Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTDalam dunia arsitektur, Sefaira digunakan secara bersamaan dalam process desain untuk menganalisa ketahanan yang dikenal di level internasional. Proyek tugas akhir ini mengukuhkan nilai kelestarian terhadap lingkungan serta rasa komunitas sebagai fokus dasar untuk membangun ulang kehidupan asli masyarakat Australia pinggiran kota. Pembangunan cluster ditujukan untuk 230 orang dengan maksimal 80m2 luas bangunan per-rumah. Arahan desain adalah untuk merancang pola induk berdasarkan pendekatan keberlanjutan. Proyek ini menguji apakah pertanian yang membaharui memiliki peran dalam pembuatan kota modern. Oleh karena itu, arsitektur yang dirancang bersifat menyambungkan kembali dari apa yang hilang dengan Sefaira sebagai panduan.

---

ABSTRACTIn architecture world, Sefaira is used respectively on the design process to analyse the sustainability of a building and product as an internationally recognized rating system. This final project consolidates sustainability values and sense of community as the main focus as it is to recreate an Australian authentic suburbia living. The development of cluster is for 230 residents with R40 residential subdivision zoning or equivalent as maximum of 80m2 built area per-house. The design brief given by Dr. Simon Pendal, one of lecturer in Curtin University and architectural practice in Perth, is to propose a masterplan design based on sustainability approach. The project test whether regenerative agriculture has a role to play in the making of the contemporary city. Accordingly, the appropriate architecture is to reconnect to what has been missing based on Sefaira as a guidance."

"Cluster analysis is an unsupervised process that divides a set of objects into homogeneous groups. This book starts with basic information on cluster analysis, including the classification of data and the corresponding similarity measures, followed by the presentation of over 50 clustering algorithms in groups according to some specific baseline methodologies such as hierarchical, center-based, and search-based methods. As a result, readers and users can easily identify an appropriate algorithm for their applications and compare novel ideas with existing results. The book also provides examples of clustering applications to illustrate the advantages and shortcomings of different clustering architectures and algorithms. Application areas include pattern recognition, artificial intelligence, information technology, image processing, biology, psychology, and marketing. Readers also learn how to perform cluster analysis with the C/C++ and MATLAB programming languages."

"Kemiskinan di Indonesia masih menjadi masalah yang harus diperhatikan setiap tahun. Menurut Laporan Susenas Maret 2022, Pulau Sulawesi menempati urutan ketiga dari enam pulau besar di Indonesia berdasarkan persentase penduduk miskin. Hal ini menunjukkan masih banyak penduduk di Pulau Sulawesi yang mengalami kemiskinan. Oleh karena itu, pemerintah perlu mengambil kebijakan yang tepat untuk mengatasi kemiskinan. Salah satu upaya yang dapat dilakukan pemerintah adalah dengan melakukan pengelompokan, yaitu mengelompokkan daerah-daerah kabupaten/kota di Pulau Sulawesi berdasarkan variabel-variabel kemiskinan. Tujuan penelitian ini adalah mengelompokkan data secara dua arah yaitu pengelompokan berdasarkan kabupaten/kota dan variabel-variabelnya secara bersamaan. Dengan terbentuknya pengelompokan kabupaten/kota dan variabel secara bersamaan akan mempermudah pemerintah untuk membuat kebijakan untuk mengatasi kemiskinan. Metode yang sesuai untuk mengelompokkan kabupaten/kota dan variabel-variabel secara bersamaan adalah metode biclustering. Metode biclustering dapat melakukan pengelompokan observasi dan karakteristik secara bersamaan sehingga terbentuk bicluster yang dapat dicirikan dengan karakteristik yang berbeda. Salah satu algoritma biclustering yaitu Iterative Signature Algorithm (ISA). Pengelompokan dengan menggunakan Iterative Signature Algorithm (ISA) memerlukan nilai ambang batas atas dan nilai ambang batas bawah. Nilai ambang batas adalah nilai yang digunakan untuk menentukan apakah suatu wilayah kabupaten/kota dan variabel-variabel dapat masuk ke dalam bicluster. Hasil yang terbaik dipilih berdasarkan rata-rata Mean Square Residu (MSR) per volume. Analisis biclustering pada data kemiskinan di Pulau Sulawesi tahun 2022 menggunakan Iterative Signature Algorithm (ISA) menghasilkan sebanyak 2 bicluster. Pemerintah diharapkan dapat membuat kebijakan yang tepat sesuai dengan masalah yang terjadi pada bicluster 1 dan bicluster 2.

---

Poverty in Indonesia is still a problem that must be addressed every year. According to the March 2022 Susenas report, Sulawesi Island ranks at third out of six major islands in Indonesia based on the percentage of the population living in poverty. This shows that there are still many people in Sulawesi Island who experience poverty.  Therefore, the government needs to take the right policy to overcome poverty. One of the efforts that the government can make is by clustering, namely grouping districts/cities on the island of Sulawesi based on poverty variables. The objective of this research is to group the data in two directions, namely grouping by district/city and its variables simultaneously. With the formation of groupings of districts/cities and variables simultaneously, it will be easier for the government to make policies to overcome poverty. The appropriate method to group districts/cities and variables together is the biclustering method. The biclustering method able to group observations and characteristics simultaneously so that biclusters formed that can be characterized differently. One of the biclustering algorithms is the Iterative Signature Algorithm (ISA). Clustering using the Iterative Signature Algorithm (ISA) requires an upper threshold value and a lower threshold value. Threshold value is the value used to determine whether a district/city and variables can be included in a bicluster. The best result is selected based on the average Mean Square Residu (MSR) per volume. Biclustering analysis of poverty data in Sulawesi Island in 2022 using Iterative Signature Algorithm (ISA) produce 2 biclusters. Based on this results, the government is expected to make a right policy to overcome poverty problems in bicluster 1 and bicluster 2."

"Perusahaan Daerah Air Minum (PDAM) adalah salah satu unit usaha milik daerah, yang bergerak dalam distribusi air bersih bagi masyarakat umum yang terdapat di setiap provinsi, kabupaten, dan kotamadya di seluruh Indonesia. Setiap tahunnya dilakukan penilaian kerja PDAM oleh Badan Peningkatan Penyelengaraan Sistem Penyediaan Air Minum (BPPSPAM). Penilaian kerja Badan Usaha Milik Daerah (BUMD) penyelenggara SPAM merupakan upaya untuk melihat dan mengukur tingkat kinerja manajemen dalam mengelola perusahaan yang bertujuan untuk mengetahui sejauh mana efisiensi dan efektifitas pengelolaannya. Penilaian kinerja ini menggunakan empat aspek dimana setiap aspeknya memiliki indikator-indikator penilaian. Aspek yang pertama adalah aspek keuangan dengan indikator Return of Equity (ROE), rasio operasi, rasio kas, efektivitas penagihan, dan solvabilitas. Selanjutnya adalah aspek pelayanan dengan indikator-indikator, yaitu cakupan pelayanan teknis, pertumbuhan pelanggan, tingkat penyelesaian pengaduan, kualitas air pelanggan, dan konsumsi air domestik. Aspek yang ketiga adalah aspek operasional dengan indikator efisiensi produk, tingkat kehilangan air, jam operasi layanan, tekanan air pada sambungan pelanggan, dan penggantian dan (atau) kalibrasi meter air pelanggan. Aspek yang terakhir adalah aspek sumber daya manusia dengan indikator rasio pegawai, rasio diklat pegawai, dan rasio beban diklat terhadap beban pegawai. Indikator-indikator tersebut kemudian dihitung dan setiap unit PDAM dikelompokkan menjadi tiga kelompok yaitu sehat, kurang sehat, dan sakit. Pada penelitian ini dilakukan pengelompokan ulang dengan menggunakan metode clustering untuk menentukan berapa kelompok yang mungkin dihasilkan berdasarkan indikator-indikator tersebut. Indikator-indikator yang dipakai pada penelitian ini adalah Return of EquityROE), efektivitas penagihan, jam operasional, rasio pegawai, cakupan pelayanan teknis, pertumbuhan pelanggan, tingkat kehilangan air, tarif rata-rata, profit margin, rasio pelayanan, dan rasio kas. Penelitian ini menghasilkan kelompok-kelompok yang lebih rinci dibandingkan dengan kelompok yang sebelumnya. Penelitian ini juga membandingkan hasil clustering tersebut dengan pengelompokan yang sudah diterapkan oleh BPPSPAM.

---

Regional Water Use Company (Perusahaan Daerah Air Minum/PDAM) is one of the regional-owned business unit, which is engaged in the distribution of clean water for the general public in Indonesia. Every year a PDAM work assessment is carried out by the BPPSPAM. This work assessment is an effort to see and measure the level of management performance in managing the company which aims to determine the extent of efficiency and effectiveness of its management. This performance appraisal uses four aspects where each aspect has assessment indicators. The first aspect is the financial aspects with the indicators of Return of Equity (ROE), operating ratio, cash ratio, collection effectiveness, and solvency. The second one is the service aspects with indicators, namely technical service coverage, customer growth, complaint resolution rate, customer water quality, and domestic water consumption. The third one is the operational aspects with indicators of product efficiency, non-revenue water, service operating hours, water pressure at customer connection, and replacement (or) calibration of customer water meters. And the last one is the human resources aspects with indicators of employee ratio, employee training ratio, and the ratio of training expenses to employee expenses. These indicators are then calculated and PDAM units are grouped into three groups, namely healthy, unhealthy, and sick. In this study, regrouping was carried out using the clustering method to determine how many groups might be generated based on some of these indicators. The indicators used in this study are Return of Equity (ROE), billing effectiveness, operation hours, employee ratio, technical service coverage, customer growth, water loss rate, average fee, profit margin, service ratio, and cash ratio. This study also compares the results of the clustering with the grouping by BPPSPAM. This study resulted in more detailed groups than the previous groups."

"This book addresses these challenges and makes novel contributions in establishing theoretical frameworks for K-means distances and K-means based consensus clustering, identifying the "dangerous" uniform effect and zero-value dilemma of K-means, adapting right measures for cluster validity, and integrating K-means with SVMs for rare class analysis. This book not only enriches the clustering and optimization theories, but also provides good guidance for the practical use of K-means, especially for important tasks such as network intrusion detection and credit fraud prediction. The thesis on which this book is based has won the "2010 National Excellent Doctoral Dissertation Award", the highest honor for not more than 100 PhD theses per year in China."

"ABSTRACTSaat ini new psychoacytive substances NPS telah menjadi fenomena yang perlu diperhatikan karena perkembangannya yang cepat untuk menghindari hukum yang berlaku dalam suatu negara. Perkembangan senyawa katinon pada tahun 2013 tercatat sebanyak 30 senyawa katinon sintetik kemudian terjadi peningkatan pada tahun 2018 menjadi 89 senyawa katinon sintetik. Artificial intelegence AI telah menjadi menjadi alat bantu manusia dalam melakukan pengolahan data, perkembangan AI menjadi machine learning dan deep learning penggunaannya meliputi pengenalan objek, klasifikasi gambar dan pengenalan pose manusia. Struktur suatu senyawa diubah menjadi bentuk pemodelan fingerprint sebagai informasi yang akan digunakan oleh metode clustering machine learning dan deep learning untuk melakukan klasifikasi senyawa. Sedangkan metode pemodelan farmakofor akan dijadikan pembanding dengan kedua metode diatas. Metode deep learning dengan pemodelan fingerprint mampu memberikan hasil akurasi dan Kohen Kappa dengan nilai 99,32 dan 0,992. Hasil ini menunjukan bahwa metode deep learning dengan pemodelan fingerprint memiliki potensi sebagai instrumen untuk mencegah perkembangan new psychoacytive substances dengan cara menegakan hukum yang berlaku di indonesia.

---

ABSTRACTNowadays new psychoactive substances NPS have become a phenomenon that needs to be noticed because of its rapid development in order to avoid applicable law within a country. Development of the compound katinon in the year 2013 recorded as many as 30 synthetic katinon compounds then increased in 2018 to 89 synthetic katinon compounds. Artificial intelligence AI has become a tool of human being in doing data processing, AI development become machine learning and deep learning its use include object recognition, image classification and human pose recognition. The structure of a compound was transformed into a form of fingerprint modeling as the information that will be used by the clustering method machine learning and deep learning to classify the compound. While the method of modeling pharmacophore will be used as a comparison with both methods above. Deep learning method with fingerprint modeling can give accuracy and Cohen Kappa with 99.32 and 0.992. This result shows that deep learning method with fingerprint modeling has potential as an instrument to prevent expansion of new psychoactive substances by enforcing applicable law in Indonesia."

"Kebahagiaan merupakan istilah yang mengacu pada kasih sayang, kesejahteraan, kepuasan, pengalaman kegembiraan, dan kekaguman. Kebahagiaan diukur berdasarkan indikator subjektif dan objektif. Indikator subjektif mengukur pengalaman emosional manusia mengenai peristiwa yang terjadi dalam kehidupannya. Sedangkan indikator objektif mengukur kesejahteraan materi berdasarkan aspek ekonomi, lingkungan sosial, politik, dan kesehatan. Penelitian ini membahas mengenai pengelompokan negara-negara berdasarkan indikator-indikator dari kebahagiaan dunia tahun 2021. Delapan indikator yang digunakan untuk pengelompokan dalam penelitian ini adalah GDP per kapita, dukungan sosial, harapan hidup sehat, kebebasan hidup, persepsi negatif masyarakat terhadap korupsi, kemurahan hati, indeks kriminalitas, dan biaya hidup. Penelitian ini menggunakan metode K-Means dan Fuzzy C-Means untuk mengelompokkan negara-negara. Dari kedua metode akan dicari metode pengelompokan yang paling optimal. Pemetaan hasil kelompok dari metode yang paling optimal dilakukan dengan metode Biplot. Berdasarkan hasil penelitian, didapatkan jumlah kelompok optimal untuk kedua metode adalah sebanyak 3 menggunakan indeks Silhouette untuk metode K-Means dan modifikasi koefisien partisi untuk metode Fuzzy C-Means. Dengan menggunakan nilai rasio simpangan baku dalam dan antar kelompok, didapatkan metode pengelompokan terbaik menggunakan metode K-Means dengan nilai rasio sebesar 0.4413. Kelompok 1 beranggotakan 35 negara yang didominasi oleh negara-negara di wilayah Sub-Saharan Afrika dan Asia Selatan, kelompok 2 beranggotakan 68 negara yang didominasi oleh negara-negara di wilayah Amerika Latin, Persemakmuran Negara-negara Merdeka (PNM), serta Eropa Timur dan Tengah, serta kelompok 3 beranggotakan 30 negara yang didominasi oleh negara-negara di wilayah Eropa Barat, Amerika Utara, dan Australia. Hasil pemetaan ketiga kelompok dengan metode Biplot mampu menerangkan keragaman data sebesar 64.2 persen. Kelompok 1 cenderung memiliki indeks kriminalitas yang tinggi, kemurahan hati yang tinggi, dan persepsi negatif masyarakat terhadap korupsi yang tinggi. Kelompok 2 cenderung memiliki indeks kriminalitas yang tinggi, persepsi negatif masyarakat terhadap korupsi yang tinggi, GDP per kapita yang tinggi, harapan hidup sehat yang tinggi, dan dukungan sosial yang tinggi. Kelompok 3 cenderung memiliki kebebasan hidup yang tinggi, biaya hidup yang tinggi, indeks kebahagiaan yang tinggi, dukungan sosial yang tinggi, harapan hidup sehat yang tinggi, dan GDP per kapita yang tinggi.

---

Happiness is a term that refers to affection, well-being, contentment, the experience of joy, and admiration. World happiness is measured based on subjective and objective indicators. The Subjective indicators measure human emotional experiences regarding events that occur in their lives. Meanwhile, objective indicators measure happiness based on economic, social, political, and health aspects. This study discusses the clustering of countries based on indicators of world happiness in 2021. In this study, eight indicators used for clustering are GDP per capita, social support, healthy life expectancy, freedom of life, negative perception of corruption, generosity, index crime, and cost of living. This study uses the K-Means and Fuzzy C-Means methods in clustering countries. From these two methods, the optimal clustering method will be sought. Mapping the cluster results was carried out using the Biplot method. Based on the research study, the optimal number of clusters for the both methods is 3 using the Silhouette index for the K-Means method and the partition modification coefficient for the Fuzzy C-Means method. By using the value of the standard deviation ratio within and between clusters, the best clustering method using the K-Means method is obtained with a ratio of 0.44129. The clustering results consisted of cluster 1 with 35 countries dominated by countries in the Sub-Saharan Africa and South Asia region, cluster 2 with 68 countries dominated by countries in Latin America, Commonwealth of Independent States, and Central and Eastern Europe region, and cluster 3 with 30 countries dominated by countries in the Western European, North America, and Australia region. The results of mapping the three groups using the Biplot method were able to explain the diversity of data by 64.2 percent. Cluster 1 tends to have a high crime index, high generosity, and a high negative perception of corruption. Cluster 2 tends to have a high crime index, high perception of corruption, high GDP per capita, high healthy life expectancy, and high social support. Cluster 3 has high freedom of living, high cost of living, high happiness index, high social support, high healthy life expectancy, and high GDP per capita."

"Clustering merupakan metode untuk mengidentifikasi kelompok natural pada data berdasarkan ukuran kemiripan seperti jarak Eucledian. Clustering bertujuan untuk mengelompokkan data, dengan kriteria observasi yang berada dalam satu klaster memiliki tingkat kemiripan yang sangat signifikan, sedangkan observasi yang berada dalam cluster yang berbeda, memiliki perbedaan yang sangat signifikan. Pada tahun 2021, Chowdhury, Bhattacharyya, & Kalita mengembangkan metode User-Input-Free Density-Based Clustering (UIFDBC) berdasarkan dari metode density-based clustering yang telah ada sebelumnya. Seperti namanya, metode UIFDBC ini tidak memerlukan input dari pengguna untuk menemukan cluster. Maka dari itu, metode UIFDBC ini berhasil menjawab permasalahan metode clustering sebelumnya yang bergantung pada input dari pengguna. Tujuan dari penelitian ini adalah untuk membahas lebih dalam terkait metode User-Input-Free Density-Based Clustering (UIFDBC), menerapkan metode UIFDBC pada data real, yaitu data konsumen kartu kredit untuk melakukan segmentasi konsumen, serta mengkaji performa metode ini pada data yang mengandung missing values di dalamnya. Dari hasil penelitian, metode UIFDBC berhasil diterapkan pada data konsumen kartu kredit, dan diperoleh sebanyak delapan cluster pengguna, dimana setiap cluster memiliki karakteristik masing-masing. Selain itu, dari hasil pengkajian metode UIFDBC terhadap data dengan missing values diketahui bahwa performa metode UIFDBC dinilai cukup baik untuk proporsi missing values ≤ 5%. Namun perlu menjadi catatan bahwa data hasil dari setiap iterasi akan bersifat acak, dikarenakan metode UIFDBC sangat bergantung pada densitas data, sedangkan densitas data bergantung pada missing values yang mana dibangkitkan secara acak sepenuhnya.

---

Clustering is a method to identify natural groups in data based on similarity measures such as Eucledian distance. Clustering aims to group data, with the criteria for observations in one cluster having a very significant level of similarity, while observations in different clusters have very significant differences. In 2021, Chowdhury, Bhattacharyya, & Kalita developed the User-Input-Free Density-Based Clustering (UIFDBC) method based on the previous density-based clustering method. As the name suggests, this UIFDBC method does not require input from the user to find the cluster. Therefore, this UIFDBC method has succeeded in answering the problems of the previous clustering method which depended on input from the user. The purpose of this study is to discuss more deeply the User-Input-Free Density-Based Clustering (UIFDBC) method, to apply the UIFDBC method to real data, namely credit card consumer data to segment consumers, and to examine the performance of this method on data containing missing values in it. From the results of the study, the UIFDBC method was successfully applied to credit card consumer data, and obtained as many as eight user clusters, where each cluster has its own characteristics. In addition, from the results of the study of the UIFDBC method on data with missing values, it is known that the performance of the UIFDBC method is considered quite good for the proportion of missing values ≤ 5%. However, it should be noted that the resulting data from each iteration will be random, because the UIFDBC method is very dependent on data density, while data density depends on missing values which are generated completely randomly."

"Generalized Estimating Equation (GEE) adalah metode penaksiran parameter model regresi yang pengamatan-pengamatannya saling berkorelasi, yang dapat disebabkan oleh lokasi atau kelompok, yang biasa disebut sebagai data terklaster. Penaksiran parameter dalam metode GEE menggunakan suatu fungsi yang dibangun dari bentuk umum distribusi keluarga eksponensial yang erat kaitannya dengan Generalized Linear Model (GLM). Ada dua model pendekatan dalam menganalisis data terklaster menggunakan metode GEE yaitu Population Averaged (PA) dan Clustered Specific (CS). Tugas akhir ini membahas mengenai bagaimana menaksir parameter model regresi linier Clustered Specific Generalized Estimating Equation (CS-GEE) pada data terklaster, serta aplikasinya pada data kemiskinan di Provinsi Jawa Timur. Uji kesesuaian model regresi linier CS-GEE yang digunakan adalah Uji Wald dengan menggunakan Naïve standard error.

---

Generalized Estimating Equation (GEE) is a regression model parameter estimation method where correlation exist in the observations due to the locations or groups, used known as clustered data. Parameter estimation of GEE method using a function constructed from a general form of exponential family distributions that closely related to the Generalized Linear Model (GLM). There are two models approach in analyzing the clustered data that is Population Averaged (PA) and Clustered Specific (CS).

This skripsi discusses about how to estimate linear regression model parameters of Clustered Specific Generalized Estimating Equation (CS-GEE) on clustered data, as well as its application on the poverty data in East Java. Goodness of fit testing of this model is Wald test by using the Naïve standard error."