Hasil Pencarian  ::  Simpan CSV :: Kembali

"There are two categories of well-known approach (as basic principle of classification process) for leraning structure of Bayesian Neywork (BN) in data mining (DM): ...."

"Land cover information is vital for supporting decision concerning the management of the environment and for understanding the causes and trnds of human and natural processess on the earth surface...."

"Telur ayam kampung atau telur ayam buras adalah telur ayam umum dikonsumsi masyarakat Indonesia sebagai makanan biasa atau juga sebagai obat. Pengklasifikasian kualitas telur ayam kampung. Dilakukan untuk dapat membedakan telur yang layak konsumsi dan tidak layak konsumsi. Beberapa penelitian serupa menggunakan Arduino dan sensor photodioda untuk melakukan klasifikasi, selain itu juga ada beberapa penelitian yang menggunakan machine learning untuk membedakan jenis telur. Dari penelitian yang telah di lakukan dilihat bahwa akurasi masih kecil, dan dirasa masih bisa di ditingkatkan. Dalam penelitian ini dibuat sistem klasifikasi kualitas telur ayam kampung dengan menggunakan algoritma you only look once (YOLO) versi 4. Data set yang digunakan pada penelitian ini berupa data set dari 4 kategori kondisi telur atau 4 class antara lain telur baik, busuk, fertil, dan telur retak. Data set diakuisisi dengan disinari dengan lampu led yang diberikan tegangan 12V pada kotak akuisisi, dan citra ditangkap dengan webcam Logitech c270. Dari pelatihan data set citra telur ayam kampung dihasilkan akurasi sebesar 96.76% di pengujian pada validation set dan sebesar 95.26% pada test set. Dari kasus pendeteksian kualitas telur ayam kampung dengan deep learning berbasis algoritma YOLOv4 ini memungkinkan adanya pengembangan lebih lanjut.

---

Local breed chicken eggs or local breed chicken eggs are chicken eggs that are commonly consumed by Indonesian people as ordinary food or also as medicine. Classification of local breed chicken egg quality. This is done to be able to distinguish eggs that are suitable for consumption and not suitable for consumption. Several similar studies used Arduino and photodiode sensors to carry out classification, besides that there were also several studies using machine learning to distinguish types of eggs. From the research that has been done, the accuracy is still small, and it is felt that it can still be improved. In this research, local breed chicken egg quality classification system was created using you only look once (YOLO) version 4 algorithm. The dataset used in this study was a data set of 4 categories of egg conditions or 4 classes including good eggs, rotten, fertile, and cracked eggs. The dataset was acquired by irradiating it with a led lamp supplied with a 12V voltage on the acquisition box, and the image was captured with a Logitech c270 webcam. From the local breed chicken egg image dataset training, an accuracy of 96.76% was obtained in the validation set test and 95.26% in the test set. From the case of detecting local breed chicken egg quality with deep learning based on the YOLOv4 algorithm, it allows for further development."

"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."

"Masa Pemerintahan Sindok-Airlangga meninggalkan banyak prasasti sima. Pembahasan mengenai isi prasasti-prasasti tersebut belum pernah difokuskan pada data ukuran tanah. Penelitian terhadap data ukuran tanah sima akan memperjelas status sima, sebagai sarana biaya suatu usaha dharmma, guna menambah data studi tentang tata hidup masyarakat Jawa kuna abad 10-11 Mesehi. Dari 40 prasasti Sindok - Airlangga. yang sudah diklasifiikasikan, tercatat 17 buah yang mengandung data ukuran tanah. Dengan tambahan data sumber lain, di bentuk pengelompokan dan perbandingan ukuran setiap satuan. Sebagai sarana biaya, pengukuran tanah dititik beratkan pada kapasitas hasilnya, yang satuannya disebut lamwit, tampah, blah, suku dan tapak. Beberapa prasasti tinu1ad memakai satuan junq. Tanah yang bukan atau belum menjadi sawah diukur dengan satuan dpa, atau dengan menyebutkan nama-nama daerah batas, keliling menurut arah mata angin. Satuan lirih dan ma hanya disebut dalam sebuah prasasti tinulad; sedangkan elu dan ca, diduga kesalahan transkripsi.Analisis data ukuran tanah menghasilkan pengelompokan sima sesuai dengan kepentingannya sebagai sarana biaya..."

"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 partitionBanyak 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."

"ABSTRAK: Iridologi adalah studi tentang pola dan warna pada iris mata untuk menentukan informasi tentang kesehatan pasien secara keseluruhan. Salah satu pola yang dapat dilihat adalah Lymphatic Rosary yang terlihat seperti bintik – bintik kecil berwarna putih seperti awan yang mengililingi iris mata membentuk menyerupai untaian mutiara atau rosario. Lymphatic Rosary mengindikasikan adanya penyumbatan pada saluran limfa, yang dapat menyebabkan daya tahan tubuh terhadap stress dan penyakit melemah, menjadi rentan terhadap penyakit. Telah banyak penilitian yang dilakukan menggunakan Deep Learning ataupun Machine Learning terkait Iridologi untuk melakukan pengenalan pada pola dan warna pada iris mata secara otomatis untuk mendeteksi berbagai penyakit, seperti diabetes dan kolestrol yang tinggi. Tetapi belum ada penelitian yang mengaplikasikan Deep Learning ataupun Machine Learning untuk melakukan pengenalan otomatis pada Lymphatic Rosary. Penelitian ini akan mengevaluasi performa model Deep Learning dalam melakukan pengenalan otomatis pada Lymphatic Rosary untuk melakukan klasifikasi pada gambar mata normal dan gambar mata dengan Lymphatic Rosary menggunakan algoritma SVM, KNN dan CNN. Dari algoritma yang diuji, algoritma CNN tidak berhasil dalam mengklasifikasikan gambar mata normal dengan gambar mata dengan Lymphatic Rosary. Hasil dari algoritma SVM mendapatkan tingkat akurasi yang paling tinggi, sampai 98,62%.

---

Abstract : Iridology is the study of the pattern and color of the iris of the eyes to determine information about the patient's overall health. One of the patterns that can be seen is the Lymphatic Rosary which looks like small white spots like clouds that surround the irises to form like a string of pearls or a rosary. Lymphatic Rosary is an obstruction in the lymph channels, which can cause the body's resistance to stress and disease to weaken, making it susceptible to disease. Many studies have been carried out using Deep Learning or Machine Learning related to Iridology to automatically recognize patterns and colors in the iris to detect various disease, such as diabetes and high cholesterol. But there is no research that applies Deep Learning or Machine Learning to perform automatic recognition of the Lymphatic Rosary. This study will analyze the performance of the Deep Learning model in performing automatic recognition on the Lymphatic Rosary to classify images of normal eyes and images of eyes with the Lymphatic Rosary using the SVM, KNN and CNN algorithms. Of the algorithms tested, the CNN algorithm was not successful in classifying normal eye images with eye images with the Lymphatic Rosary. The results of the SVM algorithm get the highest level of accuracy, up to 98.62%"

"Seiring dengan berjalannya waktu, jumlah populasi di dunia terus bertambah. Dengan demikian, lebih banyak upaya dan inovasi yang dibutuhkan dalam meningkatkan produksi pertanian secara berkelanjutan. Hal ini bertujuan untuk mengurangi kehilangan dan pemborosan pangan, serta memastikan bahwa tidak ada yang menderita kelaparan dan kekurangan gizi. Dengan berdasarkan kepada Kebijakan RPJMN 2020-2024 dan mengingat bahwa Indonesia merupakan negara agraris, penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi suatu sistem yang mampu mengklasifikasikan tanaman sehat dan gulma berbasis Machine Learning (ML) dengan metode Local Binary Pattern (LBP) sebagai feature extraction dan Extra-Trees sebagai classifier utama. Penelitian ini membuktikan bahwa sistem klasifikasi dengan LBP lebih optimal jika dibandingkan dengan sistem klasifikasi tanpa LBP serta membuktikan bahwa Extra-Trees merupakan classifier yang paling optimal untuk dikombinasikan dengan LBP jika dibandingkan dengan classifier lainnya. Hasilnya, tingkat akurasi dari sistem klasifikasi yang mengimplementasikan LBP sebagai ekstraksi fitur, yakni 99.65%, lebih tinggi daripada sistem klasifikasi yang tidak mengimplementasikan LBP, yakni 98%. Sistem klasifikasi yang mengimplementasikan LBP memperoleh nilai TPR / Sensitivity sebesar 99.3915, FPR sebesar 0.0986, TNR / Specificity sebesar 99.9014, dan FNR sebesar 0.6085. Selain itu, Extra-Trees menjadi classifier dengan tingkat akurasi tertinggi ketika dikombinasikan dengan LBP, jika dibandingkan dengan classifier lainnya. Urutan classifier yang dikombinasikan dengan LBP mulai dari tingkat akurasi tertinggi hingga tingkat akurasi terendah adalah Extra-Trees (99.65%), Stacking (99.55%), Bagging (99.4%), Random Forest (99.4%), Ada Boost (99.35%), Extra Tree (99.25%), Linear SVC (99.25%), MLP (99.2%), Decision Tree (99%), dan NuSVC (98.8%). Dengan demikian, sistem klasifikasi dengan LBP lebih optimal jika dibandingkan dengan sistem klasifikasi tanpa LBP serta Extra-Trees menjadi classifier yang paling optimal untuk dikombinasikan dengan LBP jika dibandingkan dengan classifier lainnya.

---

Over time, the world's population continues to grow. Thus, more efforts and innovations are needed to increase agricultural production in a sustainable manner. This aims to reduce food loss and waste, as well as ensure that no one suffers from hunger and malnutrition. Based on Kebijakan RPJMN 2020-2024 and remembering that Indonesia is an agricultural country, the author decided to implement and evaluate a system that capable to classifying healthy plants and weeds based on Machine Learning (ML) using the Local Binary Pattern (LBP) method as feature extraction and Extra-Trees as main classifier. This study proves that the classification system with LBP is more optimal than the classification system without LBP and proves that Extra-Trees is the most optimal classifier to be combined with LBP when compared to other classifiers. As a result, the level of accuracy of the classification system that implements LBP as feature extraction, which is 99.65%, is higher than the classification system that does not implement LBP, which is 98%. The classification system that implements LBP has a TPR / Sensitivity value of 99.3915, an FPR of 0.0986, a TNR / Specificity of 99.9014, and an FNR of 0.6085. In addition, Extra-Trees is a classifier with the highest level of accuracy when combined with LBP, if compared to other classifiers. The order of classifiers combined with LBP starting from the highest level of accuracy to the lowest level of accuracy is Extra-Trees (99.65%), Stacking (99.55%), Bagging (99.4%), Random Forest (99.4%), Ada Boost (99.35%), Extra Tree (99.25%), Linear SVC (99.25%), MLP (99.2%), Decision Tree (99%), and NuSVC (98.8%). Thus, the classification system with LBP is more optimal than the classification system without LBP and Extra-Trees is the most optimal classifier to be combined with LBP if compared to other classifiers."

""b>ABSTRAK"Intrusion Detection System adalah suatu sistem yang berfungsi untuk mendeteksi serangan berbahaya dan kerentanan pada jaringan komputer. Beberapa teknik data mining telah diajukan dalam menyelesaikan persoalan deteksi intrusi pada jaringan. Pada skripsi ini, akan diajukan klasifikasi data Intrusion Detection System menggunakan Na ve Bayes Classifier dan Particle Swarm Optimization sebagai pemilihan fitur. Pertama, Particle Swarm Optimization melakukan pemilihan fitur untuk mendapatkan fitur yang optimal. Lalu, hasil dari pemilihan fitur tersebut akan diklasifikasikan menggunakan Na ve Bayes Classifier dengan harapan dapat memberikan hasil yang lebih akurat. Data yang digunakan adalah dataset KDD CUP 1999. Hasil akhir dari penelitian ini adalah berupa perbandingan hasil akurasi antara klasifikasi menggunakan Na ve Bayes Classifier tanpa pemilihan fitur dan klasifikasi menggunakan Na ve Bayes Classifier dengan pemilihan fitur Particle Swarm Optimization. Hasil empiris menunjukkan bahwa klasifikasi menggunakan Na ve Bayes Classifier tanpa pemilihan fitur memperoleh akurasi tertinggi sebesar 99.16 . Sementara klasifikasi menggunakan Na ve Bayes Classifier dengan pemilihan fitur Particle Swarm Optimization memperoleh akurasi tertinggi sebesar 99.12 . Hasil dari penelitian ini menunjukkan bahwa metode pemilihan fitur Particle Swarm Optimization dapat diterapkan pada proses klasifikasi menggunakan Na ve Bayes Classifier. Akan tetapi dengan menambahkan metode ini tidak menjamin bahwa hasil yang diperoleh akan lebih baik daripada proses klasifikasi menggunakan Na ve Bayes Classifier tanpa pemilihan fitur."

---

""ABSTRACT"Intrusion Detection System is a system that has a function to detect malicious attacks and vulnerabilities on computer networks. Several data mining techniques have been proposed in solving the problem of intrusion detection on the network. In this research, data classification of Intrusion Detection System will be filed using Na ve Bayes Classifier and Particle Swarm Optimization as feature selection. First, Particle Swarm Optimization will perform the feature selection to get the optimal features. Then, the results of the feature selection will be classified using Na ve Bayes Classifier in hopes of getting more accurate results. The data used in this study is KDD CUP 1999 dataset. The end result of this study is a comparison of accurate results between the classification using Na ve Bayes Classifier without feature selection and classification using Na ve Bayes Classifier with Particle Swarm Optimization as feature selection. The empirical results indicate that the classification using Na ve Bayes Classifier without feature selection obtains the highest accuracy of 99.16 . While the classification using Na ve Bayes Classifier with Particle Swarm Optimization as feature selection obtained the highest accuracy of 99.12 . The results of this study indicate that the Particle Swarm Optimization feature selection method can be applied to the classification process using Na ve Bayes Classifier. However, adding this method does not guarantee that the results obtained will be better than the classification process using Na ve Bayes Classifier without feature selection."

"Soft Tissue Tumor atau tumor jaringan lunak adalah suatu benjolan atau pembengkakan abnormal yang disebabkan pertumbuhan sel baru. Tumor jaringan lunak dapat terjadi di seluruh bagian tubuh mulai dari ujung kepala sampai ujung kaki. Penyakit tersebut dapat terjadi disemua kelompok umur. Menurut beberapa dokter setiap benjolan/tumor yang ada haruslah diperiksa sejak dini sehingga pasien dapat mendapatkan pengobatan yang tepat dan tidak terjadinya perkembangan kanker. Pada penelitian ini, metode machine learning yang digunakan untuk mengklasifikasi soft tissue tumor. Dengan data Soft Tissue Tumor yang memiliki beragam fitur, maka akan direduksi dengan seleksi fitur signal to noise ratio. Pada penelitian ini, penyakit Soft Tissue Tumor dideteksi dengan mengklasifikasikan pasien tersebut mengidap Soft Tissue Tumor atau tidak menggunakan Deep Neural Network dengan implementasi metode seleksi fitur signal to noise ratio dan akan dibandingkan nilai akurasi klasifikasi yang dihasilkan dari Deep Neural Network tanpa seleksi fitur dan Deep Neural Network dengan seleksi fitur signal to noise ratio. Data yang diperoleh berjumlah 76 data dengan total 17 fitur. Diperoleh hasil bahwa akurasi menggunakan seleksi fitur lebih tinggi dibandingkan tanpa seleksi fitur. Metode klasifikasi mendapat akurasi tertinggi pada jumlah fitur 14.

---

Soft tissue tumor is an abnormal lump or swelling caused by the growth of new cells. They can occur in all parts of the body from head to toe. Some types of this disease are more common in children, while some others are more common in adults. Though initially benign, this tumor can become aggressive if not treated. The more the tumor has invaded nearby tissues, the harder it is to completely remove. Sometimes, patients underestimate lumps because there are no distinctive clinical signs between malignant and benign tumors. Therefore, doctors suggest patients to immediately examine any existing lump so that it can be treated early and not develop into cancer. The usage of machine learning method to classify the diagnosis is very beneficial. High-dimensional soft tissue tumor data will be reduced using signal to noise ratio feature selection method. In this study, soft tissue tumor disease is detected by classifying soft tissue tumor patients and non-patients data using Deep Neural Network with the implementation of signal-to-noise feature selection. The accuracy will then be compared to Deep Neural Network classification without the implementation of feature selection. The data obtained amounted to 76 data with a total of 17 features. It is found that the accuracy of Deep Neural Network with feature selection is higher compared to the one without feature selection. The highest accuracy result is obtained with the use of 14 features."