Uji Kinerja Penggabungan Algoritma Support Vector Machine dan Simulated Annealing Pada Permasalahan Klasifikasi Pola
|
|
- Leony Setiabudi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 1 Uji Kinerja Penggabungan Algoritma Support Vector Machine dan Simulated Annealing Pada Permasalahan Klasifikasi Pola Astris Dyah Perwita, Chastine Fatichah, dan Rully Soelaiman Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya Indonesia astris10@mhs.if.its.ac.id, chastine@cs.its.ac.id, rully@is.its.ac.id Abstrak Analisis dan pengenalan pola merupakan salah satu algoritma yang bertugas untuk mengenali pola yang ada pada data dan memegang peranan penting terhadap permasalahan kecerdasan buatan dan ilmu komputer. Salah satu contoh dari permasalahan pengenalan pola adalah klasifikasi data biomedik seperti data Hepatitis dan Breast Cancer. Data biomedik ini membutuhkan akurasi yang tinggi karena hasil keputusan yang diambil merupakan sebuah keputusan yang menyangkut kesehatan seseorang. Pada Tugas Akhir ini, akan diterapkan algoritma Support Vector Machine (SVM) untuk menyelesaikan klasifikasi pada permasalahan pengenalan pola khususnya data biomedik. Algoritma SVM akan digabungkan dengan algoritma Simulated Annealing (SA) sebagai algoritma pemilihan parameter SVM. Tugas Akhir ini juga mengimplementasikan algoritma pembobotan kernel Gradient Descent untuk memperbaiki akurasi. Penggabungan algoritma SVM, SA, dan pembobotan kernel pada data uji akan menghasilkan rata-rata akurasi hingga 98,75%. Berdasarkan hasil uji coba, penggabungan algoritma SVM, SA, serta pembobotan kernel dapat memaksimalkan akurasi klasifikasi. Kata Kunci Klasifikasi, Support Vector Machine, Simulated Annealing, Optimasi Parameter. I. PENDAHULUAN Analisis pola merupakan salah satu permasalahan yang sering ditemui di semua bidang. Analisis pola bertugas untuk mengenali pola yang ada pada data dan memegang peranan penting terhadap permasalahan kecerdasan buatan dan ilmu komputer. Deteksi sebuah pola yang signifikan dari sebuah data dapat menjadi prediksi dan ramalan keadaan selanjutnya pada jenis data yang sama [1]. Support Vector Machine (SVM) merupakan salah satu algoritma yang biasanya digunakan untuk menyelesaikan permasalahan analisis pola. SVM ini merupakan algoritma yang dapat digunakan untuk memecahkan masalah klasifikasi seperti mendiagnosis suatu penyakit karena memiliki kemampuan prediksi yang relatif baik. Selain itu eror dari hasil klasifikasi SVM relatif kecil, cocok untuk permasalahan berdimensi tinggi, dan memiliki landasan teori yang dapat dianalisis dengan jelas. Poin-poin inilah yang menjadi keunggulan SVM sehingga algoritma ini sering digunakan untuk menyelesaikan permasalahan klasifikasi pola. Namun SVM memiliki beberapa kelemahan antara lain harus memperhatikan aspek-aspek seperti jenis kernel dan parameter. Parameter yang ada dalam SVM juga perlu diperhatikan agar dapat menghasilkan hasil yang optimal contohnya parameter C dan σ [2]. Algoritma Simulated Annealing (SA) merupakan salah satu algoritma yang pada Tugas Akhir ini mengoptimasi parameter SVM. SA merupakan algoritma metaheuristik yang dapat mengatasi model permasalahan nonlinier. Selain itu algoritma ini juga dapat mengatasi data yang memiliki banyak batasan. SA adalah algoritma yang fleksibel atau tidak bergantung pada ketentuan atau model tertentu. Namun pada aplikasinya, algoritma ini membutuhkan banyak pengaturan dan akan menambah waktu komputasi [3]. Pada Tugas Akhir ini diharapkan algoritma SA akan menghasilkan parameter terbaik untuk algoritma SVM sehingga menghasilkan sebuah sistem yang baik untuk permasalahan klasifikasi, dapat diimplementasikan dengan mudah, dan menghasilkan akurasi yang lebih baik daripada tanpa menggabungkan kedua algoritma. A. Dataset II. DATA DAN METODE SVM-SA 1) Dataset Hepatitis Data Hepatitis didapatkan dari Hepatitis Disease Dataset yang diunggah di halaman web UC Irvine Machine Learning Repository. Pada dataset ini membutuhkan keputusan antara Live atau Die dari pasien pengidap penyakit hepatitis. Tujuan dari pembentukan dataset ini adalah memprediksi adanya penyakit hepatitis pada seseorang atau tidak dari hasil tes medis yang dilakukan pasien. Dataset Hepatitis memiliki 155 data dengan data yang merepresentasikan class Die berjumlah 32 (20,6%) dan Live berjumlah 123 (79,4%). Dataset ini memiliki 19 atribut dengan 13 atribut merupakan atribut biner dan 6 atribut lainnya merupakan atribut diskrit dengan jangkauan 6-8 seperti yang ditunjukkan pada Tabel 1. Dataset Hepatitis ini memiliki beberapa data yang memiliki missing value pada atributnya. Data yang memiliki missing value ini selanjutnya dihapus [4]. 2) Dataset Breast Cancer Dataset Breast Cancer ini merupakan dataset yang didapatkan dari University of Wisconsin Hospitals, Madison
2 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 2 Tabel 1. Keterangan Atribut Dataset Hepatitis Nomor Atribut Keterangan 1 Class Die, Live 2 Age 10, 20, 30, 40, 50, 60, 70, 80 3 Sex Male, Female 4 Steroid 5 Antivirals 6 Fatique 7 Malaise 8 Anorexia Liver Big Liver Firm Spleen Palpable Spiders Ascites Varices Bilirubin Alk Phosphate Sgot Albumin Protime Histology 0,39; 0,80; 1,20; 2,00; 3,00; 4,00 33, 80, 120, 160, 200, , 100, 200, 300, 400, 500 2,1; 3,0; 3,8; 4,5; 5,0; 6,0 10, 20, 30, 40, 50, 60, 70, 80, 90 dari Dr. William H. Wolberg dan diunggah pada halaman web UC Irvine Machine Learning Repository. Dataset ini memiliki data dengan class Benign dan Malignant. Kedua jenis class ini adalah jenis kanker yang biasa terjadi. Tujuan dari pembentukan dataset ini adalah untuk mengetahui jenis kanker yang terjangkit pada seorang pasien. Dataset Breast Cancer memiliki total 699 data dengan persebaran class Benign 458 (65.5%) dan Malignant 241 (34.5%). Dataset ini memiliki 10 atribut dengan 9 atributnya bernilai diskrit dengan jangkauan 1-10 sedangkan 1 atribut sisanya merupakan atribut untuk merepresentasikan class. Atribut dataset ini dijabarkan pada Tabel 2. Dataset ini memiliki 16 data missing value yang nantinya akan dihapus untuk memperlancar proses klasifikasi. B. Support Vector Machine dan Pembobotan Kernel Support Vector Machine merupakan pertama kali dicetuskan oleh Vladimir N. Vapnik pada tahun Konsep dari algoritma ini adalah pengambilan keputusan berdasarkan bidang-bidang terbatas. Setiap keputusan direpresentasikan dalam sebuah bidang yang memiliki karakteristik sama di setiap kumpulan data. Pada awalnya, SVM adalah algoritma linier classifier dengan ruang dimensi sederhana. SVM kemudian dikembangkan hingga dapat menyelesaikan permasalahan nonlinier berdimensi tinggi dengan memasukkan konsep kernel [1]. SVM memiliki beberapa parameter. Salah satu parameter yang dibutuhkan SVM adalah parameter C yang dipakai untuk mengondisikan nilai soft margin dalam pembentukan decision boundary. Parameter lainnya adalah parameter σ yang bekerja pada kernel RBF. Kernel RBF adalah kernel yang biasa digunakan pada percobaan SVM. Kernel ini yang dirumuskan dengan Persamaan 1. Variabel k pada Persamaan 1 merupakan representasi kernel sementara variabel x adalah data dan σ adalah variabel khusus kernel RBF. k = exp ( x x 2 2 2σ 2 ) (1) Pembobotan kernel dilakukan untuk memberi penekanan sesuai dengan kandungan informasi pada suatu data. Pembobotan kernel dilakukan dengan menggunakan algoritma Gradient Descent. Algoritma Gradient Descent merupakan algoritma optimasi untuk menemukan local minimum dari sejumlah jangkauan nilai dari suatu fungsi dengan menggunakan langkah yang proporsional. Algoritma Gradient Descent dapat diimplementasikan pada margin hyperplane SVM dengan Persamaan 2. Pada Persamaan 2, S p merupakan nilai vektor dari dataset. Sedangkan n adalah jumlah iterasi, dan e adalah variabel yang mengontrol kecepatan pencarian Hal ini akan memberikan efek pada perumusan kernel RBF sehingga akan terbentuk Persamaan 3. Variabel K SW adalah representasi kernel yang telah diberi bobot sementara S adalah bobot yang dihasilkan pada Persamaan 2 [5]. S p (n + 1) = S p (n) e w 2 S p (2) K SW (x i, x j ) = exp { S(x i x j ) 2σ 2 } C. Simulated Annealing Tabel 2. Keterangan Atribut Dataset Breast Cancer Nomor Atribut Keterangan 1 Clump Thickness Uniformity of Cell Size Uniformity of Cell Shape Marginal Adhesion Single Ephitelial Cell Size Bare Nuclei Bland Chromatin Normal Nucleoli Mitoses Class untuk Benign, 4 untuk Malignant Simulated Annealing adalah algoritma pencarian nilai optimal global yang pertama kali dikenalkan sebagai adaptasi dari algoritma Metropolis-Hasting dan kemudian dipopulerkan oleh Kirkpatrick. SA merupakan algoritma yang menggunakan konsep dasar metalurgi. Molekul pada besi secara bertahap akan mengkristal menjadi besi yang berenergi rendah saat suhunya perlahan turun. Semua bentuk kristal akan mencapai titik energi terendah selama besi itu dipanaskan pada suhu awal yang cukup tinggi dan laju pendinginan atau cooling rate yang cukup lambat. Algoritma ini diajukan oleh Metropolis sebagai algoritma yang tidak hanya meningkatkan hasil pada setiap iterasi, namun juga untuk menghindari nilai optimal lokal. Selain itu, proses pendinginan yang dianalogikan dengan pendinginan besi membuat algoritma SA dapat memusatkan hasil secara bertahap hingga menghasilkan penyelesaian global [3]. Algoritma ini menerapkan probabilitas Boltzman sebagai fungsi penerima solusi yang terbentuk. Solusi pada konsep awal SA adalah energi yang dihasilkan pada suhu tertentu. Probabilitas Boltzman ini dirumuskan seperti pada Persamaan 4. Pada Persamaan 4, variabel P merupakan representasi probabilitas Boltzman dan variabel E merupakan representasi energi. Sedangkan variabel T merupakan representasi suhu dan (3)
3 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 3 Inisialisasi State dan Max-Score Pilih nilai random untuk parameter Cross Validation Tabel 3. Hasil Uji Coba Dataset Hepatitis Fold Percobaan C Sigma Akurasi s Awal 16,6 0,3 5 97,50 Awal 16,6 0, ,75 SA-SVM 32 0,1 5 97,50 SA-SVM 32 0, ,75 SA-SVM-Pembobotan 32 1,6 5 97,50 SA-SVM-Pembobotan 31,2 0, Tidak NewScore >Pre-Score Ya PreScore = NewScore Dataset NewScore = CVScore variabel k b merupakan konstanta Boltzman. P = exp ( E k b T ) = e( E kb T) Ya Bagi data menjadi k-bagian Pilih satu bagian untuk menjadi testing SVM dengan pembobotan kernel Semua bagian terpilih menjadi data test? Gambar 1. Diagram Alir Implementasi SA-SVM D. Penggabungan Simulated Annealing dan Support Vector Machine dengan Pembobotan Kernel Algoritma Simulated Annealing memiliki komponenkomponen penting yang harus diimplementasikan untuk mendapatkan kinerja SA yang optimal. Komponen tersebut adalah representasi solusi, konfigurasi penentu optimasi, dan fungsi objektif. Ketiga komponen ini dapat disesuaikan dengan algoritma Support Vector Machine. Representasi solusi dapat diwujudkan dengan hasil akurasi dari klasifikasi SVM. Konfigurasi penentu optimasi dapat diwujudkan dengan pasangan parameter C dan σ. Sedangkan fungsi objektif dari SA dapat diwujudkan dengan proses klasifikasi SVM itu sendiri. Berdasarkan kebutuhan SA, maka implementasi SVM pada implementasi penggabungan algoritma ini dilakukan dalam proses SA. Proses ini dapat direpresentasikan dalam bentuk diagram seperti pada Gambar 1. III. UJI COBA DAN ANALISIS HASIL Kurangi Iterasi dan jangkauan nilai PreScore >= MaxScore Kembalikan parameter terbaik dan Score terbaik A. Uji Coba Uji coba dilakukan dengan beberapa skenario untuk dataset Hepatitis dan Breast Cancer. Uji coba awal dilakukan dengan Tidak (4) Tabel 4. Hasil Uji Coba Dataset Breast Cancer Fold Percobaan C Sigma Akurasi s Awal 10 0,4 5 99,41 Awal 10 0, ,71 SA-SVM 32 0,1 5 99,41 SA-SVM 32 0, SA-SVM-Pembobotan 32 1,6 5 96,49 SA-SVM-Pembobotan 31,2 0, ,54 menggunakan nilai parameter yang terkontrol. Uji coba ini menggunakan nilai parameter C = 16,6 dan σ = 0,3. Uji coba kedua dilakukan dengan mengimplementasikan algoritma SA dengan SVM klasik tanpa pembobotan. Proses ini akan menghasilkan akurasi terbaik dengan pasangan parameter yang membentuknya. Uji coba ketiga dilakukan dengan mengimplementasikan algoritma SA dengan SVM yang telah dimodifikasi dengan pembobotan kernel. Uji coba ini juga akan menghasilkan akurasi terbaik dan pasangan parameter yang menghasilkan akurasi terbaik tersebut. Hasil dari uji coba ini dapat dilihat pada Tabel 3 untuk data Hepatitis dan Tabel 4 untuk data Breast Cancer. Hasil pada tabel-tabel tersebut berasal dari beberapa kali percobaan untuk setiap jenis skenario uji coba dan kemudian diambil nilai terbaiknya. Pada Tabel 3 menunjukkan bahwa penggabungan algoritma SA-SVM pada data Hepatitis dapat menghasilkan akurasi sebaik percobaan awal. Pada Tabel 3 ini juga menunjukkan bahwa ternyata pasangan parameter yang menghasilkan akurasi tinggi ini tidak hanya pasangan seperti pada percobaan awal. Sedangkan untuk implementasi SA dan SVM dengan kernel yang dimodifikasi terlihat bahwa akurasi yang dihasilkan lebih baik 1,25% daripada percobaan tanpa pembobotan kernel pada variasi percobaan dengan 10 folds cross validation. Sedangkan pada Tabel 4 menunjukkan bahwa penggabungan algoritma SA-SVM pada data Breast Cancer dapat menghasilkan akurasi yang lebih baik 0,29% daripada akurasi yang dihasilkan tanpa menggunakan metode SA-SVM pada variasi percobaan 10 folds cross validation. Pada Tabel 4 ini juga menunjukkan bahwa ternyata pasangan parameter yang menghasilkan akurasi tinggi ini tidak hanya pasangan seperti ada percobaan awal. Sedangkan untuk implementasi SA dan SVM dengan kernel yang dimodifikasi terlihat bahwa proses klasifikasi membentuk hasil yang tidak lebih akurat daripada percobaan sebelumnya. Pada Gambar 2 terlihat bahwa kombinasi parameter mempengaruhi akurasi. 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 sama dengan hasil akurasi
4 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 4 Gambar 2. Grafik Hasil Akurasi Implementasi SA-SVM 10 Folds Cross Validation Data Hepatitis Gambar 6. Grafik Hasil Akurasi Implementasi SA-SVM dengan Pembobotan Kernel 5 Folds Cross Validation Data Hepatitis Gambar 3. Grafik Hasil Akurasi Implementasi SA-SVM 10 Folds Cross Validation Data Hepatitis dengan percobaan 10 folds yang diilustrasikan dalam grafik pada Gambar 3. Sedangkan untuk uji coba SA-SVM pada data Breast Cancer dapat diilustrasikan pada Gambar 4 dan Gambar 5. Pada Gambar 4 terlihat bahwa 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 parameter σ = 0,4. Selanjutnya akurasi akan menurun seiring dengan bertambahnya nilai parameter baik parameter C maupun parameter σ. Pada uji coba ini terdapat 8 dari 100 pasangan parameter yang menghasilkan akurasi di atas rata-rata. Gambar 5 menunjukkan bahwa akurasi Gambar 7. Grafik Hasil Akurasi Implementasi SA-SVM dengan Pembobotan Kernel 10 Folds Cross Validation Data Hepatitis yang tinggi dapat dicapai dengan parameter kernel RBF atau parameter σ antara 0 sampai 0,5 dan parameter C antara 0 sampai 15. Pada uji coba ini, 43 dari 80 pasangan parameter menghasilkan akurasi di atas rata-rata. Pada Gambar 6 tampak bahwa jangkauan nilai parameter yang bisa menghasilkan akurasi maksimal melebar daripada sebelum pembobotan kernel diimplementasikan. Setelah pembobotan kernel dengan metode Gradient Descent diimplementasikan, jangkauan parameter kernel RBF yang menghasilkan akurasi maksimum menjadi antara 0 sampai 1,5 dengan nilai parameter C antara Begitu juga dengan uji coba dengan 10 folds cross validation. Tidak hanya meningkatkan akurasi, jangkauan nilai Gambar 4. Grafik Hasil Akurasi Implementasi SA-SVM 5 Folds Cross Validation Data Breast Cancer Gambar 8. Grafik Hasil Akurasi Implementasi SA-SVM dengan Pembobotan Kernel 5 Folds Cross Validation Data Hepatitis Gambar 5. Grafik Hasil Akurasi Implementasi SA-SVM 10 Folds Cross Validation Data Breast Cancer Gambar 9. Grafik Hasil Akurasi Implementasi SA-SVM dengan Pembobotan Kernel 10 Folds Cross Validation Data Hepatitis
5 JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: ( Print) 5 yang menghasilkan akurasi maksimum juga melebar. Gambar 7 merupakan representasi hasil uji coba SA-SVM dengan pembobotan kernel dan jangkauan parameter σ tersebut melebar sampai nilai 3 dan diantaranya mencapai akurasi terbaik. Terlihat pada Gambar 8 bahwa jangkauan dari pasangan parameter yang dapat menghasilkan akurasi tinggi terletak pada jangkauan parameter σ antara 0 sampai dengan 0,5 dan parameter C antara 0 sampai dengan 6. Sedangkan pada Gambar 9 akurasi tinggi dapat dicapai dengan jangkauan parameter σ antara 0 sampai dengan 0,5 dan parameter C antara 0 sampai 12. Uji coba SA-SVM dengan pembobotan kernel akan membuat pasangan parameter yang menghasilkan akurasi di atas rata-rata akan lebih merata daripada tanpa menggunakan pembobotan kernel. Dengan kata lain, proses tidak akan mudah terjebak pada parameter yang akan menghasilkan nilai akurasi rendah. [2] A. S. Nugroho, A. B. Witarto dan D. Handoko, Support Vector Machine - Teori dan Applikasinya dalam Bioinformatika, [Online]. Available: [3] F. Busetti, [Online]. Available: [4] J. S. Sartakhti, M. H. Zangooei dan K. Mozafari, Hepatitis Disease Diagnosis Using A Novel Hybrid Method Based On Support Vector Machine and Simulated Annealing (SVM-SA), Computer Methods And Programs In Biomedicine, vol. I, no. 08, pp , August [5] B. Guo, S. R. Gunn, R. I. Damper dan J. D. B. Nelson, Customizing Kernel Function for SVM-based Hyperspectral Image Classification, IEEE Transaction On Image Processing, vol. 17, pp , IV. KESIMPULAN Dari uji coba yang telah dilakukan dan menganalisis hasil pengujian terhadap sistem ini, dapat diambil beberapa kesimpulan, antara lain : 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. Pengembangan yang dapat dilakukan adalah memperbaiki sistem hingga dapat menghasilkan akurasi yang baik dengan waktu yang lebih singkat. Perangkat lunak ini juga dapat diperbaiki dengan melakukan perancangan percobaan secara ortogonal untuk meninjau kinerja parameter terhadap kinerja klasifikasi SVM sehingga mendapatkan hasil yang lebih maksimal. UCAPAN TERIMA KASIH Penulis A.D.P. mengucapkan puji syukur kepada Allah SWT yang melimpahkan rahmat dan hidayah-nya sehingga penulis dapat menyelesaikan penelitian dengan lancar. Penulis juga mengucapkan terima kasih kepada Bapak Rully Soelaiman dan Ibu Chastine Fatichah yang telah banyak membantu penulis dalam menyelesaikan penelitian ini. Penulis juga mengucapkan terima kasih kepada pihak-pihak lain yang turut membantu terselesaikannya penelitian ini. DAFTAR PUSTAKA [1] J. S. Taylor dan N. Cristianini, Kernel Methods for Pattern Analysis, 1st Edition penyunt., Cambrige: Cambrige Univeristy Press, 2004.
PRESENTASI 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 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 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 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 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 terperinciJaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit
Jaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit Abidatul Izzah 1), Ratih Kartika Dewi 2) 1)2) Jurusan Teknik Informatika ITS Surabaya Jl. Teknik
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 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 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 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 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 terperinciDesain dan Analisis Algoritma Pencarian Prediksi Hasil Penjumlahan Beberapa Urutan Berkala dengan Metode Eliminasi Gauss
JURNAL TEKNIK ITS Vol. 6, No., (7) ISSN: 7-59 (-97 Print) A-75 Desain dan Analisis Algoritma Pencarian Prediksi Hasil Penjumlahan Beberapa dengan Metode Eliminasi Gauss Daniel Henry, Victor Hariadi, dan
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 terperinciImplementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector Machine
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-346 Implementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector
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 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 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 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 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 terperinciOptimasi Permasalahan Penugasan Dokter Menggunakan Representasi Graf Bipartit Berbobot
JURNAL TEKNIK POMITS Vol., No., (0) ISSN: 7-9 (0-97 Print) Optimasi Permasalahan Penugasan Menggunakan Representasi Graf Bipartit Berbobot Laili Rochmah, Ahmad Saikhu, dan Rully Soelaiman Jurusan Teknik
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 terperinciIMPLEMENTASI 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 terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-222
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-222 Implementasi Algoritma Genetika pada Struktur Backpropagation Neural Network untuk Klasifikasi Kanker Payudara Adam Mizza Zamani, Bilqis Amaliah
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 terperinciDesain dan Analisis Algoritma Modifikasi Hungarian untuk Permasalahan Penugasan Dinamis Pada Studi Kasus Permasalahan SPOJ Klasik 12749
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: 2337-3539 (2301-9271 Print) 1 Desain dan Analisis Algoritma Modifikasi Hungarian untuk Permasalahan Penugasan Dinamis Pada Studi Kasus Permasalahan SPOJ
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 terperinciDatabase Ekspresi Wajah Perempuan Indonesia Berbasis 2D untuk Pengenalan Emosi
Tugas Akhir Database Ekspresi Wajah Perempuan Indonesia Berbasis 2D untuk Pengenalan Emosi Oleh : Dwi Angga Y. 2210106042 Pembimbing : I. Dr. Surya Sumpeno, ST., M.Sc. II. Muhtadin, ST., MT. Halaman 1
Lebih terperinciPENERAPAN METODE SIMULATED ANNEALING UNTUK PENJADWALAN JOB SHOP PADA MESIN PABRIK
PENERAPAN METODE SIMULATED ANNEALING UNTUK PENJADWALAN JOB SHOP PADA MESIN PABRIK Hanafi Agam 1, Arna Fariza 2, Ira Prasetyaningrum 2 Mahasiswa Jurusan Teknik Informatika 1, Dosen Pembimbing 2 Politeknik
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 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 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 terperinciAPLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 1 (2015), hal 25 32. APLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM Edi Samana, Bayu Prihandono, Evi Noviani
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 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 terperinciRancang Bangun Modul Pengenalan Suara Menggunakan Teknologi Kinect
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Rancang Bangun Modul Pengenalan Suara Menggunakan Teknologi Kinect Ratri Cahyarini, Umi Laili Yuhana, dan Abdul Munif Teknik
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 terperinciBAB 4 IMPLEMENTASI Implementasi
BAB 4 IMPLEMENTASI Bab ini menuturkan penjelasan mengenai implementasi dari sistem pengujian yang dibangun berdasarkan hasil analisis dan perancangan sistem yang telah dibahas pada bab sebelumnya. Bab
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 Teknologi semakin berkembang seiring dengan berjalannya waktu. Disadari atau tidak, sebagian besar kehidupan ini dibantu oleh teknologi dan banyak sekali manfaat yang
Lebih terperinciSistem Rekonstruksi Rute Perjalanan Dengan GPS Untuk Efisiensi Proses Update Posisi
JURNAL TEKNIK POMITS Vol. 2, No. 1, 2013) ISSN: 2337-3539 2301-9271 Print) 1 Sistem Rekonstruksi Rute Perjalanan Dengan GPS Untuk Efisiensi Proses Update Posisi Nuke Yuniar Anugrah, Waskitho Wibisono,
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 terperinciPREDIKSI LUASAN LUMPUR DENGAN TIME SERIES MENGGUNAKAN SIMULATED ANNEALING
PREDIKSI LUASAN LUMPUR DENGAN TIME SERIES MENGGUNAKAN SIMULATED ANNEALING ASHAFIDZ FAUZAN DIANTA POLITEKNIK ELEKTRONIKA NEGERI SURABAYA INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2010 ABSTRAK Bencana
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 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 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 terperinciPENJADWALAN JOB SHOP STATIK DENGAN METODE SIMULATED ANNEALING UNTUK MEMINIMASI WAKTU MAKESPAN
PENJADWALAN JOB SHOP STATIK DENGAN METODE SIMULATED ANNEALING UNTUK MEMINIMASI WAKTU MAKESPAN Moh.Husen, Ilyas Masudin, Dana Marsetiya Utama Jurusan Teknik Industri - Universitas Muhammadiyah Malang Muhammad.husen12@yahoo.com
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Dewasa ini, jumlah penderita dan tingkat kematian akibat penyakit paru-paru semakin mengkhawatirkan. Forum Masyarakat Respiratory Internasional (FIRS) mengungkapkan
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 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 terperinciDeteksi Mobil Menggunakan Histogram of Oriented Gradient
Deteksi Mobil Menggunakan Histogram of Oriented Gradient Cahyo Permata 2207100167 Dosen Pembimbing : DR. I Ketut Eddy Purnama, ST.,MT. Muhtadin, ST.,MT.,Msc. Latar Belakang Pemanfaatan teknologi deteksi
Lebih terperinciUJI KINERJA DAN SIMULASI PENENTUAN JARAK TERPENDEK DENGAN SIMULATED ANNEALING PADA SUHU TETAP DAN SUHU BERUBAH
UJI KINERJA DAN SIMULASI PENENTUAN JARAK TERPENDEK DENGAN SIMULATED ANNEALING PADA SUHU TETAP DAN SUHU BERUBAH Dian Savitri, S.Si, M.Si Jurusan Teknik Sipil Fakultas Teknik Unesa dee_11januari@yahoo.com
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 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 terperinciPrediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov
JURNAL SAINS DAN SENI POMITS Vol. 6, No.2, (2017) 2337-3520 (2301-928X Print) A 39 Prediksi Indeks Saham Syariah Indonesia Menggunakan Model Hidden Markov Risa Septi Pratiwi Daryono Budi Utomo Jurusan
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 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Education data mining merupakan penelitian didasarkan data di dunia pendidikan untuk menggali dan memperoleh informasi tersembunyi dari data yang ada. Pemanfaatan education
Lebih terperinciPenerapan Metode Neural Network Berbasis Algoritma Genetika Untuk Prediksi Penyakit Kanker Payudara
JURNAL TECH-E - VOL. NO. (207) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 258-96 (Online) Artikel Penerapan Metode Neural Network Berbasis Algoritma Genetika Untuk Prediksi
Lebih terperinciReduksi Fitur Untuk Optimalisasi Klasifikasi Tumor Payudara Berdasarkan Data Citra FNA
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Reduksi Fitur Untuk Optimalisasi Klasifikasi Tumor Payudara Berdasarkan Data Citra FNA Made Satria Wibawa 1), Kadek Dwi
Lebih terperinciMODUL 12 Model Prediktif
MODUL 12 Model Prediktif Prediktif Analytics adalah teknologi yang menangkap proses data mining dalam rutinitas sederhana. Kadang-kadang disebut "one-click data mining," Model ini menyederhanakan dan mengotomatisasi
Lebih terperinciK-SUPPORT VECTOR NEAREST NEIGHBOR UNTUK KLASIFIKASI BERBASIS K-NN
K-SUPPORT VECTOR NEAREST NEIGHBOR UNTUK KLASIFIKASI BERBASIS K-NN Eko Prasetyo 1) 1 Program Studi Teknik Informatika, Fakultas Teknik, Universitas Bhayangkara Surabaya 2 Jalan A. Yani 11, Surabaya, 60231
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 terperinciKLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR
KLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR Dewi Pramudi Ismi 1), Ardiansyah 2) 1 Program Studi Teknik Informatika, Fakultas Teknologi Industri,
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Manajemen Proyek Konstruksi Suatu proyek konstruksi merupakan suatu rangkaian kegiatan yang hanya satu kali dilaksanakan dan umumnya berjangka waktu pendek. Selain itu, suatu
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 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 terperinciWEIGHT K-SUPPORT VECTOR NEAREST NEIGHBOR
WEIGHT K-SUPPORT VECTOR NEAREST NEIGHBOR Eko Prasetyo 1), Rifki Fahrial Zainal 2), Harunur Rosyid 3) 1), 2) Teknik Informatika Universitas Bhayangkara Surabaya Jl. A. Yani 114, Surabaya, 60231 3) Teknik
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 terperinciDynamic Optimal Power Flow dengan kurva biaya pembangkitan tidak mulus menggunakan Particle Swarm Optimization
JURNAL TEKNIK POMITS Vol. 3, No. 1, (2014) ISSN: 2337-3539 (2301-9271 Print) B-24 Dynamic Optimal Power Flow dengan kurva biaya pembangkitan tidak mulus menggunakan Particle Swarm Optimization Afif Nur
Lebih terperinciBABI PENDAHULUAN. 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Kanker payudara adalah jenis kanker yang dimulai pada sel-sel payudara sebagai sekelompok sel kanker, yang kemudian dapat menyerang jaringan di sekitarnya atau menyebar
Lebih terperinciPENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR
PENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR Angga Lisdiyanto (1), Lukman Zaman P.C.S.W (2) Teknik Informatika, Universitas Islam Lamongan (1) Teknik Informatika, Sekolah
Lebih terperinciUKDW 1. BAB 1 PENDAHULUAN Latar Belakang Masalah
1. BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Universitas yang baik dan terpercaya selalu memperhatikan perkembangan dan kondisi yang terjadi di universitas tersebut, salah satunya dengan memantau kinerja
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 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 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 terperinciDesain dan Analisis Algoritma Pembangkitan Convex Hull 3 Dimensi dan Visualisasinya
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2014) ISSN: 2337-3539 (2301-9271 Print) 1 Desain dan Analisis Algoritma Pembangkitan Convex Hull 3 Dimensi dan Visualisasinya Andi Muh. Primabudi, Arya Yudhi Wijaya
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 terperinciDesain dan Analisis Algoritma Pencarian Prediksi Hasil Penjumlahan Beberapa Urutan Berkala dengan Metode Eliminasi Gauss
JURNAL TEKNIK ITS Vol. 6, No. (7), 7-5 (-98X Print) A665 Desain dan Analisis Algoritma Pencarian Prediksi Hasil Penjumlahan Beberapa dengan Metode Eliminasi Gauss Daniel Henry, Victor Hariadi, dan Rully
Lebih terperinciJURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: ( Print) A-534
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-534 Rancang Bangun Sistem Navigasi Indoor Berbasis Integrasi Symbolik Location Model dan Wifi Based Positioning System Untuk
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 terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciPENERAPAN MODEL MESIN BELAJAR SUPPORT VECTOR MACHINES PADA AUTOMATIC SCORING UNTUK JAWABAN SINGKAT
PENERAPAN MODEL MESIN BELAJAR SUPPORT VECTOR MACHINES PADA AUTOMATIC SCORING UNTUK JAWABAN SINGKAT TUGAS AKHIR Diajukan Untuk Memenuhi Sebagian Prasyarat Mencapai Derajat Teknik Informatika Disusun Oleh
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 2 LANDASAN TEORI
8 BAB 2 LANDASAN TEORI Pada bab ini akan dibahas beberapa konsep dasar dan beberapa definisi yang akan digunakan sebagai landasan berpikir dalam melakukan penelitian ini sehingga mempermudah penulis untuk
Lebih terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
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 terperinciJURNAL TEKNIK ITS Vol. 5, No. 2, (2016) ISSN: ( Print)
A141 Penerapan Batas Ramp-Rate Menggunakan Kombinasi Metode FDP (Forward Dynamic Programming) dan QP (Quadratic Programming) Pada Commitment- Economic Dispatch Riza Fahmi Andriyanto, Ontoseno Penangsang,
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 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 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 terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1. 1.1 Latar Belakang Sistem peredaran darah manusia merupakan suatu jaringan yang memiliki dua fungsi utama, yaitu untuk mengedarkan oksigen dan nutrisi ke seluruh organ tubuh manusia
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 terperinciAnalisis Pengaruh Cooling Rate pada Material ASTM A36 Akibat Kebakaran Kapal Terhadap Nilai Kekuatan, Kekerasan dan Struktur Mikronya
JURNAL TEKNIK ITS Vol. 6, No. 1, (2017) ISSN: 2337-3539 (2301-9271 Print) G-42 Analisis Pengaruh Cooling Rate pada Material ASTM A36 Akibat Kebakaran Kapal Terhadap Nilai Kekuatan, Kekerasan dan Struktur
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 terperinciImplementasi Artificial Intelligence pada game Defender of Metal City dengan menggunakan Finite State Machine
JURNAL TEKNIK POMITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-717 Implementasi Artificial Intelligence pada game Defender of Metal City dengan menggunakan Finite State Machine Billy, Imam
Lebih terperinciSUPPORT VECTOR MACHINE UNTUK IMAGE RETRIEVAL
SUPPORT VECTOR MACHINE UNTUK IMAGE RETRIEVAL Muhammad Athoillah 1, M. Isa Irawan 2 dan Elly Matul Imah 3 1 Jurusan Matematika, FMIPA, Institut Teknologi Sepuluh Nopember, Jl. Arief Rahman Hakim, Surabaya,
Lebih terperinci