Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sebagian besar informasi yang beredar di internet merupakan konten video. Informasi video ini perlu dianalisis karena tidak semuanya yang beredar adalah video dengan konten yang baik. Banyak video dengan konten yang buruk beredar luas di internet dan dapat diakses oleh siapapun yang mengakses internet. Pada penelitian ini, dibuat sistem klasifikasi video pada Youtube dengan metode Symbolic Distance dan Focal Point menggunakan model pemrograman MapReduce pada Hadoop. Sistem klasifikasi ini mengidentifikasi tag yang tersemat pada setiap video di Youtube kemudian dibandingkan dengan matriks co-occurrence untuk mencari nilai symbolic distance pada sebuah video. Penggunaan metode Focal Point pada sistem klasifikasi bertujuan untuk meningkatkan akurasi dan focus untuk klasifikasi video. Dalam penelitian ini diukur juga kecepatan pemrosesan sistem klasifikasi dengan menggunakan Hadoop serta dicari faktor-faktor yang dapat mempengaruhi kecepatan pemrosesan. Untuk itu dilakukan 3 skenario pengujian berdasarkan ukuran InputSplit yang digunakan, jumlah node, serta konfigurasi pada YARN masing-masing dengan 3 ukuran file (500 MB, 1 GB, 1,5 GB) dengan masing-masing jumlah tag sebesar 58718, 119697, dan 160395 tag. Pada file berukuran 500 MB, 1 GB, 1,5 GB, penambahan jumlah node dapat mempercepat kecepatan rata-rata pemrosesan sebesar 0,2 detik, 5 detik, dan 16,3 detik. Kemudian dengan melakukan konfigurasi pada YARN, kecepatan pemrosesan dapat dipercepat hingga 47 detik, 277,1 detik, dan 354,3 detik pada file berukuran 500 MB, 1 GB, 1,5 GB. Dari pengujian juga diketahui semakin kecil InputSplit maka semakin tinggi kecepatan pemrosesan MapReduce. Namun jika mapper tidak dapat menangani jumlah split yang ada, maka kecepatan pemrosesan data akan menjadi lebih lambat dari sebelumnya. ......Most information that widely spread on the internet is video. This video information needs to be analyze because not all of the information have a good content. There are many video with bad content widely spread on the internet and anyone can access that video easily. In this research, Youtube Video Classification System with Symbolic Distance and Focal Point Method is made using a MapReduce from Hadoop framework. This system identifying the tag that assign in every Youtube video and then compare the tag with co-occurrence matrix to find the symbolic distance value for a single video. Focal Point in this system is useful to improve accuracy and focus of video classification. This research will measure the processing speed of this classification system and then search the factor that can affect processing speed. For that, three skenarios are implemented based on InputSplit size, amount of node, and YARN configuration with three file size (500 MB, 1 GB, 1,5 GB) with the number of each tag are 58718, 119697, and 160395 tag. For file with 500 MB, 1 GB, and 1,5 GB size, increasing the amount of node from two to three can speed up the process for 0,2 second, 5 second, and 16,3 second. Optimize the YARN configuration can speed up the process for 47 second, 277, 1 second, and 354,3 second for file with size of 500 MB, 1 GB, and 1,5 GB. This Reasearch also discover that if the size of InputSplit is small, then the speed of data processing is faster. But if the mapper can?t handle the amount of the split, it can make the processing speed slower than before."

"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"