scholarly journals PEMETAAN HABITAT BENTIK BERBASIS OBJEK MENGGUNAKAN CITRA SENTINEL-2 DI PERAIRAN PULAU WANGI-WANGI KABUPATEN WAKATOBI

2018 ◽  
Vol 10 (2) ◽  
pp. 381-396 ◽  
Author(s):  
La Ode Khairum Mastu ◽  
Bisman Nababan ◽  
James P Panjaitan
Keyword(s):  
Support Vector Machine ◽  
Decision Tree ◽  
Support Vector ◽  
Nearest Neighbour ◽  
Level 1 ◽  
Level 2 ◽  
Sentinel 2

Penelitian pemetaan habitat bentik di Pulau Wangi-wangi masih sangat sedikit dilakukan, sehingga ketersediaan data spasial habitat bentik di daerah ini sangat terbatas. Penelitian ini bertujuan untuk memetakan habitat bentik perairan dangkal menggunakan citra Sentinel-2 dengan metode klasifikasi berbasis objek/OBIA dan menghitung tingkat akurasi hasil klasifikasi habitat bentik di perairan Pulau Wangi-wangi Kabupaten Wakatobi. Penelitian ini dilaksanakan di perairan Pulau Wangi-wangi, khususnya perairan Sombu Dive dan sekitarnya. Penelitian ini menggunakan data satelit Sentinel-2 dengan resolusi spasial 10x10 m2 yang diakuisisi pada tanggal 4 April 2017 dan pengambilan data lapangan dilakukan pada bulan Maret - April 2017. Klasifikasi citra dengan metode OBIA menggunakan metode contextual editing pada level 1. Level 2 menggunakan klasifikasi terbimbing dengan beberapa algoritma klasifikasi yaitu support vector machine (SVM), decision tree (DT), Bayesian, dan k-nearest neighbour (KNN) dengan input themathic layer dari data lapangan. Klasifikasi habitat bentik dilakukan pada 12 dan 9 kelas dengan penerapan optimasi skala segmentasi yaitu 1, 1,5, 2, dan 2,5. Berdasarkan metode OBIA, habitat bentik dapat dipetakan dengan tingkat akurasi sebesar 60,4% dan 64,1% pada citra klasifikasi 12 dan 9 kelas secara berturut-turut pada nilai optimum skala segmentasi 2 dengan algoritma SVM.

scholarly journals PEMETAAN EKOSISTEM LAMUN DENGAN DAN TANPA KOREKSI KOLOM AIR DI PERAIRAN PULAU PAJENEKANG, SULAWESI SELATAN

2020 ◽  
Vol 12 (1) ◽  
pp. 9-23
Author(s):  
Turissa Pragunanti Ilyas ◽  
Bisman Nababan ◽  
Hawis Madduppa ◽  
Dony Kushardono
Keyword(s):  
Support Vector Machine ◽  
Decision Tree ◽  
Support Vector ◽  
Nearest Neighbour

Koreksi kolom air dalam pemetaan habitat bentik menggunakan data satelit dapat meningkatkan nilai akurasi informasi yang dihasilkan, seperti yang telah dilakukan oleh peneliti sebelumnya. Penelitian ini bertujuan untuk melihat distribusi lamun dengan perlakuan dengan dan tanpa koreksi kolom air menggunakan klasifikasi berbasis objek (OBIA) di Pulau Pajanekang. Data sebaran padang lamun dan non lamun sebanyak 347 titik diambil pada Juli-Agustus 2018 dengan transek 1x1 m2. Data satelit yang digunakan adalah citra satelit SPOT-7 akuisisi pada 27 Maret 2017 dengan resolusi 6x6 m2. Pada penelitian ini metode klasifikasi OBIA menggunakan beberapa algoritma klasifikasi seperti Support Vector Machine (SVM), Bayes, K-Nearest Neighbour (KNN), dan Decision Tree (DT) untuk memetakan habitat bentik dan lamun. Hasil penelitian menunjukkan bahwa penerapan perlakuan dengan koreksi kolom air dan tanpa koreksi kolom air pada pemetaan ekosistem habitat bentik dan lamun dengan menggunakan beberapa algoritma klasifikasi menunjukkan hasil akurasi yang tidak berbeda nyata. Namun demikian, dari empat algoritma yang digunakan, algoritma Bayes tanpa koreksi kolom air memberikan nilai akurasi tertinggi untuk pemetaan habitat bentik sebesar 70,36% dan habitat lamun sebesar 66,47%. Hal tersebut menunjukkan bahwa koreksi kolom air tidak selamanya memberikan hasil yang lebih baik dalam klasifikasi habitat bentik dan lamun dari citra satelit digital.

Aplicação de Machine Learning e Descritores Estatísticos para Diagnóstico de Falhas em Rolamentos de Motores Elétricos Industriais

2020 ◽  
Author(s):  
Lucas De Oliveira Soares ◽  
Luiz Alberto Pinto ◽  
Diego Assereuy Lobão
Keyword(s):  
Machine Learning ◽  
Support Vector Machine ◽  
Random Forest ◽  
Decision Tree ◽  
Support Vector ◽  
Nearest Neighbour

Esse artigo faz uma análise do desempenho dos classificadores k-Nearest Neighbour, Support Vector Machine, Decision Tree e Random Forest, para a classificação de sinais de vibração adquiridos a partir de rolamentos normais e de rolamentos nos quais foram introduzidas falhas artificiais. Para a extração de descritores foram consideradas duas abordagens. A primeira utiliza Análise de Componente Principal (PCA) para extração das componentes principais dos sinais originais, que são utilizadas como descritores para a modelagem. A segunda obtém os modelos a partir de descritores estatísticos dos sinais no domínio do tempo. O conjunto de dados utilizados nos testes é o CWRU Bearing Dataset, e os resultados mostram que os descritores estatísticos apresentam boa separabilidade das classes favorecendo o desempenho dos modelos de classificação, que obtém taxas superiores a 99% de acurácia nos classificadores Árvore de Decisão e Floresta Aleatória.

Sentiment analysis and sarcasm detection from social network to train health-care professionals

2021 ◽  
Vol ahead-of-print (ahead-of-print) ◽  
Author(s):  
Jyoti Godara ◽  
Rajni Aron ◽  
Mohammad Shabaz
Keyword(s):  
Health Care ◽  
Support Vector Machine ◽  
Decision Tree ◽  
Sentiment Analysis ◽  
Health Care Professionals ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Support Vector ◽  
Nearest Neighbour ◽  
Content Type

Purpose Sentiment analysis has observed a nascent interest over the past decade in the field of social media analytics. With major advances in the volume, rationality and veracity of social networking data, the misunderstanding, uncertainty and inaccuracy within the data have multiplied. In the textual data, the location of sarcasm is a challenging task. It is a different way of expressing sentiments, in which people write or says something different than what they actually intended to. So, the researchers are showing interest to develop various techniques for the detection of sarcasm in the texts to boost the performance of sentiment analysis. This paper aims to overview the sentiment analysis, sarcasm and related work for sarcasm detection. Further, this paper provides training to health-care professionals to make the decision on the patient’s sentiments. Design/methodology/approach This paper has compared the performance of five different classifiers – support vector machine, naïve Bayes classifier, decision tree classifier, AdaBoost classifier and K-nearest neighbour on the Twitter data set. Findings This paper has observed that naïve Bayes has performed the best having the highest accuracy of 61.18%, and decision tree performed the worst with an accuracy of 54.27%. Accuracy of AdaBoost, K-nearest neighbour and support vector machine measured were 56.13%, 54.81% and 59.55%, respectively. Originality/value This research work is original.

KLASIFIKASI SMS SPAM MENGGUNAKAN SUPPORT VECTOR MACHINE

2019 ◽  
Vol 15 (2) ◽  
pp. 275-280
Author(s):  
Agus Setiyono ◽  
Hilman F Pardede
Keyword(s):  
Data Mining ◽  
Support Vector Machine ◽  
Decision Tree ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Support Vector ◽  
Spam Detection ◽  
Support Vector Machine Algorithm ◽  
Data Mining Techniques ◽  
To Receive

It is now common for a cellphone to receive spam messages. Great number of received messages making it difficult for human to classify those messages to Spam or no Spam.  One way to overcome this problem is to use Data Mining for automatic classifications. In this paper, we investigate various data mining techniques, named Support Vector Machine, Multinomial Naïve Bayes and Decision Tree for automatic spam detection. Our experimental results show that Support Vector Machine algorithm is the best algorithm over three evaluated algorithms. Support Vector Machine achieves 98.33%, while Multinomial Naïve Bayes achieves 98.13% and Decision Tree is at 97.10 % accuracy.

scholarly journals Analysis of Decision Tree and Smooth Support Vector Machine Methods on Data Mining

2019 ◽  
Vol 1255 ◽  
pp. 012067
Author(s):  
Natalina Br Sitepu ◽  
Sawaluddin ◽  
M Zarlis ◽  
Syahril Efendi ◽  
Hanna Willa Dhany
Keyword(s):  
Data Mining ◽  
Support Vector Machine ◽  
Decision Tree ◽  
Support Vector ◽  
Smooth Support Vector Machine

scholarly journals An Improved Dual Clustering Method for Classification of Microarray Image Segementation

2019 ◽  
Vol 8 (4) ◽  
pp. 2514-2519
Keyword(s):  
Support Vector Machine ◽  
Ct Scanning ◽  
Support Vector ◽  
Nearest Neighbour ◽  
Resonance Imaging ◽  
Computerised Tomography ◽  
Medical Field ◽  
Microarray Image ◽  
Image Segementation

Microarray is a fast and rapid growing technology which plays dynamic role in the medical field. It is an advanced than MRI (Magnetic Resonance Imaging) and CT scanning (Computerised Tomography). The purpose of this work is to make fine perfection against the gene expression. In this study the two clustering are used which fuzzy c means and k means and also it classifies with better results. The microarray data base indicates the classification in support vector machine. Segmentation is most important step in microarray image. The classification in support vector machine is compared with other two classifiers which means the k nearest neighbour and with the Bayes classifiers.

scholarly journals Tinjauan Algoritma RoI (Region of Interest) Dengan Metode Pengambangan Otsu Dan Klasterisasi K-Mean; Hasil Dan Tantangannya

2020 ◽  
Vol 16 (2) ◽  
pp. 75
Author(s):  
Didit Widiyanto
Keyword(s):  
Support Vector Machine ◽  
Decision Tree ◽  
Naive Bayes ◽  
Region Of Interest ◽  
Naïve Bayes ◽  
Support Vector ◽  
Gray Level

Akurasi sebuah klasifikasi citra ditentukan oleh pengklasifikasi.  Meskipun RoI (Region of Interest) tidak menentukan secara langsung akurasi, namun RoI menentukan lingkup klasifikasi citra.   Terdapat tiga algoritma yang dapat digunakan sebagai algoritma RoI yaitu; Balanced Histogram Thresholding (BHT), algoritma Otsu, dan algoritma klasterisasi K-Means.  Paper ini meninjau algoritma Otsu dan algoritma klasterisasi K-Means yang digunakan oleh lima peneliti.  Dari ke lima peneliti; tiga peneliti menerapkan algoritma Otsu dan dua peneliti menerapkan algoritma K-Means sebagai algoritma RoI. Setelah operasi RoI, ke lima peneliti menerapkan algoritma GLCM (Gray Level Co-occurance Matrix) sebagai pengekstraksi ciri tekstur.  Hasil ekstraksi ciri diklasifikasi dengan menggunakan berbagai pengklasifikasi antara lain SVM (Support Vector Machine), Naive Bayes, dan Decision Tree. Akhirnya dengan membandingkan hasil dari ke lima peneliti, akurasi tertinggi diperoleh sebesar 100% dengan pengklasifikasi SVM menggunakan algoritma Otsu sebagai algoritma RoI, dan akurasi terendah adalah sebesar52% yang menggunakan algoritma Otsu pada kanal S dari citra HSV (Hue, Saturation Value).

Sign in / Sign up

Export Citation Format

Share Document