Hasil Pencarian  ::  Simpan CSV :: Kembali

"Level atau tingkatan antusiasme seseorang merupakan tolak ukur yang penting bagi performa sebuah perusahaan. Level antusiasme tersebut dapat dimodelkan melalui face recognition yang nantinya digunakan sebagai sebuah acuan untuk mengetahui apakah seseorang termasuk dalam kelas antusias, sedikit antusias, atau tidak antusias. Pengklasifikasian face recognition ini berbasis supervised machine learning. Klasifikasi yang digunakan dalam penelitian ini adalah Support Vector Machine SVM dengan metode one-vs-one karena kelas pada data terdiri lebih dari dua kelas. Adapun, dalam upaya peningkatan performa classifier, perlu dilakukan pemilihan fitur. Pemilihan fitur yang digunakan pada skripsi ini adalah Fisher rsquo;s Ratio dan Information Gain. Hasil yang diberikan di akhir tulisan ini berupa perbandingan akurasi dan running time dari klasifikasi SVM tanpa pemilihan fitur dan klasifikasi SVM dengan menggunakan masing-masing pemilihan fitur Fisher rsquo;s Ratio dan Information Gain. Pada klasifikasi SVM tanpa pemilihan fitur, didapatkan akurasi dan running time masing-masing sebesar 80,95238 dan 2,125 detik; dengan pemilihan fitur Fisher rsquo;s Ratio didapatkan akurasi dan running time masing-masing sebesar 88,89 dan 5,47 detik; sedangkan dengan pemilihan fitur Information Gain didapatkan akurasi sebesar 80,95238 dengan running time 1,265625 detik.

---

Enthusiasm level of a person is an important measurement for a company performance. Enthusiasm level can be modeled by face recognition that in the future will be used as standard to distinguish whether someone is classified as enthusiast, tend to enthusiast, or not at all. This face recognition classification is based on supervised machine learning. This paper uses Support Vector Machine SVM as a classifier with one vsone method because the data consists of more than two classes. In order to increase classifier performance, it is necessary to do feature selection. This paper uses Fisher rsquo s Ratio and Information Gain as feature selection. The conclusion at the end of this research is in the form of comparison of running time and accuracy between SVM classification without feature selection and with Fisher rsquo s Ratio and Information Gain feature selection, respectively. In SVM classification without feature selection, the accuracy and running time are 80,95238 and 2,125 seconds, respectively with Fisher rsquo s Ratio feature selection the accuracy and running time are 88,89 and 5,47 seconds, respectively whilst with Information Gain feature selection the accuracy and running time are 80,95238 , and 1.265625 seconds, respectively. "

"Sudah lama orang menyadari bahwa penyusunan buku-buku, artikel-artikel, atau dokumen lainnya, ke dalam kelas-kelas tertentu, akan sangat membantu untuk menemukan kembali (retrieval) dokumen tersebut bagi orang yang membutuhkannya. Oleh karena itu lahirlah berbagai macam petunjuk bagi pencari informasi. Petunjuk tersebut dapat berupa sistem klasifikasi penyimpanan dokumen seperti: Colon Classification, Library of Congress Classification, Dewey Decimal Classification, Universal Decimal Classification dan lain sebagainya, yang sering kita jumpai di perpustakaan-perpustakaan. Di samping berbagai macam klasifikasi tersebut, orang juga memerlukan petunjuk untuk dapat memperoleh isi atau konsep yang terkandung di dalam dokumen-dokumen tersebut. Maka lahirlah sistem pengindeksan (indexing system). Sebagai suatu contoh, pada bagi an akhir suatu buku, selalu dicantumkan kata-kata indeks (index terms). Kata-kata indeks ini selalu kita pergunakan kalau kita hendak mencari suatu topik tertentu yang terkandung dalam buku tersebut."

"ABSTRAKPada tahun 1950 MOORE dan FRERICHS (1953) telah mengasingkan kuman berbentuk batang tahan-asam dari infeksi menahun pada lutut karena trauma, dan dari absces bokong seorang penderita. Pada sediaan bisto-patologik jaringan synovia lutut dan kulit absces tampak gambaran yang merupai radang tuberkulosis. Nama yang diberikan kepada jenis kuman yang menyebabkan ini adalah Mycobacterium abscessus n.sp. berdasarkan persamaan gambaran histologik jaringan yang sakit dan perbedaan beberapa macam sifat dengan Mycobacteria yang diketahui dapat menyebabkan penyakit pada manusia, MOORE dan FRERICHS telah menganggap kuman penyebab sebagai satu Species Mycobacterium tersendiri berdasarkan perbedaan sifat-sifatnya dengan beberapa jenis Mycobacterium yang dikenal dan dipakainya sebagai perbandingan. Jenis-jenis tersebut adalah: Mycobacterium ranae, Mycobacterium thamnopheost Mycobacterium chelonei (Mycobacterium friedmannii), Mycobacterium piscium, Mycobacterium marinum, Mycobacterium leprae, Mycobacterium paratuberculosis dan Mycobacterium ulcerans.Hingga kini Mycobacterium abscessus belum diakui secara resmi sebagai satu species tersendiri. Waktu akhir-akhir ini makin sering diungkapkan cara-cara baru yang dapat dipakai pada diferensi asi jenis-jenis Mycobacterium.Oleh pelbagai penyelidik diumumkan cara-cara menentukan jenis kuman dengan perbandingan sifat-sifat antara jenis-jenis kuman lain (SNEATH, 1957; BOJALIL, 1961; CERBON, 1961; WAYNE, DOUBECK dan RUSSEL, 1964; TSUKAMURA, 1965; WAYNE dan DOUBECK, 1965; WAYNE, 1967).Penyelidikan ini dilakukan untuk menentukan sampai dimanakah jenis Mycobacterium abscessus dapat dianggap sebagai satu species tersendiri dan bila tidak, pada species apakah ia dapat digolongkan. Cara penentuan species Mycobacterium ini ialah dengan membandingkan hasil-hasil pelbagai macam pemeriksaan pada pelbagai jenis Mycobacterium yang bertumbuh cepat."

"Komputasi intelejensia yang digunakan dalam masalah klasifikasi pola dapat digolongkan menjadi dua bagian, yaitu yang berbasis pada Neural Network dan yang berbasis pada Pembelajaran Statistika (Statistical Learning). Pembelajaran yang berbasis statistika, pertama kali ditemukan oleh Vapnik pada dekade tujuh-puluhan. Untuk masalah klasifikasi pola Vapnik mengembangkan metode hyperplane optimal separation, atau dikenal juga dengan nama metode Support Vector Machines (SVM). Pada awalnya SVM dirancang hanya untuk menyelesaikan masalah klasifikasi biner, yaitu dari data-data yang ada, diklasifikasikan menjadi dua kelas. Untuk mengklasifikasikan data yang terdiri dari lebih dari dua kelas, metode SVM tidak dapat langsung digunakan. Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah klasifikasi multikelas SVM yaitu: metode One-vs-One dan metode One-vs-Rest. Kedua metode ini merupakan perluasan dari klasifikasi biner SVM. Kedua metode tersebut akan dibahas di artikel ini dan akan dilihat kinerjanya dalam mengklasifikasikan aroma. Data aroma yang digunakan dalam percobaaan ini terdiri dari 3 jenis aroma, masing-masing aroma terdiri atas 6 kelas. Pembagian kelas ini berdasarkan pada konsentrasi alkohol yang dicampurkan pada masing-masing aroma. Misalkan untuk aroma A, terdapat 6 jenis aroma A dengan kandungan alkohol : 0%, 15%, 25%, 30%, 45% dan 75%. Kinerja dari kedua metode diukur berdasarkan kemampuan untuk mengenal dan mengklasifikasikan aroma, dengan tepat dan sesuai dengan jenis atau kelas, dari data yang diberikan.

---

Aroma classification using one-vs-one and one-vs-rest methods. Computational Intelligence used in pattern classification problem can be divided into two different parts, one based on Neural Network and the other based on Statistical Learning. The Statistical Learning discovered by Vapnik on 70-est decade. For the pattern classification, Vapnik developed hyperplane optimal separation, which is known as Support Vector Machines Method (SVM). In the beginning, SVM was designed only to solve binary classification problem, where data existing are classified into two classes. To classify data whose consist of more than two classes, the SVM method can not directly be used. There are several methods can be used to solve SVM multiclasses classification problem, they are One-vs-One Method and One-vs-Rest Method. Both of this methods are the extension of SVM binary classification, they will be discussed in this article so that we can see their performance in aroma classification process. Data of aroma used in this experiment is consisted of three classes of aroma, each of them has six classes. The division of this class is based on alcohol concentration mixed into each of those aromas. For example, for aroma A, there are six kinds of aroma A with different alcohol concentration: 0%, 15%, 25%, 30%, 45% and 75%. The performance of these methods is measured based on their ability to recognize and classify aroma, precisely and match with the right class or variety of data existed."