Pixel-Based Classification Using Support Vector Machine Classifier

Varma, Mohan Krishna; Rao, Navalgund; Raju, K. Kishore; Varma, Girish

doi:10.1109/iacc.2016.20

Cited by 34 publications

(19 citation statements)

References 1 publication

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Therefore, SVM works by separating those features into classes (ripe and unripe) until it achieves the maximum N. Sabri et al J Fundam Appl Sci. 2017, 9(4S), 563-579 574 hyperplane [26]. Fig.…”

Section: Support Vector Machine (Svm)mentioning

confidence: 99%

See 1 more Smart Citation

Palm oil fresh fruit bunch ripeness grading identification using color features

Sabri¹,

Ibrahim²,

Syahlan³

et al. 2018

J. Fundam and Appl Sci.

View full text Add to dashboard Cite

show abstract

Section: Support Vector Machine (Svm)mentioning

confidence: 99%

“…processing applications [25][26][27]. The utilization of Naïve Bayes has grown rapidly for image retrieval and classification [28][29].…”

Section: Support Vector Machine (Svm) Is a Well Know Classifier And Hmentioning

confidence: 99%

Palm oil fresh fruit bunch ripeness grading identification using color features

Sabri¹,

Ibrahim²,

Syahlan³

et al. 2018

J. Fundam and Appl Sci.

View full text Add to dashboard Cite

show abstract

“…Persamaan untuk menghitung maximum margin antara hyperplane yang optimal dengan hyperplane yang berada pada support vector adalah (Varma, Rao, Raju, & Varma, 2016):…”

Section: Support Vector Machineunclassified

Perbandingan Akurasi dan Waktu Proses Algoritma K-NN dan SVM dalam Analisis Sentimen Twitter

Nasution¹,

Hayaty²

2019

JI. Jurnal. Informatika

View full text Add to dashboard Cite

Salah satu cabang ilmu komputer yaitu pembelajaran mesin (machine learning) menjadi tren dalam beberapa waktu terakhir. Pembelajaran mesin bekerja dengan memanfaatkan data dan algoritma untuk membuat model dengan pola dari kumpulan data tersebut. Selain itu, pembelajaran mesin juga mempelajari bagaimama model yang telah dibuat dapat memprediksi keluaran (output) berdasarkan pola yang ada. Terdapat dua jenis metode pembelajaran mesin yang dapat digunakan untuk analisis sentimen: supervised learning dan unsupervised learning. Penelitian ini akan membandingkan dua algoritma klasifikasi yang termasuk dari supervised learning: algoritma K-Nearest Neighbor dan Support Vector Machine, dengan cara membuat model dari masing-masing algoritma dengan objek teks sentimen. Perbandingan dilakukan untuk mengetahui algoritma mana lebih baik dalam segi akurasi dan waktu proses. Hasil pada perhitungan akurasi menunjukkan bahwa metode Support Vector Machine lebih unggul dengan nilai 89,70% tanpa K-Fold Cross Validation dan 88,76% dengan K-Fold Cross Validation. Sedangkan pada perhitungan waktu proses metode K-Nearest Neighbor lebih unggul dengan waktu proses 0.0160s tanpa K-Fold Cross Validation dan 0.1505s dengan K-Fold Cross Validation.

show abstract

“…Several other methods have been offered to improve classification and clustering precision, using graphs and relationship neighborhoods. Graphs such as Gabriel's graph are geometric methods to examine the direct and indirect relationships among the points (Varma et al, 2016, İnkaya, 2015a, İnkaya, 2015b, Güngör & Özmen, 2017. As shown in Fig.1, to examine the relationship between two points, Gabriel's graph determines the distance between the two points of x , x as the circle diameter.…”

Section: Review Of Related Literaturementioning

confidence: 99%