Hasil Pencarian  ::  Simpan CSV :: Kembali

"Indonesia merupakan salah satu negara dengan produksi tanaman padi terbesar di dunia dengan total lebih dari 150 juta ton padi dihasilkan pada 3 tahun terakhir. Meskipun sudah menjadi makanan pokok selama bertahun-tahun, tanaman padi tidak luput dari serangan penyakit yang dapat menghambat produksi beras padi. Berbagai macam penyakit dapat menghambat produksi beras padi di Indonesia. Daun tanaman padi yang terkena serangan penyakit dapat digunakan sebagai indikator jenis penyakit dikarenakan setiap penyakit tanaman padi memiliki corak yang unik pada daun tanaman padi. Dari citra daun tanaman padi yang didapat, dilakukan transformasi format citra ke dalam format grayscale untuk dibentuk Gray Level Co-occurence Matrix (GLCM) untuk beberapa sudut. Fitur Haralick kemudian diekstraksi dari GLCM yang sudah didapatkan untuk mendapatkan fitur-fitur yang dapat menjelaskan citra daun tanaman padi tersebut. Metode ini dapat digunakan dikarenakan fitur Haralick dalam GLCM mampu menangani citra yang memiliki perbedaan tekstur dengan baik dan citra daun penyakit tanaman padi memiliki perbedaan pada tekstur daun yang cukup jelas dilihat. Sehingga dapat dikatakan bahwa metode ini cocok untuk digunakan pada kasus ini. Dengan jumlah fitur Haralick yang cukup banyak, Linear Discriminant Analyis (LDA) kemudian diaplikasikan kepada fitur-fitur Haralick sebagai metode reduksi dimensi sedemikian sehingga fitur baru yang didapatkan memiliki separasi yang lebih baik. Kemudian, Support Vector Machine (SVM) digunakan sebagai classifier dalam mengklasifikasi penyakit tanaman padi menggunakan fitur LDA yang sudah didapatkan.

---

Indonesia is one of the world’s leading rice producers with a total of more than 150 million tons of rice produced in the last three years . Rice plants, despite being a staple crop for many years, are susceptible to diseases that can hamper rice production.  Because each diseases of rice plants has a distinctive pattern on the leaves of rice plants, the leaves of diseased rice plants can be used as indicators of the type of disease. The picture format of the rice leaf is converted to grayscale in order to create a Gray Level Co-occurence Matrix (GLCM) at multiple angles. The Haralick feature is extracted from the GLCM to obtain features that can describe the image of the rice plant leaf. Because the Haralick feature in GLCM can handle images with diverse textures and the image of leaves of rice plant diseases has differences in leaf texture that are clearly apparent, this method can be used. With a large number of Haralick features, the Linear Discriminant Analysis (LDA) is used as a dimension reduction technique for the Haralick features, resulting in better separation of the new features. The Support Vector Machine (SVM) is used as a classifier to classify rice plant diseases based on the obtained LDA features."

"Klasifikasi data kanker dilakukan untuk menemukan terapi yang tepat yaitu memaksimalkan efektivitas dan meminimalkan toksisitas. Pada umumnya, data kanker terdiri dari banyak fitur. Namun, tidak semua fitur tersebut informatif. Oleh karena itu, fitur-fitur tersebut akan diseleksi menggunakan metode Fisher's Ratio untuk memilih fitur-fitur yang paling informatif. Fitur-fitur terbaik akan dibentuk data baru. Data, sebelum dan setelah dilakukan pemilihan fitur, diklasifikasi menggunakan metode Fuzzy C-Means. Akurasi dari proses klasifikasinya akan dibandingkan. Hasilnya, tanpa melakukan pemilihan fitur, diperoleh rata-rata akurasi sebesar 82.92%. Setelah dilakukan pemilihan fitur, diperoleh akurasi terbaik dengan menggunakan 150 fitur dengan rata-rata akurasi sebesar 89.68%.

---

Classification of cancer data is done to find the right therapy that maximize efficacy and minimize toxicity. In general, cancer data consists of many features. However, not all of these features are informative. Therefore, these features will be selected using Fisher's Ratio to choose features that are most informative. The best features to be formed new data. Data, before and after feature selection, are classified using Fuzzy C-Means. The accuracy of the classification process will be compared. As a result, without doing feature selection, the accuracy is 82.92%. After doing feature selection, the best accuracy is obtained by using 150 features with the accuracy is 89.68%."

"Klasifikasi genre musik merupakan salah satu bidang dari Music Information Retrieval (MIR) yang menggunakan pola-pola spektral dalam rekaman audio digital sebagai fitur untuk membentuk sebuah sistem yang dapat menentukan genre dari sebuah musik secara otomatis. Beberapa model deep learning telah dikembangkan untuk memperoleh performa terbaik dalam melakukan klasifikasi genre musik. Tiga di antaranya adalah Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan model hybrid CNN-LSTM. Walaupun model- model tersebut mampu memberikan hasil yang cukup memuaskan, model-model tersebut memiliki kekurangan masing-masing. Model CNN kurang dapat memperhitungkan urutan-urutan fitur pada data berurutan dan model LSTM tidak dapat melakukan komputasi secara paralel. Ketiga model tersebut juga membutuhkan pengulangan dan konvolusi yang kompleks, serta waktu yang cukup panjang untuk perhitungan berurutan. Transformers merupakan arsitektur model yang tidak lagi mengandalkan recurrence/pengulangan, melainkan mekanisme attention yang dapat memperhitungkan urutan-urutan data pada data berurutan dan melakukan perhitungan paralel sehingga jangka waktu yang dibutuhkan dalam perhitungan lebih singkat. Melihat keberhasilan dan kepopuleran dari Transformer pada berbagai bidang seperti Bidirectional Encoder Representations from Transformers (BERT) pada bidang Natural Language Processing dan Vision Transformers pada bidang Computer Vision, pada skripsi ini dilakukan analisis mengenai kinerja model Transformers dalam permasalahan klasifikasi genre musik dibandingkan dengan model CNN, LSTM, dan CNN-LSTM.

---

Music genre classification is one of the fields of Music Information Retrieval (MIR) that uses spectral patterns in digital audio recording as features to build a system that can automatically classify a music’s genre. Several deep learning models have been developed to get the best performance in classifying music genres. Three of them are Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and hybrid CNN-LSTM model. Although those models can give satisfactory results, each model has their own weakness. CNN is less able to consider the sequences in sequential data and LSTM is not able to do parallel computation. All these models also require complex recurrences and convolutions, as well as quite a long time for sequential calculations. Transformers is a model architecture that no longer relies on recurrences, but rather on an attention mechanism that can consider the sequences in data and perform parallel calculations so that the time required for calculation is shorter. Looking into the success and popularity of Transformers in various fields such as BERT in the field of NLP and Vision Transformers in the field of Computer Vision, this thesis analyzes the performance of Transformers on music genre classification compared to CNN, LSTM, and CNN-LSTM."

"Kematian yang disebabkan oleh kanker diperkirakan akan terus meningkat, padahal jumlah kematian ini dapat dikurangi dengan adanya deteksi dini. Salah satunya adalah dengan klasifikasi data kanker. Data kanker yang digunakan merupakan data kanker berdimensi tinggi dengan ribuan fitur, tetapi tidak semua fitur yang ada merupakan fitur yang relevan. Oleh karena itu, perlu adanya proses seleksi fitur. Untuk meningkatkan tingkat akurasi yang dihasilkan, digunakan sebuah metode seleksi fitur yang meninjau adanya korelasi antar gen, yaitu CSVM-RFE. Pada metode tersebut, data yang ada diproyeksikan dan diubah menjadi sebuah data baru dengan ekstraksi fitur, dan kemudian dilakukan proses seleksi fitur. Penggunaan dua metode tersebut pada klasifikasi tiga data kanker yang ada terbukti menghasilkan tingkat akurasi yang tinggi, pada data kanker kolon tingkat akurasi yang didapatkan adalah sebesar 96.6, pada kanker prostat sebesar 98.9, dan pada kanker lymphoma sebesar 98,6.

---

The number of death caused by cancer expected to rise over two decades, whereas the number of death can be reduced by early detection. One of them is cancer classification. Cancer dataset is a high dimensional dataset that consist of thousands of features, but not all of these features are relevant. Therefore, it is necessary to remove the redundant features using feature selection. Feature selection can also improve the accuracy of classification. Many feature selection methods do not consider the correlated genes, so we need a new feature selection method that consider the correlated genes. It is CSVM RFE, in this method the existing data is projected and converted into a new data with feature extraction. These two methods are applied to the cancer datasets, and produce the accuracy of 96.6 using colon cancer dataset, 98.9 using prostate cancer dataset, and 98.6 using lymphoma cancer dataset."

"Transfer learning merupakan pengembangan dari pembelajaran mesin biasa (tradisional) yang dapat diterapkan pada cross-domain. Cross-domain adalah domain yang memiliki perbedaan pada feature space atau pada marginal dan conditional distribution, sehingga sulit ditangani dengan metode pembelajaran mesin biasa. Perbedaan ini banyak terjadi pada kasus computer vision atau pattern recognition seperti untuk mengenali korban bencana alam melalui foto yang diambil dari atas menggunakan drone atau helikopter. Terjadinya perbedaan feature space dan distribusi data ini karena adanya perbedaan sudut, cahaya, dan alat yang berbeda. Kondisi seperti ini semakin menyulitkan untuk dilakukannya klasifikasi gambar terlebih pada domain dengan keterbatasan label. Implementasi transfer learning terbukti dapat memberikan performance yang baik pada banyak kasus, termasuk kasus yang menggunakan dataset gambar.Dalam transfer learning penting untuk menghindari terjadinya negative transfer learning, sehingga perlu dilakukan pengukuran kesamaan (similarity) antar domain. Penelitian ini menerapkan feature-representation-transfer dan menggunakan Maximum Mean Discrepancy (MMD) untuk mengukur jarak antar feature pada domain yang terlibat di transfer learning. Setelah mengukur kesamaan antar domain, maka akan dilakukan pemilihan feature berdasarkan jarak antar feature. Feature terpilih adalah feature yang mempunyai jarak kurang dari threshold yang ditentukan. Bobot akan diberikan kepada feature terpilih. Selain melakukan pemilihan feature berdasarkan kesamaan domain, metode ini juga melakukan pemilihan feature yang signifikan antar class label dan dalam class label dengan menggunakan ANOVA (Analysis of Variance). Hanya feature yang signifikan yang akan digunakan untuk proses prediksi.Metode yang diusulkan juga menerapkan inter-cluster class label untuk memperkecil perbedaan conditional distribution. Prinsip kerja inter-cluster class label ini adalah menghitung jarak minimal dari instance pada domain target ke setiap center of cluster class label. Rumus jarak yang digunakan adalah Euclidean Distance. Properti statistik seperti rata-rata dan varians akan digunakan pada metode ini, untuk menggambarkan struktur data lokal dalam setiap domain. Penggunaan rata-rata digunakan untuk menentukan threshold dan pusat cluster class label, sedangkan varians digunakan untuk pemilihan feature yang signifikan. Proses prediksi label dilakukan berdasarkan feature terpilih yang telah diberi bobot dan jarak terpendek setiap instance ke salah satu class label.Tidak terdapat parameter tambahan dalam fungsi pembelajaran yang diusulkan. Selain itu, proses penentuan label juga dilakukan tanpa iterasi, sehingga memungkinkan metode ini dapat dijalankan dengan keterbatasan resource. Hasil eksperimen menunjukkan bahwa metode yang diusulkan dapat memberikan performance sebesar 46,6%, pada saat menggunakan SVM sebagai classifier dan 51.7% pada saat menggunakan logistic regression. Akurasi yang didapat dengan SVM ini mengimbangi metode feature-representation-transfer sebelumnya. Namun akurasi dari logistic regression sudah dapat mengungguli metode sebelumnya. Hasil ini menunjukkan bahwa penggunaan metode feature selection menggunakan properti statistik yang dikombinasikan dengan pemberian bobot pada feature terpilih dan jarak minimal dapat memberikan hasil akurasi yang baik tanpa memerlukan resource yang besar.

---

Transfer learning is the extension of traditional machine learning in a cross-domain environment. Cross-domains are domains with different feature spaces or different marginal and conditional distributions. Many real-world cases of computer vision and pattern recognition, such as the surveillance of some victims of natural disasters from above using a drone or helicopter, have these differences. These conditons are difficult to handle with traditional machine learning methods. The differences in feature space or data distribution caused by the existence of different angles, different light, and different tools. All of these situation add difficulty to the classification process, especially in domains with limited labels. The implementation of transfer learning is proven to provide good performance in many cases of cross-domain learning, including cases that use image datasets.

In transfer learning, it is important to measure the similarity between domains to avoid negative transfer learning. This study applies feature-representation-transfer and uses Maximum Mean Discrepancy (MMD) to measure the distance between features in the cross-domains and reduce the domain discrepancy. After measuring the similarity between domains, a feature selection will be made based on the distance between the features. Selected features are features that have a distance less than the specified threshold. Weight will be given to the selected features. In addition to selecting features based on domain similarity, this method also selects significant features between class labels and within class labels using ANOVA (Analysis of Variance). Only significant features will be used for the prediction process.

The proposed method also applies an inter-cluster class label to minimize the difference in conditional distribution. The inter-cluster class label works by calculating the minimum distance from the instance in the target domain to each center of the cluster class label. The distance formula used is Euclidean distance. Statistical properties such as mean and variance will be used in this method to describe the local data structure in each domain. The average is used to determine the threshold and center of the cluster class label, while the variance is used to select significant features. The label prediction process is carried out based on the selected features that have been weighted and the shortest distance for each instance to one of the label classes.

There are no additional parameters in the proposed learning function. In addition, the process of determining the label is also carried out without iteration, thus allowing this method to be run with limited resources. The experimental results show that the proposed method can provide a performance of 46.6% when using SVM as a classifier and 51.7% when using logistic regression. The accuracy obtained from SVM offsets the previous feature-representation transfer learning. However, the accuracy of logistic regression has been able to outperform the previous method. These results indicate that the use of the feature selection method using statistical properties combined with assigning weights to selected features and a minimum distance can provide good accuracy without requiring large resources."