Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tugas akhir ini bertujuan untuk membuat penambahan fasilitas pada program UI-FEAP sehingga dapat memperhitungkan efek eksentrisitas sambungan dan eksentrisitas sumbu elemen pada struktur l dimensi.Eksentrisitas antara titik nodal dengan ujung awal/akhir elemen dapat diakibatkan oleh dua hal yaitu eksentrisitas sambungan dan eksentrisitas sumbu elemen. Eksentrisitas sambungan terjadi akibat adanya dimensi dari sambungan dimana ujung awal dan akhir elemen tidak berada pada titik nodal, sehingga terdapat eksentrisitas di antaranya. Perpanjangan dari sumbu elemen bertemu dan berhimpit di titik nodal. Panjang aktual elemen menjadi lebih pendek dari panjang nominalnya. Eksentrisitas sumbu elemen terjadi akibat adanya perubahan penampang elemen dimana pada pertemuan dua atau lebih elemen, sumbu-sumbu elemen tidak bertemu di suatu titik, sehingga terdapat eksentrisitas di antaranya. Salah satu sumbu elemen dapat dijadikan titik nodal.Dalam analisa eksentrisitas sambungan dan eksentrisitas sumbu elernen, digunakan suatu matriks untuk mentransfer peralihan, gaya nodal, kekakuan dan beban nodal ekivalen dari ujung awal/akhir elemen ke titik nodal. Matriks ini disebut ?matriks transformasi translasi sumbu? yang disirnbolkan oleh [Te]. Matriks ini diturunkan untuk tiap-tiap tipe struktur ID, yaitu balok menerus, portal bidang, balok silang, dan portal ruang berdasarkan kajian teori. Besarnya eksentrisitas harus diuraikan dalam sumbu koordinat global struktur, dan merupakan jarak dari titik nodal ke ujung awal/akhir elemen.Pemrograman pada UI-FEAP menggunakan bahasa Fortran melalui Fortran Power Station 4.0. Pemrograman dimulai dengan membuat subroutin elemen pada keenam tipe struktur ID. Kemudian empat subroutin elemen ditambahkan ?matriks transfonnasi translasi sumbu? dalam programnya, sehingga dapat menghitung eksentrisitas sambungan.Langkah selanjutnya adalah membuat sebuah subroutin yang berfungsi membaca data input eksentrisitas dan diberi nama PECCEN. Perintah pada blok data input eksentrisitas elemen adalah (ECCE)nnicities. Agar subroutin tersebut dapat dirangkaikan dengan keseluruhan program maka dibuat beberapa modifikasi pada subroutin-subroutin lain. Program yang telah dibuat kemudian dilengkapi dengan petunjuk atau pedoman pembuatan data input.Untuk menguji validitas program, dibuat beberapa kasus eksentrisitas sambungan dan eksentrisitas sumbu elemen pada tiap-tiap tipe struktur, Hasil perhitungan dari program UI-FEAP dibandingkan dengan hasil perhitungan menggunakan program GT Strudl dan program STAAD/Pro. Dari hasil diperoleh bahwa program yang dibuat telah valid.Analisa efek eksentrisitas juga diterapkan pada beberapa kasus untuk melihat seberapa besar efek eksentrisitas mulai perlu diperhitungkan dalam analisa struktur. Adanya eksentrisitas dilihat efeknya pada ban nodal ekivalen, eksentrisitas sambungan dan eksentrisitas sumbu elemen pada tiap-tiap ripe struktur."

"DCOM, CORBA, dan Java RMI adalah middleware yang memungkinkan komputasi jarak jauh atau komputasi tersebar. Meskipun telah terdapat konsep layanan web dan implementasi yang diterapkan dalam berbagai kasus saat ini, ketiga middleware di atas masih sering digunakan untuk lingkungan yang application-specific, yang membutuhkan performa lebih baik. Paper ini diharapkan akan memberikan gambaran mengenai DCOM, CORBA, dan Java RMI dari konsep hingga perbedaan yang paling mendasar terkait teknik pemrograman.

---

AbstractDCOM, CORBA, and Java RMI are middleware that enable remote computing (distributed computing). Although we have Web Service concept and implementation that applied in many cases right now, all three still often used for applications-specific nature, which need the better performance. This paper is intended to give an overview of DCOM, CORBA, and Java RMI, from concept to most fundamental differences related to programming techniques."

"Penelitian yang ada pada saat ini mengenai Question Answer (QA) biasanya mendapatkan jawaban dari sumber teks yang tidak terstruktur seperti kumpulan berita atau halaman. Sesuai dengan observasi peneliti dari pengguna Yahoo!Answer, biasanya mereka bertanya dalam natural language yang sangat kompleks di mana mengandung bentuk yang terstruktur dan tidak terstruktur. Secara umum, menjawab pertanyaan yang kompleks membutuhkan pertimbangan yang tidak hanya sumber tidak terstruktur tetapi juga sumber yang terstruktur. Pada penelitian ini, peneliti mengajukan suatu ide baru untuk meningkatkan keakuratan dari jawaban pertanyaan yang kompleks dengan mengenali bentuk terstruktur dan tidak terstruktur dan mengintegrasikan keduanya di web. Framework yang digunakan terdiri dari tiga bagian: Question Analysis, Resource Discovery, dan Analysis of The Relevant Answer. Pada Question Analysis peneliti menggunakan beberapa asumsi dan mencoba mencari bentuk data yang terstruktur dan tidak terstruktur. Dalam penemuan sumber daya, peneliti mengintegrasikan data terstruktur (relational database) dan data tidak terstruktur (halaman web) untuk mengambil keuntungan dari dua jenis data untuk meningkatkan dan untuk mencapai jawaban yang benar. Peneliti dapat menemukan fragmen atas terbaik dari konteks halaman web pada bagian Relevant Answer dan kemudian peneliti membuat pencocoka skor antara hasil dari data terstruktur dan data tidak terstruktur. Terakhir peneliti menggunakan template QA untuk merumuskan pertanyaan.

---

AbstractThe current researches on question answer usually achieve the answer only from unstructured text resources such as collection of news or pages. According to our observation from Yahoo!Answer, users sometimes ask in complex natural language questions which contain structured and unstructured features. Generally, answering the complex questions needs to consider not only unstructured but also structured resource. In this work, researcher propose a new idea to improve accuracy of the answers of complex questions by recognizing the structured and unstructured features of questions and them in the web. Our framework consists of three parts: Question Analysis, Resource Discovery, and Analysis of The Relevant Answer. In Question Analysis researcher used a few assumptions and tried to find structured and unstructured features of the questions. In the resource discovery researcher integrated structured data (relational database) and unstructured data (web page) to take the advantage of two kinds of data to improve and to get the correct answers. We can find the best top fragments from context of the relevant web pages in the Relevant Answer part and then researcher made a score matching between the result from structured data and unstructured data, then finally researcher used QA template to reformulate the questions."

"Paper ini mengkaji sebuah solusi untuk permasalahan penilaian jawaban esai secara otomatis dengan menggabungkan support vector machine (SVM) sebagai teknik klasifikasi teks otomatis dengan LSA sebagai usaha untuk menangani sinonim dan polisemi antar index term. Berbeda dengan sistem penilaian esai yang biasa yakni fitur yang digunakan berupa index term, fitur yang digunakan proses penilaian jawaban esai adalah berupa fitur generic yang memungkinkan pengujian model penilaian esai untuk berbagai pertanyaan yang berbeda. Dengan menggunakan fitur generic ini, seseorang tidak perlu melakukan pelatihan ulang jika orang tersebut akan melakukan penilaian esai jawaban untuk beberapa pertanyaan. Fitur yang dimaksud meliputi persentase kemunculan kata kunci, similarity jawaban esai dengan jawaban referensi, persentase kemunculan gagasan kunci, persentase kemunculan gagasan salah, serta persentase kemunculan sinonim kata kunci. Hasil pengujian juga memperlihatkan bahwa metode yang diusulkan mempunyai tingkat akurasi penilaian yang lebih tinggi jika dibandingkan dengan metode lain seperti SVM atau LSA menggunakan index term sebagai fitur pembelajaran mesin.

---

AbstractThis paper examines a solution for problems of assessment an essay answers automatically by combining support vector machine (SVM) as automatic text classification techniques and LSA as an attempt to deal with synonyms and the polysemy between index terms. Unlike the usual essay scoring system that used index terms features, the feature used for the essay answers assessment process is a generic feature which allows testing of valuation models essays for a variety of different questions. By using these generic features, one does not need to re training if the person will conduct an assessment essay answers to some questions. The features include percentage of keywords, similarity essay answers with the answer reference, percentage of key ideas, percentage of wrong answer, and percentage of keyword synonyms. The test results also show that the proposed method has a higher valuation accuracy rate compared to other methods such as SVM or LSA, use term index as features in machine learning."