BAB IV EKSPERIMEN. 4.1 Tujuan Eksperimen. 4.2 Lingkungan Eksperimen
|
|
- Sudirman Salim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB IV EKSPERIMEN 4.1 Tujuan Eksperimen Terdapat beberapa hal yang menjadi tujuan eksperimen, yaitu: 1. Membandingkan performansi hasil eksperimen dengan hasil penelitian [LI05a], menggunakan dataset dan skenario yang sama. Dengan demikian dapat diketahui apakah implementasi SVM untuk ekstraksi informasi sudah benar. 2. Menganalisis performansi hasil eksperimen jika implementasi SVM untuk ekstraksi informasi digunakan pada dataset berbahasa campuran, yaitu Bahasa Inggris dan Bahasa Indonesia-Inggris. Adapun analisis yang dilakukan mencakup: - Performansi hasil eksperimen terhadap dataset berbahasa campuran - Pengujian parameter terbaik untuk dataset berbahasa campuran - Perbandingan algoritma klasifikasi SVM dengan algoritma klasifikasi lain, yaitu Naïve Bayes dan KNN - Aplikasi model ekstraksi hasil pembelajaran terhadap dokumen teks baru 4.2 Lingkungan Eksperimen Berikut ini adalah lingkungan perangkat keras dan perangkat lunak tempat eksperimen dilakukan: 1. Microsoft Windows XP SP2 2. Processor Intel Pentium 4, 3.00 Ghz 3. RAM 1.5 GB 4. Harddisk 80 GB 5. Java Runtime Environment 5.0 IV-1
2 IV Hasil Eksperimen Perbandingan Performansi dengan Paper Acuan [LI05a] Dataset yang digunakan adalah job postings corpus, dataset yang sama dengan yang digunakan pada [LI05a]. Penjelasan dataset dapat dilihat pada bagian Sedangkan skenario eksperimen adalah sebagai berikut: Fitur-fitur NLP - Orthography - Tokenkind - Lemma - Lookup - Entity Context window size 3 Pembobotan Reciprocal weighting Multi class SVM One-against-all SVM Kernel Linear Parameter uneven margin τ = 0. 4 thresholdprobabilityboundary 0.4 thresholdprobabilityentity 0.25 Skema eksperimen Dibagi 2 secara random (holdout test), kemudian dijalankan sebanyak 10 iterasi Total jumlah instance atau token di dalam dataset adalah sebanyak token. Dengan menggunakan fitur-fitur NLP yang disebutkan sebelumnya, maka jumlah atribut untuk dataset ini adalah atribut. Karena menggunakan window size = 3, maka jumlah seluruh dimensi vektor fitur adalah = Detil hasil eksperimen per iterasi/run dapat dilihat pada Lampiran E. Pada Tabel IV-1 dapat dilihat hasil rata-rata untuk 10 runs, diperoleh setelah program dijalankan selama 6 jam 18 menit 52 detik. Berikut ini adalah penjelasan kolom yang terdapat di dalam Tabel IV-1: - field berisi tipe-tipe pengisi slot yang didefinisikan di dalam job postings corpus. - correct berisi jumlah hasil prediksi yang benar untuk setiap tipe pengisi slot. - partial berisi jumlah hasil prediksi yang benar sebagian untuk setiap tipe pengisi slot. - spurious berisi jumlah hasil falsepositive, yaitu hasil prediksi salah. - missing berisi jumlah hasil falsenegative, yaitu tidak terdeteksi.
3 IV-3 -,, dan berisi nilai F-measure masing-masing untuk pendekatan,, dan. - microaverage dan macroaverage berisi nilai rata-rata untuk semua tipe pengisi slot, dengan pendekatan micro dan macro. Tabel IV-1 Hasil eksperimen job postings corpus no field correct partial spurious missing 1 ID application area city company country desired_degree desired_years_experience language platform post_date recruiter req_degree req_years_experience salary state title microaverage macroaverage Gambar IV-1 Distribusi nilai F-measure untuk setiap tipe slot pada job postings corpus
4 IV-4 Pada Gambar IV-1 dapat dilihat bahwa performansi yang tidak terlalu baik terjadi pada beberapa field atau tipe slot yang memiliki beberapa nilai (multi-valued fields), seperti language, platform, application, dan area. Pada beberapa field tersebut, nilai F-measure dengan pendekatan dan F-measure dengan pendekatan sangat berbeda jauh, hal ini dikarenakan banyaknya jumlah partial correct yang hampir mendekati jumlah correct. Sedangkan pada field atau tipe slot desired degree, walaupun nilai F-measure antara,, dan tidak berbeda jauh, namun hasilnya masih di bawah 0.5. Hal ini disebabkan oleh jumlah data untuk tipe slot desired degree di dalam dataset terlalu sedikit. F-measure rata-rata menggunakan macroaverage yang diperoleh oleh GATE-SVM [LI05a] adalah 80.8 (±1.0). Sayangnya pada [LI05a] tidak disebutkan pendekatan yang digunakan apakah,, atau. Dengan asumsi bahwa hasil yang diperoleh oleh GATE-SVM menggunakan pendekatan, dapat disimpulkan bahwa hasil eksperimen yang dilakukan sudah menyamai GATE-SVM Eksperimen Menggunakan Dataset Lowongan Pekerjaan Dataset yang digunakan adalah dataset lowongan pekerjaan, merupakan dataset berbahasa campuran dengan komposisi 90 dokumen berbahasa Inggris dan 90 dokumen berbahasa Indonesia-Inggris. Penjelasan dataset dapat dilihat pada bagian Eksperimen dibagi menjadi 4 bagian, yaitu: 1. Menganalisis performansi pada dataset berbahasa campuran 2. Menguji parameter terbaik 3. Membandingkan algoritma klasifikasi SVMUM dengan algoritma klasifikasi Naïve Bayes dan KNN 4. Mengaplikasikan model ekstraksi pada dokumen teks baru Total jumlah instance atau token di dalam dataset adalah sebanyak token. Dengan menggunakan fitur-fitur NLP yang disebutkan sebelumnya, maka jumlah atribut untuk dataset ini adalah atribut. Karena menggunakan window size = 3, maka jumlah seluruh dimensi vektor fitur adalah =
5 IV Analisis Performansi Skenario eksperimen adalah sebagai berikut: Fitur-fitur NLP - Orthography - Tokenkind - Lemma - Lookup - Entity Context window size 3 Pembobotan Reciprocal weighting Multi class SVM One-against-all SVM Kernel Linear Parameter uneven margin τ = 0. 4 thresholdprobabilityboundary 0.4 thresholdprobabilityentity 0.25 Skema eksperimen Dibagi 2 secara random (holdout test), kemudian dijalankan sebanyak 10 iterasi Detil hasil eksperimen per iterasi/run dapat dilihat pada Lampiran F. Pada Tabel IV-2 dapat dilihat hasil rata-rata untuk 10 runs, diperoleh setelah program dijalankan selama 1 jam 30 menit 34 detik. Penjelasan kolom yang terdapat di dalam Tabel IV-2 sama seperti penjelasan kolom untuk Tabel IV-1 yang dapat dilihat pada bagian Tabel IV-2 Hasil eksperimen dataset lowongan pekerjaan no field correct partial spurious missing 1 company_name contact deadline description education_level experience_duration foreign_language industry job_category job_title location needed_experience posting_date salary microaverage macroaverage
6 IV-6 Gambar IV-2 Distribusi nilai F-measure untuk setiap tipe slot pada dataset lowongan pekerjaan Dari hasil eksperimen dapat disimpulkan bahwa performansi untuk dataset berbahasa campuran secara keseluruhan sangat baik. Hal ini disebabkan oleh jumlah data pelatihan yang cukup banyak untuk setiap tipe slot. Selain itu, dokumen berbahasa Inggris yang memiliki fitur-fitur NLP yang lengkap dapat meningkatkan performansi secara keseluruhan. Tingkat keragaman dokumen berbahasa Inggris yang rendah juga mengakibatkan meningkatnya performansi dokumen berbahasa Inggris. Dari Gambar IV-2 dapat terlihat bahwa performansi untuk setiap tipe slot sangat baik. Akan tetapi, performansi paling rendah dimiliki oleh tipe slot job_category. Dari hasil eksperimen diperoleh bahwa seringkali terjadi partial correct, misalnya: seharusnya Accounting, hasil prediksi adalah Finance & Accounting Staff. Untuk mengetahui pengaruh multi-bahasa di dalam dataset, dilakukan eksperimen dengan berbagai komposisi data pelatihan dan data pengujian. Terdapat 3 komposisi data pelatihan, yaitu: - 80 dokumen berbahasa Inggris + 10 dokumen berbahasa Indonesia-Inggris - 45 dokumen berbahasa Inggris + 45 dokumen berbahasa Indonesia-Inggris - 10 dokumen berbahasa Inggris + 80 dokumen berbahasa Indonesia-Inggris
7 IV-7 Setiap data pelatihan diuji sebanyak dua kali, dengan menggunakan data pengujian yang berbeda, yaitu: - 10 dokumen berbahasa Inggris - 10 dokumen berbahasa Indonesia-Inggris Adapun skenario eksperimen adalah sebagai berikut: Fitur-fitur NLP - Orthography - Tokenkind - Lemma - Lookup - Entity Context window size 3 Pembobotan Reciprocal weighting Multi class SVM One-against-all SVM Kernel Linear Parameter uneven margin τ = 0. 4 thresholdprobabilityboundary 0.4 thresholdprobabilityentity 0.25 Skema eksperimen 3 komposisi data pelatihan diuji sebanyak dua kali, dengan menggunakan 2 komposisi data pengujian Performansi untuk setiap skema eksperimen dapat dilihat pada Lampiran J. Pada Tabel IV-3 dapat dilihat perbandingan performansi untuk setiap skema eksperimen. Pada Tabel IV-3 metrik evaluasi yang dibandingkan adalah nilai F-measure yang dihitung menggunakan pendekatan,, dan. Nilai F-measure tersebut terisi pada kolom,, dan untuk masingmasing pendekatan. Tabel IV-3 Perbandingan performansi dengan berbagai komposisi data pelatihan dan pengujian Data Pelatihan Inggris Data Pengujian Indonesia-Inggris Data Data Data
8 IV-8 Gambar IV-3 Performansi untuk setiap komposisi data pelatihan dan pengujian Dari Gambar IV-3 dapat terlihat bahwa walaupun untuk dokumen berbahasa Indonesia terdapat banyak fitur-fitur NLP yang tidak diketahui, performansi dapat ditingkatkan dengan menambah jumlah data pelatihan. Performansi data pengujian Indonesia-Inggris meningkat sebanyak 14% ketika jumlah data pelatihan dimodifikasi dari Data1 (10 dokumen Indonesia-Inggris) ke Data3 (80 dokumen Indonesia- Inggris). Hal ini disebabkan oleh meningkatnya jumlah vocabulary token di dalam data pelatihan. Dengan menggunakan data pelatihan Data1 (80 dokumen Inggris + 10 dokumen Indonesia-Inggris), performansi data pengujian Inggris hampir 20% lebih tinggi dibandingkan performansi data pengujian Indonesia-Inggris. Namun dengan menggunakan data pelatihan Data3 (10 dokumen Inggris + 80 dokumen Indonesia- Inggris), performansi data pengujian Indonesia-Inggris hanya 3% lebih tinggi dibandingkan performansi data pengujian Inggris. Hal ini menunjukkan bahwa selain jumlah data pelatihan, vektor fitur yang baik, dalam hal ini memiliki informasi fiturfitur NLP yang lengkap, juga mempengaruhi performansi sebuah sistem ekstraksi informasi Pengujian Parameter Terbaik Adapun parameter yang diuji antara lain: - Teknik implementasi multi class SVM: one-against-all dan one-against-one - Parameter uneven margin: τ = 0. 2, τ = 0. 4, τ = 0. 6, τ = 0. 8, dan τ = 1 Sedangkan parameter lainnya akan mengikuti parameter yang memberikan performansi optimal pada job postings corpus [LI05a]. Dataset lowongan pekerjaan
9 IV-9 memiliki domain sama dengan job postings corpus, sehingga diasumsikan parameter yang memberikan performansi optimal pada job postings corpus juga akan memberikan performansi optimal pada dataset lowongan pekerjaan. Skenario eksperimen adalah sebagai berikut: Fitur-fitur NLP - Orthography - Tokenkind - Lemma - Lookup - Entity Context window size 3 Pembobotan Reciprocal weighting SVM Kernel Linear thresholdprobabilityboundary 0.4 thresholdprobabilityentity 0.25 Skema eksperimen 10-fold cross validation Performansi untuk teknik one-against-all dan one-against-one dapat dilihat pada Lampiran G (performansi rata-rata untuk 10 runs). Pada Tabel IV-4 dapat dilihat perbandingan performansi antara teknik kombinasi one-against-all dan one-againstone. Tabel IV-4 Perbandingan performansi teknik one-against-all dan teknik one-against-one no Field one-against-all one-against-one 1 company_name contact deadline description education_level experience_duration foreign_language industry job_category job_title location needed_experience posting_date salary microaverage macroaverage waktu 1 jam 30 menit 55 detik 1 jam 28 menit 25 detik
10 IV-10 Dari hasil eksperimen dapat disimpulkan bahwa teknik kombinasi one-against-all memiliki performansi yang lebih baik jika dibandingkan dengan teknik kombinasi one-against-one, dan dengan waktu proses yang tidak berbeda jauh. Dari detil hasil eksperimen pada Lampiran G dapat dilihat bahwa untuk teknik kombinasi one-against-one, nilai precision cukup tinggi, yaitu berkisar pada angka Sementara nilai recall sangat rendah, yaitu berkisar pada angka Nilai recall yang rendah inilah yang menyebabkan nilai F-measure untuk teknik oneagainst-one menjadi turun. Nilai recall yang rendah ini disebabkan oleh banyaknya jumlah missing atau falsenegative. Performansi untuk setiap nilai parameter uneven margin dapat dilihat pada Lampiran H (performansi rata-rata untuk 10 runs). Pada Tabel IV-5 dapat dilihat perbandingan performansi untuk setiap nilai parameter uneven margin. Tabel IV-5 Perbandingan performansi beberapa nilai parameter uneven margin parameter uneven margin microaverage macroaverage Rata-rata Secara umum, dapat dikatakan bahwa SVM dengan uneven margin memiliki performansi yang lebih baik jika dibandingkan dengan SVM standar ( τ = 1). Namun dengan catatan bahwa nilai parameter uneven margin sebaiknya disesuaikan dengan rasio imbalance pada dataset. Dalam eksperimen ini dataset yang digunakan memiliki rasio imbalance yang tidak terlalu tinggi, sehingga pada nilai parameter uneven margin τ = 0. 2, performansinya menjadi kurang baik, lebih rendah daripada SVM standar. Dari hasil rata-rata total, dapat disimpulkan bahwa untuk dataset yang digunakan di dalam eksperimen ini, parameter uneven margin τ = 0. 6 memiliki performansi yang paling unggul dibandingkan dengan nilai parameter uneven margin lainnya.
11 IV Perbandingan Performansi Algoritma Klasifikasi SVM, Naïve Bayes, dan KNN Skenario eksperimen adalah sebagai berikut: Fitur-fitur NLP - Orthography - Tokenkind - Lemma - Lookup - Entity Context window size 3 Pembobotan Reciprocal weighting Multi class SVM One-against-all SVM Kernel Linear Parameter uneven margin τ = 0. 4 thresholdprobabilityboundary 0.4 thresholdprobabilityentity 0.25 Skema eksperimen 10-fold cross validation Algoritma yang digunakan untuk klasifikasi adalah SVM dengan uneven margin, Naïve Bayes, dan K-Nearest Neighbor. Untuk algoritma K-Nearest Neighbor, jumlah tetangga yang digunakan adalah k = 1. Performansi untuk algoritma Naïve Bayes dan KNN dapat dilihat pada Lampiran I (performansi rata-rata untuk 10 runs). Sedangkan untuk algoritma SVM, yang digunakan adalah hasil eksperimen pada bagian Pada Tabel IV-6 dapat dilihat perbandingan performansi untuk setiap algoritma klasifikasi. Tabel IV-6 Perbandingan performansi algoritma SVMUM, Naïve Bayes dan KNN Algoritma klasifikasi microaverage macroaverage Waktu (detik) SVMUM Naïve Bayes KNN Dari Tabel IV-6 dapat dilihat bahwa SVM dengan uneven margin merupakan algoritma klasifikasi yang memiliki performansi paling tinggi dibandingkan dengan kedua algoritma klasifikasi lainnya. Algoritma Naïve Bayes, walaupun waktu eksekusinya lebih cepat dibandingkan dengan SVM, namun performansinya kalah jauh. Sedangkan KNN, walaupun performansinya cukup tinggi, namun masih kalah jika dibandingkan dengan SVM, dan dengan waktu eksekusi yang jauh lebih lama.
12 IV Hasil Aplikasi Model Ekstraksi Model ekstraksi dihasilkan dari pembelajaran dengan data pelatihan adalah seluruh dataset lowongan pekerjaan sebanyak 180 dokumen teks. Sedangkan data pengujian adalah dokumen teks baru yang berisi iklan lowongan pekerjaan di PT. Tata Bisnis Solusi. Skenario eksperimen adalah sebagai berikut: Fitur-fitur NLP - Orthography - Tokenkind - Lemma - Lookup - Entity Context window size 3 Pembobotan Reciprocal weighting Multi class SVM One-against-all SVM Kernel Linear Parameter uneven margin τ = 0. 6 thresholdprobabilityboundary 0.4 thresholdprobabilityentity 0.25 Skema eksperimen Data pelatihan diuji menggunakan data pengujian baru Adapun teknik multi class SVM dan parameter uneven margin dipilih berdasarkan hasil pengujian parameter terbaik. Berikut ini adalah hasil aplikasi model ekstraksi. Dibutuhkan Staff Administrasi di TataSolusi Posted on June 7th, 2008 by admin Kami perusahaan yang bergerak di bidang konsultan IT membutuhkan karyawan untuk posisi : Staf Administrasi Kualifikasi : - Wanita, max 35 tahun. - Pendidikan min. D3. - Memiliki pengalaman min. 1 tahun di posisi yang sama. - Dapat melakukan kegiatan surat-menyurat. - Teratur, rapi dan teliti. - Diutamakan berdomisili di daerah Jakarta Pusat. job_title industry location education_level experience_duration needed_experience contact CV lengkap dapat dikirimkan ke : hrd@tatasolusi.co.id Atau ke alamat : PT. Tata Bisnis Solusi Jl. Alaydrus no.73b Jakarta Pusat Gambar IV-4 Hasil aplikasi model ekstraksi
13 IV-13 Seperti yang dapat dilihat pada Gambar IV-4, terdapat 7 buah tipe pengisi slot yang berhasil diekstrak dari dokumen teks baru tersebut, yaitu: job_title, industry, location, education_level, experience_duration, needed_experience, dan contact. Sementara 7 tipe pengisi slot lainnya tidak berhasil diekstrak, antara lain: 1. company_name, seharusnya terdapat nama perusahaan di dokumen teks tersebut, yaitu PT. Tata Bisnis Solusi. 2. job_category, karena memang tidak terdapat kategori pekerjaan di dalam dokumen teks. Namun dari judul pekerjaan dapat disimpulkan bahwa kategori pekerjaan adalah administrasi. 3. foreign_language, karena memang tidak terdapat persyaratan bahasa asing yang harus dikuasai di dalam dokumen teks. 4. description, karena memang tidak terdapat deskripsi mengenai pekerjaan (job description) di dalam dokumen teks. 5. salary, karena memang tidak terdapat nilai gaji yang ditawarkan oleh perusahaan di dalam dokumen teks. Kebanyakan iklan lowongan pekerjaan di Indonesia memang tidak mencantumkan gaji yang ditawarkan. 6. deadline, karena memang tidak terdapat tanggal deadline lowongan pekerjaan dikirimkan. 7. posting_date, seharusnya terdapat tanggal lowongan pekerjaan di-publish, yaitu June 7 th, Hal ini mungkin disebabkan oleh penulisan format tanggal seperti ini tidak terdapat di dalam data pelatihan. Pada tipe slot location, hasil ekstraksi adalah Jakarta, padahal frase lengkapnya adalah Jakarta Pusat. Hal ini dikarenakan pada proses pemberian anotasi untuk dataset lowongan pekerjaan, ditetapkan bahwa yang dimaksud dengan lokasi adalah negara, propinsi, atau kota, sedangkan Jakarta Pusat merupakan area yang terdapat di dalam kota Jakarta. Dengan demikian, jika diukur dengan metrik evaluasi, performansi sistem untuk dokumen teks baru tersebut dapat dilihat pada Tabel IV-7. Tabel IV-7 Performansi hasil aplikasi terhadap dokumen baru correct partial spurious missing
14 IV-14 Dimana: - correct berisi jumlah hasil prediksi yang benar. - partial berisi jumlah hasil prediksi yang benar sebagian. - spurious berisi jumlah hasil falsepositive, yaitu hasil prediksi salah. - missing berisi jumlah hasil falsenegative, yaitu tidak terdeteksi. -,, dan berisi nilai F-measure masing-masing untuk pendekatan,, dan.
BAB III EKSTRAKSI INFORMASI MENGGUNAKAN SUPPORT VECTOR MACHINE
BAB III EKSTRAKSI INFORMASI MENGGUNAKAN SUPPORT VECTOR MACHINE 3.1 Deskripsi Sistem Ekstraksi Informasi Gambar III-1 Arsitektur sistem ekstraksi informasi Sistem ekstraksi informasi secara umum terbagi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi yang pesat mempermudah akses terhadap informasi tekstual yang sangat besar jumlahnya, baik yang terdapat pada Internet maupun pada koleksi dokumen
Lebih terperinciPenerapan Support Vector Machine untuk Ekstraksi Informasi dari Dokumen Teks
Penerapan Support Vector Machine untuk Ekstraksi Informasi dari Dokumen Teks LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Paramita / 13504040 PROGRAM STUDI TEKNIK INFORMATIKA
Lebih terperinciBAB IV EKSPERIMEN. 4.1 Tujuan
BAB IV EKSPERIMEN Pada bab ini dibahas mengenai eksperimen penggunaan SVM dalam pendeteksian intrusi pada jaringan. Pembahasan ini meliputi tujuan yang ingin dicapai melalui eksperimen ini, parameter evaluasi
Lebih terperinciBAB V EKSPERIMEN TEXT CLASSIFICATION
BAB V EKSPERIMEN TEXT CLASSIFICATION Pada bab ini akan dibahas eksperimen untuk membandingkan akurasi hasil text classification dengan menggunakan algoritma Naïve Bayes dan SVM dengan berbagai pendekatan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Penelitian 4.1.1 Support Vector Machines (SVM) Setelah melalui proses training dan testing dengan metode Support Vector Machines (SVM), diperoleh hasil yang tertera
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 terperinciBAB 4 IMPLEMENTASI DAN PENGUJIAN
BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Tahap implementasi merupakan tahap pengimplementasian metode kedalam perangkat lunak simulasi, tahap lanjut dari tahap perancangan simulasi di bab sebelumnya.
Lebih terperinciBAB III METODOLOGI. Support Vector Machines (SVM) merupakan salah satu metode machine
BAB III METODOLOGI 3.1 Hipotesis Support Vector Machines (SVM) merupakan salah satu metode machine learning yang dapat melakukan klasifikasi data dengan sangat baik. Metode ini bertujuan untuk mendapatkan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 1.1. Rancangan Penelitian Rancangan penelitian adalah rencana dan struktur penyelidikan yang disusun sedemikian rupa sehingga penelitian akan memperoleh jawaban untuk pertanyaan-pertanyaan
Lebih terperinciBAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 4.1 Implementasi Sistem Tahap implementasi sistem merupakan tahap pembangunan perangkat lunak, tahap lanjut dari tahap perancangan sistem. Tahap yang dilakukan untuk
Lebih terperinciBAB III ANALISIS DAN PENYELESAIAN MASALAH
BAB III ANALISIS DAN PENYELESAIAN MASALAH 3.1 Deskripsi Sistem Gambar III-1 Deskripsi Umum Sistem Pada gambar III-1 dapat dilihat deskripsi sistem sederhana yang mendeteksi intrusi pada jaringan menggunakan
Lebih 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 terperinciBAB I PENDAHULUAN. Jumlah spam di dunia semakin meningkat secara eksponensial.
BAB I PENDAHULUAN 1.1 Latar Belakang Jumlah email spam di dunia semakin meningkat secara eksponensial. Dilaporkan bahwa pada tahun 1978 sebuah email spam dikirimkan ke 600 alamat email. Sedangkan pada
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih 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 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 terperinci3.6 Data Mining Klasifikasi Algoritma k-nn (k-nearest Neighbor) Similaritas atribut numerik
DAFTAR ISI PERNYATAAN... iii PRAKATA... vi DAFTAR ISI... viii DAFTAR GAMBAR... xi DAFTAR TABEL... xiv DAFTAR PERSAMAAN... xv DAFTAR ALGORITMA... xvi DAFTAR LAMPIRAN... xvii INTISARI... xviii ABSTRACT...
Lebih terperinciPENERAPAN ALGORITMA K-NEAREST NEIGHBORS UNTUK PREDIKSI KELULUSAN MAHASISWA PADA STMIK SINAR NUSANTARA SURAKARTA
ISSN : 2338-4018 PENERAPAN ALGORITMA K-NEAREST NEIGHBORS UNTUK KELULUSAN MAHASISWA PADA STMIK SINAR NUSANTARA SURAKARTA Agus Panoto ( ragilpanoto@gmail.com ) Yustina Retno Wahyu Utami ( yustina.retno@gmail.com
Lebih terperinciHASIL DAN PEMBAHASAN. B fch a. d b
7 dengan nilai σ yang digunakan pada tahap pelatihan sebelumnya. Selanjutnya dilakukan perhitungan tingkat akurasi SVM terhadap citra yang telah diprediksi secara benar dan tidak benar oleh model klasifikasi.
Lebih terperinciBAB IV PERANCANGAN DAN IMPLEMENTASI
BAB IV PERANCANGAN DAN IMPLEMENTASI Bab ini berisi perancangan perangkat lunak pembentuk pola improvisasi musik jazz bernama JazzML dan bagaimana impelemntasi hasil rancangan ke dalam kode program. 4.1
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 terperinciBAB I PENDAHULUAN. Informasi yang terdapat dalam Laporan Hasil Pemeriksaan (LHP) BPK RI
BAB I PENDAHULUAN I.1 Latar Belakang Informasi yang terdapat dalam Laporan Hasil Pemeriksaan (LHP) BPK RI saat ini belum di-manaje dengan baik secara digital. Informasi yang terdapat dalam LHP yang terdapat
Lebih terperinciPRESENTASI TUGAS AKHIR KI PERANCANGAN DAN PEMBANGUNAN MODUL REKOMENDASI SECTION PADA OPEN JOURNAL SYSTEM (OJS)
PRESENTASI TUGAS AKHIR KI091391 PERANCANGAN DAN PEMBANGUNAN MODUL REKOMENDASI SECTION PADA OPEN JOURNAL SYSTEM (OJS) (Kata kunci: Jurnal, K-Nearest Neighbor, Karya Ilmiah, Klasifikasi Penyusun Tugas Akhir
Lebih terperinciUKDW BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Dewasa ini kehadiran komputer semakin dibutuhkan, hal ini dikarenakan karena perkembangan teknologi yang semakin canggih. Hal ini dapat dibuktikan dari sangat
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 terperinciBAB II LANDASAN TEORI
2.1 Studi Literatur BAB II LANDASAN TEORI Penelitian yang berkaitan dengan klasifikasi kalimat tanya berdasarkan Taksonomi Bloom telah dilakukan oleh Selvia Ferdiana Kusuma dengan menggunakan algoritma
Lebih 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain dan tahapan yang dilakukan dalam penelitian ini dapat dilihat pada gambar berikut: Rumusan Masalah Pengembangan Perangkat Lunak Analisis Data Model
Lebih terperinciIMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR YANG BERDASARKAN ONE PASS CLUSTERING UNTUK KATEGORISASI TEKS
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR YANG BERDASARKAN ONE PASS CLUSTERING UNTUK KATEGORISASI TEKS Andreas Daniel Arifin 1, Isye Arieshanti 2, Agus Zainal Arifin 3 1,2,3 Jurusan Teknik Informatika,
Lebih terperinciPengolahan Citra untuk Bidang Pertanian(Menentukan Kematangan Buah) Oleh Nama:Wahyu Abid A. NRP : Kelas :2D4 IT(B)
Pengolahan Citra untuk Bidang Pertanian(Menentukan Kematangan Buah) Oleh Nama:Wahyu Abid A. NRP :2110151042 Kelas :2D4 IT(B) Latar Belakang Buah pisang dan alpukat sangatlah familiar dengan warga asia,
Lebih terperinciBAB 3 PERANCANGAN 3.1 GAMBARAN UMUM PROSES SEGMENTASI DOKUMEN
28 BAB 3 PERANCANGAN Pada bab ini akan dijelaskan mengenai rancangan percobaan pada penelitian segmentasi dokumen ini. Pembahasan akan dimulai dengan penjelasan mengenai gambaran umum proses segmentasi
Lebih terperinciUKDW. 1.1 Latar Belakang BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi komputer yang pesat pada masa kini menjadi perhatian utama bagi manusia. Kemajuan teknologi komputer yang pesat ini menimbulkan bermacam-macam
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Selain sebagai media komunikasi, Twitter memberikan akses bagi pihak ketiga yang ingin mengembangkan aplikasi yang memanfaatkan layanannya melalui Twitter API. Salah
Lebih terperinci4 BAB 4 IMPLEMENTASI DAN PENGUJIAN
4 BAB 4 IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Implementasi adalah penerapan hasil perancangan yang telah dilakukan pada tahap analisis dan perancangan sistem. Hasil perancangan diterapkan menjadi
Lebih terperinciBAB I PERSYARATAN PRODUK
BAB I PERSYARATAN PRODUK 1.1 PENDAHULUAN Pada saat kita melakukan pencarian melalui search engine (google.com, yahoo, dsb), kita bisa mendapatkan beberapa hasil, yang berupa dokumen - dokumen yang sama
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Ekstraksi ciri Citra yang digunakan dalam penelitian ini berukuran 150 x 150 pixel, sehingga jika divektorkan akan menghasilkan vektor berukuran 22500. Melalui tahap ekstraksi ciri
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahapan yang dilaksanakan selama pembuatan tugas akhir. Secara garis besar metodologi penelitian tugas akhir ini dapat dilihat
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Natural Language Processing (NLP) adalah area penelitian dan pengaplikasan yang mengekplorasi bagaimana caranya sebuah komputer dapat digunakan dan memanipulasi berupa
Lebih terperinciBAB III METODOLOGI PENELITIAN
29 BAB III METODOLOGI PENELITIAN Bab ini mendeskripsikan apa saja yang dibutuhkan untuk penelitian seperti desain atau tahapan penelitian, model pengembangan sistem dan alat dan bahan penelitian. 3.1 Desain
Lebih terperinciBAB V IMPLEMENTASI DAN PENGUJIAN SISTEM. konfigurasi pada perangkat lunak serta perangkat keras sesuai kebutuhan sistem
BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM 5.1 Implementasi Implementasi merupakan akhir dari sebuah pengembangan sistem informasi. Implementasi sistem tentunya mengacu pada rancangan sistem yang telah dibuat.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Berikut merupakan desain penelitian yang akan digunakan pada proses penelitian penerapan Hidden Markov Models : 40 Studi Literatur dan Kepustakaan Rumusan
Lebih terperinciBAB 1. PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1. PENDAHULUAN Pada bab pendahuluan ini akan dijelaskan mengenai latar belakang masalah, rumusan masalah, tujuan pembahasan, ruang lingkup kajian, sumber data, dan sistematika penyajian. 1.1 Latar
Lebih terperinciBAB 4 IMPLEMENTASI DAN HASIL PENELITIAN. Pada bab 4 ini akan dijelaskan hasil rancangan sistem aplikasi optimizer, yaitu
BAB 4 IMPLEMENTASI DAN HASIL PENELITIAN Pada bab 4 ini akan dijelaskan hasil rancangan sistem aplikasi optimizer, yaitu implementasi sistem tersebut dan juga evaluasi dari implementasi sistem untuk mengetahui
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
1.1 Latar Belakang Masalah BAB I PENDAHULUAN Perkembangan dunia teknologi saat ini telah membawa aliran informasi yang begitu cepat. Apalagi dengan ditemukannya internet yang membuat informasi dari jarak
Lebih terperinci1. PENDAHULUAN 1.1 Latar belakang Masalah
1. PENDAHULUAN 1.1 Latar belakang Masalah Bahasa Indonesia adalah alat yang mampu menjembatani penduduk Indonesia yang terdiri dari berbagai suku dan bahasa untuk dapat berkomunikasi satu sama lainnya.
Lebih terperinciBAB III METODELOGI PENELITIAN
BAB III METODELOGI PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan yaitu metode eksperimental dimana metode ini bekerja dengan memanipulasi dan melakukan kontrol pada objek penelitian
Lebih terperinci1.1 Latar Belakang. 1 Universitas Kristen Maranatha
BAB I PENDAHULUAN 1.1 Latar Belakang Suatu negara umumnya selalu mengupayakan berbagai cara guna meningkatkan kesejahteraan penduduk yang terdapat didalamnya. Salah satunya adalah meningkatkan kesehatan
Lebih terperinciPengantar Matematika kelas1 : kelas2 : kelas3 : mutu : A B C D E
Lingkungan Pengembangan Aplikasi yang dipergunakan untuk skripsi dibangun dengan software dan hardware sebagai berikut: Hardware: 1. Prosesor Inter Pentium Dual Core E2140 @1.60GHz 2. Memori DDRAM 1 GB
Lebih terperinciUKDW BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Adita Motor adalah salah satu showroom sepeda motor yang berada di Wonosari, Gunungkidul, Yogyakarta. Showroom tersebut mempunyai 2 orang karyawan yang bertugas membantu
Lebih terperinciKlasifikasi Profil Siswa SMA/SMK yang Masuk PTN (Perguruan Tinggi Negeri) dengan k-nearest Neighbor
Klasifikasi Profil Siswa SMA/SMK yang Masuk PTN (Perguruan Tinggi Negeri) dengan k-nearest Neighbor Yuandri Trisaputra, Indriyani, Shellafuri Mardika Biru, Muhammad Ervan Departemen Ilmu Komputer, FMIPA,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Internet saat ini merupakan kebutuhan pokok yang tidak bisa dipisahkan dari segenap sendi kehidupan. Berbagai pekerjaan ataupun kebutuhan dapat dilakukan melalui media
Lebih terperinciPenerapan Teknik Support Vector Machine untuk Pendeteksian Intrusi pada Jaringan
Penerapan Teknik Support Vector Machine untuk Pendeteksian Intrusi pada Jaringan LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Krisantus Sembiring / 13503121 PROGRAM STUDI
Lebih terperinciBAB III DATA DAN METODOLOGI
17 BAB III DATA DAN METODOLOGI 3.1 Data Pada penelitian ini, ada dua jenis data yang akan digunakan. Jenis data pertama adalah data curah hujan bulanan dan yang kedua adalah data luaran GCM. 3.1.1 Data
Lebih terperinciISSN: Yogyakarta, 27 Juli 2017 CITEE 2017
Analisis Perbandingan Metode Over-Sampling Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADSYN-kNN) untuk Data dengan Fitur Nominal-Multi Categories Sri Rahayu 1, Teguh Bharata Adji
Lebih terperinciPengingat Agenda Berdasarkan Konteks Lokasi Menggunakan GPS dengan Algoritma k-nearest Neighbor pada Perangkat Bergerak
Pengingat Agenda Berdasarkan Konteks Lokasi Menggunakan GPS dengan Algoritma k-nearest Neighbor pada Perangkat Bergerak IVAN AHMED GIOVANNI NRP 5109100042 Dosen Pembimbing I Ary Mazharuddin S., S.Kom.,
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. Kambing Etawa Menggunakan Metode Pearson Square pada Peternakan Nyoto.
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Sistem Pada bab ini akan dibahas tentang identifikasi permasalahan, analisis permasalahan, solusi permasalahan dan perancangan sistem dalam Rancang
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN Spesifikasi Perangkat Keras (Hardware) yang direkomendasikan : Processor : Intel core i5 2,6 GHZ
BAB 4 HASIL DAN PEMBAHASAN 4.1 Spesifikasi Sistem 4.1.1 Spesifikasi Perangkat Keras (Hardware) Berikut ini merupakan spesifikasi perangkat keras minimum yang direkomendasikan : Server Processor : Intel
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI II.1 Text Mining Text Mining merupakan penerapan konsep dan teknik data mining untuk mencari pola dalam teks, proses penganalisaan teks guna menemukan informasi yang bermanfaat untuk
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Dewasa ini kriminalitas semakin marak terjadi di Indonesia terutama di kotakota besar. Kriminalitas di negara ini diwarnai oleh kejahatan-kejahatan yang luar
Lebih terperinciBAB II DASAR TEORI. Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma.
BAB II DASAR TEORI Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma. 2.1. Microsoft Visual Studio Microsoft Visual Studio adalah sebuah software yang
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Menentukan posisi seseorang dalam konteks outdoor dapat dengan mudah dilakukan menggunakan Global Positioning System (GPS). Namun, belum ada metode standar tertentu
Lebih terperinciIsi Status Nikah. Isi Agama. Isi Jln. Isi RT / RW. Isi Kecamatan. Isi Kelurahan. Isi Kota. Isi Kode Pos. Isi Telepon. Isi No.
273 Isi Kewarganegaraan Isi Status Nikah Isi Agama Isi Jln Isi RT / RW Isi Kecamatan Isi Kelurahan Isi Kota Isi Kode Pos Isi Telepon Isi No. Jamsostek Isi Golongan Darah Isi Tanggal Mulai Kerja Isi Nama
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
111 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Aplikasi otomatisasi penjadwalan yang dibuat merupakan aplikasi desktop. Dalam pengoperasiannya, dibutuhkan perangkat keras dan piranti lunak dengan
Lebih terperinciBAB V IMPLEMENTASI SISTEM
BAB V IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan implementasi dari Aplikasi Sistem Pendukung Keputusan Penilaian kinerja yang sudah dibangun 5.1 Lingkungan Implementasi Lingkungan implementasi meliputi
Lebih terperinciBAB 3 METODE PENELITIAN
31 BAB 3 METODE PENELITIAN 3.1 Pengumpulan Data (Data gathering). Pengumpulan data harus mampu mendeskripsikan data yang ada, serta memiliki kontribusi terhadap pengetahuan. Data yang tidak lengkap perlu
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 terperinciIII METODOLOGI PENELITIAN
13 III METODOLOGI PENELITIAN 3.1 Kerangka Penelitian Penelitian dilakukan dalam lima tahapan utama, yaitu ekstraksi frame video, ekstraksi fitur SIFT dari seluruh frame, pembentukan kantong kata visual
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan dalam
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan dalam proses penelitian penerapan algoritma K-Means pada clustering berita berbahasa Indonesia.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Java adalah sebuah bahasa pemrograman yang populer dan terkenal dengan penggunaan resource yang sedikit. Dalam paket instalasi Java Developer Kit tidak menyertakan
Lebih terperinci1 BAB III METODOLOGI PENELITIAN. collaborative filtering ini digambarkan pada gambar 3.1
22 1 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian yang digunakan pada pembagunan sistem rekomendasi wisata bernilai sejarah berbasis web menggunakan metode collaborative filtering
Lebih terperinciALGORITMA NEAREST NEIGHBOR
ALGORITMA NEAREST NEIGHBOR A. Algoritma Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pertumbuhan jumlah situs web (website) di Internet berdasarkan hasil survey dari Netcraft (2013) menunjukkan peningkatan pesat dari 18 juta website pada tahun 2000
Lebih terperinciPRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA
PRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA Penyusun Tugas Akhir : Astris Dyah Perwita (NRP : 5110.100.178)
Lebih terperinciANALISIS PENYAKIT PARU-PARU MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS PADA RUMAH SAKIT ALOEI SABOE KOTA GORONTALO
ANALISIS PENYAKIT PARU-PARU MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS PADA RUMAH SAKIT ALOEI SABOE KOTA GORONTALO Olha Musa 1 dan Alang 2 1 0lh4mu54@gmail.com, 2 virus.stimik@gmail.com 12 STMIK Ichsan
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Spesifikasi perangkat lunak dan perangkat keras yang digunakan dalam pengembangan aplikasi adalah sebagai berikut
Lebih terperinciBAB I PENDAHULUAN. Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor
BAB I PENDAHULUAN 1.1 Latar Belakang Pada zaman sekarang ini bagi sebagian masyarakat kendaraan bermotor jenis mobil ataupun sepeda motor tidak lagi menjadi kebutuhan sekunder, melainkan telah menjadi
Lebih terperinciBAB I PENDAHULUAN. untuk bisa mengeluarkan pendapat dan ekspresi secara bebas. Itu artinya perusahaan
1 BAB I PENDAHULUAN 1.1 Latar Belakang Pesatnya perkembangan media sosial menawarkan pengguna kesempatan untuk bisa mengeluarkan pendapat dan ekspresi secara bebas. Itu artinya perusahaan tidak lagi memiliki
Lebih terperinciBAB III METODE PENELITIAN. Pendekatan metode pengembangan sistem yang digunakan peneliti merupakan
BAB III METODE PENELITIAN 3.1. Metode Pengembangan Sistem Pendekatan metode pengembangan sistem yang digunakan peneliti merupakan salah satu dari agile methods yaitu extreme Programming (XP). Dalam metode
Lebih terperinciBAB V IMPLEMENTASI DAN PENGUJIAN
BAB V IMPLEMENTASI DAN PENGUJIAN Pada bagian implementasi dan pengujian ini akan dijabarkan hasil implementasi berupa prototipe yang menggambarkan proses hasil perancangan. Dari segi prosesnya akan dilakukan
Lebih terperinci1 H a n d o u t T u g a s A k h i r J u r u s a n M a n a j e m e n I n f o r m a t i k a
Kode Outline : Web Programming Bentuk Outline Tugas Akhir Web Programming Lembar Judul Tugas Akhir Lembar Pernyataan Keaslian Tugas akhir Lembar Pernyataan Publikasi Karya Ilmiah Lembar Persetujuan dan
Lebih terperinciBAB III METODOLOGI PENELITIAN. dan menarik kesimpulan dengan masalah penelitian tertentu.
BAB III METODOLOGI PENELITIAN Metode penelitian atau dikenal dengan metodologi penelitian adalah caracara yang digunakan oleh peneliti dalam merancang, melaksanakan, pengolah ata, dan menarik kesimpulan
Lebih terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Perkembangan teknologi sekarang ini semakin pesat. Kebutuhan akan informasi dan komunikasi bertambah. Telah ditemukan berbagai perangkat teknologi yang memudahkan manusia
Lebih terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih 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 terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
3.1 Persiapan Data BAB III ANALISA DAN PERANCANGAN SISTEM Dalam pengerjaan tugas akhir ini data yang digunakan adalah kalimat tanya Berbahasa Indonesia, dimana kalimat tanya tersebut diambil dari soal-soal
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Saat ini pendidikan di Indonesia semakin berkembang. Banyaknya
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini pendidikan di Indonesia semakin berkembang. Banyaknya pembangunan gedung sekolah maupun perguruan tinggi menjadi tanda berkembangnya pendidikan. Jumlah pendaftar
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini, microblogging menjadi sangat popular untuk alat komunikasi antara pengguna internet. Setiap hari jutaan pesan muncul di website penyedia microblogging diantaranya
Lebih terperinciK NEAREST NEIGHBOR INFORMATION RETRIEVAL (SISTEM TEMU KEMBALI INFORMASI)
K NEAREST NEIGHBOR INFORMATION RETRIEVAL (SISTEM TEMU KEMBALI INFORMASI) Disusun Oleh : Alfian Sukma 081116007 Dian Ramadhan 081211631003 Bagus Puji Santoso 081211631061 Tiara Ratna Sari 081211632014 Ni
Lebih terperinciBAB III MET PEN METODOLOGI PENELITIAN
BAB III MET PEN METODOLOGI PENELITIAN III. 1 Desain Penelitian Studi Literatur Penentuan Kebutuhan dan Data yang akan digunakan Pengumpulan Data yang dibutuhkan Mempersiapkan alat dan bahan yang dibutuhkan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Instrumen Penelitian Pada penelitian ini bahan dan peralatan yang diperlukan sebagai berikut: 3.1.1 Bahan Dalam penelitian ini bahan yang dibutuhkan adalah data siswa kelas
Lebih terperinciBAB 1 PENDAHULUAN. 1 Universitas Kristen Maranatha
BAB 1 PENDAHULUAN 1.1 Latar Belakang CV Galung Mas Cargo adalah perusahaan yang bergerak di bidang pengiriman barang khususnya barang dalam jumlah besar seperti hasil produksi dari suatu perusahaan dan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian merupakan tahapan yang dibutuhkan penulis untuk memberikan gambaran serta kemudahan agar penelitian dilakukan dapat berjalan dengan
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. rupa sehingga dapat memudahkan pengguna untuk menggunakan aplikasi
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Sistem Tahap ini merupakan pembuatan perangkat lunak yang disesuaikan dengan rancangan atau desain sistem yang telah dibuat. Aplikasi yang dibuat akan
Lebih terperinciUKDW BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Dalam pengaturan jadwal mata kuliah dan kelas pada awal semester Ketua Program Studi membutuhkan persiapan kelas untuk memprediksi kelas yang akan dibuka serta
Lebih terperinciKlasifikasi Teks Bahasa Indonesia Pada Corpus Tak Seimbang Menggunakan NWKNN
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Klasifikasi Teks Bahasa Indonesia Pada Corpus Tak Seimbang Menggunakan NWKNN Achmad Ridok 1), Retnani Latifah 2) Filkom
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian menurut Mc Millan dalam Ibnu Hadjar (1999:102) adalah rencana dan struktur penyelidikan yang digunakan untuk memperoleh bukti-bukti
Lebih terperinciBAB III METODOLOGI PENELITIAN
60 BAB III METODOLOGI PENELITIAN 1.1 Desain Penelitian Desain penelitian adalah tahapan atau gambaran yang akan dilakukan dalam penelitian. Desain penelitian dibuat untuk memudahkan pelaksanaan tahaptahap
Lebih terperinci