Hasil Pencarian  ::  Simpan CSV :: Kembali

"Classification is a method for compiling data systematically according to the rules that have been set previously. In recent years classification method has been proven to help many people’s work, such as image classification, medical biology, traffic light, text classification etc. There are many methods to solve classification problem. This variation method makes the researchers find it difficult to determine which method is best for a problem. This framework is aimed to compare the ability of classification methods, such as Support Vector Machine (SVM), K-Nearest Neighbor (K-NN), and Backpropagation, especially in study cases of image retrieval with five category of image dataset. The result shows that K-NN has the best average result in accuracy with 82%. It is also the fastest in average computation time with 17.99 second during retrieve session for all categories class. The Backpropagation, however, is the slowest among three of them. In average it needed 883 second for training session and 41.7 second for retrieve session.

---

Klasifikasi adalah metode untuk menyusun data secara sistematis menurut aturan-aturan yang telah ditetapkan sebelumnya. Dalam beberapa tahun terakhir metode klasifikasi telah terbukti membantu pekerjaan banyak orang, seperti klasifikasi citra, alat-alat medis, lampu lalu lintas, klasifikasi teks dll. Ada banyak metode yang dapat digunakan untuk memecahkan masalah klasifikasi, metode yang bervariasi ini membuat para peneliti menemukan kesulitan dalam menentukan metode manakah yang terbaik untuk menyelesaikan masalahnya. Artikel ini bertujuan untuk membandingkan kemampuan metode klasifikasi, seperti Support Vector Machine (SVM), K-Nearest Neighbor (K-NN), dan Back-propagation khususnya dalam studi kasus image retrieval (pencarian gambar) dengan lima kategori dataset citra. Hasil penelitian menunjukkan bahwa K-NN memiliki nilai rata-rata akurasi terbaik dengan 82% dan yang tercepat dengan rata-rata waktu komputasi selama 17,99 detik untuk proses pencarian gambar pada semua kategori kelas. Sebaliknya, Backpropagation merupakan metode paling lambat di antara ketiganya. Metode ini rata-rata memerlukan waktu 883 detik untuk sesi pelatihan dan 41,7 detik untuk sesi pencarian gambar."

"Seiring derasnya arus informasi berita elektronik, timbul kebutuhan untuk mengatur informasi tersebut sehingga pengguna dapat mengaksesnya dengan lebih mudah. Akan tetapi jika pengelompokan berita dilakukan secara manual, maka akan memakan waktu yang lama dan mahal. Klasifikasi dokumen secara otomatis sekiranya diperlukan untuk mengurangi biaya dan mempercepat pengaturan informasi. Salah satu metode yang dapat digunakan dalam pengklasifikasian yaitu Naïve Bayes Classifier. Fokus penelitian ini adalah meneliti karakteristik Naïve Bayes Classifier untuk memperoleh kinerja yang optimal dalam proses klasifikasi. Cara yang diterapkan pada penelitian ini yaitu dengan mengujicobakan metode tersebut dengan 3 perlakuan yaitu membandingkan kinerja sistem terhadap stemming maupun non stemming, berbagai proporsi dokumen pembelajaran dan jumlah kategori dalam klasifikasi. Tahapan penelitian dilakukan mulai dari studi pustaka, menerapkan metode Naïve Bayes Classifier dalam pengklasifikasian berita berbahasa Indonesia, melakukan uji coba dan analisa mengenai karakteristik metode ini serta menarik kesimpulan dari hasil analisa. Penelitian dilakukan terhadap 1351 dokumen berita berbahasa Indonesia dari situs www.suarapembaruan.com yang diambil pada bulan Januari 2004 sampai dengan bulan November 2004.Hasil penelitian menunjukan bahwa Naive Bayes Classifier merupakan metode yang memiliki tingkat akurasi yang tinggi. Kinerja akan lebih baik jika metode ini diterapkan dengan stemming dibanding tanpa stemming walaupun selisih kinerja keduanya tidak terpaut jauh yaitu sekitar 3,87%. Selain itu, hasil penelitian juga menunjukan bahwa kinerja metode ini dipengaruhi oleh jumlah dokumen pembelajaran. Semakin banyak dokumen pembelajaran yang digunakan, maka akan semakin tinggi tingkat keakuratan metode ini. Hal ini terbukti dari uji coba kombinasi stemming dengan proporsi dokumen pembelajaran 90% yang mampu mencapai kinerja tertinggi selama penelitian yaitu recall sebesar 93,5%, precision 94,125% dan F-measure 93,81%. Hal menarik yang terjadi adalah akurasi masih tetap relatif tinggi walaupun dokumen pembelajaran secara ekstrim dikurangi menjadi 10%. Hal ini ditunjukan dengan recall sebesar 89,82%, precision 90,36% dan F-measure 90,1%.Pada penelitian ini juga mengamati apakah Naïve Bayes Classifier merupakan metode klasifikasi yang stabil. Hal ini diteliti dengan membandingkan kinerja sistem terhadap banyaknya jumlah kategori dalam klasifikasi. Hasilnya ternyata jumlah kategori tidak mempengaruhi kinerja metode ini. NBC merupakan metode yang stabil jika dilihat dari segi kuantitas kategori."

"Species diversity is one of the most important indeces used for evaluating the sustainability of forest communities. This study aims to characterize the forest communities and to identify and compare the plant species diversity in the study area...."

"There are two different kinds of price determination mechanism, a fixed price and a flexible price...."

"Level atau tingkatan antusiasme seseorang merupakan tolak ukur yang penting bagi performa sebuah perusahaan. Level antusiasme tersebut dapat dimodelkan melalui face recognition yang nantinya digunakan sebagai sebuah acuan untuk mengetahui apakah seseorang termasuk dalam kelas antusias, sedikit antusias, atau tidak antusias. Pengklasifikasian face recognition ini berbasis supervised machine learning. Klasifikasi yang digunakan dalam penelitian ini adalah Support Vector Machine SVM dengan metode one-vs-one karena kelas pada data terdiri lebih dari dua kelas. Adapun, dalam upaya peningkatan performa classifier, perlu dilakukan pemilihan fitur. Pemilihan fitur yang digunakan pada skripsi ini adalah Fisher rsquo;s Ratio dan Information Gain. Hasil yang diberikan di akhir tulisan ini berupa perbandingan akurasi dan running time dari klasifikasi SVM tanpa pemilihan fitur dan klasifikasi SVM dengan menggunakan masing-masing pemilihan fitur Fisher rsquo;s Ratio dan Information Gain. Pada klasifikasi SVM tanpa pemilihan fitur, didapatkan akurasi dan running time masing-masing sebesar 80,95238 dan 2,125 detik; dengan pemilihan fitur Fisher rsquo;s Ratio didapatkan akurasi dan running time masing-masing sebesar 88,89 dan 5,47 detik; sedangkan dengan pemilihan fitur Information Gain didapatkan akurasi sebesar 80,95238 dengan running time 1,265625 detik.

---

Enthusiasm level of a person is an important measurement for a company performance. Enthusiasm level can be modeled by face recognition that in the future will be used as standard to distinguish whether someone is classified as enthusiast, tend to enthusiast, or not at all. This face recognition classification is based on supervised machine learning. This paper uses Support Vector Machine SVM as a classifier with one vsone method because the data consists of more than two classes. In order to increase classifier performance, it is necessary to do feature selection. This paper uses Fisher rsquo s Ratio and Information Gain as feature selection. The conclusion at the end of this research is in the form of comparison of running time and accuracy between SVM classification without feature selection and with Fisher rsquo s Ratio and Information Gain feature selection, respectively. In SVM classification without feature selection, the accuracy and running time are 80,95238 and 2,125 seconds, respectively with Fisher rsquo s Ratio feature selection the accuracy and running time are 88,89 and 5,47 seconds, respectively whilst with Information Gain feature selection the accuracy and running time are 80,95238 , and 1.265625 seconds, respectively. "

"ABSTRAK: Iridologi adalah studi tentang pola dan warna pada iris mata untuk menentukan informasi tentang kesehatan pasien secara keseluruhan. Salah satu pola yang dapat dilihat adalah Lymphatic Rosary yang terlihat seperti bintik – bintik kecil berwarna putih seperti awan yang mengililingi iris mata membentuk menyerupai untaian mutiara atau rosario. Lymphatic Rosary mengindikasikan adanya penyumbatan pada saluran limfa, yang dapat menyebabkan daya tahan tubuh terhadap stress dan penyakit melemah, menjadi rentan terhadap penyakit. Telah banyak penilitian yang dilakukan menggunakan Deep Learning ataupun Machine Learning terkait Iridologi untuk melakukan pengenalan pada pola dan warna pada iris mata secara otomatis untuk mendeteksi berbagai penyakit, seperti diabetes dan kolestrol yang tinggi. Tetapi belum ada penelitian yang mengaplikasikan Deep Learning ataupun Machine Learning untuk melakukan pengenalan otomatis pada Lymphatic Rosary. Penelitian ini akan mengevaluasi performa model Deep Learning dalam melakukan pengenalan otomatis pada Lymphatic Rosary untuk melakukan klasifikasi pada gambar mata normal dan gambar mata dengan Lymphatic Rosary menggunakan algoritma SVM, KNN dan CNN. Dari algoritma yang diuji, algoritma CNN tidak berhasil dalam mengklasifikasikan gambar mata normal dengan gambar mata dengan Lymphatic Rosary. Hasil dari algoritma SVM mendapatkan tingkat akurasi yang paling tinggi, sampai 98,62%.

---

Abstract : Iridology is the study of the pattern and color of the iris of the eyes to determine information about the patient's overall health. One of the patterns that can be seen is the Lymphatic Rosary which looks like small white spots like clouds that surround the irises to form like a string of pearls or a rosary. Lymphatic Rosary is an obstruction in the lymph channels, which can cause the body's resistance to stress and disease to weaken, making it susceptible to disease. Many studies have been carried out using Deep Learning or Machine Learning related to Iridology to automatically recognize patterns and colors in the iris to detect various disease, such as diabetes and high cholesterol. But there is no research that applies Deep Learning or Machine Learning to perform automatic recognition of the Lymphatic Rosary. This study will analyze the performance of the Deep Learning model in performing automatic recognition on the Lymphatic Rosary to classify images of normal eyes and images of eyes with the Lymphatic Rosary using the SVM, KNN and CNN algorithms. Of the algorithms tested, the CNN algorithm was not successful in classifying normal eye images with eye images with the Lymphatic Rosary. The results of the SVM algorithm get the highest level of accuracy, up to 98.62%"

"Intrusion Detection System adalah suatu sistem yang berfungsi untuk mendeteksi serangan berbahaya dan kerentanan pada jaringan komputer. Beberapa teknik data mining telah diajukan dalam menyelesaikan persoalan deteksi intrusi pada jaringan. Pada skripsi ini, akan diajukan klasifikasi data Intrusion Detection System menggunakan Na ve Bayes Classifier dan Particle Swarm Optimization sebagai pemilihan fitur. Pertama, Particle Swarm Optimization melakukan pemilihan fitur untuk mendapatkan fitur yang optimal. Lalu, hasil dari pemilihan fitur tersebut akan diklasifikasikan menggunakan Na ve Bayes Classifier dengan harapan dapat memberikan hasil yang lebih akurat. Data yang digunakan adalah dataset KDD CUP 1999. Hasil akhir dari penelitian ini adalah berupa perbandingan hasil akurasi antara klasifikasi menggunakan Na ve Bayes Classifier tanpa pemilihan fitur dan klasifikasi menggunakan Na ve Bayes Classifier dengan pemilihan fitur Particle Swarm Optimization. Hasil empiris menunjukkan bahwa klasifikasi menggunakan Na ve Bayes Classifier tanpa pemilihan fitur memperoleh akurasi tertinggi sebesar 99.16 . Sementara klasifikasi menggunakan Na ve Bayes Classifier dengan pemilihan fitur Particle Swarm Optimization memperoleh akurasi tertinggi sebesar 99.12 . Hasil dari penelitian ini menunjukkan bahwa metode pemilihan fitur Particle Swarm Optimization dapat diterapkan pada proses klasifikasi menggunakan Na ve Bayes Classifier. Akan tetapi dengan menambahkan metode ini tidak menjamin bahwa hasil yang diperoleh akan lebih baik daripada proses klasifikasi menggunakan Na ve Bayes Classifier tanpa pemilihan fitur.

---

Intrusion Detection System is a system that has a function to detect malicious attacks and vulnerabilities on computer networks. Several data mining techniques have been proposed in solving the problem of intrusion detection on the network. In this research, data classification of Intrusion Detection System will be filed using Na ve Bayes Classifier and Particle Swarm Optimization as feature selection. First, Particle Swarm Optimization will perform the feature selection to get the optimal features. Then, the results of the feature selection will be classified using Na ve Bayes Classifier in hopes of getting more accurate results. The data used in this study is KDD CUP 1999 dataset. The end result of this study is a comparison of accurate results between the classification using Na ve Bayes Classifier without feature selection and classification using Na ve Bayes Classifier with Particle Swarm Optimization as feature selection. The empirical results indicate that the classification using Na ve Bayes Classifier without feature selection obtains the highest accuracy of 99.16 . While the classification using Na ve Bayes Classifier with Particle Swarm Optimization as feature selection obtained the highest accuracy of 99.12 . The results of this study indicate that the Particle Swarm Optimization feature selection method can be applied to the classification process using Na ve Bayes Classifier. However, adding this method does not guarantee that the results obtained will be better than the classification process using Na ve Bayes Classifier without feature selection."

"Seiring dengan berjalannya waktu, jumlah populasi di dunia terus bertambah. Dengan demikian, lebih banyak upaya dan inovasi yang dibutuhkan dalam meningkatkan produksi pertanian secara berkelanjutan. Hal ini bertujuan untuk mengurangi kehilangan dan pemborosan pangan, serta memastikan bahwa tidak ada yang menderita kelaparan dan kekurangan gizi. Dengan berdasarkan kepada Kebijakan RPJMN 2020-2024 dan mengingat bahwa Indonesia merupakan negara agraris, penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi suatu sistem yang mampu mengklasifikasikan tanaman sehat dan gulma berbasis Machine Learning (ML) dengan metode Local Binary Pattern (LBP) sebagai feature extraction dan Extra-Trees sebagai classifier utama. Penelitian ini membuktikan bahwa sistem klasifikasi dengan LBP lebih optimal jika dibandingkan dengan sistem klasifikasi tanpa LBP serta membuktikan bahwa Extra-Trees merupakan classifier yang paling optimal untuk dikombinasikan dengan LBP jika dibandingkan dengan classifier lainnya. Hasilnya, tingkat akurasi dari sistem klasifikasi yang mengimplementasikan LBP sebagai ekstraksi fitur, yakni 99.65%, lebih tinggi daripada sistem klasifikasi yang tidak mengimplementasikan LBP, yakni 98%. Sistem klasifikasi yang mengimplementasikan LBP memperoleh nilai TPR / Sensitivity sebesar 99.3915, FPR sebesar 0.0986, TNR / Specificity sebesar 99.9014, dan FNR sebesar 0.6085. Selain itu, Extra-Trees menjadi classifier dengan tingkat akurasi tertinggi ketika dikombinasikan dengan LBP, jika dibandingkan dengan classifier lainnya. Urutan classifier yang dikombinasikan dengan LBP mulai dari tingkat akurasi tertinggi hingga tingkat akurasi terendah adalah Extra-Trees (99.65%), Stacking (99.55%), Bagging (99.4%), Random Forest (99.4%), Ada Boost (99.35%), Extra Tree (99.25%), Linear SVC (99.25%), MLP (99.2%), Decision Tree (99%), dan NuSVC (98.8%). Dengan demikian, sistem klasifikasi dengan LBP lebih optimal jika dibandingkan dengan sistem klasifikasi tanpa LBP serta Extra-Trees menjadi classifier yang paling optimal untuk dikombinasikan dengan LBP jika dibandingkan dengan classifier lainnya.

---

Over time, the world's population continues to grow. Thus, more efforts and innovations are needed to increase agricultural production in a sustainable manner. This aims to reduce food loss and waste, as well as ensure that no one suffers from hunger and malnutrition. Based on Kebijakan RPJMN 2020-2024 and remembering that Indonesia is an agricultural country, the author decided to implement and evaluate a system that capable to classifying healthy plants and weeds based on Machine Learning (ML) using the Local Binary Pattern (LBP) method as feature extraction and Extra-Trees as main classifier. This study proves that the classification system with LBP is more optimal than the classification system without LBP and proves that Extra-Trees is the most optimal classifier to be combined with LBP when compared to other classifiers. As a result, the level of accuracy of the classification system that implements LBP as feature extraction, which is 99.65%, is higher than the classification system that does not implement LBP, which is 98%. The classification system that implements LBP has a TPR / Sensitivity value of 99.3915, an FPR of 0.0986, a TNR / Specificity of 99.9014, and an FNR of 0.6085. In addition, Extra-Trees is a classifier with the highest level of accuracy when combined with LBP, if compared to other classifiers. The order of classifiers combined with LBP starting from the highest level of accuracy to the lowest level of accuracy is Extra-Trees (99.65%), Stacking (99.55%), Bagging (99.4%), Random Forest (99.4%), Ada Boost (99.35%), Extra Tree (99.25%), Linear SVC (99.25%), MLP (99.2%), Decision Tree (99%), and NuSVC (98.8%). Thus, the classification system with LBP is more optimal than the classification system without LBP and Extra-Trees is the most optimal classifier to be combined with LBP if compared to other classifiers."

"This paper presents a lip and smile detection method based-on the normalized RGB chromaticity diagram. The method employs the popular Viola-Jones detection method to detect the face. To avoid the false positive, the eye detector is introduced in the detection stage. Only the face candidates with the detected eyes are considered as the face. Once the face is detected, the lip region is localized using the simple geometric rule. Further, the the red color thresholding based-on the normalized RGB chromaticity diagram is proposed to extract the lip. The projection technique is employed for detecting the smile state. From the experiment results, the proposed method achieves the lip detection rate of 97% and the smile detection rate of 94%.Paper ini menyajikan medote pendeteksi bibir dan senyum berdasarkan diagram tingkat kromatis RGB ternormalisasi. Metode ini menggunakan metode Viola-Jones yang populer untuk mendeteksi wajah. Untuk menghindari kesalahan positif, detektor mata diperkenalkan pada tahapan deteksi. Hanya kandidat wajah dengan mata yang telah terdeteksi yang dianggap sebagai wajah. Setelah wajah dideteksi, bagian bibir ditempatkan dengan menggunakan aturan geometris sederhana. Selanjutnya, batasan warna merah berdasarkan pada diagram kromatisitas RGB ternormalisasi digunakan untuk mengekstrak bibir. Teknik proyeksi digunakan untuk mendeteksi keadaan tersenyum. Dari hasil percobaan, metode yang diusulkan mencapai 97% untuk tingkat deteksi bibir dan 94% untuk tingkat deteksi senyum."