101,580 research outputs found
Joshua Davis: Author of Spare Parts
No full textCitation: K-State First (2016). Joshua Davis: Author of Spare Parts [Flier]. Manhattan, Kansas: K-State First.Flyer advertising Joshua Davis's author talk at Kansas State University
Exchange-correlation energy functional and virial theorem in the extended constrained-search theory
No full textThe coupling-constant expression and virial relation for the exchange-correlation energy functional of the extended-constrained search theory [M. Higuchi and K. Higuchi, Phys. Rev. B 69, 035113 (2004)] are derived. These provide the guideline for developing and testing the approximate form of the exchange-correlation energy functional
Exchange-correlation energy functional and virial theorem in the extended constrained-search theory
No full textThe coupling-constant expression and virial relation for the exchange-correlation energy functional of the extended-constrained search theory [M. Higuchi and K. Higuchi, Phys. Rev. B 69, 035113 (2004)] are derived. These provide the guideline for developing and testing the approximate form of the exchange-correlation energy functional.ArticlePHYSICAL REVIEW B. 71(3):035116 (2005)journal articl
PENERAPAN DIMENSI FRAKTAL HIGUCHI DALAM KLASIFIKASI JENIS MONYET BERDASARKAN SUARA DENGAN METODE K-NEAREST NEIGHBOR (K-NN)
No full textMonyet merupakan salah satu jenis mamalia primata yang termasuk dalam sub-ordo Anthropoide. Beberapa spesies monyet telah mengalami penurunan jumlah secara signifikan pada beberapa dekade terakhir, oleh karena itu diperlukan suatu metode untuk mendeteksi keberadaan populasi monyet di suatu wilayah sebagai upaya untuk meningkatkan konservasi monyet agar terhindar dari ancaman kepunahan. Diketahui bahwa sebagian besar habitat monyet adalah hutan yang merupakan alam bebas dengan memiliki banyak pohon dan berbagai satwa lain di dalamnya, hal ini mengakibatkan keterbatasan untuk mendeteksi populasi monyet di suatu wilayah. Dalam komunikasi vokal, monyet mengeluarkan berbagai jenis suara, dimana suara yang dikeluarkan oleh monyet dari jenis yang berbeda dapat menghasilkan sinyal suara yang berbeda, sehingga memunculkan suatu karakteristik. Dari informasi karakteristik tersebutlah pada penelitian ini akan dilakukan klasifikasi jenis monyet berdasarkan suara dengan menerapkan metode dimensi fraktal Higuchi dan klasifikasi K-Nearest Neighbor (K-NN). Tahapannya yaitu pre-processing data, kemudian ekstraksi ciri dengan dekomposisi suara hingga level 7 menggunakan Discrete Wavelet Transform (DWT) berjenis mother wavelet Daubechies db4. Selanjutnya melakukan perhitungan nilai Higuchi. Dari nilai Higuchi yang telah didapat, dilakukan tahap klasifikasi K-NN. Pada penelitian ini menggunakan rasio pembagian data menjadi data training dan data testing sebesar 0,5 : 0,5, pada Kmax = 50 dan k = 3 didapatkan hasil akurasi tertinggi yaitu sebesar 90,38%. Dari hasil akurasi yang tinggi disimpulkan bahwa metode Higuchi dan K-NN dapat diterapkan pada klasifikasi jenis monyet berdasarkan suara.
Kata Kunci: Monyet, Dimensi Fraktal Higuchi, K-Nearest Neighbor (K-NN)
PENERAPAN DIMENSI FRAKTAL HIGUCHI DAN K-NEAREST NEIGHBOR (KNN) DALAM KLASIFIKASI KONDISI KUCING BERDASARKAN SUARA
No full textKucing adalah salah satu hewan mamalia karnivora yang banyak dipelihara oleh manusia. Sifatnya yang mudah beradaptasi dengan manusia menjadikan kucing memiliki hubungan yang erat dengan pemiliknya. Cara kucing menyampaikan pesan yaitu dengan mengeluarkan suara yang identik dan beberapa dari suara tersebut mencerminkan kondisi kucing. Akan tetapi, kategorisasi suara-suara kucing merupakan tantangan yang besar karena beberapa suara sangat mirip dengan yang lain dan kucing dapat menghasilkan suara yang berbeda dalam perbedaan waktu yang sangat kecil. Hal ini yang membuat si pemilik kucing sulit mengartikan dan memahami kondisi kucingnya. Dengan menggunakan dimensi fraktal dapat dilakukan analisis suara kucing sesuai kondisinya. Pada penelitian ini akan diklasifikasikan kondisi kucing berdasarkan suara menggunakan dimensi fraktal Higuchi dan K-Nearest Neighbor (KNN). Data yang digunakan yaitu 80 data suara kucing dengan kondisi angry (marah), fighting (berkelahi), happy (senang), huntingmind (berburu), mating (kawin), paining (sakit), resting (istirahat), dan warning (peringatan). Tahapan awal yang dilakukan yaitu proses Pre-Processing, kemudian ekstraksi ciri menggunakan Discrete Wavelet Transform dengan tipe mother wavelet Daubechies 4 dan dekomposisi 5 level. Selanjutnya akan dicari nilai dimensi fraktal dengan metode Higuchi. Setelah diperoleh nilainya, data dibagi menjadi 2 yaitu data training dan data testing. Selanjutnya diklasifikasikan menggunakan algoritma KNN dengan percobaan nilai K yaitu 1, 3, 5, 7, dan 9. Dari penelitian ini diperoleh akurasi tertinggi sebesar 87,5% dengan nilai K-max pada metode Higuchi adalah 60 dan K pada KNN adalah 9. Hal ini menunjukkan bahwa metode Higuchi dan KNN dapat diterapakan dalam klasifikasi kondisi kucing berdasarkan suara.
Kata Kunci: Suara kucing, kondisi, dimensi fraktal, metode Higuchi, KNN
Steven Johnson Author Talk Poster
No full textK-State Book NetworkA poster advertising an author talk by Steven Johnson at Kansas State University on September 3, 2014. Steven Johnson's book "The Ghost Map" was the 2014-2015 common book
PENERAPAN DIMENSI FRAKTAL HIGUCHI DAN K-NEAREST NEIGHBOR DALAM KLASIFIKASI PASSERIFORMES (BURUNG PENGICAU) BERDASARKAN SUARA
No full textPasseriformes adalah salah satu kelas aves yang merupakan jenis burung pengicau. Tingkat konservasi dari spesies Passeriformes masih relatif rendah dan populasinya sudah mulai menurun, sehingga kelestarian Passeriformes perlu dipertahankan dari kepunahan maupun penurunan populasinya. Burung memiliki habitat yang beraneka ragam, sehingga menyebabkan keterbatasan dalam mengetahui ada atau tidaknya spesies burung di suatu wilayah. Suara kicauan dapat digunakan untuk mengenali jenis burung berdasarkan suaranya. Dengan dimensi fraktal bisa melakukan analisis suara Passeriformes berdasarkan ciri sinyal suaranya. Penelitian ini akan mengklasifikasikan Passeriformes berdasarkan suara menggunakan metode Higuchi serta K-Nearest Neighbor. Langkah awal yaitu pra-pemrosesan, selanjutnya adalah proses ekstraksi ciri menggunakan Discrete Wavelet Transform (DWT) dan dekomposisi wavelet 5 level menggunakan tipe mother wavelet Daubechies4. Selanjutnya yaitu menghitung nilai dari dimensi fraktal dengan memakai metode Higuchi. Setelah memperoleh nilai dimensi fraktal, data dibagi menjadi dua yaitu data pelatihan dan data pengujian. Selanjutnya data diklasifikasikan menggunakan algoritma K- Nearest Neighbor. Dalam penelitian ini, telah diperoleh nilai dengan akurasi tertinggi sebesar 90% dimana perbandingan data pelatihan maupun data pengujian adalah 9:1, dengan nilai Kmax =60, serta nilai k pada K-NN adalah 1, 2 dan 5. Sehingga, dapat disimpulkan penerapan dimensi fraktal Higuchi serta K-Nearest Neighbor dapat digunakan dalam mengklasifikasikan Passeriformes berdasarkan suara.
Kata Kunci: Passeriformes, Dimensi Fraktal Higuchi, K-Nearest Neighbor (K-NN)
KLASIFIKASI JENIS DELPHINIDAE (LUMBA-LUMBA) DENGAN DIMENSI FRAKTAL MENGGUNAKAN METODE HIGUCHI DAN KNN (K-NEAREST NEIGHBOR)
No full textThe delphinidae family belongs to the Cetacean Order and is a member of the Odontocetes. The delphinidae family has characterized by the physical characteristics and frequency ranges of sound signals produced. Living in the sea and being a rare animal makes delphinidae very difficult to find and if we want to be classified, we have to capture and analyze the physicality of delphinidae. By using the fractal dimension we can analyze the sounds of the delphinidae family based on the characteristics of their sound signals to classify them. In this research, members of the delphinidae family will be classified using the Higuchi and K-Nearest Neighbor methods. By using 80 data, namely Common Dolphin 18 data, Killer Whale 20 data, Fraser's Dolphin 20 data, and Long-Finned Pilot Whale 22 data, the data used is .wav. In the first step, the Pre-Processing process will be carried out, then the feature extraction process will be carried out using the Discrete Wavelet Transform type mother wavelet Daubechies db4 wavelet with level 5 decomposition and Fast Fourier Transform. Then we will find the fractal dimension value using the Higuchi method. After obtaining the fractal dimension, the data will be divided into Training data and Testing data using k-cross validation with k value experiments namely 2, 4, 8, and 10. After the data is divided the data will be classified using K-Nearest Neighbor with an experimental K value. namely 1, 3, 5 and 7. In this study, the highest accuracy value was 82.5% with Kmax = 50, k = 8, and K = 3.Thus it can be concluded, the Higuchi and K-Nearest Neighbor methods can be used to classify members of the family delphinidae
Keywords: Delphinidae, classification of member of family delphinidae, Higuchi fractal dimension, KNN
 
Klasifikasi Jenis Emosi Berdasarkan Gelombang Otak Menggunakan Dimensi Higuchi Dengan K-Nearest Neighbor
No full textGelombang otak dibagi menjadi 5 jenis antara lain, gelombang otak alpha, beta, gamma, delta, dan theta. Gelombang otak tersebut dapat direkam dengan menggunakan alat electoencephalogram (EEG). Dengan menggunakan jenis gelombang otak yang direkam menggunakan Electroencephalography (EEG) akan diklasifikasikan jenis emosi secara matematis menggunakan nilai dimesi fraktal. Tujuan dari penelitian ini adalah untuk mengklasifikasi jenis emosi pada manusia berdasarkan nilai dimensi higuchi dari beberapa kondisi gelombang otak dengan K-Nearest Neighbor (KNN). Pada penelitian ini gelombang otak yang sudah direkam dan dipisahkan sesuai label akan dihitung dimensi higuchi dengan nilai k-max yang digunakan adalah 5, 15, 25, dan 30. Selanjutnya, data yang telah dihitung dimesinya dibagi 2 data sebagai data training dan data testing menggunakan cross validation dan nilai k-fold yang digunakan adalah 2, 4, 10, 15, 20. Untuk proses klasifikasi akan diproses melalui software WEKA dengan nilai K pada KNN yang digunakan adalah 1, 2, 3, 4, dan 5. Pada penelitian ini diperoleh nilai akurasi tertinggi sebesar 91,67% dengan nilai k-max = 15, nilai k pada cross validation = 15 dan nilai K pada KNN = 3. Sehingga, klasifikasi jenis emosi berdasarkan gelombang otak dapat diklasifikasikan menggunakan dimensi higuchi dengan K-Nearest Neighbor
KLASIFIKASI PENYAKIT PARU BERDASAR SUARA PERNAPASAN MENGGUNAKAN DIMENSI FRAKTAL HIGUCHI DAN K-NEAREST NEIGHBOR
No full textPernapasan merupakan proses menghirup dan menghembuskan udara dengan melibatkan pertukaran udara pada alveolus paru-paru. Beberapa gangguan atau penyakit yang menyerang organ sistem pernapasan atau paru antara lain Bronkitis, COPD, dan URTI. Menentukan jenis penyakit yang diderita seseorang sangatlah penting untuk dapat menentukan jenis obat yang sesuai. Untuk membedakan jenis penyakit paru ini selain dengan menggunakan MRI atau hasil rontgen juga berdasar suara napas pnederita. Pada penelitian ini deteksi jenis penyakit paru didasarkan pada suara pernapasan dengan menggunakan dimensi fractal Higuchi. Untuk klasifikasi suara penyakit pernapasan pada manusia dapat dilakukan dengan menganalisis ciri khas sinyal suaranya. Dalam penelitian ini, klasifikasi didasarkan untuk membedakan jenis penyakit paru bronkitis, COPD, URTI dari paru yang sehat berdasarkan nilai dimensi Higuchi dengan dekomposisi wavelet 5 level dengan K-Nearest Neighbor (KNN). Data yang digunakan sebanyak 117 data suara pernapasan berupa data wav yang terdiri atas 13 data penderita bronkitis, 64 data penderita COPD, 26 data suara napas orang sehat, dan 14 data penderita URTI. Metode yang digunakan adalah Pre-Prosessing yaitu menghilangkan noise dan menormalisasi data suara, kemudian menggunakan Discrete Wavelet Transform tipe Mother Wavelet Daubechies db4 dengan dekomposisi level 5 sebagai ekstraksi ciri, lalu mencari nilai dimensi fraktal dengan metode Higuchi. Setelah mendapatkan nilai dimensi fractal, data dibagi menjadi dua yaitu data train dan data test menggunakan jarak Euclidean dengan perbandingan data train dan data test yaitu 1:9 hingga 9:1. Kemudian, data diklasifikasi menggunakan metode K-Nearest Neighbor dengan nilai k percobaan yaitu 1, 2, 5, 8, 9, 10, dan 11. Pada penelitian ini, diperoleh nilai akurasi tertinggi sebesar 83% dengan nilai K-max = 60, dengan perbandingan data train dan data test yakni 9:1, dan nilai k = 1 dan 2 pada KNN. Sehingga dapat disimpulkan bahwa dengan metode dimensi fraktal Higuchi dan K-Neares Neighbor dari suara pernapasan dapat digunakan untuk mengklasifikasi jenis penyakit paru pada manusia
- …
