Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAK Penelitian ini bertujuan untuk memperoleh peran ACAP bagi organisasi gunamenentukan hasil-hasil organisasi (organizational outcomes) sehingga perludijadikan prioritas utama serta dimensi-dimensi ACAP yang berperan signifikanbagi pencapaian hasil-hasil organisasi untuk lembaga pemerintah bidangpenelitian, pengembangan dan kerekayasaan. Penelitian menggunakan metodeMCDM (AHP-TOPSIS). Hasil penelitian menemukan bahwa manajemen inovasiadalah hasil (outcome) organisasi yang paling penting bagi organisasi dan perlumenjadi prioritas fokus perhatian utama bagi keberhasilan organisasi secarakeseluruhan. Outcomes organisasi berikutnya yang tetap harus diperhitungkansesuai dengan urutan peringkat kepentingannya adalah manajemen teknologi,manajemen pengetahuan, performansi organisasi, dan pembelajaran organisasi.Dimensi ACAP yang paling berpengaruh dan strategis bagi keberhasilanmanajemen inovasi khususnya dan hasil organisasi umumnyaadalah dimensiaplikasi dengan sub dimensi keaktifan dalam teknologi, eksploitasi pengetahuanbaru, pengembangan paten, dan penerapan pengalaman. Tiga dimensi ACAPlainnya yang tetap memiliki peran terhadap organisasi sesuai bobotnya masingmasing adalah dimensi transformasi, asimilasi, dan akuisisi.

---

ABSTRACT This study aimed to obtain the role of ACAP for the organization in order todetermine organizational outcomes that need to be a top priority as well as thedimensions of ACAP that contribute significantly to the achievement oforganizational outcomes for government agencies fields of research, developmentand engineering. Research using MCDM method (AHP-TOPSIS). The resultsfound that management innovation is the most important of organizationaloutcomes for the organization and should be a priority focus of major concern forthe success of the organization as a whole. Other outcomes that followingorganizations and still have to be calculated in accordance with the rank order ofimportance is technology management, knowledge management, organizationalperformance, and organizational learning. Most influential and strategicdimension of ACAP’s to the success of innovation management in particular andorganizational outcomes over all is dimension of application with has subdimensional of active in technology, exploitation of new knowledge, thedevelopment of paten, and implementation of experiences. Other three dimensions,of ACAP still have a role based on the weight of each dimension, are dimensionof transformation, assimilation, and acquisition."

"Tugas akhir ini membahas mengenai konsep dasar penentuan premi bersih dari reasuransi non proporsional yang merupakan aplikasi dari teori risiko khususnya pada model risiko kolektif."

"Pendeteksian topik merupakan suatu teknik untuk memperoleh informasi dengan cara mengekstrak topik-topik dari kumpulan data yang sangat besar. Salah satu metode yang digunakan untuk pendeteksian topik adalah metode clustering, yaitu Fuzzy C-Means (FCM). Namun, kinerja dari FCM menjadi buruk saat harus melakukan clustering pada data yang berdimensi tinggi. Kelemahan dari FCM tersebut dapat ditanggulangi dengan cara melakukan reduksi dimensi. Pada penelitian ini, digunakan suatu metode deep learning, yaitu Deep Autoencoders (DAE), untuk mereduksi dimensi dari kumpulan data. Metode FCM clustering dengan reduksi dimensi DAE ini disebut Deep Autoencoders-Based Fuzzy C-Means (DFCM). Metode DFCM dibagi menjadi dua tahapan, yakni mereduksi dimensi kumpulan data yang berdimensi tinggi menggunakan Deep Autoencoders, dan melakukan FCM clustering pada data yang telah direduksi. Hasil dari metode DFCM adalah topik-topik. Topik-topik tersebut dievaluasi menggunakan nilai coherence. Pada penelitian ini, dibangun dua metode DFCM, yaitu FCM berbasis DAE dengan satu lapisan tersembunyi (DFCM-single hidden layer) dan FCM berbasis DAE dengan multi lapisan tersembunyi (DFCM-multi hidden layers). Hasil dari kedua metode ini menunjukkan bahwa topik-topik pada DFCM-single hidden layer memiliki nilai coherence lebih tinggi dari topik-topik pada DFCM-multi hidden layers.

---

Topic detection is a technique to find out information by extracting topics from big data. One method used for topic detection is the clustering method, namely Fuzzy C-Means (FCM). However, the performance of FCM becomes worse when clustering on highdimensional data. That weakness is resolved by dimensional reduction. In this research, deep learning method is used to reduce the dimensions of the data set, namely Deep Autoencoders (DAE). FCM clustering method with DAE dimensional reduction is called Deep Autoencoders-Based Fuzzy C-Means (DFCM). DFCM is divided into two parts. First, reducing the dimensions of high-dimensional data collection using Deep Autoencoders. Second, performing FCM clustering on the reduced data. Results of DFCM are topics. These topics are evaluated using the value of coherence. In this research, two DFCM methods were built, namely DAE with one hidden layer based FCM (DFCM-single hidden layer) and DAE with multi-hidden layers based FCM (DFCMmulti hidden layers). The results of these two methods show that the topics in DFCMsingle hidden layer have a higher coherence value than the topics in DFCM-multi hidden layers."

"ABSTRAKTesis ini membahas mengenai cara melakukan pengelompokan spare part maintenance menggunakan teknik multivariat yaitu analisa kluster yang digabungkan dengan klasifikasi fuzzy dan klasifikasi ABC. Tujuan penggunaan ketiga metode pengelompokan ini adalah untuk mendapatkan suatu sistem pengelompokan inventory yang cukup akurat, mengakomodasi lebih dari satu variabel/kriteria pengelompokan dan mudah diaplikasikan oleh profesional. Hasil pengelompokan ini akan digunakan sebagai dasar untuk menentukan metode pengelolaan yang sesuai untuk spare part maintenance tersebut.

---

ABSTRACT

This thesis is concern about how to classifying spare part of maintenance using one of multivariate technique, cluster analysis, combined with fuzzy classification and ABC classification. The objective of using these three kind of methods is to find accurate inventory classification method which could accommodate more than one variable/criteria and easy to implemented by management professional. Result of this classification will be used to decide the best way to manage the spare part of maintenance."

"Dalam upaya untuk meminimalkan kerugiannya, perusahaan asuransi dapat mengalihkan sebagian risiko yang ditanggungnya kepada perusahaan reasuransi. Terdapat dua kontrak reasuransi yang biasa digunakan untuk mengalihkan risiko tersebut, yaitu kontrak reasuransi quota-share dan kontrak reasuransi stop-loss. Pembagian kerugian pada kontrak reasuransi quota-share bergantung pada retensi yang berupa nilai proporsi kerugian yang disetujui kedua pihak, sedangkan pada kontrak reasuransi stop-loss pembagian kerugian bergantung pada batas retensi berupa besar kerugian maksimum yang ditanggung oleh perusahaan asuransi. Perusahaan asuransi membayarkan premi reasuransi kepada perusahaan reasuransi sebagai imbalan atas pengalihan risiko tersebut. Semakin besar risiko yang dialihkan kepada perusahaan reasuransi, semakin besar pula premi reasuransi yang harus dibayarkan oleh perusahaan asuransi. Perusahaan asuransi harus menentukan retensi yang optimal sedemikian sehingga premi reasuransi yang dibayarkan sesuai dengan kerugian yang dialihkan kepada perusahaan reasuransi. Pembentukan kontrak reasuransi yang optimal biasanya hanya dilihat dari sisi perusahaan asuransi tanpa mempertimbangkan sisi perusahaan reasuransi. Untuk mengatasi masalah tersebut dilakukan perhitungan menggunakan joint survival probability dan joint profitable probability. Dengan menggunakan joint survival probability dan joint profitable probability, kontrak reasuransi yang optimal baik bagi perusahaan asuransi maupun perusahaan reasuransi dapat diperoleh. Pada perhitungan dengan joint survival probability, kontrak reasuransi quota-share optimal bergantung pada kekayaan awal perusahaan asuransi dan nilai kerugian yang ditanggung perusahaan asuransi apabila perusahaan asuransi mengalihkan seluruh kerugian kepada perusahaan reasuransi, sedangkan kontrak reasuransi stop-loss optimal bergantung pada kekayaan awal perusahaan asuransi dan premi yang dibayarkan pemegang polis. Pada perhitungan dengan joint profitable probability, kontrak reasuransi quota-share optimal bergantung pada nilai kerugian yang ditanggung perusahaan asuransi apabila perusahaan asuransi mengalihkan seluruh kerugian kepada perusahaan reasuransi, sedangkan kontrak reasuransi stop-loss optimal bergantung pada premi yang dibayarkan pemegang polis.

---

In an effort to minimize losses, the insurance company may transfer some of the risk it bears to the reinsurance company. There are two reinsurance contracts that are commonly used to transfer the risk, namely the quota-share reinsurance contract and the stop-loss reinsurance contract. Loss sharing in a quota-share reinsurance contract depends on the retention in the form of the proportion of losses agreed upon by both parties, whereas in a stop-loss reinsurance contract, the distribution of losses depends on the retention limit in the form of the maximum loss incurred by the insurance company. The insurance company pays a reinsurance premium to the reinsurance company in exchange for the transfer of risk. The greater the risk transferred to the reinsurance company, the greater the reinsurance premium that must be paid by the insurance company. The insurance company must determine the optimal retention in such a way that the reinsurance premium paid matches the loss transferred to the reinsurance contract. The retention is usually only seen from the side of the insurance company without considering the reinsurance company. To overcome this problem, the optimal retention calculations in this paper are carried out using a joint survival probability and a joint profitable probability. By using joint survival probability and joint profitable probability, optimal reinsurance contracts for both insurance companies and reinsurance companies can be obtained. In calculations with joint survival probability, optimal quota-share reinsurance contract depends on the initial wealth of the insurance company and the value of the losses incurred by the insurance company if the insurance company transfers all losses to the reinsurance company, while the optimal stop-loss reinsurance contract depends on the initial wealth of the insurance company and premiums paid by policyholders. In calculations with a joint profitable probability, the optimal quota-share reinsurance contract depends on the value of the losses incurred by the insurance company if the insurance company transfers all losses to the reinsurance company, while the optima stop-loss reinsurance contract depends on the premium paid by the policyholder."

"Binary Decision Diagram (BDD) merupakan representasi dari fungsi Booleansecara simbolik yang dikembangkan dan dipopulerkan oleh Randal E. Bryant.Selain mengembangkan BDD, Bryant juga memberikan algoritma untukmelakukan manipulasi pada BDD. Dengan menerapkan suatu kondisi tertentuterhadap BDD, yaitu dengan menentukan urutan variabel, akan didapat BDD yangterurut atau disebut juga Ordered Binary Decision Diagram (OBDD). Laludengan menyederhanakan OBDD maka akan didapatkan Reduced BinaryDecision Diagram (ROBDD). ROBDD akan memberikan representasi yang unikuntuk suatu fungsi Boolean. Jadi, jika terdapat dua ROBDD yangmerepresentasikan suatu fungsi Boolean f, maka kedua ROBDD tersebut adalahsama. Operasi pada fungsi Boolean dapat dilakukan dengan menggunakan operasipada ROBDD. Operasi – operasi yang ada pada ROBDD antara lain operasiApply, operasi Restrict, operasi SatCount, operasi AnySat, dan operasi AllSat."