To see the other types of publications on this topic, follow the link: Metoda PCA (Principal Component Analysis).
Journal articles on the topic 'Metoda PCA (Principal Component Analysis)'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the top 50 journal articles for your research on the topic 'Metoda PCA (Principal Component Analysis).'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Browse journal articles on a wide variety of disciplines and organise your bibliography correctly.
1
Suhery, Cucu, and Ikhwan Ruslianto. "Identifikasi Wajah Manusia untuk Sistem Monitoring Kehadiran Perkuliahan menggunakan Ekstraksi Fitur Principal Component Analysis (PCA)." Jurnal Edukasi dan Penelitian Informatika (JEPIN) 3, no. 1 (April 17, 2017): 9. http://dx.doi.org/10.26418/jp.v3i1.19792.
Full textAbstract:
Berbagai sistem monitoring presensi yang ada memiliki kekurangan dan kelebihan masing-masing, dan perlu untuk terus dikembangkan sehingga memudahkan dalam proses pengolahan datanya. Pada penelitian ini dikembangkan suatu sistem monitoring presensi menggunakan deteksi wajah manusia yang diintegrasikan dengan basis data menggunakan bahasa pemrograman Python dan library opencv. Akuisisi data citra dilakukan dengan ponsel android, kemudian citra tersebut dideteksi dan dipotong sehingga hanya didapat bagian wajah saja. Deteksi wajah menggunakan metode Haar-Cascade Classifier, kemudian ekstraksi fitur dilakukan menggunakan metode Principal Component Analysis (PCA). Hasil dari PCA diberi label sesuai dengan data manusia yang ada pada basis data. Semua citra yang telah memiliki nilai PCA dan tersimpan di basis data akan dicari kemiripannya dengan citra wajah pada proses pengujian menggunakan metoda Euclidian Distance. Pada penelitian ini basis data yang digunakan yaitu MySQL. Hasil deteksi citra wajah pada proses pelatihan memiliki tingkat keberhasilan 100% dan hasil identifikasi wajah pada proses pengujian memiliki tingkat keberhasilan 90%.. Kata kunci— android, haar-cascade classifier, principal component analysis, euclidian distance, MySQL, sistem monitoring presensi, deteksi wajah
2
Murdika, Muhammad Alif, Yessi Mulyani, Umi. "Identifikasi Kualitas Buah Tomat dengan Metode PCA (Principal Component Analysis) dan Backpropagation." Electrician 15, no. 3 (October 25, 2021): 175–80. http://dx.doi.org/10.23960/elc.v15n3.2240.
Full textAbstract:
Intisari — Analisis komponen utama atau principal component analysis merupakan suatu metode yang digunakan dalam menganalisis kumpulan dataset untuk meringkas karakteristik utama mereka. Metode PCA ini mengurangi dimensi dataset dengan memproyeksikan setiap titik data ke hanya beberapa komponen utama pertama untuk mendapatkan data berdimensi lebih rendah sambil mempertahankan sebanyak mungkin variasi data. Pada penelitian ini digunakan metode PCA untuk memproyeksikan data citra sehingga diperoleh data ekstraksi ciri dengan dimensi yang lebih kecil. Selanjutnya metode Backpropagation diterapkan untuk melakukan proses identifikasi. Dataset yang digunakan sebanyak 30 dataset yang terdiri dari 10 buah citra uji dan 20 data latih. Dari simulasi yang dilakukan diperoleh kesimpulan bahwa Metode PCA yang diterapkan berhasil mengurangi dimensi data. Identifikasi kualitas buah tomat menggunakan metode Back-propagation menunjukkan tingkat ketepatan dengan akurasi mencapai 76,7%. Nilai akurasi tersebut menunjukkan bahwa sistem ini telah berjalan dengan baik.
Kata kunci — Back-propagation, PCA (Principal Componenet Analisys), Pengolahan Citra, JST (Jaringan Syaraf Tiruan).
Abstract — Principal component analysis is a method used in analyzing datasets to summarize their main characteristics. This PCA method reduces the dimension of the dataset by projecting each data point onto only the first few principal components to obtain lower dimensional data while maintaining as much variation of the data as possible. In this study, the PCA method was used to project image data in order to obtain feature extraction data with smaller dimensions. Furthermore, the Backpropagation method is applied to carry out the identification process. The dataset used is 30 data consisting of 10 test images data and 20 training data. From the simulation, it can be concluded that the PCA method applied has succeeded in reducing the dimensions of the data. Identification of tomato fruit quality using the Back-propagation method shows the level of accuracy with an accuracy of 76.7%. it indicates that this system has been running well.
Keywords — Backpropagation, PCA (Principal Component Analysis), Image Processing, ANN (Artificial Neural Networks).
3
Tinungki, Georgina M., and Nurtiti i. Sunusi. "Penerapan Sparse Principal Component Analysis dalam Menghasilkan Matriks Loading yang Sparse." Jurnal Matematika Statistika dan Komputasi 15, no. 2 (December 6, 2018): 42. http://dx.doi.org/10.20956/jmsk.v15i2.5568.
Full textAbstract:
Sparse Principal Component Analysis (Sparse PCA) merupakan salah satu pengembangan dari metode PCA. Sparse PCA memodifikasi variabel-variabel baru yang merupakan kombinasi linear dari variabel lama (variabel asli) yang dihasilkan oleh metode PCA. Pemodifikasian variabel baru ini dilakukan dengan dengan menghasilkan matriks loading yang sparse sehingga variabel lama yang tidak efektif (memiliki nilai loading sama dengan nol) dapat dikeluarkan dari model PCA. Pada penelitian ini, metode Sparse PCA diterapkan pada data Indikator Kemiskinan Penduduk Indonesia Tahun 2015 yang memuat 13 variabel dan 34 observasi dengan reduksi variabel menghasilkan 4 (empat) variabel baru yang telah mampu menjelaskan 80,1% dari total variansi data. Hasil penelitian menunjukkan, matriks loading yang dihasilkan menggunakan metode Sparse PCA menjadi sparse dengan terdapat 11 elemen (nilai loading) matriks bernilai nol sehingga model yang dihasilkan menjadi lebih sederhana dan mudah untuk diinterpretasikan.
4
Tinungki, Georgina M., and Nurtiti Sunusi. "Penerapan Sparse Principal Component Analysis dalam Menghasilkan Matriks Loading yang Sparse." Jurnal Matematika Statistika dan Komputasi 15, no. 2 (December 20, 2018): 44. http://dx.doi.org/10.20956/jmsk.v15i2.5713.
Full textAbstract:
Abstract Sparse Principal Component Analysis (Sparse PCA) is one of the development of PCA. Sparse PCA modifies new variables as a linier combination of p old variables (original variable) which is yielded by PCA method. Modifying new variables is conducted by producing a loading yang sparse matrix, such that old variable which is not effective (value of loading is zero) able be exit from PCA. In this study, Sparse PCA method was applied on data of Indonesia Poverty population in 2015, that contains 13 variables and 34 observation with variable reduction such that yields 4 (four) new variables, which can explain 80.1% of total variance data. This study show, the loading matrix that has been yielded by using Sparse PCA method to become sparse with there exist 11 elements (loading value) zero entry of matrix, such that the model that has been produced to be simpler and easy to be interpreted. Keywords: Principal Component Analysis, Sparse Principal Component Analysis, reduksi dimensi, matriks loading yang sparse Abstrak Sparse Principal Component Analysis (Sparse PCA) merupakan salah satu pengembangan dari metode PCA. Sparse PCA memodifikasi variabel-variabel baru yang merupakan kombinasi linear dari variabel lama (variabel asli) yang dihasilkan oleh metode PCA. Pemodifikasian variabel baru ini dilakukan dengan dengan menghasilkan matriks loading yang sparse sehingga variabel lama yang tidak efektif (memiliki nilai loading sama dengan nol) dapat dikeluarkan dari model PCA. Pada penelitian ini, metode Sparse PCA diterapkan pada data Indikator Kemiskinan Penduduk Indonesia Tahun 2015 yang memuat 13 variabel dan 34 observasi dengan reduksi variabel menghasilkan 4 (empat) variabel baru yang telah mampu menjelaskan 80,1% dari total variansi data. Hasil penelitian menunjukkan, matriks loading yang dihasilkan menggunakan metode Sparse PCA menjadi sparse dengan terdapat 11 elemen (nilai loading) matriks bernilai nol sehingga model yang dihasilkan menjadi lebih sederhana dan mudah untuk diinterpretasikan. Kata Kunci: Principal Component Analysis, Sparse Principal Component Analysis, reduksi dimensi, matriks loading yang sparse
5
Rosyani, Perani. "Pengenalan Wajah Menggunakan Metode Principal Component Analysis (PCA) dan Canberra Distance." Jurnal Informatika Universitas Pamulang 2, no. 2 (June 25, 2017): 118. http://dx.doi.org/10.32493/informatika.v2i2.1515.
Full textAbstract:
Wajah merupakan salah satu karakteristik biometrik yang digunakan untuk mengenali seseorang selain karakteristik yang lain seperti ucapan; sidik jari; retina; dll. Wajah adalah struktur multidimesi yang sangat kompleks dan membutuhkan tehnik komputasi yang baik untuk pengenalan. Di dalam penelitian ini; penulis mengambil 10 pose wajah yang berbeda kemudian menggunakan metode PCA untuk pengoptimalan dalam mereduksi dimensi. Setelah citra original di ekstraksi menggunakan PCA maka akan di hitung tingkat kesamaan (similarity degree) antara gambar test dengan gambar training menggunakan metode jarak. Hasil dari penelitian ini adalah tingkat kesamaan yang dihasilkan setelah proses reduksi dan ekstraksi menggunakan PCA didapatkan rata-rata nilai untuk Canbera Distance adalah 77;59.
6
Yusni, Romi mulyadi, and Zaini. "Identifikasi Pengenalan Wajah Perokok Menggunakan Metode Principal Component Analysis." Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) 4, no. 5 (October 30, 2020): 892–98. http://dx.doi.org/10.29207/resti.v4i5.2272.
Full textAbstract:
Cigarettes are one of the biggest contributors to preventable causes of death in society. Cigarette smoke contains various chemicals that can cause various diseases such as chronic coughs, lung cancer, and other health problems. Cigarette smoke not only harms the health of the smoker itself but also the health of others. Sometimes written warnings about smoking bans are often not followed by active smokers. This study aims to identify smokers 'facial recognition in order to recognize and identify smokers' faces who do not obey the rules by using dimensional reduction techniques oriented to the Principal component Analysis (PCA) method. Principal Component Analysis will later be integrated with the Eigenface and Eucladean analysis algorithms to reduce the image size in obtaining the best value vectors to simplify the face image in the input image space and look for the threshold value which is the threshold that the test data must pass so that it can prove the data value. testing becomes recognizable data through the calculation of the distance for each weight. In this study, there were 8 smoker faces with 5 different facial poses that were tested for 40 face recognition experiments and resulted in 34 correct smoker face recognition and 6 wrong smoker face recognition with an accuracy rate of 92.5% and a long face recognition process time of 80. second. This test has proven that the Eigenface and Euclidean distance in the Principal Component Analysis (PCA) are able to handle and recognize smoker's facial image data well.
7
Harizahayu, Harizahayu. "PENGENALAN EKSPRESI RAUT WAJAH BERBASIS JARINGAN SARAF TIRUAN BACKPROPAGATION DENGAN METODE PRINCIPAL COMPONENT ANALYSIS." BAREKENG: Jurnal Ilmu Matematika dan Terapan 15, no. 1 (March 1, 2021): 037–46. http://dx.doi.org/10.30598/barekengvol15iss1pp037-046.
Full textAbstract:
The development of artificial neural networks is related to statistical and biometric analysis which is one of the applications that can require artificial neural network models. Recognition of facial patterns is an important part of identifying a person. The face can be divided into areas such as the nose, eyes and mouth. Face pattern recognition is a research area that can be applied to the principal component analysis (PCA) method. The training process carried out by the eigenface calculation uses PCA and the results of this study show that facial pattern recognition based on the proportion of memorization and generalization for the use of the method without PCA is better than facial pattern recognition using PCA. Pattern recognition without using the PCA method, the level of memorization and generalization reaches 100% at the 40th iteration and 0.0099 error with a learning rate and momentum of 0.8, while facial pattern recognition using the PCA method, the memorization and generalization level reaches 100% in the iteration. to -1000 and error 0.00103 with learning rate and momentum 0.9.
8
Susilowati, Bekti Endar, and Pardomuan Robinson Sihombing. "Metode ROBPCA (Robust Principal Component Analysis) dan Clara (Clustering Large Area) pada Data dengan Outlier." Jurnal Ilmu Komputer 13, no. 2 (September 28, 2020): 11. http://dx.doi.org/10.24843/jik.2020.v13.i02.p04.
Full textAbstract:
Principal Component Analysis (PCA) merupakan salah satu analisis multivariat yang digunakan untuk mengganti variable dengan Principal Component yang sedikit jumlahnya namun tidak terlalu banyak informasi yang hilang. Atau dengan kata lain, it used to explain the underlying variance-covariance structure of the large data set of variables through a few linear combination of these variables. PCA sangat dipengaruhi oleh kehadiran outlier karena didasarkan pada matriks kovarian yang sensitive terhadap outlier. Oleh karena itu, pada analisis ini akan digunakan PCA yang robust terhadap outlier yaitu ROBPCA atau PCA Hubert. Selanjutnya, dari Principal Component yang terbentuk digunakan sebagai input (masukan) untuk cluster analysis dengan metode Clara (Clustering Large Area). Clustering Large Area merupakan salah satu metode k-medoids yang robust terhadap outlier dan baik digunakan pada data dalam jumlah besar. Dalam studi kasus terhadap variabel penyusun indeks kebahagiaan berdasarkan The World Happiness Report 2018 dengan metode Clara yang menggunakan jarak manhattan didapatkan nilai rata-rata Overall Average Silhouette Width yang terbaik pada 5 cluster.
9
Faroek, Dewi Astria, Rusydi Umar, and Imam Riadi. "Deteksi Keaslian Citra Menggunakan Metode Error Level Analysis (ELA) dan Principal Component Analysis (PCA)." Format : Jurnal Ilmiah Teknik Informatika 8, no. 2 (February 4, 2020): 132. http://dx.doi.org/10.22441/format.2019.v8.i2.006.
Full textAbstract:
Kemajuan teknologi yang ada pada citra digital mempengaruhi banyak kemungkinan pada perangkat pencitraan dengan resolusi yang tinggi dengan biaya yang rendah. Hal ini dapat dimanfaatkan oleh pihak-pihak tertentu dalam memanipulasi citra digital agar lebih baik hingga sangat jauh dari hasil citra aslinya. Pemalsuan citra adalah proses manipulasi pada sebagian atau seluruh daerah citra baik terhadap isi maupun konteks citra dengan bantuan teknik pemrosesan citra digital. Dengan manipulasi citra ini banyak pihak yang dapat melakukan sebuah tindakan kejahatan. Definisi forensik citra merupakan bidang ilmu yang digunakan untuk mengidentifikasi asal dan menverifikasi keaslian sebuah citra tersebut. Hal yang mendasari dalam melakukan deteksi keaslian citra adalah melakukan perbandingan antara dua image dan dua metode yaitu metode Error Level Analysis (ELA) dan Principal Component Analysis (PCA) dengan menggunakan tools forensically-beta. Penelitian ini diharapkan menunjukkan hasil yang baik dalam mendeteksi objek pada citra sehingga dapat membantu dalam mendeteksi citra yang asli dan citra yang telah dimanipulasi berdasarkan metode ELA dan PCA.
10
Suryaman, Sean Alexander, Rita Magdalena, and Sofia Sa'idah. "Klasifikasi Cuaca Menggunakan Metode VGG-16, Principal Component Analysis Dan K-Nearest Neighbor." Jurnal Ilmu Komputer dan Informatika 1, no. 1 (August 28, 2021): 1–8. http://dx.doi.org/10.54082/jiki.1.
Full textAbstract:
Cuaca merupakan suatu fenomena alam yang sangat berdampak bagi manusia. Informasi tentang kondisi cuaca sangat dibutuhkan oleh manusia. Informasi ini sangat bermanfaat untuk mengetahui kejadian cuaca disekitar kita. Sistem klasifikasi saat ini mengandalkan serangkaian sensor mahal atau bantuan manusia. Kecerdasan buatan merupakan suatu cabang ilmu komputer yang membantu manusia dalam mengatasi masalah yang ada. Penelitian ini menggunakan kecerdasan buatan untuk mengklasifikasi kondisi cuaca dengan menggunakan metode VGG-16, Principal Component Analysis (PCA) dan K-Nearest Neighbor (KNN). Pertama ciri akan dicari menggunakan VGG-16, lalu memanfaatkan Principal Component Analysis (PCA) untuk mereduksi data agar lebih efektif. Dan menggunakan K-Nearest Neighbor (KNN) untuk mengklasifikasian data. K-Nearest Neighbor (KNN) menggunakan jarak untuk mengklasifikasikan data. Jarak yang dipilih merupakan jarak terpendek yang akan menunjukan ketetanggan untuk menghasilkan keluaran apakah cuaca sedang cerah, berawan, berkabut, hujan dan matahari terbit. Sistem tersebut dibuat menggunakan platform Google Colab dengan bahasa pemrograman Python. Berdasarkan hasil penelitian, diperoleh sistem klasifikasi cuaca dengan akurasi sebesar 87,50%. Hasil akurasi tersebut diperoleh ketika digunakan 450 data uji dan 1050 data latih. Adapun parameter terbaik yang dihasilkan, yaitu ukuran citra 256 x 256, jenis KNN adalah Cosine, nilai KNN di k = 9, dan Persentase PCA 30%.
11
Putri, Bella Adinda. "Pengenalan Citra Wajah Menggunakan Minimum Distance Classifier Berdasarkan Fitur Principal Component Analysis." JATISI (Jurnal Teknik Informatika dan Sistem Informasi) 8, no. 2 (June 17, 2021): 727–37. http://dx.doi.org/10.35957/jatisi.v8i2.551.
Full textAbstract:
Penelitian ini menyajikan kombinasi unik dari teknik ekstraksi fitur dan metode pengenalan yang bekerja baik pada lebih dari satu dataset wajah standar. Fokus utama dalam penelitian ini adalah bagaimana mendapatkan fitur dari setiap citra wajah untuk membedakan wajah satu sama lain dengan menerapkan metode Principal Component Analysis (PCA) sebagai ekstraksi ciri, dan Minimum Distance Classifier sebagai algoritma pengenalan sehingga didapatkan hasil pengenalan yang akurat. Untuk mencapai tujuan tersebut, perlu dilakukan studi kepustakaan untuk memahami konsep dan landasan teori agar dapat memperkuat asumsi metode Principal Component Analysis dan Minimum Distance Classifier. Hasil pengenalan dengan menggunakan data uji dari ORL database mendapatkan keakuratan sebesar 97%, sedangkan hasil pengenalan menggunakan data uji dari YALE database mendapatkan keakuratan sebesar 94,6%. Sehingga dapat disimpulkan bahwa penggabungan metode PCA dan Minimum Distance Classifier dapat memberikan solusi yang cepat dan sederhana dengan meningkatkan atau tanpa mengurangi akurasi standar.
12
Maatuil, Sueharti, Hanny Komalig, and Charles Mongi. "Penggunaan Kernel Principal Component Analysis Fungsi Polinomial Dalam Menyelesaikan Masalah Pengelompokan Plot Peubah Ganda." d'CARTESIAN 4, no. 1 (February 10, 2015): 76. http://dx.doi.org/10.35799/dc.4.1.2015.8101.
Full textAbstract:
Tujuan dari penelitian ini yaitu mempelajari penggunaan kernel PCA fungsi polinomial untuk membantu menyelesaikan masalah plot peubah ganda terutama yang berhubungan dalam pengelompokan. Data yang digunakan dalam penelitian ini adalah data sekunder yang berupa plot peubah ganda. Metode kernel adalah salah satu cara untuk mengatasi kasus-kasus yang tidak linier. Kernel PCA merupakan PCA yang diaplikasikan pada input data yang telah ditransformasikan ke feature space. Misalkan F: Rn®F fungsi yang memetakan semua input data xiÎRn, berlaku F(xi)ÎF. Salah satu kernel yang banyak digunakan adalah kernel polinomial. Dimana h0 adalah parameter skala yang akan dipilih. Fungsi kernel polynomial K(xi, xj‘) = (xiT, xj‘ + h0)d. Hasil dari penelitian ini menunjukkan bahwa penggunaan Kernel Principal Component Analysis (KPCA) dengan fungsi kernel polinomial sangat membantu dalam menyelesaikan masalah plot peubah ganda yang belum dapat dikelompokan dengan garis pemisah yang linier. Kata kunci : Kernel PCA, Kernel PCA Fungsi Polinomial, Plot Peubah Ganda
13
Widagdo, Krisan Aprian, Kusworo Adi, and Rahmat Gernowo. "Kombinasi Feature Selection Fisher Score dan Principal Component Analysis (PCA) untuk Klasifikasi Cervix Dysplasia." Jurnal Teknologi Informasi dan Ilmu Komputer 7, no. 3 (May 22, 2020): 565. http://dx.doi.org/10.25126/jtiik.2020702987.
Full textAbstract:
<p>Pengamatan citra Pap Smear merupakan langkah yang sangat penting dalam mendiagnosis awal terhadap gangguan servik. Pengamatan tersebut membutuhkan sumber daya yang besar. Dalam hal ini machine learning dapat mengatasi masalah tersebut. Akan tetapi, keakuratan machine learning bergantung pada fitur yang digunakan. Hanya fitur relevan dan diskriminatif yang mampu memberikan hasil klasifikasi akurat. Pada penelitian ini menggabungkan <em>Fisher Score</em> dan <em>Principal Component Analysis </em>(PCA). Pertama Fisher Score memilih fitur relevan berdasarkan perangkingan. Langkah selanjutnya PCA mentransformasikan kandidat fitur menjadi dataset baru yang tidak saling berkorelasi. Metode jaringan syaraf tiruan <em>Backpropagation</em> digunakan untuk mengevaluasi performa kombinasi Fisher Score dan PCA. Model dievaluasi dengan metode 5 <em>fold cross validation</em>. Selain itu kombinasi ini dibandingkan dengan model fitur asli dan model fitur hasil Fscore. Hasil percobaan menunjukkan kombinasi fisher score dan PCA menghasilkan performa terbaik (akurasi 0.964±0.006, Sensitivity 0.990±0.005 dan Specificity 0.889±0.009). Dari segi waktu komputasi, kombinasi Fisher Score dan PCA membutuhkan waktu relative cepat. Penelitian ini membuktikan bahwa penggunaan feature selection dan feature extraction mampu meningkatkan kinerja klasifikasi dengan waktu yang relative singkat.</p><p> </p><p class="Judul2"><strong><em>Abstract</em></strong></p><p class="Judul2"> </p><p class="Abstract"><em>Examination Pap Smear images is an important step to early diagnose cervix dysplasia. It needs a lot of resources. In this case, Machine Learning can solve this problem. However, Machine learning depends on the features used. Only relevant and discriminant features can provide an accurate classification result. In this work, combining feature selection Fisher Score (FScore) and Principal Component Analysis (PCA) is applied. First, FScore selects relevant features based on rangking score. And then PCA transforms candidate features into a new uncorrelated dataset. Artificial Neural Network Backpropagation used to evaluate performance combination FScore PCA. The model evaluated with 5 fold cross validation. The other hand, this combination compared with original features model and FScore model. Experimental result shows the combination of Fscore PCA produced the best performance (Accuracy 0.964±0.006, Sensitivity 0.990±0.005 and Specificity 0.889±0.009). In term of computational time, this combination needed a reasonable time. In this work, it was proved that applying feature selection and feature extraction could improve performance classification with a promising time.</em></p>
14
Raharja, Bayu, Agung Setianto, and Anastasia Dewi Titisari. "Aplikasi Principle Component Analysis dan Directed Principal Component untuk Pemetaan Alterasi Hidrotermal menggunakan Citra ASTER di Kecamatan Kokap, Kulon Progo." Jurnal Geologi dan Sumberdaya Mineral 20, no. 3 (June 13, 2019): 119. http://dx.doi.org/10.33332/jgsm.geologi.20.3.119-131.
Full textAbstract:
Endapan emas di daerah Kokap, Kabupaten Kulon Progo yang berasosiasi dengan endapan tipe epitermal terbentuk akibat adanya proses alterasi hidrotermal. Pemanfaatan data penginderaan jauh untuk pemetaan alterasi telah berhasil dilakukan diberbagai lokasi. Penelitian ini bertujuan untuk mengkaji kemampuan citra ASTER saluran visible near infrared (VNIR) dan saluran shortwave infrared (SWIR) dalam memetakan jenis alterasi menggunakan metode Principle Component Analysis (PCA) dan Directed Principal Component (DPC). Klasifikasi multispektral selanjutnya dilakukan untuk membedakan tipe alterasi hidrotermal menggunakan kombinasi saluran hasil PCA dan DPC. Keberhasilan pemetaan alterasi hidrotermal dievaluasi secara statistik menggunakan confusion matrix. Tingkat akurasi yang dapat diterima adalah sebesar 85% dengan koefisien kappa lebih besar dari 0.8. Hasil penelitian menunjukkan metode DPC memiliki akurasi lebih baik dari PCA dalam memetakan tipe alterasi meskipun tingkat akurasi keduanya dibawah batas yang ditentukan. Saluran ASTER yang paling baik digunakan untuk memetakan tipe alterasi hidrotermal di lokasi penelitian adalah 1, 2, 4, dan 6.
15
Raharja, Bayu, Agung Setianto, and Anastasia Dewi Titisari. "Aplikasi Principle Component Analysis dan Directed Principal Component untuk Pemetaan Alterasi Hidrotermal menggunakan Citra ASTER di Kecamatan Kokap, Kulon Progo." Jurnal Geologi dan Sumberdaya Mineral 20, no. 3 (June 13, 2019): 119. http://dx.doi.org/10.33332/jgsm.geologi.v20i3.437.
Full textAbstract:
Endapan emas di daerah Kokap, Kabupaten Kulon Progo yang berasosiasi dengan endapan tipe epitermal terbentuk akibat adanya proses alterasi hidrotermal. Pemanfaatan data penginderaan jauh untuk pemetaan alterasi telah berhasil dilakukan diberbagai lokasi. Penelitian ini bertujuan untuk mengkaji kemampuan citra ASTER saluran visible near infrared (VNIR) dan saluran shortwave infrared (SWIR) dalam memetakan jenis alterasi menggunakan metode Principle Component Analysis (PCA) dan Directed Principal Component (DPC). Klasifikasi multispektral selanjutnya dilakukan untuk membedakan tipe alterasi hidrotermal menggunakan kombinasi saluran hasil PCA dan DPC. Keberhasilan pemetaan alterasi hidrotermal dievaluasi secara statistik menggunakan confusion matrix. Tingkat akurasi yang dapat diterima adalah sebesar 85% dengan koefisien kappa lebih besar dari 0.8. Hasil penelitian menunjukkan metode DPC memiliki akurasi lebih baik dari PCA dalam memetakan tipe alterasi meskipun tingkat akurasi keduanya dibawah batas yang ditentukan. Saluran ASTER yang paling baik digunakan untuk memetakan tipe alterasi hidrotermal di lokasi penelitian adalah 1, 2, 4, dan 6.
16
Wibawa, Made Satria, and I. Made Dendi Maysanjaya. "MULTI LAYER PERCEPTRON DAN PRINCIPAL COMPONENT ANALYSIS UNTUK DIAGNOSA KANKER PAYUDARA." Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) 7, no. 1 (May 12, 2018): 90. http://dx.doi.org/10.23887/janapati.v7i1.12909.
Full textAbstract:
CAD (Computer Aided Diagnosis) merupakan teknik diagnosa berbantuan komputer untuk meningkatkan akurasi hasil diagnosa dari suatu penyakit. CAD telah banyak digunakan untuk diagnosa dari berbagai penyakit, khususnya penyakit kanker payudara. Multi layer perceptron (MLP) sebagai salah metode dari jaringan saraf tiruan telah banyak digunakan untuk klasifikasi kanker payudara. Penelitian ini bertujuan untuk mencari kombinasi parameter paling optimal untuk mendiagnosa kanker payudara. Kombinasi parameter tersebut juga diujikan dengan metode reduksi fitur Principal Component Analysis (PCA). Hasil penelitian menunjukkan bahwa parameter paling optimal adalah fungsi optimisasi RELU serta TANH dengan fitur optimisasi adam dengan tingkat akurasi 0.973
17
Nasution, Muhammad Zulfahmi. "PENERAPAN PRINCIPAL COMPONENT ANALYSIS (PCA) DALAM PENENTUAN FAKTOR DOMINAN YANG MEMPENGARUHI PRESTASI BELAJAR SISWA (Studi Kasus : SMK Raksana 2 Medan)." JURNAL TEKNOLOGI INFORMASI 3, no. 1 (July 20, 2019): 41. http://dx.doi.org/10.36294/jurti.v3i1.686.
Full textAbstract:
Abstract - School is one of the facilities in the implementation and development of education. SMK Raksana 2 Medan is one of the best schools in North Sumatra. With differing abilities, students differ in their level of achievement. There are several factors that greatly affect student learning achievement, among others: talent, interest, student motivation, parental motivation, home learning facilities, quality teaching from teachers, school facilities, extracurricular, additional tutoring and student association. This study aims to simplify and reduce these factors so as to obtain dominant factors that influence student learning achievement by using Principal Component Analysis (PCA). The study was conducted by collecting data through questionnaires to respondents or research samples. Finally to obtain 3 factors: The main factor (PC1) has an eigenvalue of 3.11 with a variance of 31%. The supporting factor (PC2) has an eigenvalue of 1.50 with a variance of 15%. The additional factor (PC3) has an eigenvalue of 1.16 with a variance of 12%. The overall factor gives a cumulative diversity proportion of 57.70%, meaning that the three factors according to the perceptions of students who are respondents in this study can influence student achievement at SMK Raksana 2 Medan at 57.70%.Keywords - Education, Achievement, Principal Component Analysis, Eigenvalue, Factor Analysis Abstrak - Sekolah merupakan salah satu sarana dalam penyelenggaraan dan pengembangan pendidikan. SMK Raksana 2 Medan merupakan salah satu sekolah yang memiliki banyak prestasi terbaik di Sumatera Utara. Dengan berbeda-bedanya kemampuan siswa maka berbeda pula tingkat prestasinya. Terdapat beberapa faktor yang sangat mempengaruhi prestasi belajar siswa, antara lain: bakat, minat, motivasi siswa, motivasi orang tua, fasilitas belajar dirumah, kualitas pengajaran dari guru, fasilitas sekolah, ekstrakullikuler, les tambahan dan pergaulan siswa. Penelitian ini bertujuan untuk menyederhanakan dan mereduksi faktor – faktor tersebut sehingga memperoleh faktor dominan yang mempengaruhi prestasi belajar siswa dengan menggunakan metode analisis Principal Component Analysis (PCA). Penelitian dilakukan dengan mengumpulkan data melalui kuesioner kepada responden atau sampel penelitian yaitu siswa/i kelas X dan XI SMK Raksana 2 Medan, Sehingga diperoleh 3 faktor yaitu: faktor utama (PC1) memiliki nilai eigenvalue sebesar 3.11 dengan jumlah varians sebesar 31%. Faktor pendukung (PC2) memiliki nilai eigenvalue sebesar 1.50 dengan jumlah varians sebesar 15%. Faktor tambahan (PC3) memiliki nilai eigenvalue sebesar 1.16 dengan jumlah varians sebesar 12%. Keseluruhan faktor memberikan proporsi keragaman kumulatif sebesar 57.70%, artinya ketiga faktor tersebut menurut persepsi siswa/i yang menjadi responden dalam penelitian ini dapat mempengaruhi prestasi belajar siswa/i di SMK Raksana 2 Medan sebesar 57.70%. Kata Kunci - Pendidikan, Prestasi, Principal Component Analysis, Nilai Eigen, Faktor Analisis
18
Rahmawan, Hanif. "PENENTUAN REKOMENDASI PELATIHAN PENGEMBANGAN DIRI BAGI PEGAWAI NEGERI SIPIL MENGGUNAKAN ALGORITMA C4.5 DENGAN PRINCIPAL COMPONENT ANALYSIS DAN DISKRITISASI." Jurnal Tekno Kompak 14, no. 1 (February 16, 2020): 5. http://dx.doi.org/10.33365/jtk.v14i1.531.
Full textAbstract:
Setiap institusi memiliki kebutuhan untuk terus meningkatkan pelayanan dan melakukan inovasi yang perlu mendapatkan dukungan dari SDM yang berkualitas. Pelatihan menjadi salah satu cara untuk mewujudkan SDM yang berkualitas. Namun terkadang penentuan pelatihan yang sesuai untuk seorang pegawai tidak mudah dan berpeluang menimbulkan ketidakkonsistenan. Masalah tersebut dapat diatasi dengan melakukan data mining terhadap data pemetaan pegawai sehingga didapatkan aturan untuk penentuan rekomendasi pelatihan pengembangan diri. Data pemetaan terdiri dari nilai aspek psikologis pegawai dan rekomendasi pelatihan yang diberikan oleh assessor.Pada penelitian ini digunakan tiga metode, yaitu algoritma C4.5, kombinasi PCA, dan C4.5, serta kombinasi PCA, diskritisasi, dan C4.5 untuk melakukan penambangan pada data. Diskritisasi yang digunakan adalah diskritisasi berbasis entropi. Pada tahap pra-pemrosesan digunakan teknik over-sampling SMOTE untuk menangani 4 data pelatihan yang mengalami ketidakseimbangan kelas. Pada penerapan kombinasi algoritma PCA, diskritisasi, dan C4.5 dilakukan reduksi dimensi dengan menggunakan algoritma PCA. Data hasil reduksi didiskritisasi kemudian diklasifikasi dengan algoritma C4.5.Hasil pengujian menunjukkan bahwa kombinasi PCA, diskritisasi, dan C4.5 memberikan performa yang lebih baik daripada kedua metode yang lain. Seluruh pelatihan menunjukan performa terbaik ketika diproses dengan metode ini. Penentuan rekomendasi pelatihan pengembangan diri bagi pegawai dapat dilakukan dengan metode ini dengan rerata akurasi 86,6%.
19
Inca, Inca, Triyogatama Wahyu Widodo, and Danang Lelono. "Klasifikasi Teh Hijau dan Teh Hitam Tambi-Pagilaran dengan Metode Principal Component Analysis (PCA) Menggunakan E-Nose." IJEIS (Indonesian Journal of Electronics and Instrumentation Systems) 8, no. 1 (April 30, 2018): 61. http://dx.doi.org/10.22146/ijeis.28718.
Full textAbstract:
This research aims to classification of samples of green tea and black tea originated from different planting sites, Tambi and Pagilaran. Samples of green tea and black tea; quality I (BOP), quality II (BP), quality III (Bohea) were each collected from Tambi and Pagilaran to analyze the charasteristic of both sample from both sites. Measurements of tea samples were performed using a dynamic e-nose device based on a MOS gas sensor, with a maximum set point temperature of 40ºC, flushing 300 seconds, collecting 120 seconds, and purging 80 seconds for 10 cycles repeatedly. The resulting sensor response is then processed using the difference method for baseline manipulation. Characteristic of extraction process on the sensor response results is carried out in three methods; relative, fractional change, and integral. Matrix data of the feature extraction results was reduced using the PCA method by mapping the aroma patterns of each sample using 2-PCA components. The PCA reduction results in integral feature extraction showed the largest percentage of cumulative variance in classifying green tea sample data by 97% and black tea by 100%. The large percentage value of cumulative variance indicates PCA can differentiate samples of green tea and black tea from Tambi and Pagilaran well.
20
Hasym, Imam Edwin, and Indah Susilawati. "Klasifikasi Jenis Ikan Cupang Menggunakan Algoritma Principal Component Analysis (PCA) Dan K-Nearest Neighbors (KNN)." KONSTELASI: Konvergensi Teknologi dan Sistem Informasi 1, no. 1 (April 1, 2021): 168–79. http://dx.doi.org/10.24002/konstelasi.v1i1.4242.
Full textAbstract:
Ikan cupang merupakan ikan air tawar asli asia tenggara yang memiliki warna yang menarik, sisik yang cemerlang dan indah, bentuk tubuh proporsional serta menawan, dan tergolong ikan yang agresif. Dalam penelitian kali ini saya menggunakan 3 jenis ikan cupang untuk melakukan klasifikasi dengan metode PCA dan KNN, semoga dengan adanya penelitian ini akan membantu pecinta ikan cupang dalam menentukan jenis ikan cupang. Penelitian ini dimulai dengan pengambilan sampel 3 jenis ikan cupang. Kemudian dilakukan cropping citra untuk menuju tahap proses selanjutnya yakni ekstraksi ciri, training dan testing. Masing-masing ikan di ambil 30 data citra .Total data pelatihan 45 data citra, dan 455 data citra digunakan sebagai data uji, total keseluruhan data 90 data citra. Pada proses ekstraksi ciri menggunakan ekstraksi ciri RGB,HSV dan area, Proses training dan testing menggunakan algoritma PCA dan klasifikasi menggunakan KNN. Hasil evaluasi pengenalan pola pada citra ikan cupang menggunakan klasifikasi K-NN berdasarkan ekstraksi ciri dengan PCA menghasilkan akurasi sebesar 93,33%.
21
Maura, Cut Faradilla Zha Zha, Rahmat Fadhil, and Zulfahrizal Zulfahrizal. "Pengembangan Metode Klasifikasi Biji Kopi Sangrai Arabika Gayo dan Robusta Gayo dengan Metode PCA (Principal Component Analysis) Berdasarkan Pengolahannya." Jurnal Ilmiah Mahasiswa Pertanian 4, no. 4 (March 31, 2020): 562–71. http://dx.doi.org/10.17969/jimfp.v4i4.12779.
Full textAbstract:
Abstrak. Tanaman kopi merupakan suatu tanaman yang dapat meningkatkan sumber devisa negara lewat ekspor biji mentah maupun olahan dari biji kopi. Pengolahan kopi yang berbeda maka akan menghasilkan mutu kopi yang berbeda juga, semakin bagus prosesnya maka akan semakin tinggi mutu dan harga dari kopi. Pendeteksian perbedaan proses pengolahannya yang cepat dan efisien dapat diwujudkan dengan teknologi Near Infrared Reflectance Spectroscopy (NIRS). Tujuan yang ingin dicapai dalam penelitian ini adalah untuk membangun metode klasifikasi kopi arabika dan robusta Gayo menggunakan pengolahan full wash dan semi wash dalam bentuk biji kopi yang telah disangrai. Kopi disangrai pada tingkat medium (200-205ºC) dalam waktu 16 menit. Akuisisi spektrum kopi menggunakan Self developed FT-IR IPTEK T-1516. Selanjutnya data spektrum diolah menggunakan unscrambler software® X version 10.1 dengan metode PCA (Principal Component Analysis). Hasil penelitian menunjukkan bahwa NIRS dengan metode PCA mampu mengklasifikasikan biji kopi sangrai berdasarkan pengolahannya yaitu Semi wash dan Full wash. Melalui studi ini ditemukan juga selang panjang gelombang yang dapat mengidentifikasikan kualitas kopi sehingga dapat digunakan untuk penelitian selanjutnya dalam pengembangan model identifikasi kualitas kopi.Development of Classification Methods for Gayo Roasted Arabica Coffee and Gayo Robusta by PCA Method (Principal Component Analysis)Abstract. Coffee crop is a plant that can increase the country's foreign exchange source through the export of raw beans and processed coffee beans. Different coffee processing will produce different coffee quality as well, the better the process then the quality and price of the coffee is more higher. Therefore, alternative rapid and efficiently method is needed to detect differences in the processing of coffee. Near Infrared Spectroscopy (NIRS) can be considered to be used due to its advantages. The main objective of this study is to build classification method of Gayo Arabica and Robusta coffee using fullwash and semiwash processing in form of roasted. Coffee is roasted at a medium level (200-205ºC) within 16 minutes. Acquisition of the coffee spectrum using Self-developed FT-IR IPTEK T-1516. Furthermore, the spectrum data is processed using unscrambler software ® X version 10.1 with the PCA (Principal Component Analysis) method. The results showed that NIRS with the PCA method was able to classify roasted coffee beans based on its processing, namely Semi wash and Full wash. Through this study, it was also found that wavelength intervals can identify coffee quality so that it can be used for further research in developing coffee quality identification models
22
Febriyansyah, Ilka Agusti, Rahmat Fadhil, and Zulfahrizal Zulfahrizal. "Pengembangan Metode Klasifikasi Biji Kopi Beras Arabika Gayo dan Robusta Gayo dengan Metode PCA (Principal Component Analysis) Berdasarkan Pengolahannya." Jurnal Ilmiah Mahasiswa Pertanian 4, no. 4 (March 31, 2020): 472–81. http://dx.doi.org/10.17969/jimfp.v4i4.12776.
Full textAbstract:
Abstrak. Kopi merupakan salah satu tanaman yang telah banyak dibudidayakan karena memiliki manfaat dan memiliki nilai jual yang cukup tinggi. Pengolahan kopi secara basah dapat dilakukan dengan dua cara yaitu dengan cara basah (full wash) dan semi basah (semi wash). Secara visual sulit mengidentifikasi perbedaan dari biji kopi beras robusta proses basah (full wash) dengan kopi semi basah (semi wash). Tujuan yang ingin dicapai dalam penelitian ini adalah untuk membangun metode klasifikasi kopi Arabika Gayo dan Robusta Gayo dalam bentuk biji kopi beras menggunakan pengolahan basah (full wash) dan pengolahan semi basah (semi wash). Bahan yang digunakan dalam penelitian ini biji kopi beras Arabika dan Robusta dari tanah Gayo. Penelitian ini menggunakan Principal Component Analysis (PCA) sebagai metode pengolah data spektrum. Pengukuran spektrum kopi menggunakan Self developed FT-IR IPTEK T-1516. Panjang gelombang yang digunakan pada penelitian ini antara 1000-2500 nm dengan interval 0.4 nm. Data spektrum diolah menggunakan unscrambler software® X version 10.1. Hasil penelitian menunjukkan bahwa NIRS dengan metode PCA juga mampu mengklasifikasikan biji kopi beras full wash dengan semi wash pada biji kopi Arabika dan Robusta dimana zat dominan pembeda adalah asam amino dan lemak.Development of Gayo Arabica and Robusta Gayo Arabica Coffee Bean Classification Methods with PCA( Principal Component Analysis) Method Based on ProcessingAbstract. Coffee is a plant that has been widely cultivated because it has benefits and has a high selling value. Wet coffee processing can be done in two ways, namely by means of wet (full wash) and semi-wet (semi wash). It is visually difficult to identify the difference between the wet process robusta coffee beans (full wash) and semi-wash coffee. The aim of this research is to develop a method of classifying Arabica Gayo and Robusta Gayo coffee in the form of rice coffee beans using wet wash (full wash) and semi wash. The material used in this study was Arabica and Robusta rice coffee beans from Gayo soil. This study uses Principal Component Analysis (PCA) as a method for processing spectrum data. The measurement of coffee spectrum uses Self-developed FT-IR IPTEK T-1516. Wavelengths used in this study are between 1000-2500 nm with 0.4 nm intervals. Spectrum data are processed using unscrambler software® X version 10.1. The results showed that NIRS with PCA method was also able to classify full wash coffee beans with semi wash in Arabica and Robusta coffee beans where the dominant differentiating substances were amino acids and fats.
23
Wiryadinata, Romi, Raya Sagita, Siswo Wardoyo, and Priswanto Priswanto. "Pengenalan Wajah Pada Sistem Presensi Menggunakan Metode Dynamic Times Wrapping, Principal Component Analysis dan Gabor Wavelet." Dinamika Rekayasa 12, no. 1 (February 6, 2016): 1. http://dx.doi.org/10.20884/1.dr.2016.12.1.138.
Full textAbstract:
<p align="justify">Presensi is a logging attendance, part of activity reporting an institution, or a component institution itself which contains the presence data compiled and arranged so that it is easy to search for and used when required at any time by the parties concerned. Computer application developed in the presensi system is a computer application that can recognize a person's face using only a webcam. Face recognition in this study using a webcam to capture an image of the room at any given time who later identified the existing faces. Some of the methods used in the research here is a method of the Dynamic Times Wrapping (DTW), Principal Component Analysis (PCA) and Gabor Wavelet. This system, used in testing with normal facial image expression. The success rate of the introduction with the normal expression of face image using DTW amounting to 80%, 100% and PCA Gabor wavelet 97%</p>
24
Ramadhan, Syahrul, Agus Arip Munawar, and Diswandi Nurba. "Aplikasi NIRS dan Principal Component Analysis (PCA) untuk Mendeteksi Daerah Asal Biji Kopi Arabika (Coffea arabica)." Jurnal Ilmiah Mahasiswa Pertanian 1, no. 1 (November 1, 2016): 954–60. http://dx.doi.org/10.17969/jimfp.v1i1.1182.
Full textAbstract:
Abstrak. Kopi merupakan spesies tanaman berbentuk pohon yang termasuk dalam famili Rubiaceae dan genus Coffea, tumbuh tegak, bercabang dan bila dibiarkan dapat tumbuh mencapai tinggi 12 meter. Pendeteksian mutu pangan yang cepat dan efisien dapat diwujudkan melalui pengembangan teknologi Near Infrared Reflectance Spectroscopy (NIRS). Sebanyak 54 sampel biji kopi diambil dari 6 Provinsi yang berbeda, yaitu: Aceh, Bali, Bengkulu, Nusa Tenggara Barat, Jawa Barat dan Jawa Timur. Pengamatan meliputi Principal Component Analysis (PCA) sebagai metode klasifikasi dan Pretreatment Multiplicative Scatter Correction (MSC) sebagai metode koreksi spektrum. Hasil pengujian menunjukkan bahwa PCA hanya mampu mengklasifikasikan biji kopi dari Provinsi Aceh dan Provinsi Jawa Timur, sedangkan dengan penambahan Pretreatment MSC mampu mengklasifikasikan biji kopi dari Provinsi Aceh dan Provinsi Bali dengan tingkat keberhasilan 100%.Abstract. Coffee is belong to family Rubiaceae and the genus Coffea, grow upright, branched, and can grow up to 12 meters high. The detection of food quality quickly and efficiently can be realized through the development of Near Infrared Reflectance Spectroscopy (NIRS) technology. A total of 54 Coffee bean samples were taken from 6 different province, namely: Aceh, Bali, Bengkulu, West Nusa Tenggara, West Java and East Java. Data analysis included Principal Component Analysis (PCA) were used to classify coffee based on geographic origin. Multiplicative Scatter Correction (MSC) method was used as spectra correction. The results shows that PCA is able to classify coffee beans from the Aceh and East Java province, while the addition of MSC Pretreatment able to classify the coffee beans from the province of Aceh and Bali province with 100% success rate.
25
Chaidir, Muhammad Faishal. "Analisis Kinerja Algoritma Naive Bayes dalam Mendeteksi Sinyal Menggunakan Metode Principal Component Analysis." MATICS 13, no. 2 (October 1, 2021): 63–69. http://dx.doi.org/10.18860/mat.v13i2.13112.
Full textAbstract:
Melakukan analisis teknikal saat trading sangatlah penting agar terhindar dari kerugian. Penelitian ini bertujuan untuk memberi referensi tambahan kepada para trader dalam pengambilan keputusan, khususnya untuk saham PT. Resource Alam Indonesia Tbk (KKGI). Penelitian ini merupakan analisis teknikal yang menggunakan enam indikator yaitu Bollinger Band, MACD, Pivot Point, ADX, CCI, dan Stochastic. Setiap indikator memiliki beberapa atribut, jumlah keseluruhan atribut dari keenam indikator adalah 36. Untuk mereduksi data yang tidak begitu penting, penelitian ini menerapkan metode Principal Component Analysis (PCA). Kemudian data diproses menggunakan algoritma klasifikasi Naive Bayes pada perangkat lunak Weka 3.8 sehingga menghasilkan sinyal buy/sell. Hasil yang didapat dari penelitian ini yaitu berkas model yang optimal untuk mendeteksi sinyal jual/beli. Model ini berguna bagi para trader dalam mengambil keputusan untuk mendapatkan keuntungan maksimal.Kata kunci : Analisis Teknikal, Naive Bayes, Principal Component Analysis, Weka
26
Sutranggono, Abi Nizar. "KLASIFIKASI EMOSI PADA CUITAN DI TWITTER DENGAN PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE." MATHunesa: Jurnal Ilmiah Matematika 10, no. 1 (April 30, 2022): 13–20. http://dx.doi.org/10.26740/mathunesa.v10n1.p13-20.
Full textAbstract:
Salah satu platform media sosial dengan total pengguna aktif harian terbesar adalah Twitter. Melalui Twitter, orang-orang bisa membagikan suatu pesan yang disebut dengan tweet. Ungkapan yang diekspresikan pada tweet dapat merefleksikan bagaimana emosi atau perasaan yang dimiliki seseorang. Emosi yang terkandung dalam sebuah tweet bisa dikenali lewat proses analisis sentimen. Namun, data teks Twitter tidak terstruktur, mengingat saat ini penggunaan singkatan kata, emoji, atau bahkan frasa khusus banyak dijumpai pada tweet, termasuk tweet yang diunggah oleh masyarakat Indonesia. Sehingga, untuk mengidentifikasi emosi dari data teks Twitter melalui proses analisis sentimen dibutuhkan penerapan metode yang tepat. Di sisi lain, Machine Learning telah banyak diaplikasikan dalam melakukan tugas analisis sentimen. Kerangka kerja yang disajikan pada penelitian ini melibatkan penggunaan dari algoritma Machine Learning untuk dapat menganalisis emosi yang dimuat tweet berbahasa indonesia. Selebihnya, implementasi metode FastText dan teknik ekstraksi fitur PCA juga diterapkan agar output yang diberikan maksimal. Secara keseluruhan hasil penelitian menunjukkan bahwa classifier Support Vector Machine (SVM) dengan fungsi kernel RBF yang dikombinasikan menggunakan PCA memiliki kinerja yang unggul dalam mengklasifikasikan emosi pada tweet berbahasa indonesia, dimana berturut-turut Accuracy, Precision, Recall, serta F1 Score yang dicapai sebesar 70,52%, 74,60%, 69,80%, dan juga 71,20%.
27
Putri, Ine Elisa, Kusumiyati Kusumiyati, and Agus Arip Munawar. "PENERAPAN ALGORITMA DISKRIMINASI MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) DAN Vis-SWNIR SPECTROSCOPY PADA BUAH CABAI RAWIT DOMBA BERBAGAI TINGKAT KEMATANGAN." SINTECH (Science and Information Technology) Journal 4, no. 1 (April 21, 2021): 40–46. http://dx.doi.org/10.31598/sintechjournal.v4i1.680.
Full textAbstract:
Cayenne pepper fruit can be used for health because it is a source of antioxidants. Detection of quality fruit can use non-destructive methods as an alternative method. Visible short wavelength near infrared (Vis-SWNIR) spectroscopy is non-destructive measurement. This method can be used to discriminate fruit by using the principal component analysis (PCA). This research aimed to discriminate between Cayenne pepper with various maturity by using Vis-SWNIR spectroscopy with a wavelength of 300-1065 nm and principal component analysis (PCA). Cayenne pepper fruit was devided into three groups, namely green, orange and red. The spectrum used the absorbance spectrum data (original). The research was carried out from March to June 2020. The result showed that the use of Vis-SWNIR and PCA were able to discriminate various maturity of cayenne pepper with a 100% success rate.
28
Hakiki, Hasbi. "Analisis Metode Ekstraksi Fitur Dalam Sistem Pengenalan Wajah Menggunakan Masker." Jurnal Teknologi Elektro 13, no. 1 (February 8, 2022): 1. http://dx.doi.org/10.22441/jte.2022.v13i1.001.
Full textAbstract:
Wabah coronavirus disease 19 atau covid-19 menyerang diberbagai belahan dunia. Yang mana pencegahannya adalah dengan mencuci tangan dan memakai masker. Memakai masker adalah salah satu halangan ketika seseorang akan membuka kunci layar smartphone atau bahkan fitur absensi karyawan, yang mana ini menggunakan teknologi face recognition. Sehingga, sistem absensi atau kunci layar kesulitan untuk mengenali wajah manusia tersebut ketika memakai masker. Dua dari metode yang dipakai ialah Principal Component Analysis (PCA) dan Linear Discriminant Analysis (LDA). Berdasarkan hasil percobaan pada sistem yang telah dibuat, informasi berupa hasil pengenalan gambar wajah yang diproses dari metode Principal Component Analysis mempunyai persentase rata-rata sebesar 91,3% untuk mengenali wajah manusia dengan menggunakan masker, sedangkan metode Linear discriminant Analysis mempunyai persentase rata-rata sebesar 20,67% untuk mengenali wajah manusia dengan menggunakan masker. Kemudian dengan metode pre-processing Gaussian Smoothing Filter dan metode PCA mempunyai persentase rata-rata sebesar 92,67% dan dengan metode LDA mempunyai persentase rata-rata sebesar 25,33%. Dari hasil persentase matematis, dapat disimpulkan bahwa metode Principal Component Analysis lebih unggul dalam mengenali wajah dengan memakai masker dibandingkan metode Linear discriminant Analysis baik dengan menggunakan metode pra-processing ataupun tidak menggunakan metode pra-processing
29
Muttaqin, Fauzan Zein, Nurul Aida, and Aiyi Asnawi. "Deteksi Adulteran Pada Bahan Baku Sediaan Temulawak (Curcuma xanthorrhiza ROXB) Instan Secara Tlc Fingerprint Analysis." PHARMACY: Jurnal Farmasi Indonesia (Pharmaceutical Journal of Indonesia) 15, no. 1 (July 1, 2018): 38. http://dx.doi.org/10.30595/pharmacy.v15i1.3059.
Full textAbstract:
Temulawak (Curcuma xanthorrhiza Roxb) merupakan salah satu jenis tanaman unggulan yang banyak dimanfaatkan masyarakat. Pencampuran adulteran pada bahan baku sediaan temulawak dapat membahayakan kesehatan. Penelitian ini bertujuan untuk mendeteksi adulteran pada bahan baku sediaan temulawak instan. Metode yang digunakan adalah Thin Layer Chromatography (TLC) fingerprint analysis. Sidik jari KLT temulawak dibuat menggunakan rimpang temulawak yang berasal dari Cianjur, Semarang, dan Nusa Tenggara Timur. Sementara sidik jadi kunyit (Curcuma longa)sebagai adulteran utama dibuat menggunakan rimpang kunyi dari Cianjur. Ekstraksi dilakukan dengan metode maserasi menggunakan pelarut etanol 96%. Analisis kromatogram secara kemometrik menggunakan metode Principal Component Analysis (PCA). Nilai loadings Principal Component 1 (PC1) menunjukkan kurva yang linier dan data hasil scores PC1 tersebut dapat membedakan dengan baik sidik jari temulawak dari kunyit dengan nilai scores temulawak dan kunyit berada pada kuadran yang berbeda. Hasil menunjukkan bahwa nilai scores ketiga sampel temulawak instan berada di antara kuadran temulawak dan kunyit (Curcuma Longa L). Dapat disimpulkan bahwa semua sampel positif mengandung adulteran pada temulawak instan.
30
Nurhayati, Oky Dwi, Dania Eridani, and Ajik Ulinuha. "Ekstraksi Ciri Orde Pertama dan Metode Principal Component Analysis untuk Mengidentifikasi Jenis Telur Ayam Kampung dan Ayam Arab." JURNAL SISTEM INFORMASI BISNIS 9, no. 2 (November 4, 2019): 133. http://dx.doi.org/10.21456/vol9iss2pp133-140.
Full textAbstract:
Chicken eggs become one of the animal proteins commonly used by people, especially in Indonesia. Eggs have high economic value and have diverse benefits and a high nutritional content. Visually to distinguish between domestic chicken eggs and arabic chicken eggs has many difficulties because physically the shape and color of eggs have similarities. This research was conducted to develop applications that were able to identify the types of domestic chicken eggs and Arab chicken eggs using the Principal Componenet Analysis (PCA) method and first order feature extraction. The application applies digital image processing stages, namely resizing image size, RGB color space conversion to HSV, contrast enhancement, image segmentation using the thresholding method, opening and region filling morphology operations, first order feature extraction and classification using the PCA method. The results of identification of types of native domestic chicken eggs and Arabic chicken eggs using the Principal Component Analysis method showed the results of 95% system accuracy percentage, consisting of 90% accuracy of success in the type of domestic chicken eggs and 100% accuracy of success in the type of Arabic chicken eggs.
31
Silitonga, Yuliana Chrisna, Kamid, and Cut Multahadah. "Perbandingan Metode Stepwise dan PCA pada Kasus Faktor-Faktor yang Mempengaruhi Pendapatan Asli Daerah di Provinsi Jambi." JURNAL GAMMA-PI 3, no. 2 (December 1, 2021): 12–20. http://dx.doi.org/10.33059/jgp.v3i2.4213.
Full textAbstract:
Multikolinearitas adalah hubungan linear antar variael bebas. Hubungan tersebut terjadi karena adanya korelasi antar variabel bebas. Jika terdapat data yang terjadi multikolinearitas berarti salah satu asumsi regresi linier tidak terpenuhi. Salah satu cara untuk mengatasi multikolinearitas adalah dengan menggunakan metode pemilihan model terbaik. Pada penelitian ini metode yang digunakan adalah metode Stepwise dan Principal Component Analysis (PCA). Kasus yang digunakan pada penelitian ini adalah faktor-faktor yang mempengaruhi pendapatan asli daerah (PAD) Provinsi Jambi. Faktor-faktor yang mempengaruhi PAD adalah jumlah penduduk ( ), belanja daerah ( ), PDRB Perkapita ( ), inflasi ( ), dan investasi ( ). Hasil penelitian yang diperoleh dengan menggunakan metode Stepwise adalah: dengan nilai Adjusted 2 0,968 dan nilai MSE sebesar 0,034, sedangkan hasil yang diperoleh dengan menggunakan metode PCA adalah dengan nilai Adjusted 2 sebesar 0,952 dan nilai MSE sebesar 0,048. Hal ini menunjukkan bahwa metode Stepwise lebih baik untuk mencari model terbaik pada kasus ini dengan variabel yang paling mempengaruhi adalah jumlah penduduk.
Kata kunci: Multikolinearitas, Stepwise, Principal Component Analysis (PCA), Pendapatan Asli Daerah (PAD)
32
Tiara Indah Sukmasari and Brady Rikumahu. "ANALISIS FAKTOR UTAMA PENENTU HARGA SAHAM PADA SEKTOR PERTAMBANGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS." Jurnal Mitra Manajemen 4, no. 8 (August 27, 2020): 1183–95. http://dx.doi.org/10.52160/ejmm.v4i8.444.
Full textAbstract:
Dalam investasi, para stakeholder mengharapkan keuntungan, sehingga investor dan perusahaan perlu memperhatikan faktor-faktor yang menjadi penentu harga saham. Tujuan dari penelitian ini adalah untuk mengetahui faktor penentu utama yang mempengaruhi harga saham pada sektor pertambangan. Pada penelitian ini menggunakan 20 variabel yang berpengaruh terhadap harga saham yang akan diklasifikasikan menjadi beberapa faktor utama penentu harga saham pada perusahaan terkait.
Jenis penelitian ini yaitu kuantitatif dengan menggunakan metode Principal Component Analysis (PCA) dengan tidak mengintervensi data dan dimensi waktu penelitian time series. Teknik pengambilan sampel pada penelitian ini yaitu purposive sampling dan diperoleh lima perusahaan yang memiliki kapitalisasi pasar yang tinggi.
Hasil dari penelitian ini yaitu terdapat variabel-variabel yang terkandung dalam faktor utama sebagai penentu harga saham pada PT. Aneka Tambang, Tbk, PT. Bayan Resource, Tbk, PT. Vale Indonesia, Tbk, PT. Indo Tambangraya Megah, Tbk dan PT. Medco Energi Internasional, Tbk.
33
Nurhadi, Didi. "METODE STATISTIK PRINCIPAL COMPONENT REGRESSION DALAM ANALISIS HUBUNGAN KUANTITATIF STRUKTUR DAN AKTIVITAS PENGHAMBAT LIPOKSIGENASE SENYAWA TURUNAN KURKUMIN." Teknologi : Jurnal Ilmiah dan Teknologi 1, no. 1 (June 29, 2018): 60. http://dx.doi.org/10.32493/teknologi.v1i1.1418.
Full textAbstract:
ABSTRAK Hubungan Kuantitatif Struktur dan Aktivitas (HKSA) pada suatu seri senyawa turunan kurkumin telah dikaji dengan menggunakan data muatan bersih atom hasil perhitungan semi empirik AM1 dengan pendekatan Principal Component Regression PCR. Pengkajian dilakukan terhadap data aktivitas antiinflamasi yang menghambat lipoksigenase (log (1/IC50)) sebagai fungsi linear dan variable laten (Tx) hasil transformasi data muatan bersih atom menggunakan Principal Component Analysis (PCA). Persamaan HKSA ditentukan berdasar kontribusi komponen yang terpilih dan selanjutnya dianalisis dengan pendekatan Model persamaan HKSA yang diperoleh adalah: log (1/IC50) = -0,669-1,816.T1+1,697.T2 –3,643.T3 Persamaan tersebut mempunyai tingkat kepercayaan 95 % dengan parameter statistik n =9, r2 = 0.700, SE = 0,355, Fhitung/Ftabel=1,19 dan PRESS = 0,082. Kata kunci : HKSA, kurkumin, lipoksigenase, PCA, muatan bersih atom
34
Badri, Fawaidul, and Sulistya Umie Ruhmana Sari. "Penerapan Metode Principal Component Analysis (PCA) Untuk Identifikasi Faktor-Faktor yang Mempengaruhi Sikap Mahasiswa Memilih Melanjutkan Studi ke Kota Malang." Building of Informatics, Technology and Science (BITS) 3, no. 3 (December 31, 2021): 426–31. http://dx.doi.org/10.47065/bits.v3i3.1139.
Full textAbstract:
The future of a nation depends on how good the quality of education and human resources of the nation is. Higher education is an important part of the world of education that carries the responsibility in an effort to educate the nation's life. This study aims to determine the factors that influence student attitudes in choosing to continue their studies at Islamic Higher Education (PTAI). The background of this research is that there is a significant gap between PTN and PTAI enthusiasts and the lack of student interest in Islamic tertiary institutions is very interesting to be used as research study material to find out things that are considered by students in choosing PTAI. The results of the study indicate that the data used have met the assumption test of validity, reliability, adequacy and feasibility of the data so that it can be continued in the next analysis using factor analysis using PCA. All the variables contained in this study have an extraction value of more than 50%, so it can be concluded that all the variables used can explain these factors. In the "% of variance" column, because the specified eigenvalues is 1, then the value to be taken has eigenvalues greater than 1, there are component 1, component 2, component 3, component 4, and component 5. If you use 5 components then the total factors that can explain the variance are 20.011% + 19.692% + 15.935% + 14.632% + 10.745% = 81.015%
35
Damayanti, Ayu Anisa, Ni Luh Putu Trisnawati, and Hery Suyanto. "Identifikasi Bilangan Gelombang Daun Sirih (Piper sp.) Menggunakan Metode Spektroskopi Fourier Transform Infrared (FTIR) dan Principal Component Analysis (PCA)." BULETIN FISIKA 22, no. 2 (November 7, 2020): 60. http://dx.doi.org/10.24843/bf.2021.v22.i02.p02.
Full textAbstract:
Telah dilakukan penelitian mengenai identifikasi bilangan gelombang daun sirih (Piper sp.) menggunakan metode spektroskopi Fourier Transform Infrared (FTIR) dan Principal Component Analysis (PCA). Jenis daun sirih yang digunakan adalah sirih merah (Piper Crocatum), sirih hijau (Piper Betle L.), dan sirih hitam (Piper Betle V.). Pengujian dilakukan pada serbuk daun sirih dengan perbandingan massa daun sirih dengan KBr 4:1, masing-masing 0,011528 g dan 0,002882 g. Hasil karakerisasi dengan FTIR menunjukkan adanya gugus fungsi C-H, C=O, C=N, C=C, C-N, C-O, dan C-Cl pada daun sirih merah, hijau, dan hitam. Hasil analisis PCA memberikan nilai bilangan gelombang yang merupakan identitas daun sirih yaitu pada rentang 1670-1679 cm-1 dan diperkuat dengan hasil analisis K-Nearest Neightbourhood (KNN).
36
Fauzi, Ahmad, Riki Supriyadi, and Nurlaelatul Maulidah. "Deteksi Penyakit Kanker Payudara dengan Seleksi Fitur berbasis Principal Component Analysis dan Random Forest." Jurnal Infortech 2, no. 1 (June 9, 2020): 96–101. http://dx.doi.org/10.31294/infortech.v2i1.8079.
Full textAbstract:
Abstrak - Skrining merupakan upaya deteksi dini untuk mengidentifikasi penyakit atau kelainan yang secara klinis belum jelas dengan menggunakan tes, pemeriksaan atau prosedur tertentu. Upaya ini dapat digunakan secara cepat untuk membedakan orang - orang yang kelihatannya sehat tetapi sesungguhnya menderita suatu kelainan.Tujuan utama penelitian ini adalah untuk meningkatkan peforma klasifikasi pada diagnosis kanker payudara dengan menerapkan seleksi fitur pada beberapa algoritme klasifikasi. Penelitian ini menggunakan database kanker payudara Breast Cancer Coimbra Data Set . Metode seleksi fitur berbasis pricipal component analysis akan dipasangkan dengan beberapa algoritme klasifikasi dan metode, seperti Logitboost,Bagging,dan Random Forest. Penelitian ini menggunakan 10 fold cross validation sebagai metode evaluasi. Hasil penelitian menunjukkan metode seleksi fitur berbasis pricipal component analysis mengalami peningkatan peforma klasifikasi secara signifikan setelah dipasangkan dengan seleksi fitur Random Forest dan logitboost, Random forest menunjukan peforma terbaik dengan akurasi 79.3103% dengan nilai AUC sebesar 0,843. Kata Kunci: Seleksi Fitur,PCA, Kanker Payudara,Skrining,Random Forest
37
Nuha, Ulin, and Naim Rochmawati. "Klasifikasi Kesahihan Hadits Berdasarkan Perawi Hadits Menggunakan Principal Component Analysis (PCA) dan Backpropagation Neural Network (BPNN)." Journal of Informatics and Computer Science (JINACS) 1, no. 03 (January 1, 2020): 138–43. http://dx.doi.org/10.26740/jinacs.v1n03.p138-143.
Full textAbstract:
Abstrak—Hadits merupakan sumber hukum kedua bagi umat muslim setelah Al-Qur’an. Hampir seluruh tata cara beribadah dalam islam dijelaskan dalam hadits secara mendetail. Penilitian ini dapat membantu umat muslim menemukan jenis kesahihan dari hadits yang beredar sekarang. Penulis mengklasifkasikan hadits menurut kesahihannya bersadasarkan perawi hadits menggunakan metode Backpropagation Neural Network sebagai classifier dan Principal Component Analysis sebagai pereduksi dimensi fitur. Ada tiga target kategori yang digunakan dalam penelitian ini yaitu sahih, hasan, dan dhaif. Set data hadits sahih diambil dari kitab Sahih Bukhori, hasan dari kitab Sahih Sunan Tirmidzi, dan dhaif dari kitab Dhaif Abu Daud. Penulis memanfaatkan fungsi split dan unique dari bahasa pemrograman python untuk mengambil dan memfilter nama-nama perawi yang ada pada set data. Nama-nama perawi yang sudah terseleksi dikonversi menggunakan Tf-Binary. Setelah mencoba beberapa model pada proses validasi, didapatkan bahwa hasil akurasi yang terbaik adalah dengan menggunakan model PCA sebanyak 1500 fitur dari 3330 dan BPNN menggunakan satu hidden layer dengan jumlah node sebanyak 100 yakni sebesar 86,53%. Kata Kunci— Klasifikasi Hadits, Backpropagation Neural Network, Principal Component Analysis, PCA, BPNN.
38
Kondolembang, Ferry. "PEMODELAN STATISTICAL DOWNSCALLING DENGAN PENDEKATAN REGRESI BAYES ROBUST PCA (STUDI KASUS : DATA GCM STASIUN AMBON)." BAREKENG: Jurnal Ilmu Matematika dan Terapan 6, no. 2 (December 1, 2012): 45–50. http://dx.doi.org/10.30598/barekengvol6iss2pp45-50.
Full textAbstract:
Masalah mendasar dari prediksi prediksi model curah hujan adalah keakuratan model berdasarkan proses stokhastik skala global maupun skala kecil. Statistical Downscalling(SD) merupakan salah satu alternatif untuk mengatasi masalah tersebut. SD adalah model yang menghubungkan skala global GCM dengan skala yang lebih kecil (lokal) dengan jalanpra-pemrosesan .reduksi dimensi domain grid untuk mengatasi kasus multikolinearitas. Metode reduksi dimensi yang serikali digunakan adalah Principal Component Analysis(PCA). Namun PCA tidak dapat diandalkan jika ada pengamatan outlier dalam data, sehingga diperlukan reduksi dimensi yang robust. Reduksi dimensi robust menggunakanRobust Principal Component Analysis (ROBPCA) dengan estimator robust MCD. Dari hasil reduksi dimensi domain grid tersebut selanjutnya diregresikan dengan variabel responberupa data curah hujan di stasiun Ambon dengan pendekatan regresi Bayes. Pendekatan regresi Bayes ROBUST PCA menjadi salah satu alternatif pada pemodelan SD. HasilPenelitian menunjukkan Metode regresi Bayes ROBPCA cenderung lebih baik pada domain 8x8 dilihat pada kriteria kebaikan model RMSE terkecil yaitu 231,4 dan R-Squareterbesar 38,1% dibandingkan domain 3x3 dan domain 12x12
39
RIZAL, DEBY CINTYA, MAIYASTRI MAIYASTRI, and YUDIANTRI ASDI. "ANALISIS KEPUASAN KONSUMEN DI RESTORAN SEDERHANA PADANG DENGAN MENGGUNAKAN ANALISIS FAKTOR." Jurnal Matematika UNAND 10, no. 4 (October 21, 2021): 449. http://dx.doi.org/10.25077/jmu.10.4.449-455.2021.
Full textAbstract:
Analisis faktor adalah teknik analisis multivariat yang digunakan untuk mengelompokkan variabel-variabel yang berkorelasi ke dalam kelompok variabel yang disebut faktor dimana antara satu faktor dengan faktor lainnya tidak saling berkorelasi. Faktor-faktor yang terbentuk ini dapat menerangkan sebagian besar informasi yang terkandung pada variabel. Pada penelitian ini dilakukan analisis faktor untuk menentukan faktor-faktor kepuasan konsumen di Restoran Sederhana Padang. Analisis yang digunakan adalah analisis faktor eksploratori dengan metode pendugaan Principal Component Analysis (PCA). Metode rotasi faktor yang digunakan adalah rotasi varimax. Data yang digunakan merupakan data primer yang diperoleh melalui penyebaran kuesioner kepada seratus orang konsumen Restoran Sederhana Padang. Dari penelitian ini diperoleh bahwa terdapat tiga faktor yang menjadi faktor-faktor kepuasan konsumen Restoran Sederhana Padang. Ketiga faktor tersebut yaitu faktor produk dan pelayanan, faktor harga produk, dan faktor emosional konsumen.Kata Kunci: Analisis faktor, Kepuasan Konsumen, Principal Component Analysis (PCA)
40
Fikri, Rijalul, Aswin Mushardiyanto, Mochamad Naufal Laudza’Banin, Kristiana Maureen, and Harry Patria. "Pengelompokan Kabupaten/Kota di Indonesia Berdasarkan Informasi Kemiskinan Tahun 2020 Menggunakan Metode K-Means Clustering Analysis." Seminar Nasional Teknik dan Manajemen Industri 1, no. 1 (December 1, 2021): 190–99. http://dx.doi.org/10.28932/sentekmi2021.v1i1.76.
Full textAbstract:
Berdasarkan dataset tentang informasi kemiskinan kabupaten/kota tahun 2020 yang dikeluarkan oleh Badan Pusat Statistik Indonesia, dipilih variabel bebas sebanyak dua puluh variabel yang digunakan dalam penelitian ini. Kemudian dilakukan uji korelasi antar variabel bebas tersebut dan diketahui terdapat variabel yang berkorelasi dikategorikan berkorelasi sangat tinggi, dengan nilai korelasi sebesar 0,921 (Persentase Penduduk Miskin - P1 (Poverty Gap Index)) dan 0,964 (P1 (Poverty Gap Index) - P2 (Proverty Severity Index)). Variabel yang memiliki korelasi sangat tinggi jika digunakan akan menyebabkan terjadinya multikolinearitas, sehingga opsi untuk menghilangkan multikolinearitas adalah dengan menggunakan Principal Component Analysis (PCA). Dengan menggunakan Proporsi Kumulatif Varians dan minimum persentase keragaman data sebesar 80% maka didapatkan output berupa dimensi data baru PCA sebanyak tiga dimensi data atau tiga variabel bebas baru. Dengan menggunakan variabel input baru berupa PCA 0, PCA 1 dan PCA 2 dilakukanlah penentuan jumlah cluster dengan metode Silhouette Coefficient dan analisa clustering menggunakan metode K-Means didapatkanlah empat kelompok/cluster, dengan jumlah anggota cluster 1 sebanyak 117 Kabupaten/Kota, cluster 2 sebanyak 154 Kabupaten/Kota, cluster 3 sebanyak 173 Kabupaten/Kota dan cluster 4 sebanyak 70 Kabupaten/Kota.
41
Oktavia, A., I. Rina, and V. Agusta. "POTRET KESEHATAN MASYARAKAT DI KOTA PADANG DENGAN METODE WAJAH CHERNOFF." JURNAL ILMIAH MATEMATIKA DAN TERAPAN 16, no. 1 (May 20, 2019): 102–9. http://dx.doi.org/10.22487/2540766x.2019.v16.i1.12763.
Full textAbstract:
Chernoff Face Method is a method used to represent multiple variable data in the form of a cartoon face with 20 specific facial features. In this study, we will show how the use of the Chernoff face method to see a portrait of public health in the city of Padang. Health indicators will be paired with specific facial features of Chernoff's face using Principal Component Analysis (PCA). The results of this study are expected to provide an overview of public health protection for each sub-district in Padang City and Padang City as a whole. Keywords : Chernoff Face Method, Health Indicators, Principal Component Ananlysis.
42
Rosyad, Fachri, and Danang Lenono. "Klasifikasi Kemurnian Daging Sapi Berbasis Electronic Nose dengan Metode Principal Component Analysis." IJEIS (Indonesian Journal of Electronics and Instrumentation Systems) 6, no. 1 (April 30, 2016): 47. http://dx.doi.org/10.22146/ijeis.10770.
Full textAbstract:
AbstrakDaging merupakan bahan makanan yang dikonsumsi secara luas, sehingga dibutuhkan standar kualitas tertentu agar dapat aman dikonsumsi dan tidak merugikan konsumen. Standar tersebut diantaranya adalah kesegaran dan kemurnian. Dalam praktek jual beli daging ditemukan adanya kasus pencampuran daging sapi dengan daging babi sehingga dapat merugikan konsumen. Untuk mengetahui kemurnian daging sapi tersebut dibutuhkan pengujian dengan menggunakan tes aroma berbasis electronic nose.Sampel daging sapi campuran dibuat dengan variasi kandungan daging babi sebesar 20%, 40%, 60%, dan 80% dari total massa sampel, dengan massa sampel adalah 20 gram. Pengambilan data selama 10 hari dilakukan dengan proses sensing dan flushing masing-masing selama 180 detik dengan pengulangan sebanyak 6 kali per hari. Pengolahan data dilakukan dalam beberapa tahap yang meliputi prapemrosesan sinyal dengan manipulasi baseline, ekstraksi ciri dengan menghitung luas kurva sinyal menggunakan pendekatan integral aturan trapesium, dan analisis multivariat menggunakan Principal Component Analysis (PCA).Hasil persentase variansi kumulatif dua komponen utama pada pengujian klasifikasi antara daging sapi dengan daging babi adalah sebesar 99,9%, sedangkan pada pengujian klasifikasi antara daging sapi murni dengan daging sapi campuran adalah sebesar 99,6%. Dengan demikian, electronic nose dapat membedakan antara daging sapi murni dengan daging sapi campuran. Kata kunci— Electronic nose, sensor gas metal oksida, klasifikasi, kemurnian daging, Principal Component Analysis. AbstractMeat is a widely consumed food, therefore it requires certain quality standards to be safe to consumed and does not harm the consumers. Several of those standards including meat freshness and meat purity. Recently it has been found some cases of pork adulteration in beef which consequently could harm the consumers. In order to examine the purity of beef, it required test method based on odor characteristics by using electronic nose.Adulterated beef samples were prepared with pork content within samples varied by 20%, 40%, 60%, and 80% of total sample mass where the sample mass is 20 grams. The 10 days data collecting consists of sensing and flushing cycles for 180 seconds each cycles, with 6 times process repeating over 1 day. Data processing was carried out in several stages which including signal preprocessing based on baseline manipulation, feature extraction by calculating the area of the response signal curve by using trapezoidal rule of integral approximation, and multivariate analysis using PCA.Cumulative percentage of variance of two principal components of beef and pork classification test yields at 99.9% of total variance, and classification test between pure beef and adulterated beef resulting in 99.6% of total variance. Therefore, it can be concluded that electronic nose can classify between pure beef and adulterated beef. Keywords— Electronic nose, metal-oxide gas sensor, classification, meat purity, Principal Component Analysis.
43
Wulanningrum, Resty, Anggi Nur Fadzila, and Danar Putra Pamungkas. "PROSES EKSTRAKSI DAN KLASIFIKASI CITRA EMOSI MENGGUNAKAN METODE PCA DAN CNN." Joutica 6, no. 2 (September 13, 2021): 484. http://dx.doi.org/10.30736/jti.v6i2.664.
Full textAbstract:
Manusia secara alami menggunakan ekspresi wajah untuk berkomunikasi dan menunjukan emosi mereka dalam berinteraksi sosial. Ekspresi wajah termasuk kedalam komunikasi non-verbal yang dapat menyampaikan keadaan emosi seseorang kepada orang yang telah mengamatinya. Penelitian ini menggunakan metode Principal Component Analysis (PCA) untuk proses ekstraksi ciri pada citra ekspresi dan metode Convolutional Neural Network (CNN) sebagai prosesi klasifikasi emosi, dengan menggunakan data Facial Expression Recognition-2013 (FER-2013) dilakukan proses training dan testing untuk menghasilkan nilai akurasi dan pengenalan emosi wajah. Hasil pengujian akhir mendapatkan nilai akurasi pada metode PCA sebesar 59,375% dan nilai akurasi pada pengujian metode CNN sebesar 59,386%.
44
Hediyati, Dyah, and I. Made Suartana. "Penerapan Principal Component Analysis (PCA) Untuk Reduksi Dimensi Pada Proses Clustering Data Produksi Pertanian Di Kabupaten Bojonegoro." Journal of Information Engineering and Educational Technology 5, no. 2 (December 31, 2021): 49–54. http://dx.doi.org/10.26740/jieet.v5n2.p49-54.
Full textAbstract:
Dalam penelitian, data harus melalui proses pengolahan agar dapat digunakan dalam penelitian tersebut. Data yang digunakan haruslah valid untuk dapat menghasilkan solusi yang tepat guna. Pengolahan data dalam jumlah besar secara manual berpeluang menghasilkan banyak kesalahan. Untuk itu diperlukan pendekatan teknologi untuk dapat meminimalisir kesalahan yang dapat terjadi. Data mining merupakan suatu proses pengekstrakan informasi dari kumpulan data yang besar. Proses ini bertujuan untuk mendapatkan intisari dari kumpulan data tersebut. Proses data mining dapat menghasilkan menghasilkan informasi penting berupa klasifikasi (classification), pengelompokan (clustering), bahkan prediksi (prediction). Clustering merupakan suatu proses analisis data untuk membentuk sekelompok objek berdasarkan sifat dan cirinya sehingga terbentuk suatu kelompok yang bersifat homogen antar anggota pada kelompok yang sama. Namun, beberapa algoritma clustering menemui masalah ketika dihadapkan pada data dengan dimensi tinggi, termasuk juga K-Means. Reduksi dimensi dapat dijadikan sebagai salah satu langkap optimasi algoritma clustering. Proses reduksi dimensi yang umumnya diterapkan pada tahap pre-processing data bertujuan untuk mengurangi jumlah fitur (dimensi) tanpa menghilangkan informasi penting dari suatudata. Metode PCA akan membentuk sekumpulan dimensi baru yang kemudian di ranking berdasarkan varian datanya, sehingga tercipta kumpulan data dengan fitur yang lebih sederhana. Penelitian ini akan menguji kinerja PCA sebagai salah satu metode optimasi algoritma clustering K-Means yang diterapkan pada data pertanian Kab. Bojonegoro pada tahun 2017 hingga 2020. Dataset hasil clustering yang didapatkan dari situs BPS akan dibandingkan dengan dataset dari sumber yang sama namun telah mengalami proses reduksi dimensi menjadi 1 PC, 2 PC, dan 3 PC. Evaluasi data hasil clustering menggunakan nilai DB Index menunjukkan nilai paling optimal pada dataset yang direduksi menjadi 1 PC dan dibentuk menjadi 3 klaster, yaitu 0.4072. sedangkan dengan jumlah klaster yang sama, dataset dengan 2PC menghasilkan nilai DB Index 0.6168, dataset dengan 3 PC menghasilkan nilai 0.6598, dan dataset tanpa proses reduksi dimensi menghasilkan nilai DB Index 0.4598.
45
Anwar, Samsul. "Evaluasi Metode Pembobotan Sistemic Important Score (SIS) di Indonesia." Kajian Ekonomi dan Keuangan 3, no. 3 (December 31, 2019): 236–60. http://dx.doi.org/10.31685/kek.v3i3.512.
Full textAbstract:
Penetapan Systemically Important Bank (SIB) bertujuan untuk mengidentifikasi bank-bank yang berpotensi sistemik terhadap sistem keuangan apabila mengalami kegagalan. Otoritas Jasa Keuangan (OJK) menetapkan bobot seimbang (equal weight) untuk ketiga indikator SIB (size, interconnectedness dan complexity) dan sub-indikatornya. Penelitian ini bertujuan untuk membandingkan kinerja metode pembobotan resmi dengan pembobotan alternatif berdasarkan Principal Component Analysis (PCA) dengan satu dan dua PC pertama dalam perhitungan Systemic Importance Score (SIS) yang menjadi dasar penetapan bucket (kelompok) SIB. Hasil simulasi terhadap enam kelompok perbankan menunjukkan bahwa metode pembobotan PCA satu PC pertama merupakan metode terbaik berdasarkan indikator nilai korelasi antara SIS dengan indikator dan sub-indikator penyusunnya.
46
Toruan, Henry Lumban, Marlon Tua Pangihutan Sibarani, and Marlon Tua Pangihutan Sibarani. "PENENTUAN POLA CAMPURAN PERTAMAX DAN PERTALITE MENGGUNAKAN DERET SENSOR GAS SEMIKONDUKTOR DENGAN ALGORITMA PRICIPAL COMPONENT ANALYSIS." INOVTEK POLBENG 8, no. 2 (December 31, 2018): 263. http://dx.doi.org/10.35314/ip.v8i2.771.
Full textAbstract:
Tujuan pada penelitian ini adalah menghasilkan suatu sistem penentuan pola campuran pertamax dan pertalite menggunakan deret sensor gas semikonduktor dengan algoritma Pricipal Component Analysis yang dapat mengetahui tingkat kemurnian pertamax terhadap campuran pertalite sehingga dapat dipastikan pertamax tersebut bisa menerima tekanan pada mesin berkompresi tinggi agar dapat bekerja optimal. Manfaat dari Penelitian Produk Terapan ini adalah suatu teknologi tepat guna dibidang instrumentasi elektronika menggunakan metode Pricipal Component Analysis (PCA) untuk menentukan pola campuran pertamax dan pertalite. Realisasi alat penentuan pola campuran pertamax dan pertalite menggunakan deret sensor gas semikonduktor dengan algoritma Principal Component Analysis ini dapat bekerja dengan baik. Dari grafik scatter kita dapat melihat bahwa ke empat kelompok campuran pertamax-pertalite ini telah terpisah sesuai kelompoknya masing-masing. Hal ini menunjukkan bahwa metode PCA ini dapat digunakan untuk pengelompokan sampel tersebut. Tingkat keberhasilan pengelompokan campuran pertamax dan pertalite untuk 100, 75, 50 dan 50 % dengan masing-masing sampel sebanyak 10 buah sehingga jumlah sampel keseluruhan adalah 40 buah mencapai 100%. Penelitian ini sangat menunjang sistem identifikasi kemurnian bahan bakar.
47
Nugraheny, Dwi. "METODE NILAI JARAK GUNA KESAMAAN ATAU KEMIRIPAN CIRI SUATU CITRA (KASUS DETEKSI AWAN CUMULONIMBUS MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS)." Angkasa: Jurnal Ilmiah Bidang Teknologi 7, no. 2 (September 13, 2017): 21. http://dx.doi.org/10.28989/angkasa.v7i2.145.
Full textAbstract:
One commonality or similarity matching phase characteristics of an image is by using the method of distance measurement. Distance is an important aspect in the development of methods of grouping and regression. Before the grouping of data or object to the detection process, first determined the size of the proximity distance between data elements. In this study, there will be a comparison of several methods including distance measurement using Euclidean distance, Manhattan/ City Block Distance, Mahalanobis which will be implemented in the case of cumulonimbus image clouds detection using Principal Component Analysis (PCA). The average percentage of accuracy of image similarity value Cumulonimbus clouds using the Euclidean distance method was 93 percent and the distance Manhattan/ City Block Distance is 90 percent, while the Mahalanobis distance method was 50 percent.
48
Yusniar, Erni, and Aziz Kustiyo. "Identifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA." Jurnal Ilmu Komputer dan Agri-Informatika 3, no. 1 (January 4, 2017): 18. http://dx.doi.org/10.29244/jika.3.1.18-26.
Full textAbstract:
Shorea adalah jenis meranti yang memiliki nilai ekonomis yang tinggi. Shorea tergolong dalam famili Dipterocarpaceae yang memiliki 194 spesies yang tumbuh di daerah tropis. Shorea merupakan jenis yang sulit untuk diidentifikasi karena memiliki banyak kemiripan. Untuk mengatasi kesulitan tersebut, penelitian ini mengidentifikasi Shorea berdasarkan citra daun. Jumlah spesies yang digunakan penelitian ini adalah 10 jenis Shorea. Metode ekstraksi fitur yang digunakan adalah 2 dimensional principal component analysis (2D-PCA) dengan metode klasifikasi KNN. Penelitian ini memiliki 4 percobaan yang dibagi menjadi komponen R, G, B, dan grayscale. Hasil rata-rata akurasi terbaik sebesar 75% pada komponen G dengan kontribusi nilai eigen 85%.<br /><br />Kata kunci: 2 Dimensional Principal Component Analysis, K-Nearest Neighbour, Shorea
49
Satria, Dony, and Mushthofa Mushthofa. "Perbandingan Metode Ekstraksi Ciri Histogram dan PCA untuk Mendeteksi Stoma pada Citra Penampang Daun Freycinetia." Jurnal Ilmu Komputer dan Agri-Informatika 2, no. 1 (May 1, 2013): 20. http://dx.doi.org/10.29244/jika.2.1.20-28.
Full textAbstract:
<p>Ekstraksi fitur adalah proses pengambilan ciri sebuah objek yang dapat menggambarkan karakteristik dari objek tersebut. Pada penelitian ini, dua buah metode ekstraksi fitur digunakan, yaitu Principal Component Analysis (PCA) dan histogram untuk melakukan deteksi stoma pada gambar penampang daun Freycinetia. Penelitian ini menggunakan frame berjalan yang melakukan pengolahan bagian citra dan melakukan deteksi kemunculan stoma pada bagian citra tersebut. Untuk memodelkan kemunculan stoma, dibuat tiga kelas frame, yaitu frame dengan kemunculan stoma penuh, frame dengan kemunculan sebagian stoma, dan frame tanpa kemunculan stoma. Untuk proses klasifikasi, digunakan pemodelan menggunakan Jaringan Saraf Tiruan (JST) Backprogragation. Hasil percobaan menunjukkan bahwa ekstraksi fitur menggunakan PCA menghasilkan akurasi yang lebih baik dibandingkan dengan metode histogram. Nilai F1-measure yang terbaik yang didapatkan menggunakan ekstraksi fitur PCA ialah 0.9091.</p><p>Kata kunci: deteksi stoma, ekstraksi fitur, Freycinetia, histogram, PCA</p>
50
Munawar, Agus A. "Rapid Classification Of Agricultural Products Based On Their Electro-Optic Properties Using Near Infrared Reflectance And Chemometrics." Rona Teknik Pertanian 8, no. 1 (April 1, 2015): 10–18. http://dx.doi.org/10.17969/rtp.v8i1.2683.
Full textAbstract:
Abstract. Near infrared technology have been widely applied in many fields, including agriculture especially in sorting and grading process. The advantage of this technology: simple sample preparation, rapid, effective and non-destructive. The main objective of this study is to evaluate the feasibility of NIR technology in classifying several agricultural products based on their electro-optic properties. NIR diffuse reflectance spectra of apples, bananas, mangoes, garlics, tomatoes, green grapes, red grapes and oranges were acquired in wavelength range of 1000-2500 nm with gradual increment of 2 nm. Chemometrics methods were applied in combination with NIR spectra data. Classification was performed by applying principal component analysis (PCA) followed by non-iterative partial least square (NIPALS) cross validation. The results showed that NIR and chemometrics was able to differentiate and classify these agricultural products with two latent variables (2 PCs) and total explained variance of 97% (88% PC1 and 9% PC2). Furthermore, it also showed that multiplicative scatter correction (MSC) was found to be effective spectra correction or enhancement method and increased classification accuracy and robustness. It may conclude that NIR technology combined with chemometrics was feasible to apply as a rapid and non-destructive method for sorting and grading agricultural products. Rapid Classification Of Agricultural Products Based On Their Electro-Optic Properties Using Near Infrared Reflectance And ChemometricsAbstract. Aplikasi teknologi near infra red (NIR) telah digunakan dalam banyak bidang, termasuk untuk bidang pertanian terutama pada proses sortasi dan grading. Keunggulan metode ini antara lain : rapid, efektif, simultan dan tanpa merusak objek yang dikaji. Tujuan utama dari studi ini adalah untuk mengkaji potensi NIR dalam mengklasifikasi beberapa produk pertanian berdasarkan karakteristik sifat elektro-optik dari produk tersebut. Spektrum NIR pada panjang gelombang 1000 – 2500 nm dengan increment 2 nm diakuisisi untuk produk pertanian : apel, pisang, manga, bawang putih, tomat, anggur hijau, anggur merah dan jeruk. Metode chemo metrics digunakan dalam studi ini untuk dikombinasikan dengan spektrum NIR. Klasifikasi produk pertanian dilakukan dengan menerapkan metode principal component analysis (PCA) yang disertai dengan metode non-iterative partial least square (NIPALS) cross validation. Hasil studi menunjukkan bahwa kombinasi NIR dan chemo metrics mampu membedakan dan mengklasifikasi produk pertanian tersebut dengan menggunakan dua latent variable pada PCA (2 PCs) dengan total explained variance 97% (88% PC1 dan 9% PC2). Selain itu, dari studi ini juga didapatkan bahwa perbaikan data spectrum dengan metode multiplicative scatter correction (MSC) sebelum klasifikasi mampu meningkatkan akurasi hasil klasifikasi. Secara umum, dapat disimpulkan bahwa teknologi NIR dan chemo metrics dapat dijadikan sebagai metode yang efektif untuk sortasi dan atau grading produk pertanian.