IKI30320 Kuliah 19 3 Des Ruli Manurung. Learning. Agents. Inductive Learning. Decision Tree. Mengukur Kinerja Belajar.
|
|
- Glenna Kusuma
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Outline IKI 30320: Sistem Cerdas : Machine 1 2 akultas Ilmu Komputer Universitas Indonesia Desember Agent yang 2 pendekatan membangun agent: Dirancang, diprogram, diberi knowledge oleh manusia Dirancang sehingga bisa belajar dari input (percept, pengalaman, dst.) Manfaat learning agent: Environment bisa berubah. Manusia (programmer?) itu malas, ceroboh, tidak maha tahu. Kita sudah melihat banyak jenis agent: Simple reflex agent (condition-action rules) Search agent (punya goal dan successor state function) Knowledge-based agent (membangun representasi simbolik dari percept) Utility-based agent (mengukur nilai utility sebuh state) Semua agent ini bisa dibangun dengan metode pembelajaran yang tepat! Contoh: agent supir taksi. Bagaimana dia belajar?
2 Arsitektur Agent Jenis Metode Performance standard feedback learning goals Critic element changes knowledge Sensors Performance element Environment Supervised learning Agent belajar fungsi yang memetakan input ke output Pada tahap training, learning algorithm menerima sekumpulan input beserta output yang diharapkan. Sample ini dipakai untuk estimasi fungsinya. Problem generator experiments Agent Effectors Jenis Metode Jenis Metode Unsupervised learning Sebuah learning algorithm menerima sekumpulan data, dan harus menemukan pola-pola di dalamanya. Misalnya: Sebuah agent taxi menerima data mengenai laju lalin sepanjang hari. Mungkin ia bisa belajar periode morning rush hour, evening rush hour Reinforcement learning Sebuah agent menerima input data dan harus mengambil tindakan. Agent lalu menerima reinforcement signal (mis. good, bad) sebagai akibat tindakan. algorithm memodifikasi agent function untuk memaksimalkan signal good.
3 Consistency vs. Simplicity Induction Prinsip dasar dari supervised learning adalah belajar dari pengalaman. Prosedur inductive learning: Asumsi ada fungsi f : input x, output f (x). Sebuah pair (x, f (x)) disebut example/sample dari f. Ambil himpunan training example dan hasilkan fungsi hipotesa h yang mengaproksimasi f. Pure inductive inference: tak ada prior knowledge ttg. f Sebuah hipotesa yang consistent bisa menjelaskan semua training example. Ada banyak consistent hypothesis untuk sebuah training set. Ockham s Razor: pilih yang paling simple! Secara intuitif: generalisasi terhadap example baru. Biasanya ada trade-off antara consistency dan simplicity. ungsi h yang bagus bisa memprediksi example yang belum dilihat (unseen) pada saat belajar. Contoh curve-fitting Metode Ilmiah = f(x) Metode ilmiah empiris bisa dilihat sebagai proses inductive learning: 1 Lakukan ujicoba, kumpulkan data 2 Rumuskan hipotesis yang konsisten dengan data 3 Hipotesis ini memprediksi nilai data baru 4 Lakukan ujicoba untuk memeriksa kebenaran prediksi 5 ambahkan ke data yang kita miliki x 6 Jika hipotesis tidak lagi konsisten, rumuskan ulang!
4 Induction sebagai Search Sebuah prosedur induktif mendefinisikan space: possible hypotheses Mis. untuk curve-fitting, space = fungsi polynomial dgn. degree n: f (x) = k 0 + k 1 x + k 2 x k n x n Search space terlalu kecil: f (x) yang kita cari tidak ada (unrealisable) Search space terlalu besar: Makin sulit ditelusuri Makin banyak hipotesa yang konsisten dengan training example Proses learning yang menghasilkan decision tree. Hypothesis space mengandung himpunan n input variable dan 1 output variable. ipe variable bisa: boolean, diskrit, kontinyu Sebuah example tdd himpunan nilai input variable dan 1 output variable Jika output variable kontinyu regression task Jika output variable diskrit classification task Contoh: Menunggu di Restoran Contoh: raining Examples Kita ingin mempelajari pola pikir seseorang (SR): rela menunggu untuk dapat meja di restoran Input variable (di antaranya): Alt (boolean): adakah restoran alternatif? Bar (boolean): apakah restoran memiliki bar? Patrons (diskrit): ada berapa pengunjungnya? ype (diskrit): apa jenis makanannya? Output variable: Variable boolean: WillWait Ex. Attributes arget Alt Bar ri Hun Pat Price Rain Res ype Est WillWait X 1 Some $$$ rench 0 10 X 2 ull $ hai X 3 Some $ Burger 0 10 X 4 ull $ hai X 5 ull $$$ rench >60 X 6 Some $$ Italian 0 10 X 7 None $ Burger 0 10 X 8 Some $$ hai 0 10 X 9 ull $ Burger >60 X 10 ull $$$ Italian X 11 None $ hai 0 10 X 12 ull $ Burger Example di-classify menjadi positive () atau negative () Cari metode yang dapat merumuskan fungsi hipotesa yang menjawab nilai WillWait untuk semua kemungkinan nilai input variable.
5 s s: Expresiveness Sebuah representasi untuk kemungkinan hipotesa: Anggap sbg. sebuah if..then yang besar! Leaf node memberikan jawaban output variable Mis.: inilah decision tree untuk fungsi yang benar : None Some ull WaitEstimate? > Alternate? Reservation? ri/sat? Hungry? Alternate? Sebuah decision tree dapat menyatakan sembarang fungsi dari nilai input (attributes) Mis. untuk n variable boolean, buat tree dari truth table-nya: A B A xor B B A B ree ini memiliki satu path root leaf untuk setiap baris truth table. Kesimpulan: buat satu path untuk setiap training example. Ini namanya hafal mati! (Generalisasi? Prediksi contoh baru??) Bar? Raining? Ingat Ockham s Razor: Cari decision tree yang paling simple tapi consistent dengan data Algoritma DL Memilih Variable ujuan: cari tree terkecil yang konsisten dengan training examples Algoritma DL function DL(examples, attributes, default) returns a decision tree if examples is empty then return default else if all examples have same classification then return classification else if attributes is empty then return MODE(examples) else best CHOOSE-ARIBUE(attributes, examples) tree a new decision tree with root test best for each value v i of best do examples i {elements of examples with best = v i } subtree DL(examples i, attributes best, MODE(examples)) add a branch to tree with label v i and subtree subtree return tree Sebuah input variable yang ideal akan memilah example yang ada menjadi semua positif atau semua negatif. Berdasarkan prinsip ini, sebuah variable bisa lebih baik dari variable lain. Contoh: mana yang lebih baik? None Some ull ype? rench Italian hai Burger Secara rekursif: cari input variable yang paling menjelaskan training example, tambahkan node-nya.
6 Information heory Memilih Variable dengan Information Gain I( 0.5, 0.5 ) = 1bit I( 1.0, 0.0 ) = 0bit Pilih variable yang paling banyak mengandung informasi mengenai nilai output variable. Gunakan Information heory (Shannon & Weaver, 1949) Satuan informasi: 1 bit = informasi yang terkandung jawaban terhadap pertanyaan ya/tidak. Dkl. output variable boolean dgn. prior distribution 0.5, 0.5. Kandungan informasi jika prior-nya P 1,..., P n : I( P 1,..., P n ) = P n i = 1 P i log 2 P i Disebut entropy dari prior P 1,..., P n. Information gain Selisih informasi yang dibutuhkan sebelum dan sesudah nilai sebuah atribut diketahui. None Some ull ype? rench Italian hai Burger Gain(Patrons) 0.541bit Gain(ype) 0bit Pilih Patrons! Hasil DL Menguji Hipotesa ree yang dihasilkan algoritme DL untuk 12 example: None Some ull Hungry? Yes No ype? rench Italian hai Burger ri/sat? Lebih kecil/simple daripada tree yang sebenarnya! Hipotesa yang lebih kompleks (mis. Bar, Rain) tidak perlu (berdasarkan training example!) Bagaimana mengukur keberhasilan algoritme DL dkk.? Uji kebenaran hipotesa menjawab example baru (generalisasi). Bagi data menjadi 2: training set dan testing set: Jalankan learning pada training set Evaluasi keberhasilan pada testing set Pendekatan lain: cross-validation: Bagi data menjadi n potongan rain n kali, setiap kali sisakan potongan yang berbeda untuk testing
7 Curve Bentuk Curve Knowledge = Power Semakin banyak data, semakin bagus hasil machine learning. curve % prediksi benar pada test set sbg. fungsi dari ukuran training set. Contoh, pada data restoran: 1 Proportion correct on test set curve juga tergantung masalah yang dipelajari: Realizable: ungsi target f (x) bisa dinyatakan Non-realizable: ungsi target f (x) tidak bisa dinyatakan (kurang atribut?) Redundant: Banyak atribut noise yang tidak berguna, menyesatkan (overfitting)! % correct 1 realizable redundant nonrealizable raining set size # of examples bermanfaat untuk: Unknown environment Lazy designers Supervised learning menggunakan prinsip induksi: dari sehimpunan data, estimasi sebuah hipotesa rade-off antara consistency dan simplicity Algoritme menggunakan Information Gain Metode machine learning diuji dengan tahap training dan testing IKI32310 (Machine )
ID3 : Induksi Decision Tree
ID3 : Induksi Decision Tree Singkatan: Iterative Dichotomiser 3 Induction of Decision "3" (baca: Tree Pembuat: Ross Quinlan, sejak akhir dekade 70-an. Pengembangan Lanjut: Cikal bakal algoritma C4.5, pada
Lebih terperinciDiktat Kuliah Data Mining - Institut Informatika Indonesia Semester Genap 2006/ Maret 2007 Sub Materi: ID3: Induksi Decision Tree
Diktat Kuliah Data Mining - Institut Informatika Indonesia Semester Genap 2006/2007 - Maret 2007 Sub Materi: ID3: Induksi Decision Tree Ross Quinlan Ross Quinlan Pengembang algoritma ID3 pada akhir dekade
Lebih terperinciPOHON KEPUTUSAN DENGAN ALGORITMA C4.5
POHON KEPUTUSAN DENGAN ALGORITMA C4.5 1. Pengantar Algoritma C4.5 Klasifikasi merupakan salah satu proses pada data mining yang bertujuan untuk menemukan pola yang berharga dari data yang berukuran relatif
Lebih terperinciIKI 30320: Sistem Cerdas Kuliah 3: Problem-Solving Agent & Search
IKI 30320: Sistem Cerdas : -Solving Agent & Fakultas Ilmu Komputer Universitas Indonesia 3 September 2007 Outline 1 2 3 4 5 Outline 1 2 3 4 5 -Solving Agent Di kuliah yang lalu kita melihat contoh reflex
Lebih terperinciIKI30320 Kuliah 3 3 Sep Ruli Manurung. Problem solving agent. Representasi masalah: state space. Pencarian solusi: search.
Outline IKI 00: istem Cerdas : -olving Agent & Fakultas Ilmu Komputer Universitas Indonesia 4 eptember 007 5 -olving Agent Mekanisme kerja -olving Agent Di kuliah yang lalu kita melihat contoh reflex agent:
Lebih terperinciIKI30320 Kuliah Nov Ruli Manurung. Uncertainty. Probability theory. Semantics & Syntax. Inference. Ringkasan
Outline IKI 30320: Sistem Cerdas : Probabilistic Reasoning 1 2 3 Fakultas Ilmu Komputer Universitas Indonesia 4 21 November 2007 5 Knowledge engineering di FKG Duniah penuh ketidakpastian (uncertainty)
Lebih terperinciProblem-solving Agent: Searching
Problem-solving Agent: Searching Kuliah 3 Sistem Cerdas 5 April 2010 STMIK Indonesia Problem-Solving Agent Kelemahan reflex agent tidak cocok untuk menangani masalah besar!! Goal-based agent memiliki tujuan,
Lebih terperinciBAB II TINJAUAN PUSTAKA Indeks Prestasi Kumulatif dan Lama Studi. menggunakan dokumen/format resmi hasil penilaian studi mahasiswa yang sudah
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Indeks Prestasi Kumulatif dan Lama Studi Mahasiswa yang telah menyelesaikan keseluruhan beban program studi yang telah ditetapkan dapat dipertimbangkan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Mining 2.1.1 Pengertian Data Mining Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka dibutuhkan metode analisis yang tepat. Data mining
Lebih terperinciPohon Keputusan. 6.1 Inductive Learning
6 Pohon Keputusan Sometimes you make the right decision, sometimes you make the decision right. Phil McGraw Bab ini akan menelaskan salah satu varian pohon keputusan yaitu ID3 oleh Quinlan [27, 28] 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Data Mining Dengan perkembangan pesat teknologi informasi termasuk diantaranya teknologi pengelolaan data, penyimpanan data, pengambilan data disertai kebutuhan pengambilan
Lebih terperinciClassification (1) Classification (3) Classification (2) Contoh Classification. Classification (4)
Knowledge Discovery in Databases (IS704) dan Data Mining (CS704) Kuliah #5: Classification (Bagian 1) Gunawan Jurusan Teknik Informatika Sekolah Tinggi Teknik Surabaya Revisi 14 Agustus 2007 Classification
Lebih terperinciPenggunaan Pohon Keputusan untuk Data Mining
Penggunaan Pohon Keputusan untuk Data Mining Indah Kuntum Khairina NIM 13505088 Program Studi Teknik Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jalan Ganesha
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Sebelumnya
Bab 2 Tinjauan Pustaka 2.1 Penelitian Sebelumnya Berbagai penelitian yang menerapkan algoritma ID3 (Iterative Dichotomizer Three) sebagai metode perhitungannya telah banyak dilakukan. ID3 (Iterative Dichotomizer
Lebih terperinciIKI 30320: Sistem Cerdas Kuliah 16: Probabilistic Reasoning
IKI 30320: Sistem Cerdas : Probabilistic Reasoning Fakultas Ilmu Komputer Universitas Indonesia 21 November 2007 Outline 1 2 3 4 5 Outline 1 2 3 4 5 Knowledge engineering di FKG Anda diminta membuat agent
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Decision Tree Definisi Decision tree adalah sebuah diagram alir yang berbentuk seperti struktur pohon yang mana setiap internal node menyatakan pengujian terhadap suatu atribut,
Lebih terperinciClassification. Decision Tree. Decision Tree. Konsep Decision Tree. Penggunaan Decision Tree. When To Consider Decision Tree?
Classification Decision Tree esi 09 Dosen Pembina : Danang Junaedi IF-UTAMA 1 IF-UTAMA Konsep Decision Tree Decision Tree Mengubah data menjadi pohon keputusan (decision tree) dan aturan-aturan keputusan
Lebih terperinciSebelumnya... Sistem Pakar berbasis Logika Fuzzy
Sebelumnya... Sistem Pakar berbasis Logika Fuzzy Kecerdasan Buatan Pertemuan 10 Pembelajaran Mesin (Machine Learning) Kelas 10-S1TI-03, 04, 05 Husni Lunix96@gmail.com http://komputasi.wordpress.com S1
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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 1.1 Data Training Data training adalah data yang digunakan untuk pembelajaran pada proses data mining atau proses pembentukan pohon keputusan.pada penelitian ini
Lebih terperinciMetode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru
Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru Wahyudin Program Pendidikan Ilmu Komputer, Universitas Pendidikan Indonesia Abstrak Konsep pohon merupakan salah satu
Lebih terperinciKlasifikasi. Diadaptasi dari slide Jiawei Han
Klasifikasi Diadaptasi dari slide Jiawei Han http://www.cs.uiuc.edu/~hanj/bk2/ Pengantar Classification Memprediksi kelas suatu item Membuat model berdasarkan data pelatihan dan digunakan untuk mengklasifikasi
Lebih terperinciDECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN
ISSN : 1978-6603 DECISION TREE BERBASIS ALGORITMA UNTUK PENGAMBILAN KEPUTUSAN Zulfian Azmi #1, Muhammad Dahria #2 #1 Program Studi Sistem Komputer, #2 Program Studi Sistem Informasi STMIK Triguna Dharma
Lebih terperinciKlasifikasi. Diadaptasi dari slide Jiawei Han
Klasifikasi Diadaptasi dari slide Jiawei Han http://www.cs.uiuc.edu/~hanj/bk2/ yudi@upi.edu / Okt 2012 Pengantar Classification Memprediksi kelas suatu item Membuat model berdasarkan data pelatihan dan
Lebih terperinciTINJAUAN PUSTAKA. Definisi Data Mining
TINJAUAN PUSTAKA Definisi Data Mining Sistem Manajemen Basis Data tingkat lanjut dan teknologi data warehousing mampu untuk mengumpulkan banjir data dan untuk mentransformasikannya ke dalam basis data
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih terperinciPEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5
PEMBENTUKAN DECISION TREE DATA LAMA STUDI MAHASISWA MENGGUNAKAN ALGORITMA NBTREE DAN C4.5 Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Jurusan Sistem Informasi, STMIK Indonesia 1 syam@stmik-indonesia.ac.id,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih 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 terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belakang PENDAHULUAN Organisasi Kesehatan Dunia (WHO) memperkirakan, bahwa 177 juta penduduk dunia mengidap penyakit diabetes mellitus atau biasa disingkat diabetes. Jumlah ini akan terus meningkat
Lebih terperinciUniversitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika. Classification Decision Tree
Universitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika Classification Decision Tree Classification Decision Tree Pengertian Pohon Keputusan Pohon keputusan adalah
Lebih terperinciPERBANDINGAN AKURASI KLASIFIKASI DARI ALGORITMA NAIVE BAYES, C4.5, DAN ONER (1R)
Arifin, Perbandingan Akurasi Klasifikasi Dari Algoritma Naïve Bayes, C4.5, PERBANDINGAN AKURASI KLASIFIKASI DARI ALGORITMA NAIVE BAYES, C4.5, DAN ONER (1R) M Zainal Arifin Abstrak : Artikel ini menjabarkan
Lebih terperinciRayendra AMIK Kosgoro Solok
TEKNIK KLASIFIKASI PENYUSUTAN VOLUME PUPUK TERHADAP PENYIMPANAN DI GUDANG MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : GUDANG PERSEDIAAN PUPUK PT. PUSRI KOTA SOLOK) Rayendra AMIK Kosgoro Solok Email : rayzha1206@gmail.com
Lebih terperinciPenerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien
1 Penerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien Ketut Wisnu Antara 1, Gede Thadeo Angga Kusuma 2 Jurusan Pendidikan Teknik Informatika Universitas Pendidikan Ganesha
Lebih terperinciPENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN KARYAWAN MENGGUNAKAN METODA POHON KEPUTUSAN ID3
PENGEMBANGAN SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN KARYAWAN MENGGUNAKAN METODA POHON KEPUTUSAN ID3 Youllia Indrawaty N 1), Mira Musrini Barmawi 2), Andreas Sinaga 3) 1,2,3) Jurusan Teknik Informatika,
Lebih terperinciIKI30320 Kuliah 8 26 Sep Ruli Manurung. Game playing. Strategi optimal. Bekerja cepat Cutoff Tree pruning. State of the art.
Outline IKI 3030: Sistem Cerdas : (Deterministic) Game Playing Fakultas Ilmu Komputer Universitas Indonesia 3 4 6 September 007 5 Masalah menghadapi lawan Jenis-jenis game State space search biasa: agent
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
6 BAB 2 TINJAUAN PUSTAKA 2.1. Sistem Pendukung Keputusan Konsep Sistem Pendukung Keputusan (SPK) atau Decision Support Systems (DSS) pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott
Lebih terperinciData Mining Pengklasifikasian: Konsep Dasar, Pohon Keputusan, and Evaluasi Model. Pengklasifikasian: Definisi. Catatan Kuliah untuk Bab 4
Data Mining Pengklasifikasian: Konsep Dasar, Pohon Keputusan, and Evaluasi Catatan Kuliah untuk Bab 4 Pengantar Data Mining oleh Tan, Steinbach, Kumar dialihbahasakan oleh Tim Pengajar Konsep Data Mining
Lebih terperinciKecerdasan Buatan. Penyelesaian Masalah dengan Pencarian... Pertemuan 02. Husni
Kecerdasan Buatan Pertemuan 02 Penyelesaian Masalah dengan Pencarian... Husni Lunix96@gmail.com http://komputasi.wordpress.com S1 Teknik Informatika, STMIK AMIKOM, 2013 Outline Konsep Pencarian Pencarian
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 terperinciPEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE
PEMBENTUKAN MODEL KLASIFIKASI DATA LAMA STUDI MAHASISWA STMIK INDONESIA MENGGUNAKAN DECISION TREE DENGAN ALGORITMA NBTREE Syam Gunawan 1, Pritasari Palupiningsih 2 1,2 Program Studi Sistem Informasi, STMIK
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Lebih terperinciIKI 30320: Sistem Cerdas Kuliah 4: Uninformed Search Strategies (Rev.)
IKI 30320: Sistem erdas : Uninformed Search Strategies (Rev.) Fakultas Ilmu Komputer Universitas Indonesia 5 September 2007 Outline 1 2 3 4 5 Iterative-deepening 6 7 Outline 1 2 3 4 5 Iterative-deepening
Lebih terperinciIKI 30320: Sistem Cerdas Kuliah 11: Logical Inference & Wumpus Agent
IKI 30320: Sistem Cerdas : Logical Inference & Wumpus Agent Fakultas Ilmu Komputer Universitas Indonesia 24 Oktober 2007 Outline 1 2 3 Knowledge-based Jenis-jenis metode pembuktian Secara umum, ada 2 jenis:
Lebih terperinciPENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA
PENERAPAN METODE POHON KEPUTUSAN DENGAN ALGORITME ITERATIVE DYCHOTOMISER 3 (ID3) PADA DATA PRODUKSI JAGUNG DI PULAU JAWA Yasinta Agustyani, Yuliana Susanti, dan Vika Yugi Program Studi Matematika Fakultas
Lebih terperinciBab II Dasar Teori. 2.1 Estimasi Akurasi Classifier Metode Holdout
Bab II Dasar Teori 2.1 Estimasi Akurasi Classifier Estimasi akurasi classifier penting dilakukan untuk mengevaluasi seberapa akurat sebuah classifier mengklasifikasikan future data, yaitu data yang belum
Lebih terperinciBAB II INDUCT/RIPPLE-DOWN RULE (RDR)
BAB II INDUCT/RIPPLE-DOWN RULE (RDR) Bab ini berisi tentang uraian mengenai teori Ripple-Down Rules (RDR), yang meliputi RDR dengan pengembangan manual dan RDR yang menerapkan algoritma Induct untuk pengembangannya.
Lebih terperinciLangkah Awal menuju Analisis Kompleksitas Algoritma
Langkah Awal menuju Analisis Kompleksitas Algoritma Isi Proses Desain dan Analisis Algoritma Tipe-tipe Problem yang penting Kebutuhan akan algoritma yang efisien Analisis framework 2 Proses Desain dan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Penambangan Data (Data Mining) Pengertian data mining, berdasarkan beberapa orang: 1. Data mining (penambangan data) adalah suatu proses untuk menemukan suatu pengetahuan atau
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 terperinciPengenalan Intelligent Agent
Pengenalan Intelligent Agent Pertemuan II Wahyu Supriyatin Intelligent Agent Sistem agent pintar yang dirancang untuk bekerja secara otomatis pada setiap aplikasinya dengan sensornya yaitu menerima pesan
Lebih terperinciALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA
53 ALGORITMA C4.5 UNTUK SIMULASI PREDIKSI KEMENANGAN DALAM PERTANDINGAN SEPAKBOLA Marwana*) Abstract : Abstract-This study is a simulation for memperiksi victory in a football game using the C4.5 data
Lebih terperinciPengembangan Aplikasi Decision Tree Iterative Dichotomiser 3 untuk Klasifikasi Positif atau Negatif Obesitas pada Balita
ISSN 2356-4393 Pengembangan Aplikasi Decision Tree Iterative Dichotomiser 3 untuk Klasifikasi Positif atau Ne Obesitas pada Balita Dewi Kurnia Anggraeni 1), Yulius Denny Prabowo 2) Teknik Informatika,
Lebih terperinciPENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU
PENERAPAN DECISION TREE UNTUK PENENTUAN POLA DATA PENERIMAAN MAHASISWA BARU Aradea, Satriyo A., Ariyan Z., Yuliana A. Teknik Informatika Universitas Siliwangi Tasikmalaya Ilmu Komputer Universitas Diponegoro
Lebih terperinciModul IV KLASIFIKASI
LABORATORIUM DATA MINING JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA Modul IV KLASIFIKASI TUJUAN PRAKTIKUM Setelah mengikuti praktikum modul ini diharapkan: 1. Mahasiswa
Lebih terperinciLEARNING. Program Studi Ilmu Komputer FPMIPA UPI RNI IK460(Kecerdasan Buatan)
LEARNING Jiawei Han and Micheline Kamber. 2006. Data Mining Concepts and Techniques. San Fransisco : Elsevier M.Tim Jones. Artificial Intelligence A System Approach. Slide Kuliah Data Mining - Klasifikasi,
Lebih terperinciPENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE
PENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE Castaka Agus Sugianto Program Studi Teknik lnformatika Politeknik TEDC Bandung
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciAplikasi dan Analisis Algoritma BFS dan DFS dalam Menemukan Solusi pada Kasus Water Jug
Aplikasi dan Analisis Algoritma BFS dan DFS dalam Menemukan Solusi pada Kasus Water Jug Rizkydaya Aditya Putra NIM : 13506037 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika, Institut
Lebih terperinciIMPLEMENTASI ALGORITMA FUZZY SEBAGAI PENGGALIAN INFORMASI KETERLAMBATAN KELULUSAN TUGAS AKHIR MAHASISWA DENGAN METODE DECISION TREE
IMPLEMENTASI ALGORITMA FUZZY SEBAGAI PENGGALIAN INFORMASI KETERLAMBATAN KELULUSAN TUGAS AKHIR MAHASISWA DENGAN METODE DECISION TREE Yusni Amaliah 1), Ummi Syafiqoh 2), Eviana Tjatur Putri (3) 1,2) Sistem
Lebih terperinciKecerdasan Buatan Materi 6. Iterative Dichotomizer Three (ID3)
Kecerdasan Buatan Materi 6 Iterative Dichotomizer Three (ID3) Pengertian ID3 Singkatan dari Iterative Dichotomiser Three. Atau Induction of Decision Tree. Diperkenalkan pertama kali oleh Ross Quinlan (1979)
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 terperinciKI Kecerdasan Buatan Materi 6: Pencarian dgn. Lihat Status Lawan (Adversarial Search)
[AIMA] Russel, Stuart J., Peter Norvig, "Artificial Intelligence, A Modern Approach" rd Ed., Prentice Hall, New Jersey, KI9 Kecerdasan Buatan Materi 6: Pencarian dgn. Lihat Status Lawan (Adversarial Search)
Lebih terperinciKonsep Data Mining. Klasifikasi : Pohon Keputusan. Bertalya Universitas Gunadarma 2009
Konsep Data Mining Klasifikasi : Pohon Keputusan Bertalya Universitas Gunadarma 2009 Definisi Klasifikasi Proses untuk menyatakan suatu objek ke salah satu kategori yg sudah didefinisikan sebelumnya. Proses
Lebih terperinciAgent Cerdas. Chastine Fatichah. Teknik Informatika Institut Teknologi Sepuluh Nopember November 2012
Kecerdasan Buatan Agent Cerdas Chastine Fatichah Teknik Informatika Institut Teknologi Sepuluh Nopember November 2012 1 / 25 Pokok Bahasan Agent & environment Konsep Rational Agents PEAS (Performance measure,
Lebih terperinciPRAKTIKUM KE-5 KLASIFIKASI I
PRAKTIKUM KE-5 KLASIFIKASI I 1. Tujuan Praktikum 1) Mahasiswa mempunyai pengetahuan dan kemampuan dasar mengenai metode pencarian pengetahuan / pola data dari sejumlah data dengan menggunakan teknik klasifikasi.
Lebih terperinciIKI30320 Kuliah 5 12 Sep Ruli Manurung. Best-first. search. Greedy best-first. search. search. Merancang heuristic
Outline 1 A IKI 30320: istem Cerdas : Informed earch A 2 3 A 4 Fakultas Ilmu Komputer Universitas Indonesia 5 12 eptember 2007 6 Heuristic function A Prinsip akukan node expansion terhadap node di fringe
Lebih terperinciKecerdasan Buatan Penyelesaian Masalah dengan Pencarian
Kecerdasan Buatan Pertemuan 02 Penyelesaian Masalah dengan Pencarian Kelas 10-S1TI-03, 04, 05 Husni Lunix96@gmail.com http://komputasi.wordpress.com S1 Teknik Informatika, STMIK AMIKOM, 2012 Outline Pendahuluan
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 terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database
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 terperinciPROGRAM BANTU SELEKSI AWAL DOSEN BERPRESTASI MENGGUNAKAN METODE ITERATIVE DICHOTOMISER 3
32 PROGRAM BANTU SELEKSI AWAL DOSEN BERPRESTASI MENGGUNAKAN METODE ITERATIVE DICHOTOMISER 3 Yo el Pieter Sumihar* 1, Idris Efendi 2 1,2,3 Jurusan Komputer, Teknik Informatika, Fakultas Sains dan Komputer,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pendahuluan Didalam bab ini menceritakan semua teori-teori yang digunakan didalam proses algoritma decision tree, algoritma Random tree dan Random Florest serta teoriteori dan
Lebih terperinciBAB XI Manipulasi Binary Tree
www.hansmichael.com - Bab XI. Manipulasi Binary Tree BAB XI Manipulasi Binary Tree 11.1 Insert Node 11.2 Search Node 11.3 Delete Node 11.4 Copy Tree 11.5 Latihan Soal Binary tree seringkali diterapkan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data mining 2.1.1 Pengertian Data mining Data mining adalah kegiatan yang meliputi pengumpulan, pemakaian data historis yang menemukan keteraturan, pola dan hubungan dalam set
Lebih terperinciOutline. IKI 40931: Topik Khusus: NLP Kuliah 7: Parsing CFG. Parsing. Contoh parsing. Ruli Manurung. 10 Maret (Bab Jurafsky & Martin)
Outline IKI 40931: Topik Khusus: NLP Kuliah 7: Parsing CFG (Bab 10.1-10.4 Jurafsky & Martin) Ruli Manurung Fakultas Ilmu Komputer Universitas Indonesia 10 Maret 2008 1 2 3 4 Parsing Contoh parsing CFG
Lebih terperinciKLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL)
KLASIFIKASI PENENTUAN TIM UTAMA OLAHRAGA HOCKEY MENGGUNAKAN ALGORITMA C4.5 (STUDI KASUS : HOCKEY KABUPATEN KENDAL) Budi Utami 1, Yuniarsi Rahayu, 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer,
Lebih terperinciAlgoritma dan Struktur Data. Binary Tree & Binary Search Tree (BST)
Algoritma dan Struktur Data Binary Tree & Binary Search Tree (BST) Teknik Informatika Universitas Muhammadiyah Malang 2016 Outline Tree Binary tree Istilah pada tree Operasi dasar binary tree BST Definisi
Lebih terperinciProblem solving by Searching. Materi 3 Kecerdasan Buatan Oleh: Dewi Liliana TI PNJ
Problem solving by Searching Materi 3 Kecerdasan Buatan Oleh: Dewi Liliana TI PNJ Pendahuluan Pengantar : Membahas agen cerdas penyelesaian problem serta strategi uninformed untuk memecahkan masalah. Tujuan:
Lebih terperinciMODUL 12 Model Prediktif
MODUL 12 Model Prediktif Prediktif Analytics adalah teknologi yang menangkap proses data mining dalam rutinitas sederhana. Kadang-kadang disebut "one-click data mining," Model ini menyederhanakan dan mengotomatisasi
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 KLASIFIKASI PADA TEXT MINING Budi Susanto Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Data yang digunakan dalam penelitian ini adalah data warehouse
1.1.Pengumpulan data BAB IV HASIL DAN PEMBAHASAN Data yang digunakan dalam penelitian ini adalah data warehouse Graduation Universitas Muhammadiyah Yogyakarta pada Fakultas Teknik UMY tahun kelulusan 2013,
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Budi Susanto KLASIFIKASI PADA TEXT MINING Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa algoritma klasifikasi: KNN Naïve Bayes Decision
Lebih terperinciAlgoritma dan Struktur Data. Click to edit Master subtitle style Konsep Tree
Algoritma dan Struktur Data Click to edit Master subtitle style Konsep Tree Basic Tree Concepts Tree berisi himpunan node dan garis berarah yang disebut branch yang menghubungkan dua node. Banyaknya branch
Lebih terperinciScientific Journal of Informatics Vol. 2, No. 1, Mei 2015
Scientific Journal of Informatics Vol. 2, No. 1, Mei 2015 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 JUDUL ARTIKEL Identifikasi Kualitas Beras dengan Citra Digital Arissa
Lebih terperinciMetode Iterative Dichotomizer 3 ( ID3 ) Untuk Penerimaan Mahasiswa Baru
Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penerimaan Mahasiswa Baru Wahyudin Program Studi Ilmu Komputer Universitas Pendidikan Indonesia Abstrak Konsep pohon merupakan salah satu konsep teori graf
Lebih terperinciPENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN BERBASIS DECISION TREE DALAM PEMBERIAN BEASISWA STUDI KASUS: AMIK BSI YOGYAKARTA
SISTEM PENDUKUNG KEPUTUSAN BERBASIS DECISION TREE DALAM PEMBERIAN BEASISWA STUDI KASUS: AMIK BSI YOGYAKARTA Anik Andriani Program Studi Manajemen Informatika, AMIK BSI Jakarta Jl. RS Fatmawati 24, Pondok
Lebih terperinciMKB3462 KECERDASAN BUATAN. Muhammad Zidny Naf an, M.Kom.
MKB3462 KECERDASAN BUATAN Muhammad Zidny Naf an, M.Kom. Decision Tree (DT) Learning Menemukan fungsi2 pendekatan yang bernilai diskrit Jenis decision tree: ID3 (iterative dychotomizer version 3) ASSISTANT
Lebih terperinciDATA MINING KLASIFIKASI BERBASIS DECISION TREE. Ramadhan Rakhmat Sani, M.Kom
DATA MINING KLASIFIKASI BERBASIS DECISION TREE Ramadhan Rakhmat Sani, M.Kom Text Book Outline 1. Algoritma Data Mining Algoritma ID3 Algoritma C4.5 Algoritma C4.5 Introduction Algoritma C4.5 merupakan
Lebih terperinciSistem Klasifikasi Jamur Dengan Algoritma Iterative Dichotomiser 3
ISSN: 2528-4061 27 Sistem Klasifikasi Jamur Dengan Algoritma Iterative Dichotomiser 3 Junita Eka Sari 1, Nesi Syafitri 2 1,2 Program Studi Teknik Informatika, Fakultas Teknik, Universitas Islam Riau e-mail:
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 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 terperinciPENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO
PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO Magdalena Simanjuntak Program Studi Teknik Informatika, STMIK Kaputama E-mail : magdalena.simanjuntak84@gmail.com ABSTRACT This study aimed to analyze
Lebih terperinciGAME CATUR JAWA WITH REINFORCEMENT LEARNING
GAME CATUR JAWA WITH REINFORCEMENT LEARNING Muhammad Fauzy Teknik Informatika Politeknik Elekronika Negeri Surabaya Institut Teknologi Sepuluh Nopember Surabaya Email: fauze86@gmail.com, ABSTRAK Kecerdasan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAR TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAR TEORI 2.1 Penelitian Terkait Penelitian mengenai penggunaan Metode Klasifikasi dengan algoritma C4.5 dalam pengelompokan data siswa berdasarkan prestasi dan kriteria
Lebih terperinciTidak ada tepat satu teori untuk menyelesaikan problem pengenalan pola Terdapat model standar yang dapat dijadikan teori acuan
Terdapat banyak jenis pola: Pola visual Pola temporal Pola logikal Tidak ada tepat satu teori untuk menyelesaikan problem pengenalan pola Terdapat model standar yang dapat dijadikan teori acuan Statistik
Lebih terperinci