Hasil Pencarian  ::  Simpan CSV :: Kembali

"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%."

"Sistem Klasifikasi Dewey Decimal Classification ini merupakan salah satu sistem yang dikenal di kalangan pustakawan.Saking dikenalnya,hampir setiap pustakawan mengenal sistem ini minimal namanya dan bahkan mengetahui urutan kelasnya...."

"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....."

"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."

"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."

"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..."

"The NTIS classification system has simpler notation than DDC. It does not recognize supporting table so that it can determine the notation faster. The number of the main class in NTIS classification system is 39 while DDC is 10. NTIS is most suitable for special libraries in the field of technology such as the Agency for the Assesment and Application of Technology (BPPT) since the system has a more specific technology subject. DDC is also effective for collection data exchange since 2010, referring that generally libraries in Indonesia has not recognized NTIS. Both systems actually have its advantages and disadvantages. In determining notations, both NTIS and DDC use the same initial step that is to determine the collection subject. NTIS is faster especially in handling technology subject. It is also more specific in referring technology subject. The number of the main class in NTIS is 39 while DDC is 10. Both systems have index. NTIS does not have supporting table while DDC has. NTIS uses a simpler notation because it uses only 2 digits. According to a key informant, the NTIS classification system does not recognize supporting table. In terms of notation search, NTIS's scheme is faster because it uses limited classification numbers. Index is mostly used for determining classification notation. Index in both systems is a clue represented in a systematically arranged letters. In NTIS, it can be figured out that subjects on technology is more specific yet in some certain categories is not as detail as DDC."