Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Universitas XYZ sebagai institusi Perguruan Tinggi Terbuka Jarak Jauh (PTTJJ), senantiasa menjaga kualitas layanannya agar tetap berkualitas. Salah satu layanan yang senantiasa dijaga adalah layanan Bahan Ajar. Layanan Bahan Ajar didukung dengan manajemen stok bahan ajar dari mulai perencanaan dengan melakukan estimasi kebutuhan bahan ajar, gudang bahan ajar untuk menyimpan persediaan bahan ajar dan Student Record System (SRS). Bahan Ajar disiapkan dalam dua program yaitu melalui Sistem Paket Semester (Paket) dan non-paket. Mahasiswa yang mengikuti program nonpaket tidak diwajibkan membayar tagihan biaya bahan ajar. Untuk menjaga kualitas layanan bahan ajar, Universitas XYZ melakukan estimasi kebutuhan bahan ajar. Estimasi dilakukan secara manual dengan menggunakan formula yang berbeda pada setiap tahunnya. Estimasi dilakukan sebelum dan sesudah masa registrasi mata kuliah. Kenyataannya, kebutuhan bahan ajar masih mengalami kekurangan. Hal ini diketahui pada akhir tahun terdapat perbedaan antara hasil estimasi dan realisasi, sehingga tidak sedikit mahasiswa mendapatkan bahan ajar ketika memasuki akhir semester bahkan ketika memasuki awal semester baru. Penelitian ini bertujuan untuk menentukan berapa banyak bahan ajar yang harus disiapkan dengan cara mempelajari profil mahasiswa melalui data history mahasiswa menggunakan teknik classification. Metode yang digunakan Naïve Bayes, Decision Tree dan Support Vector Machine. Evaluasi menggunakan metode cross validation dengan nilai k 2, 3, 5 dan 10. Hasil percobaan menunjukkan bahwa metode Decision Tree memiliki accuracy tertinggi dibanding dengan yang lain. ......XYZ University as an institution of Distance Learning Higher Education (PTTJJ), always maintains the quality of its services to remain qualified. One service that is always maintained is the Teaching Materials service. Teaching Material Services are supported by the management of teaching material stocks from the start of planning by estimating teaching material requirements, warehouse of teaching materials to store supplies of teaching materials and Student Record System (SRS). Teaching Materials are prepared in two programs, namely through the Semester Package System (Package) and nonpackage. Students who take non-package programs are not required to pay bills for teaching materials. To maintain the quality of teaching material services, XYZ University estimates the need for teaching materials. Estimates are done manually by using a different formula each year. Estimates are made before and after the registration period of the course. In fact, the need for teaching materials is still lacking. This is known at the end of the year there is a difference between the results of estimation and realization, so that not a few students get teaching materials when entering the end of the semester even when entering the beginning of the new semester. This study aims to determine how much teaching material must be prepared by studying student profiles through student history data using classification techniques. The method used is Naïve Bayes, Decision Tree and Support Vector Machine. The evaluation uses the cross validation method with values k 2, 3, 5 and 10. The experimental results show that the Decision Tree method has the highest accuracy compared to the others.

Abstrak :
Dengan bertambahnya populasi di Bumi ini, meningkat juga kebutuhan pangan dalam kehidupan. Karena itu, dunia agrikultur diharuskan dapat berjalan dengan efektif dan aman dari ancaman. Meski begitu, pengawasan perkebunan tidak dapat dilakukan oleh manusia terus-menerus, sehingga lahan tersebut dapat diserang oleh gulma, yaitu hama tanaman yang tumbuh dan mengambil nutrisi tanah yang membantu pertumbuhan tanaman agrikultur. Dengan adanya pertimbangan ini, dirancang sistem deteksi objek yang menggunakan ekstraksi objek yang dapat mengambil fitur dari dedaunan tanaman dan membandingkannya dengan fitur dedaunan gulma. Fitur yang diambil berupa bentuk dari daun, dilihat melalui ekstraksi fitur titik ujung suatu objek melalui Oriented FAST and Rotated BRIEF (ORB), dan ekstraksi fitur tekstur objek melalui Local Binary Pattern (LBP). Kedua ekstraksi fitur ini digabungkan melalui metode normalisasi dan z-score, dan akan dijalankan dalam bahasa Python. Evaluasi dilakukan dengan membandingkannya dengan bila sistem dijalankan dengan ORB sendiri dan LBP sendiri, melalui akurasinya. Selain itu, dilakukan evaluasi terhadap SVM untuk klasifikasi citra, dengan menentukan akurasi mana yang lebih tinggi di antara SVC dengan tiga kernel linear, RBF, dan polynomial, atau LinearSVC. Hasil penelitian menunjukan bahwa model deteksi objek menggunakan ORB saja memiliki akurasi lebih tinggi dengan nilai akurasi 0.912 dibanding dengan model deteksi objek dengan LBP yang memiliki akurasi 0.808. Untuk evaluasi model klasifikasi SVM yang sudah menggunakan ekstraksi fitur LBP, SVC dengan kernel linear dan RBF memiliki akurasi yang tinggi, di mana SVC dengan kernel linear memiliki nilai 0.77, dan dengan RBF 0.79. Namun, peningkatan dari akurasi SVC dengan RBF tidak dapat menandingi waktu eksekusi SVC dengan kernel linear yang memiliki nilai 2.62 ms, bila dibanding dengan kernel RBF yang mencapai 3.76 ms. ......, With the increase in Earth’s population, the daily need for food also rises. Due to this, the world of agriculture must run effectively and safe from any threats. However, constant observations of plantations by humans are not possible, leading to the fields to be overgrown by weeds, a pest in the form of plants that grow and take the nutrients of planted crops. With this in consideration, a detection system utilizing feature extraction algorithms designed that is capable of extracting the features, which are shapes and textures, of leaves and weeds. Shapes are taken into account by edge-based feature extraction model, Oriented FAST and Rotated BRIEF(ORB), while textures are analyzed by binary-based Locab Binary Pattern (LBP). These two features are joined using normalization and z-score method, and is run using Python. Evaluation is done by comparing the system with two others using only ORB and LBP, through its accuracy in the system. Other than that, Evaluation will be done on SVM-based image classification, by deciding which of the SVM with three different kernels, linear, RBF and polynomial, and LinearSVC, has the highest accuracy. After evaluation, it is found that ORB is a better feature extraction algorithm within the system, with an accuracy of 0.912, followed by LBP with accuracy of 0.808. For evaluation on SVM with LBP as feature extraction algorithm, SVC with linear and RBF kernels are two of the highest classification models in term of accuracy, with SVC with linear kernel having 0.77 in value, while SVC with RBF kernel having 0.79. However, the 0.02 increase in SVC with RBF kernel’s accuracy is negligible, due to having a longer execution time of 3.76 ms, while SVC with linear kernel has 2.62 ms, making SVC with linear kernel a better choise due to efficiency.