DOSEN PEMBIMBING Chastine Fatichah, S.Kom, M.Kom MAHASISWA Yudis Anggara P. ( )
|
|
- Farida Sasmita
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 P. ( )
2 Latar Belakang Internet menjadi sumber informasi utama Dokumen Teks yang semakin banyak ex. Blog, online paper, etc. Perlu kategorisasi agar memudahkan pencarian. Dimensi feature space pada dokumen teks sangat besar Jumlah fitur yang digunakan dalam kategorisasi harus dikurangi.
3 Tujuan Mengurangi dimensi feature space tanpa mengurangi akurasi classifier. Membuat suatu classifier yang dapat dipakai untuk menguji feature subset yang dihasilkan.
4 Pemilihan Fitur Jumlah fitur harus dikurangi agar classifier dapat berjalan secara efisien Fitur-fitur pada feature space tidak semuanya berguna. Akurasi classifier tidak boleh turun secara signifikan Metode yang digunakan, antara lain conformity dan uniformity, ant colony optimization
5 Ant Colony Optimization (ACO) Terinspirasi dari kehidupan koloni semut. Salah satu cabang swarm intelligence. Memanfaatkan pheromone sebagai media pertukaran informasi antar agent. Menggunakan heuristic information untuk mencapai tujuan lokal. Menggunakan mekanisme positive feedback dan pheromone evaporation untuk mencapai tujuan global.
6 ACO (Cont.)
7 Pemilihan Fitur Berbasis ACO Konsep: Menggunakan proses iteratif untuk membuat feature subset. Heuristic information yang digunakan adalah classifier performance. Mekanisme positive feedback dan pheromone evaporation diimplementasikan pada akhir iterasi.
8 Pemilihan Fitur Berbasis ACO 1. Membuat representasi graph Graph harus fully connected, tiap vertex merepresentasikan fitur dan mengandung informasi heuristic information dan nilai pheromone.
9 Cont. 2. Inisialisasi awal sistem ACO Untuk tiap fitur, nilai pheromone = 1, dan heuristic information = 0 3. Pembuatan feature subset Tiap ant memulai dengan memilih satu fitur secara acak, kemudian peluang suatu fitur dipilih berikutnya adalah:
10 Cont. Rumus diatas digunakan untuk menghitung Rumus diatas digunakan untuk menghitung peluang sebuah fitur i dipilih oleh seekor ant k pada langkah t. adalah nilai pheromone dan adalah heuristic information.
11 Cont. 4. Menghitung pheromone tiap ant Pheromone yang dihasilkan oleh tiap ant dihitung setelah semua ant selesai membuat feature subset, rumusnya: Dimana adalah feature subset yang dihasilkan oleh ant k pada iterasi t, adalah panjangnya dan adalah akurasinya
12 Cont. 5. Memeriksa jumlah iterasi Apabila iterasi sudah mencapai maksimum iterasi maka sistem dihentikan dan feature subset dari best ant dihasilkan sebagai output. Jika belum, maka dilanjutkan ke langkah 6.
13 Cont. 6. Mengupdate jumlah pheromone tiap fitur. Pheromone yang dihasilkan oleh seekor ant k ditambahkan ke semua fitur yang dipilih oleh ant k tersebut. Setelah semua ant selesai menambahkan pheromone-nya, kemudian best ant menambahkan pheromone-nya sekali lagi.
14 Cont. 7. Generate populasi ant baru Mulai melakukan pemilihan fitur pada iterasi selanjutnya, kembali ke langkah 3 dan dilakukan seterusnya sampai mencapai iterasi maksimum.
15 Nearest Neighbourhood Classifier (NN-Classifier) Mengategorisasikan suatu obyek kedalam kategori obyek lain yang paling mirip dengannya. Kemiripan suatu obyek dengan obyek lainnya ditentukan dengan menghitung jarak antar obyek. Pada kategorisasi teks, kemiripan suatu dokumen dengan dengan dokumen lain dinyatakan dengan similarity.
16 Cont. 1. Membuat matriks vektor model Matriks vektor model adalah matriks bobot frekuensi dengan kolom menyatakan id term dan baris menyatakan dokumen.
17 Cont. 2. Mengategorisasi dokumen tes Tiap dokumen tes dihitung similaritynya terhadap semua dokumen train, dokumen tes dan dokumen train diperoleh dari matriks vektor model pada langkah 1
18 Implementasi ACO Bagan sistem pemilihan fitur ACO:
19 Cont. Input : Dataset yang digunakan harus memenuhi constraint sbb: Kolom memiliki format: 1. Id dokumen 2. Id kategori 3. Id term 4. Frekuensi term Id fitur dan id dokumen harus urut Dokumen training adalah dokumen pada id 1 n, sedangkan dokumen tes adalah dokumen pada id n+1 max dokumen Output : Output yang dihasilkan adalah feature subset berupa kumpulan Id term yang disimpan dalam bentuk vektor.
20 Implementasi Subsistem ACO 1. Inisialisasi Subsistem Deklarasi variabel-variabel yang digunakan, termasuk struktur data penyimpanan feature subset, pheromone, dan akurasi feature subset.
21 Cont. 2. Pembuatan feature subset Pada langkah ini, semua ant pada sebuah iterasi i mulai membentuk feature subset secara bergiliran. Pada iterasi pertama, feature subset dipilih secara acak, sedangkan pada iterasi selanjutnya menggunakan langkah sebagai berikut:
22 Cont. Hitung vektor heuristic Vektor heuristic adalah vektor yang tiap elemennya adalah nilai rata-rata akurasi dari id fitur yang sama dengan indeks tiap elemennya. Hitung peluang semua fitur. Pilih fitur dengan peluang terbesar
23 Cont. 2. Tiap kali seekor ant memilih satu fitur kemudian menambahkannya ke feature subset sebelumnya, feature subset yang baru tersebut dites akurasinya menggunakan subsistem NN-Classifier. Seekor ant berhenti memilih fitur apabila tidak mampu memperbaiki akurasi classifier sampai 40 kali berturut-turut.
24 Cont. 3. Setiap kali seekor ant selesai menghasilkan feature subset akhir dan akurasinya, dihitung jumlah pheromone yang dihasilkannya.
25 Cont. 4. Update pheromone tiap ant. Pada Tugas Akhir ini, digunakan dua metode untuk update pheromone. Metode pertama, pheromone yang dihasilkan tiap ant langsung ditambahkan ke fitur-fitur yang dipilih ant tersebut. Metode kedua, pheromone yang akan ditambahkan ke nilai pheromone pada iterasi sebelumnya adalah rata-rata nilai pheromone tiap fitur pada iterasi sekarang.
26 Cont. 4. Setelah pheromone tiap fitur diupdate, ditambahkan lagi dengan pheromone yang dihasilkan oleh best ant pada tiap fitur yang dilewatinya. Hal ini bertujuan agar best feature subset memiliki peluang terpilih lebih besar pada iterasi selanjutnya memilih.
27 Implementasi Subsistem NN- Classifier 1. Membuat matriks vektor model Matriks vektor model dibuat dengan cara memetakan dataset menjadi format vektor model. 2. Matriks data train adalah dokumen pada matriks vektor model dengan id dokumen 1 sampai id dokumen n dimana n adalah jumlah dokumen training yang diinginkan, dokumen sisanya pada matriks vektor model menjadi dokumen tes.
28 Cont. 3. Mengategorisasi tiap dokumen tes. Tiap dokumen tes dihitung similaritynya terhadap semua dokumen train, dokumen train yang digunakan adalah dokumen train pada langkah 2 yang sudah dikurangi fiturnya sesuai dengan feature subset yang diinputkan.
29 Cont. 4. Menghitung akurasi feature subset yang dihasilkan dengan rumus: jumlah dokumen tes yang dikategorisasi benar x 100% jumlah semua dokumen tes
30 Uji Coba Data input adalah dataset dari Tugas AkhirYuliyanti (TC angkatan 2004). Jumlah fitur pada dataset sebanyak 6522 fitur dan jumlah dokumen 207 dokumen yang dibagi menjadi 16 kategori. Parameter input sistem: Parameter max_iterasi 50 Nilai jml_ant 40 α 1 β 1 ρ 0.2 Ф 0.8 jml_dok_training 129
31 Skenario Uji Coba Skenario I: Update pheromone menggunakan metode pertama. Skenario II:Update pheromone menggunakan metode kedua. Proses tiap skenario digambarkan melalui scatter plot id ant vs pheromone yang dihasilkan. Scatter plot digambarkan tiap 10 iterasi. Pheromone dipilih sebagai indikator pengamatan karena jumlah pheromone yang dihasilkan oleh seekor ant dapat menunjukkan kualitas feature subset yang dihasilkannya.
32 Pelaksanaan Skenario I iterasi 1 Pada gambar diatas tiap ant pada iterasi 1 memilih feature secara acak dan menghasilkan nilai pheromone yang bervariasi antara
33 Pelaksanaan Skenario I iterasi 10 Pada gambar diatas tiap ant mulai konvergen dalam memilih feature, dan rentang nilai pheromone yang dihasilkan mulai mengecil antara 65,5-67,5.
34 Pelaksanaan Skenario I iterasi 20 Pada gambar diatas terjadi anomali dimana konvergensi ant dalam memilih feature semakin berkurang dibandingkan dengan gambar sebelumnya, hal ini ditunjukkan dengan rentang nilai pheromone yang semakin besar, antara
35 Pelaksanaan Skenario I iterasi 30 Pada gambar diatas pheromone yang dihasilkan oleh ant pada iterasi ini meningkat pesat dengan rentang nilai antara namun konvergensi berkurang ditunjukkan dengan grafik scatter yang makin menyebar.
36 Pelaksanaan Skenario I iterasi 40 Pada gambar diatas konvergensi ant menguat dibandingkan gambar sebelumnya namun terjadi penurunan nilai maksimum pheromone dibandingkan gambar sebelumnya, dari 86 menjadi 76.5.
37 Pelaksanaan Skenario I iterasi 50 Pada gambar diatas terjadi anomali pada id ant 23, dimana jumlah pheromone yang dihasilkan jauh lebih sedikit dibandingkan ant lainnya.
38 Pelaksanaan Skenario II iterasi 1 Pada gambar diatas ant memilih feature secara random dan nilai pheromone yang dihasilkan memiliki rentang antara
39 Pelaksanaan Skenario II iterasi 10 Pada gambar diatas ant mulai memilih secara konvergen dan nilai pheromone yang dihasilkan meningkat pesat dibandingkan gambar sebelumnya dengan rentang nilai antara
40 Pelaksanaan Skenario II iterasi 20 Pada gambar diatas meskipun nilai maksimum pheromone yang dihasilkan lebih kecil dibandingkan gambar sebelumnya, namun nilai rata-rata pheromone tiap ant menjadi lebih besar karena hampir semua ant menghasilkan pheromone dengan nilai >92.
41 Pelaksanaan Skenario II iterasi 30 Pada gambar diatas meskipun tidak terjadi kenaikan nilai maksimum pheromone dibandingkan gambar sebelumnya namun rata-rata nilai pheromone yang dihasilkan semakin besar, hal ini bisa dilihat dari nilai minimum pheromone yang semakin besar.
42 Pelaksanaan Skenario II iterasi 40 Pada gambar diatas nilai rata-rata pheromone yang dihasilkan meningkat pesat dibandingkan gambar sebelumnya karena sebagian besar ant menghasilkan pheromone lebih dari 94,5.
43 Pelaksanaan Skenario II iterasi 50 Pada gambar diatas meskipun nilai rata-rata pheromone tidak bertambah secara signifikan, namun terjadi kenaikan nilai maksimum pheromone dibandingkan gambar sebelumnya, dari 94,7 menjadi 96.
44 Hasil Uji Coba Skenario I Best ant adalah ant dengan id ant 38 pada iterasi ke-5. Pheromone yang dihasilkan oleh best ant adalah 88,5675. Feature subset yang dihasilkan oleh best ant mengandung jumlah fitur sebanyak 718 fitur. Sehingga total pengurangan dimensi feature space oleh best ant adalah 88,9911%. Akurasi best feature subset adalah 88,462% Nilai minimum pheromone yang dihasilkan adalah 46,3692.
45 Hasil Uji Coba Skenario II Best ant adalah ant dengan id ant 6 pada iterasi ke-26. Pheromone yang dihasilkan oleh best ant adalah 95,9173. Feature subset yang dihasilkan oleh best ant mengandung jumlah fitur sebanyak 328 fitur. Sehingga total pengurangan dimensi feature space oleh best ant adalah 94,97% Akurasi best feature subset adalah 96,154%. Nilai minimum pheromone yang dihasilkan adalah 53,3248.
46 Evaluasi Hasil Uji Coba Tidak seperti pada skenario I yang cenderung stagnan, pada skenario II rata-rata pheromone yang dihasilkan oleh tiap ant terus meningkat. Hal ini dapat dilihat dari indikator mayoritas nilai pheromone yang dihasilkan, nilai maksimum pheromone dan nilai minimum pheromone yang terus meningkat pada tiap gambar.
47 Evaluasi (Cont.) Sistem Feature Selection pada skenario II lebih selektif dalam memilih fitur dibandingkan dengan skenario I, hal ini dapat dibuktikan dengan dimensi feature subset yang dihasilkan pada skenario II lebih kecil namun memiliki akurasi yang lebih besar daripada skenario I.
48 Evaluasi (Cont.) Update pheromone menggunakan metode II dapat memberikan hasil yang lebih baik daripada menggunakan metode I. Hal ini dikarenakan pada metode I, pheromone pada tiap fitur diupdate dengan cara ditambahi langsung oleh tiap ant yang memilihnya sehingga menyebabkan penambahan jumlah pheromone pada suatu fitur yang terlalu cepat. Penambahan jumlah pheromone pada suatu fitur yang terlalu cepat menyebabkan ant-ant terlalu cepat menjadi konvergen dalam memilih fitur pada iterasiiterasi awal. Padahal pada iterasi-iterasi awal, informasi yang disimpan pada vektor heuristic belum cukup banyak untuk bisa menentukan fitur-fitur mana yang representatif.
49 Kesimpulan Implementasi metode ACO dalam feature selection dapat mengurangi dimensi feature space sampai menjadi kurang dari 10% dari dimensi awal. Feature subset yang dihasilkan oleh sistem feature selection yang mengimplementasikan metode ACO dapat menghasilkan akurasi sampai 96%. Metode update pheromone yang lebih baik adalah menghitung nilai rata-rata pheromone tiap fitur terlebih dahulu baru kemudian ditambahkan ke nilai pheromone iterasi sebelumnya.
50 Saran Perlu dilakukan optimasi agar runtime sistem dapat selesai dalam waktu yang lebih singkat. Perlu dilakukan uji coba yang lebih mendalam untuk menentukan nilai parameter-parameter input yang dapat memberikan hasil yang lebih baik. Sistem feature selection perlu dicoba menggunakan dataset dan metode classifier yang lain.
51 Daftar Pustaka Mehdi Hosseinzadeh Aghdam, Nasser Ghassem Aghaee, Mohammad Ehsan Basiri. Text Feature Selection Using Ant Colony Optimization. Science Direct, March Yuliyanti. Fuzzy Support Vector Machine untuk Klasifikasi Multi Kelas pada Dokumen Berbahasa Indonesia. Institut Teknologi Sepuluh Nopember Andrea Roli. Ant Colony Optimization. AironewsVol.7 no.3 (Pages1-3), Autumn
IMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS
IMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS Yudis Anggara Putra Chastine Fatichah Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciBAB IV EKSPERIMEN. 4.1 Tujuan
BAB IV EKSPERIMEN Pada bab ini dibahas mengenai eksperimen penggunaan SVM dalam pendeteksian intrusi pada jaringan. Pembahasan ini meliputi tujuan yang ingin dicapai melalui eksperimen ini, parameter evaluasi
Lebih terperinciPemanfaatan Algoritma Hybrid Ant Colony Optimization dalam Menyelesaikan Permasalahan Capacitated Minimum Spanning Tree. Tamam Asrori ( )
Pemanfaatan Algoritma Hybrid Ant Colony Optimization dalam Menyelesaikan Permasalahan Capacitated Minimum Spanning Tree Tamam Asrori (5104 100 146) Pendahuluan Latar Belakang Tujuan Dan Manfaat Rumusan
Lebih terperinciLANDASAN TEORI. Bab Konsep Dasar Graf. Definisi Graf
Bab 2 LANDASAN TEORI 2.1. Konsep Dasar Graf Definisi Graf Suatu graf G terdiri atas himpunan yang tidak kosong dari elemen elemen yang disebut titik atau simpul (vertex), dan suatu daftar pasangan vertex
Lebih terperinciSeleksi Fitur Dua Tahap Menggunakan Information Gain dan Artificial Bee Colony untuk Kategorisasi Teks Berbasis Support Vector Machine
Seleksi Fitur Dua Tahap Menggunakan Information Gain dan Artificial Bee Colony untuk Kategorisasi Teks Berbasis Support Vector Machine Khalid 1), Bagus Setya Rintyarna 2), Agus Zainal Arifin 3) 1) Prodi
Lebih terperinciMODEL PREDIKSI HARGA SAHAM BERDASARKAN HISTORIES DATA DAN KONDISI TERKINI DENGAN MENGGUNAKAN METODE SIMILAR SEQUENCE MATCHING DAN MAX-MIN ANT SYSTEM
MODEL PREDIKSI HARGA SAHAM BERDASARKAN HISTORIES DATA DAN KONDISI TERKINI DENGAN MENGGUNAKAN METODE SIMILAR SEQUENCE MATCHING DAN MAX-MIN ANT SYSTEM OLEH LALA SEPTEM RIZA LATAR BELAKANG Adanya kebutuhan
Lebih terperinciBAB III ALGORITMA ANT DISPERSION ROUTING (ADR)
BAB III ALGORITMA ANT DISPERSION ROUTING (ADR) Pada permasalahan pencarian rute optimal dalam rangka penyebaran rute lalu lintas untuk mencapai keseimbangan jaringan lalu lintas sebagai upaya untuk mengurangi
Lebih terperinciGambar 3.1. Semut dalam Proses menemukan sumber makanan
BAB III LANDASAN TEORI 3.1 Algortima Semut Koloni semut merupakan algoritma yang bersifat heuristik untuk menyelesaikan masalah optimasi. Algoritma ini diinspirasikan oleh lingkungan koloni semut pada
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 terperinciArtikel Ilmiah oleh Siti Hasanah ini telah diperiksa dan disetujui oleh pembimbing.
Artikel Ilmiah oleh Siti Hasanah ini telah diperiksa dan disetujui oleh pembimbing. Malang, 1 Agustus 2013 Pembimbing Dra. Sapti Wahyuningsih,M.Si NIP 1962121 1198812 2 001 Penulis Siti Hasanah NIP 309312426746
Lebih terperinciANALISIS ALGORITMA ANT SYSTEM (AS) PADA KASUS TRAVELLING SALESMAN PROBLEM (TSP)
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 04, No. 3 (2015), hal 201 210. ANALISIS ALGORITMA ANT SYSTEM (AS) PADA KASUS TRAVELLING SALESMAN PROBLEM (TSP) Cindy Cipta Sari, Bayu Prihandono,
Lebih terperinciSISTEM ALOKASI PENYIMPANAN BARANG PADA GUDANG
SISTEM ALOKASI PENYIMPANAN BARANG PADA GUDANG Achmad Hambali Jurusan Teknik Informatika PENS-ITS Kampus PENS-ITS Keputih Sukolilo Surabaya 60 Telp (+6)3-59780, 596, Fax. (+6)3-596 Email : lo7thdrag@ymail.co.id
Lebih terperinciBAB IV MODEL PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK
BAB IV MODEL PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK Pada bab ini akan dipaparkan proses perancangan perangkat lunak untuk prediksi harga saham. IV.1 System Requirement IV.1.1 Overall Description
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 terperinciKlasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra
Jurnal Ilmiah Ilmu Komputer, Vol 15 No. 2, Desember 2010 : 38-41 Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra Vera Yunita, Yeni Herdiyeni Departemen Ilmu
Lebih terperinciBAB III PERANCANGAN. Fitur. Reduksi & Pengelompokan. Gambar 3.1. Alur Pengelompokan Dokumen
BAB III PERANCANGAN Pada bab ini akan delaskan tahapan yang dilalui dalam melakukan perancangan penelitian yang akan dilakukan dalam tugas akhir ini. Tahapan tersebut meliputi perancangan implementasi
Lebih terperinciANT COLONY OPTIMIZATION
ANT COLONY OPTIMIZATION WIDHAPRASA EKAMATRA WALIPRANA - 13508080 Program Studi Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung e-mail: w3w_stay@yahoo.com ABSTRAK The Ant Colony Optimization
Lebih terperinciBAB III SISTEM MODEL PREDIKSI HARGA SAHAM
BAB III SISTEM MODEL PREDIKSI HARGA SAHAM Penelitian ini telah mengembangkan suatu sistem model untuk prediksi harga saham. Pengembangan sistem model ini didasari pada pemikiran untuk menggabungkan dua
Lebih terperinciII TINJAUAN PUSTAKA. * adalah operasi konvolusi x dan y, adalah fungsi yang merepresentasikan citra output,
5 II INJAUAN PUSAKA.1 Fitur Scale Invariant Feature ransform (SIF) Fitur lokal ditentukan berdasarkan pada kemunculan sebuah objek pada lokasi tertentu di dalam frame. Fitur yang dimaksudkan haruslah bersifat
Lebih terperinciSTUDI PERBANDINGAN ALGORITMA CHEAPEST INSERTION HEURISTIC DAN ANT COLONY SYSTEM DALAM PEMECAHAN TRAVELLING SALESMAN PROBLEM
Seminar Nasional Aplikasi Teknologi Informasi (SNATI ) ISSN: `1907-5022 Yogyakarta, 19 Juni STUDI PERBANDINGAN ALGORITMA CHEAPEST INSERTION HEURISTIC DAN ANT COLONY SYSTEM DALAM PEMECAHAN TRAVELLING SALESMAN
Lebih terperinciPenyelesaian Masalah Travelling Salesman Problem Menggunakan Ant Colony Optimization (ACO)
Penyelesaian Masalah Travelling Salesman Problem Menggunakan Ant Colony Optimization (ACO) Anna Maria 1, Elfira Yolanda Sinaga 2, Maria Helena Iwo 3 Laboratorium Ilmu dan Rekayasa Komputasi Departemen
Lebih terperinciPemilihan Jalur Evakuasi Dalam Keadaan Darurat Menggunakan Algoritma Quantum Ant-Colony
Pemilihan Jalur Evakuasi Dalam Keadaan Darurat Menggunakan Algoritma Quantum Ant-Colony Path Selection In Emergency Evacuation Using Quantum Ant- Colony Algorithm Fransisca Arvevia I A 1, Jondri 2, Anditya
Lebih terperinciBAB IV ANALISIS MASALAH
BAB IV ANALISIS MASALAH 4.1 Tampilan Program Persoalan TSP yang dibahas pada tugas akhir ini memiliki kompleksitas atau ruang solusi yang jauh lebih besar dari TSP biasa yakni TSP asimetris dan simetris.
Lebih terperinciBAB II LANDASAN TEORI. 2.1 Penjadwalan Definisi Penjadwalan Kegiatan Belajar Mengajar
BAB II LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Definisi Penjadwalan Kegiatan Belajar Mengajar Penjadwalan terkait pada aktivitas dalam hal untuk membuat sebuah jadwal. Sebuah jadwal adalah sebuah tabel dari
Lebih terperinciPENGGUNAAN FITUR ABSTRAKSI DAN CATATAN PUBLIKASI PENULIS UNTUK KLASIFIKASI ARTIKEL ILMIAH DENGAN METADATA YANG TERBATAS
PENGGUNAAN FITUR ABSTRAKSI DAN CATATAN PUBLIKASI PENULIS UNTUK KLASIFIKASI ARTIKEL ILMIAH DENGAN METADATA YANG TERBATAS Halimatus Sa dyah, Nurissaidah Ulinnuha Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciPenghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori
Penghitungan k-nn pada Adaptive Synthetic-Nominal (ADASYN-N) dan Adaptive Synthetic-kNN (ADASYN-kNN) untuk Data Nominal- Multi Kategori Abstrak 1 Sri Rahayu, 2 Teguh Bharata Adji & 3 Noor Akhmad Setiawan
Lebih terperinciSWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION. Taufan Mahardhika 1
SWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION Taufan Mahardhika 1 1 Prodi S1 Kimia, Sekolah Tinggi Analis Bakti Asih 1 taufansensei@yahoo.com Abstrak Swarm
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 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengembangan teknologi diharapkan menghasilkan berbagai hal yang berguna untuk memenuhi kebutuhan masyarakat serta memberi kemudahan dan kenyamanan pada pengguna
Lebih terperinciBAB II TINJAUAN PUSTAKA. Job shop scheduling problem (JSSP) adalah permasalahan optimasi
BAB II TINJAUAN PUSTAKA 2.1 Job Shop Scheduling Problem (JSSP) Job shop scheduling problem (JSSP) adalah permasalahan optimasi kombinatorial. Misalkan terdapat n buah job atau pekerjaan, yaitu J 1, J 2,,
Lebih terperinciPENDAHULUAN. 1.1 Latar Belakang
DAFTAR TABEL Tabel 3-1 Dokumen Term 1... 17 Tabel 3-2 Representasi... 18 Tabel 3-3 Centroid pada pengulangan ke-0... 19 Tabel 3-4 Hasil Perhitungan Jarak... 19 Tabel 3-5 Hasil Perhitungan Jarak dan Pengelompokkan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI. Tsunami Tsunami adalah gelombang laut yang terjadi karena adanya gangguan impulsif pada laut. Gangguan impulsif tersebut terjadi akibat adanya perubahan bentuk dasar laut secara tiba-tiba
Lebih terperinciOPTIMALISASI TRAVELLING SALESMAN WITH TIME WINDOWS (TSPTW) DENGAN ALGORITMA SEMUT
OPTIMALISASI TRAVELLING SALESMAN WITH TIME WINDOWS (TSPTW) DENGAN ALGORITMA SEMUT Budi Prasetyo Wibowo, Purwanto, dansusy Kuspambudi Andaini Universitas Negeri Malang ABSTRAK: Travelling Salesman Problem
Lebih terperinciBAB I. Pendahuluan. 1. Latar Belakang Masalah
BAB I Pendahuluan 1. Latar Belakang Masalah Semakin canggihnya teknologi di bidang komputasi dan telekomunikasi pada masa kini, membuat informasi dapat dengan mudah didapatkan oleh banyak orang. Kemudahan
Lebih terperinciFUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ)
BAB 2 FUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ) Bab ini akan menjelaskan algoritma pembelajaran FNLVQ konvensional yang dipelajari dari berbagai sumber referensi. Pada bab ini dijelaskan pula eksperimen
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 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 terperinciROCCHIO CLASSIFICATION
DOSEN PEMBIMBING : Badriz Zaman, S.Si., M.Kom. 081211632016 S-1 SISTEM INFORMASI UNIVERSITAS AIRLANGGA 1 Informastion retieval system merupakan sebuah sistem yang digunakan untuk mengambil kembali informasi
Lebih terperinciAS IR O R U O TI U N TI G P AD
Tesis OPTIMASI ROUTING PADA JARING DATA MULTI JALUR MENGGUNAKAN METODE ANT COLONY OPTIMIZATION (ACO) Nama : Agus Kurniwanto NIM : 2209206803 PROGRAM STUDI MAGISTER BIDANG KEAHLIAN TELEMATIKA JURUSAN TEKNIK
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tes Secara harfiah kata tes berasal dari kata bahasa prancis kuno: testum yang berarti piring untuk menyisihkan logam-logam mulia, dalam bahasa Indonesia diterjemahkan dengan
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 terperinciIMPLEMENTASI ALOKASI JADWAL MATA PELAJARAN SMU MENGGUNAKAN ALGORITMA KOLONI SEMUT (AKS)
IMPLEMENTASI ALOKASI JADWAL MATA PELAJARAN SMU MENGGUNAKAN ALGORITMA KOLONI SEMUT (AKS) Devie Rosa Anamisa, S.Kom, M.Kom Jurusan D3 Teknik Multimedia Dan Jaringan-Fakultas Teknik Universitas Trunojoyo
Lebih terperinciBAB V EKSPERIMEN TEXT CLASSIFICATION
BAB V EKSPERIMEN TEXT CLASSIFICATION Pada bab ini akan dibahas eksperimen untuk membandingkan akurasi hasil text classification dengan menggunakan algoritma Naïve Bayes dan SVM dengan berbagai pendekatan
Lebih terperinciBAB II TINJAUAN PUSTAKA. penelitian yang penting (Baharudin, Lee and Khan, 2010). Beberapa peneliti telah
BAB II TINJAUAN PUSTAKA Beberapa peneliti yang melakukan penelitian menganggap text mining menjadi sangat penting karena kemudahan untuk mendapatkan data elektronik dari berbagai macam sumber, karena itu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dalam kehidupan sehari hari, selalu dilakukan perjalanan dari satu titik atau lokasi ke lokasi yang lain dengan mempertimbangkan efisiensi waktu dan biaya sehingga
Lebih terperinciANALISIS ALGORITMA HYBRID ANT COLONY OPTIMIZATION (ACO) DAN LOCAL SEARCH UNTUK OPTIMASI PEMOTONGAN BAHAN BAKU
ANALISIS ALGORITMA HYBRID ANT COLONY OPTIMIZATION (ACO) DAN LOCAL SEARCH UNTUK OPTIMASI PEMOTONGAN BAHAN BAKU Warih Maharani Fakultas Teknik Informatika, Institut Teknologi Telkom Jl. Telekomunikasi No.1
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar belakang
BAB 1 PENDAHULUAN 1.1. Latar belakang Dengan adanya perkembangan dan pertumbuhan yang secara cepat dalam hal informasi elektronik sangat diperlukan suatu proses untuk menyelesaikan suatu permasalahan itu
Lebih terperinciKLASTERISASI PADA SUBRUANG DENGAN ALGORITMA PEMBOBOTAN ENTROPI PADA K-MEANS PADA SPARSE DATA BERDIMENSI TINGGI
TUGAS AKHIR CI1599 KLASTERISASI PADA SUBRUANG DENGAN ALGORITMA PEMBOBOTAN ENTROPI PADA K-MEANS PADA SPARSE DATA BERDIMENSI TINGGI AHMAD DENI DWI PRANOTO NRP 5103 100 015 Dosen Pembimbing I Rully Soelaiman,
Lebih terperinciAnalisa Pencarian Jarak Terpendek Lokasi Wisata di Provinsi Sumatera Utara Menggunakan Algoritma Ant Colony Optimization (ACO)
Analisa Pencarian Jarak Terpendek Lokasi Wisata di Provinsi Sumatera Utara Menggunakan Algoritma Ant Colony Optimization (ACO) Juanda Hakim Lubis Prorgram Studi Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
34 BAB 3 METODOLOGI PENELITIAN 3.1. Pendahuluan Pengenalan pola (pattern recognition) adalah proses klasifikasi dari suatu objek atau pola menjadi beberapa kategori atau kelas, yang mana bertujuan untuk
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Meningkatnya perkembangan teknologi juga diikuti dengan berkembangnya penggunaan berbagai situs jejaring sosial. Salah satu jejaring sosial yang sangat marak digunakan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Clustering adalah proses di dalam mencari dan mengelompokkan data yang memiliki kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering
Lebih terperinciSISTEM TEMU KEMBALI INFORMASI
SISTEM TEMU KEMBALI INFORMASI ROCCHIO CLASSIFICATION Badrus Zaman, S.Si., M.Kom Doc. 1..???? Doc. 2..**** Doc. 3. #### Doc. 4..@@@ 081211633014 Emilia Fitria Fahma S1 Sistem Informasi Pengertian Teknik
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
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 terperinciSegmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan
Segmentasi Citra Berwarna Menggunakan Deteksi Tepi dan Fuzzy C-Means yang Dimodifikasi Berdasarkan Informasi Ketetanggaan Septi Wulansari (5109100175) Pembimbing I: Prof. Ir. Handayani Tjandrasa, M.Sc.,
Lebih terperinciVEHICLE ROUTING PROBLEM UNTUK DISTRIBUSI BARANG MENGGUNAKAN ALGORITMA SEMUT
VEHICLE ROUTING PROBLEM UNTUK DISTRIBUSI BARANG MENGGUNAKAN ALGORITMA SEMUT Agung Hadhiatma 1*, Alexander Purbo 2* 1,2 Program Studi Informatika, Fakultas Sains dan Teknologi, Universitas Sanata Dharma
Lebih terperinciKLASTERISASI BERDASARKAN KESAMAAN POLA DENGAN MENGGUNAKAN ALGORITMA PCLUSTER (Kata kunci: Penggalian Data, Klasterisasi Kesamaan Pola)
PRESENTASI TUGAS AKHIR KI091391 KLASTERISASI BERDASARKAN KESAMAAN POLA DENGAN MENGGUNAKAN ALGORITMA PCLUSTER (Kata kunci: Penggalian Data, Klasterisasi Kesamaan Pola) Penyusun Tugas Akhir : Kartika Wijayati
Lebih terperinciAplikasi GIS Berbasis J2ME Pencarian Jalur Terpendek Menggunakan Algoritma Particle Swarm Optimization (PSO) Di Kabupaten Bangkalan
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Aplikasi GIS Berbasis J2ME Pencarian Jalur Terpendek
Lebih terperinciKLASIFIKASI BENTUK DAUN MENGGUNAKAN METODE KOHONEN ABSTRAK
KLASIFIKASI BENTUK DAUN MENGGUNAKAN METODE KOHONEN Safwandi. ST., M.Kom 1, Yenni Maulida, S.T ABSTRAK Penelitian ini menjelaskan tentang suatu metode klasifikasi bentuk daun berdasarkan input berupa bentuk
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 terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
Lebih terperinciPRESENTASI TUGAS AKHIR KI PERANCANGAN DAN PEMBANGUNAN MODUL REKOMENDASI SECTION PADA OPEN JOURNAL SYSTEM (OJS)
PRESENTASI TUGAS AKHIR KI091391 PERANCANGAN DAN PEMBANGUNAN MODUL REKOMENDASI SECTION PADA OPEN JOURNAL SYSTEM (OJS) (Kata kunci: Jurnal, K-Nearest Neighbor, Karya Ilmiah, Klasifikasi Penyusun Tugas Akhir
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan rangkaian dari langkah-langkah yang diterapkan dalam penelitian, secara umum dan khusus langkah-langkah tersebut tertera pada Gambar flowchart
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Graf 2.1.1 Definisi Graf Graf G merupakan representasi dari suatu masalah yang digambarkan sebagai sekumpulan noktah (simpul) yang dihubungkan dengan sekumpulan garis (sisi).
Lebih terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
Lebih terperinciPenerapan Ant Colony Optimization Sebagai Problem Solver Dalam Sliding Puzzle Games
Penerapan Ant Colony Optimization Sebagai Problem Solver Dalam Sliding Puzzle Games Erick Alfons Lisangan, Phie Chyan Abstract 1 Sliding puzzle is one of the classical problems in the field of artificial
Lebih terperinciPENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
Lebih terperinciLEMBAR PENGESAHAN LEMBAR PERNYATAAN HAK CIPTA ABSTRAK...
DAFTAR ISI Halaman LEMBAR PENGESAHAN LEMBAR PERNYATAAN HAK CIPTA ABSTRAK... i KATA PENGANTAR... iii DAFTAR ISI... v DAFTAR TABEL... vii DAFTAR GAMBAR... viii DAFTAR SIMBOL... ix BAB I PENDAHULUAN... 1
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 terperinciPENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (VRPTW) MENGGUNAKAN ALGORITMA ANT COLONY SYSTEM
TUGAS AKHIR SM 1330 PENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (VRPTW) MENGGUNAKAN ALGORITMA ANT COLONY SYSTEM HARMERITA NRP 1202 100 006 Dosen Pembimbing Drs. Soetrisno, MIKomp JURUSAN MATEMATIKA
Lebih terperinciBAB 3 METODOLOGI Metode Penelitian. Dalam melakukan penelitian akan permasalahan ini, penulis menggunakan metode
BAB 3 METODOLOGI 3.1. Metode Penelitian Dalam melakukan penelitian akan permasalahan ini, penulis menggunakan metode rapid application development (RAD), dengan alur pengerjaan sebagai berikut: Gambar
Lebih terperinciANALISIS CLUSTER PADA DOKUMEN TEKS
Budi Susanto ANALISIS CLUSTER PADA DOKUMEN TEKS Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep analisis clustering Memahami tipe-tipe data dalam clustering Memahami beberapa algoritma
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciBAB 3 METODOLOGI PENELITIAN 3.1. Penelitian Awal Identifikasi Masalah Perumusan Masalah
ABSTRAK CV. Bina Rubber adalah perusahaan yang bergerak dalam pembuatan sparepart mesin berbahan dasar karet. Perusahaan merasakan bahwa sistem produksi yang ada saat ini tidak terlalu baik, dan masih
Lebih terperinciOptimisasi Dynamic Economic Dispatch Menggunakan Algoritma Artificial Bee Colony
Optimisasi Dynamic Economic Dispatch Menggunakan Algoritma Artificial Bee Colony Nurlita Gamayanti 1, Abdullah Alkaff 2, Amien Karim 3 Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember (ITS) Surabaya,
Lebih terperinciPerbandingan Algoritma Dijkstra Dan Algoritma Ant Colony Dalam Penentuan Jalur Terpendek
Perbandingan Algoritma Dijkstra Dan Algoritma Ant Colony Dalam Penentuan Jalur Terpendek Finsa Ferdifiansyah NIM 0710630014 Jurusan Teknik Elektro Konsentrasi Rekayasa Komputer Fakultas Teknik Universitas
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 terperinciALGORITMA SEMUT PADA PENJADWALAN PRODUKSI JOBSHOP
Media Informatika, Vol. 2, No. 2, Desember 2004, 75-81 ISSN: 0854-4743 ALGORITMA SEMUT PADA PENJADWALAN PRODUKSI JOBSHOP Zainudin Zukhri, Shidiq Alhakim Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas
Lebih terperinciAlgoritma. Untuk. Problem Dengan. Vehicle. Window. Jasa
Pengembangan Algoritma Heuristik Ant Colony System Untuk Menyelesaikan Permasalahan Dynamic Vehicle Routing Problem Dengan Time Window (DVRPTW) Pada Penyedia Jasa Inter-City Courier Nurlita Gamayanti (2207
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 terperinci1. Pendahuluan 1.1 Latar belakang 1.2 Perumusan masalah
1. Pendahuluan 1.1 Latar belakang Informasi telah menjadi kebutuhan primer pada kehidupan saat ini. Informasi seakan-akan menjadi mata uang baru yang membuat akurasi menjadi sangat penting ketika mencari
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Tinjauan atau review seseorang yang ditujukan kepada suatu objek atau produk sangat berpengaruh terhadap penilaian publik atas produk tersebut (Sahoo, 2013). Review
Lebih terperinci4 HASIL DAN PEMBAHASAN
24 4 HASIL DAN PEMBAHASAN 4.1 Data Korpus Data korpus berisi berita-berita nasional berbahasa Indonesia dari tanggal 11 Maret 2002 sampai 11 April 2002. Berita tersebut berasal dari berita online harian
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciMatematika dan Statistika
ISSN 1411-6669 MAJALAH ILMIAH Matematika dan Statistika DITERBITKAN OLEH: JURUSAN MATEMATIKA FMIPA UNIVERSITAS JEMBER Majalah Ilmiah Matematika dan Statistika APLIKASI ALGORITMA SEMUT DAN ALGORITMA CHEAPEST
Lebih terperinciSTUDI KOMPARATIF ALGORITMA ANT DAN ALGORITMA GENETIK PADA TRAVELLING SALESMAN PROBLEM
Jurnal Computech & Bisnis, Vol. 3, No. 1, Juni 2009, 30-36 ISSN Studi 1978-9629 Komparatif Algoritma Ant...(Bambang Siswoyo & Andrianto) STUDI KOMPARATIF ALGORITMA ANT DAN ALGORITMA GENETIK PADA TRAVELLING
Lebih terperinciUsulan Rute Distribusi Tabung Gas Menggunakan Algoritma Ant Colony Systems di PT. Limas Raga Inti
Prosiding Seminar Nasional Teknoin 2012 ISBN No. 978-979-96964-3-9 Usulan Rute Distribusi Tabung Gas Menggunakan Algoritma Ant Colony Systems di PT. Limas Raga Inti Fifi Herni Mustofa 1), Hari Adianto
Lebih terperinciAnalisis dan Implementasi Ant Colony Algorithm untuk Clustering
Analisis dan Implementasi Ant Colony Algorithm untuk Clustering Kurniawan Nur Ramadhani Program Studi Manajemen Informatika Politeknik Telkom, Bandung andiess26@yahoo.co.id Abstrak Paper ini memaparkan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi perangkat lunak dewasa ini tidak terlepas dari berkembangnya studi mengenai kecerdasan buatan. Ada dua hal yang termasuk dari kecerdasan buatan
Lebih terperinciBAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM
BAB III IMPLEMENTASIALGORITMA GENETIK DAN ACS PADA PERMASALAHAN TRAVELLING SALESMAN PROBLEM 3.1 TRAVELLING SALESMAN PROBLEM Sebelum membahas pencarian solusi Travelling Salesman Problem menggunakan algoritma
Lebih terperinciBAB 3 PENGENALAN WAJAH
28 BAB 3 PENGENALAN WAJAH DENGAN PENGENALAN DIMENSION WAJAH BASED DENGAN FNLVQ DIMENSION BASED FNLVQ Bab ini menjelaskan tentang pemodelan data masukan yang diterapkan dalam sistem, algoritma FNLVQ secara
Lebih terperinciBAB II TINJAUAN PUSTAKA
6 BAB II TINJAUAN PUSTAKA Pada bagian pada bagian ini akan diuraikan tentang tinjauan pustaka dan landaran teori yang sesuai dengan ACO dan AG. 2.1 Algoritma Ant Colony Optimization Secara umum pencarian
Lebih terperinciKLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST NEIGHBORS (K-NN)
Klasifikasi Helpdesk Universitas Jenderal Achmad ni... (Herawan dkk.) KLASIFIKASI HELPDESK UNIVERSITAS JENDERAL ACHMAD YANI MENGGUNAKAN CONCEPT FREQUENCY-INVERSE DOCUMENT FREQUENCY (CF-IDF) DAN K-NEAREST
Lebih terperinciDesain Rute Terpendek untuk Distribusi Koran Dengan Algoritma Ant Colony System
Desain Rute Terpendek untuk Distribusi Koran Dengan Algoritma Ant Colony System Jan Alif Kreshna, Satria Perdana Arifin, ST, MTI., Rika Perdana Sari, ST, M.Eng. Politeknik Caltex Riau Jl. Umbansari 1 Rumbai,
Lebih terperinciPENGELOMPOKAN DOKUMEN BAHASA INDONESIA DENGAN TEKNIK REDUKSI DIMENSI NONNEGATIVE MATRIX FACTORIZATION DAN RANDOM PROJECTION SKRIPSI
UNIVERSITAS INDONESIA PENGELOMPOKAN DOKUMEN BAHASA INDONESIA DENGAN TEKNIK REDUKSI DIMENSI NONNEGATIVE MATRIX FACTORIZATION DAN RANDOM PROJECTION SKRIPSI Suryanto Ang 1205000886 FAKULTAS ILMU KOMPUTER
Lebih terperinci5. Struktur Penulisan Tesis
Course Outline 1. Pengantar Penelitian 2. Tahapan Penelitian 3. Masalah Penelitian 4. Literature Review 5. Struktur Penulisan Tesis 6. Kesalahan Penulisan Tesis 7. Metode Eksperimen 8. Pengujian Tesis
Lebih terperinciSegitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 1, May 2007, 9 16 Segitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi Hary Budiarto Pusat Teknologi Informasi
Lebih terperinciBAB 3 PERANCANGAN PERANGKAT LUNAK
A 3 PERANCANGAN PERANGKAT LUNAK Pada bab ini diuraikan mengenai perancangan perangkat lunak untuk implementasi aplikasi pengenalan obyek tiga dimensi dengan metode Subclass Discriminant Analysis (SDA).
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Teori Graf 2.1.1 Definisi Graf Graf G adalah pasangan (V(G),E(G)) dengan (V(G)) adalah himpunan tidak kosong dan berhingga dari objek-objek yang disebut titik, (E(G)) adalah
Lebih terperinci