Hasil Pencarian  ::  Simpan CSV :: Kembali

"This research aims to examine a new meyhod inserted in the process of signal feature recognition, namely the objct pre-analysis feature manipulation...."

"Penelitian Dialektologi pada berbagai bahasa daerah sudah berjalan selama 50 tahun di Indonesia. Reevaluasi terhadap konsep pemilah bahasa dan dialek untuk bahasa Nusantara perlu dilakukan. Berdasarkan kajian terhadap 129 penelitian dialektologi di seluruh Indonesia, terlihat adanya kecenderungan yang tinggi untuk menggunakan isoglos dibandingkan dialektometri maupun mata rantai pemahaman. Konsep pemilah berdasarkan mata rantai pemahaman, isoglos, maupun dialektometri tetap dapat digunakan untuk bahasa-bahasa nusantara. Dengan catatan, perlu modifikasi atau penyesuaian agar sesuai dengan situasi dan kondisi kebahasaan yang multilingual di Indonesia. Modifikasi untuk mata rantai pemahaman terutama untuk teknik pengujian, penentuan titik-uji serta titik-acuan, dan pemilihan teks. Modifikasi untuk isoglos terfokus pada penentuan kriteria derajat kemiripan bunyi dan kriteria pembuatan berkas isoglos. Modifikasi untuk dialektometri berkonsentrasi pada persentase pemilahan bahasa dan dialek.

---

Even today, there is disagreement among experts over how many languages and dialects there are in Indonesia. The methodological tools for classifying languages consist of mapping isoglosses, dialectometry, and measures of mutual intelligibility. The present article surveys the methodology used in N = 129 researches performed over the last 50 years and finds that researchers based their conclusions about languages and dialects predominantly on isoglosses while dialectometry and mutual intelligibility were much less used. It is also suggested that these three research methods be reevaluated in the light of the multilingual situation in Indonesia. We could possibly get better results with the isogloss method if we reconsidered the criteria for degree of sound similarity and the criteria for bundling isoglosses. For dialectometry, we should consider modifying the current percentages used to distinguish language-dialect divisions. For establishing mutual intelligibility, the factors that could be reassessed include techniques of testing, the procedures for choosing test-points and reference-points, and the criteria for choosing valid texts for testing."

"Universitas XYZ sebagai institusi Perguruan Tinggi Terbuka Jarak Jauh (PTTJJ), senantiasa menjaga kualitas layanannya agar tetap berkualitas. Salah satu layanan yang senantiasa dijaga adalah layanan Bahan Ajar. Layanan Bahan Ajar didukung dengan manajemen stok bahan ajar dari mulai perencanaan dengan melakukan estimasi kebutuhan bahan ajar, gudang bahan ajar untuk menyimpan persediaan bahan ajar dan Student Record System (SRS). Bahan Ajar disiapkan dalam dua program yaitu melalui Sistem Paket Semester (Paket) dan non-paket. Mahasiswa yang mengikuti program nonpaket tidak diwajibkan membayar tagihan biaya bahan ajar. Untuk menjaga kualitas layanan bahan ajar, Universitas XYZ melakukan estimasi kebutuhan bahan ajar. Estimasi dilakukan secara manual dengan menggunakan formula yang berbeda pada setiap tahunnya. Estimasi dilakukan sebelum dan sesudah masa registrasi mata kuliah. Kenyataannya, kebutuhan bahan ajar masih mengalami kekurangan. Hal ini diketahui pada akhir tahun terdapat perbedaan antara hasil estimasi dan realisasi, sehingga tidak sedikit mahasiswa mendapatkan bahan ajar ketika memasuki akhir semester bahkan ketika memasuki awal semester baru. Penelitian ini bertujuan untuk menentukan berapa banyak bahan ajar yang harus disiapkan dengan cara mempelajari profil mahasiswa melalui data history mahasiswa menggunakan teknik classification. Metode yang digunakan Naïve Bayes, Decision Tree dan Support Vector Machine. Evaluasi menggunakan metode cross validation dengan nilai k 2, 3, 5 dan 10. Hasil percobaan menunjukkan bahwa metode Decision Tree memiliki accuracy tertinggi dibanding dengan yang lain.

---

XYZ University as an institution of Distance Learning Higher Education (PTTJJ), always maintains the quality of its services to remain qualified. One service that is always maintained is the Teaching Materials service. Teaching Material Services are supported by the management of teaching material stocks from the start of planning by estimating teaching material requirements, warehouse of teaching materials to store supplies of teaching materials and Student Record System (SRS). Teaching Materials are prepared in two programs, namely through the Semester Package System (Package) and nonpackage. Students who take non-package programs are not required to pay bills for teaching materials. To maintain the quality of teaching material services, XYZ University estimates the need for teaching materials. Estimates are done manually by using a different formula each year. Estimates are made before and after the registration period of the course. In fact, the need for teaching materials is still lacking. This is known at the end of the year there is a difference between the results of estimation and realization, so that not a few students get teaching materials when entering the end of the semester even when entering the beginning of the new semester. This study aims to determine how much teaching material must be prepared by studying student profiles through student history data using classification techniques. The method used is Naïve Bayes, Decision Tree and Support Vector Machine. The evaluation uses the cross validation method with values k 2, 3, 5 and 10. The experimental results show that the Decision Tree method has the highest accuracy compared to the others."

"The analysis of HOS (High Order Statistics) are expexted to provide a richer description about data in parametric features for the purpose of pattern recognition of the data of an object or event. The higher order analysis of HOS will give the more candidates of feature parameter that can be selected for utilization...."

"Walaupun machine learning semakin umum digunakan pada berbagai bidang, mempercayakan sebuah kotak hitam untuk mengambil keputusan yang krusial, seperti keputusan terkait bidang kesehatan dan hukum, merupakan hal yang beresiko. Karena hal ini, merupakan ide yang baik jika terdapat suatu model machine learning yang mekanisme pengambilan keputusannya dapat diinterpretasikan oleh penggunanya untuk menjelaskan keputusan yang diambil. Dengan motivasi ini, tugas akhir ini akan berfokus pada studi lanjut mengenai model interpretable machine learning berbasis MaxSAT, yaitu MLIC dan IMLI. MLIC merupakan sebuah model interpretable machine learning berbasis MaxSAT yang mekanisme di dalamnya dapat terlihat secara transparan melalui rule berbentuk CNF dan DNF yang dihasilkan. Akan tetapi, performa waktu training model ini sangat buruk. Untuk mengatasi hal ini, IMLI dikembangkan dengan cara memodifikasi MLIC menggunakan sifat incremental. Hal ini berhasil meningkatkan waktu training MLIC dengan pengorbanan akurasi yang cukup kecil. Melalui studi lanjut ini, tugas akhir ini kemudian akan memaparkan perbandingan akurasi IMLI dengan cara mengganti metode diskretisasi fitur kontinu di dalamnya, dari diskretisasi berbasis quantile 10 bin menjadi diskretisasi berbasis entropi. Dari eksperimen yang dilakukan, diperoleh hasil bahwa IMLI memiliki performa waktu training hingga 1000 kali lebih baik daripada MLIC dengan pengorbanan akurasi tes secara rata-rata sebesar 1.47%. Kemudian, penggunaan diskretisasi berbasis entropi menghasilkan akurasi tes 2.67% lebih baik secara rata-rata dibandingkan diskretisasi berbasis quantile 10 bin pada IMLI. Uji statistik menunjukkan bahwa pengorbanan akurasi yang terjadi pada IMLI secara umum tidak signifikan. Terkait ukuran rule yang dihasilkan, diperoleh perubahan yang bervariasi tergantung dataset yang digunakan, baik antara MLIC dan IMLI maupun antara diskretisasi berbasis quantile dan entropi. Terakhir, tugas akhir ini juga akan memaparkan koreksi pengaruh banyak partisi terhadap waktu training yang sebelumnya dipaparkan pada paper IMLI.

---

Despite the wide adoption of machine learning in various domains, trusting a black-box machine learning model to make critical decisions, e.g. in medical and law, might be too risky. Thus, having a transparent machine learning model whose decision-making mechanism is easy to understand by humans is increasingly becoming a requirement. Motivated by this, this bachelor’s thesis conducts a thorough study about the MaxSAT- based interpretable machine learning model, namely MLIC and IMLI. MLIC is a MaxSAT-based interpretable machine learning model whose mechanism is transparent by its generated CNF and DNF rules. However, it suffers from poor training time performance. To overcome this, an incremental version of MLIC, namely IMLI, was developed. IMLI has a far better training time performance with a slight sacrifice on its accuracy. This bachelor’s thesis then compares IMLI accuracy by changing its discretization method from the 10-bin quantile-based discretization to the entropy-based discretization. The conducted empirical studies show that IMLI has better training time performance, up to 1000 times better than MLIC with 1.47% sacrifice of test accuracy on average. It also shows that the entropy-based discretization results in 2.67% higher test accuracy on average compared to the 10-bin quantile-based discretization in IMLI. Test statistic shows that the sacrifice of accuracy in IMLI is insignificant. For the rule size, it shows that the choice of model and its discretization has various effects across the datasets. Lastly, this bachelor’s thesis explains a correction on the effect of partitions to training accuracy that is reported in the IMLI paper."

"ABSTRAK: Iridologi adalah studi tentang pola dan warna pada iris mata untuk menentukan informasi tentang kesehatan pasien secara keseluruhan. Salah satu pola yang dapat dilihat adalah Lymphatic Rosary yang terlihat seperti bintik – bintik kecil berwarna putih seperti awan yang mengililingi iris mata membentuk menyerupai untaian mutiara atau rosario. Lymphatic Rosary mengindikasikan adanya penyumbatan pada saluran limfa, yang dapat menyebabkan daya tahan tubuh terhadap stress dan penyakit melemah, menjadi rentan terhadap penyakit. Telah banyak penilitian yang dilakukan menggunakan Deep Learning ataupun Machine Learning terkait Iridologi untuk melakukan pengenalan pada pola dan warna pada iris mata secara otomatis untuk mendeteksi berbagai penyakit, seperti diabetes dan kolestrol yang tinggi. Tetapi belum ada penelitian yang mengaplikasikan Deep Learning ataupun Machine Learning untuk melakukan pengenalan otomatis pada Lymphatic Rosary. Penelitian ini akan mengevaluasi performa model Deep Learning dalam melakukan pengenalan otomatis pada Lymphatic Rosary untuk melakukan klasifikasi pada gambar mata normal dan gambar mata dengan Lymphatic Rosary menggunakan algoritma SVM, KNN dan CNN. Dari algoritma yang diuji, algoritma CNN tidak berhasil dalam mengklasifikasikan gambar mata normal dengan gambar mata dengan Lymphatic Rosary. Hasil dari algoritma SVM mendapatkan tingkat akurasi yang paling tinggi, sampai 98,62%.

---

Abstract : Iridology is the study of the pattern and color of the iris of the eyes to determine information about the patient's overall health. One of the patterns that can be seen is the Lymphatic Rosary which looks like small white spots like clouds that surround the irises to form like a string of pearls or a rosary. Lymphatic Rosary is an obstruction in the lymph channels, which can cause the body's resistance to stress and disease to weaken, making it susceptible to disease. Many studies have been carried out using Deep Learning or Machine Learning related to Iridology to automatically recognize patterns and colors in the iris to detect various disease, such as diabetes and high cholesterol. But there is no research that applies Deep Learning or Machine Learning to perform automatic recognition of the Lymphatic Rosary. This study will analyze the performance of the Deep Learning model in performing automatic recognition on the Lymphatic Rosary to classify images of normal eyes and images of eyes with the Lymphatic Rosary using the SVM, KNN and CNN algorithms. Of the algorithms tested, the CNN algorithm was not successful in classifying normal eye images with eye images with the Lymphatic Rosary. The results of the SVM algorithm get the highest level of accuracy, up to 98.62%"

"ABSTRAKPelaksanaan Program Jaminan Kesehatan Nasional (JKN) menyebabkan peningkatan kunjungan pasien IGD danangka pasien boarding sehingga terjadi penumpukan (stagnasi) pasien di IGD. RSUD Koja telah menerapkanmanajemen tempat tidur dalam rangka mereduksi waktu boarding pasien IGD tetapi belum optimal, sehinggadilakukan upaya untuk membantu mereduksi waktu boarding pasien IGD ke rawat inap dalam rangka perbaikanyang berkelanjutan sesuai prinsip lean thinking. Penelitian operasional ini mencakup intervensi dengan siklusPDCA (plan, do, check, action). Hasil penelitian menunjukkan penerapan lean thinking dapat mereduksi waktuboarding pasien IGD ke rawat inap dari rata-rata 4 jam 45 menit 18 detik (34,92 %) menjadi 3 jam 25 menit 59detik (68,25 %) dan menurunkan aktivitas non value added sebesar 2,02% (dari 93,16% menjadi 91,14%).Delapan jenis waste yang teridentifikasi dapat dieliminasi kecuali waste jenis waiting. Dalam rangka perbaikanyang berkelanjutan selanjutnya manajemen tempat tidur perlu ditetapkan sebagai persyaratan standard kerjauntuk menuju waktu boarding rata-rata menjadi 1 jam 45 menit 45 detik dengan aktivitas non value addedkurang dari 89,83% di masa mendatang.

---

ABSTRACTThe implementation of the National Health Insurance Program (Program JKN) affects the increased number ofpatients to emergency unit and boarding patients that resulting crowding in the emergency unit. Koja Hospitalhas implemented bed management in order to reduce the boarding time of emergency unit patients but has notsucceeded, so an effort to help reducing the boarding time of emergency unit patients to inpatient in order tocontinuous improvement was done using the lean thinking principle. This research uses operational researchmethod and intervention with PDCA (Plan, Do, Check, Action) cycle. The study revealed that lean thinkingapproach could reduce the boarding time of emergency unit patients to hospitalization from the average of 4hours 45 minutes 18 seconds (34.92%) to 3 hours 25 minutes 59 seconds (68.25%) and decrease the activity ofnon value added at 2.02% (from 93.16% to 91.14%). Eight types of waste identified can be eliminated exceptwaiting. In order to continuous improvement, bed management should be set as standardized work for the goalof average boarding time of 1 hour 45 minutes 45 seconds with non value added activities less than 89.83% inthe future."

"Level atau tingkatan antusiasme seseorang merupakan tolak ukur yang penting bagi performa sebuah perusahaan. Level antusiasme tersebut dapat dimodelkan melalui face recognition yang nantinya digunakan sebagai sebuah acuan untuk mengetahui apakah seseorang termasuk dalam kelas antusias, sedikit antusias, atau tidak antusias. Pengklasifikasian face recognition ini berbasis supervised machine learning. Klasifikasi yang digunakan dalam penelitian ini adalah Support Vector Machine SVM dengan metode one-vs-one karena kelas pada data terdiri lebih dari dua kelas. Adapun, dalam upaya peningkatan performa classifier, perlu dilakukan pemilihan fitur. Pemilihan fitur yang digunakan pada skripsi ini adalah Fisher rsquo;s Ratio dan Information Gain. Hasil yang diberikan di akhir tulisan ini berupa perbandingan akurasi dan running time dari klasifikasi SVM tanpa pemilihan fitur dan klasifikasi SVM dengan menggunakan masing-masing pemilihan fitur Fisher rsquo;s Ratio dan Information Gain. Pada klasifikasi SVM tanpa pemilihan fitur, didapatkan akurasi dan running time masing-masing sebesar 80,95238 dan 2,125 detik; dengan pemilihan fitur Fisher rsquo;s Ratio didapatkan akurasi dan running time masing-masing sebesar 88,89 dan 5,47 detik; sedangkan dengan pemilihan fitur Information Gain didapatkan akurasi sebesar 80,95238 dengan running time 1,265625 detik.

---

Enthusiasm level of a person is an important measurement for a company performance. Enthusiasm level can be modeled by face recognition that in the future will be used as standard to distinguish whether someone is classified as enthusiast, tend to enthusiast, or not at all. This face recognition classification is based on supervised machine learning. This paper uses Support Vector Machine SVM as a classifier with one vsone method because the data consists of more than two classes. In order to increase classifier performance, it is necessary to do feature selection. This paper uses Fisher rsquo s Ratio and Information Gain as feature selection. The conclusion at the end of this research is in the form of comparison of running time and accuracy between SVM classification without feature selection and with Fisher rsquo s Ratio and Information Gain feature selection, respectively. In SVM classification without feature selection, the accuracy and running time are 80,95238 and 2,125 seconds, respectively with Fisher rsquo s Ratio feature selection the accuracy and running time are 88,89 and 5,47 seconds, respectively whilst with Information Gain feature selection the accuracy and running time are 80,95238 , and 1.265625 seconds, respectively. "

"Salah satu wilayah di Indonesia yang berada di zona gempabumi yaitu Kota Bengkulu. Kota Bengkulu diperkirakan memiliki tingkat kerawanan gempabumi yang cukup tinggi sehingga sering mengalami gempabumi dari intensitas kecil hingga besar. Untuk meminimalkan dampak bencana, desain bangunan harus sesuai dengan kondisi tanah yang dinamis dan lokal. Penelitian ini bertujuan untuk mempertimbangkan kecepatan gelombang geser rata-rata hingga kedalaman 30 m (Vs30) di Kota Bengkulu menggunakan metode inversi HVSR. Data mikrotremor pada 15 titik dianalisis menggunakan metode HVSR. Hasil analisis HVSR kemudian dilakukan dengan inversi dengan prinsip pemodelan ke belakang untuk mendapatkan Vs30 dari setiap titik pengukuran. Hasil penelitian menunjukkan nilai Vs30 sebesar 212-437 m/s. Daerah dengan jenis tanah yang dihasilkan dari nilai Vs30 hasil inversi HVSR diketahui klasifikasi jenis tanah C mendominasi Kota Bengkulu sedangkan klasifikasi jenis tanah D tersebar di utara, selatan, dan tenggara Kota Bengkulu.

---

One of the areas in Indonesia that is in the earthquake zone is Bengkulu City. Bengkulu City is estimated to have a high level of earthquake vulnerability so that it often experiences earthquakes of small to large intensities. In order to minimize the impact of disasters, the building design must suit dynamic and local soil conditions. This study aims to consider the average shear wave velocity to a depth of 30 m (Vs30) in Bengkulu City using HVSR inversion. Microtremor data at 15 points were analyzed using the HVSR method. The results of the HVSR analysis were then carried out by inversion with inverse modeling principles to obtain Vs30 from each measurement point. The results showed 212-437 m/s. Areas with soil types resulting from the Vs30 value of the HVSR inversion results show that soil type classification C dominates Bengkulu City, while soil type classification D is spread in the north, south and southeast of Bengkulu City."

"Komputasi intelejensia yang digunakan dalam masalah klasifikasi pola dapat digolongkan menjadi dua bagian, yaitu yang berbasis pada Neural Network dan yang berbasis pada Pembelajaran Statistika (Statistical Learning). Pembelajaran yang berbasis statistika, pertama kali ditemukan oleh Vapnik pada dekade tujuh-puluhan. Untuk masalah klasifikasi pola Vapnik mengembangkan metode hyperplane optimal separation, atau dikenal juga dengan nama metode Support Vector Machines (SVM). Pada awalnya SVM dirancang hanya untuk menyelesaikan masalah klasifikasi biner, yaitu dari data-data yang ada, diklasifikasikan menjadi dua kelas. Untuk mengklasifikasikan data yang terdiri dari lebih dari dua kelas, metode SVM tidak dapat langsung digunakan. Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah klasifikasi multikelas SVM yaitu: metode One-vs-One dan metode One-vs-Rest. Kedua metode ini merupakan perluasan dari klasifikasi biner SVM. Kedua metode tersebut akan dibahas di artikel ini dan akan dilihat kinerjanya dalam mengklasifikasikan aroma. Data aroma yang digunakan dalam percobaaan ini terdiri dari 3 jenis aroma, masing-masing aroma terdiri atas 6 kelas. Pembagian kelas ini berdasarkan pada konsentrasi alkohol yang dicampurkan pada masing-masing aroma. Misalkan untuk aroma A, terdapat 6 jenis aroma A dengan kandungan alkohol : 0%, 15%, 25%, 30%, 45% dan 75%. Kinerja dari kedua metode diukur berdasarkan kemampuan untuk mengenal dan mengklasifikasikan aroma, dengan tepat dan sesuai dengan jenis atau kelas, dari data yang diberikan.

---

Aroma classification using one-vs-one and one-vs-rest methods. Computational Intelligence used in pattern classification problem can be divided into two different parts, one based on Neural Network and the other based on Statistical Learning. The Statistical Learning discovered by Vapnik on 70-est decade. For the pattern classification, Vapnik developed hyperplane optimal separation, which is known as Support Vector Machines Method (SVM). In the beginning, SVM was designed only to solve binary classification problem, where data existing are classified into two classes. To classify data whose consist of more than two classes, the SVM method can not directly be used. There are several methods can be used to solve SVM multiclasses classification problem, they are One-vs-One Method and One-vs-Rest Method. Both of this methods are the extension of SVM binary classification, they will be discussed in this article so that we can see their performance in aroma classification process. Data of aroma used in this experiment is consisted of three classes of aroma, each of them has six classes. The division of this class is based on alcohol concentration mixed into each of those aromas. For example, for aroma A, there are six kinds of aroma A with different alcohol concentration: 0%, 15%, 25%, 30%, 45% and 75%. The performance of these methods is measured based on their ability to recognize and classify aroma, precisely and match with the right class or variety of data existed."