PRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA
|
|
- Siska Sudirman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA Penyusun Tugas Akhir : Astris Dyah Perwita (NRP : ) Dosen Pembimbing I Dr.Chastine Fatichah, S.Kom., M.Kom. Dosen Pembimbing II Rully Soelaiman, S.Kom., M.Kom.. Minggu, 06 Juli
2 PRESENTASI TUGAS AKHIR UJI KINERJA PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA Penyusun Tugas Akhir : Astris Dyah Perwita (NRP : ) Dosen Pembimbing I Dr.Chastine Fatichah, S.Kom., M.Kom. Dosen Pembimbing II Rully Soelaiman, S.Kom., M.Kom.. Minggu, 06 Juli
3 Pendahuluan Uji Coba dan Analisis Hasil Agenda Perancangan Perangkat lunak Kesimpulan dan Saran Minggu, 06 Juli 2014 Tugas Akhir CI1599 3
4 Latar Belakang Pendahuluan Tujuan Batasan Masalah Permasalahan Pola Klasifikasi Metode Klasifikasi SVM Kelebihan SVM: Error klasifikasi yang relatif kecil Cocok untuk permasalahan berdimensi tinggi Memiliki landasan teori yang dapat dianalisis dengan jelas Dapat diimplementasikan relatif mudah Kekurangan SVM: Sulit dipakai dalam permasalahan berskala besar Kualitas tergantung dengan parameter dan fungsi-fungsi yang digunakan Kelebihan SA: Dapat mengatasi model permasalahan nonlinier Dapat mengatasi data yang memiliki banyak batasan Fleksibel, tidak bergantung pada ketentuan atau model tertentu Kekurangan SA: Kualitas ditentukan oleh presisi nilainilai variabel pada proses Menambah waktu komputasi Minggu, 06 Juli 2014 Tugas Akhir CI1599 4
5 Latar Belakang Pendahuluan Tujuan Batasan Masalah Support Vector Machine Simulated Annealing Menghasilkan metode klasifikasi yang: Memiliki nilai error dari klasifikasi yang relatif kecil Cocok untuk permasalahan berdimensi tinggi Dapat diimplementasikan dengan mudah Memiliki kualitas klasifikasi dari SVM yang baik karena parameter dioptimasi dengan SA SA bekerja maksimum karena variabel pada prosesnya telah disesuaikan dengan SVM Minggu, 06 Juli 2014 Tugas Akhir CI1599 5
6 Latar Belakang Pendahuluan Tujuan Batasan Tujuan Masalah Implementasi algoritma Simulated Annealing untuk mengoptimasi parameter SVM yaitu C dan σ. Implementasi algoritma Simulated Annealing pada SVM dengan kernel yang telah dimodifikasi. Melakukan uji coba dan analisis kinerja dari algoritma yang telah diimplementasikan. Minggu, 06 Juli 2014 Tugas Akhir CI1599 6
7 Latar Belakang Pendahuluan Batasan Batasan Tujuan Masalah Masalah Dataset yang digunakan adalah Hepatitis dan Breast Cancer dari UC Irvine Machine Learning Repository (UCI). Implementasi dilakukan pada Matlab 2008a Parameter yang dioptimasi parameter C dan σ. Kernel yang digunakan adalah kernel RBF Minggu, 06 Juli 2014 Tugas Akhir CI1599 7
8 Perancangan Perangkat lunak Uji coba dan analisis hasil Agenda Pendahuluan Kesimpulan dan Saran Minggu, 06 Juli 2014 Tugas Akhir CI1599 8
9 Perancangan Perangkat Lunak Data Metode Gambaran Aplikasi Hasil Aplikasi Minggu, 06 Juli 2014 Tugas Akhir CI1599 9
10 Perancangan Perangkat Lunak Data Data hepatitis 21 fitur Class: Die & Live Total data: 155 Data yang memiliki missing value: 75 Data yang digunakan: 80 Distribusi class: 13 Die 67 Live Data Breast Cancer 10 fitur Class: Benign & Malignant Total data: 699 Data yang memiliki missing value: 16 Data yang digunakan: 683 Distribusi class: 444 Benign 239 Malignant Minggu, 06 Juli 2014 Tugas Akhir CI
11 Data Keterangan Variabel Data Hepatitis Nomor Atribut Keterangan 1 Class Die, Live 2 Age 10, 20, 30, 40, 50, 60, 70, 80 3 Sex Male, Female 4 Steroid No, Yes 5 Antivirals No, Yes 6 Fatique No, Yes 7 Malaise No, Yes 8 Anorexia No, Yes 9 Liver Big No, Yes 10 Liver Firm No, Yes 11 Spleen No, Yes Palpable 12 Spiders No, Yes 13 Ascites No, Yes 14 Varices No, Yes 15 Bilirubin 0.39, 0.80, 1.20, 2.00, 3.00, Alk Phosphate 33, 80, 120,160, 200, Sgot 13, 100, 200, 300, 400, Albumin 2.1, 3.0, 3.8, 4.5, 5.0, Protime 10, 20, 30, 40, 50, 60, 70, 80, Histology No, Yes Perancangan Perangkat Lunak Keterangan Variabel Data Breast Cancer Nomor Atribut Keterangan 1 Sample Code Number Id number 2 Clump Thickness Uniformity of Cell Size Uniformity of Cell 1 10 Shape 5 Marginal Adhesion Single Ephitelial Cell 1 10 Size 7 Bare Nuclei Bland Chromatin Normal Nucleoli Mitoses Class 2 untuk Benign, 4 untuk Malignant Minggu, 06 Juli 2014 Tugas Akhir CI
12 Perancangan Perangkat Lunak Support Vector Machine Metode Support Vector Machine diperkenalkan oleh Vladimir N. Vapnik pada tahun 1992 Prinsip dasar SVM adalah linear classifier. Kemudian konsep ini dikembangkan dengan kernel trick sehingga dapat bekerja pada permasalahan berdimensi tinggi. Konsep SVM adalah pengambilan keputusan berdasarkan hyperplane yang terbentuk Minggu, 06 Juli 2014 Tugas Akhir CI
13 .:WEIGHTED KERNEL:. Pembobotan pada data dilakukan untuk memberikan penekanan sesuai dengan tingkat kandungan informasi pada suatu data. Pembobotan dilakukan pada fungsi kernel RBF yang dimodifikasi : 2 S( xi x j ) K SW ( xi, x j ) exp 2 (1) 2 Minggu, 06 Juli 2014 Tugas Akhir CI
14 Perancangan Perangkat Lunak Simulated Annealing Metode Simulated Annealing adalah metode metaheuristik yang mengadaptasi konsep metalurgi besi yang dipanaskan pada suhu tertentu. Simulated Annealing merupakan metode pencarian nilai optimal global yang dilakukan secara bertahap sesuai dengan prinsip hubungan antara suhu dengan energi yang dibutuhkan besi. Minggu, 06 Juli 2014 Tugas Akhir CI
15 Perancangan Perangkat Lunak Gambaran Aplikasi Simulated Annealing Konfigurasi Penentu Optimasi Penentuan Parameter SVM Fungsi Objektif Representasi Solusi Akurasi terbaik dengan parameter optimal Cross Validation Akurasi Pelatihan Pengujian Kernel dan pembobotan Minggu, 06 Juli 2014 Tugas Akhir CI
16 Perancangan Perangkat Lunak Simulated Annealing (Bag. Pertama) Inisialisasi kondisi awal dan iterasi Estimasi parameter dengan nilai random Aplikasi parameter pada SVM Parameter C Merupakan parameter untuk mengkondisikan nilai soft margin pada SVM Parameter σ (sigma) Merupakan parameter untuk kernel RBF pada SVM SA Bag. 2 Minggu, 06 Juli 2014 Tugas Akhir CI
17 Perancangan Perangkat Lunak SVM Parameter dari SA Cross Validation Pelatihan Dataset Kembalikan nilai akurasi terbaik dari n- folds cross validation ke SA Membagi dataset menjadi n bagian untuk pelatihan dan pengujian Pengujian Membutuhkan: data latih, data uji, jenis kernel, pembobotan, dan α Menghasilkan akurasi Membutuhkan: data latih, jenis kernel, & parameter C Menghasilkan α Kernel Membutuhkan: nilai data dan fitur, jenis kernel, parameter σ, dan pembobotan Minggu, 06 Juli 2014 Tugas Akhir CI
18 Perancangan Perangkat Lunak Simulated Annealing (Bag. Kedua) Hitung nilai probabilitas (Probabilitas Boltzman) tidak Akurasi lebih baik? Nilai akurasi SVM Ya Nilai random > probabilitas? tidak Simpan nilai akurasi dan konfigurasi parameter Estimasi parameter dengan nilai random Ya Tolak konfigurasi Iterasi selesai tidak Kembalikan nilai akurasi dan konfigurasi parameter terbaik Ya Minggu, 06 Juli 2014 Tugas Akhir CI
19 Perancangan Perangkat Lunak Hasil Program Hasil Aplikasi Iterasi Folds Nilai Nilai parameter σ parameter C Akurasi terbaik SVM Keputusan SA Minggu, 06 Juli 2014 Tugas Akhir CI
20 Uji Coba dan Analisis Hasil Perancangan Perangkat Lunak Agenda Pendahuluan Kesimpulan dan Saran Minggu, 06 Juli 2014 Tugas Akhir CI
21 Uji Coba Uji Coba Awal Percobaan dilakukan pada data Hepatitis dan Breast Cancer dengan menggunakan parameter yang dianggap paling optimal oleh literatur utama. C = 16,6 σ = 0,31342 Percobaan dilakukan dengan variasi 5-folds cross validation dan 10 folds cross validation Minggu, 06 Juli 2014 Tugas Akhir CI
22 Uji Coba Awal Tabel Hasil Percobaan Awal pada Data Hepatitis 5 Folds Cross Validation Validasi ke Data Latih Data Uji Akurasi , , , , ,50 Tabel Hasil Percobaan Awal pada Data Hepatitis 10 Folds Cross Validation Validasi ke Data Latih Data Uji Akurasi , , , , , , , , , ,50 Tabel Hasil Percobaan Awal pada Data Breast Cancer 5 Folds Cross Validation Validasi Ke Data Latih Data Uji Akurasi , , , , ,27 Tabel Hasil Percobaan Awal pada Data Breast Cancer 10 Folds Cross Validation Validasi Ke Data Latih Data Uji Akurasi , , , , , , , , , ,56 Minggu, 06 Juli 2014 Tugas Akhir CI
23 Uji Coba Analisis Hasil Uji Coba SVM-SA Percobaan C σ Folds Akurasi , , ,1 5 97, , , ,1 5 97, , , , , , , , , , , , ,75 Folds Tabel Hasil Percobaan SVM-SA pada Data Hepatitis Tabel Hasil Percobaan Awal pada Data Hepatitis Akurasi terbaik percobaan awal Percobaan C Folds Akurasi 1 0,9 0,4 5 99,41 2 1,5 0, Folds Tabel Hasil Percobaan SVM-SA pada Data Breast Cancer Tabel Hasil Percobaan Awal pada Data Breast Cancer Akurasi terbaik percobaan awal Hasil Akurasi akurasi maksimum pada untuk data 5 folds Hepatitis cross validation sama akurat data Breast dibandingkan Cancer sama dengan dengan percobaan uji awal. Namun namunada didapatkan beberapa dariparameter pasangan parameter yang dapat yang berbeda. menghasilkan akurasi terbaik. Akurasi yang dihasilkan 10 folds cross validation 0,29% lebih baik daripada percobaan awal Minggu, 06 Juli 2014 Tugas Akhir CI
24 Uji Coba Analisis Hasil Uji Coba SVM-SA 0-0,5 Grafik A. Hasil Percobaan SVM-SA 5 folds Cross Validation 0-0,5 Pada grafik, tampak bahwa wilayah puncak yang merupakan representasi dari akurasi yang baik berada di wilayah parameter σ yang sempit (antara 0 0,5) untuk berbagai variasi nilai parameter C. Hal ini sesuai dengan hasil akurasi pada tabel hasil akurasi baik dengan 5 folds cross validation maupun 10 folds cross validation. Grafik B. Hasil Percobaan SVM-SA 10 folds Cross Validation Minggu, 06 Juli 2014 Tugas Akhir CI
25 Uji Coba Analisis Hasil Uji Coba SVM-SA Pada grafik 5 folds cross validation, hanya beberapa pasangan parameter saja yang bisa mencapai titik puncak atau akurasi terbaik. Parameter yang menghasilkan akurasi terbaik berada pada wilayah parameter C = 0,9 dan σ = 0,4 Pada uji coba ini terdapat 8 dari 100 pasangan parameter yang menghasilkan akurasi di atas rata-rata. Uji coba 10 folds cross validation menunjukkan bahwa akurasi yang tinggi dapat dicapai dengan parameter kernel RBF atau parameter σ antara 0-0,5 dan parameter C antara Pada uji coba ini, 43 dari 80 pasangan parameter menghasilkan akurasi di atas rata-rata. Grafik C. Hasil Percobaan SVM-SA 5 folds Cross Validation Grafik D. Hasil Percobaan SVM-SA 10 folds Cross Validation Minggu, 06 Juli 2014 Tugas Akhir CI
26 Uji Coba SVM-SA-Pembobotan Kernel Tabel Hasil Percobaan SVM-SA-Pembobotan Kernel Pada Data Hepatitis Percobaan C Folds Akurasi , , , , ,1 5 97, , , , , ,2915 2, , , , , , , , ,75 Tabel Hasil Uji Coba Data Hepatitis Percobaan Folds Akurasi terbaik Awal Awal SVM SA SVM - SA Tabel Hasil Percobaan SVM-SA-Pembobotan Kernel pada Data Breast Cancer Percobaan C Folds Akurasi 1 4,2 0,1 5 96,49 2 7,921 0, ,54 Tabel Hasil Uji Coba Data Breast Cancer Percobaan Folds Akurasi terbaik Awal 5 99,41 Awal 10 99,71 SVM SA 5 99,41 SVM - SA Hasil akurasi percobaan pada data Hasil akurasi percobaan pada data Breast Hepatitis menjadi lebih akurat 1.25% daripada Cancer percobaan menurun awal daripada pada variasi percobaanpercobaan 10 folds cross validation sebelumnya pada kedua variasi cross validation Minggu, 06 Juli 2014 Tugas Akhir CI
27 Uji Coba Analisis Hasil SVM-SA-Pembobotan Kernel 0-1,5 Grafik hasil percobaan SVM-SA 5 folds CV 0-3 Jangkauan parameter kernel RBF yang menghasilkan akurasi maksimum menjadi antara 0 sampai 1,5 dengan berbagai nilai parameter C dari sebelumnya yang berkisar antara antara 0 0,5 Grafik hasil percobaan SVM-SA 10 folds CV Minggu, 06 Juli 2014 Tugas Akhir CI
28 Uji Coba Analisis Hasil SVM-SA-Pembobotan Kernel Jangkauan dari pasangan parameter yang dapat menghasilkan akurasi tinggi ada pada jangkauan parameter σ antara 0-0,5 dan C antara 0-6 Dengan parameter yang terbatas, sistem dapat menghasilkan akurasi yang tinggi. Hal ini dibuktikan dengan 56 dari 85 pasangan parameter yang mencapai akurasi di atas rata-rata 0-0,5 Grafik hasil percobaan SVM-SA 5 folds CV Grafik hasil percobaan SVM-SA 10 folds CV 0-0,5 Minggu, 06 Juli 2014 Tugas Akhir CI
29 Kesimpulan dan Saran Perancangan Perangkat Lunak Agenda Pendahuluan Uji Coba dan Analisis Hasil Minggu, 06 Juli 2014 Tugas Akhir CI
30 Kesimpulan dan Saran Kesimpulan Algoritma Simulated Annealing (SA) dapat diimplementasikan untuk mengoptimasi parameter SVM Metode pembobotan kernel Gradient Descent dapat diaplikasikan pada SVM untuk memperbaiki hasil klasifikasi. Sistem SVM dengan optimasi parameter menggunakan SA lebih akurat hingga 1,25% lebih baik daripada tanpa menggunakan optimasi parameter SA pada dataset Hepatitis. Jangkauan nilai parameter dapat diperluas hingga 2 kali lipat dengan menerapkan metode pembobotan kernel. Minggu, 06 Juli 2014 Tugas Akhir CI
31 Kesimpulan dan Saran Saran Membuat antarmuka yang baik sehingga dapat dioperasikan dengan mudah oleh pengguna. Minggu, 06 Juli 2014 Tugas Akhir CI
32 Terima Kasih Minggu, 06 Juli 2014 Tugas Akhir CI
33 Perancangan Perangkat Lunak Pembobotan Kernel Gradient Descent Algoritma optimasi untuk menemukan local minimum dari sejumlah jangkauan nilai dari suatu fungsi dengan menggunakan langkah yang proporsional Membutuhkan e sebagai searching speed dan n sebagai batas iterasi Diterapkan pada kernel untuk mendapatkan nilai margin yang paling maksimum sehingga akurasi lebih baik Minggu, 06 Juli 2014 Tugas Akhir CI
34 Gradient Descent Minggu, 06 Juli 2014 Tugas Akhir CI
35 Perancangan Perangkat Lunak Support Vector Machine Traning Dataset Vladimir N. Vapnik (1992) Pengambilan keputusan berdasarkan bidang-bidang terbatas 5 Decision Boundary Pengelompokan class dengan decision boundary Minggu, 06 Juli 2014 Tugas Akhir CI
36 Perancangan Perangkat Lunak Optimal Separating Hyperplane Hyperplane dinotasikan dengan w x b = 0 Jarak antara hyperplane dengan support vector γ = 1 w Hyperplane ideal = margin maksimal untuk memisahkan data Margin maksimal nilai w minimal Optimasi dengan Lagrange Multiplier L w, b, α = 1 2 w 2 l i=1 α i y i x i. w + b 1 Minggu, 06 Juli 2014 Tugas Akhir CI
37 Kernel Trick Data tidak dapat dipisahkan dengan batas linear Transformasi data ke ruang-ruang baru untuk membentuk batas linier Dapat digantikan oleh fungsi kernel Disesuaikan dengan kondisi data. Mengandalkan dot product data. Kernel Trick - Metode untuk menghitung kesamaan dari ruang yang ditransformasi menggunakan atribut set awal dan nilai dot product dari data RBF Kernel Optimasi variabel σ untuk memaksimalkan kinerja fungsi kernel Minggu, 06 Juli 2014 Tugas Akhir CI
38 Kernel Trick Klasifikasidengan kernel trick: f x = w. x + b f x = f x = l i=1,x i SV l i=1,x i SV α i y i x. (x i ) + b α i y i K x. x i + b Kernel yang biasa dipakai pada SVM Nama Kernel Polinomial Radial-basis function (RBF/Gaussian) Inner Product Kernel (x T x i + 1) p dengan nilai p ditentukanolehpengguna exp x x 2 2 2σ 2 dengan nilai σ ditentukanolehpengguna Two Layer Perceptron tan h(β 0 x T x i + β 1 ) Minggu, 06 Juli 2014 Tugas Akhir CI
39 Diagram Alir Perangkat Lunak Inisialisasi State dan Max-Score Pilih nilai random untuk parameter Cross Validation Dataset Bagi data menjadi k-bagian Pilih satu bagian untuk menjadi testing Kurangi Iterasi dan jangkauan nilai SVM dengan pembobotan kernel Tidak NewScore >Pre-Score NewScore = CVScore Ya Semua bagian terpilih menjadi data test? Tidak Ya PreScore = NewScore PreScore >= MaxScore Kembalikan Minggu, 06 Juli 2014 Tugas Akhir CI parameter terbaik dan Score terbaik
40 Simulated Annealing Probability Boltzman P = exp E k b T = e E kb T Digunakan sebagai penentu diterimanya solusi dari fungsi objektif. Persamaan ini menandakan hubungan antara T (Temperatur/suhu) dengan E (energi). Pada permasalahan SVM SA, E adalah fungsi SVM dengan hasil akurasi dari klasifikasi. Pada sistem ini, Probabilitas Boltzman digunakan untuk mengetahui Akurasi yang sering muncul Minggu, 06 Juli 2014 Tugas Akhir CI
41 Simulated Annealing Kelebihan: dapat mengatasi model permasalahan nonlinier yang memiliki tingkat tinggi, data yang kacau, data memiliki banyak noise, dan data yang memiliki banyak batasan Fleksibel sehingga banyak digunakan untuk menyelesaikan banyak permasalahan Kekurangan Perlu banyak penyesuaian Nilai atas variabel menentukan kualitas optimasi Minggu, 06 Juli 2014 Tugas Akhir CI
42 Uji Coba Uji Coba Awal Data Hepatitis Validasi ke Data Latih Data Uji Akurasi , , , , ,50 K = 5; C = 16,6; σ = Validasi ke Data Latih Data Uji Akurasi , , , , ,75 Percobaan dilakukan pada data hepatitis dengan menggunakan parameter yang dianggap paling optimal oleh literatur utama. C = 16,6 σ = 0,31342 Percobaan dilakukan dengan variasi 5-folds cross validation dan 10 folds cross validation , , , , ,50 K = 10; C = 16,6; σ = Minggu, 06 Juli 2014 Tugas Akhir CI
43 Uji Coba Uji Coba Awal Validasi Ke Data Latih Data Uji Akurasi , , , , ,27 K = 5, C = 10, σ = 0,4 Validasi Ke Data Latih Data Uji Akurasi , , , , , , , , , ,56 K = 10; C = 10; σ = 0,4 Percobaan dilakukan pada data Breast Cancer dengan menggunakan parameter yang tetap C = 10 σ = 0,4 Percobaan dilakukan dengan variasi 5-folds cross validation dan 10 folds cross validation Minggu, 06 Juli 2014 Tugas Akhir CI
44 Uji Coba SVM-SA Nomor C σ Folds Akurasi , , ,1 5 97, , , ,1 5 97, , , , , , , , , , , , ,75 Percobaan data hepatitis parameter hasil optimasi SA Percobaan dilakukan dengan variasi 5-folds cross validation dan 10 folds cross validation, Masing-masing minimal 5 kali percobaan Folds Akurasi terbaik percobaan awal Hasil akurasi untuk percobaan ini sama akurat dibandingkan dengan percobaan awal. Namun ada beberapa parameter yang dapat menghasilkan akurasi terbaik. Minggu, 06 Juli 2014 Tugas Akhir CI
45 Uji Coba Analisis Hasil Uji Coba SVM-SA Grafik hasil percobaan SVM-SA 5 folds CV 0-0,5 0-0,5 Pada grafik, tampak bahwa wilayah puncak yang merupakan representasi dari akurasi yang baik berada di wilayah parameter σ yang sempit (antara 0 0,5) untuk berbagai variasi nilai parameter C. Hal ini sesuai dengan hasil akurasi pada tabel hasil akurasi baik dengan 5 folds cross validation maupun 10 folds cross validation. Grafik hasil percobaan SVM-SA 10 folds CV Minggu, 06 Juli 2014 Tugas Akhir CI
46 Uji Coba SVM-SA-Pembobotan Kernel Percobaan C Folds Akurasi , , , , ,1 5 97, , , , , ,2915 2, , , , , , , , ,75 Percobaan Folds Akurasi terbaik Awal Awal SVM SA SVM - SA Percobaan data hepatitis Parameter hasil optimasi SA Implementasi pembobotan kernel Gradient Descent Percobaan dilakukan dengan variasi 5-folds cross validation dan 10 folds cross validation, Masing-masing minimal 5 kali percobaan Hasil akurasi menjadi lebih akurat 1.25% daripada percobaan awal pada variasi 10 folds cross validation Minggu, 06 Juli 2014 Tugas Akhir CI
47 Uji Coba SVM-SA Percobaan C Folds Akurasi 1 0,9 0,4 5 99,41 2 1,5 0, Folds Akurasi terbaik percobaan awal Percobaan dilakukan pada data Breast Cancer dengan menggunakan parameter hasil optimasi SA Percobaan dilakukan dengan variasi 5-folds cross validation dan 10 folds cross validation, masing-masing minimal 1 kali percobaan Akurasi maksimum untuk 5 folds cross validation sama dengan uji coba awal namun didapatkan dari pasangan parameter yang berbeda. Akurasi yang dihasilkan 10 folds cross validation 0,29% lebih baik daripada percobaan awal. Minggu, 06 Juli 2014 Tugas Akhir CI
48 Uji Coba SVM-SA-Pembobotan Kernel Percobaan C Folds Akurasi 1 4,2 0,1 5 96,49 2 7,921 0, ,54 Percobaan Folds Akurasi terbaik Awal 5 99,41 Awal 10 99,71 SVM SA 5 99,41 Percobaan dilakukan pada data Breast Cancer dengan menggunakan parameter hasil optimasi SA Percobaan dilakukan dengan variasi 5-folds cross validation dan 10 folds cross validation, masing-masing minimal 1 kali Percobaan SVM - SA Minggu, 06 Juli 2014 Tugas Akhir CI
Uji Kinerja Penggabungan Algoritma Support Vector Machine dan Simulated Annealing Pada Permasalahan Klasifikasi Pola
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Uji Kinerja Penggabungan Algoritma Support Vector Machine dan Simulated Annealing Pada Permasalahan Klasifikasi Pola Astris
Lebih terperinciDIAGNOSIS PENYAKIT KANKER PAYUDARA MENGGUNAKAN METODE NAIVE BAYES BERBASIS DESKTOP
1 DIAGNOSIS PENYAKIT KANKER PAYUDARA MENGGUNAKAN METODE NAIVE BAYES BERBASIS DESKTOP Achmad Ramadhan Safutra 1, Dwi Wahyu Prabowo 1 1 Jurusan Sistem Informasi, Fakultas Ilmu Komputer Universitas Darwan
Lebih terperinciKOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA
KOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA 3) Rayung Wulan 1), Mei Lestari 2), Ni Wayan Parwati Septiani Program Studi Informatika Universitas Indraprasta PGRI
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1. Pengujian Signifikansi Parameter a. Uji serentak parameter regresi logistik Uji serentak adalah uji yang mempunyai fungsi dimana untuk mengetahui signifikansi
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 terperinciPENINGKATAN METODE NAIVE BAYES CLASSIFICATION UNTUK PENENTUAN TINGKAT KEGANASAN KANKER PAYUDARA MENGGUNAKAN PARTICLE SWARM OPTIMIZATION
PENINGKATAN METODE NAIVE BAYES CLASSIFICATION UNTUK PENENTUAN TINGKAT KEGANASAN KANKER PAYUDARA MENGGUNAKAN PARTICLE SWARM OPTIMIZATION Imma Rizki Fitriani Universitas Dian Nuswantoro Email : fitriani.imma@gmail.com
Lebih terperinciBAB III PEMBAHASAN. 1. Arsitektur Fuzzy Radial Basis Function Neural Network (FRBFNN) Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan
BAB III PEMBAHASAN A. Fuzzy Radial Basis Function (FRBFNN) 1. Arsitektur Fuzzy Radial Basis Function Neural Network (FRBFNN) Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan gabungan dari
Lebih terperinciGede Suwardika 1, * Keywords: Regresi Logistik Biner, SVM, Kernel K-Means, K- Means, CART.
Gede Suwardika. (2017). Pengelompokan dan Klasifikasi pada Data Hepatitis dengan Menggunakan Support Vector Machine (SVM), Classification and Regression Tree (Cart) dan Regresi Logistik Biner. Journal
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 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 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 terperinciKLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO MENGGUNAKAN REGRESI LOGISTIK BINER DAN SUPPORT VECTOR MACHINE (SVM)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 123-132 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO
Lebih 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 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 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 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 terperinciOptimasi Fitur Menggunakan Backward Elimination Dan Algoritma SVM Untuk Klasifikasi Kanker Payudara
JURNAL INFORMATIKA, Vol.4 No.1 April 2017, pp. 46~53 ISSN: 2355-6579 E-ISSN: 2528-2247 46 Optimasi Fitur Menggunakan Backward Elimination Dan Algoritma SVM Untuk Klasifikasi Kanker Payudara Farizul Ma
Lebih terperinciKlasifikasi Kelompok Varietas Unggul Padi Menggunakan Modified K- Nearest Neighbor
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 292-299 http://j-ptiik.ub.ac.id Klasifikasi Kelompok Varietas Unggul Padi Menggunakan Modified
Lebih terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang Diagnosis kanker dapat dilakukan berdasarkan struktur morfologisnya, namun hal tersebut mengalami kesulitan karena perbedaan struktur morfologis yang sangat tipis
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 terperinciMoch. Ali Machmudi 1) 1) Stmik Bina Patria
UJI PENGARUH KARAKTERISTIK DATASET PADA PERFORMA ALGORITMA KLASIFIKASI Moch. Ali Machmudi 1) 1) Stmik Bina Patria 1) Jurusan Manjemen Informatika-D3 Email : 1 aliadhinata@gmail.com 1) Abstrak Tujuan utama
Lebih terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Teknologi semakin berkembang seiring dengan berjalannya waktu. Disadari atau tidak, sebagian besar kehidupan ini dibantu oleh teknologi dan banyak sekali manfaat yang
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 terperinciContoh Solusi PR 5 Statistika & Probabilitas
Contoh Solusi PR 5 Statistika & Probabilitas 1. X = proporsi pelanggan yang menggunakan layanan penerbangan untuk keperluan bisnis. n = ukuran sampel, p = proporsi sampel yang menggunakan layanan penerbangan
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 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 terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penyakit Kanker merupakan suatu peyakit yang paling ditakuti oleh masyakat karena proses penyembuhannya yang sulit, efek yang ditimbulkan dan memerlukan biaya yang
Lebih terperinciSWABUMI VOL IV No. 1, Maret 2016 ISSN X
PENERAPAN PARTICLE SWARM OPTIMIZATION (PSO) UNTUK SELEKSI ATRIBUT DALAM MENINGKATKAN AKURASI PREDIKSI DIAGNOSIS PENYAKIT HEPATITIS DENGAN METODE ALGORITMA C4.5 Lis Saumi Ramdhani Program Studi Manajemen
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 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 terperinciGambar 5.8 Crossplot korelasi regresi multiatribut CC = Gambar 5.9 Crossplot korelasi multiatribut-pnn CC = 0.87
Korelasi yang dihasilkan dari neural network lebih besar dari regresi multiatrribute, hal ini karena neural network mempunyai operasi yang non-linear. Neural network hanya dilakukan dalam window analysis
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciBAB I PENDAHULUAN. Kanker adalah pertumbuhan yang tidak normal dari sel-sel jaringan tubuh
BAB I PENDAHULUAN A. Latar Belakang Kanker adalah pertumbuhan yang tidak normal dari sel-sel jaringan tubuh dan bersifat ganas. Sel-sel tersebut dapat tumbuh lebih lanjut serta menyebar ke bagian tubuh
Lebih terperinciPengantar Support Vector Machine
Pengantar Support Vector Machine Anto Satriyo Nugroho February 8, 2007 1 Pengantar Pattern Recognition (PR) didefinisikan sebagai proses pemetaan suatu data ke dalam konsep tertentu yang telah didefinisikan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciSKRIPSI. Oleh : PUSPHITA ANNA OCTAVIANI NIM PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM)
PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG SKRIPSI Oleh : PUSPHITA ANNA OCTAVIANI NIM. 24010210120043 JURUSAN STATISTIKA FAKULTAS
Lebih 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 terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
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 terperinciPENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN
PENGENALAN KUALITAS BUAH JERUK KINTAMANI MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) KOMPETENSI KOMPUTASI SKRIPSI KOMANG SONIYA GUNAWAN 1008605032 JURUSAN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU
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 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 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 terperinciIMPLEMENTASI DETEKSI SEAM CARVING BERDASARKAN PERUBAHAN UKURAN CITRA MENGGUNAKAN LOCAL BINARY PATTERNS DAN SUPPORT VECTOR MACHINE
TUGAS AKHIR KI141502 IMPLEMENTASI DETEKSI SEAM CARVING BERDASARKAN PERUBAHAN UKURAN CITRA MENGGUNAKAN LOCAL BINARY PATTERNS DAN SUPPORT VECTOR MACHINE AYU KARDINA SUKMAWATI 5113100072 Dosen Pembimbing
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih 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 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 terperinciBab I Pendahuluan. 1.1 Latar Belakang
Bab I Pendahuluan 1.1 Latar Belakang Klasifikasi merupakan task dari data mining yang bertujuan untuk memberikan label kelas terhadap suatu data. Pemberian label kelas ini dilakukan oleh classifier. Suatu
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 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 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 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 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 terperinciPEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS
PEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS Diana Purwitasari 1, Glory Intani Pusposari 2, Rully Sulaiman 3 Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Pada proses penelitian ini dilakukan beberapa tahapan mulai dari tahap awal yaitu tahap inisiasi, pengembangan model, dan tahap terakhir pengembangan prototipe. Dalam tahapan inisiasi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Perumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini sering terjadi data explosion problem yaitu data data yang tersimpan dalam database berjumlah sangat besar namun dari data data tersebut belum banyak dimanfaatkan
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 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 terperinciMETODE ADABOOST PADA SKEMA PEMODELAN HYBRID UNTUK KLASIFIKASI PENYAKIT LIVER
METODE ADABOOST PADA SKEMA PEMODELAN HYBRID UNTUK KLASIFIKASI PENYAKIT LIVER Desta Sandya Prasvita, S.Komp., M.Kom. Sekolah Tinggi Ilmu Manajemen dan Ilmu Komputer ESQ (Contact : 081210480911, desta.sandya@esqbs.ac.id)
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sistem jaringan komputer memiliki peran yang sangat penting dalam masyarakat modern karena memungkinkan informasi dapat diakses, disimpan dan dimanipulasi secara online.
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 terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
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 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 METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
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
BAB I PENDAHULUAN 1.1 Latar Belakang Dunia kesehatan dewasa ini tidak bisa dipisahkan dengan teknologi yang terus berkembang. Pengembangan teknologi yang erat kaitannya dengan dunia kesehatan atau dunia
Lebih terperinciKlasifikasi Penyakit Kanker Payudara Menggunakan Metode K-NN Berbasis Web
Klasifikasi Penyakit Kanker Payudara Menggunakan Metode K-NN Berbasis Web Ernest Evan Zamora 1), Rika Perdana Sari 2), Kartina Diah Kusuma Wardhani 2) 1) Jurusan Teknik Informatika, Politeknik Caltex Riau,
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1. Citra Digital Citra digital adalah suatu citra elektronik yang diambil dari dokumen, seperti foto, buku, maupun sebuah video. Proses perubahan citra analog menjadi citra digital
Lebih terperinci1. PENDAHULUAN 1.1. Latar Belakang
1. PENDAHULUAN 1.1. Latar Belakang Kanker merupakan salah satu penyakit yang dapat beresiko pada kematian atau lebih dikenal dengan penyakit pembunuh. Salah satu penyakit pembunuh diantaranya kanker prostat
Lebih terperinciPenerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien
1 Penerapan Algoritma C4.5 Untuk Menentukan Kesesuaian Lensa Kontak dengan Mata Pasien Ketut Wisnu Antara 1, Gede Thadeo Angga Kusuma 2 Jurusan Pendidikan Teknik Informatika Universitas Pendidikan Ganesha
Lebih 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 terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 IMPLEMENTASI KD-TREE K-MEANS CLUSTERING PADA KLASTERISASI DOKUMEN (Kata kunci: KD-Tree K-Means Clustering, Klasterisasi Dokumen, K- Dimensional Tree, K-Means Clustering)
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 terperinciUJI KINERJA DAN ANALISIS K-SUPPORT VECTOR NEAREST NEIGHBOR DENGAN SVM DAN ANN BACK-PROPAGATION
UJI KINERJA DAN ANALISIS K-SUPPORT VECTOR NEAREST NEIGHBOR DENGAN SVM DAN ANN BACK-PROPAGATION Eko Prasetyo 1), Syariful Alim 2), Harunur Rosyid 3) 1,2) Program Studi Teknik Informatika, Fakultas Teknik
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Algorima Learning Vector Quantization yang dikembangkan oleh Kohonen merupakan metode pembelajaran terawasi (supervised learning) dan dikhususkan untuk klasifikasi
Lebih terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau informasi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Salah satu permasalahan optimasi kombinatorial yang terkenal dan sering dibahas adalah traveling salesman problem. Sejak diperkenalkan oleh William Rowan Hamilton
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 terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciMetode Klasifikasi (SVM Light dan K-NNK. NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech. Jurusan Informatika FMIPA Universitas Syiah Kuala
Metode Klasifikasi (SVM Light dan K-NNK NN) Dr. Taufik Fuadi Abidin, S.Si., M.Tech Jurusan Informatika FMIPA Universitas Syiah Kuala www.informatika.unsyiah.ac.id/tfa Alur dan Proses Cleaning Process Dokumen
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Pengembangan Perangkat Lunak Prediktor Kebangkrutan Menggunakan Metode Bagging Nearest Neighbor Support Vector Machine Mohamat Ulin Nuha, Isye Arieshanti,
Lebih terperinci2. Adanya resiko pemumpukan barang pada gudang.
BAB 3 PROSEDUR DAN METODOLOGI 3.1. Analisis Masalah 3.1.1. Deskripsi Masalah Pemenuhan keinginan atau permintaan pasar merupakan hal yang krusial bagi setiap perusahaan. Perusahaan yang siap berkompetisi
Lebih terperinciPENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI
PENERAPAN ALGORITMA NAÏVE BAYES UNTUK DETEKSI BAKTERI E-COLI Laily Hermawanti Program Studi Teknik informatika Fakultas Teknik Universitas Sultan Fatah (UNISFAT) Jl. Diponegoro 1B Jogoloyo Demak Telpon
Lebih terperinciPenerapan Algoritma C4.5 untuk Klasifikasi Tingkat Keganasan Kanker Payudara
1 Penerapan Algoritma C4.5 untuk Klasifikasi Tingkat Keganasan Kanker Payudara Dwi Ayu Nursela A11.2010.05307 Teknik Informatika S1, Fakultas Ilmu Komputer Universitas Dian Nuswantoro Jalan Nakula I No.
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 terperinciKOMPARASI METODE KLASIFIKASI DATA MINING ALGORITMA C4.5 DAN NAIVE BAYES UNTUK PREDIKSI PENYAKIT HEPATITIS
76 Jurnal Pilar Nusa Mandiri Volume 13 No.1, Maret 2017 KOMPARASI METODE KLASIFIKASI DATA MINING ALGORITMA C4.5 DAN NAIVE BAYES UNTUK PREDIKSI PENYAKIT HEPATITIS Wisti Dwi Septiani Program Studi Manajemen
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI091391 IMPLEMENTASI SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI PIKSEL PADA SEGMENTASI CITRA (Kata kunci: segmentasi citra, gabor filter, local homogeneity, fuzzy c-means, support
Lebih terperinciPREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciDIAGNOSA KERUSAKAN BANTALAN BOLA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
DIAGNOSA KERUSAKAN BANTALAN BOLA MENGGUNAKAN METODE SUPPORT VECTOR MACHINE SKRIPSI Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik Oleh: MUHAMMAD FATHURROHMAN NIM. I0411032 JURUSAN
Lebih 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 terperinciLESSON 6 : INFORMED SEARCH Part II
LESSON 6 : INFORMED SEARCH Part II 3.3 Itterative deepening A* search 3.3.1 Algoritma IDA* Itterative deepening search atau IDA* serupa dengan iterative deepening depth first, namun dengan modifikasi sebagai
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih 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 3 METODOLOGI. melakukan pengamatan dan analisis dari gambar yang didapat. Untuk bisa mendapatkan
BAB 3 METODOLOGI 3.1 Analisis Kebutuhan dan Masalah 3.1.1 Analisis Kebutuhan Dalam melakukan analisa gambar mammogram, biasanya dokter secara langsung melakukan pengamatan dan analisis dari gambar yang
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
Lebih terperinci