Hasil Pencarian  ::  Simpan CSV :: Kembali

"Graph clustering adalah pengelompokkan simpul-simpul pada suatu graf menjadi cluster-cluster. Ada berbagai macam algoritma graph clustering yang dapat diterapkan pada graf berbobot, di antaranya adalah algoritma yang berbasis MST (Minimum Spanning Tree). Kelebihan dari algoritma graph clustering yang berbasis MST adalah mampu mendeteksi bentuk cluster yang tidak beraturan. Algoritma graph clustering berbasis MST yang dibahas dalam penelitian ini adalah Maximum Standard Deviation Reduction atau disingkat MSDR. Algoritma tersebut bersifat unsupervised, yang artinya banyaknya cluster tidak ditetapkan oleh pengguna. MSDR memiliki dua tujuan. Tujuan yang pertama adalah membentuk cluster-cluster dimana pada masing-masing cluster, busur-busurnya memiliki nilai bobot yang serupa. Tujuan yang kedua adalah menjaga agar banyaknya cluster yang terbentuk, tidak terlalu banyak. Pada algoritma MSDR, tujuan yang kedua dipenuhi melalui suatu proses yang menggunakan regresi polinomial. Dalam penelitian ini, dilakukan modifikasi MSDR dengan menggantikan proses yang menggunakan regresi tersebut dengan suatu proses baru yang disebut "Loncatan Terbesar", sehingga dihasilkan algoritma baru yang disebut Modifikasi MSDR atau disingkat MMSDR. Dilakukan implementasi MMSDR pada beberapa graf lengkap Euclidean, yaitu graf lengkap yang setiap simpulnya adalah titik di suatu ruang Rn dan setiap busurnya diberi bobot yang berupa jarak Euclidean antara dua titik. Kemudian dilakukan implementasi MMSDR pada graf yang memodelkan rute penerbangan domestik di Indonesia oleh suatu maskapai X.

---

Graph clustering is the grouping of vertices in a graph into clusters. There are various clustering algorithms for weighted graphs, for example a graph clustering algorithm which is based on MST (minimum spanning tree). The advantage of MST-based clustering is that it allows the detection of clusters with irregular boundaries. An MST-based clustering known as MSDR (Maximum Standard Deviation Reduction) is studied in this research. MSDR is an unspervised clustering, in which the number of clusters is not dictated by the user. There are two goals of MSDR. The first goal is to produce clusters such that in each cluster the edges have similar weights. The second goal is to prevent the formation of too many clusters. In MSDR, the second goal is met through a process that uses polynomial regression. In this research, MSDR is modified by replacing the process that uses polynomial regression with a new process that is called "largest jump". A new algorithm is produced, which is called Modified MSDR (MMSDR). MMSDR is implemented on several complete Euclidean graphs, where a Euclidean graph is a graph whose vertices are points in a space Rn and the weight of an edge is the distance between the endpoints. MMSDR is also implemented on a graph that models domestic flight routes in Indonesia of an unidentified airline X. As a validation, MMSDR is tested on several Euclidean data, and the result is compared to visually-identified clusters. Afterwards, MMSDR is implemented on a graph that models the domestic flight routes of an airline in Indonesia."

"Salah satu cara untuk mengetahui fungsi dari ekpresi gen (DNA/Protein) adalah dengan analisis kelompok (Clustering). Metode pengelompokan HOPACH mengkombinasikan agglomerative dan partisi. Partisi yang dapat digunakan antara lain PAM, SOM, dan K-Means yang termasuk dalam hard clustering. Dalam beberapa kasus karena beberapa hal pengelompokkan objek dengan hard clustering menjadi kurang tepat. Karena itu kemudian muncul teori himpunan fuzzy (kabur, tidak pasti) yang mendasari berkembangnya metode fuzzy clustering. Salah satu metode fuzzy clustering adalah metode Fuzzy c-means (FCM) yang merupakan perkembangan dari k-means. Hasil dari penerapan algoritma partisi fuzzy c-means dalam metode pengelompokan HOPACH adalah algortima pengelompokan dengan langkah-langkah: ekstraksi ciri dengan n-mers frecuency, normalisasi, partisi dengan FCM, menentukan kelompok terbaik dengan mencari nilai MSS minimum, ordering, dan collapsing. Hal ini dilakukan berulang kali sampai kriteria berhenti terpenuhi. Penerapan algoritma ini dilakukan dengan program R. Pada penerapan algoritma partisi dalam metode HOPACH clustering, langkah normalisasi tidak perlu dilakukan, karena FCM sendiri sudah mengatasi masalah adanya outliers. Kekurangan dari penerapan ini adalah running time program yang cukup lama untuk nilai batas toleransi yang kecil.

---

One of the way to know the function of gene expression by clustering analysis. HOPACH clustering is combine thea agglomerative and partition method. The partition are PAM, SOM, and K-means which is part of hard clustering. In some cases because of the placement object in to a cluster with hard clustering can cause an error. So that is the reason why fuzzy set theory occurs and became the foundation of fuzzy clustering. One of the fuzzy clustering methods is Fuzzy C-means (FCM) which is developed from K-means.

The result from the implementation of FCM partitioning algorithm in HOPACH clustering method is the clustering algorithm which the steps are: characteristic extraction, normalization, partition using FCM, choosing the best cluster with the minimum MSS, ordering and collapsing. The process need done by iteration until the stopping criteria has reached. The implementation of this algorithm is use R program. In the implementation of FCM partitioning algorithm in HOPACH clustering method, normalization process can be deleted, because the FCM already sole the outliers problem. This disadvantage of this implementation is the running time program need quite along time for the small tolerance limits."

"Indonesia sebagai negara kepulauan memiliki lebih dari 17 ribu pulau. Hal ini menyebabkan adanya tantangan tersendri untuk mewujudkan konektivitas antar pulaunya, terutama pada daerah terpencil dan tertinggal. Pelayaran perintis merupakan pelayaran yang disubsidi oleh pemerintah Indonesia dengan tujuan utama meningkatkan perekonomian di daerah terpencil dan tertinggal. Namun saat ini, kinerja pelayaran perintis masih belum optimal untuk mencapai tujuan tersebut. Hal tersebut ditandai dengan lamanya round voyage suatu trayek yang dapat mencapai 14 hari serta rendahnya capaian target voyage pelayaran perintis. Oleh karena itu, perlu adanya evaluasi serta efisiensi rute pelayaran perintis. Salah satu yang dapat dilakukan untuk meningkatkan efisiensi rute pelayaran perintis adalah dengan melakukan re-routing trayek pelayaran perintis. Penelitian ini melakukan re-routing pelayaran perintis di wilayah NTT-Maluku Barat Daya dengan pertama melakukan clustering menggunakan DBSCAN (Density-Based Spatial Clustering of Applications with Noise) serta optimasi dengan pendekatan TSP (Travelling Salesman Problem). Hasil yang didapatkan adalah terdapat pengurangan dari rata-rata jarak tempuh trayek pelayaran perintis sebesar 55% (dari 1276 NM menjadi 569,3 NM) serta pengurangan angka rata-rata lama round voyage trayek sebesar 74% (dari 13,3 hari menjadi 3,5 hari). Selain itu, terjadi penurunan ketimpangan antar trayeknya yang dilihat dari nilai jangkauan (range) dari jumlah pelabuhan, jarak tempuh, serta lama round voyage pada trayek pelayaran perintis di wilayah NTT-Maluku Barat Daya.

---

Indonesia, as an archipelagic country, has more than 17,000 islands. This causes challenges in realizing inter-island connectivity, especially in remote and underdeveloped areas. Pelayaran Perintis is a shipping program that the Indonesian government subsidizes to improve the economy in remote and underdeveloped areas. However, the performance of Pelayaran Perintis is still not optimal for achieving this goal. This is indicated by the length of the round voyage of a route that can reach 14 days and the low achievement of the Pelayaran Perintis voyage target. Therefore, there is a need for evaluation and efficiency of Pelayaran Perintis routes. One thing that can be done to increase the efficiency of Pelayaran Perintis routes is by re-routing Pelayaran Perintis routes. This study re-routes Pelayaran Perintis in the NTT-Maluku Southwest region by first clustering using DBSCAN (Density-Based Spatial Clustering of Applications with Noise) and optimization with the TSP (Travelling Salesman Problem) approach. The results obtained are a reduction in the average mileage for Pelayaran Perintis routes by 55% (from 1276 NM to 569.3 NM) and a reduction in the average length of round voyage routes by 74% (from 13.3 days to 3, 5 days). In addition, there has been a decrease in inequality between routes, which can be seen from the range value of the number of ports, distance traveled, and round voyage length on Pelayaran Perintis routes in the NTT-Southwest Maluku region."

"Permasalahan banyak benda (many-body) secara lengkap, dimana melibatkan interaksi elektron-ion dan interaksi elektron-elektron, merupakan permasalahan yang sulit untuk dipecahkan secara eksak. Pendekatan first-principles seperti Density Functional Theory (DFT) telah menjadi pilihan yang populer untuk mengamati band structure secara lengkap pada suatu material. Bagaimanapun juga, terlepas dari perumusannya yang telah mapan, hal itu tetap menjadi tantangan besar untuk menggunakan pendekatan DFT untuk mengamati efek yang yang disebabkan oleh korelasi yang kuat antara elektron secara benar. Saat ini telah diperkenalkan pendekatan yang menggabungkan DFT dengan pendekatan diagram Feynman, yang disebut metode GW, untuk mengoreksi efek dari interaksi antara elektron. Terlepas dari beberapa keberhasilan dari pendekatan GW berbasis DFT ini, pendekatan ini memiliki kekurangan yaitu tidak cukup eksibel untuk digunakan untuk memecahkan masalah dengan interaksi yang lain, seperti interaksi magnetik. Pada skripsi ini, kami memperkenalkan algoritma metode GW dalam kerangka tight- binding. Kami turunkan setiap langkah pada algoritma secara lengkap dengan menggunakan diagram Feynman dan konsep analytic continuation untuk mengekspresikan besaran-besaran fisika pada real frequency. Untuk tujuan tertentu, kami tertarik untuk menerapkan algoritma ini pada sistem graphene dengan harapan menggunakan metode ini untuk sifat optik sistem graphene dengan berbagai jenis interaksi tambahan dalam waktu mendatang.

---

The full many-body problem in condensed-matter physics, in which electronion as well as electron-electron (e-e) interactions play crucial roles, is very tough to solve exactly. To explore the details of the band structure of the material, a first-principles approach such as Density Functional Theory (DFT) has become a popular choice. However, a part from its well-established formulation, it remains a big challenge to use such an approach to capture effects arising from strong correlations among the electrons correctly. Nowadays, an approach to combine DFT with a Feynman diagrammatic approach, so called the GW method, to address the effects of e-e interactions, has been introduced. Despite some successes of the DFT-based GW approach, there is an issue that this approach does not seem exible enough to use for solving problems with other types of interactions, such as magnetic interactions. In this skripsi, we aim to introduce an algorithm of the implementation of GW method in the frame of tight-binding approximation. We rigorously derive each step in the algorithm with the aid of Feynman diagrams, and the concept of analytic continuation to express the physical quantities of interest in real frequency. For a particular purpose, we are interested to apply this algorithm to graphene in hope of using this method address optical properties of graphene systems with various kinds of additional interactions in the near future."

"Tugas akhir ini membahas algoritma sistolik untuk Perkalian Matriks Bujur Sangkar dalam 2 versi dengan kompleksitas waktu O(n). Algoritma tersebut adalah algoritma Sistolik Perkalian Matriks 1 (Systolic Matrix Multiplicatian 1) disingkat dengan SPM-1 dan algoritma Sistolik Perkalian Matriks 2 (SysioLic Matrix Multiplication 2) disingkat dengan SPM-2. Diberikan juga algoritma Sistolik untuk Penutup Transitif-Ref1eksif (Systolic Transitive Closure) disingkat dengan STC dari Guibas-Kung-Thornpson dengan kompleksitas waktu O(n)."

"Kompresi citra adalah proses mengurangi ukuran dari citra dengan mengurangi kualitas dari citra tersebut. Metode Fraktal yang digunakan bekerja dengan mencari kemiripan pada piksel-piksel citra dan mengelompokkannya dalam beberapa cluster. Semakin tinggi tingkat kemiripan pada citra, rasio kompresi akan semakin baik. Pada citra berwarna (RGB) metode tersebut diulang sebanyak tiga kali, masing-masing untuk satu elemen warna. Hasil akhir dari proses kompresi adalah tiga virtual codebook, masing-masing untuk satu elemen warna, yang menyimpan nilai dari brightness, contrast, dan tipe transformasi affine yang digunakan untuk tiap cluster. Proses dekompresi dari metode ini adalah dengan membentuk citra kosong dengan resolusi yang sama dengan citra asli dan mengisikan nilai RGB pada tiap piksel yang bersangkutan dengan menghitung nilai yang tersimpan pada virtual codebook. Dengan menggunakan nilai Coefficient of Variation (CV) sebagai penyesuaian nilai standar deviasi dan 57 citra BMP24-bit, hasil pengujian menunjukkan rasio kompresi rata-rata sebesar 41.79%. Dengan metode paralel yang digunakan, proses kompresi citra berwarna menunjukkan rata-rata nilai speed-up sebesar 1.69 dan nilai efisiensi prosesor sebesar 56.34%.Image compression is a process of reducing the size of the image by reducing the quality of the image. Fractal method is used to work by searching for similarities in the image pixels, and group them in clusters. The higher the degree of resemblance to the image, the better the compression ratio. In the color image (RGB) the method is repeated three times, each for one color element.The end result of the compression process is a three virtual codebook, each for one color element, which stores the value of the brightness, contrast, and the type of affine transformation are used for each cluster. Decompression process of this method is to form a blank image with the same resolution with the original image and fill in the RGB values at each pixel corresponding to the count value stored in the virtual codebook.By using the Coefficient of Variation (CV) as an adjustment value and standard deviation of 57 pieces of 24-bit BMP images, test results showed an average compression ratio of 41.79%. With the parallel method is used, the compression process of color image shows the average speed-up values of 1.69 and the processor efficiency of 56.34%."

"ABSTRAKThesis ini membahas metoda penyelesaian langsung faktorisasiLU paralel untuk matrik sparse tak simetri dari sistempersamaan linier Ax = b dengan A e ~nxn dan x, b e ~n.Keparalelan dilakukan dengan cara memanfaatkan sparsitasmatrik. Algoritma paralel faktorisasi LU matrik sparsemelakukan pencarian himpunan pivot kompatibel dengan ukuranm dan dilanjutkan dengan update rank-m. Dalam pencarianhimpunan pivot kompatibel digunakan strategi Markowitz.Algoritma ini didasarkan pada model komputasi Shared-MemoryMIMD CREW. Maksimum level sparsitas matrik dihadirkan sebagaikriteria penggunaan algoritma tersebut di atas. Perkiraanbatas bawah speedup dan efisiensi waktu pemrosesan diberikansecara semi analitis. Disajikan pula hasil experimen darihasil kerja algoritma di atas yang diimplementasikan secarasimulasi."

"Tugas akhir ini membahas 2 algoritma untuk menentukan himpunan bebas maksimum pada graph busur sirkular. Algoritma tersebut adalab algoritma dari LEUNG dan algoritma dari MASUDA NAKAJIMA. Kemudian dilakukan perbandingan pada kedua algonitma tersebut untuk menentukan algoritma yang terbaik ditinjau dari sudut kompleksitas waktu."