EMAIL: PASSWORD:
Front Office
UPT. PERPUSTAKAAN
Institut Teknologi Sepuluh Nopember Surabaya


Kampus ITS Sukolilo - Surabaya 60111

Phone : 031-5921733 , 5923623
Fax : 031-5937774
E-mail : libits@its.ac.id
Website : http://library.its.ac.id

Support (Customer Service) :
timit_perpus@its.ac.id




Welcome..guys!

Have a problem with your access?
Please, contact our technical support below:
LIVE SUPPORT


Moh. Fandika Aqsa


Davi Wahyuni


Tondo Indra Nyata


Anis Wulandari


Ansi Aflacha




ITS » Paper and Presentation » S2 Teknik Informatika
Posted by aprill@is.its.ac.id at 29/12/2014 23:35:41  •  1026 Views


KLASTERISASI DAN ANALISA TRAFIK INTERNET MENGGUNAKAN FUZZY C MEAN DENGAN EKSTRAKSI FITUR DATA

INTERNET TRAFFIC CLUSTERING AND ANALYSIS BASED ON FUZZY C MEAN WITH DATA FEATURE EXTRACTION

Author :
PARAMITA, ADI SURYAPUTRA ( 5110202018 )




ABSTRAK

Tujuan penelitian klasterisasi bandwidth Internet ini adalah untuk menguji metode klasterisasi yang bandwidth internet dimodifikasi dengan menambahkan pra-proses ekstraksi fitur data proses dari ekstraksi tersebut adalah dengan melakukan pemilihan fitur utama bandwidth Internet dan kemudian dilakukan ekstraksi dengan mencari fitur-fitur yang saling berkorelasi. Proses ekstraksi fitur tersebut diperlukan untuk menghasilkan sebuah klasterisasi yang memiliki tingkat akurasi yang lebih tinggi dan bisa menempatkan data di klaster yang tepat. Metodologi penelitian yang dilakukan untuk menghasilkan sebuah klasterisasi bandwidth Internet yang lebih akurat adalah dengan melakukan pemilihan fitur utama pada data pemakaian bandwidth internet menggunakan Principal Component Analysis PCA setelah fitur utama ditemukan maka proses selanjutnya adalah ekstraksi fitur data dengan menggunakan Correlation Feature Selection CFS . Setelah proses ekstraksi selesai dataset akan dimasukkan ke dalam Algoritma Fuzzy C-Mean untuk diklasterisasi. Hasil dari klasterisasi bandwidth Internet tersebut akan dievaluasi tingkat akurasinya class recall dan class precision dan dari hasil evaluasi tersebut akan didapatkan metode yang tepat untuk melakukan klasterisasi bandwidth Internet. Hasil yang didapat dari penelitian ini adalah bahwa metode ekstraksi dengen proses pemilihan fitur utama menggunakan Principal Component Analysis PCA sebelum dilakukan ekstraksi fitur data menggunakan Correlation Feature Selection CFS dapat meningkatkan jumlah kelas yang dikenali dalam klasterisasi dan juga bisa meningkatkan akurasi dari klasterisasi yang dihasilkan. Tingkat akurasi yang dihasilkan oleh metode ini adalah 88.49 dan bisa menempatkan data ke 7 klaster yang benar dari 11 klaster yang tersedia metode ini lebih baik dari ekstraksi fitur data yang hanya menggunakan Correlation Feature Selection CFS dimana metode ini memiliki akurasi sebesar 88.10 dan hanya bisa menempatkan data yang benar ke 5 klaster dari 11 klaster yang tersedia


ABSTRACT

This study is purpose to test the internet bandwidth clustering method modified by adding feature extraction pre-processing the data the process of extraction is to make the selection key features Internet bandwidth and then extraction with search features that are correlated. The feature extraction process is necessary to produce a clustering that has a higher level of accuracy and can put the data in the right cluster. The research methodology in this study start with main features selection of the internet bandwidth usage data using Principal Component Analysis PCA after the main feature is found then the next process is the extraction of feature data using the Correlation Feature Selection CFS. After the extraction process is complete dataset will be incorporated into Fuzzy C-Mean Algorithm for diklasterisasi. Results of clustering the Internet bandwidth will be evaluated for accuracy class and class precision and recall of the results of the evaluation will obtain the appropriate method to perform clustering of Internet bandwidth. The results obtained from this study is that the method of extracting the main features of the selection process dengen using Principal Component Analysis PCA prior to feature extraction data using Correlation Feature Selection CFS can increase the number of classes identified in the clustering and also can improve the accuracy of clustering that generated. The level of accuracy produced by this method is 88.49 and can put the data into the correct cluster 7 of 11 available cluster this method is better than just feature extraction data using Correlation Feature Selection CFS in which this method has an accuracy of 88.10 and can only put the correct data into 5 clusters of 11 clusters available.



KeywordsTraffic; Internet; Fuzzy C-Mean; Clustering; Extraction; Feature
 
Subject:  Program analisis komputer Cluster
Contributor
  1. Dr.Eng. Febriliyan Samopa, M.Kom
  2. Bekti Cahyo Hindayanto, S.Si, M.Kom
Date Create: 29/12/2014
Type: Text
Format: pdf
Language: Indonesian
Identifier: ITS-paper-51121140006741
Collection ID: 51121140006741
Call Number: RTIf 004.35 Pra k


Source
Paper and Presentations, Informatics Engineering, RTIf 004.35 Pra k, 2014

Coverage
ITS Community

Rights
Copyright @2014 by ITS Library. This publication is protected by copyright and per obtained from the ITS Library prior to any prohibited reproduction, storage in a re transmission in any form or by any means, electronic, mechanical, photocopying, reco For information regarding permission(s), write to ITS Library




[ Download - Summary ]

ITS-paper-51121140006741-35151.pdf




 Similar Document...




! ATTENTION !

To facilitate the activation process, please fill out the member application form correctly and completely

Registration activation of our members will process up to max 24 hours (confirm by email). Please wait patiently

POLLING

Bagaimana pendapat Anda tentang layanan repository kami ?

Bagus Sekali
Baik
Biasa
Jelek
Mengecewakan





You are connected from 54.162.250.227
using CCBot/2.0 (http://commoncrawl.org/faq/)



Copyright © ITS Library 2006 - 2017 - All rights reserved.
Dublin Core Metadata Initiative and OpenArchives Compatible
Developed by Hassan