Isye Arieshanti
Unknown Affiliation

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

KLASIFIKASI VOTED PERCEPTRON UNTUK IDENTIFIKASI MELANOMA Bilqis Amaliah; Isye Arieshanti; Chastine Fatichah; Sylvi Novita Dewi; M Rahmat Widyanto
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2011
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Salah satu kanker kulit yang berbahaya adalah Melanoma. Salah satu cara untuk menentukan apakah sebuahcitra adalah Melanoma atau bukan adalah dengan menggunakan klasifikasi. Klasifikasi yang digunakan padapaper ini adalah Voted Perceptron. Ada 2 tahap sebelum melakukan klasifikasi yaitu Preprosessing danekstraksi fitur. Preprosessing digunakan untuk memisahkan antara citra melanoma dengan latar belakang.Ekstrasi fitur adalah proses untuk mendapatkan fitur-fitur yang akan digunakan sebagai input untuk klasifikasi.Ekstrasi fitur yang digunakan adalah ABC feature (Asymmetric, Border dan Color). Hasil akurasi dari paper iniadalah 77,5% dimana ini lebih baik 3,1 % jika dibandingkan dengan SVM dan lebih baik 2,3% jikadibandingkan dengan SVMBoosting.
Pengembangan Perangkat Lunak Prediktor Nilai Mahasiswa Menggunakan Metode Spectral Clustering dan Bagging Regresi Linier Ahmad Yusuf; Hari Ginardi; Isye Arieshanti
Jurnal Teknik ITS Vol 1, No 1 (2012)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (148.052 KB) | DOI: 10.12962/j23373539.v1i1.645

Abstract

Prediksi nilai ujian akhir dapat membantu pendidik atau mahasiswa dalam melakukan tindakan ke depan yang sesuai dengan kondisi pada saat itu. Salah satu metode yang dapat digunakan dalam memprediksi nilai adalah dengan Regresi Linier. Tetapi, persamaan regresi terkadang dipengaruhi oleh keragaman persebaran data, sehingga keakuratan persamaan prediksi yang dihasilkan kurang baik.  Oleh karena itu, ada studi lain yang mengusulkan model Bootstrap Aggregating Regresi Linear yaitu metode regresi linier yang didahului dengan mengelompokkan data. Dalam pengelompokan data digunakan Spectral Clustering. Dengan adanya pengelompokan tersebut, maka diharapkan distribusi data dalam membentuk persamaan regresi dapat lebih seragam. Selanjutnya, setiap kelompok data akan menghasilkan suatu persamaan regresi. Hasil prediksi merupakan rata-rata dari hasil persamaan regresi dari masing-masing kelompok data. Dalam studi ini, dikembangkan sebuah perangkat lunak prediktor nilai mahasiswa menggunakan model yang diusulkan oleh studi lain yang telah disebutkan sebelumnya. Berdasar pada uji coba yang dilakukan, perangkat lunakn yang dikembangkan dengan menggunakan Spectral Clustering dan Bootstrap Aggregating Regresi Linier mampu memprediksi nilai akhir mahasiswa dengan parameter jumlah cluster yang tepat. Hal ini dapat disimpulkan berdasarkan nilai kesalahan dengan Root Mean Square Error dari hasil prediksi sekitar 0.05 – 0.08 dari dataset
Pengembangan Perangkat Lunak Prediktor Kanker Payudara Menggunakan Metode Elastic SCAD SVM dan Data DNA Microarray Risky Dwi Listyo Firmansyah; Handayani Tjandrasa; Isye Arieshanti
Jurnal Teknik ITS Vol 1, No 1 (2012)
Publisher : Direktorat Riset dan Pengabdian Masyarakat (DRPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (391.171 KB) | DOI: 10.12962/j23373539.v1i1.637

Abstract

Kanker payudara (Carcinoma Mammae) merupakan salah satu penyakit kanker dengan angka kematian terbesar di dunia. Prediksi kanker payudara tentunya dapat membantu para penderitanya untuk menghindari berbagai akibat negatif yang dapat ditimbulkannya. Di sisi lain, data DNA Microarray ternyata dapat digunakan untuk diagnosa dini penyakit kanker payudara. Data DNA Microarray mengandung informasi dari DNA yang kemudian direpresentasikan dalam data vektor berdimensi tinggi. Untuk menangani permasalahan prediksi data berdimensi tinggi, Support Vector Machine (SVM) adalah salah satu metode yang cukup handal. Namun, sayangnya SVM tidak dapat mendukung proses seleksi fitur. Padahal, dengan adanya seleksi fitur, proses prediksi data dapat berjalan lebih cepat. Informasi tentang fitur-fitur penting dari suatu data juga dapat diperoleh dengan adanya seleksi fitur. Oleh karena itu, ada sebuah studi lain yang menggabungkan SVM dengan elastic SCAD (penalization method). Pada studi ini dikembangkan perangkat lunak untuk memprediksi kanker payudara berdasarkan model elastic SCAD SVM yang telah diusulkan oleh studi lain tersebut. Berdasarkan uji coba, perangkat lunak yang dikembangkan mampu melakukan prediksi kanker payudara. Hal ini ditunjukkan dengan nilai akurasi sebesar 95,4%. Fitur yang terpakai pun berkurang dari 1213 atribut menjadi 1193 atribut.
PREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION Lisa Yuli Kurniawati; Handayani Tjandrasa; Isye Arieshanti
Jurnal Simantec Vol 4, No 1 (2014)
Publisher : Universitas Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21107/simantec.v4i1.1345

Abstract

ABSTRAKDalam pasar saham, harga suatu saham dapat berubah secara cepat dari waktu ke waktu. Para pemilik saham diharapkan dapat segera memutuskan kapan saham sebaiknya dijual atau tetap dipertahankan. Karenanya prediksi pergerakan harga saham sampai saat ini masih menjadi topik hangat untuk diperbincangkan dalam dunia jual beli saham. Model prediksi pergerakan harga saham yang akurat dapat membantu para investor dalam pertimbangan pengambilan keputusan transaksi saham. Di dalam praktiknya, harga suatu saham dapat diprediksi dengan menggunakankonsep analisa teknikal.Analisa teknikal didasarkan pada prinsip penggunaan data histori harga saham untuk memprediksi pergerakan saham dimasa mendatang.Tujuan penelitian ini adalah mengimplementasikan metode Support Vector Regression dalam analisa teknikal untuk memprediksi pergerakan harga saham di masa mendatang. Support Vector Regression (SVR) merupakan pengembangan dari metode support vector machine untuk kasus regresi. Metode ini mampu mengatasi overfitting serta mampu menunjukkan performa yang bagus.Dari serangkaian uji coba yang dilakukan, dapat disimpulkan bahwa metode SVR dapat memprediksi pergerakan harga saham dengan cukup baik. Hal ini terlihat dari nilai NRMSE terbaik yang didapatkan sebesar 0.14.Kata kunci: Analisa Teknikal,Prediksi harga saham, Regresi, SVR.ABSTRACTInstockmarkets, the priceof a stockcanchangerapidlyover time. The investor may decide when the stock should be sold or retained.For this reason, thestockprice movementpredictionis stilla hot topicto be discussedin the world ofbuying and sellingstocks. The modelwhich was accurate forstockprice movement prediction may help investors inconsideration of the decision-making of stock transactions. In practice, stock price may be predicted with the technical analysis approach. Technical analysisis based on the principle of using historical datat o predict stock price movement in the future. The purpose of this study is to implement Support Vector Regression in technical analysis to predict the movement of stock prices. Support Vector Regression(SVR) was the development of support vector machine for regression case. This method was able to overcome the over fitting and be able to show good performance. From a series of experiments, it can be concluded that the SVR method may predict the movement of stock prices pretty well. It can be seen from the best values of NRMSE is 0,14.Keywords: Technical Analysis, Stock price forecasting, Regression, SVR.