Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 113335 dokumen yang sesuai dengan query
cover
Natalia Komalasari
"Perkembangan teknologi telah membuat adanya pergeseran kekuatan kepada pelanggan atau pasar. Pelanggan menjadi faktor penting yang harus diperhatikan. Informasi yang semakin mudah diperoleh, membuat daya tawar pelanggan semakin tinggi dan pelanggan selalu ingin mendapat yang diinginkan dengan mudah, murah, berkualitas dan sesuai dengan kebutuhannya. Perubahan struktural ini mengharuskan sebuah perusahaan untuk mengembangkan sebuah strategi e-Bisnis yang inovatif, dengan memusatkan perhatian kepada pasar. Perubahan struktural ini juga membutuhkan proses perubahan secara besarbesaran. Pada waktu yang sama, perusahaan harus membangun sebuah infrastruktur e-Bisnis yang berorientasi pada perbaikan layanan secara kontinu dan inovatif.
PT. V menyikapi perubahan struktural ini dengan membangun suatu sistem e-Bisnis untuk layanan persewaan VCD. Dengan sistem yang dibangun ini, yaitu sewa VCD dengan sistem antar dan SMS, pelanggan dapat melakukan sendiri proses peminjaman, pengembalian, melihat film terbaru, dan lain-lain dengan hanya mengirim SMS, tanpa perlu datang ke tempat persewaan. Untuk itu pelanggan akan menghemat waktu, uang, serta lebih efektif dan efisien.
Penggunaan SMS sebagai fasilitas dalam e-Bisnis mempunyai berbagai keuntungan, seperti menghilangkan permasalahan jarak dan waktu, menghilangkan faktor kesalahan akibat adanya proses manual. Pemanfaatan e-Bisnis ini pada akhirnya diharapkan dapat menambah pangsa pasar dan dapat mengubah proses bisnis perusahaan sesuai dengan kebutuhan pelanggan.

Technological growth has made a strong friction to the market. Customer becomes an important factor which must be paid attention to. Information which is easy to get increases customer's bargaining power. Customer always wants to get what they desire easily, cheaper, and of good quality. This structural change obliges a company to develop an e-Business strategy which is innovative, by focusing on the market. This structural change also requires a change in the business process on a large scale. At the same time, company has to develop an e-Business infrastructure that is oriented toward continous service improvement dan innovation.
PT. V faces this structural change by developing an e-Business system for a VCD rental service. Using the system, which administers VCD rental with delivery system and SMS facility, customers can, by themselves, loan VCDs, return loaned VCDs, browse newest films, and perform other activities, just by sendingSMS, without having to visit the rental place. For this reason, the customers will save time and money, become more efficient and effective.
The use of SMS as a facility in e-Business has various advantages suchas omitting problems with location and time for doing business, andomitting the errors of manual processing.In the end, e-Business is expected to raise market share and to adapt the company's business process according to customer's needs."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2006
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Prajna Wira Basnur
"Klasifikasi dokumen adalah sebuah metode untuk menentukan suatu dokumen termasuk ke suatu kategori secara otomatis berdasarkan isi dokumen. Metode Naïve Bayes dan ontologi merupakan metode klasifikasi dokumen teks yang digunakan dalam penelitian ini. Data yang digunakan dalam penelitian ini berupa artikel berita berbahasa Indonesia dari situs http://www.kompas.com. Dalam penelitian ini menggunakan lima kategori dalam domain olahraga untuk melakukan klasifikasi dokumen, yaitu kategori bulutangkis, basket, otomotif, sepakbola, dan tenis. Klasifikasi dokumen dengan menggunakan ontologi dilakukan dengan membandingkan nilai kemiripan diantara dokumen dan sebuah node yang ada di ontologi. Sebuah dokumen diklasifikasikan ke sebuah kategori atau node, jika memiliki nilai kemiripan paling tinggi diantara semua node yang ada di ontologi. Hasil penelitian menunjukkan bahwa ontologi dapat digunakan untuk melakukan klasifikasi dokumen. Nilai recall, precision, dan f-measure untuk klasifikasi dokumen menggunakan ontologi berturut-turut adalah 97.03%, 91.63%, dan 94.02%.

Document classification is a method for determine document category automatically based on contents of document. In this research, we use Naïve Bayes and Ontology method for document classification. Mass media in Bahasa Indonesia is used as data in this research. Data is taken from http//www.kompas.com. We uses five category in sports domain for document classification that comprise with bulutangkis, basketball, automotive, soccer, and tennis category. Document classification uses ontology can be done with compare similarity value between document and a node in ontology. A document can classified to a category or node, if a document has highest similarity value between all node in ontology. In this research indicate that ontology can used for document classification. Recall, precision, and f-measure value for document classification using ontology in a row are 97.03%, 91.63%, and 94.02%."
2009
S-Pdf
UI - Skripsi Open  Universitas Indonesia Library
cover
"Seiring derasnya arus informasi berita elektronik, timbul kebutuhan untuk mengatur informasi tersebut sehingga pengguna dapat mengaksesnya dengan lebih mudah. Akan tetapi jika pengelompokan berita dilakukan secara manual, maka akan memakan waktu yang lama dan mahal. Klasifikasi dokumen secara otomatis sekiranya diperlukan untuk mengurangi biaya dan mempercepat pengaturan informasi. Salah satu metode yang dapat digunakan dalam pengklasifikasian yaitu Naïve Bayes Classifier. Fokus penelitian ini adalah meneliti karakteristik Naïve Bayes Classifier untuk memperoleh kinerja yang optimal dalam proses klasifikasi. Cara yang diterapkan pada penelitian ini yaitu dengan mengujicobakan metode tersebut dengan 3 perlakuan yaitu membandingkan kinerja sistem terhadap stemming maupun non stemming, berbagai proporsi dokumen pembelajaran dan jumlah kategori dalam klasifikasi. Tahapan penelitian dilakukan mulai dari studi pustaka, menerapkan metode Naïve Bayes Classifier dalam pengklasifikasian berita berbahasa Indonesia, melakukan uji coba dan analisa mengenai karakteristik metode ini serta menarik kesimpulan dari hasil analisa. Penelitian dilakukan terhadap 1351 dokumen berita berbahasa Indonesia dari situs www.suarapembaruan.com yang diambil pada bulan Januari 2004 sampai dengan bulan November 2004.
Hasil penelitian menunjukan bahwa Naive Bayes Classifier merupakan metode yang memiliki tingkat akurasi yang tinggi. Kinerja akan lebih baik jika metode ini diterapkan dengan stemming dibanding tanpa stemming walaupun selisih kinerja keduanya tidak terpaut jauh yaitu sekitar 3,87%. Selain itu, hasil penelitian juga menunjukan bahwa kinerja metode ini dipengaruhi oleh jumlah dokumen pembelajaran. Semakin banyak dokumen pembelajaran yang digunakan, maka akan semakin tinggi tingkat keakuratan metode ini. Hal ini terbukti dari uji coba kombinasi stemming dengan proporsi dokumen pembelajaran 90% yang mampu mencapai kinerja tertinggi selama penelitian yaitu recall sebesar 93,5%, precision 94,125% dan F-measure 93,81%. Hal menarik yang terjadi adalah akurasi masih tetap relatif tinggi walaupun dokumen pembelajaran secara ekstrim dikurangi menjadi 10%. Hal ini ditunjukan dengan recall sebesar 89,82%, precision 90,36% dan F-measure 90,1%.
Pada penelitian ini juga mengamati apakah Naïve Bayes Classifier merupakan metode klasifikasi yang stabil. Hal ini diteliti dengan membandingkan kinerja sistem terhadap banyaknya jumlah kategori dalam klasifikasi. Hasilnya ternyata jumlah kategori tidak mempengaruhi kinerja metode ini. NBC merupakan metode yang stabil jika dilihat dari segi kuantitas kategori."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2006
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Tinaliah
"Tesis ini menjelaskan mengenai penggabungan antara metode Latent Semantic Analysis dan Centroid-based Summarization dalam proses peringkasan multidokumen berbahasa Indonesia. Evaluasi peringkasan multi-dokumen berbahasa Indonesia akan dibandingkan dengan ringkasan yang dihasilkan oleh sistem terhadap hasil ringkasan referensi yang dibuat oleh ahli Bahasa Indonesia dengan mengukur akurasi kalimat yang sama muncul pada ringkasan yang dihasilkan oleh sistem terhadap ringkasan referensi. Besarnya korpus data training yang kita punya dapat meningkatkan nilai cosine similarity tiap kalimat yang dihasilkan pada metode LSA. Secara keseluruhan akurasi pada pengabungan antara metode latent semantic analysis dan metode centroid-based summarization menghasilkan akurasi yang lebih baik sebesar 26.62% dibandingkan dengan metode centroidbased summarization sebesar 23.81%, dengan selisih rata-rata akurasi pengabungan antara metode latent semantic analysis dan metode centroid-based summarization dengan rata-rata akurasi metode centroid-based summarization adalah sebesar 2,82%.

This study describe the combination of Latent Semantic Analysis method and Centroid-based Summarization in multi-document summarization with Indonesia language. The evaluation result of the system is taken from comparing the summary made by system and the summary made by human. Larger of corpus training data will increase cosine similarity of each sentence in LSA. Overall, combination method of latent semantic analysis and centroid-based summarization is more accurate 26.62% compared to the centroid-based summarization method 23.81 %, with diference of the accuracy average between combination method of latent semantic analysis and centroid-based summarization and accuracy average of method of centroid-based summarization is 2.82%."
Depok: Universitas Indonesia, 2013
T-Pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Prajna Wira Basnur
"Pencarian informasi tertentu akan sulit dilakukan bila mengandalkan kueri saja. Pemilihan kueri yang kurang spesifik akan berakibat banyaknya informasi yang tidak relevan ikut terambil oleh sistem. Salah satu cara yang paling berhasil untuk mengatasi permasalahan ini adalah dengan melakukan klasifikasi dokumen berdasarkan topiknya. Ada banyak metode digunakan untuk melakukan klasifikasi dokumen seperti menggunakan pendekatan statistik dan machine learning. Namun, metode klasifikasi dokumen tersebut membutuhkan training data atau dokumen pembelajaran. Pada penelitian ini penulis berusaha untuk melakukan klasifikasi dokumen menggunakan sebuah metode yang tidak memerlukan dokumen pembelajaran. Metode klasifikasi ini menggunakan ontologi untuk melakukan klasifikasi dokumen. Klasifikasi dokumen dengan menggunakan ontologi dilakukan dengan membandingkan nilai kemiripan diantara dokumen dan sebuah node yang ada di ontologi. Sebuah dokumen diklasifikasikan dalam sebuah kategori atau node jika memiliki nilai kemiripan paling tinggi di salah satu node di ontologi. Hasil penelitian menunjukkan bahwa ontologi dapat digunakan untuk melakukan klasifikasi dokumen. Nilai recall adalah 97,03%, precision 91,63%, dan fmeasure 94,02%.

Searching specific information will be difficult if only rely on query. Choosing less specific queries will result many irrelevant information fetched by the system. One of the most successful way to overcome this problem is to perform document classification based on the topic. There are many methods that can be used to conduct such a document classification, such as statistical and machine learning approaches. However, those document classification methods require training data or learning documents. In this study, the authors attempted to classify documents using a method that doesn?t require learning documents. This classification method uses ontology to classify documents. Document classification by using ontology is done by comparing the value of similarity among documents and existing node in the ontology. A document is classified into a category or a node, if it has the highest similarity value in one of the nodes in the ontology. The results showed that the ontology can be used to perform document classification. Recall value is 97.03%, precision is 91.63%, and f-measure is 94.02%."
Depok: Direktorat Riset dan Pengabdian Masyarakat Universitas Indonesia, 2010
AJ-Pdf
Artikel Jurnal  Universitas Indonesia Library
cover
Rachmat Mulyana
2007
TA476
UI - Tugas Akhir  Universitas Indonesia Library
cover
Syamsul Arifin
"ABSTRAK
Telah dibuat suatu prototype mesin pengisi minuman bebasiskan mikrocontroler
yang dapat mengisi air secara otomatis, sistem ini terdiri dari mikrocontroler, sensor
warna TCS230, pompa motor, selenoid, sensor level air / probe, LDR, fungsi dari
mikrocontroler adalah sebagai pengendali, sensor warna untuk mendeteksi warna gelas,
pompa motor untuk mengisi air kedalam gelas, selenoid untuk naik dan turun sensor level
air jika ada gelas maka seleniod akan turun dan jika tidak ada gelas maka selenoid akan
naik, sensor level air / probe untuk mendeteksi level air pada gelas jika air sudah penuh
maka pompa motor akan dimatikan, LDR untuk mendeteksi apakah ada gelas atau tidak,
pada rancang bangun digunakan bahan dari fiber glass (acrylic)."
2007
TA629
UI - Tugas Akhir  Universitas Indonesia Library
cover
Erwin Rusidi
2007
TA703
UI - Tugas Akhir  Universitas Indonesia Library
cover
Franky
"Sentimen merupakan opini atau penilaian penulis dokumen mengenai topik yang dibahas dalam dokumen tersebut. Analisis sentimen merupakan suatu tugas yang melakukan polarisasi dokumen berupa pengklasifikasian dokumen ke dalam sentimen positif dan negatif. Penggunaan metode Naive Bayes, Maximum Entropy, dan Support Vector Machine telah ditunjukkan mampu untuk menangkap informasi sentimen dari dokumen review film pada domain bahasa Inggris (Pang, Lee, & Vaithyanathan, 2002). Laporan tugas akhir ini menjelaskan percobaan yang mengaplikasikan kembali metode Naive Bayes, Maximum Entropy, dan Support Vector Machine untuk analisis sentimen pada dokumen berbahasa Indonesia hasil penerjemahan otomatis menggunakan kamus bilingual dan program penerjemah, pada dokumen review film.
Hasil analisis sentimen yang didapat dibanding kan dengan hasil analisis sentimen pada dokumen berbahasa Inggris. Percobaan analisis sentimen dilakukan dengan memvariasikan metode penerjemahan dan pengolahan data, fitur yang digunakan, dan informasi nilai fitur berupa nilai kemunculan fitur (presence), frekuensi, normalisasi nilai frekuensi, dan pembobotan menggunakan tf-idf. Baseline untuk analisis sentimen pada bahasa Indonesia dibuat dengan metode klasifikasi yang sederhana.
Hasil yang didapat menunjukkan bahwa analisis sentimen menggunakan machine learning untuk dokumen berbahasa Indonesia hasil penerjemahan otomatis dapat dilakukan, dengan akurasi tertinggi sebesar 78.82%. Hasil ini lebih baik dari akurasi yang didapat dari baseline sebesar 52.43% tetapi tidak melebihi akurasi tertinggi pada dokumen berbahasa Inggris sebesar 80.09%, namun cukup dekat. Penggunaan fitur yang diambil dari 25% bagian terakhir dokumen memberikan hasil yang lebih baik dari penggunaan fitur yang diambil dari keseluruhan dokumen. Sementara, metode Support Vector Machine secara umum memberikan hasil analisis sentimen dengan akurasi yang lebih baik dari metode machine learning lain yang digunakan."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2008
S-Pdf
UI - Skripsi Open  Universitas Indonesia Library
cover
Hendrik Ganda Wijaya
"Summary yang dimaksud di dalam tugas akhir ini adalah sebuah abstraksi dari dokumen yang digunakan untuk menentukan apakah dokumen tersebut merupakan dokumen yang ingin dibaca oleh user atau tidak. Dengan adanya summary dari dokumen tersebut maka user tidak perlu menghabiskan waktu untuk membaca seluruh dokumen untuk mencari informasi. User cukup membaca summary-nya saja untuk melihat apakah memang dokumen tersebut merupakan dokumen yang ingin dibaca oleh user. Pertanyaan yang akan dijawab melalui tugas akhir ini adalah bagaimanakah proporsi yang ideal untuk centroid value, positional value dan first sentence overlap agar dapat mencapai hasil yang optimal di dalam menghasilkan summary? Dan se - jauh manakah kinerja dari program yang menerapkan metode text extraction di dalam menghasilkan summary? Di dalam penelitian ini penulis mengambil sebuah algoritma dari sebuah artikel mengenai penelitian yang dilakukan oleh Dragomir R Radev dan Weiguo Fan.
Algoritma tersebut adalah metode text extraction dengan meng- gunakan centroid value, positional value dan first sentence overlap. Di dalam tugas akhir ini, penulis mencoba untuk menerapkannya di dalam artikel ilmiah berbahasa Indonesia. Langkah-langkah yang dilakukan penelitian ini mencakup : menghilangkan stop word dari dokumen input, melakukan stemming pada dokumen input, mencari centroid value, positional value dan first sentence overlap dan total nilai dari masing-masing kalimat, kemudian menyusun summary dari kalimat-kalimat dengan nilai yang tertinggi.
Hasil penelitian ini menunjukkan bahwa proporsi yang paling ideal untuk centroid value, positional value dan first sentence overlap adalah 211 dan 212. Hasil penelitian ini juga menunjukkan bahwa kinerja dari program yang menerapkan metode text extraction ini cukup optimal (dengan nilai rata-rata 3,6 dari skala 1-5). Dari hasil penelitian ini, penulis menyimpulkan bahwa pengujian yang dilakukan terhadap summary bersifat subyektif. Penulis juga menyimpulkan bahwa terdapat hubungan yang erat antara tingkat readability input dengan tingkat readability output. Untuk penelitian selanjutnya, penulis menyarankan untuk menambahkan unsur format dan keyword ke dalam unsurpenghitungan. Selain itu penulis juga menyarankan untuk mencari penguji yang berpengalaman di dalam membuat summary. Agar hasil pengujian menjadi lebih terjamin."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2007
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>