According to aforementioned discuss

According to aforementioned discussions, pattern
recognition methods to classification unknown samples
have a different result depends on data. In this case that
studied in this paper, Bayesian algorithm has a very good
result to classification our unknown samples in order to
detecting the kind of diseases. Bayesian method contain a
two important preference, one is the very good accuracy
of percentage that in best feature selection result 99.8%,
and one other is the time of simulation running in
simulator system that about equal to 0.3 second in our
simulator system. Also, Perceptron Network have result a
good accuracy about 98.2% in best feature selection.
As show in last section it is very important to select
features that has majority effect in classification, also,
some features have a destructive effect of classification
accuracy, hence we can specify o select features that have
majority effect of classification results. By constructing
the FDR matrix and selection the best features, we found
that 15-majority feature from 48 total features give us
about 90% of maximum Accuracy, that can be said by
selecting the less third of features we can achieve to 90%
of accuracy. This approach can be makes to decreasing
the simulation time due to the small size of matrixes.

Hasil (Bahasa Indonesia) 1:

Menurut diskusi tersebut, polapengakuan metode untuk klasifikasi sampel tidak diketahuiyang berbeda hasil tergantung pada data. Dalam hal ini kasus yangditeliti dalam karya tulis ini, algoritma Bayesian memiliki yang sangat bagushasil klasifikasi sampel kami tidak diketahui untukmendeteksi jenis penyakit. Metode Bayesian mengandungdua pilihan penting, salah satunya adalah akurasi sangat baikpersentase yang dalam pilihan fitur terbaik menghasilkan 99,8%,dan yang lain adalah waktu simulasi berjalan disistem simulator yang tentang sama dengan 0.3 kedua di kamiSistem Simulator. Juga, Perceptron jaringan memiliki hasilbaik akurasi sekitar 98.2% dalam pilihan fitur terbaik.Sebagai acara di bagian terakhir itu sangat penting untuk memilihFitur yang memiliki mayoritas efek dalam klasifikasi, juga,Beberapa fitur memiliki efek merusak klasifikasiakurasi, maka kita dapat menentukan fitur pilih o memilikimayoritas Efek klasifikasi hasil. Dengan membangunFDR matriks dan pilihan yang terbaik fitur, kami menemukan15-sebagian besar fitur dari memiliki total 48 memberi kitasekitar 90% dari maksimum akurasi, yang dapat dikatakan olehmemilih ketiga kurang fitur kita dapat mencapai 90%akurasi. Pendekatan ini dapat membuat untuk mengurangisimulasi waktu karena ukuran kecil matriks.

Hasil (Bahasa Indonesia) 2:

Menurut diskusi tersebut, pola
metode pengenalan sampel klasifikasi diketahui
memiliki hasil yang berbeda tergantung pada data. Dalam hal ini yang
dikaji dalam tulisan ini, algoritma Bayesian memiliki sangat baik
hasilnya untuk klasifikasi sampel kami yang tidak diketahui untuk
mendeteksi jenis penyakit. Metode Bayesian mengandung
dua preferensi penting, salah satunya adalah akurasi sangat baik
dari persentase yang di terbaik hasil seleksi fitur 99,8%,
dan satu lainnya adalah saat simulasi berjalan di
sistem simulator yang hampir sama dengan 0,3 kedua di kami
sistem simulator. Juga, Perceptron Jaringan memiliki hasil yang
akurasi yang baik tentang 98,2% dalam seleksi fitur terbaik.
Seperti ditunjukkan dalam bagian terakhir itu sangat penting untuk memilih
fitur yang memiliki efek mayoritas di klasifikasi, juga,
beberapa fitur memiliki efek merusak dari klasifikasi
akurasi, maka kita dapat menentukan o pilih fitur yang memiliki
efek mayoritas hasil klasifikasi. Dengan membangun
matriks FDR dan pilihan fitur terbaik, kami menemukan
bahwa fitur 15-mayoritas dari 48 jumlah fitur memberikan
sekitar 90% dari Akurasi maksimum, yang dapat dikatakan oleh
memilih kurang ketiga fitur yang kita dapat mencapai 90%
dari akurasi . Pendekatan ini dapat membuat untuk mengurangi
waktu simulasi karena ukuran kecil matriks.