Hasil Pencarian  ::  Simpan CSV :: Kembali

"Machine Learning (ML) sebagai bagian dari Artificial Intelligence (AI) telah membuat komputer mampu melakukan hal-hal yang membutuhkan kecerdasan manusia secara otomatis. Binarized Neural Network (BNN) merupakan arsitektur ML modern yang memiliki keunggulan yakni penggunaan memori yang efisien dan performa yang baik. Namun, seperti neural network pada umumnya, BNN juga merupakan black-box model yang memiliki kesulitan dalam menjelaskan prediksi yang dihasilkan. Penelitian ini menggunakan teknik abduction untuk memperoleh minimal explanations, dalam bentuk himpunan pasangan fitur dan nilainya, dari hasil prediksi BNN. BNN dimodelkan sebagai model Mixed-Integer Linear Programming (MILP) dan selanjutnya disederhanakan menjadi model Integer Linear Programming (ILP) yang merupakan bentuk formal agar dapat dilakukan teknik abduction. Hasil penelitian menunjukkan bahwa teknik abduction dapat digunakan untuk menjelaskan hasil prediksi BNN. Penelitian ini juga menerapkan teknik abduction untuk menghasilkan penjelasan subset-minimal pada hasil prediksi BNN untuk beberapa dataset.

---

Machine Learning (ML) as part of Artificial Intelligence (AI) has enabled computers to do things that require human intelligence automatically. Binarized Neural Network (BNN) is a modern ML architecture that has some advantages: efficient use of memory and good performance. However, like other neural networks in general, BNN is also a black-box model that has difficulties in explaining the resulting predictions. This research employs the abduction technique to obtain minimal explanations, that is a set of pairs of features and its values, from a BNN prediction. BNN is modeled as a Mixed-Integer Linear Programming (MILP) model and then further simplified into an Integer Linear Programming (ILP) model which is a suitable formalism for finding explanations using abduction. This research shows that the abduction technique can be used to explain BNN predictions. Furthermore, this research applies the abduction technique to produce subset-minimal explanations on BNN predictions for several datasets."

"Diabetes melitus tipe 2 (DMT2) merupakan salah satu tipe diabetes yang telah menjadi permasalahan besar dalam dunia kesehatan. Salah satu pengobatan DMT2 yang mendegrasi enzim glukagon dan meningkatkan sekresi insulin adalah inhibitor Dipeptidil Peptidase-IV (DPP-IV).  Inhibitor DPP-IV yang sudah digunakan memiliki efek samping yang bahaya, seperti pankreatitis akut, arthalagia, dan gagal jantung. Pada penelitian ini, dilakukan pengembangan model Virtual Screening (VS) menggunakan teknologi Artificial Intelligence (AI) untuk identifikasi inhibitor DPP-IV yang berpotensi. Pengembangan model VS dilakukan menggunakan konsep machine learning (ML) dan deep learning (DL). Pada penelitian ini, dilakukan 18 pengembangan model ML dan 8 model DL. Model VS DPP-IV yang optimal merupakan DNN dengan fitur Fingerprint dengan nilai parameter statistik lebih tinggi dari threshold VS optimal yaitu 0,85, dengan akurasi 0,91554, presisi 0,90815, sensitivitas 0,92319, selektivitas 0,90801, dan nilai F1 0,9156. Hyperparameter optimal model VS adalah tiga layer dengan jumlah neuron 2.000, 1.000, 100; nilai dropout 0; ukuran batch size 256; jumlah epoch 100; kecepatan learning rate 0,0001; dan tipe activation function merupakan RELU. Model VS DPP-IV dilakukan ujicoba terhadap database bindingDB dan didapat 24 ligan potensi. Berdasarkan perbandingan nilai binding affinity 24 ligan potensi terhadap ligan inhibitor DPP-IV menggunakan penambatan molekular, didapat satu ligan potensi berinteraksi dengan situs aktif S2 dan tujuh ligan potensi berinteraksi dengan situs aktif S3. Ligan tersebut memiliki nilai binding affinity lebih rendah dari ligan inhibitor DPP-IV yang FDA-approved dan lebih rendah dari -8 kcal/mol. Hasil ini menunjukkan bahwa model VS DPP-IV menggunakan AI dapat menjadi metode virtual screening dalam identifikasi inhibitor DPP-IV yang baru.

---

Diabetes mellitus type 2 (DMT2) is one of diabetes type that has been causing problems in the health sector. One of the DMT2 medications that can degrade glucagon enzyme and increase insulin secretion is a Dipeptydil Peptidase-IV (DPP-IV) inhibitor. However, DPP-IV inhibitor drugs result in unexpected side effects such as acute pancreatitis, arthralgia, and heart failure. This research developed a virtual screening (VS) model using Artificial Intelligence (AI) to identify potential DPP-IV inhibitors. VS models that were developed were 18 ML models and 8 DL models. DNN with fingerprint features was the VS model best optimal with statistical parameters that exceeds the optimum VS threshold value, which is 0,85, with accuracy 0,91554, precision 0,90815, sensitivity 0,92319, selectivity 0,90801, and F1 score 0,9156. Optimum VS model hyperparameter used a three-layered neuron with the neuron amount of each layer were 2000, 1000, and 100; zero dropout, 256 batch size, 100 epochs, learning rate 0,0001 with RELU as activation function. DPP-IV VS model was used to predict potential ligands using bindingDB and showed 24 ligands with an AI confidence level above 0.98. Based on the binding affinity comparison with DPP-IV inhibitors by molecular docking, it resulted one ligand interacting with active site S2 and seven ligands interacting with active site S3. These ligands had lower binding affinity value compared to FDA-approved DPP-IV inhibitor by docking. The result of this research showed that the DPP-IV VS model using AI could be a new VS model in identifying new DPP-IV inhibitors."

"ABSTRAKSkripsi ini didasari oleh tujuan kami untuk memahami terlahirnya eksiton didalam graphene. Eksiton adalah quasipartikel yang mendeskripsikan keadaanterikat antara sebuah elektron dan sebuah hole. Eksiton memiliki peranan yangpenting dalam teknologi berbasis semikonduktor, seperti photovoltaics, laser,dan sebagainya. Skripsi ini tidak semata-mata bertujuan untuk mendiskusikantentang kemunculan eksiton, namun mengeksplorasi efek dari interaksi tolakmenolakCoulomb di antara elektron-elektron yang menghasilkan efek korelasi;Interaksi-interaksi ini memodikasi spektrum satu partikel (kerapatan keadaanatau Density of States) dan spektrum dua partikel (konduktivitas optis) darigraphene. Kami melakukan penelitian ini secara teoritik dengan cara menggunakanmetode GW yang diimplementasikan dengan basis model HamiltonianTight-Binding. Pemahaman dari efek-efek korelasi ini sangat penting karenahal ini akan berperan dalam membuat interaksi tarik-menarik efektif di antaraelektron dan hole yang akan mengikat mereka dan mengubah mereka menjadieksiton. Tujuan dari penelitian ini adalah melakukan perhitungan numerikdari konduktivitas optis dari graphene menggunakan menggunakan algoritmaGW berbasis Tight-binding. Skripsi ini meliputi perhitungan self-energy menggunakanFungsi Green (G) dan Fungsi Interaksi Ternormalisasi (W) yang didapatdari proses Random Phase Approximation. Metode ini didasari olehpendekatan Tight-Binding yang digunakan untuk membuat struktur pita energibare dari graphene. Selain itu, kami memformulasikan perlakuan interaksiCoulomb dengan menggunakan diagram Feynman dalam pendekatan GW.Hasil utama dari perhitungan ini adalah grak dari kerapatan keadaan (Den-sity of States) dan konduktivitas optis dari graphene dengan koreksi self-energydalam pendekatan GW.

---

ABSTRACTThis study is very much motivated by our aim to understand the formationof excitons in graphene. Excitons are quasi-particles that describe the boundstate between an electron and a hole. The role of excitons are very importantin semiconductor-based technologies, such as photovoltaics, lasers, and soon. This thesis is not aimed to discuss the formation of excitons itself, ratherit explores the eects of Coulomb repulsive interactions among electrons thatgenerate the correlations eects that modify the single-particle spectra (densityof states) and the two-particle spectra (optical conductivity) of graphene. Wedo this study theoretically by employing the GW method implemented on thebasis of the tight-binding model Hamiltonian. The understanding of such correlationeects is important because eventually they play an important role ininducing the eective attractive interactions between electrons and holes thatbind them into excitons. The aim of this research is to do a numerical calculationof the optical conductivity of graphene using a tight-binding based GWalgorithm. This study includes the calculation of self-energy by using Green'sFunction (G) and Normalized Interaction Function (W) acquired from RandomPhase Approximation. This method is derived from the Tight-BindingApproximation used to construct the bare band structure of graphene. In additionto this, we formulate with the treatment of the Coulomb interactionusing Feynman diagrams within the GW approximation. The main results ofthese calculations are the plots of density of states and optical conductivity ofgraphene upon the self energy corrections within the GW approximation."

"Penelitian yang dilakukan oleh John Holland pada tahun 1962 menghasilkan metode yang disebut sebagai algoritma genetik (Genelic Algorithms), yang dasar pikirannya sesuai dengan namanya, yaitu dari proses genetika. Secara biologis, gen dalam tubuh mahluk hidup berkembang biak, djselcksi dan terus berubah (beradaptasi) menurut lingkungannya Hal ini terlihat acak tetapi memiliki arah tertentu dan dapat mempertahankan hidupnya. Sistem alam ini kemudian dikembangkan menjadi sistem tiruan yang menggunakan metode Sarna untuk membuat replika ilmiah dari sistem buatan dan bersifat memiliki kecerdasan buatan karena prosesnya menunjukkan seolah-olah memiliki pikirannya sendiri. Sistem inilah yang disebut sebagai algoritma genetik karena rnemang mengambil sistern perlcembangan genetik di alam.Studi kasus ini mengambil sistem perpipaan yang mengguna.ka.n kompresor serial yang bertujuan untuk rnempertahankan tekanan sepanjang sistem. Perhitungan yang dilakukan bertujuan untuk mencari energi kompresor minimum yang dilconsumsi dari aliran tluida. Kesimpulan yang diambil bukan hanya harga optimum pemakaian energi dari kompresor, melainkan juga apakah metode optimasi yang dilakukan dapat memberikan hasil yang layak untuk diaplikasikan di lapangan atau metode tersebul layak untuk dipergunakan dalam proses simulasi maupun optimasi suatu sistem."

"Tulisan ini menganalisis mitigasi atas risiko yang mungkin timbul terhadap pemanfaatan Artificial Intelligence dalam sistem pendeteksi fraud yang digunakan pada perbankan. Tulisan ini disusun dengan menggunakan metode penelitian doktrinal. Artificial Intelligence adalah suatu sistem komputer yang dapat melakukan pekerjaan dan berpikir layaknya kecerdasan manusia. Peluang besar AI untuk mempermudah proses bisnis, operasional, dan layanan bank memungkinkannya digunakan dalam sistem pendeteksi fraud karena kemampuannya untuk mengolah data yang kompleks dapat membantu meningkatkan pengendalian internal bank dalam penguatan pilar preventif. Karena potensinya yang besar, Perbankan mulai mengimplementasikan AI untuk mendeteksi fraud. Namun pemanfaatan AI dalam mendeteksi fraud tidak terlepas dari risiko hukum antara lain pertanggungjawaban hukum apabila AI melakukan pelanggaran hukum, pelanggaran keamanan privasi dan data pribadi, serta ancaman kejahatan siber. Risiko- risiko tersebut harus dipahami bank sebagai pengguna mengingat pemanfaatan AI yang masif belum di dukung dengan regulasi yang memadai, sehingga perlunya dilakukan mitigasi terhadap risiko-risiko tersebut. Oleh karena itu, menjadi perhatian pemerintah untuk segera menyusunnya dalam kebijakan khusus. Selain itu, Bank perlu melakukan mitigasi risiko antara lain penguatan kebijakan internal dan penguatan sistem internal.

---

This paper analyzes the mitigation of risk that may arise from the use of Artificial Intelligence in fraud detection systems used in banking. This paper employs doctrinal research methods. Artificial Intelligence is a computer system that can do work and think like human intelligence. AI's great opportunity to simplify business processes, operations and bank services allows it to be used in fraud detection systems because its ability to process complex data that can help improve bank internal controls in strengthening the preventive pillar. Because of its great potential, banks are starting to implement AI to detect fraud. However, the use of AI in detecting fraud cannot be separated from legal risks, including legal liability if AI violates the law, breaches the security of privacy and personal data, as well as the threat of cyber crime. Banks as users must understand these risks considering that the massive use of AI is not yet supported by adequate regulations, so it is necessary to mitigate these risks. Therefore, it is a matter of concern for the government to immediately formulate it in a special policy. In addition, the Bank needs to mitigate risks, including strengthening internal policies and strengthening internal systems."

"ABSTRAKKecerdasan buatan (AI) telah menjadi sebuah teknologi yang penting dan berdampak besar pada banyak aspek kehidupan kita. Penelitian ini secara khusus meneliti bagaimana kecerdasan buatan mempengaruhi pengalaman pelanggan dalam industry ritel online. Pengalaman pelanggan adalah factor penting dalam bisnis untuk memberikan keunggulan kompetitif. Karena itu, perusahaan menjadi lebih memperhatikan pengalaman pelanggan. Industri ritel online telah menjadi pengganti belanja ritel tradisional. Perusahaan berbasis e-commerce lainnya telah meningkatkan ketuntungannya dan menjadi lebih kompetitif dengan mengintegrasikan operasinya menggunakan AI. Saat ini, penjualan global e-commerce mencapai $2.304 miliar pada tahun 2017 dan diperkirakan akan tumbuh sebesar $ 4.878 miliar pada tahun 2021, yang berarti penjualan akan dua kali lipat hanya dalam empat tahun. Dengan bantuan AI, pengalaman pelanggan dapat ditingkatkan lebih lanjut. Dengan demikian, penelitian ini meneliti tentang bagaimana AI dalam industry ritel online berperan dalam membentuk keunggulan kompetitif. Teori dasar untuk penelitian ini adalah dari pandangan berbasi sumber daya dan kemampuan dinamis dimana itu menganalisis tentang bagaimana perusahaan dapat memanfaatkan sumber dayanya dan terus beradaptasi di pasar yang dinamis. Karena ada banyak bukti bahwa kemajuan dalam informasi dan teknologi mempengaruhi kehidupan kita dengan cara yang lebih baik, harapan dalam penelitian ini adalah bahwa AI dapat secara drastic mengubah / meningkatkan cara kerja bisnis, dalam hal ini, pengalaman pelanggan.

---

ABSTRACT

Artificial Intelligence (AI) is becoming an important technology and has substantially impact on many aspects of our lives. This paper specifically examines how Artificial intelligence influence customer experience in the online retail industry. Customer experience is the critical factor of business to provide a competitive advantage. Because of that, companies are becoming more aware of customer experience. The online retail industry has become a substitute for traditional retail shopping. Other e-commerce-based companies also have increased profit and becoming more competitive by integrating its operation using AI. Currently, the global sales of e-commerce are $2,304 billion in 2017 and are forecasted to grow for $4,878 billion in 2021, which means the sales will be doubled in just four years. With the help of AI, the customer experience can be increased further. Thus, this research inspects on how AI in the online retail industry plays a role in shaping competitive advantage. The fundamental theory for this study is resource-based view and dynamic capabilities where it analyses on how companies able to utilize its resource and continuously adapt in the dynamic market. Because there is much proof that advancement in information and technology is affecting our lives in a better way, the expectation in this research is that AI can drastically change/improve how business works, in this case, the customer experience."