Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tesis ini membahas algoritma mengenal graf pariti G=(V,E) dan mencari klik terbesarnya, serta implementasinya pada pseudo_code yang diuraikan pada bahasa pemrograman C versi Turbo C. Algoritma ini merupakan algoritma sekuensial yang mengacu pada algoritma paralel 0(log2n) pada n /1og2n prosesor dari [PRZ91].Langkah pertama dari algoritma mengenal graf pariti adalah memilih sembarang verteks u E V sedemikian sehingga bentuk graf G diubah nenjadi himpunan subgraf level per level, dengan u sebagai verteks tunggal di level ke 0. Kemudian langkah berikutnya, hubungan verteks-verteks antar level dibuktikan keparitiannya berdasarkan sifat-sifat graf pariti [PR291]. Sedangkan langkah pertama dari algoritma meneari klik terbesar pada graf pariti adalah membentuk himpunan subgraf yang dibangun dari gabungan komponen di level ke i dengan tetangganya di level ke i-1. Kemudian langkah berikutnya, penentuan klik terbesar dapat dicari dari setiap subgraf tersebut [PRZ91).Hasil pengamatan pada banyaknya iterasi (langkah) dari basil eksekusi program pada 10 sampai dengan 70 verteks untuk 15 bentuk graf, diperoleh kesimpulan bahwa pemilihan verteks u untuk level ke 0 mempengaruhi jumlah iterasi, dan semakin besar jumlah komponen yang terjadi dalam pembuktian keparitian graf semakin besar pula jumlah iterasi yang diperoleh. Hasil pengamatan menunjukkan jumlah iterasi terbesar terjadi pada graf bipartisi lengkap dengan bentuk = level ke 1 berisi n-1- |n/3| verteks, level ke 2 benisi. 1n/31 verteks dan gabungan subgraf level ke 1 dan 2 merupakan bipartisi lengkap (n=|V|). Dengan mengasumsikan bahwa jumlah operasi pada setiap iterasi adalah konstan, maka implementasi algoritma menunjukkan kompleksitas 0(n4)."

"Pada tulisan ini disusun suatu algoritma sebagai pengembangan dari algoritma yang sudah ada yaitu algoritma Quine-McCluskey untuk membantu meminimalkan fungsi Boole dalam bentuk sum of product. Algoritma ini berguna dalam perancangan rangkaian logika kombinasi terutama PLA (Programmable Logic Array) sehingga diperoleh rangkaian berbiaya rendah.Dalam rangkaian logika kombinasi, fungsinya secara eksplisit dinyatakan dalam fungsi Boole. Untuk meminimalkan fungsi Boole ini sudah dikenal beberapa metode antara lain metode Peta Karnaugh, metode tabulasi (HILLBI), metode MINI (ARE78) dan metode ESPRESSO (BRAY84) Pada metode tabulasi diperlukan tiga tahap untuk meminimalkan fungsi Boole, yaitu pencarian PI (Prime Implicant), pencarian EPI (Essential Prime Impicant) dan pemilihan NON-EPI. Algoritma Quine-McCluskey hanya melaksanakan tahap pertama yaitu pencarian Prime Implicant.Dengan menelusuri ide dasar penyusunan algoritma Quine-McCluskey, yaitu teori kubus, dan dengan menentuan suatu relasi partial ordering di himpunan C=(O,1,X) yang menjadikan (C,>-) sebuah lattice, maka dengan menggunakan sifat lattice tersebut dapat disusun aturan-aturan tertentu sehingga dapat dibuat algoritma yang lebih sederhana dari pada algoritma Quine-McCLuskey. Di samping itu, algoritma ini melaksanakan tahap pertama dan tahap kedua dari metode tabulasi sehingga selain menghasilkan Prime Implicant sekaligus juga menghasilkan Essential Prime Implicant, meskipun algoritma modifikasi ini memiliki kompleksitas waktu dan space yang sama dengan algoritma Quine-McCluskey yaitu O(n3) dan O(n)."

"Sistem Penilaian Otomatis SIMPLE-O selama ini dikembangkan dengan pemrograman PHP di Departemen Teknik Elektro Fakultas Teknik Universitas Indonesia. Namun akurasi SIMPLE-O saat ini belum cukup tinggi untuk dapat digunakan secara praktis. SIMPLE-O kemudian dilanjutkan pengembangannya menggunakan pemrograman Bahasa C, tidak hanya untuk mencoba meningkatkan akurasi SIMPLE-O, tapi juga untuk memperluas penggunaannya. Untuk dapat meningkatkan akurasi penilaian SIMPLE-O diintegrasikan learning vector quantization LVQ pada pengembangannya. Skripsi ini membahas bagaimana pengembangan SIMPLE-O dengan LVQ menggunakan pemrograman Bahasa C.Seberapa banyak bagian data sampel yang digunakan pada saat training mempengaruhi performa penilaian. Semakin sedikit data yang digunakan pada fase training, maka akan terjadi penurunan akurasi pada fase evaluasi. Akurasi penilaian juga dipengaruhi proses ekstraksi ciri-ciri teks yang dilakukan menggunakan latent semantic analysis LSA dan singular value decomposition SVD . Akurasi penilaian dapat berubah ketika singular value yang dihasilkan, di proses terlebih dulu dengan frobenius norm dan vector angle. Faktor lainnya seperti jumlah kata-per-kolom matriks LSA tidak begitu mempengaruhi akurasi penilaian. Pada akhir percobaan, akurasi SIMPLE-O dengan LVQ secara rata-rata adalah 52.27 . Dengan menambahkan LVQ, akurasi SIMPLE-O mengalami peningkatan sebesar 41.67.

---

Sistem Penilaian Otomatis SIMPLE O was developed using PHP at Departemen Teknik Elektro Fakultas Teknik Universitas Indonesia. But the resulting accuracy of the SIMPLE O was not reliable enough to be used practically. Right now, SIMPLE O was being developed using C Programming Language. This was done to increase its reliability and to further widen its applications. To increase the accuracy of SIMPLE O, learning vector quantization LVQ was integrated as part of the new program. This Paper was written to address the development of SIMPLE O with LVQ.With less data used in LVQ training phase there will a decrease in the resulting accuracy of the validation phase. The accuracy was also affected by the method of how well the extraction of the text characteristic using latent semantic analysis LSA and singular value decomposition SVD . Additional process of the resulting singular value will result in change of accuracy. The number of words per column when creating the LSA matrix did not have any significant effect. At the end, SIMPLE O with LVQ has an average accuracy of 52.27. Implementation of LVQ give an increase of 41.67 of the accuracy."