Hasil Pencarian  ::  Simpan CSV :: Kembali

"Misalkan G adalah graf dengan himpunan simpul V = V(G) dan himpunan busur E = E(G), dimana |V(G)| dan |E(G)| menyatakan banyaknya simpul dan busur pada G. Suatu pemetaan dari V E ke himpunan bilangan bulat 1, 2, ..., |V|+|E| disebut pelabelan total simpul ajaib pada G jika merupakan pemetaan bijektif dengan sifat bahwa untuk setiap simpul v V, (v) + u N(v) (uv) = k dimana N(v) adalah himpunan semua simpul yang bertetangga dengan v. Nilai k disebut konstanta ajaib dari . Algoritma pelabelan sembarang graf secara umum bersifat NP-complete. Baker dan Sawada telah memberikan algoritma pelabelan total simpul ajaib pada graf lingkaran C n dan graf roda W n . Pada skripsi ini, algoritma lingkaran tersebut akan dibahas. Selain itu, akan dibangun algoritma pelabelan dan graf kecebong T m,n . total simpul ajaib pada graf matahari C n ⊙ Menggunakan algoritma-algoritma tersebut dapat dihasilkan semua pelabelan total simpul ajaib pada graf yang terkait. Algoritma-algoritma ini akan diimplementasikan menggunakan program. Sebagai hasil implementasi dilakukan simulasi yang memberikan banyaknya pelabelan total simpul ajaib yang berbeda dari graf lingkaran C n dengan 3 ≤ n ≤ 10, graf matahari C n ⊙ dengan 3 ≤ n ≤ 7, dan graf kecebong T m,n dengan 3 ≤ m ≤ 7, 1 ≤ n ≤ 5 untuk setiap nilai k yang mungkin.

---

Let graph G has vertex set V = V(G) and edge set E = E(G), and let |V(G)| and |E(G)| is the number of vertices and edges on G. A one-to-one map from V E onto {1, 2, ..., |V|+|E|} is a vertex magic total labeling if there is a constant k so that for every vertex v V, (v) + u N(v) (uv) = k where N(v) denoted the set of vertices adjacent to v. The constant k is called the magic constant of . In general, the labeling algorithms on any graphs is NP-complete. In their paper, Baker and Sawada give the vertex magic total labeling algorithms on cycle graph C n and wheel graph W n . This skripsi explains the vertex magic total labeling algorithm on cycle from Baker and Sawada and vertex magic total labeling algorithms on sun graph C n ⊙ and tadpole graph T m,n . Using these algorithms, all non-isomorphic vertex magic total labelings on those classes of graphs can obtained. These algorithms are implemented as computer programs. From simulations, we get the number of non-isomorphic vertex magic total labelings on cycles C n (3 ≤ n ≤ 10), suns C n ⊙ (3 ≤ n ≤ 7), and tadpoles T m,n (3 ≤ m ≤ 7, 1 ≤ n ≤ 5) for every possible value of k."

"Skema pembagian rahasia adalah metode untuk membagikan rahasia ke yaitu himpunan berhingga partisipan dengan sedemikian sehingga jika partisipan-partisipan anggota memenuhi syarat untuk mengetahui rahasia tersebut, maka dengan menggabungkan secara bersama informasi partisipan-partisipan tersebut dapat merekonstruksi rahasia . Namun untuk sembarang partisipan-partisipan anggota yang tidak memenuhi syarat untuk mengetahui rahasia , tidak dapat merekonstruksi rahasia. Secara umum, skema pembagian rahasia terbagi menjadi 2 tahap yaitu tahap distribusi dan tahap rekonstruksi. Pelabelan jarak ajaib pada suatu graf yang berorder n adalah suatu pemetaan bijektif yang memetakan himpunan berhingga tak kosong simpul-simpul ke himpunan bilangan bulat dimana ada suatu konstanta sedemikian sehingga untuk setiap simpul berlaku Σ dengan adalah himpunan simpul yang bertetangga dengan x. Pada skripsi ini, akan dibahas mengenai konstruksi skema pembagian rahasia menggunakan pelabelan jarak ajaib dimana graf yang digunakan adalah graf lengkap multipartit Pada skema ini, nilai konstanta menjadi rahasia yang ingin diketahui.

---

A secret sharing scheme is a method to share a secret to that is a finite set of participants in such a way that if the participants in A P are qualified to know the secret, then by pooling together their partial information, they can reconstruct the secret . However, for any participants in B P which is not qualified to know the secret , cannot reconstruct the secret. In general, secret sharing scheme is divided into two phases namely distribution phase and reconstruction phase. A distance magic labeling on a graph with order is a bijection with the property that there is a constant such that at any vertex, Σ where is the set of vertices adjacent to. In this skripsi, we discuss the construction of secret sharing schemes using distance magic labeling where the graph is a complete multipartite graph. In this scheme, the value of the constant is a secret that we want to know."

"Misalkan G(p,q) adalah suatu graf dengan p simpul dan q busur dengan himpunan simpul V dan himpunan busur E. Suatu graf G(p,q) dikatakan harmonis ganjil jika terdapat fungsi injektif f: V(G) → {0,1,2,….,2q-1} sedemikian sehingga menginduksi pemetaan f*(uv) = f(u) + f(v) yang merupakan fungsi bijektif f*: E(G) → {1,3,5,….,2q-1}. Pelabelan harmonis ganjil untuk graf korona, (Cn⊚Kr Komplemen) dan graf gabungan korona isomorfis, m(Cn⊚Kr Komplemen) untuk n ≡ 0(mod 4) sudah diketahui. Pada skripsi ini akan diberikan konstruksi pelabelan harmonis ganjil pada graf korona (Cn⊚Kr Komplemen) dan graf gabungan korona isomorfis, m(Cn⊚Kr Komplemen) untuk n ≡ 2(mod 4) sebagai pelengkap dari hasil yang sudah ada.

---

Let G(p,q) be a graph with p vertices and q edges with set of vertices V and set of edges E. A graph G (p, q) is said to be odd harmonious if there exists an injection f: V(G) → {0,1,2,…,2q-1}, such that induced mapping f* (uv) = f(u) + f(v) is a bijection f*: E(G) → {1,3,5,…,2q-1}. Odd harmonious labeling for corona graph, (Cn⊚Kr Complement) and union of isomorphic corona graphs, m(Cn⊚Kr Complement) for n ≡ 0(mod 4) have been found. In this skripsi, it will be given a construction of an odd harmonious labeling on the corona graph, C_n⊚(K_r ) ̅ and union of isomorphic corona graph, m(Cn⊚Kr Complement) for n ≡ 2(mod 4) as a complement of the known result."

"Pengaruh suatu variabel terhadap variabel lain seringkali dipengaruhi oleh adanya variabel mediasi. Dengan adanya variabel mediasi, total pengaruh dari variabel penjelas laten terhadap variabel dependen laten merupakan penjumlahan dari pengaruh langsung dan tidak langsung dari variabel-variabel terkait. Pengaruh langsung dan tidak langsung dari variabel penjelas laten terhadap variabel dependen laten melalui variabel mediasi laten dapat dicari dengan metode SEM. Jika metode SEM tersebut dilakukan pada beberapa penelitian similar maka pengaruh langsung dan tidak langsung dapat dicari dengan metode meta-SEM. Dalam metode meta-SEM digunakan taksiran gabungan untuk koefisien korelasi yang didapat dengan metode meta-analisis sebagai entry pada matriks input metode SEM. Metode meta-SEM akan diterapkan untuk mencari total pengaruh variabel Brand Experience terhadap variabel Customer Attachment melalui variabel mediasi Loyalty pada penelitian perbankan yang dilakukan oleh suatu perusahaan market riset.

---

The effect of variables to the other variables usually affected by a mediation variable. By the existence of mediation variable, total effect from an independent latent variable to a dependent latent variable is addition of direct effect and indirect effect from the ralated variables. The direct effect and the indirect effect from independent latent variables to dependent latent variables through mediation latent variable are founded by SEM method. In case where some similar researches use SEM method so the direct effect and indirect effect from independent latent variables to dependent latent variables through mediation latent variable are founded by meta-SEM method. Meta-SEM method use a joint statistical inference for correlation coefficient which is determined by meta-analysis method as entries of input matrix in SEM method. In banking research that being worked by research market company, meta-SEM method will be used to find total effect from Brand Experience variable to Customer Attachment variable through Loyalty mediation variable in the banking research from research market company."

"Pendeteksian topik merupakan suatu proses untuk mendapatkan topik dari suatu koleksi dokumen. Salah satu metode yang dapat digunakan untuk mendeteksi topik adalah nonnegative matrix factorization (NMF). Pada penelitian ini topik berita pada Twitter dideteksi menggunakan algoritma NMF berbasis metode langsung. Terdapat tiga tahap untuk menyelesaikan NMF berbasis metode langsung, yakni membentuk matriks kookurensi kata-kata, mencari kata anchor dan mencari matriks kata-topik. Pendeteksian topik dilakukan dengan jumlah topik yang berbeda-beda. Setelah didapatkan hasil berupa topik-topik dari pembicaraan di Twitter, kemudian tingkat akurasi topik-topik tersebut dianalisis menggunakan satuan topic recall, term precision dan term recall. Jumlah topik yang berbeda akan mempengaruhi tingkat akurasi topik-topik hasil NMF berbasis metode langsung.Pendeteksian topik merupakan suatu proses untuk mendapatkan topik dari suatu koleksi dokumen. Salah satu metode yang dapat digunakan untuk mendeteksi topik adalah nonnegative matrix factorization (NMF). Pada penelitian ini topik berita pada Twitter dideteksi menggunakan algoritma NMF berbasis metode langsung. Terdapat tiga tahap untuk menyelesaikan NMF berbasis metode langsung, yakni membentuk matriks kookurensi kata-kata, mencari kata anchor dan mencari matriks kata-topik. Pendeteksian topik dilakukan dengan jumlah topik yang berbeda-beda. Setelah didapatkan hasil berupa topik-topik dari pembicaraan di Twitter, kemudian tingkat akurasi topik-topik tersebut dianalisis menggunakan satuan topic recall, term precision dan term recall. Jumlah topik yang berbeda akan mempengaruhi tingkat akurasi topik-topik hasil NMF berbasis metode langsung.

---

Topic detection is a process to get the topic of a collection of documents. One method that can be used to detect the topic is nonnegative matrix factorization (NMF). In this research, the topic of the news on Twitter detected using NMF algorithm based on the direct method. There are three stages to complete NMF-based direct method, they are, form the word-word coocurence matrix, look for the anchor word and seek word-topic matrix. Topic detection performed by the different numbers of topic. Once the results are obtained in the form of topics of conversation in Twitter, then the level of accuracy of these topics were analyzed using the unit topic recall, term precision and term recall. Number of different topics will affect the accuracy of topics results of NMF-based direct method."