Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini merupakan sebuah telaah atas buku karya Jose Luiz Bermudez berjudul Thinking without Words. Manusia dalam kehidupan selalu menggunakan pikiran, kegiatan berpikir pun memiliki relevansi dengan bahasa. Namun, pada umumnya bahasa selalu dianggap sebagai sesuatu yang terdiri dari kata-kata yang menghasilkan kalimat. Hal itu merupakan pandangan ilmu linguistik terhadap bahasa. Maka, berpikir secara nonlinguistik berusaha untuk membuktikan bahwa bahasa tak hanya terlingkup oleh kata-kata dan pikiran adalah hal yang sebenarnya ?melampaui? pengetahuan terhadap kata-kata.

---

This undergraduate thesis is a analysis of Thinking without Words by Jose Luiz Bermudez. In life, human always use thinking, that thinking as relevance activity with language. But, in common, there assume for language as a thing consist by words and producing sentence. That is point of view by linguistic. Therefore, nonlinguistic thought have different point to understand language. Thinking on a Nonlinguistic proves that language not just words zone and thinking is something beyond knowlwdge of words."

"Jika biaya kerugian yang disebabkan peristiwa kebakaran dapat diprediksi dengan big-structured data mengenai faktor-faktor penyebab kebakaran yang sudah ada maka penentuan polis asuransi kebakaran di perusahaan asuransi menjadi lebih efektif dan efisien. Pada tesis ini, model Deep Neural Network (DNN) digunakan untuk memprediksi biaya kerugian akibat kebakaran untuk polis asuransi, kemudian membandingkan akurasi model DNN dan NN. Dari hasil penelitian didapatkan bahwa akurasi (MSE) model DNN optimal sebesar 0,04217331959 ±0,63924424e-15, sedangkan akurasi (MSE) model NN yang optimal sebesar 0,04217335183±  0,64079999e-15. Hal tersebut menunjukan bahwa model DNN sebanding dengan model NN dalam memprediksi biaya kerugian pada asuransi kebakaran dengan data yang digunakan merupakan big-structured data. Selain itu, running time program untuk model NN lebih cepat dibandingkan dengan model DNN.

---

If the loss costs caused by fire events can be predicted with big structured data regarding the factors that cause the fires that already exist, determining fire insurance policies in the insurance companies can be more effective and efficient. In this study, the Deep Neural Network (DNN) model is used to predict the loss cost due to fire for insurance policies, then compare the accuracy of the DNN and NN models. The results showed that the accuracy (MSE) of the optimal DNN model was 0.04217331959 ± 0.63924424e-15. While the optimal NN model was 0.04217335183 ± 0.64079999e-15. This shows that the DNN model is comparable with the NN model in predicting the loss cost in fire insurance with the data used being big structured data. In addition, the running time of the program for the NN model is faster than the DNN model."