Hasil Pencarian  ::  Simpan CSV :: Kembali

"The rapid development of online news on the Internet has increased the number of news document. Information about the main topics become a necessity for people to determine the trending that is discussed at a certain time. Therefore, a way to find the main topic of news from very large documents quickly and efficiently is developed. Topic detection is the process to find a topic from documents collection. Detecting topics on a very large document is hardly done manually so that automatic methods are needed. One method to detect topic automatically is the theory based on model matrix factorization, Nonnegative Matrix Factorization (NMF). NMF can be solved directly by using the assumption that every topic has at least one word that does not appear in other topic called the anchor word. In this research, NMF based on direct method will be applied for detecting the main topics of Indonesia online news.

---

Perkembangan berita online di internet meningkatkan jumlah berita yang tersedia. Informasi mengenai topik utama menjadi suatu kebutuhan bagi masyarakat untuk mengetahui hal yang dominan dibicarakan pada waktu tertentu. Oleh karena itu dibutuhkan suatu cara cepat dan efisien untuk menemukan topik utama dari dokumen berita yang sangat besar. Pendeteksian topik merupakan suatu proses untuk menemukan topik dari suatu koleksi dokumen. Pendeteksian topik pada dokumen yang sangat besar sulit dilakukan secara manual sehingga dibutuhkan metode otomatis. Salah satu metode otomatis untuk pendeteksian topik adalah model yang berbasis teori faktorisasi matriks yaitu Nonnegative Matrix Factorization (NMF). NMF pada pendeteksian topik dapat diselesaikan secara langsung dengan menggunakan asumsi bahwa setiap topik memiliki satu kata yang tidak terdapat pada topik lainnya yang disebut sebagai kata anchor. Dalam penelitian ini akan diterapkan NMF berbasis metode langsung untuk mendeteksi topik utama dari berita online Indonesia"

"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."

"Perkembangan teknologi dan informasi kini telah memberikan berbagai kemudahan dalam menjalani kehidupan. Salah satu perkembangan teknologi tersebut adalah munculnya berbagai portal berita online di Indonesia. Hal ini menyebabkan banyak berita online yang tersebar di Indonesia. Untuk mengetahui topik utama pada waktu tertentu, sulit jika harus membaca seluruh berita online. Oleh karena itu, digunakan proses pemodelan topik yang secara otomatis membantu menemukan topik utama yaitu metode NMF (Nonnegative Matrix Factorization). Dalam metode NMF, kumpulan berita online direpresentasikan sebagai matriks. Kemudian, metode NMF memfaktorisasi matriks tersebut menjadi matriks-matriks yang nonnegatif. Secara umum, sparseness merupakan akibat dari proses faktorisasi matriks. Namun, dalam penelitian ini, dilakukan proses pengaturan derajat sparseness pada metode NMF. Proses analisis pengaruh derajat sparseness dalam metode NMF pada ekstraksi topik utama berita online Indonesia ini dilihat pada tingkat interpretabilitas topik yang dihasilkan, semakin sparse suatu matriks maka semakin sulit untuk diinterpretasikan.

---

Development of technology and information nowadays gives many tools to be alive. One of that improved is the appearance of many portals of online news in Indonesia. As a consequences, many online news spread easily in Indonesia. For knowing the main topics in some time, it can be hard to read all the online news in short time. So that, using topic modeling that automatically help people to find the main topics. Non-negative matrix factorization (NMF) method is part of the topic modeling. In NMF method, the collection of online news are representing by a matrix. After that, NMF method factors that matrix into two nonnegative matrixs. Generally, sparseness is a result of the factorization process. But, in this research, we use to controlling the degree of sparseness in NMF method. Process of analizing the impact of degrees of sparseness for extracting main topics of Indonesia online news are seeing by the interpretability of the topics, more sparse the matrix, more difficult to interpret."

"Penelitian tugas akhir sarjana di Departemen Matematika Universitas Indonesia dapat berupa aplikasi matematika dalam kehidupan sehari-hari. Salah satu aplikasinya dapat diterapkan pada pencarian topik pada portal berita Indonesia online secara otomatis dengan bantuan mesin. Dengan transformasi kata-kata pada artikel portal berita Indonesia online kedalam bentuk matriks, dapat dilakukan proses Latent Semantic Analysis (LSA) dengan menggunakan metode Nonegative Matrix Factorization dalam mengekstraksi kata-kata pendukung topik dari sekumpulan dokumen. Pada skripsi ini akan dibahas mengenai implementasi Latent Semantic Analysis dengan menggunakan Nonegative Matrix Factorization (NMF) dalam ekstraksi kata-kata pendukung topik sehingga kata-kata tersebut dapat menginterpretasikan topik utama harian dari portal berita Indonesia online.

---

There are a wide range of fields in mathematics that can be used as a final research in the Department of Mathematics, University of Indonesia, including the applications of mathematics for daily life. One of the applications can be applied to searching topic in Indonesia online news portal automatically with machines. Latent Semantic Analysis (LSA) using Matrix Factorization Nonegative method can extract the words from a collection of documents which supporting the topic. This skripsi will be discussed on the implementation of Latent Semantic Analysis using Nonegative Matrix Factorization in extraction for the words wich support topics that words can be interpretation of a topic Indonesian daily online news portal."

"ABSTRAKPengenalan pembicara telah digunakan secara luas dalam kehidupan sehari-hari yang telah menjadi cabang penting dari otentifikasi secara otomatisuntuk identitas pembicara. Ekstraksi fitur suara adalah salah satu masalah yang penting dalam pengenalan pembicara dan merepresentasikan suara. Mel-frequency cepstrum coefficients (MFCC) adalah salah satu fitur penting suara dalam proses pengenalan pembicara. Hasil dari ekstraksi fitur ini selanjutnya akan diklasifikasikan untuk melakukan proses pengenalan pembicara. Dalam skripsi ini akan digunakan Perceptron dan Fuzzy C-Means sebagai metode klasifikasi untuk proses pengenalan pembicara. Tingkat akurasi yang diperoleh dari kedua metode ini menghasilkan 90.00% dengan menggunakan Perceptron dan 72.50% dengan menggunakan Fuzzy C-Means untuk masalah identifikasi pembicara texr-independent."

"ABSTRAKRobust Knapsack Problem (RKP) adalah variasi dari masalah Knapsack, dimana dalam hal ini bobot dari setiap item belum diketahui secara pasti, dan hanya diketahui terletak dalam sebuah interval tentu. Pada RKP akan dicari solusi optimal yang merupakan keuntungan optimal yang akan didapatkan, dan item-item mana saja yang diletakkan ke dalam Knapsack sehingga menghasilkan solusi optimal. Terdapat dua metode alternatif yang akan dijelaskan untuk mencari solusi optimal pada RKP, yang kemudian dibandingkan efisiensi dari kedua metode tersebut dengan dilihat dari running time masing-masing metode. Sedangkan untuk mencari himpunan item-item yang menghasilkan solusi optimal pada RKP akan digunakan metode partisi rekursif, dimana ide awalnya adalah dengan mempartisi himpunan item menjadi dua subhimpunan item.

---

ABSTRACTRobust Knapsack Problem (RKP) is a variation of the Knapsack Problem, where in this case the weight of each item is not exactly known in advance, but belongs to a given interval. On RKP, it will be sought optimal solution, which is the optimal benefit to be gained, and set of items placed into the Knapsack. There are two methods that will be discussed to find optimal solution in RKP, and then the efficiency of the two alternative methods will be compared with their running time. Whereas, to search the set of items that build optimal solutions in the RKP will be used recursive partitioning method. The main idea of this method is dividing the set of items into two subsets of items."

"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."

"Pada jaringan interaksi protein-protein terdapat beberapa protein yang menjadi pusat cluster, dimana protein-protein tersebut merupakan protein yang memegang peranan penting dalam sebuah fungsi seluler. Salah satu algoritma yang dewasa ini sering digunakan untuk melakukan pencarian pusat kluster adalah algoritma Markov Clustering (MCL). Algoritma Regularized Markov Clustering (R-MCL) merupakan algoritma modifikasi MCL yang bertujuan untuk mencari pusat kluster dengan mensimulasikan random walk dalam graf interaksi protein-protein dengan menggunakan operasi ekspansi namun tetap mempertahankan topologi awal dari graf. Komputasi paralel diperlukan dalam menyelesaikan proses klusterisasi ini sebab R-MCL melibatkan data yang berukuran besar dan mengandung proses yang memiliki kompleksitas waktu yang besar. Dalam skripsi ini akan dibahas mengenai konstruksi algoritma paralel R-MCL menggunakan bahasa pemrograman CUDA C pada GPU. Data disimpan dalam format yang lebih hemat memori yaitu format data sparse ELLPACK-R yang sesuai untuk komputasi pada GPU. Algoritma paralel ini akan diimplementasikan pada mesin manycore dengan menggunakan NVCC compiler.

---

There are some proteins in protein-protein interaction network that act as the cluster centers because of the important roles they have related to cellular functions. One of the clustering algorithms that are often used in clustering is Markov Clustering Algorithm (MCL). Regularized Markov Clustering (R-MCL) algorithm is a modification of MCL in order to get better results by simulating random walk in the graph using expansion operation while maintaining the original topology of the graph. Parallel computation is needed to solve this clustering problem because R-MCL algorithm uses a big number of data and contains some operations with very big time complexities. The problem that will be discussed in this minithesis is the construction of parallel R-MCL algorithm using CUDA C on GPU. The PPI data will be converted into a more memory-friendly format, in this case in ELLPACK-R sparse data format that is suitable for GPU computation. This parallel algorithm will be implemented using a manycore machine with NVCC compiler installed on it."