Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penggunaan gas bumi yang merupakan non-renewable energy, perlu lebih diefisienkan. Hal tersebut menyebabkan segmentasi pelanggan gas di sektor industri penting untuk dilakukan, agar dapat dibentuk strategi pemasaran atau penetapan tarif yang tepat. Penelitian ini dilakukan di PT Perusahaan Gas Negara (PGN) dengan menggunakan salah satu metode data mining, yaitu Self-Organizing Map (SOM), untuk dihasilkan klasterisasi pelanggan berdasarkan karakteristik penggunaannya, sebagai acuan dalam pembentukan segmentasi pelanggan gas bumi. Variabel area, jenis pelanggan, sektor industri, rata-rata penggunaan, standar deviasi penggunaan, dan total penyimpangan menjadi variabel yang digunakan dalam penelitian ini. Hasilnya adalah terdapat 37 klaster dan 9 segmen yang terbentuk, dari 838 data pelanggan yang digunakan dalam penelitian ini. Kesembilan segmen ini menggambarkan secara umum karakteristik pelanggan gas bumi di PT PGN.

---

The usage of the natural gas which is non-renewable energy, needs to be more efficient. It also results the customer segmentation is the necessary thing to do, in order to set up a marketing strategy or a determination of the appropriate tariff. This research was conducted at PT PGN using one of the methods of data mining, i.e. Self-Organizing Map (SOM), that resulted the clustering of customer based on the characteristic of its user, as a reference to create the customer segmentation of natural gas user. Variable of area, type of customer, the industrial sector, the average usage, standard deviation of the usage, and the total deviation become the variable which are used in this research. It results 37 cluster and 9 segment, from 838 customer data which are used in this research. These 9 segments illustrate the general characteristic of the natural gas customer of PT PGN."

"Salah satu metode clustering yang banyak digunakan karena unggul dari sisi kestabilannya adalah metode Self Organizing Map. Pada tesis ini dibahas penggunaan metode SOM pada DNA Human Papillomavirus (HPV) yang menjadi penyebab utama penyakit kanker serviks, yaitu penyakit kanker yang menempati urutan pertama di negara berkembang. DNA HPV yang digunakan adalah sebanyak 18 buah yang diambil berdasarkan complete genome terbaru. Dengan menggunakan program berbasis opensource R, proses clustering berhasil mengelompokkan 18 tipe HPV ke dalam dua buah cluster berbeda, yang terdiri dari 2 tipe HPV di cluster pertama sementara 16 tipe HPV lainnya di cluster ke dua. Hasil analisis 18 tipe HPV adalah berdasarkan tingkat keganasannya, atau tingkat kesulitan dalam penyembuhannya. Dua di antara tipe HPV yang berada di cluster pertama tergolong jenis HPV jinak, sementara 16 tipe HPV yang berada di cluster ke dua tergolong jenis HPV ganas.

---

One of the most widely used clustering method, since it has advantage on its robustness is Self Organizing Map (SOM) method. This thesis discusses the application of SOM method on Human Papillomavirus (HPV) DNA which is a main cause of cervical cancer disease, the most dangerous cancer in developing countries. We use 18 types of HPV DNA based on the newest complete genome. By using open-source-based program R, clustering process can separate 18 types of HPV into two different clusters. There are two types of HPV in the first cluster while 16 others in the second cluster. The Analyzing result of 18 types HPV based on the malignancy of the virus (the difficultness to cure). Two of HPV types the first cluster can be classified as tame HPV, while 16 others in the second cluster are classified as vicious HPV."

"Bank yang menyelenggarakan program keuangan inklusif cenderung tidak melakukan diferensiasi pelayanan bagi para pelanggannya yang berasal dari populasi masyarakat unbanked. Banyak organisasi mengganggap segmen keuangan inklusif sebagai ladang yang kurang populer dalam mendapatkan keuntungan, karena kecilnya pemasukan dan besarnya biaya operasional yang dibutuhkan. Namun, beberapa studi sebelumnya tentang keuangan inklusif dan segmentasi pelanggan telah menentang gagasan ini dan menyatakan bahwa klasifikasi lebih lanjut terhadap kategori pelanggan khusus ini dapat membawa keuntungan bagi pihak bank. Segmentasi pelanggan sering dilakukan menggunakan model Recency, Frequency, dan Monetary (RFM) untuk mendapatkan nilai pelanggan bagi perusahaan.Penelitian ini bertujuan untuk membuat model prediksi segmen pelanggan dalam konteks keuangan inklusif, dengan menerapkan penggunaan dua teknik data mining Self-Organizing Map (SOM) dan C5.0 decision tree (DT) secara hybrid. Analisa sosioekonomi, regional, dan pengeluaran digunakan untuk menilai pelanggan, alih-alih menggunakan RFM. Penelitian ini juga mempelajari pengaruh SOM terhadap kinerja klasifikasi keseluruhan, yang dievaluasi menggunakan confusion matrix. Dataset yang digunakan memiliki struktur generik sehingga model ini diharapkan dapat membantu pengembangan program keuangan inklusif pada institusi keuangan penyelenggara keuangan inklusif lainnya.

---

Banks adopting financial inclusion program often exclude differentiation in their services towards the target customers. Many organizations consider financial inclusion inflicts huge operational costs hence it is deemed infamous for profit gain. Previous studies in financial inclusion and customer segmentation have challenged this notion, concluding that further classification of this particular customer class could indeed bring profit for the bank and such that maintaining existing profiting customers induce less cost than the effort of acquiring new customers. Customer segmentation is often done using the Recency, Frequency and Monetary (RFM) model to assess a customer's value for the company.

This study aims to model customer segment predictions in the context of financial inclusion, using socioeconomic, regional, and expenditure analyses to assess customer values. Two data mining techniques Self-Organizing Map (SOM) and C5.0 decision tree (DT) are used in a hybrid setting. This study also observes the effect of SOM on overall classification performance, which is evaluated using confusion matrix. Due to the generality of the input dataset, the prediction model is expected to be usable, with minimal adjustments, by other financial inclusion institutions in need of customer segmentation."

"pertumbuhan ekonomi merupakan salah satu faktor penting untuk menentukan kesejahteraan suatu wilayah. akan tetapi, perbedaan kondisi geografis dan potensi wilayah menyebabkan perbedaan kondisi ekonomi yang berbeda antarwilayah. studi kasus dilakukan terhadap Provinsi Jawa Tengah karena merupakan salah satu kontributor PDRB terbesar di Indonesia, yang ternyata masih memiliki ketimpangan perekonomian antar kota dan antar kabupaten. untuk memudahkan visualisasi pertumbuhan dan penggerombolan dalam wilayah Provinsi Jawa Tengah tersebut. metode yang bisa digunakan untuk analisis gerombol sangat beragam. salah satu metode Self Organizing Map (SOM) yang mampu menggerombolkan data multidimensi disertai dengan visualisasinya dengan teknik Unsupervised Artifical Neural Network. aplikasi ini memudahkan visualisasi dan analisisnya karena diintegrasikan dengan Sistem Informasi Geografis (SIG). aplikasi yang dibuat selanjutnya digunakan untuk melakukan analisis gerombol dengan data studi kasus Provinsi Jawa Tengah. Visualisasi yang dihasilkan mampu menunjukkan pola pertumbuhan ekonomi di Provinsi Jawa Tengah namun belum terlihat adanya pemusatan kutub pertumbuhan ekonomi di Provinsi Jawa Tengah karena pola penggerombolan berdasarkan indikator pertumbuhan ekonomi masih menyebar."

"Pengelompokan nasabah asuransi berdasarkan Self-Organizing Map (SOM) dan analisis cluster hierarki I Gde Angga Surjana (0399010211) Self-Organizing Map (SOM) merupakan metode pengelompokan yang dapat digunakan untuk memvisualisasikan sekaligus mengeksplorasi karakteristik data. Kombinasi antara SOM dan analisis cluster hierarki dapat menjadi metode pengelompokan yang efektif apabila digunakan pada data yang berukuran relatif besar, seperti pada data nasabah dari suatu perusahaan asuransi. Kedua metode ini digunakan untuk membentuk kelompok nasabah berdasarkan produk asuransi yang diikuti agar perusahaan dapat mengidentifikasi kebutuhan para nasabahnya akan asuransi. Hasil pengelompokan dari kedua metode ini adalah tiga kelompok utama, yaitu kelompok nasabah yang sadar asuransi, kelompok nasabah asuransi jiwa dan kelompok nasabah satu jenis asuransi tertentu. "

"Self Organizing Map (SOM) adalah metode pengelompokan yang berguna untuk mengeksplorasi karakteristik data secara visual. Pada penelitian ini metode SOM digunakan untuk mengelompokkan kecamatan-kecamatan di Pulau Sumatera berdasarkan karakteristik penggunaan fixed broadband di masing-masing wilayah tersebut. Melalui pengelompokan dengan metode SOM, didapatkan 3 kelompok kecamatan yaitu: kecamatan dengan penggunaan fixed broadband rendah, menengah dan tinggi. Agar hasil pengelompokan dapat dilihat secara detail, maka hasil SOM dipetakan ke dalam Sistem Informasi Geografis. Hasil visualisasi ini adalah peta penggunaan fixed broadband di Pulau Sumatera yang dapat digunakan untuk menggambarkan bagaimana kondisi penggunaan fixed broadband di Pulau Sumatera.

---

Self Organizing Map (SOM) is a powerful clustering method to explore the characteristics of the data visually. In this study, SOM is used to cluster the subdistrict regions in Sumatera based on their characteristics of fixed broadband application in each region. Through clustering with SOM, three distinct clusters of those subdistricts are found. Cluster 1 consists of subdistricts with low fixed broadband application, Cluster II consists of subdistricts with medium fixed broadband application and the last consists of subdistricts with high application in fixed broadband. In order to get a geographical representation of the clusters, the results from SOM are visualized into Geographic Information System. From this visualization, a fixed broadband map of Sumatera is created of which can be used to describe the conditions of fixed broadband application in Sumatera."

"Sejak adanya penemuan tentang struktur DNA yang berupa double helix, terdapat perkembangan tentang interaksi kompleks yang dibutuhkan untuk clustering (mengelompokkan) DNA menjadi clusters (kelompok-kelompok) yang memiliki kesamaan sifat ataupun fungsinya. Clustering DNA dapat dilakukan dengan metode partisi maupun metode hirarki. Dua metode tersebut dapat dipadukan dengan melakukan tahap partisi dan hirarki secara bergantian yang dikenal dengan nama HOPACH clustering. Tahap partisi dapat dilakukan dengan algoritma SOM, PAM, dan K-Means. Algoritma SOM dipilih karena menggunakan metode unsupervised learning dan efisien untuk digunakan pada data yang besar. Proses partisi dilanjutkan dengan proses ordering kemudian dilakukan collapsing dengan proses agglomerative, sehingga hasil clustering yang diperoleh menjadi lebih akurat. Penentuan cluster utama dilakukan dengan menghitung nilai kehomogenan hasil clustering menggunakan MSS (Mean Split Silhoutte). Kriteria penentuan cluster utama adalah pilih nilai MSS yang terkecil. Barisan 136 DNA EVD (Ebola Virus Disease) diperoleh dari Genbank NCBI dengan proses melakukan ekstraksi ciri DNA, selanjutnya melakukan normalisasi, dan dilanjutkan dengan menghitung jarak genetik menggunakan Jarak Euclidean. Matriks jarak genetik dapat dijadikan dasar untuk melakukan partisi serta clustering dengan menggunakan algoritma partisi SOM dalam metode HOPACH clustering. Proses ekstraksi ciri, normalisasi, dan penerapan algoritma partisi SOM dalam metode HOPACH clustering menggunakan bantuan program open source . Pada hasil clustering penerapan algoritma partisi SOM dalam metode HOPACH clustering diperoleh 9 cluster dengan nilai MSS sebesar 0,50280. Cluster yang dihasilkan dapat diidentifikasikan berdasarkan spesies dan tahun pertama kali mewabah.

---

Since the discovery of DNA structure in form of double helix, there is a development about the complex interaction required, DNA clustering into clusters which have the same features or functions. DNA clustering can be done by applying partitional or hierarchical method. Those two methods can be combined by doing partitional and hierarchical stage alternately known as HOPACH clustering. The partitional stage can be done by using SOM Algorithm, PAM, and K-Means. SOM algorithm is chosen because it uses unsupervised learning method and efficient to be used for large data. The partitional process is continued by ordering process and then performed collapsing with agglomerative process, so that the clustering result which is obtained will be more accurate. The determination of the main cluster done by calculating homogeneous value of the clustering result uses MSS (Mean Split Silhouette).

The determination criteria of the main cluster is choosing the smallest MSS value. 136 sequences of DNA EVD (Ebola Virus Disease) are obtained from NCBI Genbank by applying extraction of DNA sequence, after that doing normalization, and then calculating the genetic distance use Euclidean Distance. Genetic distance matrix can be used as a basis to do partitional and clustering by implementation SOM partitioning algorithm in HOPACH clustering method. The extraction of DNA sequence, normalization, and the implementation of SOM partitioning algorithm in HOPACH clustering method use open source program . On the result of implementation SOM partitioning algorithm in HOPACH clustering method retrieved 9 clusters with MSS value of 0,50280. The cluster which is obtained can be identified according to species and the first year of becoming an epidemic."

"Pembahasan mengenai serangan distributed denial of service menjadi salah satu topik utama dalam wacana keamanan internet. Walaupun penggunaannya sudah lebih dari satu dekade dan mekanisme atau cara kerjanya sudah dipahami secara luas, namun hingga saat ini masih sangat sulit untuk mendeteksi secara dini suatu serangan distributed denial of service. Lambatnya pendeteksian serangan distributed denial of service karena sulitnya membedakan antara paket normal dan paket yang berasal dari agen distributed denial of service. Kesulitan lainnya adalah besarnya jumlah paket yang dikirim, hal ini mengakibatkan lamanya waktu yang dibutuhkan untuk menganalisa, dan dapat menyebabkan akurasi pendeteksian serangan distributed denial of service menurun. Melalui penelitian ini peneliti mencoba memberikan solusi yaitu berupa metode untuk mendeteksi serangan distributed denial of service. Adapun metode yang diajukan disini yaitu dengan melakukan pendeteksian secara dini ketika terjadi serangan distributed denial of service terhadap server jaringan. Dalam melakukan pendeteksian dibutuhkan metode yang efektif untuk segera memberikan peringatan atau informasi bahwa telah terjadi serangan distributed denial of service. Metode yang peneliti ajukan adalah metode deteksi menggunakan algoritma self organizing map dengan memanfaatkan lalu-lintas flow pada jaringan dan menggunakan fitur perhitungan dari metode yang sudah ada sebelumnya, yaitu metode IP FLow. Berdasarkan hasil pengujian, metode yang diajukan berhasil meningkatkan akurasi dan mempercepat waktu deteksi serangan distributed denial of service dibandingkan metode IP Flow.

---

Discussion about distributed denial of service attack to be one of the main topics on the Internet security discourse. Although it appearance was more than a decade and it works has been widely understood, but it is still very difficult to detect at early stage of distributed denial of service attack. The delay of distributed denial of service attack detection due to difficulties in distinguishing between normal packets and packets originating from distributed denial of service agents. Another difficulty is the huge number of packets sent, it causes the length of time required to analyze, and could lead to decrease accuracy of detection.

Through this study, researcher tried to provide a solution in the form of methods for detecting distributed denial of service attacks. The method proposed here is to perform early detection of a distributed denial of service attacks on a network server. Doing detection certainly needed an effective method for giving immediate warning or information that distributed denial of service attacks have occurred.

The proposed method research is the detection method using self organizing map algorithm based on flow traffic on the network and by using statistical calculation taken from existing method, IP Flow method. Based on test results, the proposed method successfully improves the accuracy and speed time detection of distributed denial of service attacks than using the IP Flow method."

"Penelitian yang dilakukan berupa pengembangan terhadap sistem pendeteksi plagiarisme otomatis sehingga dapat menerapkan jaringan saraf tiruan Self-Organizing Map SOM untuk melakukan klasifikasi terhadap hasil keluaran Latent Semantic Analysis. SOM dipilih untuk melakukan klasifikasi karena algoritma ini tidap perlu melakukan supervisi pada proses pembelajarannya sehingga dapat secara otomatis menentukan tingkat plagiarisme antar paragraf yang tidak mudah ditentukan secara langsung oleh manusia. Selain itu dilakukan perbandingan akurasi penentuan tingkat plagiarisme yang dimiliki oleh sistem apabila hanya menggunakan LSA saja, penggunaan LSA dengan SOM, dan penggunaan LSA dengan Learning Vector Quantization LVQ. Penggunaan SOM dan LVQ dilakukan untuk melakukan klasifikasi tingkat plagiarisme dari hasil keluaran LSA. Penentuan tingkat plagiarisme sudah cukup dilakukan apabila hanya menggunakan LSA saja, dimana sudah dapat menghasilkan tingkat akurasi paling tinggi yaitu 86,24. Namun, penggunaan SOM dengan jumlah kelas sebanyak 2 dengan 3 parameter memberikan rata-rata tingkat akurasi yang sedikit lebih rendah, yaitu sebesar 82,00. Sedangkan penggunaan LVQ dengan jumlah kelas sebanyak 2 dengan 3 parameter juga memberikan rata-rata tingkat akurasi yang sedikit lebih tinggi dibandingkan, yaitu sebesar 82,10.

---

This research has concern on deployment of neural network algorithm Self Organizing Map SOM in automatic plagiarism detector so it could be used to classify the output from Latent Semantic Analysis. SOM is chosen because it is an unsupervised neural network algorithm. With unsupervised neural network, it could determine the plagiarism level between paragraf automatically, which hard for human to determine it. Other than deployment of SOM, this research also focusses on the comparison of accuracy of the system if the system only deploys pure LSA, combination of LSA and SOM, and combination of LSA and Learning Vector Quantization LVQ.

SOM and LVQ are used to do classification for the output from LSA. Plagiarism level could be determined by the result of LSA only. It has 86,24 as the highest accuracy level. But, the usage of SOM with 2 classes and 3 parameters gives lower average of accuracy, which is 82,00 . Therefore, usage of LVQ with 2 classes and 3 parameters gives slight better accuracy than SOM, which is 82,10."