Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK Isu kesehatan mental merupakan sebuah isu yang sangat berkembang pesat pada masa ini. Remaja dan dewasa muda pada usia 16 hingga 30 tahun adalah korban utama yang menjadi penderita penyakit mentalitas. Isu kesehatan mental merupakan isu yang cukup serius dalam bidang medis dan social. Salah satu penyebab dari penyakit pada mentalitas manusia adalah kurangnya kemawasan diri, yang merupakan salah satu kunci dalam menjaga kestabilan mental pada diri seseorang. Sinyal otak merupakan suatu sinyal yang diduga mampu mendekteksi aktifitas otak manusia, dan dari sinyal tersebut, kita mampu membuat suatu sistem klasifikasi kondisi emosional manusia. Pada penelitian ini, EEG Neurostyle dengan 24 kanal digunakan untuk menangkap sinyal kelistrikan dari otak manusia. Metodenya meliputi reaksi seorang subjek terhadap stimulus berupa audio-visual yang berdurasi kurang lebih 5 menit. Subjek terdiri dari 10 orang manusia berumur 18 hingga 22 tahun, dimana tiap subjek menonton sebuah video pada lingkungan yang sama. Ekspresi mimik wajah akan direkam menggunakan kamera sebagai referensi dan konfirmasi agar sesuai dengan emosi yang dideskripsikan oleh subjek. Fitur emosi berupa RPR kemudian diambil untuk kemudian dimasukan kedalam algoritme classifier. Emosi dibagi berdasarkan 4 jenis yaitu: senang, sedih, takut, dan jijik Menggunakan Supervised Machine Learning, kita dapat menggunakan fitur fitur tersebut untuk klasifikasi. Menggunakan k-NN, didapat akurasi diatas 70% dengan menggunakan 4 kelas.

---

ABSTRACT Mental health issues are growing rapidly in these recent years. Teenagers and young adult on age 16-30 years old are the most common victims. Mental health is a really serious issue concerning emotional health. One of the causes on emotional health issues is a lack of self-awareness, which is the key cornerstone on maintaining emotional-state. Brain signals has proven that it can read human emotion, and from there we can use brain waves to classify human emotional-state. In this research study, EEG Neurostyle of 24 channels is used to obtain brain electrical signals. The method involves the subject reaction to a set of audio-visual stimuli of approximately 5 minutes, the subject consists of 10 subjects aged 18-22, with each person watched the video-clips in the same environment. The expressions of the subjects were recorded separately to ensure their emotion accordance with the source (i.e. sad clips resulting sad emotion). Then its feature were extracted. The feature were used to classify the emotion into 4 classes: happy, sad, scared, and disgust. Using Supervised Machine Learning Method, we can use these features to identify a new sample to predict which class it belongs to. Using k-NN algorithm as classifier, an accuracy greater than 70% is obtained with 4 classes.

Abstrak :
ABSTRAK
Pada tesis ini didesain dioda IMPATT menggunakan bahan silikon p+nn+ yang dapat dioperasikan pada frekuensi 25 GHz dengan dibuat model semi empirisnya, dianalisis, dan disimulasikan melalui program simulasi yang dijalankan pada perangkat lunak SPISCES2B, SSUPREM dan MATLAB, serta dibantu perangkat lunak WINMCAD dalam pembuatan model semi empirisnya.

Hasil simulasi dan analisis menunjukkan bahwa dengan memperpanjang daerah n pada struktur p+nn+ akan berakibat menurunnya frekuensi operasi secara eksponensial. Di samping hal tersebut, nilai maksimum arus injeksi menjadi tidak stabil (berosilasi) bila dioda IMPATT dioperasikan di luar frekuensi operasinya, sehingga resistansi dinamik negatifnya menjadi tidak stabil.

Pabrikasi dilakukan di Laboratorium TELKOMA LIPI Bandung dengan terlebih dahulu dibuat desain proses pabrikasinya yang menggunakan teknologi difusi planar. Kedalaman daerah p+ (hasil proses difusi) serta karakteristik I=V dioda IMPATT tersebut diukur untuk melihat tegangan breakdown yang dihasilkan divais tersebut, sehingga dapat ditentukan frekuensi operasinya.

Hasil pengukuran dan analisis menunjukkan bahwa dioda IMPATT p+nn+ yang dipabrikasi tersebut mempunyai tegangan breakdown 30 Volt, dengan lebar daerah avalanche 0,6 µm, dan lebar daerah deplesi 2,6 µm, sehingga divais tersebut mempunyai frekuensi operasi 25 GHz.

Abstrak :
Masalah terbesar yang terjadi di industri telekomunikasi saat ini adalah meningkatnya churn rate pelanggan.Hal ini adalah masalah yang sangat penting yang harus diselesaikan oleh perusahaan karena pelanggan yang berhenti akan berdampak pada revenue terhadap perusahaan. Penggunaan model machine learning tentunya akan dapat membantu untuk memprediksi tren pelanggan dan membuat keputusan yang tepat di masa mendatang. Untuk mendapatkan hasil yang baik, penelitian ini dianalisis dengan satu algoritma yang belum pernah dianalisis dalam studi sebelumnya untuk membuat prediksi, yaitu Deep Neural Network (D-NN). D-NN dibandingkan dengan model yang telah diuji pada penelitian sebelumnya, Random Forest dan Extreme Gradient Boosting (XGBoost). Penelitian ini menganalisis feature importance, hal ini akan membantu untuk melakukan retensi yang tepat terhadap pelanggan dengan mengetahui fitur yang berpengaruh, dan menyederhanakan proses pengumpulan data. Model yang diusulkan dilatih dan diuji melalui Google Colaboratory menggunakan TensorFlow backend. Pengujian yang telah dilakukan menghasilkan hasil yang sangat baik untuk model Deep Neural Network (D-NN), dengan proses 68 detik dan akurasi 80,62%. Extreme Gradient Boosting (XGBoost) menghasilkan akurasi 76,45% dengan waktu pemrosesan 175 detik, dan Random Forest menghasilkan 77,87% dengan waktu pemrosesan yang cukup lama hingga 529 detik. ......The biggest problem that occurs in the telecommunication industry is increased level of customer churn. This is a very important problem that must be resolved by the company because customers who stop will have an impact on company retention. The usage of the machine learning model will certainly be able to help to predict customer trends and making precise decisions in the future. To get good results, this study is analyzed with one algorithm that had never been analyzed in previous studies to make predictions, namely Deep Neural Network (D-NN). D-NN compared to models that have been tested before, Random Forest and Extreme Gradient Boosting (XGBoost). This research analyzed the importance of the features, the handling toward the selection of appropriate features, and simplified the process of gathering data. The proposed model was trained and tested over Google Colaboratory using TensorFlow backend. The testing that has been done produces very good results for the Deep Neural Network (D-NN) model, with a process of 68 seconds and an accuracy of 80.62%. Extreme Gradient Boosting (XGBoost) produces 76.45% accuracy with a processing time of 175 seconds, and random forest produces 77.87% with a sufficiently long processing time of up to 529 seconds.

Abstrak :
Warung kopi atau coffee shop kian mengalami peningkatan dalam tren dan permintaan di Indonesia. Pandemi Covid-19 membuat pemberlakuan pembatasan sosial yang membuat penjualan dan permintaan menjadi susah diprediksi sehingga pengelolaan stok biji kopi menjadi masalah. Melakukan peprediksi menggunakan model machine learning dapat menjadi solusi untuk mengatasi masalah tersebut. Data yang digunakan adalah permintaan biji kopi yang didapatkan dari sistem POS (Point-of-Sales). Untuk membuat performa model yang lebih baik, ditambahkan beberapa variabel eksternal seperti cuaca, hari raya dan pembatasan sosial. Model prediksi yang digunakan adalah Multiple Linear Regression (MLR), Decision Tree (DT), Support Vector Regressor (SVR) dan Neural Network (NN). Hasil pelatihan model menunjukan model-model yang menggunakan semua variabel menghasilkan hasil prediksi yang lebih baik dibandingkan dengan model-model dengan menggunakan hanya variabel tanggal. Model DT menunjukan hasil prediksi yang terbaik berdasarkan pola prediksi dan error yang dihasilkan. Implementasi hasil prediksi dapat diterapkan dengan perhitungan Reorder Point (ROP) yang ditampilkan dalam dashboard, Expected Value Analysis untuk penentuan tingkat pemesanan, danpencatatan pemesanan bahan baku untuk perkiraan biaya yang dibutuhkan dihitung menggunakan metode FIFO (First in First Out). ......The trend of Coffee shops in Indonesia keeps increasing as well as its. COVID-19 pandemic has caused the establishment of social restriction which creates hindrance in predicting the sales and demand, as a result disrupts the coffee beans inventory management. Forecasting using machine learning models could offer a solution to overcome those problems. The data used in this research is the coffee beans demand from POS (Point-of-Sales) system. Various external variables such as weather, event and social restrictions are added to increase model performance. Predictions models used are Multiple Linear Regression (MLR), Decision Tree (DT), Support Vector Regressor (SVR) and Neural Network (NN). The result of model training shows that models that use all variables produce better prediction than models that use date variables only. DT model generates the best prediction based on its pattern and error measurement. The prediction result from the chosen model is implemented to calculate the Reorder Point (ROP)  and visualized using  dashboard, Expected Value Analysis to determine the stock level estimation. Subsequently, material stock register calculated using FIFO (First in First Out). 

Abstrak :
problem in aircraft identification occurs when the system is not able to exactly an aircraft that has been detected by radar, due to the ambiguity resulted from the identification process....

Abstrak :
In the recent years, palm vein recognition has been studied to overcome problems in conventional systems in biometrics technology (finger print, face, and iris), such as convenience and performance. However, due to the image of palm vein that is not always clear, the veins are not segmented pro-perly, therefore, the recognition accuracy may be degraded. To overcome this problem, we propose a palm vein recognition system using Local Line Binary Pattern (LLBP) method that can extract robust features from the palm vein images that has unclear veins. LLBP is an advanced method of Local Binary Pattern (LBP), a texture descriptor based on the gray level comparison of a neighborhood of pixels. There are four major steps in this paper, Region of Interest (ROI) detection, image preprocess-sing, features extraction using LLBP method, and matching using Fuzzy k-NN classifier. The propo-sed method was applied on the CASIA Multi-Spectral Image Database. Experimental results show that the proposed method using LLBP has a good performance with recognition accuracy 97.3%. In future, experiments will be conducted to observe which parameter can affect processing time and rec-ognition accuracy of LLBP is needed.

---

Saat ini penelitian tentang pengenalan pembuluh darah pada telapak tangan (palm vein recognition) telah banyak dilakukan untuk mengatasi masalah dalam teknologi biometrika yang lainnya (pengenalan sidik jari, wajah dan iris) seperti ketidaknyamanan pengguna saat akusisi citra maupun tingkat keakuratan pengenalannya. Namun masalah yang sering muncul dalam sistem pengenalan pembuluh darah pada telapak tangan (palm vein) adalah fitur tekstur pembuluh darah (vein) yang kurang jelas. Untuk mengatasi masalah tersebut, paper ini mengusulkan sistem pengenalan palm vein menggunakan metode Local Line Binary Pattern (LLBP) yang telah teruji dapat mengekstraksi fitur pembuluh darah pada gambar dengan jelas. LLBP merupakan metode pengembangan dari Local Binary Pattern (LBP), metode yang menggunakan kombinasi nilai-nilai biner dari piksel kete-tanggaannya. Empat tahapan utama dalam penelitian ini yaitu deteksi Region of Interest (ROI), pre-processing yang terdiri dari resize, penghilangan noise dan subtract citra, ekstraksi fitur menggunakan metode LLBP dan pengenalan menggunakan Fuzzy k-NN. Metodologi yang diusulkan telah diuji pada database citra palm vein CASIA Multi-Spectral. Hasil percobaan menunjukkan bahwa meto-dologi yang diusulkan dapat mencapai akurasi sampai dengan 97.3%. Untuk penelitian selanjutnya, diperlukan observasi untuk mengetahui parameter yang mempengaruhi waktu proses dan akurasi pengenalan dari metode LLBP

Abstrak :
Recognition of handwritten mathematical expressions has been an important topic for many researchers for decades. It remains one of the most challenging and exciting areas in pattern recognition. In the recognition process of offline handwritten mathematical expressions, segmentation is the most important process. Problems in ambiguities of identifying superscript and subscript in complex offline mathematical expressions remain one of the most important problem. To the best of our knowledge little work has been done in the segmentation of offline handwritten mathematical expressions with respect to superscript and subscript. In this paper an efficient segmentation technique for superscript, subscript and main characters within offline handwritten mathematical expressions has been proposed. This technique is based on the generation of predictions for superscript, subscript and main characters within handwritten mathematical expressions, which helps for the reconstruction of mathematical expressions during the recognition process with their spatial interrelationship. The proposed system was conducted as an experiment with a database of 300 samples of scanned mathematical expressions that comprised 2,000 symbols out of which there were 31 different types of Mathematical Symbols. The classification of the elements was carried out by the K-NN-classifier based on density features. This experiment shows remarkable results.

Abstrak :
Isolasi α-selulosa dari jerami padi telah berhasil dilakukan, menghasilkan rendemen sebesar 26,95%, indeks kristalinitas 74,28% dan berat molekul relatif 28.517 g/mol. Selulosa kemudian dimodifikasi, dengan tujuan untuk menghasilkan serat penukar ion, dengan mencangkokkan monomer asam akrilat pada selulosa menggunakan teknik kopolimerisasi cangkok pra-iradiasi. Kondisi optimum reaksi pencangkokan diperoleh pada dosis radiasi 30 kGy, konsentrasi monomer 10% volum, suhu 60oC dan waktu reaksi 120 menit, dengan persen pencangkokan rata-rata sebesar 84,12 % dan berat molekul sebesar 45.295 g/mol. Kapasitas pertukaran ion selulosa-g-AA yang dihasilkan dari pencangkokan sebesar 3,54 mek/g. Selanjutnya, untuk meningkatkan ketahanan kimia dan termal dari selulosa-g-AA, dilakukan pengikatan silang menggunakan agen pengikat silang N,N?-metilenbisakrilamida (MBA). Kondisi optimum pengikatan silang terdapat pada dosis radiasi 15 kGy dan konsentrasi MBA 5%, dengan fraksi terikat silang yang diperoleh sebesar 68,27%, swelling dalam air sebesar 346,42% dan kapasitas pertukaran ion sebesar 2,99 mek/g. Pengikatan silang dapat meningkatkan ketahanan terhadap asam sebesar 3%, indeks kristalinitas sebesar 2,12%, suhu transisi gelas sebesar 20,43oC, dan suhu dekomposisi akhir sebesar 12,14oC. Selulosa terikat silang dapat digunakan sebagai penyerap ion logam Cu2+, dengan kapasitas adsorpsi sebesar 16,5 mg/g (konsentrasi awal Cu2+ 100 mg/L), yang diperoleh dengan dosis pengikatan silang 10 kGy dan konsentrasi MBA 3%. ......Isolation of α-cellulose from rice straw has been successfully carried out having 26.95% yield, with 74.28% crystallinity index and relative viscosity average molecular weight 28,517 g/mol. The α-cellulose is then chemically modified to be a fiber ion exchanger, by grafting acrylic acid monomer onto cellulose using pre-irradiation graft copolymerization technique. The optimum condition for grafting is obtained at 30 kGy radiation dose, 10% monomer concentration, 60°C grafting temperature and 120 minutes reaction time, with 84.12% grafting average and relative viscosity average molecular weight 45,295 g/mol. The ion exchange capacity of cellulose-g-AA obtained from grafting is 3,54 meq/g. Furthermore, to improve thermal and chemical resistance of cellulose-g-AA, the sampel is crosslinked using N,N?-methylenebisacrylamide (MBA) crosslinking agent. The optimum condition is obtained at 15 kGy radiation dose and 5% MBA concentration producing 68.27% crosslinked fraction, 346,42% swelling in water and 2,99 meq/g ion exchange capacity. The crosslinking process increases acids resistance by 3%, crystallinity index by 2.12%, glass transition temperature by 20.43°C, and final decomposition temperature by 12.14oC. Crosslinked cellulose-g-AA can be used as Cu2+ adsorbent having adsorption capacity of 16.5 mg/g (initial concentration of Cu2+ 100 mg/L). This capacity is achieved with crosslinking dose of 10 kGy and MBA concentration of 3%.

Abstrak :
Asuransi adalah layanan yang disediakan oleh perusahaan asuransi untuk memastikan risiko kerugian finansial bagi seseorang atau kelompok yang membayar premi berdasarkan perjanjian. Terdapat berbagai macam produk asuransi, di antaranya adalah asuransi perjalanan. Asuransi perjalanan adalah produk asuransi dalam mengalihkan risiko kerugian finansial akibat kecelakaan dalam perjalanan. Perusahaan asuransi harus dapat melakukan analisis yang tepat untuk memprediksi apakah pembayar premi akan mengajukan klaim atau tidak di masa depan, untuk meminimalkan kerugian yang diderita perusahaan. Dari sudut pandang machine learning, masalah prediksi klaim adalah masalah klasifikasi. Deep Neural Networks (DNN) adalah salah satu metode machine learning terbaru untuk menyelesaikan masalah prediksi klaim. Namun, DNN tidak memberikan akurasi yang lebih baik daripada Neural Network (NN) yang merupakan model dasarnya. Dalam tulisan ini, Regularization Learning Netowrk (RLN) yang merupakan pengembangan dari DNN dengan teknik regularisasi RLNs dianalisis untuk prediksi klaim dalam asuransi perjalanan. Simulasi menunjukkan bahwa RLN meningkatkan kinerja DNN dan memberikan akurasi yang lebih baik daripada DNN tanpa regularisasi RLNs dan NN standar. ......Insurance is a service provided by an insurance company to ensure the risk of financial loss for a person or group that pays a premium based on the agreement. There are various kinds of insurance products, including travel insurance. Travel insurance is insurance products in transferring the risk of financial loss due to accidents in transit. The insurance company must be able to conduct an appropriate analysis to predict whether the premium payer will file a claim or not in the future, to minimize losses suffered by the company. From a machine learning perspective, the problem of claim prediction is a classification problem. Deep neural networks (DNN) is one of the latest machine learning methods to solve claims prediction problems. However, DNN does not provide better accuracy than standard neural networks (NN). In this paper, the regularization learning network (RLN) which is an extension of DNN with a regularization layer analysed for prediction of claims in travel insurance. Our simulations show that RLN improves DNN performance and provides better accuracy than DNN and NN.