Perpustakaan Fakultas Ilmu Komputer

Tim penguji 3	Anto Satriyo
Tim penguji 4	Hisar Maruli Manurung
Kata Kunci	Adaptive Multilayer Generalized Learning Vector Quantization (AMGLVQ), Minimum Classification Error (MCE), ekstraksi fitur, klasifikasi, online learning, imbalanced dataset, GLVQ, SVM.
Kopromotor	Wisnu Jatmiko
Tahun buku	2014
Barcode RFID baru	11752835
Tim penguji 1	Aniati Murni
Promotor	T. Basaruddin
Abstrak Indonesia	Pengenalan pola yang dilakukan manusia merupakan proses pembentukan persepsi dari suatu objek atau kejadian kemudian mengolahnya menjadi sesuatu yang memiliki arti secara keseluruhan. Kemampuan manusia untuk mengenali pola bergantung pada naluri dan sistem kognitif yang dimiliki. Perkembangan sistem kognitif manusia bergantung pada proses belajar, yaitu proses untuk mendapatkan pengetahuan sekitarnya atau dari pengalaman. Dalam Ilmu Komputer khususnya bidang pembelajaran mesin, pengenalan pola adalah proses pembelajaran pada mesin untuk mengenali atau mengklasifikasikan objek berdasarkan data pelatihan. Sistem pengenalan pola bekerja dengan mengambil informasi penting dari data pelatihan untuk dimodelkan secara matematis. Model yang dihasilkan merupakan generalisasi informasi dari data pelatihan, yang nantinya digunakan untuk mengenali objek/ data di luar data pelatihan. Pada sistem pengenalan pola, terdapat tiga fase utama, yaitu resampling, ekstraksi fitur dan klasifikasi. Dalam sistem pengenalan pola standar, masing-masing fase berjalan secara terpisah dan menggunakan evaluator kondisi optimal yang berbeda, hal ini bisa memicu terjadinya kondisi inkonsistensi antar fase. Dalam penelitian dikembangkan suatu algoritma pembelajaran yang mengintegrasikan proses seleksi data (under sampling untuk mengatasi imbalanced dataset), ekstraksi fitur dan juga klasifikasi untuk mengatasi permasalahan inkonsistensi tersebut. Algoritma yang diusulkan dalam penelitian ini adalah Adaptive Multilayer Generalized Learning Vector Quantization (AMGLVQ), yang merupakan metode pembelajaran yang mengintegrasikan proses under sampling, ekstraksi fitur dan juga klasifikasi. Algoritma ini akan dievaluasi menggunakan beberapa jenis dataset, yaitu data sintesis yang terpisah secara linier, data sintesis Pinwheel (tidak terpisah secara linier), UCI IRIS, UCI Glass, UCI Yeast, UCI Abalone, UCI Haberman, dan data MIT-BIH Arrhythmia. Dataset MIT-BIH Arrhythmia digunakan untuk mengevaluasi AMGLVQ pada permasalahan nyata yang melibatkan permasalahan imbalanced data. Algoritma AMGLVQ akan dibandingkan performanya dengan beberapa algoritma klasifikasi antara lain Generalized Learning Vector Quantization (GLVQ), Propagasi balik, Support Vector Machine (SVM), zSVM, Fuzzy SVMs for Class Imbalance Learning (FSVM-CIL), Different Error Cost (DEC), Generalized Minimum Classification vi Error-Linear Discriminant (GMCE-LD), Generalized Minimum Classification Error-Principal Component (GMCE-PC). Hasil evaluasi menunjukkan AMGLVQ dapat bekerja lebih efisien dibandingkan dengan algoritma klasifikasi pembandingnya. Selain itu AMGLVQ juga mampu mengklasifikasikan data dengan baik, khususnya pada dataset kelas jamak yang strong imbalanced. Dibandingkan dengan algoritma klasifikasi yang menggunakan pendekatan aproksimasi batas antar kelas, performa AMGLVQ menurun saat diimplementasikan pada dataset yang dalam satu kelasnya terbagi menjadi beberapa kelompok (seperti model dataset checkerboard). Untuk pengembangan lebih lanjut dari AMGLVQ dapat digunakan pendekatan multicodebook, sehingga satu kelas yang terbagi menjadi beberapa sub kelompok akan dibangkitkan satu codebook pada tiap sub kelompok tersebut. Dengan masing-masing codebook pada sub kelompok dalam satu kelas, maka dataset model checkerboard akan dikenali dengan lebih baik.
Judul	Adaptive multilayer generalized learning vector quantization (AMGLVQ): Algoritm pembelajaran berbasis kompetisi yang terintegrasi antara seleksi data, ekstraksi fitur dan klasifikasi
Pengarang	Elly Matul Imah;
Timpenguji 2	Yoga Yuniadi
Tim Penguji 5	M. Ivan Fanany
Tanggal Datang	24/07/2014
NPM	1006753116
Abstrak English	Human pattern recognition is a process of forming the perception of an abject or scene and then process it into something that has a meaning as a whole. The human ability to recognize a pattern is relying on human instinct and cognitive system. The development of human cognitive system depends on the human process of learning. In turn it depends on the process of acquiring knowledge or effort to recognize object that is gained through experience. In Computer Science, particularly the field of Machine Learning, pattern recognition can be interpreted as a learning process on a machine to recognize the object based on existing training data.recognition system work by taking the important information from the training data to be modeled mathematically. The mathematical model is generalization pattern of training dataset, that is used to recognize the unseen data/ object. Conventional pattern recognition system with imbalanced class problem, usually has three phases; undersampling, feature extraction and classification. Each phases runs separately and use different optimal condition evaluators consequently can happen the inconsistencies between phases. In this study, to handle this condition, we develop a learning method that integrates those three phases. The proposed method in this study is Adaptive Multilayer Generalized Learning Vector Quantization, which is a learning method that integrates the under-sampling process, feature extraction and classification. This algorithm has been evaluated using several types of data sets, i.e. linear separable synthesis data, Pinwheel synthesis data (non-linearly separable), UCI-IRIS UCI, UCI-Glass, UCIYeast, UCI-Abalone, UCI-Haberman, and the MIT-BIH Arrhythmia. The performance of AMGLVQ has been compared with several classification algorithms, which Generalized Learning Vector Quantization (GLVQ), Backpropagation, Support Vector Machine (SVM), zSVM, Fuzzy SVMs for Class Imbalance Learning (FSVM-CIL), Different Error Cost (DEC), Generalized Minimum Classification Error Linear Discriminant (GMCE-LD), Generalized Minimum Classification Error-Principal Component (GMCE-PC). Algorithm for Arrhythmias heartbeat pattern annotation has been chosen, in attempt to solve real problems in medical field. viii Evaluation results show AMGLVQ can work faster though integrate the three processes, in a single algorithm than the other classification algorithms. The classification performance also shows good results, especially for data sets categorized as strong imbalanced multiclass. However, the accuracy of AMGLVQ has decreased in the case of multiple sub sets of data sets, such as chechkerboard. AMGLVQ has not bettered class boundary search approach such as SVM or Backpropagation classification algorithm. For the future research, AMGLVQ can be expanded further by using multi codebook in order to overcome its weakness.
Fisik	xvi, 179 hlm. : ill. ; 30 cm.
Bahasa	ind
Lulus Semester	2013/ 2014
Penerbitan	Depok : Fakultas Ilmu Komputer, 2014
No. Panggil	Dis-33 (Sotcopy Dis-24 ) Source code Dis-12

Lokasi : Perpustakaan Fakultas Ilmu Komputer

Nomor Panggil	ID Koleksi	Status
Dis-33 (Sotcopy Dis-24 ) Source code Dis-12		TERSEDIA

Dis-33 Elly Matul Imah-1006753116.pdf

Tidak ada review pada koleksi ini: 42015

Pengenalan pola yang dilakukan manusia merupakan proses pembentukan persepsi dari suatu objek atau kejadian kemudian mengolahnya menjadi sesuatu yang memiliki arti secara keseluruhan. Kemampuan manusia untuk mengenali pola bergantung pada naluri dan sistem kognitif yang dimiliki. Perkembangan sistem kognitif manusia bergantung pada proses belajar, yaitu proses untuk mendapatkan pengetahuan sekitarnya atau dari pengalaman. Dalam Ilmu Komputer khususnya bidang pembelajaran mesin, pengenalan pola adalah proses pembelajaran pada mesin untuk mengenali atau mengklasifikasikan objek berdasarkan data pelatihan. Sistem pengenalan pola bekerja dengan mengambil informasi penting dari data pelatihan untuk dimodelkan secara matematis. Model yang dihasilkan merupakan generalisasi informasi dari data pelatihan, yang nantinya digunakan untuk mengenali objek/ data di luar data pelatihan. Pada sistem pengenalan pola, terdapat tiga fase utama, yaitu resampling, ekstraksi fitur dan klasifikasi. Dalam sistem pengenalan pola standar, masing-masing fase berjalan secara terpisah dan menggunakan evaluator kondisi optimal yang berbeda, hal ini bisa memicu terjadinya kondisi inkonsistensi antar fase. Dalam penelitian dikembangkan suatu algoritma pembelajaran yang mengintegrasikan proses seleksi data (under sampling untuk mengatasi imbalanced dataset), ekstraksi fitur dan juga klasifikasi untuk mengatasi permasalahan inkonsistensi tersebut. Algoritma yang diusulkan dalam penelitian ini adalah Adaptive Multilayer Generalized Learning Vector Quantization (AMGLVQ), yang merupakan metode pembelajaran yang mengintegrasikan proses under sampling, ekstraksi fitur dan juga klasifikasi. Algoritma ini akan dievaluasi menggunakan beberapa jenis dataset, yaitu data sintesis yang terpisah secara linier, data sintesis Pinwheel (tidak terpisah secara linier), UCI IRIS, UCI Glass, UCI Yeast, UCI Abalone, UCI Haberman, dan data MIT-BIH Arrhythmia. Dataset MIT-BIH Arrhythmia digunakan untuk mengevaluasi AMGLVQ pada permasalahan nyata yang melibatkan permasalahan imbalanced data. Algoritma AMGLVQ akan dibandingkan performanya dengan beberapa algoritma klasifikasi antara lain Generalized Learning Vector Quantization (GLVQ), Propagasi balik, Support Vector Machine (SVM), zSVM, Fuzzy SVMs for Class Imbalance Learning (FSVM-CIL), Different Error Cost (DEC), Generalized Minimum Classification vi Error-Linear Discriminant (GMCE-LD), Generalized Minimum Classification Error-Principal Component (GMCE-PC). Hasil evaluasi menunjukkan AMGLVQ dapat bekerja lebih efisien dibandingkan dengan algoritma klasifikasi pembandingnya. Selain itu AMGLVQ juga mampu mengklasifikasikan data dengan baik, khususnya pada dataset kelas jamak yang strong imbalanced. Dibandingkan dengan algoritma klasifikasi yang menggunakan pendekatan aproksimasi batas antar kelas, performa AMGLVQ menurun saat diimplementasikan pada dataset yang dalam satu kelasnya terbagi menjadi beberapa kelompok (seperti model dataset checkerboard). Untuk pengembangan lebih lanjut dari AMGLVQ dapat digunakan pendekatan multicodebook, sehingga satu kelas yang terbagi menjadi beberapa sub kelompok akan dibangkitkan satu codebook pada tiap sub kelompok tersebut. Dengan masing-masing codebook pada sub kelompok dalam satu kelas, maka dataset model checkerboard akan dikenali dengan lebih baik.