Hasil Pencarian  ::  Simpan CSV :: Kembali

"Biaya transportasi adalah salah satu komponen untuk mendapatkan keuntungan maksimal, tetapi sekarang tingkat emisi yang dihasilkan dari kegiatan transportasi juga menjadi perhatian di dunia industri. Model optimal komponen biaya dan emisi diperlukan untuk mendapatkan skenario terbaik yang memiliki biaya dan emisi rendah untuk mendukung komitmen industri ramah lingkungan. Untuk mencapai model yang dapat menyerupai kondisi asli di tempat tertentu kita akan menggunakan metode classifier Naïve Bayes. Model ini akan mengklasifikasikan tingkat keramahan lingkungan dan efisiensi biaya berdasarkan pengukuran berat dan volume menggunakan database yang diperoleh dari area tertentu, pada riset ini periset menggunakan beberapa skenario transportasi dari zona industri yang memiliki aktivitas melalui pelabuhan Tanjung Priok. Sebagai hasil dari pengklasifikasi alat yang dapat mengklasifikasikan tingkat hijau, tingkat biaya dan karakteristik barang yang sesuai (apakah itu cenderung memenuhi berat atau volume) berdasarkan metode pengklasifikasi Naïve Bayes.

---

Transportation costs are one of the components to get the maximum profit, but now the level of emissions resulting from transportation activities also becomes a concern in the industry. Optimum models of cost and emissions components required to get the best scenario that has low costs and emissions to support green industrial commitment. To achieve a model that can resemble the original conditions on the specific place we will use the Naïve Bayes classifier method. This model will classify the environmental friendliness and cost efficiency incurred with weight and volume measurement based on existing databases acquired from specific areas, at this study researcher using multiple transportation scenarios from industrial zones that had activity through the Tanjung Priok port. As a result of a classifier of tools that can classify green levels, cost levels and suitable characteristics of goods (whether it tends to meet weight or volume) based on Naïve Bayes classifier methods."

"ABSTRACTDewasa ini, sudah banyak rumah sakit modern yang dilengkapi dengan peralatan monitoring yang lengkap, yang menyebabkan makin banyaknya data medis yang tersimpan. Data medis ini memiliki karakteristik khusus, dan biasanya metode statistika biasa tidak dapat diterapkan begitu saja. Dari sinilah kemudian muncul gagasan mengenai Medical Data Mining (MDM) yang sudah terbukti cocok untuk diterapkan dalam analisis data medis. Naive Bayes Classifier (NBC) merupakan salah satu implementasi dari MDM. Kendati terbukti memiliki hasil yang akurat dan memuaskan dalam proses diagnosis medis, metode-metode dalam MDM belum sepenuhnya diterima dalam praktek medis untuk diterapkan. Alasan utama mengapa metode ini belum dapat diterima adalah karena terdapatnya resistansi dari tenaga medis terhadap metode diagnosis yang baru. Tujuan dari penelitian ini adalah untuk menerapkan dan mengevaluasi performa NBC  pada data rekam medis pasien kanker payudara di salah satu rumah sakit di Jakarta dalam masalah klasifikasi subtipe molekular kanker payudara, serta membandingkan hasil klasifikasi NBC dengan metode MDM lain, yaitu Decision Tree (DT). Hasil analisis menunjukkan bahwa NBC mengungguli DT dengan tingkat akurasi sebesar 92,8%. Selain itu, dapat juga ditunjukkan secara empiris bahwa NBC mampu menangani missing value dengan cukup baik dan tidak membutuhkan data dalam jumlah banyak untuk tetap dapat mengklasifikasikan sebagian besar pasien dengan benar.

---

ABSTRACTNowadays, modern hospitals are well equipped with data monitoring devices, which resulted in an abundant amount of medical data. These medical data possess specific characteristics and usually, statistical methods could not be applied directly. This is what started the notion of Medical Data Mining (MDM), which has proven to be effective in analysing medical data. Naive Bayes Classifier (NBC) is an implementation of MDM. Even though MDM methods produce a sufficiently accurate and satisfying results in diagnosis problems, these methods are still not well accepted in the medical practice. One of the main reasons is because there is a resistance of physicians to a new diagnosis method. The main goal of this study is to apply and evaluate the performance of NBC in classifying breast cancer patients in a private hospital in Indonesia into five classes of molecular subtypes and compare its performance with another popular MDM method, Decision Tree (DT). Results showed that NBC outperformed DT by reaching an accuracy rate of 92.8%. This study could also show empirically that NBC does not need a big dataset to be able to achieve a high accuracy rate and that NBC could handle the problem of missing values just fine."

"ABSTRAKKlasifikasi sentimen merupakan salah satu cabang dari text mining. Klasifikasi sentimen dapat menjadi sesuatu yang penting dalam proses evaluasi terhadap sebuah topik permasalahan. Tujuan utama dari klasifikasi sentimen adalah untuk mencari tahu polaritas dari sentimen positif, negatif dan netral. Klasifikasi sentimen salah satunya dapat diperoleh melalui tweet yang ada pada Twitter. Dalam tulisan ini, tweet yang berhubungan dengan kata kunci yang dicari dihimpun dengan menggunakan tools yaitu API Twitter. Data yang didapat dari proses penghimpunan akan diolah dengan menggunakan Natural Language Toolkit yang berjalan diatas bahasa pemrograman Python. Data selanjutnya akan dilakukan klasifikasi sentimen dengan menggunakan Naive Bayes untuk melihat sentimen yang dihasilkan. Dari proses klasifikasi yang telah dilakukan akan diukur tingkat akurasi. Dari hasil uji coba sebanyak 3 kali, didapatkan tingkat akurasi pada percobaan pertama 64.95%, kedua 66.36% dan ketiga 66.79% Hasil lain yang didapatkan dari proses klasifikasi yaitu sentimen positif 28% sentimen negatif 20% dan sentimen netral 52%. Berdasarkan hasil persentase kelas sentimen, sentimen neutral merupakan sentimen yang paling banyak apabila dikaitkan dengan topik Presiden Joko Widodo dan pemerintahannya."

"ABSTRACTKanker telah dikenal sebagai penyakit yang terdiri dari beberapa jenis berbeda. Kanker adalah penyakit yang mengancam jiwa di dunia saat ini. Ada begitu banyak jenis kanker di dunia, salah satunya adalah kanker usus besar, di mana kanker ini adalah salah satu pembunuh nomor satu di dunia. Banyak pembelajaran mesin telah diterapkan dalam klasifikasi kanker. Penulis membandingkan model Naïve Bayes Classifier dan Support Vector Machine (SVM) dalam klasifikasi kanker usus besar. Naïve Bayes Classifier adalah teknik prediksi berbasis probabilitas sederhana berdasarkan pada penerapan teorema Bayes (atau aturan Bayes) dengan asumsi kemandirian yang kuat. Sedangkan konsep dasar metode SVM adalah membentuk bidang atau hyperplane optimal yang memisahkan data menjadi bidang-bidang yang memisahkan data ke dalam setiap kelas. Kedua metode menghasilkan akurasi tinggi hingga 95,24% untuk Naïve Bayes Classifier dan 94,05% untuk SVM dengan kernel linier.

---

ABSTRACTCancer has been known as a disease that consists of several different types. Cancer is a life-threatening disease in the world today. There are so many types of cancer in the world, one of which is colon cancer, where this cancer is one of the number one killers in the world. Much machine learning has been applied in the classification of cancer. The author compares the Naïve Bayes Classifier and Support Vector Machine (SVM) models in the classification of colon cancer. Naïve Bayes Classifier is a simple probability-based prediction technique based on the application of the Bayes theorem (or Bayes rule) with a strong assumption of independence. While the basic concept of the SVM method is to form an optimal plane or hyperplane that separates data into fields that separate data into each class. Both methods produce high accuracy up to 95.24% for Naïve Bayes Classifier and 94.05% for SVM with linear kernels."

"Peranan ibu kota sangatlah vital, saat ini pemerintah kembali memutuskan pemindahan ibu kota karena Jakarta dianggap sudah tidak layak lagi menjadi ibu kota negara Republik Indonesia. Pemindahan ibu kota Indonesia nyatanya mengundang banyaknya opini pro dan kontra di kalangan masyarakat dan respon ini menarik untuk diteliti yaitu bagaimana pandangan masyarakat terhadap kebijakan pemerintah ini yang juga menggambarkan tingkat kepercayaan kepada pemerintah. Oleh karena itu, diperlukan sentiment analysis dengan classifier berbasis machine learning yang akurat dan menentukan algoritma yang terbaik. Data berupa tweets dikumpulkan dengan web scraping dan dilakukan pra-pemrosesan yang menghasilkan label data berupa polaritas dan kategori/aspek yang teridentifikasi. Model Machine Learning dengan algoritma Naive Bayes dan Support Vector Machine kemudian digunakan dalam klasifikasi polaritas kelas biner dengan fitur n-gram (urutan kata) dan optimasi heuristik yaitu Hyperparameter Tuning. Dari kombinasi fitur dan perlakuan optimasi, nilai MCC sebagai metrik evaluasi dibandingkan dan ditemukan bahwa Naive Bayes mengungguli Support Vector Machine dalam mengklasifikasi opini publik di media sosial Twitter khususnya mengenai pemindahan ibu kota.

---

The role of the capital city is very vital, at this time the government has again decided to move the capital city because Jakarta is considered no longer suitable as the capital city of the Republic of Indonesia. The relocation of Indonesia's capital city in fact invites many pro and contra opinions among the public and this response is interesting to study, namely how the public views this government policy which also describes the level of trust in the government. Therefore, sentiment analysis is needed with a machine learning-based classifier that is accurate and determines the best algorithm. Data in the form of tweets is collected by web scraping and pre-processed which produces data labels in the form of polarity and identified categories/aspects. Machine Learning model with Naive Bayes algorithm and Support Vector Machine is then used in the classification of binary class polarity with n-gram features (word order) and heuristic optimization, namely Hyperparameter Tuning. From the combination of features and optimization treatment, the MCC value as an evaluation metric was compared and it was found that Naive Bayes outperformed the Support Vector Machine in classifying public opinion on Twitter social media, especially regarding the relocation of the capital city."

"Pembiayaan yang disalurkan oleh Bank Pembiayaan Rakyat Syariah (BPRS) di Indonesia mengalami kenaikan sejak tahun 2015. Namun demikian, Non Performing Financing (NPF) BPRS di Indonesia terus meningkat. Hal ini menyebabkan menurunnya tingkat profitabilitas BPRS di Indonesia. Oleh karena itu, menentukan nasabah yang berpotensi mengalami pembiayaan bermasalah menjadi penting. Teknik klasifikasi dapat menjadi salah satu solusi agar BPRS dapat memprediksi dengan lebih akurat dan efisien. Dengan demikian, BPRS dapat menghindari kasus pembiayaan bermasalah Penelitian ini dilakukan di BPRS Serambi Mekkah yang terletak di Langsa, Aceh Timur. Variabel yang digunakan dalam penelitian ini adalah Nilai Jual, Nilai Jaminan, Periode Pembiayaan, Tingkat Keuntungan Disepakati, Pekerjaan Nasabah, Usia Nasabah, dan Riwayat Kelancaran Pembiayaan. Penelitian ini menggunakan metode Naïve Bayes dan Discriminant Analysis untuk mengklasifikasikan status akhir pembiayaan nasabah yang mengajukan pembiayaan. Hasil penelitian menunjukkan bahwa model Discriminant Analysis memiliki performa klasifikasi yang lebih baik dibandingkan dengan Naïve Bayes. Selain itu, penelitian ini juga melihat variabel yang paling berpengaruh terhadap pengklasifikasian status akhir nasabah variabel yang berpengaruh signifikan terhadap model klasifikasi adalah Periode Pembiayaan, Tingkat Keuntungan Disepakati, Umur Nasabah, dan Riwayat Kelancaran Pembiayaan.

---

Financing demand in Sharia Rural Bank (BPRS) in Indonesia has been increasing since 2015. However, BPRS Non-Performing Financing (NPF) in Indonesia continues to increase. This causes a decrease in profit for BPRS across Indonesia. Therefore, determining bank customers who have the potential to experience financing default becomes crucial. Classification techniques can be a solution for BPRS to have a more accurate and efficient prediction system to avoid financing default. This research was conducted at BPRS Serambi Mekkah, located in Langsa, East Aceh. The variables used in this research are  Selling Price, Collateral Value, Financing Period, Agreed Margin Percentage, Customer’s Occupation, Customer’s Age, and Financing History. This study uses the Naïve Bayes and Discriminant Analysis methods to classify the final status of customers who apply for financing. The results show that the Discriminant Analysis model has a better classification performance compared to Naïve Bayes. In addition, this study also looks at the variables that have the most significant influence on the classification model. The variables that have a significant effect on the classification model are the Financing Period, Agreed Margin Percentage, Customer’s Age, and Financing History.

"

"Permintaan akan transportasi massal di DKI Jakarta terus meningkat seiring dengan pertumbuhan jumlah penduduk di wilayah DKI Jakarta. Oleh karena itu pemerintah DKI Jakarta mulai menjalankan program Smart City yang salah satunya adalah pembangunan transportasi massal. Pembangunan berbagai macam transportasi publik tersebut salah satunya adalah pembangunan kereta cepat yang merupakan objek penelitian ini. Perusahaan penyedia transportasi kereta cepat tersebut memiliki kendala dalam peningkatan nilai Inventory Turn Over (ITO) yang menghambat kinerja perusahaan. Permasalahan tersebut diakibatkan karena terjadi ketidakseimbangan antara jumlah persediaan dengan kebutuhan material suku cadang di gudang MRO untuk pemeliharaan. Oleh karena itu dibutuhkan manajemen persediaan yang baik untuk melakukan efisiensi keputusan kuantitas pemesanan (Q) dan waktu pesan (T) sehingga mendapatkan total biaya persediaan yang minimal dengan tetap menjaga kualitas kegiatan pemeliharaan., Penelitian ini menggunakan dua metode. Metode pertama adalah klasifikasi multi-kriteria ABC sehingga dapat menentukan klasifikasi material yang diutamakan. Metode kedua yang digunakan pada penelitian ini yaitu Mixed Integer Linear Programming (MILP) untuk pengembangan model matematis untuk mendapatkan total biaya persediaan yang minimal. Pada penelitian ini terdapat 17 jenis material yang masuk ke dalam kategori AA material kelompok Rolling Stock Depo dari total 1625 material. Jumlah kuantitas pesan (Q) dan waktu pesan (T) hasil model dapat meminimalkan total biaya persediaan sebesar 21.58% atau setara dengan Rp1.046.521.478 dan meningkatkan nilai ITO sebesar 15.17% dari kondisi aktual.

---

The demand for mass transportation in DKI Jakarta continues to increase along with the population growth in the DKI Jakarta area. Therefore, the DKI Jakarta government has started implementing the Smart City program, one of which is the construction of mass transportation. The development of various kinds of public transportation, one of which is the construction of the high-speed train which is the object of this research. The fast train transportation provider company has obstacle in increasing the value of Inventory Turn Over (ITO) which hampers the company's performance. This problem is caused by an imbalance between the amount of inventory and the material needs of spare parts in the MRO warehouse for maintenance. Therefore, good inventory management is needed to make efficiency decisions on ordering quantity (Q) and ordering time (T) so, to get a minimum total inventory cost while maintaining the quality of maintenance activities. This study uses two methods. The first method is the ABC multi-criteria classification so that it can determine the preferred material classification. The second method used in this research is Mixed Integer Linear Programming (MILP) for the development of mathematical models to obtain a minimum total inventory cost. In this research, there are 17 types of materials that fall into the category AA material for the Rolling Stock Depo group out of a total of 1625 materials. The total order quantity (Q) and order time (T) of the model results can minimize the total inventory cost by 21.58% or equivalent to Rp.1,046,521,478 and increase the ITO value by 15.17% from the actual condition."

""b>ABSTRAK"Intrusion Detection System adalah suatu sistem yang berfungsi untuk mendeteksi serangan berbahaya dan kerentanan pada jaringan komputer. Beberapa teknik data mining telah diajukan dalam menyelesaikan persoalan deteksi intrusi pada jaringan. Pada skripsi ini, akan diajukan klasifikasi data Intrusion Detection System menggunakan Na ve Bayes Classifier dan Particle Swarm Optimization sebagai pemilihan fitur. Pertama, Particle Swarm Optimization melakukan pemilihan fitur untuk mendapatkan fitur yang optimal. Lalu, hasil dari pemilihan fitur tersebut akan diklasifikasikan menggunakan Na ve Bayes Classifier dengan harapan dapat memberikan hasil yang lebih akurat. Data yang digunakan adalah dataset KDD CUP 1999. Hasil akhir dari penelitian ini adalah berupa perbandingan hasil akurasi antara klasifikasi menggunakan Na ve Bayes Classifier tanpa pemilihan fitur dan klasifikasi menggunakan Na ve Bayes Classifier dengan pemilihan fitur Particle Swarm Optimization. Hasil empiris menunjukkan bahwa klasifikasi menggunakan Na ve Bayes Classifier tanpa pemilihan fitur memperoleh akurasi tertinggi sebesar 99.16 . Sementara klasifikasi menggunakan Na ve Bayes Classifier dengan pemilihan fitur Particle Swarm Optimization memperoleh akurasi tertinggi sebesar 99.12 . Hasil dari penelitian ini menunjukkan bahwa metode pemilihan fitur Particle Swarm Optimization dapat diterapkan pada proses klasifikasi menggunakan Na ve Bayes Classifier. Akan tetapi dengan menambahkan metode ini tidak menjamin bahwa hasil yang diperoleh akan lebih baik daripada proses klasifikasi menggunakan Na ve Bayes Classifier tanpa pemilihan fitur."

---

""ABSTRACT"Intrusion Detection System is a system that has a function to detect malicious attacks and vulnerabilities on computer networks. Several data mining techniques have been proposed in solving the problem of intrusion detection on the network. In this research, data classification of Intrusion Detection System will be filed using Na ve Bayes Classifier and Particle Swarm Optimization as feature selection. First, Particle Swarm Optimization will perform the feature selection to get the optimal features. Then, the results of the feature selection will be classified using Na ve Bayes Classifier in hopes of getting more accurate results. The data used in this study is KDD CUP 1999 dataset. The end result of this study is a comparison of accurate results between the classification using Na ve Bayes Classifier without feature selection and classification using Na ve Bayes Classifier with Particle Swarm Optimization as feature selection. The empirical results indicate that the classification using Na ve Bayes Classifier without feature selection obtains the highest accuracy of 99.16 . While the classification using Na ve Bayes Classifier with Particle Swarm Optimization as feature selection obtained the highest accuracy of 99.12 . The results of this study indicate that the Particle Swarm Optimization feature selection method can be applied to the classification process using Na ve Bayes Classifier. However, adding this method does not guarantee that the results obtained will be better than the classification process using Na ve Bayes Classifier without feature selection."

"ABSTRAKDiabetik Retinopati adalah kelainan retina akibat komplikasi diabetes yang menyebabkan kebutaan. Seiring berkembangnya teknologi pengolahan citra, pendeteksian Diabetik Retinopati DR dimungkinkan melalui gambar retina yang disebut citra fundus dengan menggunakan ekstraksi ?tur. Dalam penelitian ini, diusulkan metode ekstraksi ?tur menggunakan Gray Level Co-occurrence Matrix GLCM . Penelitian ini mengusulkan sebuah metode dengan enam ?tur tekstur GLCM dengan klasi?kasi Naive Bayes. Dengan menggunakan tiga metode pengujian dan offset GLCM untuk dibandingkan, offset GLCM menghasilkan hasil yang lebih baik dengan accuracy 82.05 pada metode pengujian 70 train 30 test, accuracy 80 pada metode pengujian 5-Fold Cross Validation, accuracy 80.77 pada metode pengujian 10-Fold Cross Validation. Hasil ini akan menjelaskan seberapa akurat Naive Bayes untuk mengklasi?kasikan citra fundus normal atau citra DR.

---

ABSTRAKDiabetic Retinopathy is retinal disorders resulting from diabetes complications that lead to blindness. As the development of technology in image processing, detection of Diabetic Retinopathy DR was possible through retinal images called fundus image using feature extraction. In this paper, a feature extraction method using Gray Level Co occurrence Matrix GLCM is proposed. This paper proposed a method with six textural features of GLCM with Naive Bayes classifier. Using three testing methods and offset of GLCM to compare with, the offset of GLCM achieves a better result with an Accuracy of 82.05 for 70 training data and 30 testing data method, Accuracy of 80.00 for 5 fold Cross Validation method, Accuracy of 80.77 for 10 fold Cross Validation method. These results will explain how accurate Naive Bayes to classify normal fundus image or DR fundus image."

"Kematian yang disebabkan oleh kanker diperkirakan akan terus meningkat, terutama untuk kanker prostat. Penyakit ini adalah jenis kanker yang paling umum untuk pria di dunia. Jumlah kematian dapat dikurangi dengan deteksi dini menggunakan machine learning. Salah satunya adalah klasifikasi data kanker prostat. Data kanker yang digunakan memiliki berbagai fitur, tetapi tidak semua fitur adalah fitur penting. Dalam penelitian ini, kami menggunakan Support Vector Machine-Recursive Feature Elimination (SVM-RFE) dan One Dimensional Naïve Bayes Classifier (1-DBC) sebagai metode seleksi fitur. Dalam kedua metode itu akan mendapatkan peringkat untuk setiap fitur. Penggunaan kedua metode ini dalam klasifikasi data kanker prostat menghasilkan tingkat evaluasi yang tinggi. Kedua metode ini dapat menghasilkan tingkat akurasi 100%, precision 100%, dan recall 100% pada metode klasifikasi Random Forest. Dan menghasilkan tingkat akurasi 95%, precision 100%, dan recall 94,11% pada metode klasifikasi SVM. Dalam evaluasi tambahan, SVM-RFE memiliki running time lebih rendah dari 1-DBC.

---

Death caused by cancer is expected to continue to increase, especially for prostate cancer. This disease is the most common type of cancer for men in the world. The number of deaths can be reduced by early detection using machine learning. One of them is the classification of prostate cancer data. Cancer data used has various features, but not all features are essential features. In this study, we use Support Vector Machine-Recursive Feature Elimination (SVM-RFE) and One Dimensional Naïve Bayes Classifier (1-DBC) as a feature selection method. In both methods, it will get a rating for each feature. The use of these two methods in the classification of prostate cancer data produces a high level of evaluation. Both of these methods can produce 100% accuracy, 100% precision, and 100% recall in the Random Forest classification method. And it produces 95% accuracy, 100% precision, and 94.11% recall in the SVM classification method. In the additional evaluation, SVM-RFE has a running time lower than 1-DBC."