Implementasi Algoritma Ant-Tree-Miner Untuk Klasifikasi Ikan Tuna

Nusantara, Reinaldy Jalu (2016) Implementasi Algoritma Ant-Tree-Miner Untuk Klasifikasi Ikan Tuna. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
5110100116-Undergraduate Thesis.pdf - Published Version

Download (2MB) | Preview

Abstract

Klasifikasi merupakan salah satu bidang dalam data mining yang memiliki banyak variasi cara penyelesaian. Para peneliti telah mengembangkan berbagai macam algoritma untuk menyelesaikan masalah ini. Salah satu algoritma yang dikenal luas untuk menyelesaikan klasifikasi adalah decision tree, dengan tipe yang banyak digunakan adalah C4.5 Decision Tree. Fernando Otero[1] melalui penelitiannya mengembangkan decision tree tipe ini dengan mengombinasikannya dengan algoritma Ant Colony Optimization untuk pembangunan struktur tree nya. Algoritma baru ini dinamakan dengan algoritma Ant-Tree-Miner. Pada Tugas Akhir ini algoritma tersebut akan diimplementasikan untuk mengklasifikasikan data ikan tuna berbentuk numerik yang diperoleh dari ekstraksi fitur data citra pada Tugas Akhir M. Akbar Kalbuadi[2]. Dari percobaan yang telah dilakukan didapatkan akurasi tertinggi pembangunan tree adalah 82,21% untuk jumlah semut k = 200, dan pembangunan dilakukan dengan pruning. =============================================================================================== Classification is one of data mining topic which have many variation of solution. Researchers have developed various algorithm to solve this problem. One of the algorithms popularly used to do the particular job is Decision Tree with its well-known type called C4.5 Decision Tree. Fernando Otero[1] in his research has developed this type of decision tree, combining it with Ant Colony Optimization algorithm for inducing the tree construction. This novel algorithm called Ant-Tree-Miner algorithm. In this final project, the particular algorithm will be implemented to classify numeric tuna fish data which is obtained from feature extraction of image data in M. Akbar Kalbuadi’s final project[2]. Based on the experiment, the best accuracy obtained is 82,21% for colony size k = 200 and the tree is pruned.

Item Type: Thesis (Undergraduate)
Additional Information: RSIf 006.312 Nus i
Uncontrolled Keywords: Klasifikasi, Ikan Tuna, Ant-Tree-Miner, Ant Colony Optimization (ACO), Decision Tree
Subjects: Q Science > QA Mathematics > QA76.9 Computer algorithms.
Divisions: Faculty of Information Technology > Informatics Engineering > (S1) Undergraduate Theses
Depositing User: Mr. Tondo Indra Nyata
Date Deposited: 14 Sep 2017 08:16
Last Modified: 14 Sep 2017 08:16
URI: http://repository.its.ac.id/id/eprint/48851

Actions (login required)

View Item View Item