Welcome to our blog

Laporan

Latar Belakang

Kebanyakkan Binusian memiliki Flazz tetapi belum mengetahui cara mengisi Flazz melalui mesin EDC. Kebanyakkan Binusian juga memiliki Flazz hanya untuk absen di Binus saja padahal banyak keuntungan yang di dapat jika memiliki Flazz. Oleh karena itu, kelompok kami membuat aplikasi tentang promosi apa yang Flazz berikan sekarang ini dan juga video tutorial mengenai cara mengisi Flazz melalui mesin EDC.

Tujuan

Kami berharap dengan adanya aplikasi yang kelompok kami buat dapat memberikan informasi yang bermanfaat untuk para Binusian.

Tampilan Aplikasi

Anggota Kelompok :
04PLT
Nesya Arviana Nerissa (1601225766)
Renardi Yoel Prasetya (1601225444)
Monica Valencia (1601224302)
Marshal (1601221124)
Kevala (1601218073)

1. Text classification

Text Classification sering dengan disebut kategorisasi yaitu diberikan teks serupa, yang tentukan termasuk di kelas mana dari kumpulan yang sudah didefinisikan sebelumnya.

Contoh dari klasifikasi teks:

– Identifikasi bahasa dan gaya klasifikasi

-Analisis perasaan (klasifikasi bioskop atau produk pandangan ulang sebagai positif atau negatif) dan

-Deteksi spam (klasifikasi pesan email sebagai spam atau bukan-spam).

Cara lain berfikir tentang klasifikasi adalah sebagai masalah kompresi data. Algoritma lossless compression mengambil urutan symbol, mendeteksi pola yang berulang, dan menulis diskripsi urutan yang lebih ringkas dari aslinya.

Contohnya, teks “0.142857142857142857″ dapat dikompres dengan Algoritma Kompresi yang bekerrja dengan membangun kamus urutan dari teks, dan kemudian mengacu ke entri dalam kamus. Contoh di atas hanya satu entri kamus, “142857.“

Dalam efeknya, algoritma kompresi membuat model bahasa. Algoritma LZW secara khusus langsung memodel distribusi probabilitas maximum-entropy. Mengerjakan klasifikasi dengan kompresi, pertama kali kita menyatukan semua spam training messages dan mengkompresinya.

Didalam Text classification terdapat 3 tahap yaitu:

Preprocessing

Tahap pertama dalam text classification adalah dokumen preprocessing yang terdiri dari 3 bagian yaitu ekstrasi term,seleksi term dan representasi dokumen.

Ekstrasi Term

Ekstrasi term dilakukan untuk menentukan kumpulan term yang mendeskripsikan dokumen.

Seleksi Term

Jumlah term yang dihasilkan pada feature ekstrasi dapat menjadi suatu data yang berdimensi cukup besar. Karena dimensi dari ruang feature merupakan bag-of-words hasil pemisahan kata dari dokumennya. Untuk itu perlu dilakukan feature selection untuk mengurangi jumlah dimensi.

Representasi Dokumen

Supaya teks natural language dapat digunakan sebagai inputan untuk metode klasifikasi maka teks natural language diubah kedalam representasi vektor.

Training Phase

Tahap kedua dari text classification adalah training. Pada tahap ini system akan membangun model yang berfungsi untuk menentukan kelas dari dokumen yang belum diketahui kelasnya. Tahap ini menggunakan data yang telah diketahui kelasnya (data training) yang kemudian akan dibentuk model yang direpresantasikan melalui data statistik berupa mean dan standar deviasi masing-masing term pada setiap kelas.

Testing Phase

Tahap terakhir adalah tahap pengujian yang akan memberikan kelas pada data testing dengan menggunakan model yang telah dibangun pada tahap training. Tujuan dilakukan testing adalah untuk mengetahui performansi dari model yang telah dibentuk. Dengan beberapa parameter pengukuran yaitu akurasi, precision, recall, dan f-measure.

2.Information Retrieval

Information Retrieval merupakan suatu pencarian informasi (biasanya berupa dokumen) yang didasarkan pada suatu query (inputanuser) yang diharapkan dapat memenuhi keinginan user dari kumpulan dokumen yang ada. Contoh yang paling sering di gunakan dalam information retrieval adalah mesin pencari(search engine) yang ada pada www(world wide web)

Sedangkan, definisi query dalam Information Retrieval menurut referensi merupakan sebuah formula yang digunakan untuk mencari informasi yang dibutuhkan oleh user, dalam bentuk yang paling sederhana, sebuah query merupakan suatu keywords (kata kunci) dan dokumen yang mengandung keywords merupakan dokumen yang dicari dalam IR.

Tujuan dari sistem IR adalah memenuhi kebutuhan informasi pengguna dengan me-retrieve semua dokumenyang mungkin relevan, pada waktu yang sama me-retrieve sesedikit mungkin dokumen

yang tak-relevan. Sistem ini menggunakan fungsi heuristik untuk mendapatkan

dokumen-dokumen yang relevan dengan query pengguna. Sistem IR yang baik memungkinkan pengguna menentukan secara cepat dan akurat apakah isi dari dokumen

yang diterima memenuhi kebutuhannya. Agar representasi dokumen lebih baik,

dokumen-dokumen dengan topik atau isi yang mirip dikelompokkan bersama-sama

Information retrieval (disingkat IR) dapat digolongkan sbb :

A Corpus of Documents

Setiap sistem harus ditentukan jika ingin diperlakukan sebagai apa dalam document:apakah sebagai paragraf, halaman, atau multipage teks.

Queries posed in a query language

Queri yang dimiliki bahasa query. Query menetapkan apa yang ingin diketahui user. Bahasa query dapat hanya berupa daftar kata-kata, seperti [AI book]; atau dapat menentukan susunan kata yang harus berdekatan.

A result set

Kumpulan hasil. Subset dari dokumen dimana sistem IR mempertimbangkan relevan terhadap query. Dengan relevan, diartikan sepertinya digunakan oleh pemilik query, untuk informasi khusus yang dibutuhkan untuk ekspresi query.

A presentation of result test

Presentasi dari kumpulan hasil. Dapat sesederhana daftar ranking dari judul dokumen atau rumit seperti peta warna yang berputar dari kumpulan hasil yang diproyeksikan ke 3-dimensi, digambarkan dalam dispaly 2-dimensi.

3.HITS ALGORITHM

HITS (Hyperlink-Induced Topic Search)Algorithm

Hal ini hampir sama dengan algoritma PageRank, tapi HITS tidak menghitung jumlah link di halaman, tapi melihat-lihat link yang ditemukan, jika sesuai dengan tujuan link, kata-kata yang lebih tepat antara link asal ke link tujuan akan semakin tinggi nilai otoritas nya dalam halaman.

Ide dasar dibalik algoritma ini adalah bahwa semua halaman web di internet dikategorikan ke dalam dua kelompok yang disebut Hub dan Authoritas. Hub menentukan halaman web yang telah keluar ke suatu link yang merupakan halaman web penting lainnya dan authoritas menentukan halaman web yang memiliki link masuk dari halaman web penting lainnya.

Pengaplikasian algoritma hits adalah

Search engine querying(Kecepatan merupakan suatu masalah)

Mencari komunitas web

Mencari halaman web terkait

Mengisi kategori dalam direktori web

Menganalisis suatu kutipan

Langkah langkah Algoritma HITS

1.Kumpulkan halaman t atas (Misal t = 200) berdasarkan permintaan input,hal ini dinamakan set root.

2.Turunkan akar ditetapkan menjadi basis dan ditetapkan sebagai berikut, untuk semua halaman p yang di set root

-Tambahkan akar mengatur semua halaman yang menunjuk ke p

-Tambahkan akar set up-to q untuk halaman yang mengarah ke p (misal q = 50).

3.Hapus semua link dalam situs web yang sama di set dasar menghasilkan sub-grafik terfokus

4.PROLOG

Prolog adalah bahasa didasarkan pada urutan pertama logika predikat. (Akan melakukan introduce dan revisi).

Kita dapat menyatakan beberapa fakta dan beberapa aturan, kemudian mengajukan pertanyaan untuk mencari tahu apa yang benar.

Prolog dapat kembali lebih dari satu jawaban untuk sebuah pertanyaan.

Ia memiliki built in metode pencarian untuk pergi melalui semua aturan dan fakta yang mungkin untuk mendapatkan semua jawaban yang mungkin.

Metode pencarian “Depth first search” dengan “backtracking”.

contoh:

likes(john, mary).

tall(john).

tall(sue).

short(fred).

teaches(alison, artificialIntelligence).

Pengaplikasian dari prolog contoh nya:

– Sistem Pakar (Expert System)

Program menggunakan teknik pengambilan kesimpulan dari data-data yang didapat, layaknya seorang ahli.

– Pengolahan Bahasa Alami (Natural Languange Processing)

Program dibuat agar pemakai dapat berkomunikasi dengan komputer dalam bahasa manusia sehari-hari, layaknya penterjemah.

– Robotik

Prolog digunakan untuk mengolah data masukanyang berasal dari sensor dan mengambil keputusan untuk menentukan gerakan yang harus dilakukan.

– Pengenalan Pola (Pattern Recognition)

Banyak digunakan dalam image processing , dimana komputer dapat membedakan suatu objek dengan objek yang lain.

– Belajar (Learning)

Prolog gunakan untuk mempelajari,mengamati dari hal hal yang pernah di lakukan.

1. Apa yang dimaksud supervised learning, unsupervised learning dan reinforcement learning ? Berikan contoh masing-masing !

SUPERVISED LEARNING

Supervised learning merupakan suatu pembelajaran yang terawasi dimana jika output yang diharapkan telah diketahui sebelumnya. Biasanya pembelajaran ini dilakukan dengan menggunakan data yang telah ada. Pada metode ini, setiap pola yang diberikan kedalam jaringan saraf tiruan telah diketahui outputnya. Satu pola input akan diberikan ke satu neuron pada lapisan input. Pola ini akan dirambatkan di sepanjang jaringan syaraf hingga sampai ke neuron pada lapisan output. Lapisan output ini akan membangkitkan pola output yang nantinya akan dicocokkan dengan pola output targetnya. Contoh algoritma jaringan saraf tiruan yang mernggunakan metode supervised learning adalah hebbian (hebb rule), perceptron, adaline, boltzman, hapfield, dan backpropagation.

Contoh :

GAMBAR SUPERVISED LEARNING

 
UNSUPERVISED LEARNING

Unsupervised learning merupakan pembelajaran yang tidak terawasi dimana tidak memerlukan target output. Pada metode ini tidak dapat ditentukan hasil seperti apa yang diharapkan selama proses pembelajaran, nilai bobot yang disusun dalam proses range tertentu tergantung pada nilai output yang diberikan. Tujuan metode unsupervised learning ini agar dapat mengelompokkan unit-unit yang hampir sama dalam satu area tertentu. Pembelajaran ini biasanya sangat cocok untuk klasifikasi pola. Contoh algoritma jaringan saraf tiruan yang menggunakan metode unsupervised ini adalah competitive, hebbian, kohonen, LVQ(Learning Vector Quantization), neocognitron.

Contoh :

GAMBAR UNSUPERVISED LEARNING

REINFORCEMENT LEARNING

Reinforcement learning adalah sebuah model pembelajaran terhadap apa yang dilakukan, dan sebagai umpan balik bagaimana memetakan perubahan situasi lingkungan terhadap aksi yang dilakukan untuk memaksimalkan keuntungan.

Prinsip yang digunakan dalam metode ini didasarkan pada teori reinforcement yang pada intinya adalah konsekuensi mempengaruhi tindakan. Ada 3 prinsip dasar pada teori reinforcement yakni (Tadepalli et al, 1998; ).

Konsekuensi yang berakibat baik mendorong terjadinya tindakan.
Konsekuensi yang berakibat buruk mendorong berkurangnya tindakan.
Konsekuensi yang tidak ada dampaknya tidak memperngaruhi tindakan.
Contoh :

GAMBAR REINFORCEMENT LEARNING

 
2. Apa yang dimaksud dengan Learning Decision Tree dan berikan contohnya ?!

Secara konsep Decision tree adalah salah satu dari teknik decision analysis.Tries sendiri pertama kali diperkenalkan pada tahun 1960-an oleh Fredkin. Trie atau digital tree berasal dari kata retrival (pengambilan kembali) sesuai dengan fungsinya. Secara etimologi kata ini diucapkan sebagai ‘tree’.

Secara singkat bahwa Decision Tree merupakan salah satu metode klasifikasi pada Text Mining. Klasifikasi adalah proses menemukan kumpulan pola atau fungsi-fungsi yang mendeskripsikan dan memisahkan kelas data satu dengan lainnya, untuk dapat digunakan untuk memprediksi data yang belum memiliki kelas data tertentu (Jianwei Han, 2001).

Contoh :

GAMBAR  DECISION TREE

Semoga info ini bermanfaat bagi kita semua.. 😉

1.  Apa yang dimaksud Adversarial Search & Constraint Satisfaction Problems? Berikan contoh?

Adversary search merupakan teknik pencarian yang diterapkan dalam permainan game antara dua pihak yang saling berlawanan. Ruang keadaan dalam kasus ini direpresentasikan dengan pohon (tree) atau grafik, yang memuat giliran yang memungkinkan bagi kedua pemain. Setiap level ruang pencarian yang berlaku menunjukkan keadaan giliran yang hanya berlaku untuk satu pemain. Teknik pencarian ini terdiri atas dua tipe algoritma. Algoritma pertama yang lebih sederhana dinamakan MINIMAX, sedangkan yang lainnya (yang lebih kompleks) adalah Alpha-beta Cutoff Procedure.

Contoh : permainan Tic Tac Toe

Constraint Satisfaction Problem adalah suatu permasalahan seseorang harus mencari nilai untuk set variabel (finite) yang memenuhi set constraint (finite). Constraint Satisfaction Problem merupakan sebuah pendekatan dari problem yang bersifat matematis dengan tujuan menemukan keadaan atau obyek yang memenuhi sejumlah persyaratan atau kiteria. Sebuah Constraint diartikan sebagai batasan solusi memungkinkan dalam sebuah problem optimasi.

Contoh : Cryptarithmetic, Map-Coloring

2. Apa itu Propositional Logic? Berikan contoh?

Logika Proposisi (Propositional Logic) menawarkan logika dalam bentuk sederhana sehingga mudah dipahami. Meskipun begitu, Logika Proposisi sudah mampu membantu menarik kesimpulan. Namun, banyak kasus yang muncul akan menjadi terlihat panjang dan rumit saat diwujudkan dalam bentuk Logika Proposisi. Dan itu bisa lebih panjang dan rumit dibandingkan problem itu sendiri.

Beberapa contoh operator logika adalah:

~      (negasi)

^      (konjungsi)

V      (disjungsi)

=>    (implikasi)

<=>  (ekuivalensi)

Tabel kebenaran

Contoh :

p : motor itu bannya kurang angin

q : motor itu kehabisan bahan bakar

Motor itu bannya kurang angin dan kehabisan bahan bakar dapat disimbolkan dengan p ^ q

3. Buat coding (boleh C, C++ atau Java) untuk  Algoritma A & Algoritma A* (A Star) ?

ArrayList SolutionPathList = new ArrayList();

//Create a node containing the goal state node_goal

Node node_goal = new Node(null,null,1,15,15);

//Create a node containing the start state node_start

Node node_start = new Node(null,node_goal,1,0,0);

//Create OPEN and CLOSED list

SortedCostNodeList OPEN = new SortedCostNodeList ();

SortedCostNodeList CLOSED = new SortedCostNodeList ();

//Put node_start on the OPEN list

OPEN.push (node_start);

//while the OPEN list is not empty

while (OPEN.Count>0)

{

//Get the node off the open list

//with the lowest f and call it node_current

Node node_current = OPEN.pop ();

//if node_current is the same state as node_goal we

//have found the solution;

//break from the while loop;

if (node_current.isMatch (node_goal))

{

node_goal.parentNode = node_current.parentNode ;

break;

}

//Generate each state node_successor that can come after node_current

ArrayList successors = node_current.GetSuccessors ();

//for each node_successor or node_current

foreach (Node node_successor in successors)

{

//Set the cost of node_successor to be the cost of node_current plus

//the cost to get to node_successor from node_current

//–> already set while we were getting successors

//find node_successor on the OPEN list

int oFound = OPEN.IndexOf (node_successor);

//if node_successor is on the OPEN list but the existing one is as good

//or better then discard this successor and continue

if (oFound>0)

{

Node existing_node = OPEN.NodeAt (oFound);

if (existing_node.CompareTo (node_current) <= 0)

continue;

}

//find node_successor on the CLOSED list

int cFound = CLOSED.IndexOf (node_successor);

//if node_successor is on the CLOSED list

//but the existing one is as good

//or better then discard this successor and continue;

if (cFound>0)

{

Node existing_node = CLOSED.NodeAt (cFound);

if (existing_node.CompareTo (node_current) <= 0 )

continue;

}

//Remove occurences of node_successor from OPEN and CLOSED

if (oFound!=-1)

OPEN.RemoveAt (oFound);

if (cFound!=-1)

CLOSED.RemoveAt (cFound);

//Set the parent of node_successor to node_current;

//–> already set while we were getting successors

//Set h to be the estimated distance to node_goal

//(Using heuristic function)

//–> already set while we were getting successors

//Add node_successor to the OPEN list

OPEN.push (node_successor);

}

//Add node_current to the CLOSED list

CLOSED.push (node_current);

}

Welcome to Binusian blog.
This is the first post of any blog.binusian.org member blog. Edit or delete it, then start blogging!
Happy Blogging 🙂