Pendekatan berbasis prototipe hirarki pelatihan otomatis untuk klasifikasi semi-supervisi

Idzmah Utmurtia, Dicky Fahmi Saputra

Abstract


Penelitian ini mengusulkan sebuah pendekatan berbasis prototipe hirarki dalam konteks pelatihan otomatis untuk klasifikasi semi-supervisi. Dengan menggunakan teknik prototipe hirarki, pendekatan ini memungkinkan pengembangan model klasifikasi yang lebih efisien dan akurat dengan memanfaatkan data semi-terawasi. Klasifikasi semi-supervisi adalah permasalahan penting dalam pembelajaran mesin, di mana data pelatihan terdiri dari sebagian besar data yang tidak berlabel dan sebagian kecil data yang berlabel. Pendekatan ini mengintegrasikan unsur-unsur prototipe, yang mewakili kelompok-kelompok data dalam ruang fitur, dengan pendekatan hirarkis untuk meningkatkan klasifikasi data yang tidak berlabel. Tujuan dari eksperimen dan evaluasi empiris menunjukkan bahwa pendekatan berbasis prototipe hirarki ini efektif dalam menghasilkan model klasifikasi yang unggul dalam konteks klasifikasi semi-supervisi. Hasil penelitian ini memiliki implikasi penting dalam pengembangan sistem klasifikasi yang memanfaatkan data yang tidak berlabel secara efisien. Dengan demikian, penelitian menjadi landasan penting dalam pengembangan model klasifikasi semi-supervisi yang lebih canggih dan efisien.

Keywords


Pendekatan Berbasis Prototipe; Hirarki Pelatihan Otomatis; Klasifikasi Semi-Supervisi

Full Text:

PDF

References


Antonenko, P. D. (2015). The instrumental value of conceptual frameworks in educational technology research. Educational Technology Research and Development, 63, 53-71.

Bekker, J., & Davis, J. (2020). Learning from positive and unlabeled data: A survey. Machine Learning, 109, 719-760.

Gan, H., Sang, N., Huang, R., Tong, X., & Dan, Z. (2013). Using clustering analysis to improve semi-supervised classification. Neurocomputing, 101, 290-298.

Gu, X. (2020). A self-training hierarchical prototype-based approach for semi-supervised classification. Information Sciences, 535, 204-224.

Gu, X., & Ding, W. (2019). A hierarchical prototype-based approach for classification. Information Sciences, 505, 325-351.

Larson, D., & Chang, V. (2016). A review and future direction of agile, business intelligence, analytics and data science. International Journal of Information Management, 36(5), 700-710.

Lu, Y. (2019). Artificial intelligence: a survey on evolution, models, applications and future trends. Journal of Management Analytics, 6(1), 1-29.

Ravì, D., Wong, C., Deligianni, F., Berthelot, M., Andreu-Perez, J., Lo, B., & Yang, G. Z. (2016). Deep learning for health informatics. IEEE journal of biomedical and health informatics, 21(1), 4-21.

Schwenker, F., & Trentin, E. (2014). Pattern classification and clustering: A review of partially supervised learning approaches. Pattern Recognition Letters, 37, 4-14.

Tripathy, A., Agrawal, A., & Rath, S. K. (2016). Classification of sentiment reviews using n-gram machine learning approach. Expert Systems with Applications, 57, 117-126.

Van Engelen, J. E., & Hoos, H. H. (2020). A survey on semi-supervised learning. Machine learning, 109(2), 373-440.

Warkim, W., & Sensuse, D. I. (2017). Model Integrasi Sistem dengan Pendekatan Metode Service Oriented Architecture dan Model View Controller pada Pusat Penelitian Perkembangan Iptek Lembaga Ilmu Pengetahuan Indonesia. Jurnal Teknik Informatika Dan Sistem Informasi, 3(1). 84-103.




DOI: https://doi.org/10.17509/integrated.v3i2.64652

Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Universitas Pendidikan Indonesia (UPI)

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Journal has been indexed by: