Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 163656 dokumen yang sesuai dengan query
cover
Andie Setiyoko
Metode Kriging dengan Aproksimasi Minimax, Least Square-Support Vector Machine, dan Gaussian Process Regression pada Data Elevasi = Kriging Method with Minimax Approximation, Least Square-Support Vector Machine, and Gaussian Process Regression on Elevation Data
"Penelitian ini bertujuan untuk menganalisis pendekatan aproksimasi minimax, LS-SVM, dan GPR untuk proses pemodelan semivariogram pada metode kriging. Proses ini adalah bagian tahap dalam operasi kriging yang biasanya dilakukan untuk proses interpolasi dan fusi. Kriging sendiri telah banyak digunakan untuk memprediksi nilai spasial yang terbukti lebih baik dalam memprediksi proses dibandingkan dengan metode deterministik, di mana kriging dikategorikan sebagai pada metode interpolasi stokastik. Pendekatan konvensional untuk proses pemodelan semivariogram menggunakan metode weighted least square dengan menggunakan fungsi tertentu. Fungsi yang tersedia untuk metode ini antar lain stable, exponential, spherical, dan lain-lain. Beberapa pembaharuan untuk kasus pemodelan semivariogram saat ini telah dibuat dengan menggunakan teknik regresi seperti LS-SVM. Selain itu sebagai bagian dari kebaruan, pendekatan aproksimasi minimax, LS-SVM, dan GPR yang diusulkan untuk kasus ini dapat meningkatkan akurasi pada hasil interpolasi, dalam hal ini diimplementasikan pada metode ordinary kriging. Pendekatan baru, yang dapat disebut sebagai minimax kriging ini dapat mengurangi eror. Minimax berkontribusi pada prediksi bobot nilai semivariogram lebih baik daripada weighted least square dan proses komputasi yang lebih cepat daripada metode berbasis SVM dan GPR.
This study aims to analyze the approach of Minimax, LS-SVM, and GPR approximation for the semivariogram modeling process in the kriging method. This process is part of the stage in kriging operations that are usually carried out for interpolation and fusion processes. Kriging itself has been widely used to predict spatial values which are proven to be better in predicting processes compared to deterministic methods, where kriging is categorized as a stochastic interpolation method. The conventional approach to the semivariogram modeling process uses the weighted least square method using certain functions. Functions available for this method include stable, exponential, spherical, and others. Several updates to the case of semivariogram modeling have now been made using regression techniques such as LS-SVM. Apart from that as part of the novelty, the proposed Minimax, LS-SVM, and GPR approximation approaches for this case can improve the accuracy of the interpolation results, in this case implemented in the ordinary kriging method. This new approach, which can be called minimax kriging, can reduce errors. Minimax contributes to the predicted weighting of semivariogram values better than weighted least square and faster computing processes than SVM and GPR-based methods."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2020
D-Pdf
UI - Disertasi Membership  Universitas Indonesia Library
cover
Least square support vector machines parameter optimization based on improved ant colony algorithm for hepatitis diagnosis
"Many kinds of classification method are able to diagnose a patient who suffered Hepatitis disease. One of classification methods that can be used was Least Squares Support Vector Machines (LSSVM). There are two parameters that very influence to improve the classification accuracy on LSSVM, they are kernel parameter and regularization parameter. Determining the optimal parameters must be considered to obtain a high classification accuracy on LSSVM. This paper proposed an optimization method based on Improved Ant Colony Algorithm (IACA) in determining the optimal parameters of LSSVM for diagnosing Hepatitis disease. IACA create a storage solution to keep the whole route of the ants. The solutions that have been stored were the value of the parameter LSSVM. There are three main stages in this study. Firstly, the dimension of Hepatitis dataset will be reduced by Local Fisher Discriminant Analysis (LFDA). Secondly, search the optimal parameter LSSVM with IACA optimization using the data training, And the last, classify the data testing using optimal parameters of LSSVM. Experimental results have demonstrated that the proposed method produces high accuracy value (93.7%) for the 80-20% training-testing partition
Banyak metode klasifikasi yang mampu mendiagnosa seorang pasien mengidap penyakit Hepatitis, salah satunya adalah menggunakan metode klasifikasi Least Squares Support Vector Machines (LSSVM). Terdapat dua parameter yang sangat berpengaruh pada LSSVM yaitu parameter kernel dan parameter regularisasi. Penentuan parameter optimal tersebut harus diperhatikan untuk mendapatkan akurasi klasifikasi yang tinggi pada LSSVM. Penelitian ini mengusulkan metode optimasi Improved Ant Colony Algorithm (IACA) dalam penentuan parameter optimal LSSVM untuk mendiagnosa penyakit Hepatitis. IACA membuat penyimpanan solusi untuk menjaga rute dari keseluruhan semut. Solusi yang disimpan adalah nilai parameter LSSVM. Ada 3 tahapan utama pada penelitian ini yaitu, dimensi dataset Hepatitis direduksi menggunakan metode Local Fisher Discriminant Analysis (LFDA), kemudian parameter optimal LSSVM dicari dengan metode optimasi IACA menggunakan data training, setelah itu data testing diklasifikasikan menggunakan parameter optimal LSSVM. Hasil uji coba menunjukkan bahwa metode yang diusulkan menghasilkan nilai akurasi yang tinggi (93,7%) pada partisi 80-20% training dan testing."
Surabaya: Institut Teknologi Sepuluh Nopember, Faculty of Information and Technology, Department of Informatics, 2017
AJ-Pdf
Artikel Jurnal  Universitas Indonesia Library
cover
Dilla Fadlillah Salma
Analisis akurasi metode support vector machine, random forest, dan logistic regression dalam mengklasifikasi data asuransi mobil dengan implementasi metode seleksi fitur one dimensional naive bayes classifier = Accuracy analysis of support vector machine, random forest, and logistic regression method in classifying car insurance data with one dimensional naive bayes classifier features selection implementation
"Kepemilikan dan penggunaan kendaraan mobil memiliki berbagai risiko negatif, seperti terjadinya kecelakaan. Untuk mengurangi beban risiko tersebut, perusahaan menjual produk asuransi mobil. Asuransi mobil merupakan salah satu produk perusahaan asuransi kendaraan yang bertujuan sebagai upaya perlindungan pemilik kendaraan mobil dari kerugian finansial yang terjadi pada kendaraan yang diasuransikannya. Untuk menawarkan produk asuransi, beberapa perusahaan menggunakan teknik penjualan dengan cara cold calling. Teknik penjualan tersebut akan lebih efektif menjual produk asuransi jika terlebih dahulu data nasabah calon pembeli asuransi diprediksi atau diklasifikasi ke dalam kelas membeli atau tidak membeli.
Pada skripsi ini, dilakukan klasfikasi dengan metode Support Vector Machine (SVM), Random Forest (RF),dan Logistic Regression (LR) dengan implementasi metode seleksi fitur One Dimensional Naïve Bayes Classifier (1-DBC). Data yang diperoleh berjumlah 4000 data dengan total 18 fitur. Diperoleh hasil bahwa akurasi SVM lebih tinggi dibandingkan dengan kedua metode lainnya. Selain itu, mplementasi metode seleksi fitur telah berhasil meningkatkan akurasi dari metode Random Forest, dan Logistic Regression. Dengan implementasi 1-DBC, ketiga metode klasifikasi memperoleh hasil akurasi tertinggi pada penggunaan 15 fitur.
Ownership and use of car vehicles have a variety of negative risks, such as accidents. To reduce the risk burden, the company sells car insurance products. Car insurance is one of the products of a vehicle insurance company that aims to protect vehicle owners from financial losses that occur on their insured vehicles. To offer insurance products, some companies use sales techniques using cold calling. The sales technique will be more effective in selling insurance products if first the prospective customer buyer data is predicted or classified into the class of buying or not buying.
In this paper, classification is done using the method of Support Vector Machine (SVM), Random Forest (RF), and Logistic Regression (LR) by implementing the One Dimensional NaA-ve Bayes Classifier (1-DBC) feature selection method. The data obtained amounted to 4000 data with a total of 18 features. The results were obtained that the accuracy of SVM was higher compared to the other two methods. In addition, the implementation of the feature selection method has succeeded in increasing the accuracy of the Random Forest, and Logistic Regression. With the implementation of 1-DBC, the three classification methods obtained the highest accuracy results with the use of 15 features."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2018
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Fahri Alamsyah
Perancangan sistem pengenalan wajah menggunakan Support Vector Machine (SVM), Logistic Regression, Multi-Layer Perceptron (MLP), Gaussian Naive Bayes, K-Nearest Neighbour (KNN), Decision Tree (DT), dan Convolutional Neural Network (CNN) = Development of face recognition system using Support Vector Machine (SVM), Logistic Regression, Multi-Layer Perceptron (MLP), Gaussian Naive Bayes, K-Nearest Neighbour (KNN), Decision Tree (DT), and Convolutional Neural Network (CNN)
"Dunia digital khususnya image processing berkembang seiring waktu berjalan dikarenakan kebutuhan masyarakat dan pentingnya keamanan sistem berbasis digital. Salah satu teknologi yang sangat mengalami kemajuan pesat adalah pengenalan wajah (face recognition) menggunakan artificial intelligence. Wajah seseorang yang sudah terdaftar di dalam database akan dikenali oleh sistem untuk keperluan validasi atau verifikasi. Di dalam penelitian ini dirancang sistem pengenalan wajah (face recognition) menggunakan algoritma machine learning dan Principal Component Analysis (PCA) sebagai pereduksi dimensi. Pengujian dilakukan dengan menggunakan beberapa metode, yakni: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K- NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) dan Convolutional Neural network (CNN). CNN berfokus pada layer dan tidak memerlukan reduksi dimensi, sehingga hasilnya lebih akurat. Model machine learning yang digunakan untuk classifier selain CNN adalah standar/default, sedangkan CNN menggunakan arsitektur LeNet-5, dengan dropout rate sebesar 0.25. Training dilakukan selama 60 epoch dengan loss function crosscategorical entropy, optimizer Adam, dan batch size sebesar 20. Data masukan adalah citra wajah berukuran 64 × 64 × 1 yang diperoleh dari dataset olivetti faces. Akurasi tertinggi metode PCA, SVM, maupun LR sebesar 91.25%, sementara akurasi terbaik CNN mencapai 98.75%. Selain akurasi, pemakaian confusion matrix dan classification report digunakan untuk menguji performa metode yang ada melalui evaluasi model klasifikasi.
The digital world, especially image processing, is evolving due to the needs of society and the importance of digital-based system security. One of the technologies that are rapidly progressing is face recognition using artificial intelligence. The system will recognize a person's face already registered in the database for validation or verification purposes. A face recognition system was designed using machine learning algorithms and Principal Component Analysis (PCA) as dimension reduction in this study. Testing is conducted using several methods: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K-NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) and Convolutional Neural network (CNN). CNN focuses on layers and does not require dimensional reduction to increase the accuracy of the result. The machine learning model used for classifiers other than CNN is standard/default settings, while CNN uses the LeNet-5 architecture, with a dropout rate of 0.25. The training was conducted for 60 epochs with loss function cross-categorical entropy, optimizer Adam, and batch size of 20. Input data is a 64 × 64 × 1 facial image obtained from the Olivetti faces database. The highest accuracy of PCA, SVM and LR methods was 91.25%, while CNN's best accuracy reached 98.75%. In addition to accuracy, the use of confusion matrix and classification report is used to test the performance of existing methods through the evaluation of classification models."
Depok: Fakultas Teknik Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Angelica Patricia Djaya Saputra
Prediksi Usia Biologis Menggunakan Metode Support Vector Regression dan Klemera-and-Doubal pada Data Pemeriksaan Medis = Biological Age Prediction Using the Support Vector Regression and Klemera-and-Doubal Methods on Medical Examination Data
"Penuaan biologis mencerminkan kondisi kesehatan fisik yang sebenarnya karena menilai fungsi organ dan sistem tubuh yang sebenarnya pada setiap individu, berbeda dengan usia kronologis. Penelitian ini mengeksplorasi prediksi usia biologis menggunakan metode Support Vector Regression (SVR) dan Klemera-and-Doubal Method (KDM), yang berfokus pada pengaruh biomarker dan faktor eksternal pada proses penuaan. Pembangunan model memanfaatkan data pemeriksaan medis dari Kementerian Kesehatan Indonesia pada tahun 2011 dimana keterbaharuan dari penelitian ini adalah melibatkan semua fitur yang berperngaruh terhadap usia biologis, termasuk faktor eksternal, tidak hanya biomarker saja. Kemudian, dilakukan pemanfaatan seluruh dataset tanpa membedakan subjek sehat dan tidak sehat. Pada dataset dilakukan data preprocessing agar dataset siap digunakan dengan melakukan filtering usia di atas 30 tahun, pemisahan dataset pria dan wanita, menghapus fitur yang tidak relevan, mengubah tipe data yang tidak sesuai, mengidentifikasi dan melakukan penanganan missing value serta outliers, dan melakukan encoding untuk data beripe kategorikal. Kemudian, dilakukan feature selection dengan menggunakan Spearman’s rank Coefficient Corelation dan pembangunan model SVR dan KDM. Hasil penelitian menunjukkan bahwa terpilih 5 fitur untuk pria dan 6 fitur untuk wanita yang digunakan untuk membangun model SVR dan KDM. KDM menunjukkan performa evaluasi yang cukup baik dalam interpretasi variasi data dengan skor performa RMSE 1,39; R2 0,97; dan Adjusted R2 0,97 untuk pria dan RMSE 1,00; R2 0,99; dan Adjusted R2 0,99 untuk wanita. Metode ini lebih unggul daripada SVR yang cenderung menunjukkan performa yang kurang memuaskan dimana memiliki skor performa RMSE 6,36; R2 0,44; dan Adjusted R2 0,36 untuk pria dan RMSE 5,90; R2 0,57; dan Adjusted R2 0,53 untuk wanita. Berdasarkan hasil analisis dari berbagai teknik analisis yang dilakukan (analisis evaluasi performa, analisis hubungan usia kronologis dengan usia biologis, dan analisis evaluasi dengan melihat pola hasil estimasi) terlihat bahwa metode KDM lebih unggul dalam memprediksi usia biologis dibandingkan dengan SVR, terutama dalam hal konsistensi dan akurasi. Selain itu, analisis hubungan setiap fitur dengan usia biologis untuk tiap model menggambarkan pengaruh fitur-fitur tersebut terhadap fungsi organ tubuh seseorang.
The biological aging reflects the actual physical health condition as it assesses the real function of organs and body systems in each individual, different from chronological age. This research explores the prediction of biological age using the Support Vector Regression (SVR) method and the Klemera-and-Doubal Method (KDM), focusing on the influence of biomarkers and external factors on the aging process. The model development utilized medical examination data from the Indonesian Ministry of Health in 2011, where the novelty of this research is involving all features that affect biological age, including external factors, not just biomarkers. Then, the entire dataset was utilized without distinguishing between healthy and unhealthy subjects. In the dataset, data preprocessing was performed to make the dataset ready to use by filtering ages above 30 years, separating datasets for men and women, removing irrelevant features, changing inappropriate data types, identifying and handling missing values and outliers, and encoding for categorical data. Subsequently, feature selection was conducted using Spearman's Rank Coefficient Correlation, and then the SVR and KDM models were built. The research results showed that 5 features for men and 6 features for women were selected to build the SVR and KDM models. KDM showed fairly good evaluation performance in interpreting data variations with performance scores of RMSE 1.39, R^2 0.97, and Adjusted R^2 0.97 for men and RMSE 1.00, R^2 0.99, and Adjusted R^2 0.99 for women. This method outperformed SVR, which tended to show less satisfactory performance with performance scores of RMSE 6.36, R^2 0.44, and Adjusted R^2 0.36 for men and RMSE 5.90, R^2 0.57, and Adjusted R^2 0.53 for women. Based on the analysis results from various techniques performed (performance evaluation analysis, analysis of the relationship between chronological age and biological age, and evaluation analysis by looking at the pattern of estimation results), it appears that the KDM method is superior in predicting biological age compared to SVR, especially in terms of consistency and accuracy. In addition, the analysis of the relationship of each feature with biological age for each model illustrates the influence of these features on the organ function of an individual."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2024
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Faisa Maulidina
Klasifikasi data kanker paru-paru dengan metode Support Vector Machine dan Particle Swarm Optimization-Genetic Algorithm = Lung cancer data classification with Support Vector Machine and Particle Swarm Optimization-Genetic Algorithm
"Kanker merupakan pertumbuhan sel abnormal di dalam tubuh yang tidak terkendali. Ketika kanker dimulai di paru-paru, hal ini dinamakan sebagai kanker paru-paru. Terdapat faktor-faktor tertentu yang meningkatkan risiko seseorang yang mengidap penyakit ini, yaitu dengan merokok (termasuk perokok pasif), riwayat kanker paru-paru dalam keluarga, terpapar radiasi, dan infeksi HIV. Penyakit ini dapat didiagnosis melalui image tests, diantaranya yaitu chest x-ray, CT scan, MRI scan, PET scan, dan bone scan. Meskipun diagnosa telah dilakukan dengan banyak cara, namun masih terdapat banyak kesalahan dalam mendiagnosa penyakit tersebut. Untuk mengatasi dan membantu hal tersebut, klasifikasi penyakit kanker paru-paru dapat dilakukan dengan menggunakan metode machine learning. Dataset yang akan digunakan untuk mengklasifikasikan penyakit ini berupa CT Scan yang didapatkan dari Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Metode klasifikasi yang digunakan adalah Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), dimana Particle Swarm Optimization-Genetic Algorithm (PSO-GA) digunakan untuk mengoptimisasi parameter pada Support Vector Machine (SVM). Untuk mengevaluasi hasil kinerja metode tersebut, akan dilihat nilai akurasi, presisi, recall, dan f1-score dan dibandingkan dengan metode SVM tanpa optimisasi. Dari hasil yang didapat, klasifikasi dengan menggunakan Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM) menghasilkan performa yang lebih baik jika dibandingkan dengan Support Vector Machine (SVM) tanpa optimisasi parameter.
Cancer is an uncontrolled growth of abnormal cells in the body. When cancer starts in the lungs, it is referred as lung cancer. There are certain factors that increase a person's risk of this disease, such as smoking (including passive smoker), a family history of lung cancer, exposure to radiation, and HIV infection. This disease can be diagnosed through image tests, including chest x-ray, CT scan, MRI scan, PET scan, and bone scan. Although diagnosis has been made in many ways, there are still many errors in diagnosing the disease. To overcome and help this problem, the classification of lung cancer can be done by using machine learning method. The dataset that used to classify this disease is CT Scan obtained from Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The classification method that will be used is Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), where Particle Swarm Optimization-Genetic Algorithm (PSO-GA) was used to optimize the parameters of the Support Vector Machine (SVM). To evaluate the results of the performance of the method, values of accuracy, precision, recall, and f1-score will be seen and it will be compared with SVM without the optimization. From the results obtained, classification using Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO- GA-SVM) produces better performance compared to Support Vector Machine (SVM) without parameter optimization."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Aziz Setia Aji
Predictive Maintenance pada Sistem Integrasi Data Magnet Berbasis Machine Learning Menggunakan Metode Random Forest Regression = Predictive Maintenance on Magnet Data Integration System Based Machine Learning Using Random Forest Method.
"ABSTRAK
Badan Meteorologi Klimatologi dan Geofisika (BMKG) memiliki tugas pengamatan terhadap magnet bumi yang tersebar di Indonesia. Sensor magnetik bumi BMKG menghasilkan output data real-time. Penelitian ini berfokus pada model predictive maintenance pada sensor magnetik bumi berdasarkan output data sensor. Output data yang dihasilkan adalah dalam bentuk format delimited-space sehingga mudah untuk diproses. Komponen magnetik yang digunakan dalam penelitian ini adalah data komponen total magnet bumi (F) dari sensor. Pemrosesan data menggunakan bahasa pemograman python dan algoritma yang digunakan adalah metode random forest regression dengan membandingkan perbedaan nilai yang dihasilkan dengan data Indoesian Geomagnetic Maps for Epoch 2015.0 untuk kemudian dibuatkan model prediksi terhadap waktu. Proses tersebut digunakan untuk mengetahui apakah data yang dihasilkan masih dalam toleransi atau tidak. Tahapan dalam penelitian ini mulai dari pengumpulan data, pre-processing data, pembuatan model, hingga pengujian model dan validasi terhadap model. Penelitian ini menghasilkan estimasi waktu pemeliharan sebesar 14 hari pada data baseline nilai F dan sebesar 3 hari pada data delta F (ΔF).
ABSTRACT
The Meteorological, Climatological, and Geophysical Agency (BMKG) has the task of observing the earth magnets spread across Indonesia. Earth magnetic sensor of BMKG delivers real-time data output. The study focuses on the predictive maintenance model on the earth's magnetic sensor based on sensor data output. The resulting data output is in the form of delimited-space format so it is easy to process. The magnetic component used in this study is data on the earth's total magnetic component (F) from the sensor. Data processing uses python programming language and the algorithm used is a random forest regression method by comparing the value difference generated with the Indoesian Geomagnetic Maps for Epoch 2015.0 data for later created predictive models against time. The process is used to determine whether the resulting data is still in tolerance or not. The stages in this study range from data collection, pre-processing data, create model, model testing, and model validation. The study resulted in a 14-day maintenance time estimate of the baseline data F-value and 3-day in the delta F (ΔF) data."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020
T-Pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Ian Herahman
Analisa perbandingan kinerja sistem verifikasi tanda tangan online menggunakan Gaussian Mixture Model (GMM) dan Support Vector Machine (SVM) = Performance analysis of online signature verification using Gaussian Mixture Model (GMM) and Support Vector Machine (SVM)
"Sudah sejak lama tanda tangan menjadi salah satu cara untuk melakukan otentikasi dalam kehidupan sehari-hari mulai dari pengesahan dokumen, surat- surat penting bahkan untuk transaksi perbankan. Namun tingkat keamanan dari penggunaan tanda tangan ini tergolong rendah karena tanda tangan dapat ditiru dengan mudah. Seiring dengan perkembangan teknologi, digunakan teknik verifikasi tanda tangan online untuk meningkatkan keamanan dalam otentikasi tanda tangan.
Penelitian ini akan menganalisa performa sistem verifikasi tanda tangan online dengan menggunakan algoritma SVM dan GMM pada database SVC 2004 yang mengandung 7 fitur pada setiap tanda tangan. Database ini memiliki 40 dataset tanda tangan dimana setiap dataset terdiri dari 20 tanda tangan asli dan 20 tanda tangan tiruan atau 1600 tanda tangan secara keseluruhan.
Berdasarkan hasil simulasi dengan menggunakan 10 data training, sistem verifikasi GMM menghasilkan FRR sebesar 4,5%, FAR 3% dan waktu komputasi rata-rata 21,3 detik sedangkan pada SVM dihasilkan FRR 2,625%, FAR 1,25% dan waktu komputasi rata-rata 1,84 detik.
For a long time, signature has become one of many authentication methods that commonly used in daily life such as document and other obligations authentication, even for banking transaction. However the use of signature could be classified as low level security authentication because it can easily forged. With the advanced of technology, online signature verification has been used to increase the security level in signature authentication.
This research will analyze the performance of online signature verification using SVM and GMM algorithm on SVC 2004 signature database which contains 7 features of each signature. The database has 40 contributors who sign 20 authentic signatures, while 20 other are forged ones. In total the database has 1600 signatures.
Based on simulation results using 10 training data, signature verification using GMM resulted in 4,5% FRR, 3% FAR and average computation time of 21,3 seconds, while SVM has 2,625% FRR, 1,25% FAR and average computation time 1,84 second."
Depok: Fakultas Teknik Universitas Indonesia, 2013
S44640
UI - Skripsi Membership  Universitas Indonesia Library
cover
Yuni Rosita Dewi
Analisis akurasi metode seleksi fitur gram-schmidt orthogonalization pada support vector machine untuk big data-studi kasus masalah prediksi klaim = Analyzing accuracy of feature selection method gram-schmidt orthogonalization for support vector machine on big data-a case study of claim prediction problem
"Prediksi klaim merupakan proses penting dalam industri asuransi karena perusahaan asuransi dapat menyiapkan jenis polis asuransi yang tepat untuk masing-masing pemegang polis potensial. Frekuensi prediksi klaim dewasa ini kian meningkat. Sehingga data prediksi klaim yang memiliki volume besar ini disebut big data, baik dari segi jumlah fitur maupun jumlah data pemegang polis. Salah satu alternatif solusi perusahaan asuransi untuk melihat pemegang polis melakukan klaim atau tidak, bisa menggunakan machine learning yang teruji dapat digunakan untuk klasifikasi dan prediksi. Salah satu metode machine learning untuk mengurangi jumlah fitur adalah dengan proses seleksi fitur, yaitu mencari urutan fitur berdasarkan tingkat pentingnya fitur. Metode seleksi fitur yang digunakan adalah Gram-Schmidt Orthogonalization. Metode ini sebelumnya digunakan untuk data tidak terstruktur namun pada penelitian ini diuji pada data terstruktur bervolume besar. Untuk menguji urutan fitur yang diperoleh dari proses seleksi fitur, digunakan Support Vector Machine karena termasuk metode machine learning yang popular untuk klasifikasi. Berdasarkan hasil simulasi, urutan yang diperoleh dari proses Gram-Schmidt Orthogonalization relatif konsisten. Selanjutnya, dapat diketahui fitur-fitur yang paling berpengaruh untuk menentukan pemegang polis klaim atau tidak. Simulasi juga menunjukkan bahwa hanya dengan menggunakan sekitar 26 % fitur, akurasi yang dihasilkan sebanding dengan menggunakan semua fitur.
Claim prediction is an important process in the insurance industry because insurance companies can prepare the right type of insurance policy for each potential policyholder. The frequency of today`s claim predictions is increasing. So that claim prediction data has a large volume called big data, both in terms of the number of features and the number of policyholders. One alternative solution for insurance companies to see whether policyholders claim or not, we can use machine learning that is proven to be used for classification and prediction. One of the machine learning methods to reduce the number of features is the feature selection process, which is to search for sequences of features based on their importance feature. The feature selection method used is Gram-Schmidt Orthogonalization. This method was previously used for unstructured data, but in this research is tested on large volume structured data. Support Vector Machine is used to test the ordered features obtained from the feature selection process because it is a popular machine learning method for classification. Based on a result, the ordered features obtained from the Gram-Schmidt Orthogonalization process is relatively stable. After that, it can also be seen the most important features to determine policyholders claim or not. The simulation also shows that using only about 26 % features, the resulting accuracy is comparable to using all features."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
T54313
UI - Tesis Membership  Universitas Indonesia Library
cover
Gausul Furida Firdaus
Pengembangan sistem pengenalan tanda nomor kendaraan bermotor menggunakan metode least squares support vector machine (LS-SVM) = Development of license plate recognition system using least squares support vector machine (LS-SVM)
"Didalam skripsi ini dijelaskan tentang konsep Least Square Support Vector Machines (LS-SVM) untuk pengembangan sistem pengenalan tanda nomor kendaraan bermotor. Sistem akan mengenali plat nomor kendaraan untuk keperluan proses identifikasi secara otomatis. Pengenalan karakter merupakan modul inti dalam sistem yang mengenali tanda nomor kendaraan dari video. Yang menjadi fokus penelitian ini ialah ketepatan dalam mengenali setiap karakter, kecepatan proses, tingkat ketelitian hasil pengenalan akibat kondisi blur, posisi plat nomor yang miring, kecepatan perekaman video, suasana pengambilan video, resolusi video, dan jumlah data latih. Metode Least Square Support Vector Machine (LS-SVM) digunakan untuk meningkatkan akurasi dan kecepatan komputasi dengan kernel linier serta one against one untuk metode multiclass. Metode deteksi garis tepi dan morphology digunakan pada proses lokalisasi plat nomor. Untuk mengenali karakter secara akurat proses training dipisah antara karakter angka dan huruf. Hasil penelitian menunjukan tingkat ketelitian pengenalan tanda nomor kendaraan mencapai maksimal 98.66% untuk resolusi 1280x720p dan jumlah data latih sebanyak 15. Akurasi minimal yang diujikan pada resolusi 320x240 dan jumlah data latih sebanyak 3 diperoleh sebesar 25.50%.
In this paper, we review the use of least square support vector machines (LS-SVM) concept in development system of license plate recognition. License plate of vehicle will recognize by system for identification process automatically. Charackter recognition is a core of system which is essentially multi-classification problem. The major focus of research is identification each character accurately and rapidly in case of blurs, tilt, noise, video resolution, video capturing atmosphere and amount of training set. LS-SVM with linier kernel and one against one for multiclass problem use to further improve recognition accuracy and speed of LPR system. Edge detection and morphology use in license plate localization process of system LPR. In other to recognize a number plate more accurately we separate trained model with number and English character. Our method got a maximum recognition rate 98.66% in resolution 1280x720p with 15 training set. Minimum recognitoin rate that have tested is 25.50% for resolution 320x240 with 3 training set."
Depok: Fakultas Teknik Universitas Indonesia, 2013
S54470
UI - Skripsi Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>