Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Sentimen merupakan opini atau penilaian penulis dokumen mengenai topik yang dibahas dalam dokumen tersebut. Analisis sentimen merupakan suatu tugas yang melakukan polarisasi dokumen berupa pengklasifikasian dokumen ke dalam sentimen positif dan negatif. Penggunaan metode Naive Bayes, Maximum Entropy, dan Support Vector Machine telah ditunjukkan mampu untuk menangkap informasi sentimen dari dokumen review film pada domain bahasa Inggris (Pang, Lee, & Vaithyanathan, 2002). Laporan tugas akhir ini menjelaskan percobaan yang mengaplikasikan kembali metode Naive Bayes, Maximum Entropy, dan Support Vector Machine untuk analisis sentimen pada dokumen berbahasa Indonesia hasil penerjemahan otomatis menggunakan kamus bilingual dan program penerjemah, pada dokumen review film. Hasil analisis sentimen yang didapat dibanding kan dengan hasil analisis sentimen pada dokumen berbahasa Inggris. Percobaan analisis sentimen dilakukan dengan memvariasikan metode penerjemahan dan pengolahan data, fitur yang digunakan, dan informasi nilai fitur berupa nilai kemunculan fitur (presence), frekuensi, normalisasi nilai frekuensi, dan pembobotan menggunakan tf-idf. Baseline untuk analisis sentimen pada bahasa Indonesia dibuat dengan metode klasifikasi yang sederhana. Hasil yang didapat menunjukkan bahwa analisis sentimen menggunakan machine learning untuk dokumen berbahasa Indonesia hasil penerjemahan otomatis dapat dilakukan, dengan akurasi tertinggi sebesar 78.82%. Hasil ini lebih baik dari akurasi yang didapat dari baseline sebesar 52.43% tetapi tidak melebihi akurasi tertinggi pada dokumen berbahasa Inggris sebesar 80.09%, namun cukup dekat. Penggunaan fitur yang diambil dari 25% bagian terakhir dokumen memberikan hasil yang lebih baik dari penggunaan fitur yang diambil dari keseluruhan dokumen. Sementara, metode Support Vector Machine secara umum memberikan hasil analisis sentimen dengan akurasi yang lebih baik dari metode machine learning lain yang digunakan.

Abstrak :
ABSTRAK
Presenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well. The Bayes’ Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes’ Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data. This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using Menampilkan data seismic dalam bentuk probabilitas merupakan cara yang umum dilakukan untuk mengikutsertakan informasi ketidak-pastian dari pekerjaan pemetaan prospek hidrokarbon. Hal tersebut memberikan interpreter peluang untuk mengukur seberapa yakin mereka terhadap prospek yang sudah dibuat dengan memanfaatkan informasi nilai “most-probable”. Pada sisi lain, ketersediaan pre-stack data sudah sangat umum dijumpai sehingga hal ini merubah cara pandang terhadap inversi seismic yang semula hanya dilakukan terhadap data post-stack menjadi inversi pre-stack. Hal tersebut memang beralasan karena dengan inversi pre-stack, interpreter tidak hanya dimungkinkan mendapatkan informasi litologi namun juga informasi tentang fluida. Aturan Bayes adalah merupakan bentuk lain dari probabilitas terkondisi, aturan ini telah banyak dimanfaatkan oleh berbagai disiplin ilmu seperti penginderaan jauh, peramalan cuaca, pemasaran dan ilmu medis untuk membantu dalam meminimalkan resiko saat pengambilan keputusan. Hal yang sama juga bias kita terapkan pada bidang ilmu bumi dimana keluaran dari proses inversi pre-stack dapat ditransformasi menjadi bentuk volum probabilitas dengan supervisi data sumuran. Penelitian ini menggunakan P-impedance dan VP/VS sebagai input karena kombinasi keduanya merupakan indikator yang baik untuk memisahkan litologi maupun hidrokarbon. Dengan menggunakan supervisi dari data sumuran kedua volume tersebut kemudian di transformasi menjadi bentuk kelas most-probable: (1) shale, (2) wet sand, (3) compacted sand, dan (4) hydrocarbon sand.

---

ABSTRACT
Presenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well. The Bayes’ Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes’ Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data. This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using training set from well log the volumes then transformed into four most probable classes: (1) shale, (2) wet sand, (3) compacted sand, and (4) hydrocarbon sand.

Abstrak :
[ABSTRAK
Menampilkan data seismic dalam bentuk probabilitas merupakan cara yang umum dilakukan untuk mengikutsertakan informasi ketidak-pastian dari pekerjaan pemetaan prospek hidrokarbon. Hal tersebut memberikan interpreter peluang untuk mengukur seberapa yakin mereka terhadap prospek yang sudah dibuat dengan memanfaatkan informasi nilai ?most-probable?. Pada sisi lain, ketersediaan pre-stack data sudah sangat umum dijumpai sehingga hal ini merubah cara pandang terhadap inversi seismic yang semula hanya dilakukan terhadap data post-stack menjadi inversi pre-stack. Hal tersebut memang beralasan karena dengan inversi pre-stack, interpreter tidak hanya dimungkinkan mendapatkan informasi litologi namun juga informasi tentang fluida. Aturan Bayes adalah merupakan bentuk lain dari probabilitas terkondisi, aturan ini telah banyak dimanfaatkan oleh berbagai disiplin ilmu seperti penginderaan jauh, peramalan cuaca, pemasaran dan ilmu medis untuk membantu dalam meminimalkan resiko saat pengambilan keputusan. Hal yang sama juga bias kita terapkan pada bidang ilmu bumi dimana keluaran dari proses inversi pre-stack dapat ditransformasi menjadi bentuk volum probabilitas dengan supervisi data sumuran. Penelitian ini menggunakan P-impedance dan VP/VS sebagai input karena kombinasi keduanya merupakan indikator yang baik untuk memisahkan litologi maupun hidrokarbon. Dengan menggunakan supervisi dari data sumuran kedua volume tersebut kemudian di transformasi menjadi bentuk kelas most-probable: (1) shale, (2) wet sand, (3) compacted sand, dan (4) hydrocarbon sand.

---

ABSTRACT
Presenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well. The Bayes? Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes? Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data. This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using training set from well log the volumes then transformed into four most probable classes: (1) shale, (2) wet sand, (3) compacted sand, and (4) hydrocarbon sand.;Presenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well. The Bayes? Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes? Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data. This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using training set from well log the volumes then transformed into four most probable classes: (1) shale, (2) wet sand, (3) compacted sand, and (4) hydrocarbon sand.;Presenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well. The Bayes? Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes? Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data. This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using training set from well log the volumes then transformed into four most probable classes: (1) shale, (2) wet sand, (3) compacted sand, and (4) hydrocarbon sand.;Presenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well. The Bayes? Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes? Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data. This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using training set from well log the volumes then transformed into four most probable classes: (1) shale, (2) wet sand, (3) compacted sand, and (4) hydrocarbon sand., Presenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well. The Bayes’ Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes’ Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data. This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using training set from well log the volumes then transformed into four most probable classes: (1) shale, (2) wet sand, (3) compacted sand, and (4) hydrocarbon sand.]

Abstrak :
Klasifikasi dokumen adalah sebuah metode untuk menentukan suatu dokumen termasuk ke suatu kategori secara otomatis berdasarkan isi dokumen. Metode Naïve Bayes dan ontologi merupakan metode klasifikasi dokumen teks yang digunakan dalam penelitian ini. Data yang digunakan dalam penelitian ini berupa artikel berita berbahasa Indonesia dari situs http://www.kompas.com. Dalam penelitian ini menggunakan lima kategori dalam domain olahraga untuk melakukan klasifikasi dokumen, yaitu kategori bulutangkis, basket, otomotif, sepakbola, dan tenis. Klasifikasi dokumen dengan menggunakan ontologi dilakukan dengan membandingkan nilai kemiripan diantara dokumen dan sebuah node yang ada di ontologi. Sebuah dokumen diklasifikasikan ke sebuah kategori atau node, jika memiliki nilai kemiripan paling tinggi diantara semua node yang ada di ontologi. Hasil penelitian menunjukkan bahwa ontologi dapat digunakan untuk melakukan klasifikasi dokumen. Nilai recall, precision, dan f-measure untuk klasifikasi dokumen menggunakan ontologi berturut-turut adalah 97.03%, 91.63%, dan 94.02%.

---

Document classification is a method for determine document category automatically based on contents of document. In this research, we use Naïve Bayes and Ontology method for document classification. Mass media in Bahasa Indonesia is used as data in this research. Data is taken from http//www.kompas.com. We uses five category in sports domain for document classification that comprise with bulutangkis, basketball, automotive, soccer, and tennis category. Document classification uses ontology can be done with compare similarity value between document and a node in ontology. A document can classified to a category or node, if a document has highest similarity value between all node in ontology. In this research indicate that ontology can used for document classification. Recall, precision, and f-measure value for document classification using ontology in a row are 97.03%, 91.63%, and 94.02%.

Abstrak :
Dalam organisasi pendidikan tinggi, evaluasi dosen merupakan cara untuk mengetahui pengaruh pengajaran dosen terhadap mahasiswa. Evaluasi dosen meliputi kegiatan mengumpulkan informasi mengenai bagaimana dosen melakukan pekerjaan, menginterpretasi informasi, dan membuat penilaian mengenai tindakan apa yang harus dilakukan untuk meningkatkan kualitas pengajaran. Kualitas pengajaran OOn standar akademik perlu untuk selalu dievaluasi, ditingkatkan dan pengajaran yang baik merupakan hal yang rum it, sangat individual, berkaitan dengan materi. Namun, evaluasi terhadap pengajaran tetap dapat dilakukan dalam kaitannya dengan penilaian efektivitas pengajaran OOn menggunakannya untuk meningkatkan kualitas proses belajar-mengajar.Penilaian kinerja dosen dalam penelitian ini menggunakan Metode Bayes ymlg berdasarkan pada kriteria - kriteria yang digunakan dengan standar kesesuaian yang telah ditentukan OOn memanfaatkan nilai harapan (expected value) sebagai dasar penghitungan.Hasil penelitian implementasi Metode Bayes pada penilaian kinerja dosen, akan membantu unit penjaminan mutu dalam melakukan evaluasi kinerja dosen dengan tujuan untuk meningkatkan kinerja dosen tersebut OOn digunakan sebagai bahan pertimbangan untuk pengambilan keputusan

Abstrak :

Konsumsi energi nasional secara signifikan dikontribusikan oleh tenaga listrik rumah tangga. Untuk mengetahui penggunaan energi listrik di setiap peralatan listrik rumah tangga, teknik yang disebut Non-Intrusive Load Monitoring (NILM) digunakan. NILM adalah alat untuk memantau dan mengidentifikasi kekuatan setiap peralatan listrik. Baru-baru ini beberapa metode klasifikasi data seperti jaringan saraf, pembelajaran mendalam telah diterapkan untuk mengembangkan NILM. Dalam tulisan ini, metode naive bayes digunakan untuk NILM. Metode ini untuk mengklasifikasikan kondisi on-off peralatan listrik. Untuk meningkatkan akurasi, metode preprocessing data yang normalisasi dan diskritisasi digunakan. Perbandingan kinerja dievaluasi untuk setiap metode. Dalam tulisan ini, dataset REDD digunakan. Metode Supervised learning yang digunakan adalah Naive Bayes dan K Nearest Neighbour. Hasil simulasi menunjukkan bahwa dua metode ini dapat mengenali data NILM dengan akurasi yang tinggi. Metode naive bayes dengan diskritisasi memperoleh akurasi tertinggi dengan nilai 96.64% diikuti oleh KNN dengan k =5 dengan nilai 96.1287%.

 

---

National energy consumption is significantly contributed by household electricity. To find out the use of electrical energy in every household electrical equipment, a technique called Non-Intrusive Load Monitoring (NILM)  used. NILM is a tool to monitor and identify the strength of each electrical equipment. Recently several methods of data classification such as neural networks, deep learning have been applied to develop NILM. In this paper, the naive Bayes method used for NILM. This method is to classify the conditions of on-off electrical equipment. Accuracy to improve, data preprocessing techniques that are normalised and discretised used. Performance comparisons are evaluated for each method. In this paper, the REDD dataset used. The Supervised learning method used is Naive Bayes and K Nearest Neighbor. The simulation results of the two classification methods can recognise NILM data with high accuracy, the naive Bayes method with discretisation obtained the highest accuracy with an amount of 96.64% followed by KNN with 5 with a value of 96.1287%.

 

Abstrak :
ABSTRACT
Talasemia adalah penyakit yang disebabkan oleh adanya kelainan dalam hemoglobin. Penyakit talasemia merupakan penyakit herediter atau penyakit keturunan dimana pembawa gen talasemia adalah orang tua dari penderita. Di Indonesia, pada tahun 2015 diketahui jumlah kasus talasemia mencapai 7.029 kasus. Sampai saat ini talasemia belum dapat disembuhkan namun dapat dikenali sifat pembawanya dengan skrining. Dalam tugas akhir ini, akan dibandingkan performa dari dua metode yang digunakan untuk mengklasifikasikan data talasemia, yaitu K-Nearest Neighbor dan Naive Bayes. Data yang digunakan adalah 82 data pasien talasemia dan 68 data pasien non-talasemia dari Rumah Sakit Anak dan Bunda Harapan Kita, Jakarta Barat. Hasil akhir menunjukkan bahwa metode Naive Bayes memberikan nilai akurasi yang lebih besar dari K-Nearest Neighbor dalam mengklasifikasikan talasemia. Rata-rata akurasi Naive Bayes sebesar 99.775% dengan rata-rata waktu running 0.0554 detik dan rata-rata akurasi K-Nearest Neighbor adalah 97.142% dengan rata-rata waktu running 0.081 detik. Untuk nilai spesifikasi, keduanya memberikan performa yang sama, yaitu dari K-Nearest Neighbor diperoleh ketika K=3 yaitu sebesar 100% dan dari Naive Bayes sebesar 100%. Hasil rata-rata sensitivitas tertingi diberikan oleh Naive Bayes yaitu sebesar 99.59%, sedangkan K-Nearest Neighbor sebesar 96.25% untuk K=1.

---

ABSTRACT
Thalassemia is a disease caused by abnormalities in the hemoglobin. Thalassemia is a hereditary disease which the thalassemia gene carriers are parents of sufferers. In Indonesia, in 2015 it was found that the number of thalassemia cases reached 7,029 cases. Until now thalassemia has not been cured, but it can be recognized the nature of its carrier by screening. In this final project, the performance of the two methods will be compared to classify thalassemia data, namely K-Nearest Neighbor and Naive Bayes. The data used were 82 data on thalassemia patients and 68 data on non-thalassemia patients from Harapan Kita Children and Womans Hospital, West Jakarta. The final results show that the Naive Bayes method provides greater accuracy value than K-Nearest Neighbor in classifying thalassemia. The average accuracy of Naive Bayes is 99.775% with an average running time of 0.0554 seconds and the average accuracy of K-Nearest Neighbor is 97.142% with an average running time of 0.081 seconds. For specification values, both give the same performance. The result of specification values using K-Nearest Neighbor yield when K = 3 that is 100% and from Naive Bayes that is 100%. The highest average sensitivity results are given by Naive Bayes is 99.59%, while K-Nearest Neighbor is 96.25% for K = 1.

Abstrak :
ABSTRACT
Dewasa ini, sudah banyak rumah sakit modern yang dilengkapi dengan peralatan monitoring yang lengkap, yang menyebabkan makin banyaknya data medis yang tersimpan. Data medis ini memiliki karakteristik khusus, dan biasanya metode statistika biasa tidak dapat diterapkan begitu saja. Dari sinilah kemudian muncul gagasan mengenai Medical Data Mining (MDM) yang sudah terbukti cocok untuk diterapkan dalam analisis data medis. Naive Bayes Classifier (NBC) merupakan salah satu implementasi dari MDM. Kendati terbukti memiliki hasil yang akurat dan memuaskan dalam proses diagnosis medis, metode-metode dalam MDM belum sepenuhnya diterima dalam praktek medis untuk diterapkan. Alasan utama mengapa metode ini belum dapat diterima adalah karena terdapatnya resistansi dari tenaga medis terhadap metode diagnosis yang baru. Tujuan dari penelitian ini adalah untuk menerapkan dan mengevaluasi performa NBC  pada data rekam medis pasien kanker payudara di salah satu rumah sakit di Jakarta dalam masalah klasifikasi subtipe molekular kanker payudara, serta membandingkan hasil klasifikasi NBC dengan metode MDM lain, yaitu Decision Tree (DT). Hasil analisis menunjukkan bahwa NBC mengungguli DT dengan tingkat akurasi sebesar 92,8%. Selain itu, dapat juga ditunjukkan secara empiris bahwa NBC mampu menangani missing value dengan cukup baik dan tidak membutuhkan data dalam jumlah banyak untuk tetap dapat mengklasifikasikan sebagian besar pasien dengan benar.

---

ABSTRACT
Nowadays, modern hospitals are well equipped with data monitoring devices, which resulted in an abundant amount of medical data. These medical data possess specific characteristics and usually, statistical methods could not be applied directly. This is what started the notion of Medical Data Mining (MDM), which has proven to be effective in analysing medical data. Naive Bayes Classifier (NBC) is an implementation of MDM. Even though MDM methods produce a sufficiently accurate and satisfying results in diagnosis problems, these methods are still not well accepted in the medical practice. One of the main reasons is because there is a resistance of physicians to a new diagnosis method. The main goal of this study is to apply and evaluate the performance of NBC in classifying breast cancer patients in a private hospital in Indonesia into five classes of molecular subtypes and compare its performance with another popular MDM method, Decision Tree (DT). Results showed that NBC outperformed DT by reaching an accuracy rate of 92.8%. This study could also show empirically that NBC does not need a big dataset to be able to achieve a high accuracy rate and that NBC could handle the problem of missing values just fine.