Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem pengenalan wajah telah banyak diaplikasikan dengan menggunakan berbagai metode, diantaranya: metode PCA, metode ICA, metode LDA, metode EP, metode EBGM, metode Kernel, metode 3-D Morphable, metode 3-D Face Recognition, metode Bayesian Framework, metode HMM, metode SVM, dan sebagainya. Pada penelitian ini digunakan metode Local Binary Pattern LBP untuk melakukan ekstraksi fitur citra wajah, serta metode SVM dan KNN untuk mengukur tingkat akurasi sistem pengenalan wajah. Data yang digunakan pada penelitian ini yaitu citra wajah 25 mahasiswa Matematika Universitas Indonesia, masing-masing individu diambil 10 citra wajah yang berbeda terdiri dari 5 citra wajah menggunakan kacamata dan 5 citra lainnya tidak menggunakan kacamata, serta diambil dari sudut yang berlainan. Berdasarkan pengujian yang telah dilakukan, metode KNN dengan memperoleh tingkat akurasi terbaik yaitu sebesar 96.20 pada iterasi 100 dan 90 data training. Hal ini menunjukkan metode KNN lebih baik dibandingkan dengan metode SVM yang hanya memperoleh tingkat akurasi sebesar 94.80 pada iterasi 100 dan 90 data training.

---

Face recognition has been widely applied using various methods, that is PCA, ICA, LDA, EP, EBGM, Kernel, 3 D Morphable, 3 D Face Recognition, Bayesian Framework, HMM, SVM, etc.

In this research, the Local Binary Pattern LBP method is used to perform feature extraction of a facial image, and to measure the accuracy level of face recognition used SVM and knn method. The data used in this research are face images of 25 mathematics students of University of Indonesia, each individual took 10 different facial images consisting of 5 face images are using glasses with 5 different angles and 5 other images aren 39 t using glasses that also taken from the same 5 different angles.

Based on the tests, KNN method with K 1 obtained the best accuracy of 96.20 at 100 iterations and 90 training data. This result shows the KNN method is better than the SVM method which only obtained 94.80 at 100 iterations and 90 of training data."

"Semakin tinggi penetrasi penggunaan Internet seseorang, maka akan semakin berpotensi terkena Gangguan Adiksi Internet (GAI) yang dapat berdampak buruk pada status kesehatan mental penggunanya. Mayoritas penduduk Indonesia telah menggunakan layanan Internet selama 2 sampai 3 tahun dengan penggunaan rata-rata di atas 8 jamperhari. Hal tersebut menunjukkan penggunaan Internet dan potensi dampaknya pada kesehatan mental di Indonesia penting untuk diperhatikan sedini mungkin. Penelitian lain menunjukkan bahwa tingkat kesehatan mental yang dialami seseorang dapat mempengaruhi perilaku penggunaan Internetnya, sehingga menyebabkan munculnya keinginan yang tidak terkendali dan berlebihan dalam pengaksesan Internet. Secara tidak langsung, hal tersebut menyatakan bahwa kesehatan mental seseorang juga dapat diamati melalui tingkah laku serta kebiasaan seseorang dalam menggunakan Internet. Prediksi GAI dan gangguan kesehatan mental mahasiswa UI dilakukan dengan menggunakan algoritma pemelajaran mesin Support Vector Machine (SVM) berdasarkan perilaku penggunaan Internet yang dilakukan. Sampel diambil dari mahasiswa UI rumpun Ilmu Saintek (Ilmu Komputer, Teknik, dan MIPA). Data yang diambil adalah riwayat penulusuran halaman website yang diakses oleh mahasiswa dan hasil kuesioner Internet addiction test (IAT) dan General Health Questionnaire (GHQ-12). Riwayat penelusuran website dijadikan himpunan fitur yang merepresentasikan perilaku penggunaan Internet responden, sedangkan hasil skor kuesioner IAT dan GHQ-12 digunakan untuk menjadi ground truth atau label pada dataset. Tahapan preprocessing yang dilakukan adalah metode Synthetic Minority Over-Sampling Technique (SMOTE) untuk mengatasi ketidak seimbangan persebaran data pada kelas data yang digunakan. Metode SVM selanjutnya dibandingkan dengan performa lainnya seperti Decision Tree dan k-Nearest Neighbor (kNN). Untuk meningkatkan performa akurasinya, peneliti menggunakan metode grid search untuk mendapatkan parameter terbaik. Proses validasi dilakukan menggunakan cross-validation pada metode grid search. Hasil yang didapatkan menunjukkan bahwa performa akurasi tertinggi pada SVM untuk memprediksi GAI adalah 88% pada dataset kedua. Saat dilakukan perbandingan hasil dengan metode pemelajaran mesin Decision Tree dan kNN, didapatkan performa nilai akurasi tertinggi dicapai pada metode Decision Tree dengan nilai akurasi sebesar 96%. Sedangkan untuk prediksi gangguan kesehatan mental, metode SVM mendapatkan nilai performa akurasi tertinggi sebesar 71% pada dataset gabungan. Saat dilakukan perbandingan hasil performa akurasi dengan DecisionTree dan kNN, didapatkan nilai performa akurasi tertinggi dicapai pada metode kNN sebesar 72%. Hasil penelitian ini menunjukkan bahwa metode grid search meningkatkan performa SVM, Decision Tree, dan kNN karena adanya perubahan nilai parameter.

---

Excessive internet usage lead to potential Internet Addiction Disorders (IAD) which affect user`s mental health. The mayority of Indonesian people have been used Internet services for 2 until 3 years in their lives with an average use of above 8 hours per day. It shows that an increase of internet usage has a positive potential impact to an increase in mental disorder. Other research shows that the level of mental health experienced by a person can influence his Internet usage behavior, thus causing an uncontrolled and excessive desire to access the Internet. It could be concluded that the mental health can also be observed through one`s behavior and habits in using the Internet. This study predicts the internet addiction disorder (IAD) and mental health disorder status of UI students by using machine learning based on Support vector Machine (SVM) algorithm. This study used behaviour of internet usage for the input. Samples used in this study were taken from Universitas Indonesia`s students with Science and Technology background. The data collection period was set before and after the exam period. Data collected in this study included history of website accessed by students and questionnaires based on Internet addiction test (IAT) and General Health Questionnaire (GHQ-12). Student`s website history would be used as feature data set that represent user internet usage behavior, while the IAT and GHQ-12 questionnaires results were used as the label. The preprocessing stage was carried out using Synthetic Minority Over-Sampling Technique (SMOTE) method to overcome the imbalance of data distribution in class used. Then, student`s website history would be analyzed using machine learning based on SVM algorithm to predict IAT and mental health status. This study also compared other algorithms such as Decision Tree and k-Nearest Neighbor (kNN). The optimization of machine learning model was conducted using grid search method to obtain the best

parameters. The validation of the model would be carried out using the cross-validation obtained from grid search method. Based on the results obtained, it shows that the highest accuracy for predicting internet addiction was obtained from SVM algorithm with 88% accuracy for the second dataset. Comparison with other models showed that Decision Tree obtained the highest accuracy value of 96% for predicting internet addiction. For the prediction of mental health disorder, SVM algorithm obtained the highest accuracy than Decision Tree or kNN. The SVM algorithm can predict with accuracy of 71% with combined dataset. When comparing the accuracy result with the accuracy of Decision Tree and kNN, the highest accuracy value of 72% was achieved by kNN method. The optimal value of accuracy is obtained when the grid search method is performed. The results of this study indicate that the grid search method has succeeded in improving the performance of SVM, Decision Tree, and kNN due to parameter value changes."

"Manusia memiliki kebutuhan untuk melangsungkan hidupnya. Seiring waktu harga-harga kebutuhan akan naik dikarenakan inflasi. Untuk mengantisipasi inflasi, manusia melakukan investasi. Investasi dapat bermacam-macam seperti membeli aset-aset riil (tanah, emas, dsb), ataupun membeli surat-surat berharga (efek) di pasar modal. Saham merupakan jenis efek yang paling sering diperjualbelikan. Dalam melakukan investasi saham, seorang investor memiliki permasalahan untuk memilih saham-saham yang dapat menghasilkan nilai imbal balik yang diharapkan. Permasalahan ini akan coba dijawab oleh Support Vector Machine (SVM) dengan mengklasifikasikan saham-saham apa saja yang menghasilkan imbal hasil ≥1%, dan imbal hasil <1%. Atribut yang digunakan terdapat 22, terdiri dari indikator teknikal dan nilai yang diolah dari data historis saham. Data historis saham yang digunakan adalah data perdagangan harian 30 saham dari indeks IDX30 pada jangka waktu 1 September 2020 hingga 31 Agustus 2021. Data historis saham dari 1 September 2020 hingga 5 Juni 2021 digunakan sebagai data training, dan data historis saham dari 6 Juni 2021 hingga 31 Agustus 2021 digunakan sebagai data testing. Model SVM yang dihasilkan memiliki akurasi sebesar 99,44%. Setelah didapatkan saham-saham yang berpotensi menghasilkan keuntungan yang diharapkan melalui SVM, selanjutnya akan dibuat sebuah portofolio investasi dari kumpulan saham tersebut dengan metode Mean Variance (MV). Bobot tiap saham yang dipilih adalah bobot saham yang meminimalkan variansi dari portofolio. Sebagai pembanding digunakan model pembentukan portofolio Equal Weight Portofolio (EWP) dan kinerja dari indeks IDX30. Imbal hasil dari portofolio yang dibentuk oleh SVM+MV dan SVM+EWP jauh lebih baik dari indeks IDX30. Variansi portofolio dari SVM+MV lebih kecil daripada portofolio dari SVM+EWP.

---

Human must has basic need to survive. The price of basic need will increase over time because the effect of inflation. To anticipate the inflation, human tend to invest. There are two kind of investment, real asset such as land and gold, and securities such as stock and obligation. Stock is the most actively traded. When an investor decide to invest on stock, investor have to choose which stocks that will generate enough return for himself. This problem would be solved by using Support Vector Machines. SVM is one of the machine learning technique for classification, in this case we will classify the the stock based on the return ≥1% or <1%. There are 22 attribute that used for SVM. Data come from historical stock data of 30 stocks from IDX30 index. The range is from 1 September 2020 untill 31 August 2021. Data from 1 September 2020 through 5 June 2021 would be training data and data from 6 June 2021 untill 31 August 2021 would be testing data. The result from SVM model has accuracy of 99,44%. The next thing to fo after we have which stock that will be choose is to build a portofolio from it. The portofolio theory of Mean Variance will be used to build portofolio from the result of prediction stock SVM. Mean Variance method will determine how much the portion of respective stock to be invested that would be maximize returns and also minimize investment risk. For measure how well the model perform, we used Equal Weight Portofolio (EWP) method and return of IDX30 index. The result is SVM+MV model and SVM+EWP model generate more return than the underlying index. The variance of portofolio that generated from SVM+MV are smaller than portofolio generated from SVM+EWP."

"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."

"Penggunaan metode machine learning dalam memprediksi volatilitas data keuangan sering digunakan dan berhasil dalam beberapa penelitian akhir-akhir ini. Salah satu metode yang paling efektif pada machine learning adalah Support Vector Machine, dimana metode ini sudah terbukti oleh para peneliti-peneliti sebelumnya dapat menunjukkan performa yang sangat baik dalam melakukan prediksi volatilitas dibandingkan metode GARCH. Pada penelitian ini, metode machine learning akan digabungkan dengan metode tradisional (yaitu SVR-GARCH) dan akan dibandingkan dengan metode tanpa digabungkan (GARCH dan SVR), yang kemudian akan dibuktikan kemampuannya pada negara-negara berkembang. Hasil penelitian menunjukkan bahwa pada negara-negara berkembang, SVR-GARCH memiliki kemampuan prediksi volatilitas yang lebih baik dibandingkan dengan GARCH.

---

The use of machine learning methods in predicting the volatility of financial data is often used and has been successful in several studies recently. One of the most effective methods of machine learning is the Support Vector Machine, where this method has been proven by previous researchers to show excellent performance in predicting volatility compared to the GARCH method. In this study, machine learning methods will be combined with traditional methods (namely SVR-GARCH) and will be compared with uncomplicated methods (GARCH and SVR), which will then prove its capabilities in developing countries. The results showed that in developing countries, SVR-GARCH has better volatility prediction than GARCH."

"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."

"Diabetes Melitus (DM) merupakan gangguan sistem metabolik akibat pankreas tidak memproduksi cukup insulin atau tubuh tidak mampu menggunakan insulin yang ada secara efektif. Menderita diabetes dalam jangka waktu panjang dapat mengakibatkan berbagai macam komplikasi salah satu di antaranya adalah Retinopati diabetik. Retinopati diabetik  adalah kelainan pada bagian mata yang disebabkan oleh adanya kerusakan dan penyumbatan pada pembuluh darah di bagian belakang mata (retina). Pada penelitian kali ini akan di gunakan data retinopati diabetik dengan menggunakan metode seleksi fitur Recursive Feature Elimination (RFE) dan Chi-Square dan akan di klasifikasi menggunakan Support Vector Machine.

---

Diabetic retinopathy is one of the complication of diabetes, which is an eye disease that can cause blindness. Its happen because of damage of retina as a result of the long illness of diabetic melitus. People usually do research using image data in diabetic patients. This paper present about diabetic retinopathy will extracting with feature selection. In this study, we use data diabetic patients who will be extracted with a feature selection method. Feature selection used in this study is Recursive Feature Elimination (RFE) and Chi-Square. For classification of diabetic retinopathy has been done by Support Vector Machine (SVM). From the experimental result with various tunning hyperparameters, the classification model can obtain the accuracy between 97%-100% for both methods."

"Salah satu perkembangan dari teknologi terbaru adalah pengenalan wajah. Pengenalan wajah pada dasarnya dilakukan berdasarkan asumsi bahwa setiap individu memiliki identitas unik. Tetapi pada kenyataannya, akan ada individu yang memiliki wajah mirip dengan individu lainnya. Penelitian ini dilakukan untuk mendeteksi individu-individu yang mirip tersebut. Metode machine learning yang digunakan adalah Support Vector Machine dan Fuzzy Kernel C-Means dengan dua jenis kernel. Metode pemilihan fitur Chi-Square juga akan digunakan untuk mereduksi dimensi data sehingga waktu yang dibutuhkan lebih cepat. Data yang digunakan adalah data foto wajah yang diambil dari Look-Alike Face Database. Hasil yang diperoleh memperlihatkan bahwa kedua metode machine learning tersebut mampu untuk melakukan pengenalan wajah pada identifikasi kemiripan, dengan akurasi tertinggi yang diperoleh SVM sebesar 94 dan FKCM sebesar 74.

---

One of the latest technology developments is face recognition. Face recognition is basically done on the assumption that each individual has a unique identity. But in reality, there will be individuals who have faces similar to other individuals. This research was conducted to identify look alike faces. The machine learning methods used are Support Vector Machine and Fuzzy Kernel C Means with two types of kernel. The Chi Square feature selection method was also used to reduce the dimension of the data in order to achive lower running time. The data used are face photos taken from Look Alike Face Database. The results show that both machine learning methods were able to perform face recognition on identification of look alike faces, with the highest accuracy obtained by SVM is 94 and FKCM is 74 ."

"Prediksi trend harga saham dapat berguna bagi trader untuk menentukan nilai saham dimasa yang akan datang. Untuk memprediksi trend dengan analisis teknikal adalah melakukan prediksi harga penutupan saham. Seiring dengan waktu, meningkatnya harga saham setara dengan diperolehnya return saham yang profit. Pada skripsi ini, dilakukan analisis dan prediksi harga penutupan saham selama sebulan menggunakan metode Support Vector Machines ndash; K Nearest Neighbor SVM-KNN . Pertama, terlebih dahulu dilakukan pemilihan indikator teknikal yang berpengaruh terhadap saham perusahaan yang dianalisis menggunakan Support Vector Regression SVR . Kedua, klasifikasi return saham yang terdiri dari profit dan loss dengan SVM. Hasil prediksi label kelas dapat membantu mencari tetangga terdekat dalam memprediksi harga penutupan saham dengan KNN. Percobaan dilakukan menggunakan 3, 4, dan 5 indikator teknikal yang terpilih dan tanpa pemilihan fitur dengan 13 indikator teknikal.

---

Stock price trend prediction is important for trader to determine whether the stock price is rising up or not. To predict the trend using technical stock analysis is by predicting the close prices. Along the time, when the price is rising up then it can indicate profit return. This undergraduate thesis will study how to analysis and prediction of stock closing prices one month ahead with Support Vector Machines ndash K Nearest Neighbor SVM KNN method. First, feature selection method is applied to select the important technical indicators using Support Vector Regression SVR . Second, classify the stock rsquo s return which consist of profit and loss using SVM. The output of class label is used to help find the nearest neighbor. Next, stock prices are forecasted using KNN. This study will be experimented with 3, 4, and 5 selected indicators and compared with 13 technical indicators."

"Dengan berkembangnya teknologi, sensor telah menjadi sebuah alat untuk membantu manusia dalam hal apapun, mulai dari kesehatan hingga teknologi. Perkembangan teknologi yang ada saat ini membuat sebuah ponsel cerdas memiliki berbagai macam sensor. Hal ini tentu saja lebih praktis dan nyaman dibandingkan alat sensor yang biasanya tidak nyaman untuk digunakan. Sensor-sensor tersebut nantinya dapat dimanfaatkan dengan mengolah datanya untuk menjadi sebuah Human Activity Recognition. Penelitian ini akan mengevaluasi sebuah aplikasi untuk menyimpan data sensor dengan menggunakan Android Studio dengan menggunakan Support Vector Machine untuk menentukan keakuratan data. Melalui aplikasi pendeteksi sensor, data akan dikumpulkan dari relawan yang melakukan empat macam gerakan. Gerakan itu terdiri dari berjalan, duduk, berdiri, dan berbaring. Data inilah yang kemudian diolah menggunakan metode SVM yang keluarannya menunjukkan tingkat akurasi pengklasifikasian tiap data sensor.

---

With the development of technology today, sensors have long been a tool to help humans in everything from health to technology. Fortunately, the current technological developments make a smartphone have a variety of sensors. This is, of course, more practical and comfortable than sensor devices which are usually not comfortable to use. These sensors can later be utilized by processing the data to become an Activity Recognition.

This study will evaluate an application to store sensor data using Android Studio by using Support Vector Machine to determine the accuracy of the data. Through the sensor detection application, data will be collected from volunteers who carry out four types of movements. The movement consists of walking, sitting, standing, and lying down. This data is then processed using the SVM method."