Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Tesis ini membahas tentang  penggunaan alat bukti kesamaan dokumen/surat oleh KPPU dalam memutus perkara Nomor 41/KPPU-L/2010 tentang Tender Pengadaan Sarana dan Prasarana Konversi Energi. Alat bukti yang digunakan oleh KPPU dalam memutus perkara ini adalah kesamaan dokumen, Alat Bukti kesamaan dokumen tersebut merupakan alat bukti petunjuk. Petunjuk dari berbagai macam alat bukti tidak mungkin dapat diperoleh hakim tanpa menggunakan suatu pemikiran tentang adanya persesuaian antara kenyataan yang satu dengan yang lain, atau antara satu kenyataan dengan tindak pidana itu sendiri. Oleh karena itu alat bukti petunjuk harus mengacu pada persesuaian antara kejadian, keadaan, perbuatan, maupun dengan tindak pidana itu sendiri. Alat bukti petunjuk hanya dikenal dalam hukum acara pidana (KUHAP) dan UU No.5 tahun 1999 tentang Larangan Praktek Monopoli dan Persaingan Usaha tidak Sehat. Pengaturan mengenai petunjuk di hukum pidana didasarkan pada prinsip bahwa hakim bersifat aktif untuk mencari keadilan, ......This thesis discusses the use of document similarity evidence / letter by the Commission in deciding the case 41/KPPU-L/2010 of Tender for Procurement of Infrastructure Energy Conversion. Evidence used by the Commission in deciding the case this is the similarity of a document, the document similarity Evidence is evidence instructions. Hints of various kinds of evidence may not be obtained without the use of a judge thought about the fact that the existence of correspondence between one another, or between one reality to the offense itself. Therefore evidence should refer to the instructions of correspondence between the events, circumstances, actions, and with the crime itself. Instructions only known evidence in criminal procedural law (Criminal Procedure Code) and Act No. 5 of 1999 on the Prohibition of Monopolistic Practices and Unfair Business Competition. Instructions on setting the criminal law is based on the principle that judges are actively to seek justice.

Abstrak :
Beberapa penelitian telah menunjukkan bahwa persepsi kemiripan dapat dibentuk tanpa ada interaksi antara pengamat dan target, termasuk teori pengambilan perspektif. Efek ini ditemukan karena pengambilan perspektif dapat membuat pelaku memproyeksikan identitasnya terhadap target. Penelitian ini berusaha memahami cara untuk meningkatkan persepsi kemiripan tanpa melakukan interaksi. Dalam dua eksperimen, peneliti menguji pengaruh pengambilan perspektif dan kontak imajiner terhadap persepsi kemiripan. Pengambilan perspektif merupakan sebuah proses kognitif sedangkan kontak imajiner mempengaruhi proses afektif. Studi pertama yang berfokus pada pengambilan perspektif dilakukan dengan 95 partisipan dan merupakan eksperimen between-subjects. Studi pertama juga merupakan replikasi dari studi ketiga Brown, Young & McConnel (2009). Studi kedua menguji pengaruh kontak imajiner dan memiliki 59 partisipan (76% perempuan). Kedua eksperimen ini menunjukkan bahwa pengambilan perspektif tidak meningkatkan persepsi kemiripan, sedangkan kontak imajiner dapat meningkatkan persepsi kemiripan. Studi ini menunjukkan pentingnya melakukan replikasi studi, dan memberi indikasi awal bahwa kontak imajiner dapat mempengaruhi persepsi kemiripan, bukan hanya efek keakraban (familiarity) terhadap target. ......Several studies have shown that perceived similarity can be elicited without any interaction taking place between observers and their targets. One such study highlights the effects of perspective taking on perceived similarity. Perspective taking is found to increase perceived similarity by increasing self-other overlap between observer and target. This study seeks to understand ways to increase perceived similarity without any interaction taking place. In two experiments, we tested the effects of taking perspective taking and imagined contact on perceived similarity. These two methods were chosen because perspective taking is a cognitive process whereas imaginary contact affects affective processes. The first study focused on perspective taking and was done with 95 participants with a between subjects design. The first study was also a replication of the third study by Brown, Young & McConnel (2009). The second study examined the effect of imaginary contact and had 59 participants (76% women) with a within-subjects design. These experiments show that perspective taking does not improve perceived similarity, whereas imaginary contact does increase perceived similarity. This study demonstrates the importance of conducting replication studies and provides initial evidence that imagined contact can influence perceived similarity, not just the effect of familiarity towards a target.

Abstrak :
ABSTRAK Dalam mendukung pendidikan di Indonesia, pemerintah telah memberikan perhatian dengan cara mengalokasikan Anggaran Pendapatan dan Belanja Negara (APBN). Namun, masalah pendidikan pada jenjang Sekolah Menengah Atas (SMA) masih ditemukan, dimana salah satu akar permasalahannya adalah kurangnya fasilitas pendidikan. Jumlah SMA yang relatif banyak merupakan salah satu penghambat dalam penyaluran dana APBN tersebut. Dengan demikian, analisis pengelompokan SMA berdasarkan fasilitas pendidikan di Indonesia diharapkan dapat menjadi salah satu alternatif bagi pemerintah dalam memprioritaskan penyaluran dana APBN secara cepat dan tepat. Banyaknya observasi yang digunakan adalah 13.486 SMA dengan 9 variabel kategorik fasilitas pendidikan yang tercatat di website Kementerian Pendidikan dan Kebudayaan pada bulan Agustus tahun 2019. Adapun metode yang digunakan adalah Robust Clustering Using Link (ROCK) yang diyakini mempunyai tingkat akurasi yang baik dan mampu menangani data kategorik dalam jumlah yang besar. Untuk mendapatkan profil kelompok yang lebih jelas, metode ROCK dimodifikasi dengan melakukan Nested Clustering. Hasil dari penelitian ini menunjukkan bahwa terbentuk 14 kelompok SMA yang memiliki karakteristik masing-masing. Diperoleh kelompok 3 merupakan kelompok yang relatif baik dan kelompok 1a merupakan kelompok yang relatif kurang baik. Secara umum, SMA di Indonesia membentuk kelompok yang memiliki kebutuhan fasilitas pendidikan yang berbeda dan memerlukan perhatian dari pemerintah.

---

ABSTRACT The government has given attention to support education in Indonesia by allocating the state budget (APBN). However, the problem of education at the senior high school level is still found, which one of the root problems is the lack of educational facilities. The large number of senior high schools in Indonesia becomes one of the barriers to distributing APBN funds. Thus, the analysis of the grouping of senior high schools based on educational facilities in Indonesia is expected to be an alternative for the government in prioritizing the distribution of APBN funds quickly and accurately. The number of observations is 13,486 with nine categorical variables recorded on a website of the Ministry of Education and Culture in August 2019. The method used is Robust Clustering Using Link (ROCK), which is believed has good accuracy and good to handle many categorical data. To get clearer profile of cluster, ROCK method modified with do Nested Clustering. The results of this study indicate that 14 clusters were formed and have their profiles. Cluster 3 is relatively good cluster while cluster 1a is relatively poor cluster. In general, high schools in Indonesia consist of groups that have different educational facility needs and require attention from the government.

Abstrak :
Ketika berinteraksi, individu melakukan pengamatan secara terus menerus dan berasumsi mengenai kondisi mental lawan bicaranya. Kemampuan ini dikenal dengan istilah "mindreading". Penelitian ini bertujuan untuk mengidentifikasi hubungan antara "familiarity" dan "perceived similarity" terhadap kecepatan dan ketepatan "mindreading" pada kelompok etnis minoritas. Partisipan penelitian adalah 83 dewasa muda yang tergolong ke dalam etnis minoritas Indonesia yang tinggal di Ternate. Eksperimen ini dilaksanakan secara luring di Kota Ternate dengan menggunakan aplikasi MindProbe yang berisi alat ukur Strange Stories Task, Perceived Similarity Scale, dan Questionnaire Familiarity. Pengujian statistik dengan Mixed Model ANOVA mengindikasikan bahwa partisipan yang merasa lebih familiar dan memiliki banyak kesamaan dengan target “mindreading”, lebih akurat melakukan "mindreading". Selanjutnya, analisis regresi berganda menunjukkan bahwa "familiarity" dan "perceived similarity" berperan sebesar 19,2% terhadap ketepatan "mindreading" partisipan. ......When interacting, individuals make continuous observations and assumptions about the mental state of their interlocutors. This ability is known as "mindreading". This study aims to identify the relationship between familiarity and perceived similarity in the speed and accuracy of mindreading in minority ethnic groups. The participants are 83 young adults belonging to Indonesian ethnic minorities living in Ternate. The experiment is conducted offline in Ternate City using the MindProbe application which contains the Strange Stories Task, Perceived Similarity Scale, and Familiarity Questionnaire. Statistical testing with Mixed Model ANOVA indicates that participants who felt more familiar and had more in common with the "mindreading" target, performed "mindreading" more accurately. Furthermore, multiple regression analysis shows that "familiarity" and "perceived similarity" contribute 19.2% to participants' mindreading accuracy.

Abstrak :
Penelitian ini bertujuan untuk mengimplementasikan spectral clustering-PAM dengan menggunakan algoritma similaritas serial dan mengimplementasikan algoritma similaritas paralel berbasis CUDA dalam metode spectral clustering pada data microarray gen karsinoma. Implementasi dibantu dengan perangkat lunak R berbasis open source yang digunakan pada algoritma spectral clustering-PAM dengan algoritma similaritas serial dan CUDA yang digunakan pada algoritma similaritas paralel. Pengelompokan data microarray gen karsinoma diawali dengan menormalisasi data menggunakan normalisasi min-max. Pada algoritma spectral clustering-PAM, pertama-tama similaritas antar gen karsinoma dihitung. Selanjutnya, membentuk matriks Laplacian ternormalisasi dari matriks diagonal dan matriks Laplacian tak ternormalisasi. Langkah berikutnya yaitu menghitung eigenvalue dari matriks Laplacian ternormalisasi dan menentukan eigenvector dari eigenvalue terkecil matriks Laplacian ternormalisasi yang disusun menjadi dataset baru untuk dipartisi setiap barisnya menggunakan metode PAM. Berdasarkan running time, waktu yang dibutuhkan untuk menghitung nilai similaritas secara paralel di CUDA 378 kali lebih cepat daripada secara serial di R. Hasil penelitian menunjukkan bahwa spectral clustering-PAM mengelompokkan data microarray gen karsinoma menjadi dua cluster dengan nilai rata-rata silhouette yaitu 0,6458276. ......This research aims to implement the spectral clustering PAM using serial similarity algorithm and implement parallel similarity algorithm based on CUDA in spectral clustering method on microarray data of carcinoma genes. Implementation assisted with software based on open source R used in spectral clustering algorithm PAM with serial similarity algorithm and CUDA used to parallel similarity algorithm. Clustering microarray data of carcinoma genes preceded by normalizing the data using min max normalization. In the spectral clustering PAM algorithm, first of all, similarity between genes of carcinoma calculated. Furthermore, forming the normalized Laplacian matrix from diagonal matrix and unnormalized Laplacian matrix. The next step is to calculate the eigenvalues of normalized Laplacian matrix and determine the eigenvectors of k smallest eigenvalues of normalized Laplacian matrix is organized into a new dataset to be partitioned each line using PAM. Based on the running time, the time required to calculate the value of parallel similarity in CUDA is 378 times faster than a serial in R. The results showed that spectral clustering PAM classify microarray data of carcinoma genes into two clusters with an average silhouette value is 0,6458276.

Abstrak :
Divais pemindai tiga dimensi (3D) mulai menarik perhatian dunia medis rekonstruksi kosmetik, khususnya ranah kedokteran Anaplastology. Dalam memberikan pelayanan terbaiknya, ranah yang bertugas untuk merestorasi bagian tubuh yang tidak sempurna ini, memanfaatkan kemampuan pemindai 3D dalam membuat replika prostetik yang menyerupai bentuk aslinya dengan cepat. Teknik pemindaian dengan bantuan metode cahaya terstruktur berpola banyak digunakan untuk menghasilkan gambar dengan kualitas resolusi tinggi dan dapat dapat memindai objek tanpa tekstur seperti kulit manusia. Meskipun pemindai 3D ini berpotensi untuk menggantikan metode terdahulunya yang dinilai tidak efektif dan kurang akurat, pemindai 3D memiliki harga yang cukup mahal. Skripsi ini bertujuan untuk melakukan analisis uji similaritas berbagai model permukaan 3D yang dapat merepresentasikan model hasil pemindaian 3D yang dirancang lebih murah (Intel® RealSense SR300) dibandingkan dengan pemindai 3D Einscan Pro 2X sebagai referensi (akurasi hingga 0,05 mm). Analisis similaritas diolah menggunakan bahasa Python dengan perhitungan distribusi bentuk (Shape Distribution). Proses pengukuran similaritas melalui dua tahapan utama yaitu mendapatkan descriptor dari transformasi model 3D dengan fungsi bentuk (shape function) D1 menjadi bentuk 1D dan membandingkan dengan metode pembanding distribusi probabilitas menggunakan Jensen-Shanon Distance (JSD). Perhitungan ini akan menghasilkan tingkat kesamaan geometris kedua hasil pemindaian. Hasil perbandingan terbaik melalui proses pemodelan 3D hingga fabrikasi prostesis serta dilakukan pengujian secara kuantitatif dengan analisis similaritas dan kualitatif dengan analisis data Likert. ......Divais pemindai tiga dimensi (3D) mulai menarik perhatian dunia medis rekonstruksi kosmetik, khususnya ranah kedokteran Anaplastology. Dalam memberikan pelayanan terbaiknya, ranah yang bertugas untuk merestorasi bagian tubuh yang tidak sempurna ini, memanfaatkan kemampuan pemindai 3D dalam membuat replika prostetik yang menyerupai bentuk aslinya dengan cepat. Teknik pemindaian dengan bantuan metode cahaya terstruktur berpola banyak digunakan untuk menghasilkan gambar dengan kualitas resolusi tinggi dan dapat dapat memindai objek tanpa tekstur seperti kulit manusia. Meskipun pemindai 3D ini berpotensi untuk menggantikan metode terdahulunya yang dinilai tidak efektif dan kurang akurat, pemindai 3D memiliki harga yang cukup mahal. Skripsi ini bertujuan untuk melakukan analisis uji similaritas berbagai model permukaan 3D yang dapat merepresentasikan model hasil pemindaian 3D yang dirancang lebih murah (Intel® RealSense SR300) dibandingkan dengan pemindai 3D Einscan Pro 2X sebagai referensi (akurasi hingga 0,05 mm). Analisis similaritas diolah menggunakan bahasa Python dengan perhitungan distribusi bentuk (Shape Distribution). Proses pengukuran similaritas melalui dua tahapan utama yaitu mendapatkan descriptor dari transformasi model 3D dengan fungsi bentuk (shape function) D1 menjadi bentuk 1D dan membandingkan dengan metode pembanding distribusi probabilitas menggunakan Jensen-Shanon Distance (JSD). Perhitungan ini akan menghasilkan tingkat kesamaan geometris kedua hasil pemindaian. Hasil perbandingan terbaik melalui proses pemodelan 3D hingga fabrikasi prostesis serta dilakukan pengujian secara kuantitatif dengan analisis similaritas dan kualitatif dengan analisis data Likert.

Abstrak :
Text Summarization secara ekstraktif merupakan suatu isu yang dapat meningkatkan kualitas pengalaman pengguna ketika menggunakan suatu sistem perolehan informasi. Pada bahasa Inggris, terdapat beberapa penelitian terkait Text Summarization secara ekstraktif salah satunya adalah penelitian Belwal et al. (2021) yang memperkenalkan suatu metode Text Summarization secara ekstraktif yang berbasiskan proses Topic Modeling serta Semantic Measure menggunakan WordNet. Sementara pada bahasa Indonesia, juga terdapat beberapa penelitian terkait Text Summarization secara ekstraktif tetapi belum ada yang menggunakan metode yang sama seperti yang diperkenalkan oleh Belwal et al. (2021). Agar metode yang diperkenalkan Belwal et al. (2021) dapat digunakan pada bahasa Indonesia, proses Semantic Measure menggunakan WordNet harus diganti dengan Similarity Measure menggunakan Vector Space Model karena tidak adanya model WordNet bahasa Indonesia yang dapat digunakan oleh umum. Dalam menggunakan metode yang diperkenalkan oleh Belwal et al. (2021) pada bahasa Indonesia, terdapat beberapa metode yang dapat digunakan untuk melakukan Topic Modeling, Vector Space Model, serta Similarity Measure yang terdapat di dalamnya. Penelitian ini berfokus untuk mencari kombinasi metode ketiga hal yang telah disebutkan sebelumnya yang dapat memaksimalkan performa metode Text Summarization yang diperkenalkan oleh Belwal et al. (2021) pada bahasa Indonesia dengan menggunakan pendekatan hill-climbing. Proses evaluasi dilakukan dengan menggunakan metrik ROUGE-N dalam bentuk F-1 Score pada dua buah dataset yaitu Liputan6 serta IndoSUM. Hasil penelitian menemukan bahwa kombinasi metode yang dapat memaksimalkan performa metode Text Summarization secara ekstraktif yang diperkenalkan oleh Belwal et al. (2021) adalah Non-Negative Matrix Factorization untuk Topic Modeling, Word2Vec untuk Vector Space Model, serta Euclidean Distance untuk Similarity Measure. Kombinasi metode tersebut memiliki nilai ROUGE-1 sebesar 0.291, ROUGE-2 sebesar 0.140, dan ROUGE-3 sebesar 0.079 pada dataset Liputan6. Sementara pada dataset IndoSUM, kombinasi metode tersebut memiliki nilai ROUGE-1 sebesar 0.455, ROUGE-2 sebesar 0.337, dan ROUGE-3 sebesar 0.300. Performa yang dihasilkan oleh kombinasi metode tersebut bersifat cukup kompetitif dengan performa metode lainnya seperti TextRank serta metode berbasiskan model Deep Learning BERT apabila dokumen masukannya bersifat koheren. ......Extractive text summarization is an issue that can improve the quality of user experience when using an information retrieval system. Research related to extractive text summarization is a language-specific research. In English, there are several studies related to extractive text summarization, one of them is the research of Belwal et al. (2021) They introduced an extractive Text Summarization method based on the Topic Modeling process and Semantic Measure using WordNet. While in Indonesian, there are also several studies related to extractive text summarization, but none have used the same method as introduced by Belwal et al. (2021). In order to use the method introduced by Belwal et al. (2021) in Indonesian, the Semantic Measure process using WordNet must be replaced with Similarity Measure using the Vector Space Model because there is no Indonesian WordNet model that can be used by the public. When using the method introduced by Belwal et al. (2021) in Indonesian, there are several methods that can be used to perform Topic Modeling, Vector Space Model, and Similarity Measure that contained in there. This study focuses on finding a combination of the three methods previously mentioned that can maximize the performance of the Text Summarization method introduced by Belwal et al. (2021) in Indonesian using hill-climbing approach. The evaluation process is carried out using the ROUGE-N metric in the form of F-1 Score on two datasets, namely Liputan6 and IndoSUM. The results of the study found that the combination of methods that can maximize the performance of the extractive text summarization method introduced by Belwal et al. (2021) are Non-Negative Matrix Factorization for Topic Modeling, Word2Vec for Vector Space Model, and Euclidean Distance for Similarity Measure. The combination of those methods has a ROUGE-1 value of 0.291, ROUGE-2 value of 0.140, and ROUGE-3 value of 0.079 in the Liputan6 dataset. Meanwhile, in the IndoSUM dataset, the combination of those methods has a ROUGE-1 value of 0.455, ROUGE-2 value of 0.337, and ROUGE-3 value of 0.300. The performance generated by the combination of those methods is quite competitive with the performance of other methods such as TextRank and Deep Learning BERT model based method if the input document is coherent.

Abstrak :
Tensor yang dipandang sebagai multidimensional array adalah bentuk umum dari suatu matriks. Oleh karena itu, dapat dikonstruksi bentuk umum dari hasil kali matriks yang disebut sebagai hasil kali tensor. Tujuan dari tulisan ini adalah menjelaskan inversi kiri dan inversi kanan suatu tensor. Pada tulisan ini disajikan karakteristik eksistensi inversi kiri dan inversi kanan orde k dari suatu tensor. Disajikan pula hasil terkait keserupaan suatu tensor. ......Tensor, which is seemed as multidimensional array, is a general form of matrix. Therefore, tensor could be constructed into general form of matrix product which is called tensor product. The aim of this writing was to explain the right and left inversion of tensor. In this research, there were characteristics of right and left extension of orde k of tensor provided, in addition, there was also a result involved of the tensor similarity.