Hasil Pencarian  ::  Simpan CSV :: Kembali

"Polusi gelombang elektromagnetik (EM) seperti sinyal hanphone, hotspot, reuter, TV dll yang ditimbulkan dari peralatan elektronik dapat menggangu aktivitas manusia dan sistem instrumentasi dipermukaan bumi. Untuk membantu menghindari efek polusi yang ditimbulkan peralatan elektronik tersebut telah dikembangkan material penyerap gelombang EM sistem komposit [BaTi(1-x)ZnxO3](1-y)-[CoFe2O4](y) (x = 0; 1/3; 1/2; 2/3; 1; dan y = 0,2; 0,5; 0,8), memadukan material dilektrik dan magnetik. Metode sintesis material yang digunakan adalah mechanical alloying atau pemaduan secara mekanik. Tahap pertama adalah pembentukan senyawa dielektrik BaTi(1-x)ZnxO3 (x=0; 1/3; 1/2; 2/3; dan 1). Tahapan ini kemudian diikuti oleh tahapan pembentukan sampel komposit [BaTi(1-x)ZnxO3](1-y)-[CoFe2O4](y) (x=0; 1/3; 1/2; 2/3; 1 dan y= 0,2; 0,5; 0,8). Penyerap sistem komposit ini dipelajari secara komprehensif melalui pengukuran sifat fisika dan karakteristik penyerapan gelombang EM pada frekuensi X-band (8-12 GHz). Pada tahap pertama material dielektrik dengan fasa utama Ba2ZnO3 (x = 1) memperlihatkan memiliki nilai reflection loss (RL) terbesar sebesar -27,202 dB (serapan mencapai 95,64 %) pada frekuensi 10,06 GHz. Serapan tertinggi dengan nilai RL mencapai -40,113 dB (99,01 %) pada frekuensi 10,98 GHz, diperoleh dari material penyerap sistem komposit (BaTiO3)0,5-(CoFe2O4)0,5.......Electromagnetic wave (EM) pollution such as cell phone signals, hotspots, routers, TV etc. generated from electronic equipment can interfere with human activities and instrumentation systems on the earth's surface. To help avoid the effects of pollution caused by these electronic equipment, EM wave absorbing materials for composite systems have been developed [BaTi(1-x)ZnxO3](1-y)-[CoFe2O4](y) (x = 0; 1 /3; 1/2; 2/3; 1; and y = 0.2; 0.5; 0.8), combining dielectric and magnetic materials. The material synthesis method used is mechanical alloying. The first step is the formation of the dielectric compound BaTi(1-x)ZnxO3 (x=0; 1/3; 1/2; 2/3; and 1). This stage is then followed by the formation of composite samples [BaTi(1-x)ZnxO3](1-y)-[CoFe2O4](y) (x=0; 1/3; 1/2; 2/3; 1 and y = 0.2; 0.5; 0.8). The absorber of this composite system was studied comprehensively by measuring the physical properties and absorption characteristics of EM waves at the X-band frequency (8-12 GHz). In the first stage, the dielectric material with the main phase Ba2ZnO3 (x = 1) shows the largest reflection loss (RL) value of -27.202 dB (absorption reaches 95.64%) at a frequency of 10.06 GHz. The highest absorption with an RL value of -40.113 dB (99.01%) at a frequency of 10.98 GHz, was obtained from the composite system absorbent (BaTiO3)0.5-( CoFe2O4)0.5."

"Telah dilakukan pembuatan material La1-xBixMnO3 melalui proses paduan mekanik. Pembuatan material ini dibatasi oleh variasi dari pendopingan Bismuth (Bi) yang diberikan dengan nilai variasi x sebesar 0.05, 0.15, 0.20, 0.25 dan 0.35. Sampel ini kemudian dikarakterisasi menggunakan XRD (X-Ray Diffractometer) dan VNA (Vector Network Analyzer) untuk mengetahui sistem dan struktur kristal yang terbentuk dan mendapatkan nilai dari serapan gelombang elektromagnetik (rentang 9-15GHz) yang terdapat pada material ini, secara berurutan. Hasil karakterisasi kemudian diolah untuk mengetahui sistem dan struktur kristal yang terdapat pada material ini dengan menggunakan program GSAS (General Structure Analysis System) dan didapatkan bahwa bahan ini memiliki sistem berupa ortorombik dengan struktur kristal perovskite dan mengenai hasil serapan gelombang elektromagnetik (rentang 9-15GHz) didapatkan hasil serapan paling baik pada bahan dengan variasi Bismuth (Bi) sebesar 0.05 dengan nilai pengukuran reflection loss sebesar -3,881 dB dan didapatkan semakin besar nilai variasi dari Bismuth (Bi) pola serapan dari bahan ini semakin menurun secara perlahan. ......The making of La1-xBixMnO3 has been done through mechanical alloying process. It was limited by the variation of doping Bismuth (Bi) which values of 0.05, 0.15, 0.20, 0.25 and 0.35. This material was characterized by using XRD (X-Ray Diffractometer) and VNA (Vector Network Analyzer) to identify what type of system and crystal structure that exist in this material and to obtain the value of its characterization in absorbing electromagnetic waves (range 9-15GHz), respectively. The result of XRD characterization was processed by using GSAS (General Structure Analysis System) program and the result showed that this materials are orthorhombic with perovskite as their crystal structure and the best result of its absorbing electromagnetic waves (range 9-15GHz) was shown by material which ratio of doping Bismuth (Bi) is 0.05 with reflection loss of -3,881 dB. The pattern of Bismuth (Bi) subtitusion showed that the more ratio of Bismuth (Bi) added, the absorption of this material decreased gradually."

"The electromagnetic wave propagation in the mobile communication environments can be predicted by using ray tracing approach which incorporates reflection and diffraction. However, the ddiffuse scatering effects are often non-negligible in the experiment, since the roughness of the building surfaces is comparable with or larger than wavelength.In this paper we present Method of Moments (MOM) analysis of the scattering from the 2D rough surface model of the building. The fluctuation of the field strength due to the change of the specular reflection point on the surface has been evaluated by statistical properties (the cumulative distribution and the autocorrelation). The effects of the incident angle and frequency are also studied."

"Dalam beberapa tahun terakhir, jumlah investor saham di Indonesia meningkat pesat, sehingga perlu dilakukan analisis tentang saham yang dapat membantu investor dalam rencana investasinya. Pengelompokan saham dapat membantu investor memilih saham yang sesuai untuk investor. Sayangnya, harga saham terus berubah dari waktu ke waktu. Akibatnya, kegiatan memilih saham untuk investasi bukanlah hal yang mudah. Selain itu, data time series saham dipengaruhi oleh banyak faktor yang mempertimbangakan time frame, kemudian menjadikan data pada setiap sektor memiliki jumlah faktor yang banyak yang disebut data dimensi tinggi. Karena itu, penting untuk menggunakan teknik yang cocok untuk mengelompokkan data dimensi tinggi. Penelitian ini menyajikan dua pendekatan yang dapat digunakan untuk data dimensi tinggi, yaitu subspace clustering dan dimension reduction. Pendekatan subspace clustering menggunakan metode High Dimensional Data Clustering (HDDC), sebuah teknik klasterisasi berbasis model berdasarkan Gaussian Mixture Model, dengan menggunakan algoritma Expectation-Maximization (EM). Pada pendekatan dimension reduction menggabungkan teknik reduksi fitur dan teknik klasterisasi yang sudah sering digunakan yaitu K-Means. Penelitian ini menggunakan dua pendekatan reduksi fitur, yaitu ekstraksi fitur menggunakan Principal Component Analysis (PCA) dan pemilihan fitur menggunakan Correlation Attribute Evaluation. Luaran dari penelitian ini adalah 2 klaster terbentuk di sektor agrikultur, 3 klaster di sektor pertambangan, 4 klaster di sektor industri dasar dan kimia, 2 klaster di sektor aneka industri, 2 klaster di sektor industri konsumsi, 2 klaster di sektor properti dan real estate, 2 klaster di sektor infrastruktur, 2 klaster di sektor keuangan, dan 4 klaster di sektor perdagangan. Dari perhitungan indeks validasi klasterisasi, teknik seleksi fitur memberikan performa yang lebih baik.......In recent years, the stock investor in Indonesia has been increasing rapidly, hence it is required to conduct analysis about the stock that helps the investor in their investment plan. Clustering is beneficial to select the appropriate stock for investors. Unfortunately, stock prices keep varying from time to time. Consequently, it is not an easy work to select the stock for investment. In addition, stock price time series data influenced by many factors, so the factors in this study consider the time frame that makes the data in each sector has a larger number of features that called high dimensional data. In this study, high dimensional data are obtained by the time frame of each factor. Therefore, it is important to use a suitable technique to cluster high dimensional data. This study presents two approaches that can be used for high dimensional data, namely subspace clustering and dimension reduction. The subspace clustering approach uses High Dimensional Data Clustering (HDDC), a model-based clustering based on Gaussian Mixture Model, with using the Expectation-Maximization (EM) algorithm. The dimension reduction approach combines feature reduction techniques and common clustering technique, that is K-Means. This study uses two feature reduction approaches, namely feature extraction using Principal Component Analysis (PCA) and feature selection using Correlation Attribute Evaluation. The output of this study are 2 clusters formed in agricultural sector, 3 clusters formed in mining sector, 4 clusters formed in basic and chemical industry sector, 2 clusters formed in various industrial sector, 2 clusters formed in consumption industry sector, 2 clusters formed in property and real estate sector, 2 clusters formed in infrastructure sector, 2 clusters formed in financial sector, and 4 clusters formed in trade sector. Based on the clustering validation index, feature selection techniques provide better performance."

"Dalam upaya untuk mengendalikan besarnya kerugian, memodelkan severitas klaim merupakan salah satu cara yang sering dilakukan oleh perusahaan asuransi. Terdapat beberapa cara untuk memodelkan severitas klaim, salah satunya dengan generalized linear model. Akan tetapi fakta sederhana bahwa setiap pemegang polis itu tidak sama sering diabaikan karena hasil yang diperoleh hanya disajikan untuk “rata-rata” pemegang polis. Potensi variabilitas ini yang tercermin pada data asuransi dapat diidentifikasi dengan mengelompokkan pemegang polis ke dalam kelompok yang berbeda. Sehingga dari perilaku yang berbeda pada masing-masing kelompok memungkinkan perusahaan asuransi mengembangkan strategi untuk mengendalikan besarnya kerugian. Pada praktiknya, model yang sering digunakan untuk pengelompokan adalah model finite mixture, dengan setiap kelompok dimodelkan dengan fungsi kepadatan probabilitasnya (pdf) sendiri. Salah satu keluarga model finite mixture yang fleksibel untuk vektor acak yang terdiri dari variabel respon dan satu set kovariat yang disesuaikan dengan distribusi bersamanya adalah cluster-weighted model (CWM). CWM merupakan kombinasi linear antara distribusi marjinal kovariat dan distribusi bersyarat dari respons yang diberikan kovariat. Distribusi bersyarat pada CWM diasumsikan milik keluarga eksponensial dan kovariatnya diperbolehkan tipe campuran yaitu diskrit dan kontinu (diasumsikan gaussian). Selanjutnya, model dicocokkan ke dalam data (fitting the model) menggunakan Maximum likelihood estimation (MLE) untuk menaksir parameter model dengan algoritma ekspektasi-maksimalisasi (EM). Pemilihan model terbaik dievaluasi dari skor akaike information criterion (AIC) dan bayesian information criterion (BIC). Permasalahan penentuan jumlah cluster diselesaikan secara bersamaan dengan memilih model terbaik. Pada akhirnya, CWM dapat digunakan untuk meningkatkan pemahaman tentang perilaku pemegang polis dan karakteristik risikonya yang dihasilkan di setiap cluster. Penerapan metode ini diilustrasikan pada data asuransi mobil di Prancis.......In an effort to control the amount of loss, modeling the severity of claims is one way that is often done by insurance companies. There are several ways to model claim severity, one of which is a generalized linear model. However, the simple fact that every policyholder is not the same is often overlooked because the results obtained are only presented for the "average" policyholder. This potential for variability reflected in insurance data can be identified by classifying policyholders into different groups. So that the different behavior of each group allows insurance companies to develop strategies to control the amount of losses. In practice, the model often used for grouping is the finite mixture model, with each group being modeled with its own probability density function (pdf). One of the flexible finite mixture model families for random vectors consisting of a response variable and a set of covariates adjusted for their common distribution is the cluster-weighted model (CWM). CWM is a linear combination between the marginal distribution of the covariates and the conditional distribution of the responses given by the covariates. The conditional distribution on CWM is assumed to belong to the exponential family and the covariates are allowed mixed types, namely discrete and continuous (assumed to be gaussian). Next, the model is fitted to the data (fitting the model) using Maximum likelihood estimation (MLE) to estimate the model parameters with the expectation-maximization (EM) algorithm. Selection of the best model was evaluated from the Akaike information criterion (AIC) and Bayesian information criterion (BIC) scores. The problem of determining the number of clusters is solved simultaneously by selecting the best model. In the end, CWM can be used to increase understanding of policyholder behavior and the resulting risk characteristics in each cluster. The application of this method is illustrated in data on auto insurance in France."

"Metode pengenalan wajah 3D pada penelitian ini merupakan metode baru menggunakan model geometri wajah dengan membangkitkan jarak garus wajah pada kondisi normal dengan berbagai pose horisontal dalam ruang eigen. Garis wajah dibangkitkan dengan menghubungkan titik-titik pada wajah. Titik-titik pada wajah diperoleh dengan membuat garis yang memiliki kemiringan 0, 45, 90 dan 125 dan melalui titik koordinat tertentu pada wajah serta memotong batas lingkar wajah. Reduksi dimensi matriks citra menggunakan Probability Principal Component Analysis (PPCA) dengan memaksimumkan fungsi likelihood. Algoritma untuk memaksimumkan fungsi likelihood adalah algoritma EM (Expectation Maximization Algorithm). Pembelajaran citra menggunakan jaringan syaraf tiruan Backpropagation. Hasil percobaan menunjukkan bahwa secara umum metode jarak garis wajah memiliki akkurasi tingkat pengenalan wajah lebih baik dan memiliki nilai Meas Square Error (MSE) yang lebih kecil dibandingkan dengan metode tingkat keabuan wajah."

"Metode pengenalan wajah 3D pada penelitian ini merupakan metode baru menggunakan model geometri wajah dengan membangkitkan jarak garis wajah pada kondisi normal dnegan berbagai pose horisontal dalam ruang eigen. Garis eajah dibangkitkan dengan menghubungkan titik-titik pada wajak. Titik-titik pada wajah diperoleh dengan membuat garis yang memiliki kemiringan 0, 45, 90 dan 135 dan melalui titik koordinat tertentu pada wajah serta memotong batas lingkar wajah. Rduksi dimensi matriks citra menggunakan Probability Principal Component Analysis (PPCA) dengan mamaksimumkan fungsi likelihood. Algoritma untuk memaksimumkan fungsi likelihood adalam algoritma EM (Expectation Maximization Algorithm). Pembelajaran citra menggunakan jaringan syarat tiruan Backpropagation. hasil percobaan menunjukkan bahwa secara umum metode wajah lebih baik dan memiliki nilai Mean Square Error (MSE) yang lebih kecil dibandingkan dengan metode tingkat keabuan wajah."

"K-mean methods is a clustering method in which grouping techniques are based only on distance measure among observed objects,withouth considering statistical aspects. Model based clustering is a method that use statistical aspects,as its theoretical basis i.e.probality maximum criterion....."