Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Self-Organizing Map (SOM) yang dikenal juga dengan Kohonen Feature map merupakan algoritme Jaringan Saraf Tiruan yang merepresentasikan arsitektur Topological Preserving Map. Algoritma tersebut menggunakan pembelajaran dengan metode unsuperised learning. Dari sisi topologi jika terdapat sekumpulan data yang dimasukkan ke dalam SOM maka akan terbentuk kumpulan neuron yang merupakan representasi dari data tersebut. Dan ketika memasuki proses learning, neuron neuron tersebut dengan sendirinya akan menempati tempatnya masing-masing secara statistik dan topologis. Dengan kata lain pada setiap iterasi dicari strategi dengan memanfaatkan dua buah informasi yaitu informasi lokal dalam point yang direperesentasikan dan juga informasi global dari keseluruhan data dalam himpunan point tersebut. Penerapan metode yang menggunakan informasi statistik tersebut menjadi dasar pembentukan algoritma pembelajaran yang disebut Kohonen Network Incorporating Explixci Statistics (KNIES). Uji coba terhadap kinerja algoritma KNIES dilakukan pada permasalahan Travelling Salesman Problem (TSP). Kumpulan kasus-kasus TSP disediakan dalam pustaka yang disebut TSPLIB. Dalam TSPLIB juga disertakan hasil optimum tour yang dilakukan oleh algoritma eksak. Dari kumpulan kota tersebut diujikan pada perangkat lunak KIES dengan radius 0.5 diperoleh hasil terburuk adalah (9.70%) didapatkan oleh Pcb442 . Sedangkan hasil rata-rata adalah 3.85%.

Abstrak :
Pengenalan teknologi DNA microarray membuat perolehan data microarray menjadi lebih mudah. Hal ini semakin memicu persoalan tentang bagaimana cara terbaik dalam mengekstraksi dan memilih fitur dari data yang berdimensi besar tersebut. Metode-metode terdahulu mengabaikan adanya hubungan antargen sehingga memungkinkan hilangnya informasi penting yang tersimpan dalam suatu gen pada saat ekstraksi fitur. Meskipun berbagai macam metode telah digunakan, pengembangan metode ekstraksi dan seleksi fitur dari data microarray yang lebih powerful dan efisien masih diperlukan untuk meningkatkan performa klasifikasi kanker. Dalam penelitian ini diimplementasikan sebuah metode dalam melakukan ekstraksi fitur dari data microarray yang memanfaatkan model klasifikasi berbasis informasi pasangan gen, yaitu pasangan gen yang memiliki perbedaan signifikan pada dua jenis sampel tissue. Hasil uji coba terhadap dua data microarray menunjukkan bahwa fitur hasil ekstraksi menggunakan metode ini dapat meningkatkan performa klasifikasi. Bahkan akurasi 100% dapat diperoleh pada uji coba terhadap data lymphoma.