Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Journal of Computer Networks, Architecture and High Performance Computing Data Sciences Indonesia (DSI)
Siregar, Muhammad Mizan
Unknown Affiliation
Computer Science & IT Education Physics

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Perbandingan Kinerja Kernel SVM dalam Klasifikasi Kategori Kanker Kulit Menggunakan Transfer Learning Siregar, Muhammad Mizan; Hizria, Rahmatika; Pardede, Doughlas
Data Sciences Indonesia (DSI) Vol. 4 No. 1 (2024): Article Research Volume 4 Issue 1, June 2024
Publisher : ITScience (Information Technology and Science)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/dsi.v4i1.4665

Abstract

Penelitian ini mengkaji efektivitas kombinasi transfer learning dengan Support Vector Machines (SVM) untuk klasifikasi kanker kulit. Tujuan utama dari penelitian ini adalah untuk mengklasifikasikan gambar kulit secara akurat ke dalam kelas "jinak" dan "ganas". Model VGG-19 yang telah dilatih sebelumnya digunakan untuk mengekstraksi fitur-fitur mendalam dari gambar kulit, menangkap pola visual yang rumit. Fitur-fitur ini kemudian dimasukkan ke dalam classifier SVM, dengan eksplorasi dilakukan pada kernel Radial Basis Function (RBF) dan Polynomial. Kinerja model-model yang diusulkan dievaluasi menggunakan dataset gambar kulit. Hasil eksperimen menunjukkan bahwa SVM dengan kernel Polynomial mengungguli SVM dengan kernel RBF dalam hal akurasi dan recall, khususnya untuk kelas "ganas". Hal ini menunjukkan bahwa kernel Polynomial lebih baik dalam menangkap hubungan kompleks dalam data. Pendekatan transfer learning, yang memanfaatkan model VGG-19 yang telah dilatih sebelumnya, secara signifikan meningkatkan kemampuan model untuk mengekstraksi fitur yang bermakna dari gambar, berkontribusi pada peningkatan akurasi klasifikasi. Temuan ini menunjukkan bahwa kombinasi transfer learning dan SVM, terutama dengan kernel Polynomial, menawarkan pendekatan yang menjanjikan untuk klasifikasi kanker kulit. Metode yang diusulkan dapat membantu dalam deteksi dini penyakit dan meningkatkan akurasi diagnosis, yang berpotensi mengarah pada hasil pasien yang lebih baik. Penelitian di masa depan dapat mengeksplorasi penggunaan dataset yang lebih besar dan lebih beragam, serta integrasi fitur atau teknik tambahan untuk lebih meningkatkan kinerja klasifikasi.
Perbandingan Kinerja Kernel SVM dalam Klasifikasi Kategori Kanker Kulit Menggunakan Transfer Learning Siregar, Muhammad Mizan; Hizria, Rahmatika; Pardede, Doughlas
Data Sciences Indonesia (DSI) Vol. 4 No. 1 (2024): Article Research Volume 4 Issue 1, June 2024
Publisher : Yayasan Cita Cendikiawan Al Kharizmi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/dsi.v4i1.4665

Abstract

Penelitian ini mengkaji efektivitas kombinasi transfer learning dengan Support Vector Machines (SVM) untuk klasifikasi kanker kulit. Tujuan utama dari penelitian ini adalah untuk mengklasifikasikan gambar kulit secara akurat ke dalam kelas "jinak" dan "ganas". Model VGG-19 yang telah dilatih sebelumnya digunakan untuk mengekstraksi fitur-fitur mendalam dari gambar kulit, menangkap pola visual yang rumit. Fitur-fitur ini kemudian dimasukkan ke dalam classifier SVM, dengan eksplorasi dilakukan pada kernel Radial Basis Function (RBF) dan Polynomial. Kinerja model-model yang diusulkan dievaluasi menggunakan dataset gambar kulit. Hasil eksperimen menunjukkan bahwa SVM dengan kernel Polynomial mengungguli SVM dengan kernel RBF dalam hal akurasi dan recall, khususnya untuk kelas "ganas". Hal ini menunjukkan bahwa kernel Polynomial lebih baik dalam menangkap hubungan kompleks dalam data. Pendekatan transfer learning, yang memanfaatkan model VGG-19 yang telah dilatih sebelumnya, secara signifikan meningkatkan kemampuan model untuk mengekstraksi fitur yang bermakna dari gambar, berkontribusi pada peningkatan akurasi klasifikasi. Temuan ini menunjukkan bahwa kombinasi transfer learning dan SVM, terutama dengan kernel Polynomial, menawarkan pendekatan yang menjanjikan untuk klasifikasi kanker kulit. Metode yang diusulkan dapat membantu dalam deteksi dini penyakit dan meningkatkan akurasi diagnosis, yang berpotensi mengarah pada hasil pasien yang lebih baik. Penelitian di masa depan dapat mengeksplorasi penggunaan dataset yang lebih besar dan lebih beragam, serta integrasi fitur atau teknik tambahan untuk lebih meningkatkan kinerja klasifikasi.
Analysis of Gradient Boosting, XGBoost, and CatBoost on Mobile Phone Classification Agus Fahmi Limas Ptr; Siregar, Muhammad Mizan; Daniel, Irwan
Journal of Computer Networks, Architecture and High Performance Computing Vol. 6 No. 2 (2024): Articles Research Volume 6 Issue 2, April 2024
Publisher : Information Technology and Science (ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/cnahpc.v6i2.3790

Abstract

In the ever-evolving landscape of mobile phone technology, accurately classifying device specifications is paramount for market analysis and consumer decision-making. This research conducts a comprehensive analysis of mobile phone specification classification using three prominent machine learning algorithms: Gradient Boosting, XGBoost, and CatBoost. Through meticulous dataset acquisition and preprocessing steps, including resolution normalization and price categorization, features essential for classification analysis were standardized. Robust cross-validation techniques were employed to assess model performance effectively. The study demonstrates the significant impact of normalization techniques on improving model performance across all algorithms and fold variations. CatBoost consistently emerges as the top-performing algorithm, followed closely by XGBoost, with Gradient Boosting displaying respectable performance. Notably, CatBoost consistently achieves the highest AUC values and accuracy scores, demonstrating superior performance in accurately classifying mobile phone specifications. These findings underscore the importance of preprocessing methods and algorithm selection in achieving optimal classification results. For mobile phone manufacturers, leveraging machine learning algorithms for effective classification can inform product development strategies, optimizing offerings based on consumer preferences. Similarly, for data analysts, employing appropriate preprocessing techniques and algorithmic approaches can lead to more accurate predictions and informed decision-making. Future research avenues include exploring advanced preprocessing methods, investigating alternative algorithms, and incorporating additional features or datasets to enrich the classification process. Overall, this research contributes to understanding mobile phone specification classification through machine learning methodologies, offering actionable insights for industry practitioners and researchers to address evolving market dynamics and consumer preferences.
Co-Authors Agus Fahmi Limas Ptr Daniel, Irwan Hizria, Rahmatika Pardede, Doughlas