Penelitian ini bertujuan membangun aplikasi machine learning multi klasifikasi citra digital seba... more Penelitian ini bertujuan membangun aplikasi machine learning multi klasifikasi citra digital sebagai alat bantu bagi para peneliti citra untuk mendapatkan algoritma learning yang optimal dalam mengenali multi kelas berbagai objek citra digital. Penelitian ini ingin menyempurnakan machine learning klasifikasi citra yang telah penulis teliti sebelumnya, dimana memiliki kekurangan antara lain: hanya dapat digunakan untuk binary klasifikasi, hanya dapat menginput tipe file PNG8 warna dan memerlukan waktu yang lama untuk menginput data citra digital. Algoritma yang digunakan dalam penelitian ini adalah algoritma klasifikasi machine learning WEKA yaitu Support Vector Machine, K-Nearest Neighbor, Naive Bayes, C4.5 Decisision Tree, Logistic Regression dan Random Forest. Data set yang digunakan diambil dari California Institute of Technology bernama Caltech 101. Metode Desain sistem menggunakan diagram Unified Modeling Language. Aplikasi dibangun menggunakan bahasa pemrograman Java yang didukung oleh library machine learning WEKA. Black box testing digunakan untuk menguji validasi setiap fungsi pada aplikasi. Proses learning dan testing pengenalan citra juga akan diuji dengan menghitung persentasi keberhasilan mengenali citra digital. Penelitian ini diharapkan dapat bermanfaat bagi para peneliti citra di berbagai bidang, dimana mereka dapat menggunakan machine learning yang dibangun untuk bereksperimen dalam menentukan algoritma learning yang tepat sesuai objek penelitiannya dan menggunakan algoritma tersebut untuk mengenali citra digital. Kata kunci : Machine Learning, Multi Klasifikasi, WEKA, Support Vector Machine, K-Nearest Neighbor, Naive Bayes, C4.5 Decisision Tree, Logistic Regression dan Random Forest.
Seminar Nasional Teknologi Informasi dan Multimedia (SEMNASTEKNOMEDIA) 2014, Feb 8, 2014
"Machine Learning klasifikasi citra digital yang telah ada
hanya dapat digunakan untuk kebutuhan... more "Machine Learning klasifikasi citra digital yang telah ada
hanya dapat digunakan untuk kebutuhan khusus objek
penelitian citra tertentu dan belum dapat digunakan
secara online dan multiuser menggunakan web browser,
hal ini mengurangi fleksibilitas para pengguna.
Penelitian ini bertujuan menerapkan teknologi Software
as a Service untuk machine learning klasifikasi citra
digital agar aplikasi klasifikasi citra digital dapat
digunakan oleh para peneliti citra secara multiuser dan
tanpa proses instalasi aplikasi. Metode penelitian ini
memanfaatkan data set citra digital Caltech 101 yang
diambil dari Computational vision Institut Teknologi
California. Aplikasi dibangun menggunakan bahasa
pemrograman Java dimana untuk sisi client
menggunakan Google Web Toolkit dan sisi server
menggunakan Java Servlet yang kemudian dideploy ke
Google App Engine. Algoritma yang digunakan adalah
algoritma klasifikasi Machine Learning WEKA yaitu:
Support Vector Machine, K-Nearest Neighbor, Naïve
Bayes, C4.5 Decision Tree, Logistic Regression dan
Random Forest. Fungsi aplikasi sebagai Software as a
Service diuji menggunakan pengujian black box. Hasil
penelitian memperlihatkan bahwa teknologi Remote
Procedure Call dengan metode Asyncronous dapat
diterapkan agar aplikasi dapat diakses secara online
menggunakan web browser secara multiuser. Pengujian
dilakukan oleh 4 pengguna yang secara bersamaan
mengakses aplikasi pada komputer berbeda dengan
fungsi-fungsi: login/logout, mengakses aplikasi tanpa
instalasi hanya menggunakan web browser,
menggunakan pra-proses data set dan menggunakan
jenis algoritma machine learning yang sama dengan
data set berbeda. Hasil pengujian memperlihatkan
setiap fungsi sukses melewati tahap pengujian black box.
Penelitian ini dapat disimpulkan bahwa teknologi
Software as a Service dapat diterapkan pada machine
learning klasifikasi citra digital.
Kata kunci: Software as a Service, Machine Learning,
Klasifikasi Citra Digital."
"Abstract— Quick count dipahami sebagai proses penghitungan
secara cepat dan tepat dalam sebuah ... more "Abstract— Quick count dipahami sebagai proses penghitungan
secara cepat dan tepat dalam sebuah pelaksanaan PILKADA.
Selain Quick count, hal lain yang dilakukan kandidat untuk
mengetahui elektabilitas calon adalah dengan melakukan survey
awal sebelum pilkada berlangsung, survey dapat dilakukan oleh
lembaga survey yang berkompoten. Agar data survey yang
dihasilkan akurat, dibutuhkan data dari banyak propinsi,
kabupaten/kota. Hal ini membutuhkan bantuan data mining
khususnya metode Bayesian Network, karena data tersebut
memiliki keterkaitan kausalitas satu sama lain baik secara
langsung maupun tidak langsung untuk menentukan pemenang
PILKADA. Banyak Faktor atau variable yang mempengaruhi
dukungan terhadap para kandidat, dalam penelitian ada 8
variable, terdiri dari 7 variable predictor yaitu: Status Jabatan,
Kesesuaian Agama, Kesamaan Etnis, Popularitas, Peminatan,
Dukungan Survey I dan Dukungan Survey II dan 1 variable
respon yaitu Status Quick Count. Faktor-faktor diatas di
simulasikan untuk meprediksi pemenang pilkada menggunkan
Tool Bayesian Network yaitu Microsoft Bayesian Network Editor
(MSBNx). Ada 4 tahap analisis data yaitu : menentukan variable
dan kategori yang terkait dalam jaringan, membuat diagram
kausalitas, mengisi conditional probability setiap variable, dan
memasukkan evidence untuk melihat hasil prediksi. Kriteria
minimum seorang kandidat untuk sukses dalam quick count
yaitu menghasilkan peluang sukses diatas 50%, ditemukan
bahwa variable Dukungan Survey I dan II sangat berpengaruh
dalam pemenangan PILKADA, dimana jika kedua variable
tersebut tidak mempunyai evidence atau tidak sukses, maka
peluang quick count tidak akan sukses.
Keywords-component; Simulasi; Bayesian Network; Prediksi
Pemenang PILKADA; MSBNx."
Proceeding Konfrensi Nasional Ilmu Komputer (KONIK) 2013, Apr 20, 2013
Abstrak— Penelitian ini bertujuan merancang aplikasi Machine
Learning klasifikasi citra digital ... more Abstrak— Penelitian ini bertujuan merancang aplikasi Machine
Learning klasifikasi citra digital sebagai alat bantu bagi para
peneliti pengenalan citra untuk menganalisa dan mengenali
berbagai jenis objek citra. Aplikasi tersebut dapat diakses
langsung di cloud tanpa proses instalasi dan dapat digunakan
secara multiuser menggunakan teknologi Software as a Service
(SaaS). Machine Learning yang digunakan untuk klasifikasi
adalah beberapa algoritma supervised learning yaitu : Learning
Vector Quantization (LVQ), K-Nearest Neighbor (KNN) dan
Support Vector Machine (SVM). Penelitian ini diharapkan dapat
bermanfaat bagi para peneliti pengenalan citra di berbagai
bidang dengan beberapa kemudahan yaitu : pengguna tidak
perlu membangun sendiri aplikasi setiap ingin meneliti sebuah
objek citra, pengguna dapat bereksperimen dalam menentukan
algoritma dan setting yang tepat sesuai objek penelitiannya dan
kemudahan penggunaan aplikasi tanpa perlu instalasi. Proses
klasifikasi dimulai dengan menginput beberapa citra digital
untuk kebutuhan learning dan testing yang akan mengalami
normalisasi, konversi warna, pemilihan algoritma learning,
input parameter algoritma, proses learning dan testing,
menghitung persentasi keberhasilan dan terakhir menyimpan
setting dan hasil learning. Proses selanjutnya yaitu menginput
citra digital yang akan diklasifikasi, kemudian menggunakan
setting dan hasil learning yang telah didapatkan untuk
memperoleh hasil pengenalan. Aplikasi yang dirancang akan
menggunakan bahasa pemrograman Java dan di-deploy ke
Google App Engine (GAE).
Kata kunci : Machine Learning, Klasifikasi, Pengelompokan,
LVQ (Learning Vector Quantization), KNN (K-Nearest
Neighbor), SVM (Support Vector Machine).
"Abstrak— Penentuan dosen pembimbing dan penguji skripsi
merupakan rutinitas akademik tiap semes... more "Abstrak— Penentuan dosen pembimbing dan penguji skripsi
merupakan rutinitas akademik tiap semester. Dalam
menentukan hal tersebut kadang terjadi keputusan yang kurang
optimal dimana dosen yang ditunjuk bukanlah orang yang
paling tepat sesuai dengan topik skripsi mahasiswa. Hal ini dapat
berpengaruh terhadap kualitas skripsi, sehingga dibutuhkan
solusi cerdas untuk pengoptimasian kasus tersebut. Proses
penelitian menggunakan data input berupa data dosen beserta
bobot-bobot spesifikasi keahlian masing-masing dan data skripsi
mahasiswa beserta kebutuhan materi-materi pada skripsi
tersebut. Data kemudian diolah menggunakan Metode Logika
Fuzzy sehingga didapatkan output yang terdiri dari dosen
pembimbing I, Pembimbing II, Penguji I dan Penguji II. Output
yang dihasilkan merupakan para pembimbing dan penguji yang
mempunyai spesifikasi keahlian sesuai dengan topik skripsi
mahasiswa.
Kata Kunci; Pembimbing; Penguji; Skripsi; Spesifikas Keahlian,
Dosen, Logika Fuzzy."
Prosiding Seminar Nasional Informatika (SNIf) 2012, Oct 19, 2012
Pengenalan Pola buku diharapkan dapat mempermudah dalam mengidentifikasi dan menginventarisasi bu... more Pengenalan Pola buku diharapkan dapat mempermudah dalam mengidentifikasi dan menginventarisasi buku.
Penelitian ini mencoba menggunakan teknik pengolahan citra dan algoritma Learning Vector Quantization
(LVQ) untuk pengenalan buku. Algoritma LVQ digunakan untuk proses pelatihan dan pengujian/pengenalan,
sementara pengolahan citra dibutuhkan pada setiap proses tersebut.
Citra yang digunakan untuk untuk pengenalan pola adalah sampul buku. Tahap-tahap pengolahan citra sebagai
berikut: Tipe File Citra JPEG dikonversi menjadi Bitmap untuk memudahkan mengakses tiap pixel citra,
mengubah citra RGB menjadi B/W agar memudahkan proses binerisasi, normalisasi dengan mengubah ukuran
citra menjadi 300X300 pixel sehingga ukuran pixel lebih kecil dan seragam, terakhir adalah proses binerisasi
yaitu mengkonversi setiap pixel citra sampul buku menjadi data biner 0 dan 1. Data biner kemudian digunakan
pada proses pelatihan dan pengujian/pengenalan LVQ.
Uji coba aplikasi menggunakan 12 buku, yang terdiri dari 2 judul buku. 2 untuk w1 dan w2, 4 untuk data
pelatihan dan 6 untuk pengujian/pengenalan. Inisialisasi LVQ menggunakan MaxEpoch=10, eps=0.001 dan
α=0.05. Hasilnya, aplikasi dapat mengenali semua buku yang diujikan.
Kata kunci : Pengolahan Citra, LVQ, Pengenalan Pola, Buku.
Prosiding Konfrensi Nasional Ilmu Komputer (KONIK) 2012, Jan 14, 2012
"Abstrak—Penentuan dosen pembimbing dan penguji skripsi
merupakan rutinitas akademik tiap semest... more "Abstrak—Penentuan dosen pembimbing dan penguji skripsi
merupakan rutinitas akademik tiap semester. Dalam
menentukan hal tersebut kadang terjadi keputusan yang kurang
optimal dimana dosen yang ditunjuk bukanlah orang yang
paling tepat sesuai dengan topik skripsi mahasiswa. Hal ini dapat
berpengaruh terhadap kualitas skripsi, sehingga dibutuhkan
solusi cerdas untuk pengoptimasian kasus tersebut. Proses
penelitian menggunakan data input berupa data dosen beserta
bobot-bobot spesifikasi keahlian masing-masing dan data skripsi
mahasiswa beserta persentasi materi-materi yang dibutuhkan
pada skripsi tersebut. Data kemudian diolah menggunakan
algoritma jaringan syaraf tiruan sehingga didapatkan output
yang terdiri dari dosen pembimbing I, Pembimbing II, Penguji I
dan Penguji II. Output yang dihasilkan merupakan para
pembimbing dan penguji yang mempunyai spesifikasi keahlian
sesuai dengan topik skripsi mahasiswa.
Kata Kunci; Optimasi; Pembimbing; Penguji; Skripsi;
Jaringan Syaraf Tiruan."
Prosiding Konfrensi Nasional Forum Pendidikan Tinggi Teknik Elektro Indonesia (FORTEI) 2011, Dec 8, 2011
Abstract—Traveling Salesman Problem (TSP) merupakan salah
satu masalah optimasi klasik dengan ko... more Abstract—Traveling Salesman Problem (TSP) merupakan salah
satu masalah optimasi klasik dengan konsep yang sederhana
namun rumit dipecahkan secara konvensional. Tujuannya agar
menememukan rute perjalanan terpendek untuk melewati
sejumlah kota dengan jalur tertentu sehingga setiap kota hanya
terlewati satu kali dan perjalanan diakhiri dengan kembali ke
kota semula. Proses penelitian menggunakan data input berupa
kota dan jarak antar kota kemudian diolah menggunakan
algoritma greedy dengan penanda sehingga didapatkan jalur
terpedek dan total biayanya. Penanda dalam algoritma
digunakan agar setiap kota hanya sekali dikunjungi. Pendekatan
algoritma greedy dengan penanda memberikan solusi yang
mempunyai kompleksitas waktu komputasi jauh lebih singkat
dibandingkan dengan sejumlah algoritma lain seperti Algoritma
Brute Force dan Dynamic Programming.
Keywords: Traveling Salesman Problem; Algoritma Greedy;
Penanda; Kompleksitas
Penelitian ini bertujuan membangun aplikasi machine learning multi klasifikasi citra digital seba... more Penelitian ini bertujuan membangun aplikasi machine learning multi klasifikasi citra digital sebagai alat bantu bagi para peneliti citra untuk mendapatkan algoritma learning yang optimal dalam mengenali multi kelas berbagai objek citra digital. Penelitian ini ingin menyempurnakan machine learning klasifikasi citra yang telah penulis teliti sebelumnya, dimana memiliki kekurangan antara lain: hanya dapat digunakan untuk binary klasifikasi, hanya dapat menginput tipe file PNG8 warna dan memerlukan waktu yang lama untuk menginput data citra digital. Algoritma yang digunakan dalam penelitian ini adalah algoritma klasifikasi machine learning WEKA yaitu Support Vector Machine, K-Nearest Neighbor, Naive Bayes, C4.5 Decisision Tree, Logistic Regression dan Random Forest. Data set yang digunakan diambil dari California Institute of Technology bernama Caltech 101. Metode Desain sistem menggunakan diagram Unified Modeling Language. Aplikasi dibangun menggunakan bahasa pemrograman Java yang didukung oleh library machine learning WEKA. Black box testing digunakan untuk menguji validasi setiap fungsi pada aplikasi. Proses learning dan testing pengenalan citra juga akan diuji dengan menghitung persentasi keberhasilan mengenali citra digital. Penelitian ini diharapkan dapat bermanfaat bagi para peneliti citra di berbagai bidang, dimana mereka dapat menggunakan machine learning yang dibangun untuk bereksperimen dalam menentukan algoritma learning yang tepat sesuai objek penelitiannya dan menggunakan algoritma tersebut untuk mengenali citra digital. Kata kunci : Machine Learning, Multi Klasifikasi, WEKA, Support Vector Machine, K-Nearest Neighbor, Naive Bayes, C4.5 Decisision Tree, Logistic Regression dan Random Forest.
Seminar Nasional Teknologi Informasi dan Multimedia (SEMNASTEKNOMEDIA) 2014, Feb 8, 2014
"Machine Learning klasifikasi citra digital yang telah ada
hanya dapat digunakan untuk kebutuhan... more "Machine Learning klasifikasi citra digital yang telah ada
hanya dapat digunakan untuk kebutuhan khusus objek
penelitian citra tertentu dan belum dapat digunakan
secara online dan multiuser menggunakan web browser,
hal ini mengurangi fleksibilitas para pengguna.
Penelitian ini bertujuan menerapkan teknologi Software
as a Service untuk machine learning klasifikasi citra
digital agar aplikasi klasifikasi citra digital dapat
digunakan oleh para peneliti citra secara multiuser dan
tanpa proses instalasi aplikasi. Metode penelitian ini
memanfaatkan data set citra digital Caltech 101 yang
diambil dari Computational vision Institut Teknologi
California. Aplikasi dibangun menggunakan bahasa
pemrograman Java dimana untuk sisi client
menggunakan Google Web Toolkit dan sisi server
menggunakan Java Servlet yang kemudian dideploy ke
Google App Engine. Algoritma yang digunakan adalah
algoritma klasifikasi Machine Learning WEKA yaitu:
Support Vector Machine, K-Nearest Neighbor, Naïve
Bayes, C4.5 Decision Tree, Logistic Regression dan
Random Forest. Fungsi aplikasi sebagai Software as a
Service diuji menggunakan pengujian black box. Hasil
penelitian memperlihatkan bahwa teknologi Remote
Procedure Call dengan metode Asyncronous dapat
diterapkan agar aplikasi dapat diakses secara online
menggunakan web browser secara multiuser. Pengujian
dilakukan oleh 4 pengguna yang secara bersamaan
mengakses aplikasi pada komputer berbeda dengan
fungsi-fungsi: login/logout, mengakses aplikasi tanpa
instalasi hanya menggunakan web browser,
menggunakan pra-proses data set dan menggunakan
jenis algoritma machine learning yang sama dengan
data set berbeda. Hasil pengujian memperlihatkan
setiap fungsi sukses melewati tahap pengujian black box.
Penelitian ini dapat disimpulkan bahwa teknologi
Software as a Service dapat diterapkan pada machine
learning klasifikasi citra digital.
Kata kunci: Software as a Service, Machine Learning,
Klasifikasi Citra Digital."
"Abstract— Quick count dipahami sebagai proses penghitungan
secara cepat dan tepat dalam sebuah ... more "Abstract— Quick count dipahami sebagai proses penghitungan
secara cepat dan tepat dalam sebuah pelaksanaan PILKADA.
Selain Quick count, hal lain yang dilakukan kandidat untuk
mengetahui elektabilitas calon adalah dengan melakukan survey
awal sebelum pilkada berlangsung, survey dapat dilakukan oleh
lembaga survey yang berkompoten. Agar data survey yang
dihasilkan akurat, dibutuhkan data dari banyak propinsi,
kabupaten/kota. Hal ini membutuhkan bantuan data mining
khususnya metode Bayesian Network, karena data tersebut
memiliki keterkaitan kausalitas satu sama lain baik secara
langsung maupun tidak langsung untuk menentukan pemenang
PILKADA. Banyak Faktor atau variable yang mempengaruhi
dukungan terhadap para kandidat, dalam penelitian ada 8
variable, terdiri dari 7 variable predictor yaitu: Status Jabatan,
Kesesuaian Agama, Kesamaan Etnis, Popularitas, Peminatan,
Dukungan Survey I dan Dukungan Survey II dan 1 variable
respon yaitu Status Quick Count. Faktor-faktor diatas di
simulasikan untuk meprediksi pemenang pilkada menggunkan
Tool Bayesian Network yaitu Microsoft Bayesian Network Editor
(MSBNx). Ada 4 tahap analisis data yaitu : menentukan variable
dan kategori yang terkait dalam jaringan, membuat diagram
kausalitas, mengisi conditional probability setiap variable, dan
memasukkan evidence untuk melihat hasil prediksi. Kriteria
minimum seorang kandidat untuk sukses dalam quick count
yaitu menghasilkan peluang sukses diatas 50%, ditemukan
bahwa variable Dukungan Survey I dan II sangat berpengaruh
dalam pemenangan PILKADA, dimana jika kedua variable
tersebut tidak mempunyai evidence atau tidak sukses, maka
peluang quick count tidak akan sukses.
Keywords-component; Simulasi; Bayesian Network; Prediksi
Pemenang PILKADA; MSBNx."
Proceeding Konfrensi Nasional Ilmu Komputer (KONIK) 2013, Apr 20, 2013
Abstrak— Penelitian ini bertujuan merancang aplikasi Machine
Learning klasifikasi citra digital ... more Abstrak— Penelitian ini bertujuan merancang aplikasi Machine
Learning klasifikasi citra digital sebagai alat bantu bagi para
peneliti pengenalan citra untuk menganalisa dan mengenali
berbagai jenis objek citra. Aplikasi tersebut dapat diakses
langsung di cloud tanpa proses instalasi dan dapat digunakan
secara multiuser menggunakan teknologi Software as a Service
(SaaS). Machine Learning yang digunakan untuk klasifikasi
adalah beberapa algoritma supervised learning yaitu : Learning
Vector Quantization (LVQ), K-Nearest Neighbor (KNN) dan
Support Vector Machine (SVM). Penelitian ini diharapkan dapat
bermanfaat bagi para peneliti pengenalan citra di berbagai
bidang dengan beberapa kemudahan yaitu : pengguna tidak
perlu membangun sendiri aplikasi setiap ingin meneliti sebuah
objek citra, pengguna dapat bereksperimen dalam menentukan
algoritma dan setting yang tepat sesuai objek penelitiannya dan
kemudahan penggunaan aplikasi tanpa perlu instalasi. Proses
klasifikasi dimulai dengan menginput beberapa citra digital
untuk kebutuhan learning dan testing yang akan mengalami
normalisasi, konversi warna, pemilihan algoritma learning,
input parameter algoritma, proses learning dan testing,
menghitung persentasi keberhasilan dan terakhir menyimpan
setting dan hasil learning. Proses selanjutnya yaitu menginput
citra digital yang akan diklasifikasi, kemudian menggunakan
setting dan hasil learning yang telah didapatkan untuk
memperoleh hasil pengenalan. Aplikasi yang dirancang akan
menggunakan bahasa pemrograman Java dan di-deploy ke
Google App Engine (GAE).
Kata kunci : Machine Learning, Klasifikasi, Pengelompokan,
LVQ (Learning Vector Quantization), KNN (K-Nearest
Neighbor), SVM (Support Vector Machine).
"Abstrak— Penentuan dosen pembimbing dan penguji skripsi
merupakan rutinitas akademik tiap semes... more "Abstrak— Penentuan dosen pembimbing dan penguji skripsi
merupakan rutinitas akademik tiap semester. Dalam
menentukan hal tersebut kadang terjadi keputusan yang kurang
optimal dimana dosen yang ditunjuk bukanlah orang yang
paling tepat sesuai dengan topik skripsi mahasiswa. Hal ini dapat
berpengaruh terhadap kualitas skripsi, sehingga dibutuhkan
solusi cerdas untuk pengoptimasian kasus tersebut. Proses
penelitian menggunakan data input berupa data dosen beserta
bobot-bobot spesifikasi keahlian masing-masing dan data skripsi
mahasiswa beserta kebutuhan materi-materi pada skripsi
tersebut. Data kemudian diolah menggunakan Metode Logika
Fuzzy sehingga didapatkan output yang terdiri dari dosen
pembimbing I, Pembimbing II, Penguji I dan Penguji II. Output
yang dihasilkan merupakan para pembimbing dan penguji yang
mempunyai spesifikasi keahlian sesuai dengan topik skripsi
mahasiswa.
Kata Kunci; Pembimbing; Penguji; Skripsi; Spesifikas Keahlian,
Dosen, Logika Fuzzy."
Prosiding Seminar Nasional Informatika (SNIf) 2012, Oct 19, 2012
Pengenalan Pola buku diharapkan dapat mempermudah dalam mengidentifikasi dan menginventarisasi bu... more Pengenalan Pola buku diharapkan dapat mempermudah dalam mengidentifikasi dan menginventarisasi buku.
Penelitian ini mencoba menggunakan teknik pengolahan citra dan algoritma Learning Vector Quantization
(LVQ) untuk pengenalan buku. Algoritma LVQ digunakan untuk proses pelatihan dan pengujian/pengenalan,
sementara pengolahan citra dibutuhkan pada setiap proses tersebut.
Citra yang digunakan untuk untuk pengenalan pola adalah sampul buku. Tahap-tahap pengolahan citra sebagai
berikut: Tipe File Citra JPEG dikonversi menjadi Bitmap untuk memudahkan mengakses tiap pixel citra,
mengubah citra RGB menjadi B/W agar memudahkan proses binerisasi, normalisasi dengan mengubah ukuran
citra menjadi 300X300 pixel sehingga ukuran pixel lebih kecil dan seragam, terakhir adalah proses binerisasi
yaitu mengkonversi setiap pixel citra sampul buku menjadi data biner 0 dan 1. Data biner kemudian digunakan
pada proses pelatihan dan pengujian/pengenalan LVQ.
Uji coba aplikasi menggunakan 12 buku, yang terdiri dari 2 judul buku. 2 untuk w1 dan w2, 4 untuk data
pelatihan dan 6 untuk pengujian/pengenalan. Inisialisasi LVQ menggunakan MaxEpoch=10, eps=0.001 dan
α=0.05. Hasilnya, aplikasi dapat mengenali semua buku yang diujikan.
Kata kunci : Pengolahan Citra, LVQ, Pengenalan Pola, Buku.
Prosiding Konfrensi Nasional Ilmu Komputer (KONIK) 2012, Jan 14, 2012
"Abstrak—Penentuan dosen pembimbing dan penguji skripsi
merupakan rutinitas akademik tiap semest... more "Abstrak—Penentuan dosen pembimbing dan penguji skripsi
merupakan rutinitas akademik tiap semester. Dalam
menentukan hal tersebut kadang terjadi keputusan yang kurang
optimal dimana dosen yang ditunjuk bukanlah orang yang
paling tepat sesuai dengan topik skripsi mahasiswa. Hal ini dapat
berpengaruh terhadap kualitas skripsi, sehingga dibutuhkan
solusi cerdas untuk pengoptimasian kasus tersebut. Proses
penelitian menggunakan data input berupa data dosen beserta
bobot-bobot spesifikasi keahlian masing-masing dan data skripsi
mahasiswa beserta persentasi materi-materi yang dibutuhkan
pada skripsi tersebut. Data kemudian diolah menggunakan
algoritma jaringan syaraf tiruan sehingga didapatkan output
yang terdiri dari dosen pembimbing I, Pembimbing II, Penguji I
dan Penguji II. Output yang dihasilkan merupakan para
pembimbing dan penguji yang mempunyai spesifikasi keahlian
sesuai dengan topik skripsi mahasiswa.
Kata Kunci; Optimasi; Pembimbing; Penguji; Skripsi;
Jaringan Syaraf Tiruan."
Prosiding Konfrensi Nasional Forum Pendidikan Tinggi Teknik Elektro Indonesia (FORTEI) 2011, Dec 8, 2011
Abstract—Traveling Salesman Problem (TSP) merupakan salah
satu masalah optimasi klasik dengan ko... more Abstract—Traveling Salesman Problem (TSP) merupakan salah
satu masalah optimasi klasik dengan konsep yang sederhana
namun rumit dipecahkan secara konvensional. Tujuannya agar
menememukan rute perjalanan terpendek untuk melewati
sejumlah kota dengan jalur tertentu sehingga setiap kota hanya
terlewati satu kali dan perjalanan diakhiri dengan kembali ke
kota semula. Proses penelitian menggunakan data input berupa
kota dan jarak antar kota kemudian diolah menggunakan
algoritma greedy dengan penanda sehingga didapatkan jalur
terpedek dan total biayanya. Penanda dalam algoritma
digunakan agar setiap kota hanya sekali dikunjungi. Pendekatan
algoritma greedy dengan penanda memberikan solusi yang
mempunyai kompleksitas waktu komputasi jauh lebih singkat
dibandingkan dengan sejumlah algoritma lain seperti Algoritma
Brute Force dan Dynamic Programming.
Keywords: Traveling Salesman Problem; Algoritma Greedy;
Penanda; Kompleksitas
Uploads
Papers by Andi Lukman
Kata kunci : Machine Learning, Multi Klasifikasi, WEKA, Support Vector Machine, K-Nearest Neighbor, Naive Bayes, C4.5 Decisision Tree, Logistic Regression dan Random Forest.
hanya dapat digunakan untuk kebutuhan khusus objek
penelitian citra tertentu dan belum dapat digunakan
secara online dan multiuser menggunakan web browser,
hal ini mengurangi fleksibilitas para pengguna.
Penelitian ini bertujuan menerapkan teknologi Software
as a Service untuk machine learning klasifikasi citra
digital agar aplikasi klasifikasi citra digital dapat
digunakan oleh para peneliti citra secara multiuser dan
tanpa proses instalasi aplikasi. Metode penelitian ini
memanfaatkan data set citra digital Caltech 101 yang
diambil dari Computational vision Institut Teknologi
California. Aplikasi dibangun menggunakan bahasa
pemrograman Java dimana untuk sisi client
menggunakan Google Web Toolkit dan sisi server
menggunakan Java Servlet yang kemudian dideploy ke
Google App Engine. Algoritma yang digunakan adalah
algoritma klasifikasi Machine Learning WEKA yaitu:
Support Vector Machine, K-Nearest Neighbor, Naïve
Bayes, C4.5 Decision Tree, Logistic Regression dan
Random Forest. Fungsi aplikasi sebagai Software as a
Service diuji menggunakan pengujian black box. Hasil
penelitian memperlihatkan bahwa teknologi Remote
Procedure Call dengan metode Asyncronous dapat
diterapkan agar aplikasi dapat diakses secara online
menggunakan web browser secara multiuser. Pengujian
dilakukan oleh 4 pengguna yang secara bersamaan
mengakses aplikasi pada komputer berbeda dengan
fungsi-fungsi: login/logout, mengakses aplikasi tanpa
instalasi hanya menggunakan web browser,
menggunakan pra-proses data set dan menggunakan
jenis algoritma machine learning yang sama dengan
data set berbeda. Hasil pengujian memperlihatkan
setiap fungsi sukses melewati tahap pengujian black box.
Penelitian ini dapat disimpulkan bahwa teknologi
Software as a Service dapat diterapkan pada machine
learning klasifikasi citra digital.
Kata kunci: Software as a Service, Machine Learning,
Klasifikasi Citra Digital."
secara cepat dan tepat dalam sebuah pelaksanaan PILKADA.
Selain Quick count, hal lain yang dilakukan kandidat untuk
mengetahui elektabilitas calon adalah dengan melakukan survey
awal sebelum pilkada berlangsung, survey dapat dilakukan oleh
lembaga survey yang berkompoten. Agar data survey yang
dihasilkan akurat, dibutuhkan data dari banyak propinsi,
kabupaten/kota. Hal ini membutuhkan bantuan data mining
khususnya metode Bayesian Network, karena data tersebut
memiliki keterkaitan kausalitas satu sama lain baik secara
langsung maupun tidak langsung untuk menentukan pemenang
PILKADA. Banyak Faktor atau variable yang mempengaruhi
dukungan terhadap para kandidat, dalam penelitian ada 8
variable, terdiri dari 7 variable predictor yaitu: Status Jabatan,
Kesesuaian Agama, Kesamaan Etnis, Popularitas, Peminatan,
Dukungan Survey I dan Dukungan Survey II dan 1 variable
respon yaitu Status Quick Count. Faktor-faktor diatas di
simulasikan untuk meprediksi pemenang pilkada menggunkan
Tool Bayesian Network yaitu Microsoft Bayesian Network Editor
(MSBNx). Ada 4 tahap analisis data yaitu : menentukan variable
dan kategori yang terkait dalam jaringan, membuat diagram
kausalitas, mengisi conditional probability setiap variable, dan
memasukkan evidence untuk melihat hasil prediksi. Kriteria
minimum seorang kandidat untuk sukses dalam quick count
yaitu menghasilkan peluang sukses diatas 50%, ditemukan
bahwa variable Dukungan Survey I dan II sangat berpengaruh
dalam pemenangan PILKADA, dimana jika kedua variable
tersebut tidak mempunyai evidence atau tidak sukses, maka
peluang quick count tidak akan sukses.
Keywords-component; Simulasi; Bayesian Network; Prediksi
Pemenang PILKADA; MSBNx."
Learning klasifikasi citra digital sebagai alat bantu bagi para
peneliti pengenalan citra untuk menganalisa dan mengenali
berbagai jenis objek citra. Aplikasi tersebut dapat diakses
langsung di cloud tanpa proses instalasi dan dapat digunakan
secara multiuser menggunakan teknologi Software as a Service
(SaaS). Machine Learning yang digunakan untuk klasifikasi
adalah beberapa algoritma supervised learning yaitu : Learning
Vector Quantization (LVQ), K-Nearest Neighbor (KNN) dan
Support Vector Machine (SVM). Penelitian ini diharapkan dapat
bermanfaat bagi para peneliti pengenalan citra di berbagai
bidang dengan beberapa kemudahan yaitu : pengguna tidak
perlu membangun sendiri aplikasi setiap ingin meneliti sebuah
objek citra, pengguna dapat bereksperimen dalam menentukan
algoritma dan setting yang tepat sesuai objek penelitiannya dan
kemudahan penggunaan aplikasi tanpa perlu instalasi. Proses
klasifikasi dimulai dengan menginput beberapa citra digital
untuk kebutuhan learning dan testing yang akan mengalami
normalisasi, konversi warna, pemilihan algoritma learning,
input parameter algoritma, proses learning dan testing,
menghitung persentasi keberhasilan dan terakhir menyimpan
setting dan hasil learning. Proses selanjutnya yaitu menginput
citra digital yang akan diklasifikasi, kemudian menggunakan
setting dan hasil learning yang telah didapatkan untuk
memperoleh hasil pengenalan. Aplikasi yang dirancang akan
menggunakan bahasa pemrograman Java dan di-deploy ke
Google App Engine (GAE).
Kata kunci : Machine Learning, Klasifikasi, Pengelompokan,
LVQ (Learning Vector Quantization), KNN (K-Nearest
Neighbor), SVM (Support Vector Machine).
merupakan rutinitas akademik tiap semester. Dalam
menentukan hal tersebut kadang terjadi keputusan yang kurang
optimal dimana dosen yang ditunjuk bukanlah orang yang
paling tepat sesuai dengan topik skripsi mahasiswa. Hal ini dapat
berpengaruh terhadap kualitas skripsi, sehingga dibutuhkan
solusi cerdas untuk pengoptimasian kasus tersebut. Proses
penelitian menggunakan data input berupa data dosen beserta
bobot-bobot spesifikasi keahlian masing-masing dan data skripsi
mahasiswa beserta kebutuhan materi-materi pada skripsi
tersebut. Data kemudian diolah menggunakan Metode Logika
Fuzzy sehingga didapatkan output yang terdiri dari dosen
pembimbing I, Pembimbing II, Penguji I dan Penguji II. Output
yang dihasilkan merupakan para pembimbing dan penguji yang
mempunyai spesifikasi keahlian sesuai dengan topik skripsi
mahasiswa.
Kata Kunci; Pembimbing; Penguji; Skripsi; Spesifikas Keahlian,
Dosen, Logika Fuzzy."
Penelitian ini mencoba menggunakan teknik pengolahan citra dan algoritma Learning Vector Quantization
(LVQ) untuk pengenalan buku. Algoritma LVQ digunakan untuk proses pelatihan dan pengujian/pengenalan,
sementara pengolahan citra dibutuhkan pada setiap proses tersebut.
Citra yang digunakan untuk untuk pengenalan pola adalah sampul buku. Tahap-tahap pengolahan citra sebagai
berikut: Tipe File Citra JPEG dikonversi menjadi Bitmap untuk memudahkan mengakses tiap pixel citra,
mengubah citra RGB menjadi B/W agar memudahkan proses binerisasi, normalisasi dengan mengubah ukuran
citra menjadi 300X300 pixel sehingga ukuran pixel lebih kecil dan seragam, terakhir adalah proses binerisasi
yaitu mengkonversi setiap pixel citra sampul buku menjadi data biner 0 dan 1. Data biner kemudian digunakan
pada proses pelatihan dan pengujian/pengenalan LVQ.
Uji coba aplikasi menggunakan 12 buku, yang terdiri dari 2 judul buku. 2 untuk w1 dan w2, 4 untuk data
pelatihan dan 6 untuk pengujian/pengenalan. Inisialisasi LVQ menggunakan MaxEpoch=10, eps=0.001 dan
α=0.05. Hasilnya, aplikasi dapat mengenali semua buku yang diujikan.
Kata kunci : Pengolahan Citra, LVQ, Pengenalan Pola, Buku.
merupakan rutinitas akademik tiap semester. Dalam
menentukan hal tersebut kadang terjadi keputusan yang kurang
optimal dimana dosen yang ditunjuk bukanlah orang yang
paling tepat sesuai dengan topik skripsi mahasiswa. Hal ini dapat
berpengaruh terhadap kualitas skripsi, sehingga dibutuhkan
solusi cerdas untuk pengoptimasian kasus tersebut. Proses
penelitian menggunakan data input berupa data dosen beserta
bobot-bobot spesifikasi keahlian masing-masing dan data skripsi
mahasiswa beserta persentasi materi-materi yang dibutuhkan
pada skripsi tersebut. Data kemudian diolah menggunakan
algoritma jaringan syaraf tiruan sehingga didapatkan output
yang terdiri dari dosen pembimbing I, Pembimbing II, Penguji I
dan Penguji II. Output yang dihasilkan merupakan para
pembimbing dan penguji yang mempunyai spesifikasi keahlian
sesuai dengan topik skripsi mahasiswa.
Kata Kunci; Optimasi; Pembimbing; Penguji; Skripsi;
Jaringan Syaraf Tiruan."
satu masalah optimasi klasik dengan konsep yang sederhana
namun rumit dipecahkan secara konvensional. Tujuannya agar
menememukan rute perjalanan terpendek untuk melewati
sejumlah kota dengan jalur tertentu sehingga setiap kota hanya
terlewati satu kali dan perjalanan diakhiri dengan kembali ke
kota semula. Proses penelitian menggunakan data input berupa
kota dan jarak antar kota kemudian diolah menggunakan
algoritma greedy dengan penanda sehingga didapatkan jalur
terpedek dan total biayanya. Penanda dalam algoritma
digunakan agar setiap kota hanya sekali dikunjungi. Pendekatan
algoritma greedy dengan penanda memberikan solusi yang
mempunyai kompleksitas waktu komputasi jauh lebih singkat
dibandingkan dengan sejumlah algoritma lain seperti Algoritma
Brute Force dan Dynamic Programming.
Keywords: Traveling Salesman Problem; Algoritma Greedy;
Penanda; Kompleksitas
Kata kunci : Machine Learning, Multi Klasifikasi, WEKA, Support Vector Machine, K-Nearest Neighbor, Naive Bayes, C4.5 Decisision Tree, Logistic Regression dan Random Forest.
hanya dapat digunakan untuk kebutuhan khusus objek
penelitian citra tertentu dan belum dapat digunakan
secara online dan multiuser menggunakan web browser,
hal ini mengurangi fleksibilitas para pengguna.
Penelitian ini bertujuan menerapkan teknologi Software
as a Service untuk machine learning klasifikasi citra
digital agar aplikasi klasifikasi citra digital dapat
digunakan oleh para peneliti citra secara multiuser dan
tanpa proses instalasi aplikasi. Metode penelitian ini
memanfaatkan data set citra digital Caltech 101 yang
diambil dari Computational vision Institut Teknologi
California. Aplikasi dibangun menggunakan bahasa
pemrograman Java dimana untuk sisi client
menggunakan Google Web Toolkit dan sisi server
menggunakan Java Servlet yang kemudian dideploy ke
Google App Engine. Algoritma yang digunakan adalah
algoritma klasifikasi Machine Learning WEKA yaitu:
Support Vector Machine, K-Nearest Neighbor, Naïve
Bayes, C4.5 Decision Tree, Logistic Regression dan
Random Forest. Fungsi aplikasi sebagai Software as a
Service diuji menggunakan pengujian black box. Hasil
penelitian memperlihatkan bahwa teknologi Remote
Procedure Call dengan metode Asyncronous dapat
diterapkan agar aplikasi dapat diakses secara online
menggunakan web browser secara multiuser. Pengujian
dilakukan oleh 4 pengguna yang secara bersamaan
mengakses aplikasi pada komputer berbeda dengan
fungsi-fungsi: login/logout, mengakses aplikasi tanpa
instalasi hanya menggunakan web browser,
menggunakan pra-proses data set dan menggunakan
jenis algoritma machine learning yang sama dengan
data set berbeda. Hasil pengujian memperlihatkan
setiap fungsi sukses melewati tahap pengujian black box.
Penelitian ini dapat disimpulkan bahwa teknologi
Software as a Service dapat diterapkan pada machine
learning klasifikasi citra digital.
Kata kunci: Software as a Service, Machine Learning,
Klasifikasi Citra Digital."
secara cepat dan tepat dalam sebuah pelaksanaan PILKADA.
Selain Quick count, hal lain yang dilakukan kandidat untuk
mengetahui elektabilitas calon adalah dengan melakukan survey
awal sebelum pilkada berlangsung, survey dapat dilakukan oleh
lembaga survey yang berkompoten. Agar data survey yang
dihasilkan akurat, dibutuhkan data dari banyak propinsi,
kabupaten/kota. Hal ini membutuhkan bantuan data mining
khususnya metode Bayesian Network, karena data tersebut
memiliki keterkaitan kausalitas satu sama lain baik secara
langsung maupun tidak langsung untuk menentukan pemenang
PILKADA. Banyak Faktor atau variable yang mempengaruhi
dukungan terhadap para kandidat, dalam penelitian ada 8
variable, terdiri dari 7 variable predictor yaitu: Status Jabatan,
Kesesuaian Agama, Kesamaan Etnis, Popularitas, Peminatan,
Dukungan Survey I dan Dukungan Survey II dan 1 variable
respon yaitu Status Quick Count. Faktor-faktor diatas di
simulasikan untuk meprediksi pemenang pilkada menggunkan
Tool Bayesian Network yaitu Microsoft Bayesian Network Editor
(MSBNx). Ada 4 tahap analisis data yaitu : menentukan variable
dan kategori yang terkait dalam jaringan, membuat diagram
kausalitas, mengisi conditional probability setiap variable, dan
memasukkan evidence untuk melihat hasil prediksi. Kriteria
minimum seorang kandidat untuk sukses dalam quick count
yaitu menghasilkan peluang sukses diatas 50%, ditemukan
bahwa variable Dukungan Survey I dan II sangat berpengaruh
dalam pemenangan PILKADA, dimana jika kedua variable
tersebut tidak mempunyai evidence atau tidak sukses, maka
peluang quick count tidak akan sukses.
Keywords-component; Simulasi; Bayesian Network; Prediksi
Pemenang PILKADA; MSBNx."
Learning klasifikasi citra digital sebagai alat bantu bagi para
peneliti pengenalan citra untuk menganalisa dan mengenali
berbagai jenis objek citra. Aplikasi tersebut dapat diakses
langsung di cloud tanpa proses instalasi dan dapat digunakan
secara multiuser menggunakan teknologi Software as a Service
(SaaS). Machine Learning yang digunakan untuk klasifikasi
adalah beberapa algoritma supervised learning yaitu : Learning
Vector Quantization (LVQ), K-Nearest Neighbor (KNN) dan
Support Vector Machine (SVM). Penelitian ini diharapkan dapat
bermanfaat bagi para peneliti pengenalan citra di berbagai
bidang dengan beberapa kemudahan yaitu : pengguna tidak
perlu membangun sendiri aplikasi setiap ingin meneliti sebuah
objek citra, pengguna dapat bereksperimen dalam menentukan
algoritma dan setting yang tepat sesuai objek penelitiannya dan
kemudahan penggunaan aplikasi tanpa perlu instalasi. Proses
klasifikasi dimulai dengan menginput beberapa citra digital
untuk kebutuhan learning dan testing yang akan mengalami
normalisasi, konversi warna, pemilihan algoritma learning,
input parameter algoritma, proses learning dan testing,
menghitung persentasi keberhasilan dan terakhir menyimpan
setting dan hasil learning. Proses selanjutnya yaitu menginput
citra digital yang akan diklasifikasi, kemudian menggunakan
setting dan hasil learning yang telah didapatkan untuk
memperoleh hasil pengenalan. Aplikasi yang dirancang akan
menggunakan bahasa pemrograman Java dan di-deploy ke
Google App Engine (GAE).
Kata kunci : Machine Learning, Klasifikasi, Pengelompokan,
LVQ (Learning Vector Quantization), KNN (K-Nearest
Neighbor), SVM (Support Vector Machine).
merupakan rutinitas akademik tiap semester. Dalam
menentukan hal tersebut kadang terjadi keputusan yang kurang
optimal dimana dosen yang ditunjuk bukanlah orang yang
paling tepat sesuai dengan topik skripsi mahasiswa. Hal ini dapat
berpengaruh terhadap kualitas skripsi, sehingga dibutuhkan
solusi cerdas untuk pengoptimasian kasus tersebut. Proses
penelitian menggunakan data input berupa data dosen beserta
bobot-bobot spesifikasi keahlian masing-masing dan data skripsi
mahasiswa beserta kebutuhan materi-materi pada skripsi
tersebut. Data kemudian diolah menggunakan Metode Logika
Fuzzy sehingga didapatkan output yang terdiri dari dosen
pembimbing I, Pembimbing II, Penguji I dan Penguji II. Output
yang dihasilkan merupakan para pembimbing dan penguji yang
mempunyai spesifikasi keahlian sesuai dengan topik skripsi
mahasiswa.
Kata Kunci; Pembimbing; Penguji; Skripsi; Spesifikas Keahlian,
Dosen, Logika Fuzzy."
Penelitian ini mencoba menggunakan teknik pengolahan citra dan algoritma Learning Vector Quantization
(LVQ) untuk pengenalan buku. Algoritma LVQ digunakan untuk proses pelatihan dan pengujian/pengenalan,
sementara pengolahan citra dibutuhkan pada setiap proses tersebut.
Citra yang digunakan untuk untuk pengenalan pola adalah sampul buku. Tahap-tahap pengolahan citra sebagai
berikut: Tipe File Citra JPEG dikonversi menjadi Bitmap untuk memudahkan mengakses tiap pixel citra,
mengubah citra RGB menjadi B/W agar memudahkan proses binerisasi, normalisasi dengan mengubah ukuran
citra menjadi 300X300 pixel sehingga ukuran pixel lebih kecil dan seragam, terakhir adalah proses binerisasi
yaitu mengkonversi setiap pixel citra sampul buku menjadi data biner 0 dan 1. Data biner kemudian digunakan
pada proses pelatihan dan pengujian/pengenalan LVQ.
Uji coba aplikasi menggunakan 12 buku, yang terdiri dari 2 judul buku. 2 untuk w1 dan w2, 4 untuk data
pelatihan dan 6 untuk pengujian/pengenalan. Inisialisasi LVQ menggunakan MaxEpoch=10, eps=0.001 dan
α=0.05. Hasilnya, aplikasi dapat mengenali semua buku yang diujikan.
Kata kunci : Pengolahan Citra, LVQ, Pengenalan Pola, Buku.
merupakan rutinitas akademik tiap semester. Dalam
menentukan hal tersebut kadang terjadi keputusan yang kurang
optimal dimana dosen yang ditunjuk bukanlah orang yang
paling tepat sesuai dengan topik skripsi mahasiswa. Hal ini dapat
berpengaruh terhadap kualitas skripsi, sehingga dibutuhkan
solusi cerdas untuk pengoptimasian kasus tersebut. Proses
penelitian menggunakan data input berupa data dosen beserta
bobot-bobot spesifikasi keahlian masing-masing dan data skripsi
mahasiswa beserta persentasi materi-materi yang dibutuhkan
pada skripsi tersebut. Data kemudian diolah menggunakan
algoritma jaringan syaraf tiruan sehingga didapatkan output
yang terdiri dari dosen pembimbing I, Pembimbing II, Penguji I
dan Penguji II. Output yang dihasilkan merupakan para
pembimbing dan penguji yang mempunyai spesifikasi keahlian
sesuai dengan topik skripsi mahasiswa.
Kata Kunci; Optimasi; Pembimbing; Penguji; Skripsi;
Jaringan Syaraf Tiruan."
satu masalah optimasi klasik dengan konsep yang sederhana
namun rumit dipecahkan secara konvensional. Tujuannya agar
menememukan rute perjalanan terpendek untuk melewati
sejumlah kota dengan jalur tertentu sehingga setiap kota hanya
terlewati satu kali dan perjalanan diakhiri dengan kembali ke
kota semula. Proses penelitian menggunakan data input berupa
kota dan jarak antar kota kemudian diolah menggunakan
algoritma greedy dengan penanda sehingga didapatkan jalur
terpedek dan total biayanya. Penanda dalam algoritma
digunakan agar setiap kota hanya sekali dikunjungi. Pendekatan
algoritma greedy dengan penanda memberikan solusi yang
mempunyai kompleksitas waktu komputasi jauh lebih singkat
dibandingkan dengan sejumlah algoritma lain seperti Algoritma
Brute Force dan Dynamic Programming.
Keywords: Traveling Salesman Problem; Algoritma Greedy;
Penanda; Kompleksitas