Hasil Pencarian  ::  Simpan CSV :: Kembali

"Smoothed particle Hydrodynamic (SPH) adalah metode yang dapat menjadi alternatif dalam melakukan simulasi fluida. SPH memiliki keunggulan dibandingkan metode finite difference yang biasa dipakai dalam simulasi fluida. Salah satunya karena SPH tidak menggunakan grid dalam perhitungannya. Namun SPH memiliki ketidakstabilan dalam beberapa kondisi. Dalam skripsi ini, dilakukan analisis stabilitas pada metode SPH berdasarkan smoothing function serta simulasi SPH menggunakan dua smoothing function yang berbeda. smoothing function yang akan digunakan dan dibandingkan kestabilannya adalah smoothing function Gaussian dan poly6.

---

The smoothed particle hydrodynamic (SPH) is an alternative method to fluids simulation. SPH has advantage over finite difference method which commonly used on fluids simulation. One advantage of SPH is it use no grid in its calculations. However, in some conditions, SPH still has some instability. In this thesis, the stability analysis of SPH based on the smoothing function will be investigated as well as some simulations of two di_erent smoothing function of SPH will be shown. In this paper , the smoothing function based on Gaussian and poly6 will be used and compared."

"Dalam dekade terakhir ini, kanker menjadi pusat perhatian dunia kesehatan dikarenakan penyakit ini termasuk dalam penyebab utama kematian di seluruh dunia. Menurut statistik GLOBOCAN, International Agency for Research on Cancer IARC pada tahun 2012, terdapat 14.067.894 kasus kanker baru dengan 8.201.575 kematian akibat kanker di seluruh dunia. Oleh sebab itu, dibutuhkan tindakan pencegahan dan pengobatan yang efektif. Salah satunya dengan metode klasifikasi kanker. Metode klasifikasi kanker dapat dijadikan sebagai alat bantu tenaga medis untuk menangani kanker. Dalam tugas akhir ini diusulkan algoritma untuk mengklasifikasikan data kanker dengan menggunakan Fuzzy Possibilistic C-means FPCM dan metode baru yang menggunakan Normed Kernel Function-based Fuzzy Possibilistic C-means NKFPCM. Tujuannya untuk mendapatkan keakuratan terbaik dalam pengklasifikasian data kanker. Untuk meningkatkan keakuratan dua metode tersebut, dilakukan evaluasi kandidat fitur dengan menggunakan pemilihan fitur. Untuk pemilihan fitur digunakan metode Laplacian Score. Hasil yang diperoleh menunjukkan perbandingan keakuratan dan running time dari FPCM dan NKFPCM tanpa dan dengan dilakukan pemilihan fitur. Hasilnya, didapatkan akurasi terbaik saat dengan menggunakan metode NKFPCM dengan dilakukan pemilihan fitur, yaitu 90,91 dengan penggunaan 750 fitur untuk data kanker kandung kemih, 100 dengan penggunaan 250 fitur untuk data kanker darah leukemia , 96,67 dengan penggunaan 3.000 fitur untuk data kanker prostat, dan 100 dengan penggunaan 250 fitur untuk data kanker lambung.

---

Over the past decade, cancer has become the center of attention in the medical field due to its reputation as one of the main causes of death in the worldwide. According to GLOBOCAN statistics, International Agency for Research on Cancer IARC , there were 14,067,894 new cancer cases and 8,201,575 cancer related deaths occurred in 2012. Therefore, preventive actions and effective treatments are required to reduce these threats. One method of handling of cancer using cancer classification. Cancer classification method can be used as aids to handle Cancer. This research proposed an algorithm to classify cancer data using Fuzzy Possibilistic C Means FPCM and a new method, Normed Kernel Function Based Fuzzy Possibilistic C Means NKFPCM. The purpose of this research is to obtain the best accuracy in the classification of cancer data. To improve the accuracy of these two methods, the feature candidate will be evaluated using feature selection. The feature selection was conducted using Laplacian Score. The results obtained show the comparison of the accuracy and running time of FPCM and NKFPCM without and with feature selection. The results show that the best accuracy obtained when using NKFPCM with features selection, with percentage of 90.91 by using 750 features for bladder cancer data, 100 by using 250 features for blood cancer leukemia data, 96.67 by using 3,000 features for prostate cancer data, and 100 by using 250 features for gastric cancer data."

"Klasifikasi data kanker menggunakan microarray data menjadi salah satu cara untuk mendapatkan pengobatan yang lebih tepat. Kendala yang terdapat adalah karakteristik dari microarray yang memiliki fitur yang sangat banyak. Seringkali fitur tersebut tidak begitu informatif bagi pengklasifikasian sehingga perlu adanya suatu cara untuk memilih fitur-fitur yang mengandung informasi yang penting. Salah satu cara tersebut adalah dengan pemilihan fitur. Pada penelitian ini, metode pemilihan fitur yang digunakan berdasarkan clustering dengan fungsi kernel. Fitur-fitur yang sudah terpilih kemudian diklasifikasikan menggunakan metode Support Vector Machine.Evaluasi dari klasifikasi pada penelitian ini melibatkan K-Fold Cross Validation, metode tersebut akan membagi data secara acak, tetapi merata sehingga akurasi yang didapat juga merata. Hasil akurasi tersebut dilakukan dengan berbagai uji terhadap parameter yang berkaitan seperti K partisi, nilai dan fitur-fitur yang digunakan. Pada proses klasifikasi tanpa pemilihan fitur tingkat akurasinya mencapai 89.68 dengan k partisi sebanyak 6 sementara dengan 5 fitur akurasinya menjadi 95.87 pada partisi sebanyak 10.

---

Classification of cancer using microarray data is one way to get a more precise treatment. The obstacle on classification data is the characteristics of microarray data that is having many features. These features are often not so informative for classification, so it needs a way to select the features that contain important information. One way is by selection feature. In this research, the method of selection features that are used based on clustering with kernel function. Features that are already selected then classified using Support Vector Machine.

Evaluation of classification in this research involves a K Fold Cross Validation, that methods split data randomly but uniformly so that it can reach all of accuracy. The results of accuracy data was done with different test against related parameters such as K partition, the value of and the features that are used. On the classification process without selection features rate of accuracy reached on 89.68 with k partition number 6 while with the 5 features obtained 95.87 on partition number 10."

"Sinusitis adalah peradangan pada dinding sinus, yaitu rongga kecil yang terhubung dengan rongga udara dalam tulang tengkorak. Sinus terletak di belakang dahi, di dalam struktur tulang pipi, di kedua sisi hidung, dan di belakang mata. Sinusitis disebabkan oleh peradangan pada rongga hidung, tumbuhnya polip, alergi, dan hal lainnya yang dapat terjadi pada orang dewasa, remaja, bahkan anak-anak. Untuk mengklasifikasi jenis sinusitis, penulis menggunakan Fuzzy C-Means Berbasis Kernel yang merupakan pengembangan dari Fuzzy C-Means. Fuzzy C-Means mengelompokkan data menggunakan jarak Euclidean. Namun, jika data yang akan dipisahkan adalah data non linear, maka konvergensinya akan kecil dan membutuhkan waktu yang lama. Untuk menyelesaikan masalah ini dapat digunakan Fuzzy C-Means Berbasis Kernel yang menggunakan fungsi kernel untuk menggantikan jarak Euclidean. Metode ini memetakan objek dari ruang data ke ruang fitur yang berdimensi lebih tinggi, sehingga dapat mengatasi kelemahan FCM. Data yang digunakan adalah data penyakit sinusitis yang diperoleh dari laboratorium radiolog RSUPN Cipto Mangunkusumo, Jakarta. Karena data yang digunakan adalah data non linear, maka metode yang lebih cocok digunakan adalah Fuzzy C-Means Berbasis Kernel. Dengan menggunakan software Matlab diperoleh akurasi 100% dengan waktu mendekati 0 detik untuk Fuzzy C-Means Berbasis Kernel.

---

Sinusitis is an inflammation of the sinus wall, a small cavity interconnected through the airways in the skull bones. It is located on the back of the forehead, inside the cheek bone structure, on both side of the nose, and behind the eyes. Sinusitis is caused by infection, growth of nasal polips, allergies, and others. This condition can effect adults, teenagers, and even children. To classify sinusitis we used Kernel Based Fuzzy C-Means, which is the development of Fuzzy C-Means (FCM). FCM algorithm groups data using Euclidean distance. However, when non linear data is separated, the convergence is innacurate and need a long running time. To overcome this problem, a Kernel Based Fuzzy C-Means that use kernel functions as a substitute for Euclidean distance. It maps objects from data space to a higher dimention feature space, so they can overcome FCM deficiencies. Data that is used is sinusitis dataset obtained from the laboratory of radiology at Cipto Mangunkusumo National General Hospital, Jakarta. Because the data used is non-linear dataset, the more suitable method is Kernel Based Fuzzy C-Means. By using the Matlab software 100% accuracy is obtained and running time is close to 0 for Kernel Based Fuzzy C-Means."

"Salah satu strategi perusahaan dalam menampilkan kinerja keuangannya adalah dengan cara melakukan manajemen laba. Dengan melakukan manajemen laba., diharapkan akan memperbaiki persepsi tentang kinerja keuangan perusahaan. Dengan menampilkan laporan yang baik maka persepsi tentang kualitas laba perusahaan juga akan baik.Manajemen laba dapat dilakukan dalam berbagai macam bentuk, salah satunya adalah perataan laba atau income smoothing. Eckel?s (1981) melakukan penurunan formula untuk rnengetahui ada tidaknya income smoothing yang kemudian disebut sebagai Indeks Eckel atau Eckel'.s Smoothing Index. Dengan memakai Indeks Eckel, klasifikasi terhadap perusahaan rnenjadi lebih mudah, karena formula indeks ini sangat sederhana.Dari klasifikasi tersebut dapat dicari perbedaan pengaruh antara perusahaan yang melakukan dan tidak melakukan income smoothing terhadap kinerja saham yang dalam hal ini diwakili oleh imbal hasil saham abnormal kumulatif. Dengan membatasi jenis industri yang diobservasi diluar industri keuangan baik perbankan, asuransi maupun lembaga keuangan non bank, dan memakai kategori income smoothing yang terdiri dari smoothing dan non smoothing maka dapat dibuat model regresi faktor sel (Agung, 2004). Dengan model ini akan dianalisa pengaruh faktor smoothing terhadap imbal hasil saham abnormal kumulatif.Selanjutnya dilihat juga pengaruh indikator kualitas laba yang lain, yang erat kaitannya terhadap proses income smoothing ini. Indikator ini adalah rasio arus kas operasi terhadap laba bersih. Sudah tentu laba bersih disini bisa berarti laba yang telah di "smoothing". Variabel-variabel bebas yang berpengaruh terhadap imbal hasil saham perlu diperhitungkan dalam analisa tersebut. Variabel-variabel ini misalnya solvabilitas, Iikuiditas, laba per sal-nam, dan arus kas operasi. Dalam Model ini dengan memakai regresi heterogen akan dianalisa pengaruh linier faktor rasio arus kas operasi dengan laba bersih terhadap imbal hasil saham abnormal kumulatif dengan memperhitungkan pengaruh dari variabel kontrol yang terdiri dari variabel-variabel solvabilitas (Debt to Equity Ratio), Iikuiditas (rasio lancar), arus kas operasi dan laba persaham.Dari hasil analisa ketiga model tersebut diharapkan dapat ditarik suatu kesimpulan yang mewakili pengaruh income smoothing terhadap kinerja saham.

---

One of the most popular strategies to make better perception of the financial performance is doing earning management. This process may show better financial performance, and further can make better perception of the earning quality of the company.Earnings management could be done by several kind of process, one of them is income smoothing. Eckel (1981) generated the formula to test financial statement whether it 's content income smoothing or not. This formula hereinajer called as Eckels ' Smoothing Index. This Index made companies categorizing based on smoothing or non smoothing become very simple.This categorizing enable to determine differences of influence between companies which done the income smoothing (smoothing companies) and companies which undone the income smoothing (non smoothing companies) to the share performance which is proxy by cumulative abnormal return. By restricted this research only to nonfinancial sector companies, and classify the industry become smoother and non smoother enables to make factor cell regression model (Agung 2004). This model (hereinajler call as Model) will be used to analyze difference of adjusted means of cumulative abnormal return inter-factor smoothing category.Further, this thesis will examine another earnings quality indicator which has close relationship with this income smoothing process. This indicator is operating cash flow to net income ratio. This net income may also means ?smoothed net income". Independent Variables which is influence to share performance is important to be considered in this examination. These variables such as solvability, liquidity earnings per share, and operating cash flow. In the Model, by using heterogeneous regression process will be analyze linier influence of operating cash flow to net income ratio to cumulative abnormal return considering control variables influence. These variables controls are debt to equity ratio (solvability), current ratio (liquidity), operating cash flow and earnings per share.Hopefully from these three models we could generate conclusion which represent income smoothing influence to share performance."

"Penyakit kronis adalah penyakit yang diderita dalam waktu panjang dan dapat berkembang secara cepat, salah satunya adalah penyakit kanker dan diabetes. Oleh karena itu, dengan melakukan pendeteksian dini maka perkembangan penyakit kanker dan diabetes akan menurun. Salah satu cara pendektesian dini dapat dilakukan oleh machine learning. Teknik machine learning banyak digunakan dalam berbagai bidang khususnya untuk analisa data medis.  Clustering merupakan salah satu metode dari machine learning yang bertujuan untuk mengelompokkan suatu dataset ke dalam subset berdasarkan ukuran jarak. Salah satu contoh metode clustering adalah metode Entropi Fuzzy C-Means yang dapat mengidentifikasi entropi disetiap titik data dan memilih pusat kluster terdekat dengan entropi minimum. Pada penelitian akan digunakan data kanker dan diabetes dari UCI Repository dengan menggunakan metode Entropi Fuzzy C-Means yang akan dimodifikasi dengan kernel RBF. Sebelum dilakukan klasifikasi, dilakukan pemilihan fitur menggunakan Chi-Square. Tujuan dari penelitian ini adalah untuk mendapatkan fitur-fitur yang optimal dan mengetahui hasil akurasi menggunakan untuk klasifikasi data diabetes dan kanker. Diperoleh hasil akurasi tertinggi pada klasifikasi data medis menggunakan metode Entropi Fuzzy C-Means berbasis kernel dengan pemilihan fitur Chi-Square yaitu sebesar 83.33% untuk data diabetes dan 77.77-100% untuk data kanker.

---

Chronic disease is a disease that occur for a long time and can develop quickly, one of them is cancer and diabetes. The early detection is very helpful to reduce the development of the disease. One of the ways to detect cancer and diabetes disease is using machine learning technic. Machine learning technic is widely use in many aspects especially in medical data analysis. Clustering is part of machine learning technic that is used to group a dataset into subset based on space size. Entropy Fuzzy C-Means is one of the methods which can identify entropy in every data and can choose the cluster center similar with minimum entropy. In this paper we will use cancer and diabetes medical data from UCI Repository using Entropy Fuzzy C-Means method which is modified by kernel RBF. Before classification, we will select the feature using Chi-Square  to get the optimal subset feature. The purpose of this study was to obtain optimal features and find out the results of accuracy using for the classification of diabetes and cancer data. The medical data classification using Entropy Fuzzy C-Means based on kernel with Chi-Square feature selection gives the 100% highest accuration result for cancer data and 83,33% for diabetes data."

"ABSTRAKPenelitian ini bertujuan untuk menguji pengaruh income smoothing terhadap Earnings Response Coefficient ERC dan Future Earnings Response Coefficient FERC yang dipengaruhi oleh ukuran perusahaan. Sampel yang digunakan berjumlah 330 perusahaan yang terdaftar di Bursa Efek Indonesia dari tahun 2005-2013. Berdasarkan pengujian empiris dengan regresi linear berganda diperoleh hasil bahwa 1 Secara umum, income smoothing berpengaruh positif terhadap ERC, namun tidak berpengaruh terhadap FERC; 2 Pada perusahaan besar, income smoothing berpengaruh negatif terhadap ERC, namun tidak berpengaruh terhadap FERC.

---

ABSTRACTThis study aims to examine the effect of income smoothing in explaining Earnings Response Coefficient ERC and Future Earnings Response Coefficient FERC as affected by size. The sample used in this study are 330 companies listed on the Indonesia Stock Exchange from 2005 until 2013. Based on empirical study with multiple linear regression shows that 1 In general, income smoothing has positive effect on the ERC, but doesn rsquo t have effect on the FERC. 2 In large companies, income smoothing has negative effect on the ERC, but has no effect on the FERC."