Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sentimen merupakan opini atau penilaian penulis dokumen mengenai topik yang dibahas dalam dokumen tersebut. Analisis sentimen merupakan suatu tugas yang melakukan polarisasi dokumen berupa pengklasifikasian dokumen ke dalam sentimen positif dan negatif. Penggunaan metode Naive Bayes, Maximum Entropy, dan Support Vector Machine telah ditunjukkan mampu untuk menangkap informasi sentimen dari dokumen review film pada domain bahasa Inggris (Pang, Lee, & Vaithyanathan, 2002). Laporan tugas akhir ini menjelaskan percobaan yang mengaplikasikan kembali metode Naive Bayes, Maximum Entropy, dan Support Vector Machine untuk analisis sentimen pada dokumen berbahasa Indonesia hasil penerjemahan otomatis menggunakan kamus bilingual dan program penerjemah, pada dokumen review film.Hasil analisis sentimen yang didapat dibanding kan dengan hasil analisis sentimen pada dokumen berbahasa Inggris. Percobaan analisis sentimen dilakukan dengan memvariasikan metode penerjemahan dan pengolahan data, fitur yang digunakan, dan informasi nilai fitur berupa nilai kemunculan fitur (presence), frekuensi, normalisasi nilai frekuensi, dan pembobotan menggunakan tf-idf. Baseline untuk analisis sentimen pada bahasa Indonesia dibuat dengan metode klasifikasi yang sederhana.Hasil yang didapat menunjukkan bahwa analisis sentimen menggunakan machine learning untuk dokumen berbahasa Indonesia hasil penerjemahan otomatis dapat dilakukan, dengan akurasi tertinggi sebesar 78.82%. Hasil ini lebih baik dari akurasi yang didapat dari baseline sebesar 52.43% tetapi tidak melebihi akurasi tertinggi pada dokumen berbahasa Inggris sebesar 80.09%, namun cukup dekat. Penggunaan fitur yang diambil dari 25% bagian terakhir dokumen memberikan hasil yang lebih baik dari penggunaan fitur yang diambil dari keseluruhan dokumen. Sementara, metode Support Vector Machine secara umum memberikan hasil analisis sentimen dengan akurasi yang lebih baik dari metode machine learning lain yang digunakan."

"ABSTRAKPresenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well.The Bayes’ Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes’ Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data.This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using Menampilkan data seismic dalam bentuk probabilitas merupakan cara yang umum dilakukan untuk mengikutsertakan informasi ketidak-pastian dari pekerjaan pemetaan prospek hidrokarbon. Hal tersebut memberikan interpreter peluang untuk mengukur seberapa yakin mereka terhadap prospek yang sudah dibuat dengan memanfaatkan informasi nilai “most-probable”. Pada sisi lain, ketersediaan pre-stack data sudah sangat umum dijumpai sehingga hal ini merubah cara pandang terhadap inversi seismic yang semula hanya dilakukan terhadap data post-stack menjadi inversi pre-stack. Hal tersebut memang beralasan karena dengan inversi pre-stack, interpreter tidak hanya dimungkinkan mendapatkan informasi litologi namun juga informasi tentang fluida.Aturan Bayes adalah merupakan bentuk lain dari probabilitas terkondisi, aturan ini telah banyak dimanfaatkan oleh berbagai disiplin ilmu seperti penginderaan jauh, peramalan cuaca, pemasaran dan ilmu medis untuk membantu dalam meminimalkan resiko saat pengambilan keputusan. Hal yang sama juga bias kita terapkan pada bidang ilmu bumi dimana keluaran dari proses inversi pre-stack dapat ditransformasi menjadi bentuk volum probabilitas dengan supervisi data sumuran.Penelitian ini menggunakan P-impedance dan VP/VS sebagai input karena kombinasi keduanya merupakan indikator yang baik untuk memisahkan litologi maupun hidrokarbon. Dengan menggunakan supervisi dari data sumuran kedua volume tersebut kemudian di transformasi menjadi bentuk kelas most-probable: (1) shale, (2) wet sand, (3) compacted sand, dan (4) hydrocarbon sand.

---

ABSTRACTPresenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well.The Bayes’ Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes’ Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data.This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using training set from well log the volumes then transformed into four most probable classes: (1) shale, (2) wet sand, (3) compacted sand, and (4) hydrocarbon sand."

"[ABSTRAKMenampilkan data seismic dalam bentuk probabilitas merupakan cara yang umum dilakukan untuk mengikutsertakan informasi ketidak-pastian dari pekerjaan pemetaan prospek hidrokarbon. Hal tersebut memberikan interpreter peluang untuk mengukur seberapa yakin mereka terhadap prospek yang sudah dibuat dengan memanfaatkan informasi nilai ?most-probable?. Pada sisi lain, ketersediaan pre-stack data sudah sangat umum dijumpai sehingga hal ini merubah cara pandang terhadap inversi seismic yang semula hanya dilakukan terhadap data post-stack menjadi inversi pre-stack. Hal tersebut memang beralasan karena dengan inversi pre-stack, interpreter tidak hanya dimungkinkan mendapatkan informasi litologi namun juga informasi tentang fluida.Aturan Bayes adalah merupakan bentuk lain dari probabilitas terkondisi, aturan ini telah banyak dimanfaatkan oleh berbagai disiplin ilmu seperti penginderaan jauh, peramalan cuaca, pemasaran dan ilmu medis untuk membantu dalam meminimalkan resiko saat pengambilan keputusan. Hal yang sama juga bias kita terapkan pada bidang ilmu bumi dimana keluaran dari proses inversi pre-stack dapat ditransformasi menjadi bentuk volum probabilitas dengan supervisi data sumuran.Penelitian ini menggunakan P-impedance dan VP/VS sebagai input karena kombinasi keduanya merupakan indikator yang baik untuk memisahkan litologi maupun hidrokarbon. Dengan menggunakan supervisi dari data sumuran kedua volume tersebut kemudian di transformasi menjadi bentuk kelas most-probable: (1) shale, (2) wet sand, (3) compacted sand, dan (4) hydrocarbon sand.

---

ABSTRACTPresenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well.The Bayes? Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes? Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data.This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using training set from well log the volumes then transformed into four most probable classes: (1) shale, (2) wet sand, (3) compacted sand, and (4) hydrocarbon sand.;Presenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well.The Bayes? Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes? Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data.This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using training set from well log the volumes then transformed into four most probable classes: (1) shale, (2) wet sand, (3) compacted sand, and (4) hydrocarbon sand.;Presenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well.The Bayes? Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes? Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data.This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using training set from well log the volumes then transformed into four most probable classes: (1) shale, (2) wet sand, (3) compacted sand, and (4) hydrocarbon sand.;Presenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well.The Bayes? Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes? Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data.This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using training set from well log the volumes then transformed into four most probable classes: (1) shale, (2) wet sand, (3) compacted sand, and (4) hydrocarbon sand., Presenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well.The Bayes’ Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes’ Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data.This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using training set from well log the volumes then transformed into four most probable classes: (1) shale, (2) wet sand, (3) compacted sand, and (4) hydrocarbon sand.]"

"Dalam organisasi pendidikan tinggi, evaluasi dosen merupakan cara untuk mengetahui pengaruh pengajaran dosen terhadap mahasiswa. Evaluasi dosen meliputi kegiatan mengumpulkan informasi mengenai bagaimana dosen melakukan pekerjaan, menginterpretasi informasi, dan membuat penilaian mengenai tindakan apa yang harus dilakukan untuk meningkatkan kualitas pengajaran. Kualitas pengajaran OOn standar akademik perlu untuk selalu dievaluasi, ditingkatkan dan pengajaran yang baik merupakan hal yang rum it, sangat individual, berkaitan dengan materi. Namun, evaluasi terhadap pengajaran tetap dapat dilakukan dalam kaitannya dengan penilaian efektivitas pengajaran OOn menggunakannya untuk meningkatkan kualitas proses belajar-mengajar.Penilaian kinerja dosen dalam penelitian ini menggunakan Metode Bayes ymlg berdasarkan pada kriteria - kriteria yang digunakan dengan standar kesesuaian yang telah ditentukan OOn memanfaatkan nilai harapan (expected value) sebagai dasar penghitungan.Hasil penelitian implementasi Metode Bayes pada penilaian kinerja dosen, akan membantu unit penjaminan mutu dalam melakukan evaluasi kinerja dosen dengan tujuan untuk meningkatkan kinerja dosen tersebut OOn digunakan sebagai bahan pertimbangan untuk pengambilan keputusan"

"Klasifikasi dokumen adalah sebuah metode untuk menentukan suatu dokumen termasuk ke suatu kategori secara otomatis berdasarkan isi dokumen. Metode Naïve Bayes dan ontologi merupakan metode klasifikasi dokumen teks yang digunakan dalam penelitian ini. Data yang digunakan dalam penelitian ini berupa artikel berita berbahasa Indonesia dari situs http://www.kompas.com. Dalam penelitian ini menggunakan lima kategori dalam domain olahraga untuk melakukan klasifikasi dokumen, yaitu kategori bulutangkis, basket, otomotif, sepakbola, dan tenis. Klasifikasi dokumen dengan menggunakan ontologi dilakukan dengan membandingkan nilai kemiripan diantara dokumen dan sebuah node yang ada di ontologi. Sebuah dokumen diklasifikasikan ke sebuah kategori atau node, jika memiliki nilai kemiripan paling tinggi diantara semua node yang ada di ontologi. Hasil penelitian menunjukkan bahwa ontologi dapat digunakan untuk melakukan klasifikasi dokumen. Nilai recall, precision, dan f-measure untuk klasifikasi dokumen menggunakan ontologi berturut-turut adalah 97.03%, 91.63%, dan 94.02%.

---

Document classification is a method for determine document category automatically based on contents of document. In this research, we use Naïve Bayes and Ontology method for document classification. Mass media in Bahasa Indonesia is used as data in this research. Data is taken from http//www.kompas.com. We uses five category in sports domain for document classification that comprise with bulutangkis, basketball, automotive, soccer, and tennis category. Document classification uses ontology can be done with compare similarity value between document and a node in ontology. A document can classified to a category or node, if a document has highest similarity value between all node in ontology. In this research indicate that ontology can used for document classification. Recall, precision, and f-measure value for document classification using ontology in a row are 97.03%, 91.63%, and 94.02%."

"Klasifikasi topik adalah proses pembagian dokumen sesuai dengan topik yang terkandung dari dokumen tersebut. Dalam melakukan klasifikasi topik, pada tugas akhir ini digunakan metode Naïve Bayes dan Maximum Entropi dengan dua jenis data, yaitu artikel media massa dan abstrak tulisan ilmiah dari sistem Lontar. Percobaan ini dilakukan dan dianalisis dari beberapa aspek yaitu metode dan fitur yang digunakan, banyak topik yang digunakan, dan jenis data yang digunakan.Hasil percobaan yang didapat adalah nilai akurasi tertinggi didapat pada saat menggunakan metode Naïve Bayes dengan informasi fitur frequency-normalized yaitu 95,73%. Selain itu, jumlah token yang semakin banyak digunakan secara umum akan meningkatkan nilai akurasi dan pemakaian abstrak tulisan ilmiah memberikan nilai akurasi yang hampir mirip dengan pemakaian artikel media massa.

---

Topic Classification is a process of categorizing document based on the topic contained in a document. To carry out the topic classification, we use Naïve Bayes and Maximum Entropy towards mass media article and abstracts of scientific papers from Lontar System. Experiments have been done and analyzed regarding several aspects, namely the methods and features, the number of topics, and the data.In this thesis, we found that Naïve Bayes with frequency-normalized as feature information yield the highest accuracy, 95,73%. Furthermore, as the number of the tokens used increase, the accuracy also increases. Experiments using the abstracts of scientific papers yield similar accuracy to mass media article."

"Klasifikasi dokumen teks adalah masalah sederhana namun sangat penting karena manfaatnya cukup besar mengingat jumlah dokumen yang ada setiap hari semakin bertambah. Namun, kebanyakan teknik klasifikasi dokumen yang ada memerlukan labeled documents dalam jumlah besar untuk melakukan tahap training. Dalam melakukan klasifikasi dokumen, pada tugas akhir ini digunakan algoritma Expectation Maximization yang dikombinasikan dengan algoritma Naïve Bayes untuk memanfaatkan unlabeled documents dengan tiga buah kumpulan data yaitu dokumen hukum, artikel media massa, dan 20Newsgroups dataset. Selain melihat pengaruh penggunaan unlabeled documents, percobaan pada tugas akhir ini juga menganalisis hasil klasifikasi dari beberapa aspek seperti pengaruh stopwords, penggunaan jumlah kategori, dan penggunaan empat buah jenis fitur yaitu presence, frequency, frequency normalized, dan pembobotan tf-idf. Secara umum, penggunaan unlabeled documents memberikan manfaat yang cukup berarti bagi peningkatan akurasi hasil klasifikasi. Dengan konfigurasi tertentu, rata-rata peningkatan akurasi yang diperoleh dapat mencapai angka 9,5%. Namun, penggunaan unlabeled documents ini harus didukung oleh penggunaan labeled documents dalam jumlah yang tepat. Dari percobaan yang telah dilakukan diperlukan sekitar 30 hingga 60 labeled documents tiap kategorinya untuk membangun initial classifier untuk dapat memanfaatkan unlabeled documents secara maksimal.

---

Text documents classification is a simple problem but it is very important because the benefit is quite large considering the number of documents become more and more to handle each day. However, most of the document classification technique requires large numbers of labeled documents. In performing document classification on this final project, Expectation Maximization algorithm combined with Naïve Bayes algorithm is used to take advantage of unlabeled documents with the three set of data that is legal documents, news articles collection, and 20Newsgroups dataset. In addition to see the influence of unlabeled documents, we also analyze the classification results from several aspects such as the effect of stopwords, the number of categories, and the use of four types of features namely presence, frequency, frequency normalized, and TF-IDF. In general, the uses of unlabeled documents provide a significant benefit for increasing the classification accuracy. With a certain configuration, the average escalation in accuracy can be reached 9,5%. However, the use of unlabeled documents must be supported by the use of labeled documents in the appropriate amount. From the results obtained show that to get maximum benefit from unlabeled documents required 30 to 60 labeled documents per category."

"ABSTRACTTalasemia adalah penyakit yang disebabkan oleh adanya kelainan dalam hemoglobin. Penyakit talasemia merupakan penyakit herediter atau penyakit keturunan dimana pembawa gen talasemia adalah orang tua dari penderita. Di Indonesia, pada tahun 2015 diketahui jumlah kasus talasemia mencapai 7.029 kasus. Sampai saat ini talasemia belum dapat disembuhkan namun dapat dikenali sifat pembawanya dengan skrining. Dalam tugas akhir ini, akan dibandingkan performa dari dua metode yang digunakan untuk mengklasifikasikan data talasemia, yaitu K-Nearest Neighbor dan Naive Bayes. Data yang digunakan adalah 82 data pasien talasemia dan 68 data pasien non-talasemia dari Rumah Sakit Anak dan Bunda Harapan Kita, Jakarta Barat. Hasil akhir menunjukkan bahwa metode Naive Bayes memberikan nilai akurasi yang lebih besar dari K-Nearest Neighbor dalam mengklasifikasikan talasemia. Rata-rata akurasi Naive Bayes sebesar 99.775% dengan rata-rata waktu running 0.0554 detik dan rata-rata akurasi K-Nearest Neighbor adalah 97.142% dengan rata-rata waktu running 0.081 detik. Untuk nilai spesifikasi, keduanya memberikan performa yang sama, yaitu dari K-Nearest Neighbor diperoleh ketika K=3 yaitu sebesar 100% dan dari Naive Bayes sebesar 100%. Hasil rata-rata sensitivitas tertingi diberikan oleh Naive Bayes yaitu sebesar 99.59%, sedangkan K-Nearest Neighbor sebesar 96.25% untuk K=1.

---

ABSTRACTThalassemia is a disease caused by abnormalities in the hemoglobin. Thalassemia is a hereditary disease which the thalassemia gene carriers are parents of sufferers. In Indonesia, in 2015 it was found that the number of thalassemia cases reached 7,029 cases. Until now thalassemia has not been cured, but it can be recognized the nature of its carrier by screening. In this final project, the performance of the two methods will be compared to classify thalassemia data, namely K-Nearest Neighbor and Naive Bayes. The data used were 82 data on thalassemia patients and 68 data on non-thalassemia patients from Harapan Kita Children and Womans Hospital, West Jakarta. The final results show that the Naive Bayes method provides greater accuracy value than K-Nearest Neighbor in classifying thalassemia. The average accuracy of Naive Bayes is 99.775% with an average running time of 0.0554 seconds and the average accuracy of K-Nearest Neighbor is 97.142% with an average running time of 0.081 seconds. For specification values, both give the same performance. The result of specification values using K-Nearest Neighbor yield when K = 3 that is 100% and from Naive Bayes that is 100%. The highest average sensitivity results are given by Naive Bayes is 99.59%, while K-Nearest Neighbor is 96.25% for K = 1."