Hasil Pencarian  ::  Simpan CSV :: Kembali

"Di Kabupaten Indramayu sendiri, besarnya perubahan habitat mangrove cukup mengkhawatirkan. Dengan data digital Landsat tahun 1989, 2002, dan 2010, dilakukan penelitian untuk melihat perubahan luasan dan jenis mangrove yang terjadi di Indramayu selama kurun waktu 21 tahun tersebut. Penelitian ini dilakukan dengan metode terbimbing (supervised). Penelitian menunjukan hampir semua degradasi hutan mangrove yang terjadi di Kabupaten ini disebabkan oleh peralihan fungsi menjadi tambak. Perubahan hutan mangrove di kabupaten Indramayu ini terjadi di lima kecamatan, antara lain kecamatan Cantigi, Indramayu, Kandanghaur, Losarang, dan Sindang. Penelitian ini juga berusaha menganalisis peralihan fungsi tersebut dengan produksi perikanan di lima kecamatan tersebut.

---

In the Regency of Indramayu, the conversion magnitude of Mangrove habitat is of concern. Based on the Landsat Image taken in year 1989, 2002, and 2010, a research has been conducted to study these changes in respect of the area and type of Mangrove in Indramayu in the 21 years period. The research was conducted by using the Supervised Method. The result of the research shows that almost all of the Mangrove degradation in the Regency is caused by the conversion of Mangrove to Fishery. In more details, the Mangrove conversion in Indramayu takes place in five districts of Cantigi, Indramayu, Kandanghaur, Losarang, and Sindang. The research is also performed in an effort to study the connection of the Mangrove conversion in regard to the fishery industry in those 5 districts of Indramayu."

"Interviewer falsifications are relevant problem faced by institutions conducting census and surveys around the world, including BPS-Statistics Indonesia. Falsified data may cause serious impact to generated statistics even though the proportion of falsified data is very small. Usage of Computer Assisted Personal Interviewing (CAPI) in field data collection has proven to improve efficiency and effectiveness. In addition, the use of CAPI is believed to be able to detect data falsification better. This is because CAPI devices can produce a variety of metadata that can not be obtained when using paper questionnaires. This study discusses relevant features to detect interviewer falsification in CAPI-based surveys, validates them, and uses them to identify interviewer falsification automatically using data mining techniques so that human supervisors can take further actions. After analyzing relevant features and conducting experiment, the result showed that unsupervised classification algorithm using simple 2-means clustering could have up to 70,5% accuracy, while supervised classification using logistic regression could have up to 88,5% accuracy."

"Performa akademik adalah bagian penting dari suatu sekolah. Saat ini, sebagian besar sekolah di Indonesia masih jarang melakukan klasifikasi performa akademik siswa, sehingga diperlukan metode yang tepat untuk mengklasifikasikan siswa berdasarkan perfroma akademiknya.  Pada peneltian ini digunakan metode Nave Bayes Classifier (NBC) dan metode Support Vector Machine (SVM) untuk mengklasifikasikan performa akademik siswa SMAN 38 Jakarta. Metode NBC menghasilkan tingkat akurasi tertinggi sebesar 96%, recall 100%, precision 92.68% dan %. Sedangkan metode SVM dengan kernel linier menghasilkan tingkat akurasi tertinggi sebesar 98%, recall 100%, precision 96.42% dan f1-score.

---

Academic performance is an important part of a school. At present, most schools in Indonesia rarely classify students’ academic performance, so we need the right method to classify students based on their academic performance. In this research, the Nave Bayes Classifier (NBC) and Support Vector Machine (SVM) methods are used to classify academic performance of SMAN 38 Jakarta students’. The NBC method produces the highest accuracy 96%, recall 100%, precision 92.68% and f1-score  While the SVM method produces the highest accuracy 98%, recall 100%, precision 96.42% and f1-score  on linear kernels."

"Normalisasi teks merupakan task pada NLP yang dapat digunakan untuk meningkatkan performa dari aplikasi-aplikasi NLP lain. Penelitian tentang normalisasi teks pada bahasa Indonesia masih jarang dan kebanyakan masih hanya menormalisasi pada tingkat token. Penelitian ini bertujuan untuk mengevaluasi pembangunan model normalisasi dengan menggunakan algoritma statistical machine translation (SMT). Isu dari pendekatan machine translation dalam penyelesaian task normalisasi teksadalah butuhnya data yang relative banyak. Penelitian ini juga melihat bagaimana pengaruh dari pemelajaran semi-supervised dengan cara menggunakan pseudo-data dalam pembangunan model normalisasi teks dengan algoritma statistical machine translation. Model SMT memiliki performa yang cukup baik pada data tanpa tanda baca, namun memiliki performa yang buruk pada data bertanda baca karena banyaknya noise. Pendekatan semi-supervised menurunkan performa SMT secara keseluruhan, namun, pada jenis data tidak bertanda baca penurunan relatif tidak signifikan.

---

Text normalization is a task in NLP which can be used to improve the performance of other NLP

applications. Research on text normalization in Indonesian language is still rare and most only

normalize at the token level. This study attempts to improve the development of the normalization

model by using the statistical machine translation (SMT) algorithm. The issue in building a good

performing text normalization model using the machine translation approach is the relatively large

data needs. This research also looks at how using semi-supervised learning by using pseudo-data as

training data in SMT approach affects text normalization performance. The SMT model has a fairly

good performance on data without punctuation, but has poor performance on data with a punctuation

due to the amount of noise. The semi-supervised approach reduces the overall performance of the

SMT model, but the reduction in performance is relatively insignificant on data without punctuation."

"Penelitian analisis perubahan penggunaan lahan telah dilakukan menggunakan metode penginderaan jauh (inderaja) dan sistem informasi geografis (SIG). Identifikasi peta perubahan penggunaan lahan dilakukan dengan menggunakan proses tumpang susun peta penggunaan lahan tahun 1990 (hasil digitasi skala 1:50.000) dan peta penggunaan lahan tahun 1997 hasil interpretasi citra Landsat TM (Thematic Mapper) tahun 1997 dengan koordinat UTM (Universal Transverse Mercator). Perbaikan kontras citra melalui perataan histogram dilakukan dengan teknik klasifikasi terawasi yang terbagi menjadi 7 (tujuh) klas (sawah, perkampungan, tegalan, industri, tambak, lapangan olah raga dan semak). Analisis perubahan penggunaan lahan dan tingkat pencemaran air sungai BOD (Biological Oxygen Demand), COD (Chemical Oxygen Demand) dan TSS (Total Suspended Solid) dilakukan dalam sistim informasi geografis hingga diperoleh database dengan format link spasial dan tabular. Perubahan penggunaan lahan dianalisis berdasarkan pembagian segmen mengacu arah kontur sepanjang Kali Surabaya. Hasil analisis memperlihatkan perubahan penggunaan lahan pada tahun 1990-1997 yakni sawah berkurang 5,72 %, perkampungan bertambah 15,16 %, tegalan bertambah 0,54 %, tambak berkurang 9,67 %, industri bertambah 36,67 % dan semak berkurang 26,67 %. Hasil analisis tingkat pencemaran air dengan regresi linier berganda menunjukkan BOD (koefisien determinan 56 %) dan TSS (koefisien determinan 65 %) masih dipengaruhi oleh perubahan penggunaan lahan, tidak demikian halnya dengan COD (koefisien determinan 24 %).

---

Application of Remote Sensing and Geographic Information System Methods for Land Using Difference. Land using difference analysis has been done using remote sensing and Geographic Information System (GIS) methods. Identification of land using difference was conducted using map overlaying process of 1990s (digitized scalling 1:50.000) and 1997s land using map (interpreted from Landsat TM (Thematic Mapper) Image 1997) with UTM (Universal Transverse Mercator) coordinate. Image enhancement was done through histogram equalization with supervised classification devided into 7 classes: rice field, settlement, dry field, industry, pond, sport field and bush. Land using difference and river pollution BOD (Biological Oxygen Demand), COD (Chemical Oxygen Demand) and TSS (Total Suspended Solid) analysis were done through GIS to get database in spasial link and tabular format. Land using difference was done based on division segment of Kali Surabaya contour as reference. The result shows that there were changes on land using from 1990 until 1997 that rice field reduced by 5.72 %; settlement increased by 15,16 %; dry field increased by 0.54 %; industry increased by 36.67 % and bush reduced by 26.67 %. Water pollution analysis results which was done using multiple linier regression show both BOD (determinant coefficient 56 %) and TSS (determinant coefficient 65 %) are affected by difference in land using, but COD (determinant coefficient 24 %) is not affected."

"Pada perusahaan penerbangan, gangguan atau disrupsi adalah hal biasa terjadi. Sangat penting bagi industri penerbangan untuk memperkirakan atau memprediksi sumber gangguan/disrupsi untuk mengurangi biaya karena penundaan atau pembatalan jadwal keberangkatan. Ada banyak faktor gangguan pada maskapai yang menyebabkan penundaan atau pembatalan jadwal, seperti masalah mekanis pesawat (maintenance), kondisi cuaca, ketidakhadiran kru karena sakit, keamanan, dll. Dalam penelitian ini, peneliti fokus menyoroti disrupsi yang disesbabkan oleh ketidakhadiran pilot  / kru kokpit karena sakit. Metode yang digunakan untuk memprediksi kru kokpit yang sakit,didasarkan pada data yang diberikan pada periode sebelumnya. Classification and Regression Tree (decision tree) menggunakan fitur dari kru kokpit sebagai variabel untuk memprediksi ketidakhadiran pilot pada periode berikutnya.Data asli / real pada tahun 2017 digunakan sebagai data training dan data uji keakuratan model. Hasil penelitian menunjukkan bahwa data dari administrasi (data HR) dan data riwayat penyakit / riwayat ujian medis dapat menjadi prediktor untuk membangun model prediksi kru kokpit yang akan sakit. Dalam penelitian ini sebagian besar pilot yang memiliki riwayat sakit atau pernah gagal dalam ujian medis dan pilot yang ditugaskan lebih dari 78 jam penerbangan memiliki kemungkinan lebih besar untuk sakit di masa mendatang. Menurut penelitian juga, perusahaan juga dapat melakukan penghematan rata-rata Rp 900.000.000 per bulan jika dapat memprediksi jumlah pilot yang sesuai untuk menutupi pilot yang absen.Penelitian ini juga mengeksplorasi fitur yang membantu manajer maskapai menemukan karakteristik pilot yang akan absen karena sakit pada periode berikutnya dan menentukan jumlah kokpit kru cadangan yang harus disiapkan oleh maskapai untuk menghindari gangguan (delay atau cancel).

---

In an airlines company, disruption is a common thing to happen during operations. It’s significant for the airline's industries to forecast or predict the source of disruptions to reduce the cost of schedule recovery due to schedule delay or cancel. There are many factors of disruption in the airlines which causes schedule delay or cancel, such as the mechanical problem of aircraft (maintenance), weather condition, crew sickness, security, etc. In this research, it highlights the absenteeism of the pilot due to sickness. A supervised learning method is proposed to predict the sickness of cockpit crew based on data given on the previous period. The classification and regression tree/decision tree algorithm use the feature of the cockpit crew as predictor variable to predict the future absenteeism of the pilot.

The real data in 2017 is used to train and test the accuracy of the model. The result shows that administrative or human resource and historical sickness data can be the predictor to build model for cockpit crew sickness prediction. In this research most pilot who has sick history or used to fail in medical exam and pilot who assigned more than 78 flight hours has more probability for being sick in the future period. According to the research approximately IDR 900.000.000 per month in average can be saved by company if it can predict the suitable number of reserved pilots to cover the absence pilot.This research also explores the other association rules that help the airline managers find the characteristics of the pilot which are going to be absent due to sickness in next period and determines the number of reserved crews should be prepared by airlines to avoid the disruption."

"ABSTRAKDeforestasi merupakan perubahan tutupan hutan menjadi non hutan. Perubahan tersebut menyebabkan berkurangnya cadangan karbon yang tersimpan pada hutan. Penelitian ini bertujuan untuk mengetahui dan menganalisis pola spasial deforestasi pada tahun 1996 ndash; 2017 serta mengestimasi stok karbon yang tersedia pada kondisi eksisting 2017 setelah hutan terdegradasi. Tutupan lahan didapatkan dari hasil analisis Citra Landsat 5 TM dan Landsat 8 OLI menggunakan metode klasifikasi supervised. Estimasi stok karbon dilakukan pada tutupan vegetasi hutan, kebun karet dan kebun sawit dengan melakukan pengukuran. Total deforestasi yang terjadi di Kabupaten Bengkulu Utara pada 1996 ndash; 2007 adalah sebesar 134.104,24 ha dan stok karbon hasil estimasi pada ketiga tutupan lahan tahun 2017 adalah sebesar 39,67 juta ton.

---

ABSTRAKDeforestation is a forest landcover change into non forest. These changes lead to carbon stock decreasing. The aim of this study is not only to identify and analyze the spatial deforestation patterns from 1996 to 2017 but also to estimate the existing carbon stock 2017 . Landcover is obtained by analyzing Landsat 5 TM and 8 OLI using supervised classification method. Carbon stock estimating carried out on forest cover, rubber plantation cover and palm oil plantation cover. The total deforestation area in North Bengkulu since 1996 to 2017 is 134.104,24 hectare and carbon stock that estimated based on landcover in 2017 is 39,67 million tons."

"Dalam perkembangan teknologi saat ini, kemampuan mesin untuk dapat belajar memiliki peranan yang sangat penting. Berbagai upaya telah dilakukan untuk mengembangkan kecerdasan buatan terhadap mesin sehingga mesin dapat melakukan pembelajaran. Salah satu macam pembelajaran mesin (machine learning) adalah dengan Brain Emotional Learning (BEL). BEL merupakan metode pembelajaran mesin yang terinspirasi dari fungsi kerja sistem limbik mamalia yang memiliki kemampuan untuk menyimpan memori, membuat keputusan dan memberi respon emosi. Dalam penerapannya, BEL telah terbukti dapat menyelesaikan berbagai masalah pembelajaran, seperti dalam masalah klasisfikasi, masalah prediksi, dan pengendalian. Pada skripsi ini, akan dilakukan perancangan dengan BEL untuk dapat mengkategorikan data melalui metode pembelajaran supervised learning dan diuji dengan data iris.Hasil pengujian menunjukkan bahwa BEL dapat digunakan untuk klasifikasi beberapa macam kelas, terdapat hubungan yang tidak linear dari faktor-faktor yang mempengaruhi proses pembelajaran terhadap hasil, konstanta β dan konstanta γ memberikan hasil akurasi rendah ketika keduanya bernilai besar, dan hasil akurasi terbaik sebesar 93,33% untuk jenis data iris. Selain itu, perbandingan dengan paper rujukan menunjukkan bahwa hasil rancangan memberikan hasil yang lebih baik daripada algoritma GDBP MLP pada epoch rendah meskipun hasil rancangan belum sebaik rujukan.

---

In todays technological development, the ability of machines to be able to learn has a very important role. Various efforts have been made to develop artificial intelligence on the machine so that the machine can do learning. One type of machine learning is with Brain Emotional Learning (BEL). BEL is a machine learning method inspired by the work function of the limbic system of mammals that has the ability to store memory, make decisions and give emotional responses. In its application, BEL has been proven to be able to solve various learning problems, such as problems in classification, prediction problems, and control. In this thesis, BEL will be designed to be able to categorize data through supervised learning methods and tested with iris data.The test results show that BEL can be used to classify several types of classes, there is a non-linear relationship of the factors that influence the learning process to results, constants and constants give low accuracy results when both are of great value, and the best accuracy results are 93, 33% for iris data types. In addition, the comparison with the reference paper shows that the design results have better results than the MLP GDBP algorithm at the lower epoch even though the design results have not been as good as the references."

"Sejak sepuluh tahun terakhir hutan mangrove di Karawang telah menjadi percontohan bagi pengelolaan mangrove di Jawa Barat. Namun beberapa wilayah mengalami kerusakan dan penurunan luas. Skripsi ini membahas perubahan luasan mangrove serta kaitannya dengan sosial ekonomi di pesisir Kabupaten Karawang tahun 2009 dan 2019 menggunakan citra landsat. Variabel sosial ekonomi yang digunakan antara lain mata pencaharian utama (mp), lokasi lahan usaha (llu), pemanfaatan lahan (pl), persepsi terhadap hutan mangrove (phm). Penelitian ini adalah penelitian kuantitatif dengan desain deskriptif. Metode penelitian yang digunakan antara lain supervised classification untuk klasifikasi tutupan mangrove, overlay untuk analisis perubahan lahan, dan uji chi square untuk analisis hubungan sosial ekonomi dengan perubahan tutupan mangrove. Hasil penelitian menunjukkan bahwa perubahan tutupan mangrove tahun 2014-2019 bertambah sebanyak 448,75 ha. Sedangkan perubahan tutupan mangrove tahun 2009-2019 bertambah sebesar 565,11 ha. Secara umum, wilayah tutupan mangrove bertambah, namun ada beberapa wilayah yang luasan tutupan mangrovenya berkurang atau menghilang. Ada hubungan antara karakteristik sosial ekonomi dengan perubahan tutupan mangrove yang berkurang dengan hubungan kuat. Namun, tidak ada hubungan antara karakteristik sosial ekonomi dengan perubahan tutupan mangrove yang bertambah. Hal ini dikarenakan area tutupan mangrove yang bertambah terjadi karena adanya pelestarian hutan mangrove oleh pemerintah, POKMAS, dan perusahaan setempat dan tidak ada hubungannya dengan sosial ekonomi masyarakat.

---

Since the last ten years, mangrove forests in Karawang have become a model for mangrove management in West Java. But some areas experienced extensive damage and decline. This thesis discusses the changes in the extent of mangroves and their relation to the socio-economy on the coast of Karawang Regency in 2009 and 2019 using Landsat imagery. Socioeconomic variables used include main livelihood, location of business land, land use, perception of mangrove forests. This is quantitative research with a descriptive design. The research methods used include supervised classification for the classification of mangrove cover, overlays for land change analysis, and cross tables for analysis of changes in mangrove cover with social economy. The results showed that changes in 2014-2019 increased by 448,75 ha. While changes in mangrove cover in 2009-2019 increased by 565,11 ha. In general, mangrove cover areas have increased, but there are some areas where mangrove cover areas have decreased or disappeared. Socioeconomic characteristics affect the change in mangrove cover that is reduced. As for changes in mangrove cover that increases, there is no effect of socioeconomic characteristics on changes in mangrove cover that increases. This is due to the increased area of mangrove cover that occurs due to the preservation of mangrove forests by the government, POKMAS, and local companies."

"Inhibitor DPP-4 adalah pendekatan baru yang menjanjikan untuk pengobatan diabetes tipe-2 dengan risiko rendah hipoglikemia. Pemodelan hubungan kuantitatif struktur-aktivitas (QSAR) adalah pemodelan yang digunakan untuk menyaring basis data besar suatu senyawa untuk menentukan sifat biologis molekul kimia berdasarkan struktur kimianya. Pada tesis ini pemodelan QSAR yang digunakan adalah QSAR klasifikasi dan QSAR regresi. Sebelum membuat model QSAR akan melakukan esktraksi ciri pada struktur molekul (SMILES). Hasil ekstraksi ciri tersebut kemudian akan digunakan sebagai masukan untuk metode rotation forest kasus klasifikasi dan kasus regresi. Model QSAR klasifikasi akan memprediksi molekul aktif dan tidak aktif pada inhibitor DPP-IV. Sedangkan model QSAR regresi akan memprediksi nilai aktivitas IC50 inhibitor DPP-IV. Pada penelitian ini untuk kasus klasifikasi dan regresi juga membandingkan performa model rotation forest menggunakan matriks rotasi PCA dengan rotation forest menggunakan matriks rotasi Sparse PCA. Hasil penelitian ini menunjukkan bahwa model QSAR regresi menggunakan rotation forest dengan matriks rotasi PCA (RFR(PCA)) memperoleh koefisien korelasi kuadrat 29.2% dengan RMSE 45%. Sementara itu, menggunakan rotation forest dengan matriks rotasi Sparse PCA (RFR(SPCA)) memperoleh koefisien korelasi kuadrat 27.1% dengan RMSE 45.6%. Pada QSAR klasifikasi persentase banyaknya molekul yang aktif sangat besar dibandingkan yang molekul tidak aktif, hal ini dapat menyebabkan nilai evaluasi berbeda. SMOTE (Synthetic Minority Oversampling Technique) merupakan salah satu metode untuk menangani data tidak seimbang tersebut dengan cara membangkitkan data buatan. Hasil penelitian ini menunjukkan bahwa model QSAR klasifikasi menggunakan rotation forest dengan matriks rotasi PCA (RFC(PCA)) memperoleh performa tertinggi dalam memprediksi molekul aktif dan tidak aktif, yaitu nilai MCC 77.7% dengan nilai akurasi sebesar 89%, sensitivitas 89.6%, dan spesifisitas 88.1%. Sementara itu, model QSAR klasifikasi menggunakan rotation forest dengan matriks rotasi SPCA (RFC(SPCA)) memperoleh performa tertinggi, yaitu nilai MCC 80.9% dengan nilai akurasi sebesar 90.5%, sensitivitas 90.8%, dan spesifisitas 90.2%.

---

DPP-4 inhibitors are a new approach for the treatment of type 2 diabetes with a low risk of hypoglycemia. The Quantitative Structure-Activity Relationship (QSAR) model is a model used to filter large databases of compounds to determine the biological properties of chemical molecules based on their chemical structure. The QSAR modeling that is used in this research is QSAR classification and QSAR regression. Before creating the model, QSAR will perform feature extraction on the molecular structure (SMILES). The results of the feature extraction will be used as inputs for the rotation forest method of the classification and regression cases. The QSAR classification model predicts active and inactive molecules in DPP-IV inhibitors, while the regression QSAR model predicts the value of IC50 DPP-IV inhibitor activity. In this study, the classification and regression cases are also comparing the performances between the rotation forest model using the PCA rotation matrix and the rotation forest model using the Sparse PCA rotation matrix. 

The results of this study indicate that the QSAR regression model using rotation forest with the rotation matrix PCA (RFR (PCA)) obtained a squared correlation coefficient of 29.2% with RMSE 45%. Meanwhile, using rotation forest regression with the Sparse PCA (RFR (SPCA)) rotation matrix obtained a quadratic correlation coefficient of 27.1% with RMSE 45.6%. In the QSAR classification, the percentage of active molecules is very large compared to inactive molecules, this can cause different evaluation values. SMOTE (Synthetic Minority Oversampling Technique) is one method for handling such unbalanced data by generating artificial data. The results of this study indicate that the classification QSAR model using rotation forest classification with PCA (RFC (PCA)) rotation matrix obtained the highest performance in predicting active and inactive molecules as follows: MCC value of 77.7% with an accuracy value of 89%, sensitivity value of 89.6% and specificity value of 88.1%. Meanwhile, the QSAR classification model using rotation forest classification with the SPCA rotation matrix (RFC (SPCA)) obtained the highest performance as follows: MCC value of 80.9% with an accuracy value of 90.5%, sensitivity value of 90.8%, and specificity value of 90.2%."