALAN AKSARA BALI MENGGUNAKAN METODE MODIFIED DIRECTION FEATURE DAN ALGORITMA GENERALIZED LEARNING VECTOR QUANTIZATION (GLVQ) KOMPETENSI KOMPUTASI SKRIPSI NI WAYAN DEVIYANTI SEPTIARI NIM. 1108605004
Lebih terperinciLAPORAN SKRIPSI EKSTRAKSI CIRI PENGENALAN GENDER MENGGUNAKAN FITUR GEOMETRIS CITRA WAJAH DENGAN METODE FUZZY C-MEANS (FCM)
LAPORAN SKRIPSI EKSTRAKSI CIRI PENGENALAN GENDER MENGGUNAKAN FITUR GEOMETRIS CITRA WAJAH DENGAN METODE FUZZY C-MEANS (FCM) Oleh : NIHAYATUS SA ADAH 2010-51-206 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT
Lebih terperinciPERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PERFORMANCE SEKOLAH DENGAN MENGGUNAKAN METODE FUZZY MULTI CRITERIA DECISION MAKING (MCDM) SKRIPSI
PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PERFORMANCE SEKOLAH DENGAN MENGGUNAKAN METODE FUZZY MULTI CRITERIA DECISION MAKING (MCDM) SKRIPSI REZA FERIANSYAH 071401023 PROGRAM STUDI S1 ILMU KOMPUTER
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Genre musik adalah pengelompokan musik sesuai dengan kemiripan satu dengan yang lain, seperti kemiripan dalam hal frekuensi musik, struktur ritmik, dan konten harmoni. Genre
Lebih terperinciPENGEMBANGAN APLIKASI FUZZY TEMPORAL ASSOCIATION RULE MINING (STUDI KASUS : DATA TRANSAKSI PASAR SWALAYAN ) HANDAYANI RETNO SUMINAR
PENGEMBANGAN APLIKASI FUZZY TEMPORAL ASSOCIATION RULE MINING (STUDI KASUS : DATA TRANSAKSI PASAR SWALAYAN ) HANDAYANI RETNO SUMINAR DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciKINERJA PROTOKOL ROUTING DALAM KOMUNIKASI REAL-TIME PADA JARINGAN BERKABEL DAMAS WIDYATMOKO
KINERJA PROTOKOL ROUTING DALAM KOMUNIKASI REAL-TIME PADA JARINGAN BERKABEL DAMAS WIDYATMOKO DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012 KINERJA
Lebih terperinci4 Notepad dan Microsoft Excel sebagai editor data.
dengan menggunakan perangkat lunak ENVI disimpan dalam file.txt (Lampiran 1). File ini berisi informasi mengenai panjang gelombang dan nilai pantulan (reflectance) objek di permukaan bumi. Objek yang diperlukan
Lebih terperinciANALISIS KEUNGGULAN KOMPARATIF DAN KOMPETITIF USAHATANI JAMBU BIJI (Studi Kasus: Kecamatan Tanah Sareal, Kota Bogor, Jawa Barat) FITRIA ASTRIANA
ANALISIS KEUNGGULAN KOMPARATIF DAN KOMPETITIF USAHATANI JAMBU BIJI (Studi Kasus: Kecamatan Tanah Sareal, Kota Bogor, Jawa Barat) FITRIA ASTRIANA DEPARTEMEN EKONOMI SUMBERDAYA DAN LINGKUNGAN FAKULTAS EKONOMI
Lebih terperinciANALISIS DAN PERANCANGAN ALGORITMA ARITHMETIC CODING DALAM KOMPRESI FILE AUDIO SKRIPSI DEBI MAULINA SIREGAR
ANALISIS DAN PERANCANGAN ALGORITMA ARITHMETIC CODING DALAM KOMPRESI FILE AUDIO SKRIPSI DEBI MAULINA SIREGAR 091421018 PROGRAM STUDI EKSTENSI S1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA
Lebih terperinciPEMERINGKATAN PENERIMA BEASISWA BANTUAN BELAJAR MAHASISWA DI FAKULTAS MIPA UNS MENGGUNAKAN FUZZY SIMPLE ADDITIVE WEIGHTING
PEMERINGKATAN PENERIMA BEASISWA BANTUAN BELAJAR MAHASISWA DI FAKULTAS MIPA UNS MENGGUNAKAN FUZZY SIMPLE ADDITIVE WEIGHTING Oleh NUR INDAH NIM. M0109055 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI
PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September
Lebih terperinciDEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN
PENERAPAN ANALISIS REGRESI LOGISTIK TERHADAP TINGKAT KEPUASAN MASYARAKAT DALAM PELAYANAN PEMBUATAN KARTU KELUARGA (STUDI KASUS: DI KECAMATAN MEDAN BELAWAN) SKRIPSI CHAIRUNNISA 120823008 DEPARTEMEN MATEMATIKA
Lebih terperinciDIAGNOSIS GANGGUAN SISTEM URINARI PADA ANJING DAN KUCING MENGGUNAKAN VFI 5. Abstrak
DIAGNOSIS GANGGUAN SISTEM URINARI PADA ANJING DAN KUCING MENGGUNAKAN VFI 5 Dhany Nugraha Ramdhany 1, Aziz Kustiyo 2, Ekowati Handharyani 3, dan Agus Buono" 1,2,4 Departemen IImu Komputer, FMIP A, IPB,
Lebih terperinciPERBANDINGAN METODE SIMPLEKS DENGAN ALGORITMA TITIK INTERIOR DALAM PENYELESAIAN MASALAH PROGRAM LINIER SKRIPSI AGUSTINA ANGGREINI SITORUS
PERBANDINGAN METODE SIMPLEKS DENGAN ALGORITMA TITIK INTERIOR DALAM PENYELESAIAN MASALAH PROGRAM LINIER SKRIPSI AGUSTINA ANGGREINI SITORUS 120803060 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH
PENDUGAAN FUNGSI SEBARAN DAN FUNGSI KEPEKATAN PELUANG WAKTU TUNGGU PROSES POISSON PERIODIK NADIROH DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011
Lebih terperinciANALISIS KEPUASAN MASYARAKAT KABUPATEN PASURUAN TERHADAP PENYELENGGARAAN PELAYANAN PUBLIK KESEHATAN DAN PENDIDIKAN
TUGAS AKHIR ST 1325 ANALISIS KEPUASAN MASYARAKAT KABUPATEN PASURUAN TERHADAP PENYELENGGARAAN PELAYANAN PUBLIK KESEHATAN DAN PENDIDIKAN ERIKA DINAMIKA MARDIANUS NRP 1303 100 062 Dosen Pembimbing : Vita
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciPENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI
PENGUKURAN KEMIRIPAN CITRA BERBASIS WARNA, BENTUK, DAN TEKSTUR MENGGUNAKAN BAYESIAN NETWORK RIZKI PEBUARDI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
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 terperinciKEKONSISTENAN PENDUGA FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR. Oleh: LIA NURLIANA
KEKONSISTENAN PENDUGA FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN LINEAR Oleh: LIA NURLIANA PROGRAM STUDI MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR
Lebih terperinciPENGEMBANGAN ALGORITMA PEMUTUAN EDAMAME MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN DEDY WIRAWAN SOEDIBYO
PENGEMBANGAN ALGORITMA PEMUTUAN EDAMAME MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN DEDY WIRAWAN SOEDIBYO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS
Lebih terperinci