1,720,962 research outputs found
Applications of artificial intelligence to identify psychoanalysis drug addiction patients and HIV / AIDS in cognitive science modeling using Bayes method
No full textApplication of the Naive Bayes Method to a Decision Support System to Provide Discounts (Case Study: PT. Bina Usaha Teknik)
No full textModel Prediction of Psychoanalysis Trend of Radical Emotional Aggressiveness Using EEG and GLCM-SVM Method
No full textDevelopment of a Gemstone Type Identification System Based on HSV Space Colour Using an Artificial Neural Network Back Propagation Algorithm
No full textFunding eligibility decision support system using fuzzy logic Tsukamoto: (Case: BMT XYZ)
No full textLAPORAN PENELITIAN DETEKSI CITRA WAJAH PALSU GENERATIVE ADVERSARIAL NETWORKS MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK BERBASISKAN ERROR LEVEL ANALYSIS
Get PDFGenerative adversarial networks merupakan algoritma yang sering digunakan untuk melakukan generate gambar menggunakan AI. Diperlukan sebuah algoritma yang mampu melakukan deteksi apakah sebuah gambar merupakan hasil kerja generative adversarial networks atau gambar nyata. Pada penelitian ini, kami mengajukan penggunaan algoritma Error Level Analysis dan convolutional neural network untuk mendeteksi citra manipulasi yang dihasilkan oleh generative adversarial networks. Setelah melakukan training data, dapat dibuktikan bahwa penggunaan onvolutional neural network dengan kompresi Error Level Analysis dapat meningkatkan performa keseluruhan dari model, baik itu akurasi, precision, recall, maupun parametser lainnya. Berdasarkan hasil evaluasi, didapatkan bahwa training onvolutional neural network terbaik didapatkan ketika menggunakan kompresi Error Level Analysis 50% karena dapat mencapai 94% akurasi, precision 93.3%, Recall 94.9%, F1 Score 94.1%, ROC-AUC Score 98.7%, dan AP Score 98.8%. Penelitian ini diharapkan dapat menjadi referensi untuk melakukan proses deteksi gambar antara gambar nyata atau gambar palsu hasil generative adversarial networks
IMPLEMENTASI ALGORITMA MULTINOMIAL NAIVE BAYES CLASSIFIER
No full textABSTRAK Informasi diperkirakan lebih dari 80% tersimpan dalam bentuk teks tidak terstruktur. Oleh karena itu, dibutuhkan sistem pengelolaan teks yaitu dengan metode text mining yang diyakini memiliki potensial nilai komersial tinggi. Salah satu implementasi dari text mining yaitu klasifikasi teks. Tidak hanya dokumen, pemanfaatan klasifikasi juga digunakan pada surat. Peneliti mengkaji Multinomial Naive Bayes Classifier untuk mengklasifikasi surat keluar sehingga dapat menentukan nomor surat secara otomatis. Sistem klasifikasi didukung dengan confix-stripping stemmer untuk menemukan kata dasar dan TF-IDF untuk pembobotan kata. Pengujian diukur dengan menggunakan confusion matrix. Dari hasil pengujian menunjukkan bahwa implementasi Multinomial Naive Bayes Classifier pada sistem klasifikasi surat memiliki tingkat accuracy, precision, recall, dan F-measure berturut-turut sebesar 89,58%, 79,17%, 78,72%, dan 77,05%. ABSTRACT The information estimated that more than 80% is stored in the form of unstructured text. Therefore, it takes a text management system, namely text mining method is believed to have high potential commercial. One of text mining implementation is text classification. Not only documents, the use of classification is also used in official letter. Researcher examined Multinomial Naive Bayes Classifier to classify the letter so it can determine the letters classification code automatically. The classification system is supported by confix-stripping stemmer to find root and TF-IDF for term weighting. The test used by confusion matrix of a classified as a measure of its quality. The test results showed that the implementation of Multinomial Naive Bayes Classifier on letter classification system has a level of accuracy, precision, recall, and F-measure respectively for 89.58%, 79.17%, 78.72% and 77.05%.How to Cite : Setianingrum, A. H. Kalokasari, D.H . Shofi. I. M. (2017). IMPLEMENTASI ALGORITMA MULTINOMIAL NAIVE BAYES CLASSIFIER. Jurnal Teknik Informatika, 10(2), 109-118. doi: 10.15408/jti.v10i2.6822Permalink/DOI: http://dx.doi.org/10.15408/jti.v10i2.6822</jats:p
- …
