Support Vector Machine Teori dan Aplikasinya
|
|
- Doddy Hermawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 UNS Sebeas Maret, 28 Agustus 2017 Support Vector Machine Teori dan Apikasinya Dr. Anto Satriyo Nugroho Emai : anto.satriyo@bppt.go.id h:p://asnugroho.net Pusat Teknoogi Informasi & Komunikasi Badan Pengkajian & Penerapan Teknoogi
2 Review singkat mengenai : Pa:ern recogniron Machine earning Feature / a:ribute Cass / category Decision funcron Decision/discriminaRon boundary Learning phase TesRng / recogniron phase
3 x 2 Tinggi badan (feature) Cass : sumo Cass : soccer payer x 1 Berat badan (feature)
4 x 2 Tinggi badan Learning phase 4 Hasi proses pearhan : menemukan persamaan garis pemisah sumo vs soccer f (x) = 4x 1 + 3x x 1 Berat badan
5 4 x 2 feature f (x) = 4x 1 + 3x 2 12 Decision funcron Learning phase Decision boundary f (x) = 0 Proses earning Input : training set output : decision funcron yang mampu dipakai untuk membedakan dua keas yang berbeda f (x) > 0 f (x) < x 1 feature
6 4 x 2 feature ( 2.5, 4 ) TesRng/RecogniRon phase Decision boundary Sumo or soccer? f (x) = 4x 1 + 3x 2 12 x 1 = 2.5 x 2 = 4 f (x 1, x 2 ) =10 f (x) > 0 is 0 3 x 1 feature
7 Contoh ain, bagaimana decision boundary terbentuk oeh proses training pada murayer Perceptron URL: h:p://payground.tensorfow.org/
8 Agenda Apakah SVM itu? Bagaimana hyperpane oprma diperoeh? Hard margin vs So_ margin Non inear SVM Training & TesRng Fase training pada SVM Memakai SVM untuk kasifikasi Bagaimana mencari sousi fase training pada SVM? Eksperimen perbandingan SVM dan MuRayer perceptron pada spira data Parameter tuning SVM memakai DOE (Design of Experiment) Bagaimana memakai SVM pada murcass probem So_ware-so_ware SVM Studi kasus: prediksi efekrfitas terapi interferon pada penderita penyakit HepaRRs C kronis Beberapa catatan
9 Agenda Apakah SVM itu? Bagaimana hyperpane op7ma diperoeh? Hard margin vs So< margin Non inear SVM Training & TesRng Fase training pada SVM Memakai SVM untuk kasifikasi Bagaimana mencari sousi fase training pada SVM? Eksperimen perbandingan SVM dan MuRayer perceptron pada spira data Parameter tuning SVM memakai DOE (Design of Experiment) Bagaimana memakai SVM pada murcass probem So_ware-so_ware SVM Studi kasus: prediksi efekrfitas terapi interferon pada penderita penyakit HepaRRs C kronis Beberapa catatan
10 Support Vector Machine? Diperkenakan oeh Vapnik (1992) di internarona conference: A training agorithm for oprma margin cassifiers, BOSER, Bernhard E., Isabee M. GUYON, and Vadimir N. VAPNIK, COLT 92: Proceedings of the Fi_h Annua Workshop on ComputaRona Learning Theory. New York, NY, USA: ACM Press, pp Support Vector Machine memenuhi 3 syarat utama sebuah metode Pa:ern RecogniRon Robustness TheoreRcay Anaysis Feasibiity Pada prinsipnya bekerja sebagai binary cassifier. Berbagai peneiran diakukan untuk memakainya daam murcass probem Structura-Risk MinimizaRon
11 Binary Cassification DiscriminaRon boundaries Cass -1 Cass +1
12 Optima hyperpane by SVM d Margin Cass -1 Cass +1
13 Optima hyperpane by SVM Margin (d) = minimum distance antara hyperpane and training sampes Hyperpane yang paing baik diperoeh dengan memaksimakan niai margin Hyperpane yang paing baik itu akan meewar pertengahan antara kedua cass Sampe yang paing dekat okasinya terhadap hyperpane disebut support vector Proses earning daam SVM : mencari support vector untuk memperoeh hyperpane yang terbaik
14 Optima hyperpane by SVM d 1
15 Optima hyperpane by SVM d 2 d 2 > d 1
16 Optima hyperpane by SVM bukan d 3 d 3 d 3 >d 2 > d 1
17 Optima hyperpane by SVM d 4 d 4 d 4 >d 3 >d 2 > d 1
18 Optima hyperpane by SVM " x = x, x,, ) ( 1 2! x d f (x) =<! w,! x > +b = T dim j=1 w j x j + b margin d w! f ( x) > + 1 bias (1) b! w f ( x) = 1 f ( x) = + 1 f ( x) < 1 f ( x) = 0
19 Optima hyperpane by SVM Margin (d) = minimum distance antara hyperpane and training sampes. Hyperpane terbaik diperoeh dengan memaksimakan d. Bagaimana memaksimakan d? Training set:!! ( x, y1),( x2, y2! ),",( x, y 1 ) pa:ern cass-abe (+1 atau -1) distance antara hyperpane dengan pa:ern x pada training set <! w,! x > +b! w (2) Minimum distance antara hyperpane dengan training set min i=1,..., <! w, " x i > +b " w (3)
20 Optima hyperpane by SVM min i=1,..., <! w,! x i > +b =1 Constraint : (4) SubsRtusi (4) ke (3) diperoeh, maka minimum distance antara hyperpane dengan training set menjadi harus dimaksimakan w!1 (5) Minimize 2 PRIMAL FORM w! (6) Subject to y i (<! w,! x i > +b) 1 (i =1, 2,...,) (7) (7) : data diasumsikan 100% dapat terkasifikasikan dg benar
21 Optima hyperpane by SVM Lagrange MuRpier dipakai untuk menyederhanakan (6) dan (7) menjadi L( w,! b,α) = 1! w 2 α i (y i (< x! i, w! > +b) 1) 2 Sehingga diperoeh i=1 L b i= 1 = 0, L! = 0 w α dimana i y i = 0 (8) α i 0 (9) w,b Sousi dapat diperoeh dengan meminimakan L terhadap (prima variabes) dan memaksimakan L terhadap α i (dua variabes) Pada saat sousi itu diperoeh (RRk oprma), gradient L = 0 Dengan demikian! w = i= 1 α y i i! x i (10) (11) (12)
22 Optima hyperpane by SVM (11) dan (12) disubsrtusikan ke (8), sehingga diperoeh (13), (14) i= 1 α i y i = 0 " (11) w = α i yixi (12) i= 1! L(! w, b,α) = 1 2! w 2 i=1 α i (y i (<! x i, " w > +b) 1) (8) Maximize α Subject to i=1 α i 1 satu variabe α i α j y i y j < x! α i, x! j > 2 α 0 ( i = 1,2,..., ) α y i i, j=1 Fungsi yg diperoeh hanya memaksimakan saja i= 1 i i = 0 (13) (14)
23 L(! w, b,α) = 1 2! w 2 i=1! w 2 = <! w,! w >!! = α i y i xi, α j y j x j i=1 α i (y i (<! x i, " w > +b) 1) j=1 = α i α j y i y j <! x i,! x j > i, j=1 A α i (y i (< x! i, w " > +b) 1) = α i y i < x! i, w " > + α i y i b α i i=1 i=1 i=1 i=1!! = α i y i xi, α j y j x j + 0 α i i=1 j=1 i=1 = α i α j y i y j! xi,! x j + 0 α i i=1 A i=1 B
24 L(! w, b,α) = 1 2! w 2 i=1! w 2 = <! w,! w >!! = α i y i xi, α j y j x j i=1 α i (y i (<! x i, " w > +b) 1) j=1 ½ A (A-B) = B- ½ A = α i α j y i y j <! x i,! x j > i, j=1 A α i (y i (< x! i, w " > +b) 1) = α i y i < x! i, w " > + α i y i b α i i=1 i=1 i=1 i=1!! = α i y i xi, α j y j x j + 0 α i i=1 j=1 i=1 = α i α j y i y j! xi,! x j + 0 α i i=1 A i=1 B
25 L(! w, b,α) = 1 2! w 2 i=1 α i (y i (<! x i, " w > +b) 1) L ( w!, b, α) =! α i α i α j y i y j xi, x! j i=1 i=1
26 Optima hyperpane by SVM DUAL FORM Maximize α Subject to i=1 α 0 ( i = 1,2,..., ) α y i Fungsi yg diperoeh hanya memaksimakan satu variabe saja α i 1 α i α j y i y j < x! i, x! j > (13) 2 i, j=1 α i= 1 i i = 0 (14) Formua di atas merupakan masaah QuadraRc Programming, yang sousinya α i kebanyakan berniai 0. Data xi dari training set yang αi Rdak berniai 0 ituah yang disebut Support Vector (bagian training set yang paing informarf) Proses training daam SVM ditujukan untuk mencari niai α i
27 Optima hyperpane by SVM Apabia α teah diperoeh, maka w! dan dapat dihitung sbb. b " w = i= 1 α y i i! x i (12) b = 1 ( 2 < w,! x! 1 > + < w,! x! +1 > ) t! dihitung sbb. f ( t! ) = sgn α i y i < t!, x! i > +b i=1,x i SV Kasifikasi pa:ern sgn ( k) 1 = 1 k < 0 k 0 (15) (16)
28 Catatan Ada dua ha penrng yg peru diingat: 1. Persamaan (13) hanya memiiki sebuah singe goba maximum yang dapat dihitung secara efisien 2. Data Rdak ditampikan secara individua, meainkan daam bentuk dot product dari dua buah data
29 Hard Margin vs Soft Margin Minimize 2 w! (6) Subject to y i (<! w,! x i > +b) 1 (i =1, 2,...,) (7) Pada perhitungan sebeumnya, sesuai dengan pers. (7), data diasumsikan 100% dapat terkasifikasikan dg benar (Hard Margin). Padaha kenyataannya Rdak demikian. Umumnya data Rdak dapat terkasifikasikan 100% benar, sehingga asumsi di atas Rdak beraku dan sousi Rdak dapat ditemukan. So_ Margin: Meunakkan constraint dengan memberikan toeransi data Rdak terkasifikasi secara sempurna.
30 Separating hyperpane for 2D-data f ( x) > + 1 y i (<! w,! x i > +b) 1 f ( x) < 1 f ( x) = 1 f f ( x) = + 1 ( x) = 0
31 Hard Margin vs Soft Margin Minimize 2 w! (6) Subject to y i (<! w,! x i > +b) 1 (i =1, 2,...,) (7) Pada perhitungan sebeumnya, sesuai dengan pers. (7), data diasumsikan 100% dapat terkasifikasikan dg benar (Hard Margin). Padaha kenyataannya Rdak demikian. Umumnya data Rdak dapat terkasifikasikan 100% benar, sehingga asumsi di atas Rdak beraku dan sousi Rdak dapat ditemukan. So_ Margin: Meunakkan constraint dengan memberikan toeransi data Rdak terkasifikasi secara sempurna.
32 >1 ξ mengindikasikan bahwa training exampe teretak di sisi yang saah dari hyperpane x! i ξ i ξ j x! j
33 Soft Margin So_ margin diwujudkan dengan memasukkan sack variabe ξ i (ξ i > 0) ke persamaan (7), sehingga diperoeh y i (<! w,! x i > +b) 1 ξ i (i =1, 2,...,) (17) Sedangkan objecrve funcron (6) yang dioprmisasikan menjadi minimize 1 2! w + C C merupakan parameter yang mengkontro tradeoff antara margin dan error kasifikasi ξ. Semakin besar niai C, berarr penaty terhadap kesaahan menjadi semakin besar, sehingga proses training menjadi ebih ketat. 2 i= 1 ξ i Maximize α Subject to i=1 α i 1 α i α j y i y j < x! i, x! j > (13) 2 0 α C ( i = 1,2,..., ) α y i i, j=1 i= 1 i i = 0 (18)
34 Soft Margin Berdasarkan Karush-Kuhn-Tucker compementary condiron, sousi (13) memenuhi ha-ha sbb. α i = i i 0 y f ( x ) > 1 0 α < C y f ( x ) = 1 < i i i αi = C yi f ( xi ) < 1 (unbounded SVs) (bounded SVs) (19) Pease read : CrisRanini-Tayor: Support Vector Machines and other kerne-based earning methods, Cambridge Univ.Press (2000) p.107 Vapnik, V. (1998): StaRsRca Learning Theory, Wiey, New York
35 Penentuan parameter C Parameter C ditentukan dengan mencoba beberapa niai dan dievauasi efeknya terhadap akurasi yang dicapai oeh SVM (misanya dengan cara Cross-vaidaRon) Penentuan parameter C bersama-sama parameter SVM yang ain dapat diakukan misanya memakai DOE (Design of Experiments) yang dijeaskan di side seanjutnya
36 Kerne dan Non Linear SVM Latar beakang Keemahan Linear Learning-Machines Representasi data & Kerne Non inear SVM
37 Latar Beakang Machine Learning Supervised earning: berikan satu set input-output data, dan buatah satu mode yang mampu memprediksi dengan benar output terhadap data baru. Contoh : pa:ern cassificaron, regression Unsupervised earning: berikan satu set data (tanpa output yang bersesuaian), dan ekstrakah suatu informasi bermanfaat. Contoh : custering, Principa Component Anaysis Apabia banyaknya data yang diberikan cukup banyak, metode apapun yang dipakai akan menghasikan mode yang bagus Tetapi jika data yang diberikan sangat terbatas, untuk mendapatkan performa yang baik, mutak peru memakai informasi spesifik masaah yang dipecahkan (prior knowedge of the probem domain). Contoh : masaah yg dipecahkan apakah berupa character recogniron, anaisa sekuens DNA, voice dsb. Prior knowedge seperr masaah yg dianaisa adaah DNA ini Rdak dapat dinyatakan dengan angka.
38 Latar Beakang Pemanfaatan prior knowedge : Fungsi Kerne (kemiripan sepasang data) ProbabiisRc mode of data distriburon (Gaussian, Markov mode, HMM, dsb) Pemakaian Kerne : user memanfaatkan pengetahuannya mengenai domain masaah yang dipecahkan dengan mendefinisikan fungsi kerne untuk mengukur kemiripan sepasang data
39 Linear Learning Machine Keebihan : Agoritma pembeajarannya simpe dan mudah dianaisa secara matemars Keemahan Perceptron (saah satu contoh inear earning machine) hanya mampu memecahkan probem kasifikasi inear (Minsky & Papert) Umumnya masaah dari rea-word domain bersifat noninear dan kompeks, sehingga inear earning machines Rdak mampu dipakai memecahkan masaah rii.
40 Representasi Data & Kerne Representasi data seringkai mampu menyederhanakan satu masaah Formua sebagaimana pada persamaan (20) Rdak dapat dipecahkan dengan inear machines Representasi dengan ( 2 m 1, m, r)! ( x, y, z) menghasikan (21) yang berupa persamaan inear, sehingga bisa dipecahkan dengan inear machines g( x, Newton s aw gravitaron f ( m = C y, z) = = 1, m2, r) n = c + m1m 2 r nc + nm x + 2 f ( m, m nm (20) 2, r) 2 y 2z (21) 2nr
41 Representasi Data & Kerne 2 2 ( x 1, x2)! ( x1, x2, 2x1 x2 ) Stuart Russe, Peter Norwig, Ar7ficia Inteigence A Modern Approach 2 nd Ed, Pren7ce Ha, 2003
42 Representasi Data & Kerne 2 2 ( x 1, x2)! ( x1, x2, 2x1 x2 ) Stuart Russe, Peter Norwig, Ar7ficia Inteigence A Modern Approach 2 nd Ed, Pren7ce Ha, 2003
43 Representasi Data & Kerne Representasi data seringkai mampu menyederhanakan satu masaah Data yang dipetakan ke ruang vektor berdimensi ebih Rnggi, memiiki potensi ebih besar untuk dapat dipisahkan secara inear (Cover theorem) Masaah : semakin Rnggi dimensi suatu data, akan mengakibatkan terrmpa kutukan dimensi Rnggi Curse of dimensionaity. turunnya generaisasi mode meningkatnya komputasi yang diperukan Pemakaian konsep Kerne akan mengatasi masaah di atas
44 Perceptron vs SVM Singe ayer networks (perceptron) memiiki agoritma earning yang simpe dan efisien, tetapi kemampuannya terbatas. Hanya mampu menyeesaikan inear probem MuRayer networks (MLP) mampu mewujudkan non-inear funcrons, tetapi memiiki keemahan pada sisi oca minima & Rngginya dimensi weight-space SVM: dapat diarh secara efficient, dan mampu merepresentasikan non-inear funcrons
45 Non inear cassification daam SVM X! φ Hyperpane φ(x! ) Input Space High-dimensiona Feature Space
46 Pemetaan impisit ke feature space " w Linear earning machines dapat dituis daam dua bentuk: prima form & dua form = i= 1 (12) α y i i! x i prima dua f (! x) =<! w,! ϕ(x) > +b = dim i=1 w i ϕ i (x)+ b f (! x) = α i y i < ϕ(! x i ),ϕ(! x) > +b i=1 (22) (23) Hypotheses funcron dapat direpresentasikan sebagai kombinasi inear training points. Sehingga decision rue dapat dievauasi berdasarkan inner product (dot product) antara test point & training points Keuntungan dua form : dimensi feature space Rdak mempengaruhi perhitungan. Informasi yang dipakai hanya Gram matrix
47 Gram Matrix G = (< x! i, x! j >) i, j=1 (24) <! x 1,! x 1 >! < " x,! x 1 >! "! < # x 1,! x >! < " x,! x >
48 Fungsi Kerne Representasi dua form i=1 f (! x) = α i y i < ϕ(! x i ),ϕ(! x) > +b < ϕ(! x i ),ϕ(! x) > Bisa dihitung secara IMPLISIT. Yaitu Rdak peru mengetahui wujud fungsi pemetaan φ meainkan angsung menghitungnya ewat fungsi KERNEL < ϕ(! x i ),ϕ(! x) >= K(! x i,! x) (25)
49 Contoh fungsi Kerne Poynomia K(! x,! y) =<! x,! y > d (26) Gaussian!! K( x, y) where exp σ > 0!! x y = 2 2σ 2 (27) Sigmoid K(! x,! y) = tanh(κ <! x,! y > +ϑ ) where κ > 0 and ϑ < 0 (28)
50 Representasi Data & Kerne 2 2 ( x 1, x2)! ( x1, x2, 2x1 x2 ) Stuart Russe, Peter Norwig, Ar7ficia Inteigence A Modern Approach 2 nd Ed, Pren7ce Ha, 2003
51 Representasi Data & Kerne 2 2 ( x 1, x2)! ( x1, x2, 2x1 x2 ) < ϕ( x) ϕ(! y)! > = (x 2 1, x 2 2, 2x 1 x 2 )(y 2 1, y 2 2, 2y 1 y 2 ) T = ((x 1, x 2 )(y 1, y 2 ) T ) 2 = (< x,! y! >) 2 =: K( x,! y)!
52 Representasi Data & Kerne Umumnya data direpresentasikan secara individua. Misanya, untuk membedakan atit Sumo dan atit sepakboa, bisa dengan mengukur berat badan dan Rnggi mereka 67 kg 167 cm A1
53 Representasi Data & Kerne Metode Kerne : data Rdak direpresentasikan secara individua, meainkan ewat perbandingan antara sepasang data A1 A2 A3 B1 B2 B3 A1 K(A1,A1) K(A1,A2) K(A1,A3) K(A1,B1) K(A1,B2) K(A1,B3) A2 K(A2,A1) K(A2,A2) K(A2,A3) K(A2,B1) K(A2,B2) K(A2,B3) A3 K(A3,A1) K(A3,A2) K(A3,A3) K(A3,B1) K(A3,B2) K(A3,B3) B1 K(B1,A1) K(B1,A2) K(B1,A3) K(B1,B1) K(B1,B2) K(B1,B3) B2 K(B2,A1) K(B2,A2) K(B2,A3) K(B2,B1) K(B2,B2) K(B2,B3) B3 K(B3,A1) K(B3,A2) K(B3,A3) K(B3,B1) K(B3,B2) K(B3,B3)
54 Representasi Data & Kerne Representasi berupa square matrix Rdak tergantung dimensi data, dan seau berukuran nxn (n:banyaknya data). Ha ini menguntungkan jika dipakai untuk merepresentasikan data yang berdimensi sangat Rnggi. Misanya 10 Rssue yg masing-masing dikarakterisasikan oeh 10,000 gen. Matriks yang diperoeh cukup 10x10 saja Adakaanya komparasi dua buah object ebih mudah daripada merepresentasikan masing-masing objek secara ekspisit (Contoh : pairwise sequence comparison mudah diakukan, tetapi representasi sekuens protein ke daam bentuk vektor Rdakah mudah. Padaha neura network memerukan representasi data secara ekspisit)
55 Non inear cassification daam SVM Struktur SVM berupa unit inear Kasifikasi non-inear diakukan dengan 2 tahap d 1. Data dipetakan dari origina feature space R ke q ruang baru yang berdimensi Rnggi R memakai suatu fungsi non-inear φ, sehingga data terdistribusikan menjadi ineary separabe Φ : R d R 2. Kasifikasi diakukan pada ruang baru tersebut secara inear Pemakaian Kerne Trick memungkinkan kita untuk Rdak peru menghitung fungsi pemetaan secara ekspisit q d < q φ K(! x,! x ') =< ϕ(! x),ϕ(! x ') > (19) (20)
56 Non inear cassification daam SVM Decision funcron pada non inear cassificaron: yang dapat dituis sebagaimana pers. (12) f (ϕ(! x)) =<! w,ϕ(! x) > +b (21) n i=1,x i SV f (ϕ(! x)) = α i y i < ϕ(! x),ϕ(! x i ) > +b n i=1,x i SV = α i y i K(! x,! x i )+ b (22) (23) KarakterisRk fungsi pemetaan Kerne Trick memakai K(! x,! x i ) φ(x! ) suit untuk dianaisa sebagai ganr kakuasi φ(x! )
57 Agenda Apakah SVM itu? Bagaimana hyperpane oprma diperoeh? Hard margin vs So_ margin Non inear SVM Training & Tes7ng Fase training pada SVM Memakai SVM untuk kasifikasi Bagaimana mencari sousi fase training pada SVM? Eksperimen perbandingan SVM dan MuRayer perceptron pada spira data Parameter tuning SVM memakai DOE (Design of Experiment) Bagaimana memakai SVM pada murcass probem So_ware-so_ware SVM Studi kasus: prediksi efekrfitas terapi interferon pada penderita penyakit HepaRRs C kronis Beberapa catatan
58 Fase training pada Non Linear SVM Maximize α α i 1 i=1 2 i, j=1 α i α j y i y j K(! x i,! x j ) (24) Subject to 0 α C ( i = 1,2,..., ) α y i i= 1 i i = 0 (18) Hasi training phase : diperoeh Support Vectors ( α i 0 ) CassificaRon of test pa:ern t f ( t! ) = sgn n i=1,x i SV α i y i K( t!, x! i )+ b (23)
59 Fase testing pada Non Linear SVM CassificaRon of test pa:ern t f ( t! ) = sgn sgn i=1,x i SV ( ) 1 = 1 α i y i K( t!, x! i )+ b k k < 0 0 (23) k (24) Typica Kerne funcrons!!!! x x' Gaussian K( x, x') = exp 2 2σ Poynomia K( x,! x! ') = (< x,! x! ' > +1) p Sigmoid K( x,! x! ') = tanh( α < x,! x! ' > +β) 2 (25) (26) (27)
60 Metode sekuensia Penyeesaian fase training pada SVM dapat memakai berbagai metode, a.. SMO, Sekuensia dsb. 1. IniRaizaRon α i = 0 Hitung matriks D ij = y i y j (K(! x i,! x j )+ λ 2 ) 2. Lakukan step (a), (b) dan (c ) di bawah untuk (a) (b) α j ij j= 1 { ( ), α i,c α i } E i = D δα i = min max γ 1 E i i =1,2,..., γ mengkontro kecepatan earning (c) α = α + δα i i i 3. Kembai ke step-2 sampai niai α i konvergen (Rdak ada perubahan signifikan)
61 Agenda Apakah SVM itu? Bagaimana hyperpane oprma diperoeh? Hard margin vs So_ margin Non inear SVM Training & TesRng Fase training pada SVM Memakai SVM untuk kasifikasi Bagaimana mencari sousi fase training pada SVM? Eksperimen perbandingan SVM dan Mu7ayer perceptron pada spira data Parameter tuning SVM memakai DOE (Design of Experiment) Bagaimana memakai SVM pada murcass probem So_ware-so_ware SVM Studi kasus: prediksi efekrfitas terapi interferon pada penderita penyakit HepaRRs C kronis Beberapa catatan
62 Two spiras benchmark probem Carnegie Meon AI Repository α = iπ 104γ x = R cosα y = Rsinα x i = 1,2,!,n n γ R : density : radius + + = x y = y : num of pa:erns Data generaron : + ( x, y) with R = 3.5 γ = 1.0 n = 100 n = 100
63 Spira Dataset Cass 1 Cass +1
64 MLP with 10 hidden units Cass +1 Cass 1 (bue dots) Cass +1 (yeow dots) Cass 1
65 MLP with 50 hidden units Cass +1 Cass 1 (bue dots) Cass +1 (yeow dots) Cass 1
66 MLP with 100 hidden units Cass +1 Cass 1 (bue dots) Cass +1 (yeow dots) Cass 1
67 MLP with 500 hidden units Cass +1 Cass 1 (bue dots) Cass +1 (yeow dots) Cass 1
68 SVM (Poynomia Kerne) Cass +1 Cass 1 (bue dots) Cass +1 (yeow dots) Cass 1
69 Agenda Apakah SVM itu? Bagaimana hyperpane oprma diperoeh? Hard margin vs So_ margin Non inear SVM Training & TesRng Fase training pada SVM Memakai SVM untuk kasifikasi Bagaimana mencari sousi fase training pada SVM? Eksperimen perbandingan SVM dan MuRayer perceptron pada spira data Parameter tuning SVM memakai DOE (Design of Experiment) Bagaimana memakai SVM pada murcass probem So_ware-so_ware SVM Studi kasus: prediksi efekrfitas terapi interferon pada penderita penyakit HepaRRs C kronis Beberapa catatan
70 Parameter Tuning Design of Experiments dipakai untuk mencari niai oprma parameter SVM (C dan σ pada Gaussian Kerne) Car Staein, Parameter SeecRon for Support Vector Machines, HP Laboratories Israe, HPL h:p://
71 Parameter Tuning DOE
72 Agenda Apakah SVM itu? Bagaimana hyperpane oprma diperoeh? Hard margin vs So_ margin Non inear SVM Training & TesRng Fase training pada SVM Memakai SVM untuk kasifikasi Bagaimana mencari sousi fase training pada SVM? Eksperimen perbandingan SVM dan MuRayer perceptron pada spira data Parameter tuning SVM memakai DOE (Design of Experiment) Bagaimana memakai SVM pada mu7cass probem So_ware-so_ware SVM Studi kasus: prediksi efekrfitas terapi interferon pada penderita penyakit HepaRRs C kronis Beberapa catatan
73 Muticass Probem Pada prinsipnya SVM adaah binary cassifier Expansion to murcass cassifier: 1. One vs Others Approach 2. One vs One : tree structured approach 1. Bo:om-up tree (Pairwise) 2. Top-down tree (Decision Directed Acycic Graph) Dari sisi training effort : One to Others ebih baik daripada One vs One RunRme : keduanya memerukan evauasi q SVMs (q = num. of casses)
74 One vs Others Cass 1 Cass 2 Cass 3 Cass 4 Cass 1 Cass 2 Cass 3 Cass 4 Cass 2 Cass 1 Cass 3 Cass 4 Cass 3 Cass 1 Cass 2 Cass 4 max Cass 4 Cass 1 Cass 2 Cass3
75 Bottom-up Tree Cass 1 Cass 2 Cass 3 Cass 4 Cass 5 Cass 6 Cass 7 Cass 8 Proposed by PonR and Verri
76 Top DownTree vs vs 4 not 1 not vs 3 not 2 not 4 not 1 not vs vs vs 2 Proposed by Pa: et a.
77 Agenda Apakah SVM itu? Bagaimana hyperpane oprma diperoeh? Hard margin vs So_ margin Non inear SVM Training & TesRng Fase training pada SVM Memakai SVM untuk kasifikasi Bagaimana mencari sousi fase training pada SVM? Eksperimen perbandingan SVM dan MuRayer perceptron pada spira data Parameter tuning SVM memakai DOE (Design of Experiment) Bagaimana memakai SVM pada murcass probem So<ware-so<ware SVM Studi kasus: prediksi efekrfitas terapi interferon pada penderita penyakit HepaRRs C kronis Beberapa catatan
78 Weka h:p:// Terdapat impementasi SMO SVM ight Software/Library SVM h:p://svmight.joachims.org/ Mampu dipakai pada probem skaa besar (ratusan ribu training set) Memakai sparse vector representaron, sangat sesuai untuk text cassificaron SMO (SequenRa Minima OpRmizaRon) h:ps:// Large QuadraRc Programming oprmizaron probem diseesaikan dengan memecahnya ke banyak QP probem yang ebih keci Memory yang diperukan bertambah inear sesuai dengan training-set, sehingga dapat dipakai pada arge scae probem
79 Agenda Apakah SVM itu? Bagaimana hyperpane oprma diperoeh? Hard margin vs So_ margin Non inear SVM Training & TesRng Fase training pada SVM Memakai SVM untuk kasifikasi Bagaimana mencari sousi fase training pada SVM? Eksperimen perbandingan SVM dan MuRayer perceptron pada spira data Parameter tuning SVM memakai DOE (Design of Experiment) Bagaimana memakai SVM pada murcass probem So<ware-so<ware SVM Studi kasus: prediksi efekrfitas terapi interferon pada penderita penyakit HepaRRs C kronis Beberapa catatan
80 Prediction of interferon efficacy in Hepatitis C treatment Deveoping a predictor of the resut of treatment using interferon to the chronica heparrs C parents The input informaron is the bood observarons of the parents taken before the interferon injecron CoaboraRon with Nagoya University Graduate Schoo of Medicine Reated PubicaRon: Efficacy of Interferon Treatment for Chronic HepaRRs C Predicted by Feature Subset SeecRon and Support Vector Machine, Journa of Medica Systems, Springer US (h:p://dx.doi.org/ /s )
81 Menurut data WHO, jumah penderita 170 juta (3% dari seuruh popuasi dunia). SeRap tahun bertambah 3 s/d 4 juta orang. Di Jepang : 1 atau 2 dari > Kokuminbyo Repikasi virus sangat Rnggi, disertai angka mutasi generk yang cukup Rnggi HepaRRs C di Indonesia Hepatitis C Jumah penderita sudah mencapai 7 juta dan 90% penderita tidak ( 2006 mengetahuinya (I Nyoman Kadun, 7 Oktober ( 2007 Depkes petakan Hepatitis C (7 Sep Efek samping terapi interferon: Fu-ike syndrome, menurunnya se darah purh (eucocyte),rambut rontok (IFN-apha), abuminuria (IFN-beta), dsb
82 Cinica Dataset The dataset used in this experiment is provided by Nagoya University (Prof.Yamauchi s group ) ObservaRon of the parents was conducted from August 1997 March parents (M:80 F:32) of age : yrs. Two cass probem: posirve cass six months a_er the treatment finished, HCV-RNA was negarve 66 sampes negarve cass six months a_er the treatment finished, HCV-RNA was posirve 46 sampes
83 Proposed Mode Sex Age HCV-RNA Fisher Criterion Based FSS SVM with Gaussian Kerne positive cass OR negative cass Ribavirin
84 List of 30 cinica markers
85 INVIDUAL MERIT BASED FEATURE SELECTION Individua Merit based Feature Seection Purpose : Reduce the dimensionaity of the data Seection of the usefu features Improving the cassifier performance Fisher Criterion attempts to seect one feature that best discriminating the two casses F( x j ) = n Score of the j th feature of vector x 2 n (, 1, 1) + 1 n µ 1 j + µ j n 1 n j, + 1σ j, n j, 1σ j, 1 Num. of patterns in Negative Cass Feature No. 1 Num. of patterns in Positive Cass F(Ftr.1) = 2.9 F(Ftr.2) = 0.7 F(Ftr.1) > F(Ftr.2) Ftr. No.1 is better than No.2 Feature No. 2 σ1 = 3 σ = 50 2
86 List of features sorted based on its significance
87 K-NN Cassifier resuts Dim. k ( best ) Tota RR [%] NegaRve Cass Errors RR[%] PosiRve Cass Errors RR[%]
88 Dim PosiRve Cass NegaRve Cass Tota RR[%] Support Vectors SVM Parameter RR [%] Errors RR [%] Errors σ C SVM resuts
89 Referensi 1. Tsuda K., Overview of Support Vector Machine, Journa of IEICE, Vo.83, No.6, 2000, pp CrisRanini N., Tayor J.S., An IntroducRon to Support Vector Machines and Other Kerne-Based Learning Methods, Cambridge Press University, Vijayakumar S, Wu S, SequenRa Support Vector Cassifiers and Regression, Proc. InternaRona Conference on So_ CompuRng (SOCO'99),Genoa, Itay, pp , Byun H., Lee S.W., A Survey on Pa:ern RecogniRon AppicaRons of Support Vector Machines, InternaRona Journa of Pa:ern RecogniRon and ArRficia Inteigence, Vo.17, No.3, 2003, pp Efficacy of Interferon Treatment for Chronic HepaRRs C Predicted by Feature Subset SeecRon and Support Vector Machine, Journa of Medica Systems, 2007 Apr, 31(2), pp , Springer US, PMID: , dapat diakses dari : h:p://dx.doi.org/ /s
Pengantar Support Vector Machine
Pengantar Support Vector Machine Anto Satriyo Nugroho February 8, 2007 1 Pengantar Pattern Recognition (PR) didefinisikan sebagai proses pemetaan suatu data ke dalam konsep tertentu yang telah didefinisikan
Lebih terperinciOutline. Pengertian Dasar Arsitektur Tugas Data Mining Contoh Penggunaan Data Mining
Outine Pengertian Dasar Arsitektur Tugas Data Mining Contoh Penggunaan Data Mining Latar Beakang 3 Mengapa harus Data Mining? Definisi Data Mining Pengertian Yang Saah Imu Data Mining Arsitektur Data Mining
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Untuk menunjang peaksanaan peneitian ini diakukan tinjauan pustaka mengenai tinjauan studi yang berisi peneitian-peneitian terkait dengan pengenaan kuaitas buah, median fitering,
Lebih terperinciAnalisis 9 Saham Sektor Industri di Indonesia Menggunakan Metode SVR
Anaisis 9 Saham Sektor Industri di Indonesia Menggunakan Metode SVR Nur Adhi Nugroho1,a, Acep Purqon1,b 1 Laboratorium Fisika Bumi, Keompok Keahian Fisika Bumi dan Sistem Kompeks, Fakutas Matematika dan
Lebih terperinciSVM untuk Regresi Ordinal
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciANALISIS ALGORITMA PREDIKSI UNTUK MENGHASILKAN PREDIKSI BEBAN LISTRIK JANGKA PENDEK
JURNAL ILMU PENGETAHUAN VOL. 3. NO. 1 AGUSTUS 2017 ANALISIS ALGORITMA PREDIKSI UNTUK MENGHASILKAN PREDIKSI BEBAN LISTRIK JANGKA PENDEK Veti Apriana 1 ; Rani Irma Handayani 2 1 Komputerisasi Akuntansi AMIK
Lebih terperinciMetode Kernel. Machine Learning
MMA10991 Topik Khusus Machine Learning Metode Kernel Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciSVM untuk Regresi. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciSupport Vector Machine
MMA10991 Topik Khusus Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciDeteksi Tumor Otak dengan Ektrasi Ciri & Feature Selection mengunakan Linear Discriminant Analysis (LDA) dan Support Vector Machine (SVM)
Deteksi Tumor Otak dengan Ektrasi Ciri & Feature Seection mengunakan Linear Discriminant Anaysis (LDA) dan Support Vector Machine (SVM) rain Tumor s Detection With Feature Extraction & Feature Seection
Lebih terperinciPREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION
PREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION Lisa Yui Kurniawati 1*), Handayani Tjandrasa 2), Isye Arieshanti 3) 1,2,3) Teknik Informatika, Fakutas Teknoogi Informasi Institut
Lebih terperinciFOURIER Oktober 2014, Vol. 3, No. 2,
FOURIER Oktober 2014, Vo. 3, No. 2, 98 116 PENYELESAIAN MATCHING GRAF DENGAN MENGGUNAKAN METODE HUNGARIAN DAN PENERAPANNYA PADA PENEMPATAN KARYAWAN DI SUATU PERUSAHAAN Auia Rahman 1, Muchammad Abrori 2,
Lebih terperinciMULTICRITERIA DECISION MAKING (MCDM)_3 PRASETYANINGRUM
MULTICRITERIA DECISION MAKING (MCDM)_3 IRA PRASETYANINGRUM PENDEKATAN KEPUTUSAN KELOMPOK Metoda Dephi Peniaian keompok, diakukan sharing dipandu moderator Masaah Daftar Anggota Ahi Masaah disampaikan ke
Lebih terperinciAPLIKASI METODE CROSS ENTROPY UNTUK SUPPORT VECTOR MACHINES
APLIKASI METODE CROSS ENTROPY UNTUK SUPPORT VECTOR MACHINES Tiananda Widyarini, Budi Santosa Jurusan Teknik Industri Institut Teknoogi Sepuuh Nopember (ITS) Surabaya Kampus ITS Sukoio Surabaya 60111 Emai:
Lebih terperinciModel Optimasi Penjadwalan Proses Slitting Material Roll dengan Multi Objective Programming
Mode Optimasi Penjadwaan Proses Sitting Materia Ro dengan Muti Objective Programming Dina Nataia Prayogo Jurusan Teknik Industri, Universitas Surabaya Jaan Raya Kairungkut, Surabaya, 60293 Te: (031) 2981392,
Lebih terperinciAl Azhar 1 Jondri 2 Untari Novia Wisesty 2
Prediksi Perkembangan Kondisi Pasien Terapi HIV dengan Menggunakan Representasi ALE-index sebagai Invariant Nuceotida sequence dan Support Vector Machine A Azhar 1 Jondri 2 Untari Novia Wisesty 2 1,2,3
Lebih terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih terperinciFrekuensi Alami Rangka Batang Semi-Kaku dengan Efek Gaya Aksial Ruly Irawan 1,a*
Frekuensi Aami Rangka Batang Semi-Kaku dengan Efek Gaya Aksia Ruy Irawan 1,a* 1 Program Studi Teknik Sipi,Fakutas Teknik, Universitas Sarjanawiyata Tamansiswa a nawari007@yahoo.com Abstrak Artike ini menyajikan
Lebih 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 Akurasi Support Vector Machine...
ANALISIS AKURASI SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF UNTUK PRAKIRAAN BEBAN LISTRIK HARIAN SEKTOR INDUSTRI Luqman Assaffat 1 * 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciSUPPORT VECTOR MACHINE (SVM)
MAKALAH DATA MINING SUPPORT VECTOR MACHINE (SVM) Di Susun Oleh : Nama : RA. Toyyibatul Faihah NRP : 07.04.111.00132 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS TRUNOJOYO 2010 1 PENDAHULUAN 1.1
Lebih terperinciSELEKSI HYPERSPECTRAL BAND MENGGUNAKAN RECURSIVE FEATURE ELIMINATION UNTUK PREDIKSI PRODUKSI PADI DENGAN SUPPORT VECTOR REGRESSION HENDRA GUNAWAN
SELEKSI HYPERSPECTRAL BAND MENGGUNAKAN RECURSIVE FEATURE ELIMINATION UNTUK PREDIKSI PRODUKSI PADI DENGAN SUPPORT VECTOR REGRESSION HENDRA GUNAWAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciManajemen Kinerja Pertemuan ke-lima. Pokok Bahasan: Penilaian Kinerja
Manajemen Kinerja Pertemuan ke-ima Pokok Bahasan: Peniaian Kinerja Manajemen Kinerja, 2 sks CHAPTER 5 PENILAIAN KINERJA 1 Pokok Bahasan: Pengertian peniaian kinerja Proses peniaian kinerja Faktor-faktor
Lebih terperincisistem InformasI GgeoGgrafIs Widiastuti
sistem InformasI GgeoGgrafIs Widiastuti Universitas Gunadarma 2015 Pertemuan Ketiga Komponen Sistem Informasi Geografis Data dan Informasi.. Data menjadi Informasi Data Pemrosesan, Pengoahan, Konversi
Lebih terperinciSVM untuk Ranking. Model Linear
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Seperti halnya semua algoritma dalam pattern recognition pada real-world domain, Support Vector Machine juga selalu mengalami masalah pada tingginya dimensi data yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan Support Vector Backpropagation. Pembahasan bertujuan untuk menguraikan teori dan algoritma yang digunakan dalam
Lebih terperinciPREDIKSI THD TEGANGAN SISTEM TENAGA LISTRIK MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF
PREDIKSI THD TEGANGAN SISTEM TENAGA LISTRIK MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF Luqman Assaffat Universitas Muhammadiyah Semarang assaffat@unimus.ac.id ABSTRACT The voltage
Lebih 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 terperinciALGORITMA SUPPORT VECTOR MACHINE UNTUK MENDETEKSI SMS SPAM BERBAHASA INDONESIA
ALGORITMA SUPPORT VECTOR MACHINE UNTUK MENDETEKSI SMS SPAM BERBAHASA INDONESIA Candra Putra Susanto dan Esther Irawati Setiawan Teknologi Informasi Sekolah Tinggi Teknik Surabaya Candra.ptr19@gmail.com
Lebih terperinciOPTIMISASI MULTIOBJEKTIF UNTUK PEMBENTUKAN PORTOFOLIO. Abdul Hoyyi 1, Dwi Ispriyanti 1. Abstract
Optimisasi (Abdu H) OPTIMISASI MULTIOBJEKTIF UNTUK PEMBENTUKAN PORTOFOLIO Abdu Hoyyi 1, Dwi Ispriyanti 1 1 Staf Pengajar Jurusan Statistika FSM UNDIP Abstract Investing in asset such as stock; besides
Lebih terperinciGambar 3.1 Lokasi Museum Konperensi Asia Afrika Sumber :
BAB III METODOLOGI PENELITIAN A. Lokasi dan Objek Peneitian Lokasi peneitian ini diaksanakan di Museum Konperensi Asia Afrika berokasi di Gedung Merdeka, jaan Asia Afrika No. 65 Bandung, Keurahan Braga,
Lebih terperinciManajemen Kinerja, Manajemen, 2 sks. Umpan Balik
Manajemen Kinerja, Manajemen, 2 sks Umpan Baik POKOK BAHASAN Umpan Baik Pengertian dan penerapan Umpan Baik 360 derajat Kriteria dan keberhasian Umpan Baik 360 derajat Keebihan dan keemahan Umpan Baik
Lebih terperinciPENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 811-820 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA
Lebih terperinciPERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION
PERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION Budi Santosa, Riza Nugraha Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo
Lebih terperinciMANAJEMEN KINERJA. Pokok Bahasan: Proses Manajemen Kinerja
MANAJEMEN KINERJA Pokok Bahasan: Proses Manajemen Kinerja Manajemen kinerja sebagai proses manajemen Preses manajemen kinerja menurut Wibowo (2007:19) mencakup suatu proses peaksanaan kinerja dan bagaimana
Lebih terperinciPENGATURAN FUNGSI PENYERAPAN DARI MODEL DIFUSI KADAR AIR PENYIMPANAN PADI DENGAN METODE BEDA HINGGA SKEMA IMPLISIT
JIMT Vo. 12 No. 1 Juni 2015 (Ha. 92 103) Jurna Imiah Matematika dan Terapan ISSN : 2450 766X PENGATURAN FUNGSI PENYERAPAN DARI MODEL DIFUSI KADAR AIR PENYIMPANAN PADI DENGAN METODE BEDA HINGGA SKEMA IMPLISIT
Lebih terperinciPREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION
Lisa Yui Kurniawati, dkk, Prediksi Pergerakan Harga Vo. 4, No. 1 Juni 2014 ISSN 2088-2130 PREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION Lisa Yui Kurniawati 1*), Handayani Tjandrasa
Lebih terperinciPENENTUAN CADANGAN PREMI MENGGUNAKAN METODE FACKLER PADA ASURANSI JIWA DWI GUNA
Buetin Imiah Mat. Stat. dan Terapannya (Bimaster) Voume 02, No. 2 (203), ha 5 20. PENENTUAN CAANGAN PREMI MENGGUNAKAN METOE FACKLER PAA ASURANSI JIWA WI GUNA Indri Mashitah, Neva Satyahadewi, Muhasah Novitasari
Lebih terperinciBAB III METODE PENELITIAN
42 BAB III METODE PENELITIAN 3. Teknik Peneitian Peneitian dengan metode perbandingan eksperimenta berisikan kegiatan yang direncanakan dan diaksanakan oeh peneiti, maka dapat diperoeh bukti-bukti yang
Lebih terperinciSistem Pengenalan Plat Nomor Mobil Dengan Metode Principal Components Analysis
Sistem Pengenaan Pat Nomor Mobi Dengan Metode Principa Components Anaysis [Resmana Lim, et a.] Sistem Pengenaan Pat Nomor Mobi Dengan Metode Principa Components Anaysis Resmana Lim, Lukman Vendy W. 2,
Lebih terperinciDeteksi Mobil Menggunakan Histogram of Oriented Gradient
1 Deteksi Mobil Menggunakan Histogram of Oriented Gradient Cahyo Permata,I Ketut Eddy Purnama dan Muhtadin Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciDeployment Wireless Sensor Network (WSN) Berdasarkan Konsumsi Energi Sensor Node
A Jazari Journa of Mechanica ngineering ISSN: 2527-3426 A Jazari Journa of Mechanica ngineering 1 (1) (2016) 12-17 Depoyment Wireess Sensor Network (WSN) Berdasarkan Konsumsi nergi Sensor Node Hani Rubiani
Lebih terperinciSISTEM DETEKSI PENYAKIT DIABETES MENGGUNAKAN METODE SUPPORT VECTOR MACHINES
IndoMS Journal on Statistics Vol. 2, No. 2 (2014), pp. 27 36 SISTEM DETEKSI PENYAKIT DIABETES MENGGUNAKAN METODE SUPPORT VECTOR MACHINES Abdul Azis Abdillah 1 dan Suwarno 2 1,2 STKIP Surya, 1 Politeknik
Lebih terperinciModel Linear untuk Regresi
MMA10991 Topik Khusus - Machine Learning Model Linear untuk Regresi Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciDOSEN PEMBIMBING Chastine Fatichah, S.Kom, M.Kom MAHASISWA Yudis Anggara P. ( )
Sidang Tugas Akhir September 2009 Implementasi Metode Ant Colony Optimization untuk Pemilihan Fitur pada Kategorisasi Dokumen Teks DOSEN PEMBIMBING Chastine Fatichah, S.Kom, M.Kom MAHASISWA Yudis Anggara
Lebih terperinciKLASIFIKASI KEBUTUHAN NON-FUNGSIONAL MENGGUNAKAN FSKNN DENGAN PENGEMBANGAN SINONIM DAN HIPERNIM BERBASIS ISO/IEC 9126
pissn: 2442-3386 eissn: 2442-4293 Vo 1 No 2 Jui 2015, 1-6 1-8 KLASIFIKASI KEBUTUHAN NON-FUNGSIONAL MENGGUNAKAN FSKNN DENGAN PENGEMBANGAN SINONIM DAN HIPERNIM BERBASIS ISO/IEC 9126 Denni Adi Ramadhani 1,
Lebih 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 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 terperinciOBJECTIVES PENGANTAR-1
6//0 MINIMALISASI BIAYA MENGGUNAKAN GOLDEN SECTION AND HOOK JEEVES METHODS OBJECTIVES Understand why and where optimization occurs in engineering probem soving. Understand the major eements of the genera
Lebih terperinciKlasifikasi K-NN Dan Naive Bayes Terhadap Pelacakan Ujung Jari Berbasis Camera Smartphone
POLITEKNOSAINS, Vo. XVI, No 1, Maret 2017 13 Kasifikasi K-NN Dan Naive Bayes Terhadap Peacakan Ujung Jari Berbasis Camera Smartphone Sudarno 1, Agus Kristanto 2, Taman Ginting 3 1 Teknik Eektro, Poiteknik
Lebih terperinciPEMODELAN TARIKAN PERJALANAN PADA RUMAH SAKIT DI KOTA PADANG
No. Vo. Thn. XIV Apri 00 ISSN: 84-84 PEMODELAN TARIKAN PERJALANAN PADA RUMAH SAKIT DI KOTA PADANG Hendra Gunawan ),Titi Kurniati ),Dedi Arnadi ) )Staf Pengajar Jurusan Teknik Sipi Universitas Andaas )Mahasiswa
Lebih terperinciSTUDI KOMPARASI METODE KLASIFIKASI DUA KELAS
Program Studi MMT-ITS, Surabaya Pebruari 007 STUDI KOMPARASI METODE KLASIFIKASI DUA KELAS Budi Santosa dan Devi Rosita Hanum Teknik Industri Institut Teknologi Sepuluh Nopember Email: budi_s@ie.its.ac.id,
Lebih terperinciPENENTUAN MOMEN INERSIA BENDA TEGAR DENGAN METODE BANDUL FISIS. Stepanus Sahala S. Prodi Pend. Fisika, Jurusan PMIPA FKIP Untan.
36 PENENTUAN MOMEN INERSIA BENDA TEGAR DENGAN METODE BANDUL FISIS Stepanus Sahaa S. Prodi Pend. Fisika, Jurusan PMIPA FKIP Untan Abstract The aim of this research is the define rigid inert moment with
Lebih terperinciSaluran Transmisi pada Gelombang Mikro
Sauran Transmisi pada Gembang Mikr Daam frekuensi tinggi, suatu sauran transmisi akan menimbukan efek kapasitansi dan induktansi yang terdistribusi di sepanjang sauran. Karena panjang gembang ebih keci
Lebih terperinciPREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) 1 Lestari Handayani, 2 Fitriandini Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif
Lebih terperinciANALISIS FOURIER. Kusnanto Mukti W./ M Jurusan Fisika Fakultas MIPA Universitas Sebelas Maret. Abstrak
ANALISIS FOURIER Kusnanto Mukti W./ M0209031 Jurusan Fisika Fakutas MIPA Universitas Sebeas Maret Abstrak Anaisis fourier adaah cara matematis untuk menentukan frekuensi dan ampitudo harmonik. Percobaan
Lebih terperinciOPTIMALISASI JUMLAH BUS TRAYEK MANGKANG- PENGGARON DENGAN PENDEKATAN COMPROMISE PROGRAMMING
OPTIMALISASI JUMLAH BUS TRAYEK MANGKANG- PENGGARON DENGAN PENDEKATAN COMPROMISE PROGRAMMING Diana Puspita Sari, Arfan Backtiar, Heny Puspasri Industria Engineering Department, Diponegoro University Emai
Lebih terperinciAnalisis Perbandingan Sistem Pengenalan Rambu-Rambu Lalu Lintas Menggunakan Metode Generative Learning dan Support Vector Machine
Analisis Perbandingan Sistem Pengenalan Rambu-Rambu Lalu Lintas Menggunakan Metode Generative Learning dan Support Vector Machine Moses Jefferson Irawan, Dodi Sudiana Teknik Komputer, Fakultas Teknik,
Lebih terperinciUJI KINERJA LEARNING TO RANK DENGAN METODE SUPPORT VECTOR REGRESSION
IndoMS Journal on Industrial and Applied Mathematics Volume. 2, Issue. 1 (2015), pp. 15-25 UJI KINERJA LEARNING TO RANK DENGAN METODE SUPPORT VECTOR REGRESSION ABDUL AZIS ABDILLAH, HENDRI MURFI, DAN YUDI
Lebih terperinciPREMI DANA PENSIUN DENGAN METODE ENTRY AGE NORMAL PADA STATUS GABUNGAN BERDASARKAN DISTRIBUSI EKSPONENSIAL
PREMI DANA PENSIUN DENGAN METODE ENTRY AGE NORMAL PADA STATUS GABUNGAN BERDASARKAN DISTRIBUSI EKSPONENSIAL Adhe Afriani 1*, Hasriati 2, Musraini 2 1 Mahasiswa Program S1 Matematika 2 Dosen Jurusan Matematika
Lebih terperinciAbstrak. Kata-kata kunci: pemodelan transportasi, matriks asal-tujuan, metode estimasi, distribusi perjalanan, pemilihan rute
PEGARUH JEIS MEODE ESIMASI DALAM ESIMASI MARIKS ASAL UJUA (MA) MEGGUAKA DAA ARUS LALULIAS PADA KODISI PEMILIHA RUE KESEIMBAGA (EQUILIBRIUM ASSIGME) Rusmadi Suyuti Mahasiswa Program S3 Pascasarjana eknik
Lebih terperinciIMPLEMENTASI METODE MULTIPLE KERNEL SUPPORT VECTOR MACHINE UNTUK SELEKSI FITUR DARI DATA EKSPRESI GEN DENGAN STUDI KASUS LEUKIMIA DAN TUMOR USUS BESAR
IMPLEMENTASI METODE MULTIPLE KERNEL SUPPORT VECTOR MACHINE UNTUK SELEKSI FITUR DARI DATA EKSPRESI GEN DENGAN STUDI KASUS LEUKIMIA DAN TUMOR USUS BESAR Ariana Yunita 1 Chastine Fatichah 2 Umi Laily Yuhana
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHAN DOSEN BERPRESTASI DENGAN MENGGUNAKAN METODE FUZZY DATABASE MODEL TAHANI
DINAMIKA INFORMATIKA Vo.6 No. 1, Maret 2014 ISSN 2085-3343 SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN DOSEN BERPRESTASI DENGAN MENGGUNAKAN METODE FUZZY DATABASE MODEL TAHANI Teguh Khristianto, Bayu Surarso,
Lebih terperinciModel Linear untuk Klasifikasi
MMA10991 Topik Khusus - Machine Learning Model Linear untuk Klasifikasi Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciALTERNATIVE ASSESMENT. (Penilaian Alternatif) LEMBAGA PENGKAJIAN DAN PENGEMBANGAN PENDIDIKAN UNIVERSITAS AIRLANGGA
ALTERNATIVE ASSESMENT (Peniaian Aternatif) LEMBAGA PENGKAJIAN DAN PENGEMBANGAN PENDIDIKAN UNIVERSITAS AIRLANGGA 1 BENTUK UJIAN Tuis In cass Take home Achievement Aptitude Course-based Non course based
Lebih terperinciBAB II TINJAUAN PUSTAKA. utamanya adalah menentukan struktur yang mendasari keterkaitan (korelasi)
BAB II TINJAUAN PUSTAKA. Anaisis aktor Menurut Hair, et a. (995) anaisis faktor adaah sebuah nama umum yang diberikan kepada sebuah keas dari metode statistika mutivariat yang tujuan utamanya adaah menentukan
Lebih terperinciBAB II KAJIANPUSTAKA
BAB II KAJIANPUSTAKA 2.1 Klasifikasi Klasifikasi adalah proses pengelompokan data menjadi suatu kelas berdasarkan kesamaan karakteristik pada data data yang ada. Ada 2 jenis metode yang dapat digunakan
Lebih terperinciANALISIS PERFORMANSI PERUSAHAAN SYARIAH DI BURSA EFEK INDONESIA (BEI) MENGGUNAKAN METODE DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE (SVM)
ANALISIS PERFORMANSI PERUSAHAAN SYARIAH DI BURSA EFEK INDONESIA (BEI) MENGGUNAKAN METODE DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE (SVM) NUR SYAFRIDA - 1308 100 065 Pembimbing : Muhammad Mashuri,
Lebih terperinciPENDETEKSIAN JENIS DAN KELAS AROMA DENGAN MENGGUNAKAN METODE ONE-VS-ONE DAN METODE ONE-VS-REST
MAKARA, SAINS, VOL. 7, NO.3, DESEMBER 2003 PENDETEKSIAN JENIS DAN KELAS AROMA DENGAN MENGGUNAKAN METODE ONE-VS-ONE DAN METODE ONE-VS-REST Zuherman Rustam 1,3, Benyamin Kusumoputro 2,3 dan Belawati Widjaja
Lebih terperinciPerancangan Job-Person Matching di Bagian Sediaan Non-Betalaktam Departemen Instalasi Produksi Lafiad
Jurna Teematika, vo. 9 no. 2, Institut Teknoogi Harapan Bangsa, Bandung ISSN: 1858-2516 Perancangan Job-Person Matching di Bagian Sediaan Non-Betaaktam Departemen Instaasi Produksi Lafiad Devi Puspitarini
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kredit merupakan salah satu bentuk usaha sekunder yang dapat dilakukan untuk pemenuhan kebutuhan sehari-hari. Pada umumya, proses kredit dapat dilayani melalui lembaga
Lebih terperinciPREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR REGRESSION (SVR) DENGAN ALGORITMA GRID SEARCH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 315-321 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PREDIKSI INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
71 BAB IV HASIL DAN PEMBAHASAN 4.1 Pembuatan Basis Data Langkah pertama daam membangun apikasi adaah meakukan instaasi apikasi server yaitu menggunakan SQLite manager yang di insta pada browser Mozia Firefox.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data mining mengacu pada proses ekstraksi atau menggali pengetahuan dari sekumpulan data yang besar. Data mining mempunyai nama lain yang dikenal secara popular dengan
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 terperinciDIAGNOSA KETIDAKLURUSAN (MISALIGNMENT) POROS MENGGUNAKAN METODE MULTICLASS SUPPORT VECTOR MACHINE (SVM)
DIAGNOSA KETIDAKLURUSAN (MISALIGNMENT) POROS MENGGUNAKAN METODE MULTICLASS SUPPORT VECTOR MACHINE (SVM) SKRIPSI Diajukan sebagai salah satu syarat Untuk memperoleh gelar Sarjana Teknik Oleh: WANTO NIM.
Lebih terperinciIMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE
Jurnal Informatika Polinema ISSN: 2407-070X IMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE Faisal Rahutomo 1, Pramana Yoga Saputra 2, Miftahul Agtamas
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
Lebih terperinciPERAMALAN BEBAN LISTRIK BULANAN SEKTOR INDUSTRI MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN VARIASI FUNGSI KERNEL
PERAMALAN BEBAN LISTRIK BULANAN SEKTOR INDUSTRI MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN VARIASI FUNGSI KERNEL Luqman Assaffat Program Studi Teknik Elektro, Fakultas Teknik Universitas Muhammadiyah Semarang
Lebih terperinciPenggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot
Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier Bernhard M. Wongkar 1, John S. Kekenusa 2, Hanny A.H. Komalig 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, bernhard.wongkar2011@gmail.com
Lebih terperinciMETODE SIMPLEKS PRIMAL-DUAL PADA PROGRAM LINIER FUZZY PENUH DENGAN BILANGAN TRAPEZOIDAL
METODE SIMPLEKS PRIMAL-DUAL PADA PROGRAM LINIER FUZZY PENUH DENGAN BILANGAN TRAPEZOIDAL Bambang Irawanto 1,Djwandi 2, Sryoto 3, Rizky Handayani 41,2,3 Departemen Matematika Faktas Sains dan Matematika
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1. Wilayah dan Jadwal Penelitian Wilayah penelitan adalah Kota Banda Aceh. Penelitian ini dilakukan mulai bulan April sampai Juli 2014. 3.2. Populasi dan Sampel Populasi dalam
Lebih terperinciPengaruh Preprocessing Data pada Metode SVR dalam Memprediksi Permintaan Obat
Pengaruh Preprocessing Data pada Metode SVR dalam Memprediksi Permintaan Obat Bakhtiyar Hadi Prakoso 1) 1) Jurusan Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Jember Jl. Karimata No.
Lebih terperinciPengklasifikasian Pada Data Echocardiogram Dengan Menggunakan Support Vector Machine dan Analisis Diskriminan
Gede Suwardika. (2017). Pengklasifikasian Pada Data Echocardiogram Dengan Menggunakan Support Vector Machine dan Analisis Diskriminan. International Journal of Natural Science and Engineering. Vol.1 (1)
Lebih terperinciYAGI ANTENNA DESIGN FOR WIRELESS LAN 2,4 GHZ
YAGI ANTENNA DESIGN FOR WIRELESS LAN 2,4 GHZ Tito Tuwono,ST, M.Sc Program Studi Teknik Eektro, Fakutas Teknoogi Industri, Universitas Isam Indonesia Jaan Kaiurang km 14,5 jogjakarta 55501 titoyuwono@yahoo.com,
Lebih terperinciData Mining Terapan dengan Matlab
Pendahuluan i ii Data Mining Terapan dengan Matlab Pendahuluan iii DATA MINING TERAPAN DENGAN MATLAB Oleh : Budi Santosa Edisi Pertama Cetakan Pertama, 2007 Hak Cipta 2007 pada penulis, Hak Cipta dilindungi
Lebih terperinciRadial Basis Function Networks
MMA099 Topik Khusus Machine Learning Radial Basis Function Networks Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 6424 Telp. +62-2-786279/7863439,
Lebih terperinciKata kunci: Fuzzy Adaptif, Air Fuel Ratio, duty cycle, sensor lambda.
KONTROL AIR FUEL RATIO PADA SPARK IGNITION ENGINE SISTEM EFI SEKUENSIAL MENGGUNAKAN KONTROL FUZZY ADAPTIF DAPAT MENEKAN BEAYA OPERASIONAL KENDARAAN Abdu Hamid, Ari Santoso Jurusan Teknik Eektro-FTI ITS
Lebih terperinciMetode Klasifikasi (SVM Light dan K-NNK. NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech. Jurusan Informatika FMIPA Universitas Syiah Kuala
Metode Klasifikasi (SVM Light dan K-NNK NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech Jurusan Informatika FMIPA Universitas Syiah Kuala www.informatika.unsyiah.ac.id/tfa Alur dan Proses Cleaning Process Dokumen
Lebih terperinciPENERAPAN ADABOOST UNTUK KLASIFIKASI SUPPORT VECTOR MACHINE GUNA MENINGKATKAN AKURASI PADA DIAGNOSA CHRONIC KIDNEY DISEASE
PENERAPAN ADABOOST UNTUK KLASIFIKASI SUPPORT VECTOR MACHINE GUNA MENINGKATKAN AKURASI PADA DIAGNOSA CHRONIC KIDNEY DISEASE Eka Listiana 1*, Much Aziz Muslim 1 1 Program Studi Teknik Informatika, Fakultas
Lebih terperinciBAB III OBJEK DAN METODE PENELITIAN
37 BAB III OBJEK DAN METODE PENELITIAN 3.1 Objek Peneitian Peneitian ini menggunakan pendekatan manajemen pemasaran khususnya mengenai pengaruh service exceence terhadap kepuasan konsumen. Adapun yang
Lebih terperinciPENGGOLONGAN UANG KULIAH TUNGGAL MENGGUNAKAN SUPPORT VECTOR MACHINE
E-Jurnal Matematika Vol. 6 (4), November 2017, pp. 220-225 ISSN: 2303-1751 DOI: https://doi.org/10.24843/mtk.2017.v06.i04.p169 PENGGOLONGAN UANG KULIAH TUNGGAL MENGGUNAKAN SUPPORT VECTOR MACHINE I Gede
Lebih terperinciSelanjutnya rancangan perkuliahan setiap pertemuan adalah sebagai berikut: Jenis Tugas TR CBR CJR MR RI PJCT M K M K M K M K M K M K T P L
Seanjutnya rancangan perkuiahan setiap pertemuan adaah sebagai berikut: Pert. Ke Aktivitas Perkuiahan Softski yang Diharapkan 1 Learning Contract - - - - - - - - - - - - Ketekunan Kedisipinan 1 Dosen membagikan
Lebih terperinciTabel 1.1 Pertumbuhan Panjang Jalan dan Jumlah Kendaraan
BAB I PENDAHULUAN Sebagai negara berkembang, perekonomian Indonesia didorong untuk tumbuh dengan pesat. Salah satu indikator pertumbuhan perekonomian yang baik adalah tingginya daya beli masyarakat. Tingginya
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 terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinci