Abstrak -Klasifikasi adalah proses pengelompokkan objek yang memiliki karakteristik atau ciri yang sama ke dalam beberapa kelas. Klasifikasi dokumen secara otomatis dapat dilakukan dengan menggunakan ciri atau fitur kata yang muncul pada dokumen latih. Jumlah dokumen yang besar dan banyak mengakibatkan jumlah kata yang muncul sebagai fitur akan bertambah. Oleh karena itu, peringkasan dipilih untuk mereduksi jumlah kata yang digunakan dalam proses klasifikasi. Untuk proses klasifikasi digunakan metode Support Vector Machine (SVM) untuk multikelas. SVM dipilih karena dianggap memiliki reputasi yang baik dalam klasifikasi. Penelitian ini menguji penggunaan ringkasan sebagai seleksi fitur dalam klasifikasi dokumen. Peringkasan menggunakan kompresi 50 %. Hasil yang diperoleh menunjukkan bahwa proses peringkasan tidak mempengaruhi nilai akurasi dari klasifikasi dokumen yang menggunakan SVM.Akan tetapi, penggunaan peringkasan berpengaruh pada peningkatan hasil akurasi dari metode klasifikasiSimple Logistic Classifier (SLC). Hasil pengujian metode klasifikasi menunjukkan bahwa penggunaan metode Naïve Bayes Multinomial (NBM) menghasilkan akurasi yang lebih baik dari pada metode SVM.Kata kunci -peringkasan, klasifikasi, SVM, seleksi fitur, dokumen Abstract -Classification is the process of grouping objects that have the same features or characteristics into several classes. The automatic documents classification use words frequency that appears on training data as features.The large number of documents cause the number of words that appears as a feature will increase.Therefore, summaries are chosen to reduce the number of words that used in classification.The classification uses multiclass Support Vector Machine (SVM) method.SVM was considered to have a good reputation in the classification. This research tests the effect of summary as selection features into documents classification.The summariesreduce text into 50%.A result obtained that the summaries did not affect value accuracy of classification of documents that use SVM.But, summaries improve the accuracy of Simple Logistic Classifier. The classification testing shows that the accuracy of Naïve Bayes Multinomial (NBM) better than SVM.

Abstrak-Prediksi kemenangan atlet adalah hal yang harus dilakukan oleh pelatih ketika memutuskan pemain yang akan diturunkan dalam suatu pertandingan. Banyaknya faktor-faktor yang mempengaruhi kemenangan atlet membuat keputusan tersebut tidak mudah untuk ditentukan. Dalam penelitian ini akan dilakukan perbandingan dari penggunaan metode Simple Logistic Classifier (SLC) dengan Support Vector Machine (SVM) dalam memprediksi kemenangan atlet berdasarkan data kesehatan dan data latihan fisik. Data yang digunakan diambil dari 28 cabang olahraga perorangan. Rata-rata akurasi SLC dan SVM masingmasing diperoleh sebesar 80% dan 88%, sedangkan rata-rata kecepatan pemrosesan metode SLC dan SVM adalah 1,6 detik dan 0,2 detik. Hal ini menunjukkan bahwa penggunaan metode SVM lebih unggul daripada SLC, baik dari segi kecepatan maupun dari nilai akurasi yang dihasilkan. Selain pengujian akurasi, dilakukan pula pengujian terhadap 24 fitur yang digunakan dalam proses klasifikasi. Hasilnya diketahui bahwa pengurangan fitur melalui tahap seleksi mengakibatkan penurunan nilai akurasi. Berdasarkan hal tersebut disimpulkan bahwa semua fitur yang digunakan dalam penelitian ini adalah fitur yang berpengaruh dalam penentuan prediksi kemenangan atlet. Kata Kunci-Prediksi, Simple Logistic Classifier, Sports Data Mining, Support Vector MachineAbstract-A coach must be able to select which athlete has a good prospect of winning a game. There are a lot of aspects which influence the athlete in winning a game, so it's not easy by coach to decide it.This research would compare Simple Logistic Classifier (SLC) and Support Vector Machine (SVM) usage applied to predict winning game of athlete based on health and physical condition record. The data get from 28 sports. The accuracy of SLC and SVM are 80% and 88% meanwhile processing times of SLC and SVM method are 1.6 seconds dan 0.2 seconds.The result shows the SVM usage superior to the SLC both of speed process and the value of accuracy. There were also testing of 24 features used in the classifications process. Based on the test, features selection process can cause decreasing the accuracy value. This result concludes that all features used in this research influence the determination of a victory athletes prediction.

Penggunaan value-function approximation diharapkan bisa mempercepat waktu pembelajaran dan mengurangi bobot yang disimpan, karena dari hasil penelitian sebelumnya dibutuhkan waktu yang lama dan banyaknya bobot yang disimpan di memori ketika hanya digunakan reinforcement learning saja. Arsitektur artificial neural network (ANN) yang digunakan adalah satu ANN pada masing-masing kemungkinan aksi. Berdasarkan hasil pengujian, diperoleh kesimpulan bahwa implementasi Q-learning yang dikombinasikan dengan backpropagation dapat membuat waktu pembelajaran agen untuk memainkan Flappy Bird lebih cepat hingga mencapai 92% dan dapat mengurangi bobot yang disimpan di memori hingga 94% jika dibandingkan dengan penggunaan Q-learning saja. Walaupun waktu pembelajaran lebih cepat dan bobot yang disimpan berkurang, Q-learning yang dikombinasikan dengan backpropagation memiliki kemampuan yang sama dengan penggunaan Q-learning saja untuk memainkan permainan Flappy Bird. Kata Kunci-Flappy Bird, Q-Learning, Value-Function Approximation, Artificial Neural Netowrk, Backpropagation I. PENDAHULUAN Flappy Bird adalah permainan yang mengharuskan pemainnya mengontrol seekor burung untuk melewati celah antara dua pipa yang datang dan tidak terbatas dengan ketinggian yang berbeda-beda tanpa menabraknya atau jatuh ke tanah. Beberapa penelitian yang berkaitan dengan reinforcement learning dan Flappy Bird sudah pernah dilakukan sebelumnya. Sebuah penelitian membandingkan beberapa metode machine learning untuk membuat agen yang dapat memainkan permainan Flappy Bird [1]. Dari hasil penelitian ini diperoleh kesimpulan bahwa reinforcement learning memberikan hasil yang lebih baik daripada metode machine learning lainnya. Akan tetapi, penggunaan metode reinforcement learning membutuhkan proses pembelajaran yang lama dan komputasi yang besar dikarenakan banyaknya bobot yang disimpan. Penelitian lain menggunakan metode Qlearning sebagai salah satu metode dalam reinforcement learning yang menghasilkan rancangan keadaan (state) yang lebih efisien. Namun, pembelajaran dengan Q-learning masih membutuhkan waktu pembelajaran yang lama dan jumlah memori yang besar untuk menyimpan bobot [2].Lebih lanjut, beberapa penelitian yang berkaitan dengan Qlearning memanfaatkan penggunaan artificial neural networks (ANN) backpropagation sebagai function approximator. ANN digunakan sebagai function approximator pada simulasi robot untuk mencari jalan di lingkungan statis [3] - [5]. Simulasi robot ini berhasil menemukan solusi pada proses pembelajarannya. Pada penelitian lain, penggunaan ANN sebagai function approximator pada simulasi robot untuk mencari cahaya memberikan hasil yang lebih buruk dari table representation [6]. Namun, penelitian tersebut menyampaikan banyak aspek yang dapat ditingkatkan untuk membuat implementasi ANN menjadi lebih baik, seperti pemilihan perancangan arsitektur ataupun pemilihan activation function.Pembelajaran agen dalam permainan Flappy Bird juga memiliki ukuran keadaan yang besar, terlihat dari posisi burung dan posisi pipa yang selalu beru...

No abstract

This study aims to determine the Machine Learning Model used to predict bankruptcy. The data was conducted from the financial statements of two public companies reported by the Indonesia Stock Exchange from 2009 to 2015. This research method uses an analysis feature in which the accounting ratios are used in statistical analysis of financial statements that handle missing values, choose the correlation feature related to class, and dealing with unbalanced datasets. This problem was resolved at the beginning of the pre-processing phase. The training process uses pre-processing results to fit the data with the prediction model. Accuracy is used to measure the performance of the model in predicting bankruptcy. The result is Sequential Minimal Optimization (SMO) with linear kernel function that works best to predict 1 year before bankruptcy with an accuracy of 91.57% and SMO with Radial Basis Function (RBF) works well to predict 2 years before bankruptcy; the accuracy is 93.8%. This study shows the effect of feature selection and normalization process in making correct predictions using the SMO method.