Hasil Pencarian  ::  Simpan CSV :: Kembali

"Seiring derasnya arus informasi berita elektronik, timbul kebutuhan untuk mengatur informasi tersebut sehingga pengguna dapat mengaksesnya dengan lebih mudah. Akan tetapi jika pengelompokan berita dilakukan secara manual, maka akan memakan waktu yang lama dan mahal. Klasifikasi dokumen secara otomatis sekiranya diperlukan untuk mengurangi biaya dan mempercepat pengaturan informasi. Salah satu metode yang dapat digunakan dalam pengklasifikasian yaitu Naïve Bayes Classifier. Fokus penelitian ini adalah meneliti karakteristik Naïve Bayes Classifier untuk memperoleh kinerja yang optimal dalam proses klasifikasi. Cara yang diterapkan pada penelitian ini yaitu dengan mengujicobakan metode tersebut dengan 3 perlakuan yaitu membandingkan kinerja sistem terhadap stemming maupun non stemming, berbagai proporsi dokumen pembelajaran dan jumlah kategori dalam klasifikasi. Tahapan penelitian dilakukan mulai dari studi pustaka, menerapkan metode Naïve Bayes Classifier dalam pengklasifikasian berita berbahasa Indonesia, melakukan uji coba dan analisa mengenai karakteristik metode ini serta menarik kesimpulan dari hasil analisa. Penelitian dilakukan terhadap 1351 dokumen berita berbahasa Indonesia dari situs www.suarapembaruan.com yang diambil pada bulan Januari 2004 sampai dengan bulan November 2004.Hasil penelitian menunjukan bahwa Naive Bayes Classifier merupakan metode yang memiliki tingkat akurasi yang tinggi. Kinerja akan lebih baik jika metode ini diterapkan dengan stemming dibanding tanpa stemming walaupun selisih kinerja keduanya tidak terpaut jauh yaitu sekitar 3,87%. Selain itu, hasil penelitian juga menunjukan bahwa kinerja metode ini dipengaruhi oleh jumlah dokumen pembelajaran. Semakin banyak dokumen pembelajaran yang digunakan, maka akan semakin tinggi tingkat keakuratan metode ini. Hal ini terbukti dari uji coba kombinasi stemming dengan proporsi dokumen pembelajaran 90% yang mampu mencapai kinerja tertinggi selama penelitian yaitu recall sebesar 93,5%, precision 94,125% dan F-measure 93,81%. Hal menarik yang terjadi adalah akurasi masih tetap relatif tinggi walaupun dokumen pembelajaran secara ekstrim dikurangi menjadi 10%. Hal ini ditunjukan dengan recall sebesar 89,82%, precision 90,36% dan F-measure 90,1%.Pada penelitian ini juga mengamati apakah Naïve Bayes Classifier merupakan metode klasifikasi yang stabil. Hal ini diteliti dengan membandingkan kinerja sistem terhadap banyaknya jumlah kategori dalam klasifikasi. Hasilnya ternyata jumlah kategori tidak mempengaruhi kinerja metode ini. NBC merupakan metode yang stabil jika dilihat dari segi kuantitas kategori."

"There are many information which can be processed in many emails. Clasisification is a way to organize the informations which are be in the emails....."

"Komputasi intelejensia yang digunakan dalam masalah klasifikasi pola dapat digolongkan menjadi dua bagian, yaitu yang berbasis pada Neural Network dan yang berbasis pada Pembelajaran Statistika (Statistical Learning). Pembelajaran yang berbasis statistika, pertama kali ditemukan oleh Vapnik pada dekade tujuh-puluhan. Untuk masalah klasifikasi pola Vapnik mengembangkan metode hyperplane optimal separation, atau dikenal juga dengan nama metode Support Vector Machines (SVM). Pada awalnya SVM dirancang hanya untuk menyelesaikan masalah klasifikasi biner, yaitu dari data-data yang ada, diklasifikasikan menjadi dua kelas. Untuk mengklasifikasikan data yang terdiri dari lebih dari dua kelas, metode SVM tidak dapat langsung digunakan. Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah klasifikasi multikelas SVM yaitu: metode One-vs-One dan metode One-vs-Rest. Kedua metode ini merupakan perluasan dari klasifikasi biner SVM. Kedua metode tersebut akan dibahas di artikel ini dan akan dilihat kinerjanya dalam mengklasifikasikan aroma. Data aroma yang digunakan dalam percobaaan ini terdiri dari 3 jenis aroma, masing-masing aroma terdiri atas 6 kelas. Pembagian kelas ini berdasarkan pada konsentrasi alkohol yang dicampurkan pada masing-masing aroma. Misalkan untuk aroma A, terdapat 6 jenis aroma A dengan kandungan alkohol : 0%, 15%, 25%, 30%, 45% dan 75%. Kinerja dari kedua metode diukur berdasarkan kemampuan untuk mengenal dan mengklasifikasikan aroma, dengan tepat dan sesuai dengan jenis atau kelas, dari data yang diberikan.

---

Aroma classification using one-vs-one and one-vs-rest methods. Computational Intelligence used in pattern classification problem can be divided into two different parts, one based on Neural Network and the other based on Statistical Learning. The Statistical Learning discovered by Vapnik on 70-est decade. For the pattern classification, Vapnik developed hyperplane optimal separation, which is known as Support Vector Machines Method (SVM). In the beginning, SVM was designed only to solve binary classification problem, where data existing are classified into two classes. To classify data whose consist of more than two classes, the SVM method can not directly be used. There are several methods can be used to solve SVM multiclasses classification problem, they are One-vs-One Method and One-vs-Rest Method. Both of this methods are the extension of SVM binary classification, they will be discussed in this article so that we can see their performance in aroma classification process. Data of aroma used in this experiment is consisted of three classes of aroma, each of them has six classes. The division of this class is based on alcohol concentration mixed into each of those aromas. For example, for aroma A, there are six kinds of aroma A with different alcohol concentration: 0%, 15%, 25%, 30%, 45% and 75%. The performance of these methods is measured based on their ability to recognize and classify aroma, precisely and match with the right class or variety of data existed."

"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."

"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%."

""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."

"Classification is a method for compiling data systematically according to the rules that have been set previously. In recent years classification method has been proven to help many people’s work, such as image classification, medical biology, traffic light, text classification etc. There are many methods to solve classification problem. This variation method makes the researchers find it difficult to determine which method is best for a problem. This framework is aimed to compare the ability of classification methods, such as Support Vector Machine (SVM), K-Nearest Neighbor (K-NN), and Backpropagation, especially in study cases of image retrieval with five category of image dataset. The result shows that K-NN has the best average result in accuracy with 82%. It is also the fastest in average computation time with 17.99 second during retrieve session for all categories class. The Backpropagation, however, is the slowest among three of them. In average it needed 883 second for training session and 41.7 second for retrieve session.

---

Klasifikasi adalah metode untuk menyusun data secara sistematis menurut aturan-aturan yang telah ditetapkan sebelumnya. Dalam beberapa tahun terakhir metode klasifikasi telah terbukti membantu pekerjaan banyak orang, seperti klasifikasi citra, alat-alat medis, lampu lalu lintas, klasifikasi teks dll. Ada banyak metode yang dapat digunakan untuk memecahkan masalah klasifikasi, metode yang bervariasi ini membuat para peneliti menemukan kesulitan dalam menentukan metode manakah yang terbaik untuk menyelesaikan masalahnya. Artikel ini bertujuan untuk membandingkan kemampuan metode klasifikasi, seperti Support Vector Machine (SVM), K-Nearest Neighbor (K-NN), dan Back-propagation khususnya dalam studi kasus image retrieval (pencarian gambar) dengan lima kategori dataset citra. Hasil penelitian menunjukkan bahwa K-NN memiliki nilai rata-rata akurasi terbaik dengan 82% dan yang tercepat dengan rata-rata waktu komputasi selama 17,99 detik untuk proses pencarian gambar pada semua kategori kelas. Sebaliknya, Backpropagation merupakan metode paling lambat di antara ketiganya. Metode ini rata-rata memerlukan waktu 883 detik untuk sesi pelatihan dan 41,7 detik untuk sesi pencarian gambar."

"Proses mencari pola atau informasi yang berguna pada suatu kumpulan data dengan menggunakan metode tertentu, saat ini telah menjadi topik yang menarik. Salah satu manfaatnya yaitu dapat menunjang pengambilan keputusan dalam suatu organisasi baik itu organisasi profit maupun non profit. Pada makalah ini akan dilakukan pengujian terhadap sekumpulan data yang diambil dari kejadian nyata untuk diolah, guna mendapatkan informasi atau pola yang dapat berguna untuk penentuan pengambilan sebuah keputusan. Pengujian pada makalah ini merupakan prediksi terhadap pengguna jasa sebuah operator seluler akan kehadirannya pada suatu acara berdasarkanbeberapa indicator, cuaca, jarak relative terhadap lokasi acara, serta apakah pengguna jasa tersebut merupakan termasuk pelanggan pasca bayar atau tidak. Pengujian dilakukan dengan menggunakan tiga metode klasifikasi, yakni naïve bayes, decision tree, dan oneR. Hasil dari percobaan ini bisa menunjukkan prediksi dari setiap percobaan dengan tingkat akurasi prediksi yang berbeda-beda disetiap metode yang digunakan."

"Aliran berita melalui media internet setiap harinya cenderung meningkat. Peningkatan jumlah informasi berita yang cukup besar dan kurang teratur dapat menimbulkan masalah yaitu sulitnya untuk diketemukan kembali. Masalah ini dapat diatasi dengan proses pembacaan data oleh mesin komputer untuk ditarik kesimpulan dari isi atikel tersebut. Dalam ilm komputer kegiatan ini disebut knowledge discovery. Dalam penelitian ini diterapkan proses text mining untuk klasifikasi artikel berita dengan metode klasifikasi yaitu Naive Bayes Classifer. Penelitian bertujuan : (1) memodelkan sistem klasifikasi artikel berita (2) mengembangkan rancang bangun sistem klasifikasi sistem berita (3) menguji tingkat efektivitas sistem klasifikasi yang dibuat. Data penelitian sebanyak 900 dokumen diambil dari situs KOMPAS, terbagi dalam 9 kategori berita. Masing-masing kategori berita diuji dengan sekitar 100 dokumen. Pengujian sistem dilakukan dengan dua kelompok data, yaitu data latih dan data uji. Penghitungan efektivitas naive bayes classifier dilakukan dengan kombinasi jumlah dokumen latih dan dokumen uji. Kombinasi dokumen latih dan uji. Perhitungan efetivitas aive bayes classifier dilakukan dengan kombinasi jumlah dokumen latih dan dokumen uji. Kombinasi dokumen latih dan dokumen uji adalag 5:95, 10:90, 15:85, 20:80, 25:75 dan 30:70. Perhitungan persentase dokumen latih terhadap dokumen uji adalah 5%, 10%, 15%, 20%, 25% dan 30%."