Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Makalah ini membahas perbandingan kinerja dari dua perangkat lunak data mining untuk menemukan pola asosiasi dari suatu basis data. Perangkat lunak yang pertama didasarkan pada metode yang berbasis pada graf asosiasi, sedang perangkat lunak yang kedua didasarkan pada penerapan metode dimensi frakta. Untuk memperoleh satu set pola asosiai pengguna dari kedua perangkat lunak harus menspesifikasi item-item dalam bagian antecedent dan consequent pada sistem antar-muka yang disediakan oleh masing-masing perangkat lunak. Pada perangkat lunak yang didasarkan pad agraf asosiasi, kualitas pola asossiasi yang dicari hanya didasarkan pada parameter minimum support dan minimum sonfidence. Sedang pada perangkat lunak yang didasarkan pada dimensi fraktal selain kedua parameter tersebut, dua parameter tambahan dilibatkan dalam mengukur kualitas pola aosiasi yang dihasilkan yaitu window support dan nilai ambang batas fraktal. Hasil kajian perbandingan terhadap kinerja dari kedua perangkat lunak secara umum dapat disimpulkan bahwa metode dimensi fraktal dapat menghasilkan jumlah asosiasi yang jauh lebih banyak dibandingkan metode yang didasarkan pada graf asosiasi. Selain itu waktu komputasi yang diperlukan oleh metode dimensi fraktal jauh lebih kecil dibandingkan dengan metode graf aasosisai untuk spesifikasi pola asosiasi yang sama.

Abstrak :
Dalam makalah ini dibahas hasil desain dan implementasi perangkat lunak pencarian ciri-ciri wajah dengan masukan berupa citra wajah yang memiliki ukuran tertentu, dengan menggunakan gabungan metode model distribusi titik dan algoritma genetika. Perangkat lunak dibagi menjadi dua sub-sistem, yaitu sub-sistem pelatihan, data pelatihan diproses dengan menggunakan metode model distribusi titik untuk mendapatkan serangkaian parameter yang berguna pada proses pencarian. Selanjutnya dalam sub-sistem pencarian, parameter-parameter tersebut dimodifikasi dan dikombinasi dengan menggunakan metode algoritma genetika untuk mendapatkan ciri-ciri wajah yang dimiliki oleh citra. Uji coba perangkat lunak dilakkukan terhadap 30 citra wajah yang berbeda, dian setiap citra diuji coba dengan 24 parameter algortitma genetika yang berbeda. Hasil uji coba menunjukkan bahwa tingkat kesalahan yang merepresentasikan perbedaan koordinat titik-titik dari citra uji coba terhadap citra pelatihan berada pada interval 2% - 17% dengan tingkat kesalahan minimum, maksimum dan rata-rata berturut-turut sebesar 2.5%, 16.18% dan 5.92%.