Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKClustering adalah metode pembagian data ke dalam kelompok homogen yang disebut cluster. Spectral clustering merupakan salah satu algoritma clustering modern yang memiliki kelebihan dapat mereduksi dimensi data. Pada penelitian ini metode partisi yang diterapkan pada spectral clustering yaitu self-organizing map SOM . SOM memiliki keunggulan tahan terhadap data noise dan outlier, serta SOM dapat mengatasi dataset yang besar. Penelitian ini bertujuan untuk mengimplementasikan spectral clustering-self organizing map pada data microarray ekspresi gen karsinoma yang terdiri dari 7457 gen dari 18 sampel normal dan 18 sampel penderita kanker karsinoma. Sebelum dilakukan spectral clustering-SOM, data microarray ekspresi gen karsinoma dinormalisasi menggunakan normalisasi min-max. Spectral clustering-SOM dilakukan dengan tahapan-tahapan berikut: menghitung matriks similaritas W , menghitung matriks laplacian ternormalisasi Lsym , menghitung eigenvalue dari Lsym, membentuk matriks U yang terdiri dari k eigenvector terkecil, membentuk vektor unit Unorm dari vektor baris pada matriks U sehingga vektor unit memiliki norm 1, mengelompokkan gen pada matriks Unorm menggunakan SOM dan menghitung nilai indeks Davies-Bouldin IDB k . Penentuan jumlah cluster terbaik berdasarkan nilai indeks Davies-Bouldin yang paling minimum. Dengan menggunakan perangkat lunak R, hasil penelitian ini menunjukkan bahwa data microarray ekspresi gen karsinoma terbagi menjadi dua cluster dengan nilai indeks Davies-Bouldin yaitu 0,5843429. Berdasarkan indeks Davies-Bouldin, hasil clustering menggunakan metode spectral clustering-SOM lebih baik daripada hasil clustering yang menggunakan metode SOM tanpa spectral clustering.

---

ABSTRACTClustering is a method the dividing data into a homogeneous group called a cluster. Spectral clustering is one of the modern clustering algorithms that has the advantage of reducing dimensions of data. In this study the partitioning method applied to spectral clustering is self organizing map. SOM has the advantage of robust to noise and outlier, and SOM can handle large datasets. This study aims to implement spectral clustering self organizing map on microarray data of carcinoma gene expression consisting of 7457 genes from 18 normal samples and 18 samples of carcinoma cancer patients. Before spectral clustering SOM, the microarray data of carcinoma genes expression was normalized using min max normalization. The Spectral clustering SOM is done by the following steps calculate similarity matrix W , calculate the normalized Laplacian matrix Lsym , calculate the eigenvalue of Lsym , forming a vector unit Unorm of the row vector of the matrix U so that the vector unit has norm 1, grouping the genes in the matrix Unorm and calculate the Davies Bouldin index values IDB k . Determination of the best number of clusters based on the minimum value of the Davies Bouldin index. By using software R, the result of this research is microarray data of carcinoma gene expression is divided into two clusters with Davies Bouldin index value is 0.5843429. Based on the Davies Bouldin index values, clustering using spectral clustering SOM is better than clustering using only SOM method without spectral clustering."

"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."

"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."

"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."

"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."

"ABSTRAKPerforma baik dari Self-Organizing Map (SOM) telah terbukti dalammengklasifikasikan citra wajah yang berada dalam kondisi pencahayaan yangbaik. Namun saat objek wajah mengalami pencahayaan yang berubah-ubah dandiambil dari berbagai sudut pandang berbeda, maka tingkat nilai rekognisi citrawajah dengan menggunakan metode SOM umumnya akan menurun.Dalam penelitian ini menggunakan metode Fuzzy Self-Organizing Map(FSOM) sebagai sistem pengenal wajah pada citra untuk meningkatkan nilairekognisi citra wajah yang mengalami pencahayaan yang berubah-ubah dariberbagai sudut.Hasil penelitian menunjukkan bahwa performa FSOM untuk mengenali wajahpada data berdasarkan sudut pandang dengan tingkat rekognisi tertinggididapatkan pada set data ke-10 saat sudut 100 pada saat wajah frontal yaitusebesar 87%, pada data berdasarkan perubahan cahaya dengan tingkat rekognisitertinggi pada set data ke-1 sebesar 66.88%, dan pada data berdasarkan objekwajah dengan tingkat rekognisi tertinggi pada set data ke-4 sebesar 88.33%.Berdasarkan Hasil penelitian didapatkan bahwa tingkat rekognisi rata-rata FSOM30% lebih tinggi dari SOM pada setiap pengelompokkan data dan juga didapatkanbahwa dengan metode FSOM mampu mengenali citra dengan baik yangmengalami pencahayaan yang berubah-ubah dari sudut yang berbeda-beda.

---

ABSTRACTPerform of Self-Organizing Map (SOM) has been proven to classify the face

images in good illumination conditions. But when this technique is applied to

various viewpoints of images in unstable illumination conditions, the accuracy

of face recognition will decrease.

In this research, Fuzzy Self-Organizing Map (FSOM) is introduced as a new

technique to increase the accuracy when the images are taken from various

viewpoints in the change illumination conditions.

In this results from the research show that perform of FSOM to face

recognition from based on the viewpoints have the highest recognition rate in the

tenth data set when the viewpoints is set to be 10 degree where the images had

been taken is achieved at 87%. The result has also shown that based on the

illumination conditions, the highest recognition rate is achieved at 66.88% in the

first data set. Based on the face objects, the most accurate recognition is achieved

at 88.33% in the fourth data set. These results show that FSOM can give 30%

better performance than SOM to perform face images classification in the changes

illumination conditions and various viewpoints."

"Penelitian ini terdiri dari dua tahap. Growing self-organizing map (GSOM) algorithm dan hybrid bee colony optimization (BCO) dan self-organizing map (SOM) untuk mengimprove SOM performance. Pada tahap pertama GSOM digunakan untuk menentukan SOM topology dan pada tahap kedua, hybrid BCOSOM digunakan untuk mengadjust SOM weights. Metode BCOSOM akan dibandingkan dengan metode PSO, BCO, SOM, PSOSOM, SOM+PSO, dan SOM+BCO dengan menggunakan 4 benchmark data sets (Iriss, Glass, Wine, dan Vowel). Dari hasil komputasi menunjukkan bahwa metode BCOSOM dapat mencari solusi yang lebih baik dari algoritma lainnya. Dari hasil tersebut, BCOSOM digunakan pada Group Technology untuk menentukan part families pada komponen plat disebuah perusahaan medical furniture di Yogyakarta.

---

This research proposes a two stage method growing self organizing map GSOM algorithm and bee colony optimization BCO based self organizing map BSOSOM to improve SOM performance. In the first stage GSOM is used to determine the SOM topology and then followed by BCOSOM to fine tune the SOM weights. The proposed BCOSOM algorithm is compared with other algorithms PSO BCO SOM PSOSOM SOM PSO and SOM BCO using four benchmark data sets Iris Glass Wine and Vowel. The computational result indicates that BCOSOM algorithm is able to find a better solution than other algorithms. Furthermore, the proposed algorithm has been also employed to Group Technology to cluster components into part families for a medical manufacture in Indonesia."

"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."