Hasil Pencarian  ::  Simpan CSV :: Kembali

"Providing travelers with accurate bus arrival time is an essential need to plan their traveling and reduce long waiting time for buses. In this paper, we proposed a new approach based on a Bayesian mixture model for the prediction. The Gaussian mixture model (GMM) was used as the joint probability density function of the Bayesian network to formulate the conditional probability. Furthermore, the Expectation maximization (EM) Algorithm was also used to estimate the new parameters of the GMM through an iterative method to obtain the maximum likelihood estimation (MLE) as a convergence of the algorithm. The performance of the prediction model was tested in the bus lanes in the University of Indonesia. The results show that the model can be a potential model to predict effectively the bus arrival time."

"Penggunaan data sebagai dasar pengambilan keputusan menjadi hal yang sangat penting dilakukan di dunia olahraga saat ini dan biasa disebut dengan sports analytics. Bola basket menjadi salah satu olahraga yang sangat memanfaatkan hal tersebut untuk memperoleh informasi berharga yang dapat membantu memenangkan pertandingan. Keputusan-keputusan penting saat pertandingan berlangsung menjadi sangat bergantung pada hasil analisis data yang dilakukan. Salah satu faktor penting yang dapat mempengaruhi performa tim adalah komposisi pemain yang bertanding. Saat ini, dunia bola basket, termasuk NBA yang merupakan liga basket terbesar di dunia yang ada di Amerika Serikat, masih menggunakan 5 posisi pemain tradisional sebagai salah satu hal yang mempengaruhi komposisi pemain. Hal tersebut sangat tidak efektif karena posisi tersebut sudah tidak dapat lagi menggambarkan peran dan cara bermain pemain ketika bertanding seiring berovolusinya para pemain bola basket. Penelitian ini bertujuan untuk menghasilkan posisi baru untuk skema penyerangan yang sesuai dengan tipe pemain dan dapat menggambarkan dengan baik peran dan cara bermain pemain dalam skema penyerangan ketika bertanding. Metode clustering dengan algoritma Gaussian Mixture Model (GMM) dan K-Medoids digunakan untuk melakukan hal tersebut dengan mengelompokkan para pemain berdasarkan variabel-variabel yang berkaitan dengan skema penyerangan di olahraga bola basket. Penelitian ini berhasil menemukan kelompok-kelompok baru yang menyatukan para pemain dengan tipe permainan yang mirip dan lebih menggambarkan peran dan cara bermain para pemain ketika bertanding.

---

The use of data as a basis for decision making become very important in the world of sports today and is known as sports analytics. Basketball is a sport that really takes advantage of that to get valuable information that can help win matches. Important decisions during a game are very dependent on the results of the data analysis carried out. One of the important factor that can affect a team's performance is the composition of the players that play the game. Currently, the world of basketball, including the United States's NBA which is the largest basketball league in the world, still uses the 5 traditional player positions as one of the things that influence the composition of players. That is really ineffective because this position can no longer describe the roles and ways players play when competing as basketball players evolve. This study aims to produce new positions for attack schemes that suit the type of player and can well describe the roles and ways of playing players in attack schemes when playing in a game. The clustering method with the Gaussian Mixture Model (GMM) algorithm and K-Medoids is used for grouping the players based on variables related to the attack scheme in basketball. This research succeeded in finding new groups that identify players with similar game types and better describe the roles and ways of players play when competing."

"ABSTRAKTeknik yang digunakan untuk Sistem Pemantau Lalu Lintas pada masa sekarangini banyak tergantung pada sensor-sensor yang mempunyai kemampuan yangterbatas, kurang fleksibel, dan seringkali mahal dan sulit untuk dipasang.Penggunaan kamera digabungkan dengan teknologi Computer Vision menjadialternatif yang menarik dari sensor yang ada saat ini. Sensor berbasis kamera inimempunyai potensi yang lebih besar untuk mengamati kondisi lalu lintas yangada dibanding sensor konvensional saat ini yaitu sensor ini lebih murah danmudah untuk dipasang.Di dalam penelitian ini dikembangkan sistem pemantaulalu lintas menggunakan metode Optical Flow dan Gaussian Mixture Model.Eksperimen dilakukan menggunakan handycam, berlokasi di salah satu tol dalamkota Jakarta. Kondisi pengambilan gambar adalah pada kondisi yang berbedabedayaitu pada saat pagi, siang, dan sore, cuaca cerah, dan mendung, sertakondisi arus lalu lintas padat dan lancar. Setelah pengujian dilakukan, algoritmaOptical Flow memberikan hasil yang lebih baik dibandingkan algoritma GaussianMixture Model yaitu dengan akurasi mencapai 92% dibanding Gaussian yanghanya mencapai 72%. Faktor-faktor yang mempengaruhi tingkat akurasi adalahkondisi waktu, cuaca, dan arus kendaraan serta lokasi pengambilan gambar.

---

AbstractCurrent techniques for Sistem Pemantau Lalu Lintas rely on sensors which havelimited capabilities, inflexible and often, costly and disruptive to be installed.Video camera, coupled with Computer Vision techniques offers an attractivealternative to current sensors which is portable and low cost . In this research, atraffic monitoring system using handy camera is developed using Optical Flowand Gaussian Mixture Model (GMM) methods. The experiment took place in oneof the Jakarta city highway. The condition of the experiment is when the time is inthe morning, afternoon, evening, when it is clear, and cloudy, and also when thetraffic is light and heavy. The experiments shows that Optical Flow algorithmgives better results regarding to accuracy rate, better than Gaussian MixtureModel Algorithm. The Optical Flow reach 92% accuracy while Gaussian Mixtureonly got to 72% accuracy. Some factors that influenced the accuracy rate of thesystem are time, weather, traffic and location."

"Salah satu aplikasi yang akan diterapkan pada sistem e-Livestock di Indonesia adalah aplikasi untuk mengenali rumpun ternak sapi berdasarkan data citra ternak sapi. Permasalahan yang dihadapi pada proses pengenalan rumpun ternak tersebut adalah pada saat proses segmentasi objek ternak sapi, karena pada umumnya data citra ternak sapi memiliki background yang cukup kompleks dan beragam. Sehingga sangat sulit untuk mengenali objek ternak sapi secara otomatis menggunakan mesin. Beberapa penelitian yang telah dilakukan mengungkapkan bahwa metode segmentasi secara interaktif yang berbasiskan graf cukup ampuh untuk melakukan segmentasi pada citra yang kompleks. Pada penelitian ini dilakukan proses segmentasi secara interaktif berbasiskan graf yang merupakan pengembangan dari metode Graph Cuts. Metode ini dapat memberikan hasil yang lebih akurat pada citra dengan background yang beragam dan komples dengan rata-rata nilai akurasi sebesar 90%, walaupun masih membutuhkan interaksi dari pengguna. Citra ternak sapi yang telah dilakukan proses segmentasi dapat diklasifikasikan jenis rumpunnya dengan akurat dengan rata-rata nilai akurasi sebesar 97,5%.

---

One of the applications that will be applied to the e-Livestock system in Indonesia is an application to recognize the race of cattle beef from cattle beef image data. Problems faced in the process of recognizing cattle race is in the process of cattle object segmentation, because the cattle beef data image have a complex and diverse

background. So it is very difficult to recognize the cattle object fully automatic using the machine. Previous research and studies revealed that the interactive segmentation method which is based on graph was powerful enough to perform image segmentation with complex background. In this research, we develop the process of graph-based interactive segmentation which is the development of Graph Cuts methods. This method can provide more accurate results in imagery with complex and diverse background with 90% accuracy, although still requiring interaction from the user. Cattle image segmentation process that has been done can be accurately classified its race with an average accuracy of 97,5%."

"Support Vector Machine (SVM) merupakan model klasifikasi yang dikenal dengan keakuratan klasifikasi yang tinggi. Namun, Support Vector Machine (SVM) menghasilkan hasil klasifikasi yang kurang optimal jika data yang digunakan tidak seimbang (imbalanced data). Terdapat beberapa cara dalam menangani data yang tidak seimbang, salah satunya dengan metode resampling. Metode resampling sendiri terbagi dalam dua pendekatan yaitu over-sampling dan under-sampling. Salah satu pendekatan over-sampling yang popular adalah Synthetic Minority Over-sampling Technique (SMOTE). SMOTE bekerja dengan membangkitkan sampel sintetis pada kelas minoritas. Untuk meningkatkan kinerja model, SMOTE dapat digabungkan dengan pendekatan under-sampling seperti Edited Nearest Neighbors (ENN) dan Cluster-based Undersampling Technique (CUT). Dalam kombinasinya dengan SMOTE, ENN berperan sebagai cleaning untuk menghapus data sintetis dari penerapan SMOTE yang tidak relevan dan dianggap sebagai noise. Sementara, CUT beperan dalam mengidentifikasi sub-kelas dari kelas mayoritas untuk menekan angka over-sampling sekaligus meminimalisir hilangnya informasi penting pada kelas mayoritas selama proses undersampling. Kombinasi over-sampling dan under-sampling ini saling melengkapi dan mengatasi kekurangan dari masing-masing metode. Penelitian ini memfokuskan perbandingan performa metode resampling SMOTE beserta variasinya, yaitu SMOTEENN dan SMOTE-CUT dalam mengklasifikasikan data multi-kelas yang tidak seimbang menggunakan Support Vector Machine. Dari analisis yang dilakukan, diperoleh kesimpulan bahwa SMOTE-CUT cenderung menghasilkan performa klasifikasi yang lebih baik dibandingkan dengan SMOTE ataupun SMOTE-ENN. Walaupun demikian, keseluruhan metode resampling (SMOTE, SMOTE-ENN, dan SMOTE-CUT) mampu meningkatkan kinerja dari model klasifikasi Support Vector Machine (SVM).

---

Support Vector Machine (SVM) is popular classfier that is known for its high accuracy value. However, Support Vector Machine (SVM) may not perform well on imbalanced datasets. There are several ways to handle imbalanced data, one of them is through resampling methods. Resampling methods itself divided into two approaches, oversampling and under-sampling. One of the popular over-sampling methods is Synthetic Minority Over-sampling Technique (SMOTE). SMOTE works by generating synthetic samples for the minority class. SMOTE can be combined with under-sampling methods such as Edited Nearest Neighbors (ENN) or Cluster-based Under-sampling Technique (CUT). In combination with SMOTE, ENN acts as a cleaning role to remove synthetic data generated from SMOTE application that is not relevant and considered as noise. Meanwhile, CUT plays a role in identifying sub-class form the majority class to reduce over-sampling while minimizing the loss of important information in the majority class during the under-sampling process. The combination of over-sampling and undersampling is needed to complement and overcome the weakness of each method. This research mainly focuses on comparing the performance of the resampling method SMOTE and its variations, SMOTE-ENN and SMOTE-CUT, in classifying multi-class imbalanced data using Support Vector Machine. From the analysis conducted, it was concluded that data with resampling SMOTE-CUT shows better classification performance compare to data with resampling SMOTE or SMOTE-ENN. However, any resampling method (SMOTE, SMOTE-ENN, and SMOTE-CUT) can handle imbalanced data and improve Support Vector Machine performance."

"Image clustering adalah pengelompokan citra berdasarkan kesamaan ciri tententu pada sekumpulan citra. Image clustering yang dilakukan berdasarkan konten citra dapat menggunakan komponen warna, tekstur, garis tepi, bentuk, dan lainnya, atau berupa gabungan dari beberapa komponen. Pada penelitian ini dilakukan image clustering berdasarkan komponen warna. Tiga hal yang diperhatikan dalam proses clustering ini adalah penggunaan ruang warna, representasi citra, dan metode clustering. Ruang warna yang digunakan dalam penelitian ini adalah RGB, HSV, dan L*a*b*. Representasi citra atau feature extraction menggunakan histogram dan Gaussian Mixture Model, sedangkan metode clustering yang digunakan adalah K-Means dan Agglomerative Hierarchical. Pada ruang warna RGB dan L*a*b*, kinerja clustering terbaik berhasil dilakukan dengan menggunakan representasi citra GMM, sedangkan pada ruang warna HSV, citra yang berhasil dikelompokan dengan kinerja paling baik menggunakan representasi citra histogram. Kemudian, metode K-Means clustering bekerja lebih baik daripada Agglomerative Hierarchical pada image clustering yang menggunakan komposisi warna.

---

Image clustering is a process of grouping the image based on their similarity. Image clustering based on image content usually uses the color component, texture, edge, shape, or mixture of two components, etc. This research focuses in image clustering uses color component. Three main concepts concerned on this research are color space, image representation (feature extraction), and clustering method. RGB, HSV, and L*a*b* are used in color spaces. The image representations use Histogram and Gaussian Mixture Model (GMM), whereas the clustering methods are K-Means and Agglomerative Hierarchical Clustering. The result of the experiment show that GMM representation is better used for RGB and L*a*b* color space, whereas Histogram is better used for HSV. The experiment also show that K-Means better than Agglomerative Hierarchical for clustering method."