Hasil Pencarian  ::  Simpan CSV :: Kembali

"In this work, an algorithm to design lossless ladder networks with simple lumped elements connected via commensurate transmission lines is proposed. after giving the algorithm, a lumped-element low-pass chebyshev filter was transformed to its mixed-element counterpart to illustrate the utilization of the algorithm. The filter, designed for a frequency band around 1 GHz, was fabricated and experimentally characterized. we find very good agreement between measured and simulated transducer power gain over the entire frequency band of interest."

"Masalah penjadwalan bus sekolah merupakan masalah penentuan rute dalam melayani semua trip oleh sejumlah bus, untuk mengantarkan sejumlah siswa ke sekolah mereka masing-masing. Dengan trip terdiri dari sederetan halte bus dan sekolah tujuan dari masing-masing trip tersebut. Setiap bus dapat melayani lebih dari satu trip. dimana armada bus yang berada di depot adalah heterogen, yaitu kapasitas dari bus yang tersedia berbeda-beda. Dengan menganggap trip sebagai virtual stop, maka masalah penjadwalan bus sekolah dapat dimodelkan sebagai vehicle routing problem with time windows (VRPTW). Dalam menyelesaikan masalah ini, digunakan construction algorithm untuk membangun solusi awal. Setelah itu solusi tersebut diperbaiki dengan menggunakan improvement algorithm.

---

The school bus scheduling problem is a problem to assign some buses to serve all trips. A trip consists of a sequence of bus stops and their designated school. Each bus can serve more than one trip. The bus fleet is assumed heterogen or the capacity for each bus is different. A school bus scheduling problem can be modeled as a vehicle routing problem with time windows (VRPTW) by considering trips as virtual stops. The initial solution can be generated by construction algorithm and it will be improved by improvement algorithm."

"ABSTRAKDalam penelitian ini, Sistem Penilaian Esai Ototmatis (Simple-O) dirancang menggunakan algoritma Latents Semantic Analysis (LSA), Term Frequency-Inverse Document Frequency, dan algoritma Support Vector Machine (SVM). Algoritma LSA digunakan untuk mengolah kata-kata yang merepresentasikan kata-kata dalam teks menjadi matriks. Algoritme SVM digunakan untuk mengklasifikasikan esai jawaban siswa berdasarkan topiknya. TF-IDF digunakan untuk menimbang setiap kata dalam teks yang akan menjadi input SVM. Dari penelitian ini ketepatan penggunaan jawaban dosen sebagai jawaban referensi adalah 72,01% dan ketepatan penggunaan kata kunci sebagai jawaban referensi adalah 69,5%.

---

ABSTRACTIn this study, the Automatic Essay Assessment System (Simple-O) was designed using the Latents Semantic Analysis (LSA) algorithm, Term Frequency-Inverse Document Frequency, and the Support Vector Machine (SVM) algorithm. The LSA algorithm is used to process words that represent words in the text into a matrix. The SVM algorithm is used to classify student essays based on their topic. TF-IDF is used to weigh each word in the text that will become SVM input. From this research, the accuracy of using lecturers' answers as reference answers was 72.01% and the accuracy of using keywords as reference answers was 69.5%."

"SIMPLE-O atau Sistem Penilaian Esai Otomatis merupakan sebuah proyek yang dikembangkan oleh Departemen Teknik Elektro, Universitas Indonesia sejak tahun 2007. Penelitian ini membahas penerapan algoritma winnowing dan algoritma ASCII-Based Hashing pada pengembangan SIMPLE-O untuk ujian bahasa Jepang. Sistem dikembangkan dengan menggunakan bahasa pemrograman Python. Beberapa penelitian sebelumnya pernah menggunakan algoritma winnowing untuk mengembangkan SIMPLE-O. Namun yang membedakannya pada penelitian ini adanya penggantian algoritma hashing yang biasa digunakan, yaitu dari Rolling Hash menjadi algoritma ASCII-Based Hashing. Algoritma hashing tersebut termasuk kedalam algoritma LSH (Locality-sensitive hashing). Proses penilaian membutuhkan dua data input, yaitu jawaban mahasiswa (peserta ujian) dan kunci jawaban dosen. Kedua data input yang masih dalam bahasa Jepang akan diromanisasi menjadi teks romaji (huruf latin), setelah itu akan diproses oleh algoritma winnowing dan algoritma hashing untuk menghasilkan fingerprint. Maksud dari penelitian ini adalah untuk mencoba mendapatkan akurasi sistem yang paling tinggi. Dari hasil penelitian, didapatkan rata-rata akurasi nilai total sistem sebesar 87.10% jika parameter winnowing untuk setiap data input diseragamkan (n = 2 dan w = 2). Akurasi tersebut mengalami peningkatkan sebesar 0.24% dari hasil penelitian sebelumnya yang bernilai 86.86%. Namun jika parameter winnowing disesuaikan menggunakan nilai kombinasi yang paling terbaik, maka rata-rata akurasi nilai total sistem yang didapatkan adalah 92.74%. Akurasi tersebebut mengalami peningkatan sebesar 1.82% dari hasil penelitian sebelumnya yang bernilai 90.92%. Untuk akurasi total per mahasiswa dapat mencapai 99.95%, dan akurasi pernomor untuk tiap sampel mahasiswa berkisar dari 69.55% hingga 100%.

---

SIMPLE-O or Automated Essay Grading System is a project developed by the Department of Electrical Engineering, University of Indonesia since 2007. This research discusses the implementation of the winnowing algorithm and the ASCII-Based Hashing algorithm in the development of SIMPLE-O for the Japanese language exam. The system was developed using the Python programming language. Several previous research have used the winnowing algorithm to develop SIMPLE-O. But what distinguishes it in this research is the replacement of the hashing algorithm that is commonly used, namely from Rolling Hash to ASCII-Based Hashing algorithm. ASCII-Based Hashing is one of the LSH (Locality-sensitive hashing) algorithm. The grading process requires two input data, namely the examinee's answers and lecturers' answer keys. The two-input data that are still in Japanese will be romanized into romaji text (Latin letters), after that it will be processed by the winnowing algorithm and hashing algorithm to generate fingerprints. The purpose of this research is to try to get the highest system accuracy. From the research results. The average accuracy of the total system value is 87.10% if the winnowing parameters for each input data are equated (n = 2 and w = 2). The accuracy increased by 0.24% from the results of previous research which were worth 86.86%. However, if the winnowing parameter is adjusted using the best combination value, then the average accuracy of the total system value obtained is 92.74%. The accuracy has increased by 1.82% from the results of previous research which were worth 90.92%. The total accuracy of each student can reach 99.95%, and the accuracy of each number for each student sample ranges from 69.55% to 100%."

"ABSTRAKAlgoritma Winnowing merupakan algoritma dengan sifat character-based, dimana algoritma tersebut menggunakan fingerprint dalam mendeteksi tingkat kesamaan antar teks. Skripsi ini membahas mengenai penerapan dan pengembangan sistem penilai esai otomatis berbasis algoritma winnowing, serta metode-metode untuk mengukur tingkat kesamaan fingerprint. Pengujian beberapa pendekatan metode dilakukan untuk meningkatkan tingkat akurasi dari sistem. Pendekatan metode tersebut adalah dengan metode cosine similarity, jaccard index, dan dice similarity. Implementasi dari algoritma winnowing berhasil meningkatkan akurasi sistem. Peningkatan akurasi ini diukur dengan membandingkan SIMPLE-O berbasis winnowing dengan SIMPLE-O yang telah dikembangkan sebelumnya yaitu berbasis LSA Latent Semantic Analysis .

---

ABSTRACTWinnowing algorithm is a character based algorithm. Winnowing used fingerprint to detect the similarity between texts. This thesis discusses the application and the development of automated essay grading SIMPLE O based on winnowing algorithm, as well as methods to measure the similarity between fingerprints. Several text similarity approaches have been tested to improve the accuracy of the system. In term of text similarity, cosine similarity, jaccard index, and dice similarity are used to measure the similarity between texts. Stemming and Synonym Recognition also implemented in this system. Winnowing algorithm has improved the accuracy of the system. The accuracy was measured by comparing SIMPLE O winnowing based with SIMPLE O LSA Latent Semantic Analysis based."

"Fraud asuransi merupakan tindakan yang sangat merugikan, baik untuk perusahaan asuransi dalam bentuk kerugian maupun untuk pemegang polis lainnya dalam bentuk kenaikan premi untuk menutupi kerugian. Salah satu cara yang dapat dilakukan adalah menggunakan jasa claim investigator untuk mendeteksi fraud yang mungkin terjadi. Namun, semakin banyak klaim yang perlu dianalisis, semakin tinggi juga biaya yang akan dikeluarkan. Solusi untuk mengatasi masalah scalability tersebut adalah dengan menggunakan machine learning. Metode machine learning yang saat ini cukup populer dan banyak digunakan untuk berbagai aplikasi adalah deep learning. Metode deep learning banyak dipakai untuk memproses data tidak terstruktur contohnya pemrosesan data gambar dengan menggunakan convolutional neural networks (CNN). Kesuksesan metode CNN dalam memproses data tidak terstruktur menjadi dasar dari pengembangan algoritma IGTD (image generator for tabular data) yang bertujuan untuk memproses data terstruktur menjadi data berbentuk gambar agar dapat diproses oleh metode CNN. Penelitian ini bertujuan untuk menganalisis kinerja algoritma IGTD dan model CNN dalam memprediksi fraud asuransi dengan menggunakan data fraud asuransi kendaraan bermotor. Kinerja algoritma IGTD dan model CNN akan dibandingkan dengan model XGBoost dengan pembobotan data, imbalance-XGBoost weighted function, decision tree, serta random forest. Selain itu, pada penelitian ini dianalisis juga modifikasi dari algoritma IGTD terhadap kinerja model CNN yang digunakan. Hasil simulasi menunjukkan bahwa algoritma IGTD dan model CNN masih belum mampu menandingi model XGBoost dengan pembobotan data dan imbalance-XGBoost weighted function yang masih menjadi model terbaik dalam memprediksi fraud asuransi. Selain itu, model CNN berbasis modifikasi algoritma IGTD memiliki kinerja yang serupa dengan model CNN berbasis algoritma IGTD.

---

Insurance fraud is an act that could inflict serious damage not only for the insurance company in the form of net loss, but also for other policyholders in the form of increased premium rates to cover the net loss. Insurance companies might use claim investigator to detect possible fraud by policyholders. However, as more claims need to be investigated, the cost of investigation will also increase. Machine learning is the solution for this scalability issue, especially the deep learning method which is popular and widely used in numerous applications. Deep learning method is commonly used to process unstructured data such as image by using convolutional neural networks (CNN). The success of CNN model motivates the invention of IGTD (image generator for tabular data) algorithm to process structured data into images to ensure it can be processed by the CNN model. The purpose of this research is to analyze the performance of IGTD algorithm and CNN model to predict insurance fraud using auto insurance fraud dataset. The performance of IGTD algorithm and CNN model is compared to XGBoost sample weighted, imbalance-XGBoost weighted function, decision tree, and random forest. In this research the impact of IGTD algorithm modification to the performance of CNN model is analyzed. The simulation result shows that the IGTD algorithm and CNN model is unable to outperform the best model to predict insurance fraud, XGBoost sample weighted and imbalance-XGBoost weighted function. Moreover, CNN model based on IGTD algorithm and modified IGTD algorithm yield similar performance."

"k Berbahasa Indonesia/Berbahasa Lain (Selain Bahasa Inggris): Wireless Sensor Networks (WSN) terdiri dari node sensor yang tersebar dalam area monitoring untuk mengumpulkan dan mengirimkan data. Namun, keterbatasan energi pada node sensor menjadi tantangan utama dalam memperpanjang network lifetime. Ketergantungan pada baterai sebagai sumber daya menyebabkan node sensor mudah mengalami kehabisan energi, yang pada akhirnya memengaruhi kinerja jaringan. Oleh karena itu, diperlukan pendekatan yang efektif untuk mengurangi konsumsi energi dan menyeimbangkan distribusi beban dalam jaringan sensor. Penelitian ini mengusulkan protokol Single-Hop Clustering Routing berbasis Tuna Swarm Optimization (TSO) dan Gravitational Search Algorithm (GSA). Algoritma TSO digunakan untuk membentuk cluster secara optimal dengan meminimalkan jarak komunikasi antar node dalam cluster, sedangkan GSA diterapkan untuk memilih cluster head (CH) berdasarkan faktor-faktor seperti residual energy, jarak ke base station (BS), dan jarak intracluster. Hasil simulasi menunjukkan bahwa algoritma TSO-GSA mampu meningkatkan efisiensi energi dan memperpanjang lifetime jaringan secara signifikan dibandingkan protokol referensi TSO-FC. Pada skenario utama dengan 100 node dalam area 150 × 150 m², TSO-GSA mencatat peningkatan lifetime jaringan sebesar 24.03% pada LND (1615 round dibandingkan 1302 round oleh TSO-FC). Namun, sebagai trade-off, FND pada TSO-GSA terjadi lebih awal, yaitu pada round ke-444 dibandingkan round ke-902 pada TSO-FC. Di sisi lain, protokol ini mampu mempertahankan energi residu yang lebih tinggi, mencapai peningkatan sebesar 17,22% pada round ke-800 dibandingkan TSO-FC. Selain itu, algoritma TSO-GSA menunjukkan adaptabilitas yang baik terhadap perubahan kompleksitas jaringan, dengan peningkatan LND sebesar 26,7% dalam lingkungan dengan 200 node. Dalam hal performa komunikasi, protokol ini juga meningkatkan jumlah total data yang diterima BS sebesar 12,5% dibandingkan TSO-FC. Dengan keunggulan-keunggulan tersebut, penelitian ini menyimpulkan bahwa protokol TSO-GSA dapat menjadi solusi efektif untuk mengoptimalkan efisiensi energi dan memperpanjang lifetime jaringan dalam WSN.

---

Wireless Sensor Networks (WSN) consist of sensor nodes distributed in a monitoring area to collect and transmit data. However, the limited energy of sensor nodes is a major challenge in extending network lifetime. Dependence on batteries as a power source causes sensor nodes to easily run out of energy, which ultimately affects network performance. Therefore, an effective approach is needed to reduce energy consumption and balance load distribution in sensor networks. This research proposes a Single-Hop Clustering Routing protocol based on Tuna Swarm Optimization (TSO) and Gravitational Search Algorithm (GSA). The TSO algorithm is used to form clusters optimally by minimizing the communication distance between nodes in the cluster, while GSA is applied to select the cluster head (CH) based on factors such as residual energy, distance to the base station (BS), and intracluster distance. Simulation results show that the TSO-GSA algorithm is able to significantly improve energy efficiency and extend network lifetime compared to the reference protocol TSO-FC. In the main scenario with 100 nodes in a 150 × 150 m² area, TSO-GSA recorded a 24.03% increase in network lifetime on LND (1615 rounds compared to 1302 rounds by TSO-FC). However, as a trade-off, FND in TSO-GSA occurs earlier, at 444th round compared to 902nd round in TSO-FC. On the other hand, this protocol is able to maintain higher residual energy, achieving an improvement of 17.22% in the 800th round compared to TSO-FC. Moreover, the TSO-GSA algorithm shows good adaptability to changes in network complexity, with a 26.7% improvement in LND in a 200-node environment. In terms of communication performance, the protocol also increases the total amount of data received by the BS by 12.5% compared to TSO-FC. With these advantages, this study concludes that the TSO-GSA protocol can be an effective solution to optimize energy efficiency and extend network lifetime in WSNs. "

"Education field is one of area have to be paid attention from plagiarism activity. The students are common part related to this criminal activity. They usually get involved in copying the programming assignments, for example source code duplication...."

"Convolutional coding is used widely today, especially in wireless communication. In trnasmitter, the convolutional encoder generates code from input data....."