Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"ABSTRAKDeteksi topik adalah proses menganalisis kumpulan data tekstual untuk menentukan topik pengumpulan data tekstual. Salah satu metode pengelompokan yang dapat digunakan untuk deteksi topik adalah metode Fuzzy C-Means (FCM). Namun, penggunaan FCM sederhana untuk pendeteksian topik tentang big data kurang efektif, karena akan memakan waktu lama dan banyak memori. FCM sederhana juga memiliki masalah lain, ketika melakukan deteksi topik aktif data dimensi tinggi, FCM sederhana hanya akan menghasilkan satu topik. Dalam penelitian ini, suatu gabungan metode Single-Pass Fuzzy C-Means (SPFCM) dan Fuzzy C-Means Berbasis Eigenspace (EFCM) diusulkan, yaitu Single-Pass Eigenspace-Based Fuzzy C-Means (SPEFCM) metode untuk mengatasi masalah ini. Data yang digunakan untuk deteksi topik adalahtweet yang berasal dari aplikasi Twitter. Lalu, keakuratan topik didapat menggunakan SPEFCM dan EFCM akan dibandingkan berdasarkan nilai koherensi. Itu hasil simulasi menunjukkan bahwa nilai koherensi topik yang diperoleh menggunakan SPEFCM adalah sebanding dengan EFCM. Ini menunjukkan bahwa SPEFCM adalah metode yang tepat untuk mendeteksi topik pada data besar, tanpa mengurangi kualitas topik yang dihasilkan.

---

ABSTRACTTopic detection is the process of analyzing a textual data set to determine the topic of textual data collection. One of the grouping methods that can be used for topic detection is the Fuzzy C-Means (FCM) method. However, the use of simple FCM for the detection of topics about big data is less effective, because it will take a long time and a lot of memory. Simple FCM also has another problem, when detecting active topics of high dimensional data, simple FCM will only produce one topic. In this study, a combination of the Single-Pass Fuzzy C-Means (SPFCM) method and the Fuzzy C-Means Based on Eigenspace (EFCM) is proposed, namely the Single-Pass Eigenspace-Based Fuzzy C-Means (SPEFCM) method to overcome this problem. The data used for topic detection istweets that come from the Twitter application. Then, the accuracy of the topics obtained using SPEFCM and EFCM will be compared based on coherence values. The simulation results show that the topic coherence value obtained using SPEFCM is comparable to EFCM. This shows that SPEFCM is the right method for detecting topics in big data, without reducing the quality of the topics produced."

"Salah satu metode otomatis untuk analisis data tekstual adalah deteksi topik. Fuzzy C- Means di Ruang Eigen (EFCM) adalah metode berbasis soft clustering untuk pendetek- sian topik. Pada Algoritme EFCM adanya reduksi dimensi data awal menjadi lebih kecil. Namun, proses reduksi itu dapat menghilangkan beberapa fitur penting dari data tekstual. Sehingga, akurasi dapat berkurang. Dalam mengatasi hilangnya fitur penting digunakan bantuan Kernelisasi Fuzzy C-Means di Ruang Eigen sehingga proses clustering dapat di- lakukan dalam ruang dimensi yang lebih tinggi. Dalam penelitian ini akan dicek akurasi dari metode EFCM dan KEFCM dan perbandingannya dengan metode standar seperti Latent Dirichlet Allocation (LDA) dan Nonnegative Matrix Factorization (NMF) dalam masalah pendeteksian topik. Simulasi menunjukkan bahwa KEFCM memberikan akurasi yang lebih baik dalam menemukan topik daripada metode standar LDA dan EFCM namun tidak lebih baik dari NMF untuk masalah mendeteksi topik berita online di Twitter.

---

One of automated methods for textual data analysis is topic detection. Fuzzy C-Means in Eigenspace (EFCM) is a soft clustering-based method for topic detection. In, EFCM Algorithm there is a step to transform high dimensional textual data into lower dimensional data. However, that transformation process may eliminate some important features from the textual data. Therefore, the accuracy may be reduced. To overcome in losing important features Kernelized Fuzzy C-Means in Eigenspace (KEFCM) is needed, so that clustering process can be done in higher dimensional space. In this study the accuracy of EFCM and KEFCM will be evaluated and these methods will be compared by any standard method such as Latent Dirichlet Allocation (LDA) and Nonnegative Matrix Factorization (NMF) for topic detection problem. Simulations show that KEFCM gives better accuracy to find topics than LDA and EFCM method. However, these methods fail to give better results than NMF for the problem of sensing trending topic in online news in Twitter."

"Pendeteksian topik (Topic detection) adalah suatu proses yang digunakan untuk menganalisis kata-kata pada suatu koleksi data tekstual untuk menentukan topik-topik yang ada pada koleksi tersebut, bagaimana hubungan topik-topik tersebut satu sama lainnya, dan bagaimana mereka berubah dari waktu ke waktu. Metode Fuzzy C-Means (FCM) merupakan metode clustering yang sering digunakan pada masalah pendeteksian topik. Fuzzy C-Means dapat mengelompokkan dataset ke beberapa cluster dengan baik pada dataset dengan dimensi yang rendah, namun gagal pada dataset yang berdimensi tinggi. Untuk mengatasi permasalahan tersebut, dilakukan reduksi dimensi pada dataset sebelum dilakukan pendeteksian topik menggunakan metode FCM. Pada penelitian ini digunakan data tweets akun berita nasional pada sosial media Twitter yang kemudian dilakukan pen-deteksian topik menggunakan metode Random space-based Fuzzy C-Means (RFCM) dan Kernelized Random space-based Fuzzy C-Means (KRFCM). Metode pembelajaran RFCM dan KRFCM terbagi menjadi dua langkah yaitu mereduksi dimensi dataset ke dimensi yang lebih rendah dengan menggunakan random projection dan melakukan metode pem-belajaran FCM pada RFCM dan metode pembelajaran KFCM pada KRFCM. Setelah didapatkan topik-topik, kemudian dilakukan evaluasi dengan menghitung nilai coher-ence pada topik. Nilai coherence yang digunakan pada penelitian ini menggunakan sa-tuan Pointwise Mutual Information (PMI). Penelitian dilakukan dengan membandingkan nilai rata-rata PMI dari RFCM dan KRFCM dengan Eigenspace-based Fuzzy C-Means (EFCM) dan Kernelized Eigenspace-based Fuzzy C-Means (KEFCM). Hasil yang didapatkan menggunakan data tweets akun berita nasional menunjukkan bahwa metode RFCMdan KRFCM menawarkan running time untuk reduksi dimensi yang lebih cepat namun memiliki rata-rata nilai PMI yang lebih kecil dibandingkan rata-rata nilai PMI yang di-hasilkan oleh metode pembelajaran EFCM dan KEFCM.

---

Topic detection is a process that is used to analyzewords in a collection of textual data to determine which topics are in the collection, how the topics relate to each other, and how they change over time. Fuzzy C-Means (FCM) Method is a clustering method that is often used in topic detection problems. Fuzzy C-Means can group datasets into several clusters properly on dataset with low dimensions, but failed on the high dimension dataset. To overcome this problem, a dimension reduction is performed on the previous dataset Topic detection was performed using the FCM method. In this study used data on national news account tweets on Twitter social media which is then detected topics using the Randomspace-based Fuzzy C-Means (RFCM) method Kernelized Randomspace-based Fuzzy C-Means (KRFCM). RFCM learning methods and KRFCM is divided into two steps, namely reducing the dataset dimension to dimensions lower cost by using random projection and learning methods FCM on RFCM and KFCM learning methods on KRFCM. After obtained topics, then conducted an evaluation by calculating the value of coherence on the topic. The coherence value used in this study uses units Pointwise Mutual Information (PMI). Research carried out by comparingthe average PMI values ​​of RFCM and KRFCM with Eigenspace-based Fuzzy C-Means (EFCM) and Kernelized Eigenspace-based Fuzzy C-Means (KEFCM). Results obtained using national news account tweets data shows that the RFCM method and KRFCM offers running time for faster dimension reduction however has an average PMI value that is smaller than the average PMI value produced by the EFCM and KEFCM learning methods."

"Salah satu metode otomatis untuk analisis data tekstual adalah deteksi topik. Eigenspace-based Fuzzy C-Means EFCM adalah metode berbasis soft clustering untuk pendeteksian topik. Pertama, EFCM menggunakan dekomposisi nilai tunggal terpotong untuk mengubah data tekstual dimensi tinggi menjadi data berdimensi rendah. Selanjutnya, proses pengelompokan dilakukan dalam ruang dimensi yang lebih kecil. Namun, proses transformasi itu dapat menghilangkan beberapa fitur penting dari data tekstual. Karena itu, akurasi dapat berkurang. Dalam penelitian ini digunakan kernel trick untuk mengatasi kelemahan tersebut sehingga proses clustering dapat dilakukan dalam ruang dimensi yang lebih tinggi. Simulasi menunjukkan bahwa pendekatan ini memberikan akurasi yang lebih baik dalam menemukan topik daripada EFCM untuk masalah mendeteksi topik di Twitter.

---

One of automated methods for textual data analysis is topic detection. Eigenspace based fuzzy c means EFCM is a soft clustering based method for topic detection. Firstly, EFCM use truncated singular value decomposition to transform high dimensional textual data to low dimensional data. Next, the clustering process is conducted in the smaller dimensional space. However, that transformation process may eliminate some important features from the textual data. Therefore, the accuracy may be reduced.

In this study used kernel trick to overcome that weakness so that the clustering process is performed in a higher dimensional space. Simulations show that this approach gives better accuracies in term of topic recall than EFCM for the problem of sensing trending topic in Twitter."

"Kesiapan operasi pada reaktor nuklir merupakan hal penting yang harus diperhatikan oleh lembaga. Penelitian ini bertujuan mendapatkan faktor-faktor yang mempengaruhi kesiapan operasi reaktor nuklir. Penelitian ini mengambil studi kasus pada Reaktor Siwabessy, Badan Tenaga Nuklir Nasional Indonesia. Digunakan metode Analytic Network Process ANP untuk mendapatkan faktor-faktor prioritas yang memengaruhi kesiapan operasi reaktor nuklir. Hasil penelitian menunjukkan bahwa terdapat enam kriteria dan dua puluh sub kriteria yang mempengaruhi kesiapan operasi. Sub kriteria training merupakaan faktor yang paling penting dan paling memengaruhi faktor lainnnya dalam kesiapan operasi. Peningkatan sub kriteria training sebesar 10 , akan meningkatkan peningkatan sub kriteria operation planning 9,29 , work innovation 7,62 dan business process 3,41.

---

Operation readiness in nuclear reactor is an important thing to be concert by an nstitution.i This research aims to find the important factors affecting the nuclear reactor operation readiness. This research took place in Siwabessy Nuclear Reactor, Badan Tenaga Nuklir Nasional Indonesia. Analytic Network Process is used to get the priority factors affecting nuclear reactor operation readiness.

Research result shows that there are six citerias and twenty sub citeria which affecting operation readiness. Training is the most important factor and also the most influencing factor to other factors in an attempt to improve productivity. By improving training factor for 10 , the other factors such as operation planning, work innovation, and business process also will be improved by 9,29 , 7,62 , and 3,41 sequentially."

"Tugas akhir ini membahas cara pengambilan keputusan untuk volume stock connecting link di PT. Dwijayatek untuk periode waktu yang akan datang. Pengambilan keputusan dilakukan dengan menggunakan Proses Bayes Decision Tanpa Data."

"Reverse e-auction adalah metode pengadaansecara elektronik yang saat ini populer digunakan, karena menghasilkan penghematan biaya, efisiensi proses, dan transparansi. Dalam reverse e-auction, pembeli selaku penyelenggara lelang mengadakan event untuk mengkompetisikan penjual selaku penawar, dalam lelang berbasis internet yang hanya menggunakani harga sebagai atribut yang dapat dinegosiasikan. Namun reverse e-auction dapat menimbulkan kerugian apabila digunakan dalam kondisi yang tidak tepat, karena keterbatasan kemampuannya untuk mempertimbangkan lebih dari satu atribut. Studi kasus di PT. X mengungkapkan kekurangan reverse e-auction dalam pengadaan beberapa produk. Untuk itulah, dibutuhkan multiattribute auction sebagai pengembangan dari reverse e-auction, yang memungkinkan penggunaan multi atribut untuk dinegosiasikan. Untuk mengetahui atribut yang tepat disertai dengan bobotnya, maka digunakanlah Analytic Network Process (ANP). ANP juga bermanfaat untuk menunjukkan hubungan ketergantungan antar elemen. Berdasarkan hasil ANP, harga merupakan atribut independen, sehingga tidak memiliki bobot. Atribut lainnya yang memiliki bobot terbesar hingga terkecil adalah delivery, kualitas produk, dan kualitas manajemen. Multiattribute auction yang disarankan adalah yang menggunakan aturan lelang Inggris dengan tiga atribut: harga, delivery, dan kualitas produk. Karena memiliki bobot yang tidak signifikan, maka kualitas manajemen hanya digunakan sebagai pertimbangan awal bagi pembeli. Usulan juga meliputi pengungkapan informasi dan isi tampilan aplikasi lelang bagi pengguna.

---

Reverse e-auction is a popular electronic procurement method that recently used, because it produces cost saving, process efficiency, and transparency. In reverse e-auction, buyer as the auctioneer conduct an event to compete sellers as the bidders in web based auction with price as the only negotiable attribute. Thus, reverse e-auction can create loss if not used in proper condition, because of its limited power for considering more than one attribute. Case study in PT. X reveals disadvantages of reverse e-auction for some products procured. Therefore, multiattribute auction as the extension of reverse e-auction, which enables multiattribute negotiable dimension, is needed. To know the proper attributes and their weights, Analytic Network Process (ANP) is used. ANP is also useful to show interdependencies between elements. According to the ANP result, price is an independence attribute, so that it does not have any weights. Other attributes that have the biggest until the smallest weights are delivery, product quality, and management quality. Multiattribute auction proposed is English auction ruled with three attributes: price, delivery, and product quality. For having an insignificant weight, management quality is only proposed to be an early consideration for buyer. Recommendations also consist of information revelation and content of user interface."