Hasil Pencarian  ::  Simpan CSV :: Kembali

"Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa sebab atas berkah rahmat dan karunia-Nya, penulis dapat menyelesaikan skripsi ini. Penulisan skripsi ini dilakukan dalam rangka memenuhi salah satu syarat untuk mendapatkan gelar Sarjana Teknik, Program Studi Teknik Komputer, Fakultas Teknik, Universitas Indonesia. Penulis menyadari skripsi ini tidak dapat diselesaikan tanpa bantuan dari Bapak F. Astha Ekadiyanto, S.T., M.Sc., selaku pembimbing skripsi yang telah menyediakan waktu, tenaga, dan pikiran selama penulis mengerjakan skripsi ini serta Bapak Ardiansyah, S.T., M.Eng. dan Ibu Prima Dewi Purnamasari, S.T., M.T., M.Sc. yang telah mengarahkan dan memberi saran dalam penulisan skripsi ini. Perkembangan teknologi saat ini tidak hanya berisi informasi positif, informasi yang negatif pun mudah diperoleh melalui media internet. Untuk mengatasi dampak negatif yaitu gambar pornografi, salah satunya adalah pemfilteran gambar porno. Disini penulis mencoba menerapkan pengenalan pola untuk mengklasifikasi apakah gambar itu termasuk porno atau non porno. Proses klasifikasi konten gambar porno dilakukan melalui tiga tahapan utama. Pada tahap awal dilakukan pra-proses untuk memodifikasi resolusi data kualitas citra dilanjutkan dengan ekstraksi fitur menggunakan dekomposisi wavelet haar bertingkat tiga dan empat agar ukuran citra tidak terlalu besar. Setelah itu dilakukan proses reduksi dimensi menggunakan Principal Component Analysis (PCA). PCA menentukan komponen penting dari citra dengan melihat dari varians yang direpresentasikan oleh nilai eigen, sehingga jumlah komponen yang akan dimasukkan ke proses pembelajaran tidak terlalu banyak, untuk menghindari curse of dimentionality. Baru setelah itu dilakukan proses klasifikasi. Pada penelitian ini telah dilakukan perbandingan algoritma SVM dengan BP untuk klasifikasi konten gambar porno. Untuk proses ekstraksi ciri digunakan metode wavelet pada masing-masing kedua metode tersebut. Pada penelitian ini digunakan 60 data uji, masing-masing 30 citra untuk kelas porno dan non porno. Tingkat akurasi yang diperoleh dengan menggunakan metode SVM lebih tinggi dibandingkan BP, yaitu 88,33% dan 86,67%."

"Spam email merupakan salah satu masalah yang sangat sering dialami dalam komunikasi digital. Penelitian ini bertujuan untuk membandingkan efektifitas dua algoritma klasifikasi Naïve Bayes dan Support Vector Machine (SVM) dalam mendeteksi email spam. Tahapan penelitian dimulai dari pengumpulan data, pemrosesan teks seperti penghapusan angka, tanda baca, dan huruf kapital, penghapusan kata-kata umum, stemming, dan transformasi teks menggunakan metode Term Frequency-Inverse Document Frequency (TF-IDF). Dataset dibagi menjadi dua bagian yaitu data latih dan data uji dengan perbandingan 80% data latih dan 20% data uji. Hyperparameter yang digunakan pada metode Naive Bayes adalah nilai alpha, sedangkan pada SVM adalah nilai C, gamma dan kernel Radial Basis Function (RBF). Evaluasi menggunakan parameter metrik akurasi, presisi, recall, dan F1 score. Hasil penelitian menunjukkan metode SVM dengan hyperparameter tuning dan teks preprocessing mendapatkan nilai akurasi 98,74% sedangkan metode naïve bayes hanya 98,35%. Sehingga dapat disimpulkan bahwa metode Support Vector Machine lebih efektif dibandingkan metode Naïve Bayes dalam mendeteksi email spam.

---

Spam email is one of the most frequently encountered issues in digital communication. This study aims to compare the effectiveness of two classification algorithms, Naïve Bayes and Support Vector Machine (SVM), in detecting spam emails. The research stages begin with data collection, followed by text processing such as removing numbers, punctuation, and capital letters, removing common words, stemming, and text transformation using the Term Frequency-Inverse Document Frequency (TF-IDF) method. The dataset is divided into two parts: training data and testing data, with a ratio of 80% training data and 20% testing data. The hyperparameter used for the Naïve Bayes method is the alpha value, while for SVM, the hyperparameters are the values of C, gamma, and the Radial Basis Function (RBF) kernel. Evaluation is conducted using accuracy, precision, recall, and F1 score metrics. The results show that the SVM method, with hyperparameter tuning and text processing, achieved an accuracy of 98.74%, whereas the Naïve Bayes method only achieved 98.35%. Therefore, it can be concluded that the Support Vector Machine method is more effective than the Naïve Bayes method in detecting spam emails."

"Departemen Teknik Elektro Universitas Indonesia telah mengembangkan suatu sistem berbasis Latent Semantic Analysis (LSA) untuk mendeteksi plagiarisme pada karya tulis berbahasa Indonesia dan Inggris. Data keluaran sistem deteksi plagiarisme berbasis LSA adalah nilai frobenius norm, slice, dan pad. Pada skripsi ini akan menjelaskan serta memberikan analisis pada pengembangan sistem deteksi plagiarisme yang telah ada yaitu dengan menerapkan algoritma Support Vector Machine (SVM). Support Vector Machine (SVM) adalah suatu Learning Algoritm yang bertujuan untuk menemukan suatu hipotesis berupa bidang pemisah (hyperplan) terbaik dari sekumpulan data yang dapat dipisahkan secara linear maupun tidak linear. SVM akan memisahkan data hasil keluaran sistem deteksi plagiat bebasis LSA menjadi dua kelas yaitu "plagiat" dan "tidak plagiat" dengan menggunakan 2 metode yaitu kombinasi data input dan kombinasi data output dengan metode AND. Beberapa modifikasi terhadap imput program dilakukan diantaranya memvariasikan parameter-parameter pembelajaran dan memvariasikan data hasil keluaran program deteksi plagiarisme berbasis LSA. Hasil dari analisis serta pengujian yang telah dilakukan yaitu jika menggunakan parameter serta kombinasi data yang tepat, SVM mampu untuk meningkatkan akurasi sistem dari sistem yang menggunakan metode Learning Vector Quantization (LVQ) pada penelitian sebelumnya hingga menghasilkan akurasi sebesar 63,15% hal ini dilihat jika mempertimbangkan keseimbangan terhadap aspek presisi dan relevansi program sedangkan jika dilihat melalui presentase jumlah data yang berhasil diklasifikasikan dengan tepat, SVM mampu menghasilkan akurasi sebesar 97,04%.

---

Department of Electrical Engineering, University of Indonesia has developed a system based on Latent Semantic Analysis (LSA) to detect plagiarism between two paper written in different languages, which are Indonesian and English. The output data of plagiarism detection system are frobenius norm, slice, and pad. This thesis will explain and provide analysis of the development of plagiarism detection system that already exist by applying Support Vector Machine (SVM) algorithm.

Support Vector Machine (SVM) is a Learning Algorithm that aims to find a best hypothetical form called hyperplan to separated a set of data that can be separated linearly and nonlinearly. SVM will separate output data of plagiarism detection system into two classes, "plagiat" class and "tidak plagiat" class by using two methods: combination of input data method and output data combined with AND method. Some modifications to input program are made, such as variating the parameters of learning and variating the output data of plagiarism detection program.

The results of analysis and test that has been done are: if the system use correct parameters and correct combinations of the data, SVM is able to improve accuracy of the system from the last research that using Learning Vector Quantization (LVQ). The accuracy of SVM is 63,15% if considering the balance of precision and relevance of the program, while when viewed through a percentage of the amount of data that appropriately classified, the accuracy of SVM is 97.04%."

"Perkembangan teknologi yang cepat memberi dampak yang besar bagi kehidupan manusia. Hal ini mempermudah masyarakat dalam menerima informasi, baik itu informasi positif maupun informasi negatif. Informasi yang tergolong negatif adalah konten video pornografi. Salah satu cara paling efektif untuk melakukan pemblokiran terhadap suatu website adalah bukan dengan memblokir alamat dari website tersebut, melainkan memblokir konten yang bersangkutan, yaitu dengan membaca tag dari konten tersebut, untuk itu penelitian ini dilakukan. Fokus utama dalam penelitian ini adalah untuk menganalisis faktor yang mempengaruhi tingkat akurasi dan menentukan algoritma mana yang lebih tepat untuk melakukan klasifikasi dan memprediksi dari suatu tag video yang diberikan. Penelitian ini diarahkan pada penggunaan machine learning untuk melakukan prediksi terhadap tag video yang diberikan sehingga diperoleh hasil dari prediksi yang dilakukan. Dari penelitian yang telah dilakukan, diperoleh hasil akurasi sebesar 97% untuk algoritma Naïve Bayes dan 97,5% untuk algoritma Bayesian Network dengan jumlah data latih sebanyak 2400 tag video.

---

The rapid technological development had significant impacts to human life. It is easier for the public to receive information, whether it is positive or negative information information. The information classified as negative is pornographic video content. One of the most effective ways to do the blocking of a website is not to block the address of the website, but block the content concerned, by reading the tags on them, therefore this study conducted.

The main focus of this research is to analyze the factors affecting the level of accuracy and determine which is more appropriate algorithms to classify and predict from a given video tag. This research is directed at the use of machine learning to predict the video tag is given in order to obtain the results of the predictions made. From the research that has been conducted, the results obtained an accuracy of 97% for the Naïve Bayes algorithm and 97.5% for the Bayesian Network algorithm with the amount of training data as many as 2400 video tag"

"

Kanker adalah penyakit yang disebabkan akibat pertumbuhan (pembelahan) tidak normal dari sel jaringan tubuh. Kanker dapat menyebar ke jaringan lain yang terdekatnya. Menurut World Health Organization (WHO), tercatat pada tahun 2018 ada sebanyak 9,6 juta jiwa yang meninggal pada tahun 2018. Biasanya untuk dapat mengetahui sesorang terjangkit kanker atau tidak, ahli medis akan melakukan biopsi apabila disarankan oleh dokter. Namun, sekarang terknologi semakin berkembang, para saintis menggunakan metode komputasi dalam pendekatan pengolahan citra untuk meningkatkan penilaian histopatologis. Penelitian – penelitian sebelumnya telah menunjukan bagaimana machine learning dapat membantu pendeteksian kanker salah satunya mengguakan metode data scaling. Penelitian ini membahas algoritma data scaling membantu meningkatkan akurasi dalam proses klasifikasi kanker usus besar menggunakan Support Vector Machine. Hasil dari penelitian ini, algoritma data scaling memiliki nilai akurasi yang lebih tinggi dibandingkan dengan yang tidak menggunakannya.

 

---

Cancer is a disease caused by abnormal growth (division) of body tissue cells. Cancer can spread to other tissues closest to it. According to the World Health Organization (WHO), it was noted that in 2018 there were 9.6 million people who dies in 2018. Usually to be able to find out if someone has contracted cancer, a medical expert will do a biopsy if advised by a doctor. However, now that technology is growing, scientists use computational methods in image processing approaches to improve histopathological assessment. Previous studies have shown how machine learning can help detect cancer, one of which uses the method of data scaling. This study discusses the data scaling algorithm help to improve accuracy in the process of classification of colon cancer using Support Vector Machine. The result of this study, the data scaling algorithm has a higher accuracy than those who did not use it.

"

"Departemen Teknik Elektro Fakultas Teknik Universitas Indonesia telah mengembangkan Sistem Penilaian Esai Otomatis Simple-O berbasis Latent Semantic Analysis LSA sejak tahun 2007. Pada awalnya, Simple-O hanya dikembangkan untuk mengoreksi ujian esai berbahasa Indonesia, namun kali ini dikembangkan untuk mengoreksi ujian esai berbahasa Jepang. Simple-O hanya menggunakan algoritma LSA saat pertama kali dikembangkan. Beberapa tahun setelahnya, Simple-O mulai dikembangkan menggunakan algoritma LSA dilengkapi dengan algoritma klasifikasi seperti Learning Vector Quantization LVQ dan Support Vector Machine SVM. Simple-O juga mulai dikembangkan menggunakan algoritma lain seperti Winnowing.Pada skripsi ini akan dijelaskan tentang pengembangan sistem penilaian esai otomatis Simple-O untuk ujian esai berbahasa Jepang menggunakan algoritma LSA untuk pemrosesan kata, serta menggunakan algoritma Support Vector Machine SVM untuk klasifikasinya. Algoritma SVM merupakan suatu algoritma pembelajaran yang berfungsi untuk menentukan bidang pemisah hyperplane dari sekumpulan data baik yang linearly separable, maupun yang non-linearly separable. SVM akan memisahkan data nilai hasil proses LSA ke dalam dua kelas untuk variasi kelas pertama, dan akan memisahkan data nilai hasil proses LSA ke dalam sembilan kelas untuk variasi kelas kedua. Jenis kernel dan parameter juga divariasikan untuk menemukan jenis kernel, parameter, dan jumlah kelas yang tepat. Hasil dari analisis dan pengujian yang telah dilakukan, apabila menggunakan jenis kernel, parameter, dan variasi kelas yang tepat, SVM mampu menghasilkan akurasi sebesar 100.

---

Department of Electrical Engineering in Universitas Indonesia has developed an automatic essay grading system Simple O based on Latent Semantic Analysis LSA since 2007. At first, Simple O was developed for giving score to essay with Indonesian language, but now Simple O is developed for giving score to essay with Japanese language. Simple O used to be developed using LSA algorithm only. A few years later, Simple O began to be developed using LSA algorithm and some classification algorithm such as Learning Vector Quantization LVQ and Support Vector Machine SVM. Simple O began to be developed using another algorithm too such as Winnowing algorithm.

This thesis will explain about development of automatic essay grading system Simple O for essay with Japanese language using LSA as word processing algorithm, and SVM as classification algorithm. SVM is a learning algorithm for determining hyperplane from set of linearly separable data as well as non linearly separable data. SVM will separate output data of LSA into two class for the first class variation and will separate output data of LSA into nine class for the second class variation. Kernel type and parameter will be varied too to find the right kernel, parameter, and number of classes. From the results of analysis and test that have been done, SVM is able to obtain accuracy of 100 if the system uses the right kernel, parameter, and number of classes."

"Pada skripsi ini telah dirancang penambahan algoritma menggunakan sistem Support Vector Machine atau SVM untuk meningkatkan akurasi sistem Simple-O yang berbasis LSA. Akurasi dari sistem Simple-O saat ini masing kurang mendekati nilai penilaian manusia. Simple-O merupakan suatu sistem penilaian ujian esai menggunakan algortima Latent Sematic Analysis yang dikembangkan oleh Departemen Teknik Elektro Universitas Indonesia. Untuk menjalankan algoritma SVM atau Support Vector Machine digunakan input yang berupa nilai slice ,pad, dan fnorm yang didapatkan dari hasil keluaran sistem Simple-O. SVM akan membagi klasifikasi nilai hasil keluaran Simple-O menjadi enam kelas dan menjadi dua kelas. SVM menghasilkan akurasi 45,8 untuk klasifikasi nilai tipe enam kelas dan 90,4 untuk klasifikasi tipe dua kelas.

---

In this thesis, an addition of new algorithm using Support Vector Machine has been designed to increanse the accuracy of Sistem Penilaian Esai Otomatis Simple O based on Lantent Sematic Analysis. The accuracy of Simple O is less accurate if compared to the value of human rater. Simple O it self is an application to grade an essay writing exam using Latent Sematic Analysis algorithm that has been developed in Departement of Electrical Engineering Universitas Indonesia. SVM or Suppor Vector Machine used the output of Simple O system, slice, pad and fnorm, as inputs. SVM will divide output data from Simple O system into six class and two class. The accuracy of SVM is 45,8 for six class classification and 90,4 for two class classification."

"Sistem pengenalan gerakan manusia penting bagi manusia karena dapat membantu dan mempermudah pekerjaan manusia dalam berbagai hal. Algoritma Artificial Neural Network (ANN) dan Support Vector Mechine (SVM) digunakan untuk mampu mengenali gerakan manusia. Dengan algoritma tersebut, telah dibuat sistem yang mampu mengenali gerakan manusia. Sistem secara garis besar terdiri dari perangkat pada pengguna dan server. Perangkat pada pengguna ditunjukan untuk mengirimkan data ke server. Sedangkan server akan melakukan komputasi dengan data yang diberikan. Jembatan komunikasi antara perangkat pengguna dan server akan menggunakan XBee. Untuk sensor, digunakan sensor Inertial Measurement Unit. Dari hasil pengujian, sistem dengan ANN memiliki tingkat akurasi sebesar 95.78%, sistem dengan SVM memiliki tingkat akurasi sebesar 98.39%, sedangkan sistem gabungan memiliki akurasi sebesar 100%.

---

Human motion recognition is essential because it can help people in doing many things. Artificial Neural Network (ANN) and Support Vector Mechine (SVM) algorithm is used in the system to recognize human motion. The system consists of user device and server. Devices on user are intended for sending user data to the server. On the other hand, server will compute the data which were sent. Comunication between user device and server was conducted by using Xbee module. For the sensor, Inertial Measurement Unit sensor was used to recognize human motion. From the result, system with ANN resulted in 95.78% recognition rate, system with SVM give 98.39% and system with combined algorithm give 100% recognition rate."

"Skripsi ini membahas analisis perbandingan dua sistem pengenalan rambu lalu lintas yaitu menggunakan metode Generative Learning (GL) dan Support Vector Machine (SVM). GL merupakan metode pengenalan yang baru dikembangkan di mana sampel training dihasilkan dengan memvariasikan sampel yang ada berdasarkan parameter tertentu sehingga dapat mempermudah pembuatan citra untuk training serta dapat memberikan hasil pengenalan yang lebih baik. SVM merupakan metode pengenalan yang telah banyak digunakan dan menggunakan karakteristik vektor untuk memisahkan objek dari latar belakangnya. Sambil berjalan, rambu-rambu lalu lintas direkam oleh kamera video di atas kendaraan bermotor yang hasil rekamannya dianalisis menggunakan kedua metode tersebut. Hasil pengenalan rambu lalu lintas yang dianalisis dalam beberapa kondisi seperti jumlah sampel training, resolusi video, tingkat kecerahan sekitar, dan kecepatan kendaraan kemudian dibandingkan dan dianalisis tingkat akurasinya. Dari hasil percobaan didapat bahwa akurasi pengenalan metode GL lebih baik dibandingkan SVM yaitu dengan persentase masing-masing 95,56% dan 94,67%.

---

This thesis discusses the comparative analysis of two traffic signs recognition system using Generative Learning (GL) and Support Vector Machine (SVM) methods, respectively. GL is a newly developed method in which the training samples are generated by varying samples based on certain parameters which makes it easier to the training images and produce better recognition result. SVM is a method that has been widely used which uses vector characteristics to separate objects from its background. Traffic signs are recorded using a video camera in a moving motorcycle and videos of them are analyzed using both methods. The accuracy of recognition results will be compared under some conditions, such as the number of training imageries, video resolutions, and lighting conditions, and vehicle’s speed. Recognition results showed that GL has better accuracy than SVM, with percentage of 95.56% and 94.67%, respectively."

"Kemunculan suatu penyakit merupakan masalah yang tak terhindarkan di seluruh dunia, termasuk di Indonesia. Tumor otak merupakan salah satu penyakit berbahaya yang dapat menyebabkan kematian. Salah satu jenis penyakit tumor otak yang paling umum dan mematikan adalah glioblastoma. Penderita glioblastoma memiliki tingkat kelangsungan hidup yang cukup rendah dan umumnya didiagnosis pada saat tumor sudah berkembang lebih jauh. Oleh karena itu, sangat penting dilakukan diagnosis secara dini dengan hasil yang akurat untuk menentukan apakah seseorang menderita glioblastoma atau tidak. Pada penelitian ini, metode machine learning, yaitu K-Nearest Neighbor dan Support Vector Machine dengan seleksi fitur Genetic Algorithm (KNN-GA dan SVM-GA) diterapkan dan dibandingkan untuk mengklasifikasi glioblastoma. Genetic Algorithm (GA) diimplementasikan sebagai seleksi fitur untuk menentukan fitur-fitur relevan yang terpilih dan kemudian diklasifikasi dengan metode KNN dan SVM. Data yang digunakan adalah data numerik hasil Magnetic Resonance Imaging (MRI) yang didapat dari RSUPN Dr. Cipto Mangunkusumo. Berdasarkan percobaan yang dilakukan, metode SVM-GA menggunakan kernel Radial Basis Function dan 5 fitur dengan 90% data training adalah metode terbaik untuk mengklasifikasi data glioblastoma. Hasil yang didapat untuk nilai akurasi, recall, presisi, dan f1-score secara berturut-turut adalah 92.35%, 93.19%, 92.62%, dan 92.83%.

---

The emergence of a disease is an inevitable problem throughout the world, including in Indonesia. Brain tumor is one of the dangerous diseases that can cause death. One of the most common and deadly types of brain tumor is glioblastoma. Patients with glioblastoma have a fairly low survival rate and are generally diagnosed when the tumor has developed further. Therefore, it is very important to make an early diagnosis with accurate result to determine whether a person has glioblastoma or not. In this study, machine learning methods, namely K-Nearest Neighbor and Support Vector Machine with feature selection Genetic Algorithm (KNN-GA and SVM-GA) were applied and compared to classify glioblastoma. Genetic Algorithm (GA) was implemented as a feature selection to determine the selected relevant features and then classified by KNN and SVM methods. The data used are numerical data obtained from Magnetic Resonance Imaging (MRI) results from Dr. Cipto Mangunkusumo Hospital. Based on the experiments conducted, the SVM-GA method using a Radial Basis Function kernel and 5 features with 90% training data is the best method for classifying glioblastoma. The results obtained for the values of accuracy, recall, precision, and f1-score were 92.35%, 93.19%, 92.62%, and 92.83%, respectively."