Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tesis ini menganalisis subjek Islam dalam berbagai bagan klasifikasi yaitu SKI Depag tahun 2003, DDC edisi 22, dan IOCS Ziauddin Sardar. Tujuan penelitian ini adalah mengetahui perbandingan taksonomi ilmu pengetahuan Islam antara SKI Depag dengan bagan Klasifikasi Islam DDC; SKI Depag dengan Islam: Outline of a Classification Scheme; Bagan Klasifikasi Islam DDC dengan Islam: Outline of a Classification Scheme; dan menganalisis ketiga bagan tersebut. Penelitian ini menggunakan pendekatan kuantitatif dengan jenis penelitian komparatif.Berdasarkan hasil penelitian diketahui perbedaan penggunaan notasi dasar, redakasi faset, pembagian cabang ilmu pengetahuan Islam ke dalam kelas utama, pengelompokan kelas, dan tata urut faset pada ketiga bagan tersebut. Terdapat persamaan, yaitu mempunyai perhatian terhadap keilmuan Islam. Selain itu, terdapat kelebihan dan kelemahan pada ketiga bagan klasifikasi Islam tersebut.

---

This research analyzed subject of Islam in a variety of classification scheme, this is System Classification of Islam Departement of Religion (2003), DDC in 22th edition, and IOCS (Ziaudin Sardar). The research purpose is to know taxonomy camparison from Islamic Science between Sytem Classification of Islam Ministry of Religion with Islamic Scheme of DDC in 22th edition, Sytem Classification of Islam Ministry of Religion dengan Islam: Outline of a Classification Scheme?, Islamic Scheme of DDC in 22th edition between Islam: Outline of a Classification Scheme, and analized three of scheme. This research use quantitative approach with comparative research.

Based of research was known the diffrences of basic notation, facet editorial, distribution the branch of Islamic Science in Main Class, grouping of class, fequential order of facet of the three scheme. The are is have attention to Islamic Knowledge. Further more, there are surplus and minus at three scheme of Islam Classification."

"Klasifikasi genre musik merupakan salah satu bidang dari Music Information Retrieval (MIR) yang menggunakan pola-pola spektral dalam rekaman audio digital sebagai fitur untuk membentuk sebuah sistem yang dapat menentukan genre dari sebuah musik secara otomatis. Beberapa model deep learning telah dikembangkan untuk memperoleh performa terbaik dalam melakukan klasifikasi genre musik. Tiga di antaranya adalah Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan model hybrid CNN-LSTM. Walaupun model- model tersebut mampu memberikan hasil yang cukup memuaskan, model-model tersebut memiliki kekurangan masing-masing. Model CNN kurang dapat memperhitungkan urutan-urutan fitur pada data berurutan dan model LSTM tidak dapat melakukan komputasi secara paralel. Ketiga model tersebut juga membutuhkan pengulangan dan konvolusi yang kompleks, serta waktu yang cukup panjang untuk perhitungan berurutan. Transformers merupakan arsitektur model yang tidak lagi mengandalkan recurrence/pengulangan, melainkan mekanisme attention yang dapat memperhitungkan urutan-urutan data pada data berurutan dan melakukan perhitungan paralel sehingga jangka waktu yang dibutuhkan dalam perhitungan lebih singkat. Melihat keberhasilan dan kepopuleran dari Transformer pada berbagai bidang seperti Bidirectional Encoder Representations from Transformers (BERT) pada bidang Natural Language Processing dan Vision Transformers pada bidang Computer Vision, pada skripsi ini dilakukan analisis mengenai kinerja model Transformers dalam permasalahan klasifikasi genre musik dibandingkan dengan model CNN, LSTM, dan CNN-LSTM.

---

Music genre classification is one of the fields of Music Information Retrieval (MIR) that uses spectral patterns in digital audio recording as features to build a system that can automatically classify a music’s genre. Several deep learning models have been developed to get the best performance in classifying music genres. Three of them are Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and hybrid CNN-LSTM model. Although those models can give satisfactory results, each model has their own weakness. CNN is less able to consider the sequences in sequential data and LSTM is not able to do parallel computation. All these models also require complex recurrences and convolutions, as well as quite a long time for sequential calculations. Transformers is a model architecture that no longer relies on recurrences, but rather on an attention mechanism that can consider the sequences in data and perform parallel calculations so that the time required for calculation is shorter. Looking into the success and popularity of Transformers in various fields such as BERT in the field of NLP and Vision Transformers in the field of Computer Vision, this thesis analyzes the performance of Transformers on music genre classification compared to CNN, LSTM, and CNN-LSTM."

"Tanaman padi merupakan salah satu tanaman pangan terpenting di dunia terutama di negara-negara bagian Southeast Asia. Jumlah penduduk di dunia pun semakin meningkat setiap tahunnya sehingga kebutuhan akan makanan pokok seperti beras juga akan semakin meningkat. Namun karena adanya serangan hama dan penyakit pada tanaman padi menyebabkan kualitas dan kuantitas pada tanaman padi menurun sehingga terjadi kerugian besar dalam produksi beras. Untuk mengatasi masalah tersebut, pendeteksian penyakit pada tanaman padi menjadi sangat penting karena dapat mencegah terjadinya penurunan produksi beras. Oleh karena ini, pemrosesan data citra dan machine learning bisa menjadi salah satu cara untuk membantu mempercepat diagnosis penyakit pada tanaman padi. Pada penelitian ini, penulis menggunakan pendekatan deep learning yaitu metode Convolutional Neural Network (CNN) dengan arsitektur Xception untuk mengklasifikasi penyakit pada tanaman padi menggunakan citra daun. Data citra daun tanaman padi yang digunakan dalam penelitian ini adalah Rice Leaf Disease Image Samples yang diambil dari online database mendeley yang berisi 5932 data citra yang terdiri dari empat jenis penyakit daun padi yaitu penyakit hawar daun (Bacterial leaf blight), penyakit blas (Blast), penyakit bercak daun cokelat (brown spot), dan penyakit Tungro. Penulis melakukan tahap preprocessing sepeti crop dan resize agar ukuran citra sesuai dengan input pada model. Selanjutnya, Model akan dibangun melalui data tersebut, yang dilatih menggunakan metode CNN dengan arsitektur Xception. Data di split dengan perbandingan data latih dan data uji 70:30 dan 80:20. Kinerja model dievaluasi dengan nilai accuracy, recall, precision, dan running time. Rata-rata Accuracy, recall, dan precision yang dilakukan dalam 5 kali percobaan didapatkan pada split data 70:30 adalah masing-masing 99.708%, 99.707 %, dan 99.728% dan pada split data 80:20 masingmasing 99,662%, 99,688%, dan 99,687%. Running time yang didapatkan pada split data 70:30 adalah 43 menit dan pada split data 80:20 adalah 49 menit.

---

Rice is one of the most important food crops in the world, especially in Southeast Asian countries. The world's population is increasing every year so that the need for staple foods such as rice will also increase. However, due to pest and disease attacks on rice plants, the quality and quantity of rice plants decreases, resulting in huge losses in rice production. To overcome this problem, disease detection in rice plants is very important because it can prevent a decrease in rice production. For this reason, looking at image data and machine learning can be one way to help encourage disease diagnosis in rice plants. In this study, the author uses a deep learning approach, namely the Convolutional Neural Network (CNN) method with Xception architecture to classify diseases in rice plants using leaf imagery. The rice leaf image data used in this study is the Rice Leaf Disease Image Sample taken from the online mendeley database which contains 5932 image data consisting of four types of rice leaf disease, namely bacterial leaf blight and blast disease. , brown leaf spot disease (brown spot), and Tungro disease. The author performs preprocessing stages such as cropping and resizing so that the image size matches the input in the model. Furthermore, the model that will be built through the data uses the CNN method with the Xception architecture. The data is split with a comparison of training data and test data of 70:30 and 80:20. Value Performance Model with values of accuracy, recall, precision, and running time. The average accuracy, recall, and precision carried out in 5 trials at the 70:30 data split were 99.708%, 99.707%, and 99.728%, respectively, and in the 80:20 data split they were 99.662%, 99.688%, respectively, and 99.687%. The running time obtained in the 70:30 data split is 43 minutes and the 80:20 data split is 49 minutes."

"Kota Depok mengalami pertumbuhan yang pesat dalam hal penduduk dan ekonomi yang menyebabkan tingginya permintaan transportasi. Hal ini mengakibatkan permasalahan transportasi yang memerlukan perencanaan transportasi. Penelitian ini bertujuan untuk menghitung besaran trip rate untuk setiap kategori dari karakteristik rumah tangga yang berpengaruh pada bangkitan perjalanan pada tahun dasar. Penelitian ini dilakukan dengan metode klasifikasi berganda yang berbasis rumah tangga. Uji statistik yang digunakan untuk mendapatkan variabel bebas adalah uji korelasi pearson dan ANOVA.Dari hasil analisis, didapat variabel bebas yang digunakan adalah Kategori Rumah Tangga, Kepemilikan Kendaraan, dan Tingkat Pengeluaran Transportasi. Sedangkan variabel terikatnya adalah perjalanan bekerja, perjalanan sekolah, perjalanan lain-lain, dan total perjalanan. Hasil trip rate yang didapat untuk tiap maksud perjalanan adalah perjalanan bekerja = 2.69 perjalanan/ rumah tangga, perjalanan sekolah = 2.06 perjalanan/ rumah tangga, perjalanan lain-lain = 0.63 perjalanan/ rumah tangga, dan total perjalanan = 5.4 perjalanan/ rumah tangga.

---

Depok city has rapid growth in terms of population and economy leading to high transport demand. This growth makes transportation problems that need transportation management. This study aimed to calculate the trip rate for each category of household characteristics affecting trip generation in the base year. Trip rate model is developed by apply multiple classification method based on household. The statistical test used to obtain independent variable are the Pearson correlation test and ANOVA test.

The analysis show that the independent variables are Household Category, Vehicles Ownership, and Transportation Expenditure Levels, while the dependent variable are work trips, school trips, other trips, and total trips. Trip rate values obtained for each purpose of the trip are a work trip 2.69 trips household, school trips 2.06 trips household, other trip 0.63 trips household, and total trips 5.4 trips household."

"This book describes the Qur’an is the word of God, the Hadith, fiqh, shari'a, sufism, and the dissidents of the community."

"[ABSTRAKPersaingan perusahaan pembiayaan yang begitu ketat serta peluang izin usahayang diperluas oleh pihak OJK, mendorong perusahaan menggunakan teknologi informasi untuk menciptakan keunggulan kompetitif. Namun, keterbatasan bujet dan sumber daya yang ada memaksa perusahaan untuk lebih selektif dengan memprioritaskan kebutuhan bisnis melalui aplikasi. Setiap perusahaan memiliki interpretasi yang berbeda-beda tentang aplikasi, sehingga perlu dirumuskan model yang generik dalam pengklasifikasian aplikasi. Tujuan dari penelitian ini adalah memetakan aplikasi pada perusahaan pembiayaan berdasarkan karakteristik masing-masing kuadran strategic grid. Karakteristik masing-masing kuadran dirangkum dari berbagai teori dan praktik. Dari analisis teori dan praktik tentang strategic grid, terdapat 6 karakteristik untuk kuadran key operational, 7 karakteristik untuk kuadran support, 7 karakteristik untuk kuadran strategic, dan 4 karakteristik untuk kuadran high potential. Karakteristik tersebut dituangkan ke dalam pertanyaan kuesioner. Wawancara dan observasi lapangan dilakukan untuk mengkonfirmasi jawaban atas pertanyan yang diberikan. Dari hasil pemetaan 15aplikasi berdasarkan karakteristik tersebut, diperoleh sebanyak 8 aplikasi dikuadran support, 3 aplikasi di kuadran strategic, 4 aplikasi di kuadran keyoperational, dan 0 aplikasi di kuadran high potential. Berdasarkan hasil pemetaan bahwa perusahaan pembiayaan di Indonesia sudah tergolong ke dalam era Business Intelligence dimana sistem data warehouse sudah dibangun, alat pendukung untuk kebutuhan analisis data sudah tersedia, dan perusahaan tidak lagi bergantung pada TI untuk menyediakan informasi kepada level eksekutif untuk keperluan strategis.

---

ABSTRACTThe competition is so tight in financing companies and the opportunities ofextended business licenses by the OJK, encourage companies to use information technology to create competitive advantage. However, the limitations of budget and resource is forcing companies to be more selective in prioritizing business needs through the application. Each company has different interpretation ofapplications, so it is necessary to formulate a generic model in the classification application. The aim of this research is to map the finance company application based on the characteristics of each quadrant on the strategic grid. Thecharacteristics of each quadrant summarized from various theories and practices. From the analysis of the theory and practice of strategic grid, there are 6 characteristics for key operational quadrant, 7 characteristics for support quadrant, 7 characteristics for strategic quadrant and 4 characteristics for high potential quadrant. These characteristics poured into question questionnaire. Interviews and field observations conducted to confirm the answer of questions. From the mapping of 15 applications based on these characteristics, obtained as many as 8 applications in support quadrant, 3 applications in strategic quadrants, 4 applications in key operational quadrant, and 0 applications in high potentialquadrant. Based on the results of application mapping that the finance company in Indonesia has been classified into a Business Intelligence era where the data warehouse system was built, a supporting tool for requirements analysis of the data is available, and the company is no longer depend on IT to provide information to the executive level for strategic purposes. , The competition is so tight in financing companies and the opportunities ofextended business licenses by the OJK, encourage companies to use informationtechnology to create competitive advantage. However, the limitations of budgetand resource is forcing companies to be more selective in prioritizing businessneeds through the application. Each company has different interpretation ofapplications, so it is necessary to formulate a generic model in the classificationapplication. The aim of this research is to map the finance company applicationbased on the characteristics of each quadrant on the strategic grid. Thecharacteristics of each quadrant summarized from various theories and practices.From the analysis of the theory and practice of strategic grid, there are 6characteristics for key operational quadrant, 7 characteristics for support quadrant,7 characteristics for strategic quadrant and 4 characteristics for high potentialquadrant. These characteristics poured into question questionnaire. Interviews andfield observations conducted to confirm the answer of questions. From themapping of 15 applications based on these characteristics, obtained as many as 8applications in support quadrant, 3 applications in strategic quadrants, 4applications in key operational quadrant, and 0 applications in high potentialquadrant. Based on the results of application mapping that the finance company inIndonesia has been classified into a Business Intelligence era where the datawarehouse system was built, a supporting tool for requirements analysis of thedata is available, and the company is no longer depend on IT to provide information to the executive level for strategic purposes. ]"

"ABSTRAKTerjadinya kontak antara dua bahasa dapat menghasilkan beberapa fenomena, contohnya peminjaman kata. Dalam bahasa Jerman, peminjaman kata yang berasal dari bahasa Inggris disebut juga dengan Anglizismus. Penggunaan Anglizismus dalam media cetak di Jerman bertujuan untuk menjadi unsur yang menarik perhatian pembacanya. Dalam tulisan ini, penulis akan menganalisis Anglizismus yang ditemukan dalam sampul majalah Laviva tahun 2013. Tujuan penelitian ini adalah membagi kata tersebut dengan menggunakan teori klasifikasi peminjaman kata dan juga. Hasil penelitian ini menunjukkan bahwa kata-kata bahasa Jerman masih terpengaruh oleh bahasa Inggris dan beberapa bahasa lainnya, serta penggunaannya juga masih dilakukan secara merata di dalam sampul majalah untuk menarik perhatian.

---

ABSTRACTThe occurrence of contact between two languages may result in several phenomena, and one of the examples is word borrowing. In German, borrowing a word that is derived from English is also called Anglicism. The use of Anglicism in the print media in German aims to be an element that attracts the attention of its readers. In this paper, the author will analyze Anglicism found in the cover of Laviva magazine in 2013. The purpose of this research is to divide the word by using the theory of classification of word borrowing and also to provide a morphological explanation of the formation of Anglicism. The result of this research shows that German words are still influenced by English and several other languages, and their use is still done evenly in the magazine cover to attract attention."

"Credit scoring adalah suatu proses dalam mengevaluasi kelayakan kredit dari suatu individu. Credit Scoring perlu dilakukan perusahaan keuangan untuk meminimalisir risiko kredit, karena credit scoring dapat menentukan kelayakan debitur. Salah satu perusahaan keuangan yang menyediakan jasa pinjaman berbasis P2P (Peer-to-Peer) yang menerapkan credit scoring dalam evaluasi debitur adalah LendingClub. Pada skripsi ini dilakukan klasifikasi multikelas credit scoring berdasarkan status pinjaman (loan status) yang terdiri dari 3 kelas, yaitu default, fully paid, dan late. Klasifikasi multikelas credit scoring dapat dilakukan dengan salah satu pendekatan machine learning, yaitu supervised learning. Metode supervised learning yang digunakan yaitu random forest. Random forest adalah suatu metode pencarian informasi berbasis tree dengan setiap tree memuat kumpulan variabel acak. Implementasi model random forest dilakukan dengan menggunakan tiga skenario strategy sampling SMOTE yang berbeda. Implementasi model pada tiap skenario dilakuan sebanyak 5 kali percobaan dan dievaluasi menggunakan precision, recall, f1-score, accuracy, dan AUC one vs all. Rata-rata accuracy terbaik adalah sebesar 0,78; dan rata-rata AUC one vs all terbaik adalah sebesar 0,679179. Sedangkan untuk hasil evaluasi berdasarkan tiap kelas, pada kelas default, precision terbaik adalah sebesar 0,39; recall terbaik adalah sebesar 0,27; dan f1-score terbaik adalah sebesar 0,28. Pada kelas fully paid, precision terbaik adalah sebesar 0,82; recall terbaik adalah sebesar 0,95; dan f1-score terbaik adalah sebesar 0,88. Pada kelas late, precision terbaik adalah sebesar 0,02; recall terbaik adalah sebesar 0,02; dan f1-score terbaik adalah sebesar 0,02. Secara keseluruhan, hasil evaluasi model pada ketiga skenario hanya baik dalam memprediksi kelas 1 (fully paid), tetapi kurang baik dalam memprediksi kelas 0 (default) dan kelas 2 (late). Hal tersebut diduga terjadi akibat dataset yang terdapat imbalance data dan class overlap.

---

Credit scoring is a process in evaluating the creditworthiness of an individual. Credit scoring needs to be done by financial companies to minimize credit risk, because credit scoring can determine the eligibility of debtors. One financial company that provides P2P (Peer-to-Peer) based loan services that applies credit scoring in debtor evaluation is LendingClub. In this thesis, a multiclass classification of credit scoring based on loan status was carried out consisting of 3 classes, namely default, fully paid, and late. Multiclass classification of credit scoring can be done with one of the machine learning approaches, namely supervised learning. The supervised learning method used is random forest. Random forest is a tree-based method of retrieving information with each tree containing a random set of variables. The implementation of the random forest model was carried out using three different SMOTE strategy sampling scenarios. Model implementation in each scenario was carried out 5 times and evaluated using precision, recall, f1-score, accuracy, and AUC one vs all. The best average accuracy is 0.78; and the best average AUC of one vs all is 0.679179. As for the evaluation results based on each class, in the default class, the best precision is 0.39; The best recall was 0.27; and the best F1-score is 0.28. In the fully paid class, the best precision is 0.82; The best recall is 0.95; and the best F1-score is 0.88. In the late class, the best precision is 0.02; The best recall is 0.02; and the best F1-score is 0.02. Overall, the results of model evaluation in all three scenarios were only good at predicting class 1 (fully paid), but less good at predicting class 0 (default) and class 2 (late). This is thought to occur due to datasets that contain data imbalances and class overlap"