Hasil Pencarian  ::  Simpan CSV :: Kembali

"A successful understanding on how to make computers learn would open up many new uses of computers and new levels of competence and customization. A detailed understanding on inform-ation- processing algorithms for machine learning might lead to a better understanding of human learning abilities and disabilities. There are many type of machine learning that we know, which includes Backpropagation (BP), Extreme Learning Machine (ELM), and Support Vector Machine (SVM). This research uses five data that have several characteristics. The result of this research is all the three investigated models offer comparable classification accuracies. This research has three type conclusions, the best performance in accuracy is BP, the best performance in stability is SVM and the best performance in CPU time is ELM for bioinformatics data.

---

Keberhasilan pemahaman tentang bagaimana membuat komputer belajar akan membuka banyak manfaat baru dari komputer. Sebuah pemahaman yang rinci tentang algoritma pengolahan informasi untuk pembelajaran mesin dapat membuat pemahaman yang sebaik kemampuan belajar manusia. Banyak jenis pembelajaran mesin yang kita tahu, beberapa diantaranya adalah Backpropagation (BP), Extreme Learning Machine (ELM), dan Support Vector Machine (SVM). Penelitian ini menggunakan lima data yang memiliki beberapa karakteristik. Hasil penelitian ini, dari ketiga model yang diamati memberikan akurasi klasifikasi yang sebanding. Penelitian ini memiliki tiga kesimpulan, yang terbaik dalam akurasi adalah BP, yang terbaik dalam stabilitas adalah SVM dan CPU time terbaik adalah ELM untuk data bioinformatika."

"Ledakan batu merupakan kecelakaan destruktif yang cukup sering terjadi pada tambang bawah tanah. Seiring dengan berkembangnya teknologi, machine learning hadir sebagai alternatif solusi yang dapat dimanfaatkan dalam langkah preventif atas kasus ledakan batu. Penelitian ini menggunakan GWO-SVM dan XGBoost sebagai model machine learning dalam klasifikasi ledakan batu dan intensitasnya pada tambang bawah tanah. Grey Wolf Optimization (GWO) digunakan sebagai optimizer dari parameter SVM. Intensitas ledakan batu dibedakan atas tidak ada ledakan batu, lemah, sedang dan kuat. Dalam implementasi model, digunakan 467 kasus ledakan batu yang dikumpulkan dari berbagai sumber. Fitur yang digunakan pada penelitian ini meliputi tegangan maksimal tangensial, kekuatan tekan uniaksial, kekuatan tarik uniaksial, koefisien tegangan, koefisien kerapuhan batuan, dan indeks regangan elastis. Sebelum implementasi model dilakukan data preprocessing yang meliputi imputasi missing values, menghapus outlier, normalisasi fitur dan resampling data. Kinerja model dievaluasi berdasarkan nilai metrik accuracy, precision, recall, dan f1-score dengan memerhatikan running time dan proporsi data training berkisar dari 50% hingga 90%. Hasil penelitian menunjukkan bahwa GWO-SVM mengungguli XGBoost baik dalam klasifikasi ledakan batu dengan accuracy 98.0392%, precision 97.8495%, recall 98.2609%, dan f1-score 98.0161% serta klasifikasi intensitas ledakannya dengan accuracy 75.8242%, precision 75.1473%, recall 75.3115%, dan f1-score 75.2150%.

---

Rockburst is a destructive accident that frequently occurs in underground mines. With the advancement of technology, machine learning has emerged as an alternative solution that can be utilized to measures against rockbursts. This research employs GWO-SVM and XGBoost as machine learning models for the classification of rockburst and its intensity in underground mines. Grey Wolf Optimization (GWO) is used as an optimizer for SVM parameters. The intensity of a rockburst is classified into four categories: no rockburst, weak, moderate, and strong. The implementation of the model utilizes 476 cases of rockburst collected from various sources. The features used in this study include maximum tangential stress, uniaxial compressive strength, uniaxial tensile strength, stress coefficient, rock brittleness coefficient, and elastic strain index. Before implementing the model, data preprocessing is conducted, which includes imputing missing values, removing outliers, feature normalization, and data resampling. The performance of the model is evaluated based on metrics such as accuracy, precision, recall, and f1-score with various training data proportions ranging from 50% to 90%. The research results indicate that GWO-SVM outperforms XGBoost in both the classification of rockburst with 98.0392% accuracy, 97.8495% precision, 98.2609% recall, and 98.0161% f1-score as well as intensity with 75.8242% accuracy, 75.1473% precision, 75.3115% recall, and 75.2150% f1-score."

"Penelitian ini melakukan klasifikasi stadium penyakit Diabetik Retinopati (DR) menjadi 2 hirarki, yaitu Global dan Lokal. Hirarki Global hanya terdiri dari normal (0) dan abnormal (1). Sedangkan klasifikasi lokal terdiri dari 4 kategori yaitu kategori normal (R0), early NPDR (R1), advanced NPDR (R3), dan PDR (R4). Kategori early NPDR adalah stadium mild NPDR, sedangkan advanced NPDR adalah gabungan dari moderate dan severe NPDR.Secara umum penelitian ini dilakukan untuk menyelesaikan masalah yang timbul akibat adanya kemiripan citra per kenaikan stadium yang tidak bisa dinilai secara kasat mata. Sehingga membutuhkan sebuah penanganan dimana citra retina dapat digolongkan ke dalam kategori yang tepat. Berdasarkan masalah tersebut, dilakukan 2 mekanisme percobaan untuk setiap hirarki, yaitu melalui pendekatan computer vision yang hanya fokus untuk mengolah citra secara keseluruhan dan pendekatan yang dilakukan oleh medis dimana sebelum menentukan kategori citra, terlebih dahulu dilakukan deteksi fitur penanda DR seperti eksudat, mikroaneurisma, dan pembuluh darah. Data yang digunakan ada 2 jenis yaitu data citra dari RSCM Jakarta dan database publik Diaretdb0.Metode klasifikasi ELM yang diusulkan mampu memberikan performansi yang cukup baik dari sisi waktu dan akurasi, dimana rata-rata klasifikasi menggunakan cross validation mencapai 50% untuk data RSCM dan 60% untuk data DB0. Sedangkan untuk klasifikasi lokal mencapai 50% untuk data RSCM dan 40% untuk data DB0.

---

This study determined the classification of the stage of disease Diabetic retinopathy (DR) into two hierarchies , namely the Global and the Local . Global hierarchy consisting only of normal (0) and abnormal (1). While local classification consists of 4 categories: normal category (R0), early NPDR (R1), advanced NPDR (R3), and PDR (R4). Categories early stages of NPDR is Mild NPDR, whereas advanced NPDR is a combination of moderate and severe NPDR.

In general, this study was conducted to resolve the problems arising from the similarity image that stage increments can not be assessed by naked eye . Thus require a treatment in which the retinal image can be classified into appropriate categories . Based on these issues, conducted 2 experiments for each hierarchy mechanism, namely through the computer vision approach that only focuses on the image of the overall process and the approach taken by a medical before determining which image category , first detection of features such as bookmarks DR exudates, microaneurysms, and blood vessels . The data used there are 2 types of image data from public databases RSCM Jakarta and Diaretdb0.

The proposed classification method ELM is able to provide good enough performance in terms of time and accuracy , where the average classification using cross validation to achieve 50 % for data RSCM and 60 % for data DB0. Whereas for the local classification, data RSCM achieve 50 % and 40 % for data DB0."

"ABSTRAKInfark serebral merupakan salah satu penyebab terjadinya stroke iskemik di otak. Dalam mendiagnosis adanya infark serebral di otak, digunakan pembelajaran mesin karena tidak cukup hanya menggunakan CT scan untuk mendiagnosisnya. Support vector machine (SVM) merupakan salah satu metode pembelajaran mesin yang dikenal dengan nilai akurasinya yang tinggi. Namun SVM dapat memberikan hasil yang kurang optimal jika data yang digunakan tidak seimbang. Jika data yang digunakan tidak seimbang, model yang dihasilkan akan bias. Oleh karena itu, penelitian ini menggunakan metode Synthetic Minority Oversampling Technique (SMOTE) dalam menangani data infark serebral yang tidak seimbang sehingga menjadi data yang seimbang. SMOTE mensintesis sampel data baru dari kelas minoritas untuk menyeimbangkan kumpulan data. Metode ini bekerja dengan mencari nilai tetangga terdekat untuk setiap data di kelas minoritas. Data yang telah diimbangi dengan metode SMOTE akan diklasifikasikan menggunakan SVM. Hasil klasifikasi SVM pada data infark serebral imbalanced dan data infark serebral berimbang akan dibandingkan berdasarkan nilai akurasi, recall, spesifisitas, presisi dan f1-score. Data infark serebral diperoleh dari Bagian Radiologi RSUD Dr. Cipto Mangunkusumo.ABSTRACTCerebral infarction is one of the causes of ischemic stroke in the brain. In diagnosing cerebral infarction in the brain, machine learning is used because it is not enough to just use a CT scan to diagnose it. Support vector machine (SVM) is a machine learning method known for its high accuracy value. However, SVM can give less than optimal results if the data used is not balanced. If the data used is not balanced, the resulting model will be biased. Therefore, this study uses the Synthetic Minority Oversampling Technique (SMOTE) method in handling unbalanced cerebral infarction data so that it becomes a balanced data. SMOTE synthesizes a new data sample from a minority class to balance the data set. This method works by finding the value of the nearest neighbor for each data in the minority class. Data that has been balanced with the SMOTE method will be classified using SVM. The SVM classification results on imbalanced cerebral infarction data and balanced cerebral infarction data will be compared based on the accuracy, recall, specificity, precision and f1-score values. Cerebral infarction data were obtained from the Radiology Department of RSUD Dr. Cipto Mangunkusumo."

"[Penilaian kredit merupakan sistem atau cara yang digunakan oleh bank atau lembaga pembiayaan lainnya dalam menentukan calon debitur layak atau tidak mendapatkan pinjaman. Salah satu metode dalam penilaian kredit yang digunakan untuk mengklasifikasikan karakteristik calon debitur adalah Support Vector Machine (SVM). SVM mempunyai kemampuan generalisasi yang baik untuk menyelesaikan masalah klasifikasi dalam jumlah data yang besar dan dapat menghasilkan fungsi pemisah yang optimal untuk memisahkan dua kelompok data dari dua kelas yang berbeda. Salah satu keberhasilan menggunakan metode SVM adalah proses pemilihan fitur yang akan mempengaruhi tingkat akurasi klasifikasi. Berbagai metode dilakukan untuk pemilihan fitur, karena tidak semua fitur mampu memberikan hasil klasifikasi baik. Pemilihan fitur yang digunakan dalam penelitian ini adalah Variance Threshold, Univariate Chi – Square, Recursive Feature Elimination (RFE) dan Extra Trees Clasifier (ETC). Data dalam penelitian ini menggunakan data sekunder dari database dalam UCI machine learning responsitory. Berdasarkan simulasi untuk membandingkan nilai akurasi penggunaan metode pemilihan fitur pada SVM dalam klasifikasi penilaian risiko kredit, diperoleh bahwa metode Variance Threshold dan Univariate Chi – Square dapat mengurangi akurasi sedangkan metode RFE dan ETC dapat meningkatkan akurasi. Metode RFE memberikan akurasi yang lebih baik;Credit scoring is a system or method used by banks or other financial institutions to determine the debtor feasible or not get a loan. One of credit scoring method isused to classify the characteristics of debtor is Support Vector Machine (SVM). SVM has an excellent generalization ability to solve classification problems in a large amount of data and can generate an optimal separator function to separate two groups of data from two different classes. One of the success using SVM method is dependent on features selection process that will affect the level of classification accuracy. Various methods have done to features selection, because not all the features are able to give best classification results. Features selectionthat used this study is Variance Threshold, Univariate Chi - Square, Recursive Feature Elimination (RFE) and Extra Trees Classifier (ETC). Data in this study use secondary data from the database in UCI machine learning responsitory. Based on simulations to compare the accuracy of using feature selection method on SVM in classification of credit risk scoring, obtained that Variance Threshold and Univariate Chi – Square method can decrease accuracy while RFE and ETC method can increase accuracy. RFE method gives better accuracy., Credit scoring is a system or method used by banks or other financial institutionsto determine the debtor feasible or not get a loan. One of credit scoring method isused to classify the characteristics of debtor is Support Vector Machine (SVM).SVM has an excellent generalization ability to solve classification problems in alarge amount of data and can generate an optimal separator function to separatetwo groups of data from two different classes. One of the success using SVMmethod is dependent on features selection process that will affect the level ofclassification accuracy. Various methods have done to features selection, becausenot all the features are able to give best classification results. Features selectionthat used this study is Variance Threshold, Univariate Chi - Square, RecursiveFeature Elimination (RFE) and Extra Trees Classifier (ETC). Data in this studyuse secondary data from the database in UCI machine learning responsitory.Based on simulations to compare the accuracy of using feature selection methodon SVM in classification of credit risk scoring, obtained that Variance Thresholdand Univariate Chi – Square method can decrease accuracy while RFE and ETCmethod can increase accuracy. RFE method gives better accuracy.]"

"Just like electricity, Machine Learning will revolutionize our life in many ways-some of which are not even conceivable today. This book provides a thorough conceptual understanding of Machine Learning techniques and algorithms. Many of the mathematical concepts are explained in an intuitive manner. The book starts with an overview of machine learning and the underlying Mathematical and Statistical concepts before moving onto machine learning topics. It gradually builds up the depth, covering many of the present day machine learning algorithms, ending in Deep Learning and Reinforcement Learning algorithms. The book also covers some of the popular Machine Learning applications. The material in this book is agnostic to any specific programming language or hardware so that readers can try these concepts on whichever platforms they are already familiar with."

"Kanker merupakan pertumbuhan sel abnormal di dalam tubuh yang tidak terkendali. Ketika kanker dimulai di paru-paru, hal ini dinamakan sebagai kanker paru-paru. Terdapat faktor-faktor tertentu yang meningkatkan risiko seseorang yang mengidap penyakit ini, yaitu dengan merokok (termasuk perokok pasif), riwayat kanker paru-paru dalam keluarga, terpapar radiasi, dan infeksi HIV. Penyakit ini dapat didiagnosis melalui image tests, diantaranya yaitu chest x-ray, CT scan, MRI scan, PET scan, dan bone scan. Meskipun diagnosa telah dilakukan dengan banyak cara, namun masih terdapat banyak kesalahan dalam mendiagnosa penyakit tersebut. Untuk mengatasi dan membantu hal tersebut, klasifikasi penyakit kanker paru-paru dapat dilakukan dengan menggunakan metode machine learning. Dataset yang akan digunakan untuk mengklasifikasikan penyakit ini berupa CT Scan yang didapatkan dari Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Metode klasifikasi yang digunakan adalah Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), dimana Particle Swarm Optimization-Genetic Algorithm (PSO-GA) digunakan untuk mengoptimisasi parameter pada Support Vector Machine (SVM). Untuk mengevaluasi hasil kinerja metode tersebut, akan dilihat nilai akurasi, presisi, recall, dan f1-score dan dibandingkan dengan metode SVM tanpa optimisasi. Dari hasil yang didapat, klasifikasi dengan menggunakan Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM) menghasilkan performa yang lebih baik jika dibandingkan dengan Support Vector Machine (SVM) tanpa optimisasi parameter.

---

Cancer is an uncontrolled growth of abnormal cells in the body. When cancer starts in the lungs, it is referred as lung cancer. There are certain factors that increase a person's risk of this disease, such as smoking (including passive smoker), a family history of lung cancer, exposure to radiation, and HIV infection. This disease can be diagnosed through image tests, including chest x-ray, CT scan, MRI scan, PET scan, and bone scan. Although diagnosis has been made in many ways, there are still many errors in diagnosing the disease. To overcome and help this problem, the classification of lung cancer can be done by using machine learning method. The dataset that used to classify this disease is CT Scan obtained from Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The classification method that will be used is Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), where Particle Swarm Optimization-Genetic Algorithm (PSO-GA) was used to optimize the parameters of the Support Vector Machine (SVM). To evaluate the results of the performance of the method, values of accuracy, precision, recall, and f1-score will be seen and it will be compared with SVM without the optimization. From the results obtained, classification using Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO- GA-SVM) produces better performance compared to Support Vector Machine (SVM) without parameter optimization."

"Kanker merupakan pertumbuhan sel abnormal di dalam tubuh yang tidak terkendali. Ketika kanker dimulai di paru-paru, hal ini dinamakan sebagai kanker paru-paru. Terdapat faktor-faktor tertentu yang meningkatkan risiko seseorang yang mengidap penyakit ini, yaitu dengan merokok (termasuk perokok pasif), riwayat kanker paru-paru dalam keluarga, terpapar radiasi, dan infeksi HIV. Penyakit ini dapat didiagnosis melalui image tests, diantaranya yaitu chest x-ray, CT scan, MRI scan, PET scan, dan bone scan. Meskipun diagnosa telah dilakukan dengan banyak cara, namun masih terdapat banyak kesalahan dalam mendiagnosa penyakit tersebut. Untuk mengatasi dan membantu hal tersebut, klasifikasi penyakit kanker paru-paru dapat dilakukan dengan menggunakan metode machine learning. Dataset yang akan digunakan untuk mengklasifikasikan penyakit ini berupa CT Scan yang didapatkan dari Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Metode klasifikasi yang digunakan adalah Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), dimana Particle Swarm Optimization-Genetic Algorithm (PSO-GA) digunakan untuk mengoptimisasi parameter pada Support Vector Machine (SVM). Untuk mengevaluasi hasil kinerja metode tersebut, akan dilihat nilai akurasi, presisi, recall, dan f1-score dan dibandingkan dengan metode SVM tanpa optimisasi. Dari hasil yang didapat, klasifikasi dengan menggunakan Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM) menghasilkan performa yang lebih baik jika dibandingkan dengan Support Vector Machine (SVM) tanpa optimisasi parameter.

---

Cancer is an uncontrolled growth of abnormal cells in the body. When cancer starts in the lungs, it is referred as lung cancer. There are certain factors that increase a person's risk of this disease, such as smoking (including passive smoker), a family history of lung cancer, exposure to radiation, and HIV infection. This disease can be diagnosed through image tests, including chest x-ray, CT scan, MRI scan, PET scan, and bone scan. Although diagnosis has been made in many ways, there are still many errors in diagnosing the disease. To overcome and help this problem, the classification of lung cancer can be done by using machine learning method. The dataset that used to classify this disease is CT Scan obtained from Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The classification method that will be used is Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), where Particle Swarm Optimization-Genetic Algorithm (PSO-GA) was used to optimize the parameters of the Support Vector Machine (SVM). To evaluate the results of the performance of the method, values of accuracy, precision, recall, and f1-score will be seen and it will be compared with SVM without the optimization. From the results obtained, classification using Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO- GA-SVM) produces better performance compared to Support Vector Machine (SVM) without parameter optimization."

"Performa akademik adalah bagian penting dari suatu sekolah. Saat ini, sebagian besar sekolah di Indonesia masih jarang melakukan klasifikasi performa akademik siswa, sehingga diperlukan metode yang tepat untuk mengklasifikasikan siswa berdasarkan perfroma akademiknya.  Pada peneltian ini digunakan metode Nave Bayes Classifier (NBC) dan metode Support Vector Machine (SVM) untuk mengklasifikasikan performa akademik siswa SMAN 38 Jakarta. Metode NBC menghasilkan tingkat akurasi tertinggi sebesar 96%, recall 100%, precision 92.68% dan %. Sedangkan metode SVM dengan kernel linier menghasilkan tingkat akurasi tertinggi sebesar 98%, recall 100%, precision 96.42% dan f1-score.

---

Academic performance is an important part of a school. At present, most schools in Indonesia rarely classify students’ academic performance, so we need the right method to classify students based on their academic performance. In this research, the Nave Bayes Classifier (NBC) and Support Vector Machine (SVM) methods are used to classify academic performance of SMAN 38 Jakarta students’. The NBC method produces the highest accuracy 96%, recall 100%, precision 92.68% and f1-score  While the SVM method produces the highest accuracy 98%, recall 100%, precision 96.42% and f1-score  on linear kernels."