Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penggunaan email filtering saat ini sudah tergolong umum. Mail server berskala intenasional sudah wajib menggunakan spam filtering untuk men-filter email yang masuk ke user. Dari beberapa metode filtering yang dikembangkan, metode content filtering adalah metode yang paling digemari. Dari beberapa tipe content filtering yang digunakan, metode bayesian filtering merupakan metode email yang palign sering digunakan. Konsep yang digunakan cukup sederhana, yaitu bila probabilitas spam dari sebuah email lebih besar dari probabilitas nonspam, maka email tersebut dianggap sebagai spam. Tugas akhir ini akan membahas email filtering yang menggunakan metode bayesianfiltering. Metode yang dibangun berdasarkan konsep yang telah dibangun oleh Paul Graham dalam artikelnya ?A Plan for Spam?. Artikel ini dinyatakan sebaga batu loncatan yang sangat berpengaruh terhadap perkembangan email filtering karena memberikan pandangan lain terhadap pengembangan spam filtering. Pada tugas akhir ini, penulis akan meneliti trik-trik yang digunakan oleh Paul Graham dalam artikelnya. Penulis akan membangun sebuah email filtering berdasarkan artikel Paul Graham kemudian memodifikasi filter tersebut kemudian melihat perbedaan kinerja dari filter."

"This book describes one of the first systems for sparse point-based 3D reconstruction and egomotion estimation from an image sequence; able to run in real-time at video frame rate and assuming quite weak prior knowledge about camera calibration, motion or scene. Its chapters unify the current perspectives of the robotics and computer vision communities on the 3D vision topic : as usual in robotics sensing, the explicit estimation and propagation of the uncertainty hold a central role in the sequential video processing and is shown to boost the efficiency and performance of the 3D estimation. On the other hand, some of the most relevant topics discussed in SfM by the computer vision scientists are addressed under this probabilistic filtering scheme, namely projective models, spurious rejection, model selection and self-calibration."

"ABSTRACTThe mortality rate and the distribution of dengue fever case in Indonesia tend to increase. Jambi Province is the province with the highest mortality rate in Indonesia in 2013, and Jambi City is the highest contributor for the last 3 years. Eradication efforts have been made, but they have not been able to break the chain of transmission. This research uses descriptive design with a qualitative approach to identify the causes of inaccuracy of eradication efforts and to determine the strategy of eradicating dengue fever in Jambi City. Site selection was done by purposive sampling, with the highest incidence rate criterion in 2015. The informants were chosen based on the criteria of conformity and adequacy, covering the Health Department, the Puskesmas, the sub-district and the community i.e. the larva monitoring cadre (jumantik). The assessment scheme is based on government policy implementation scheme in eradicating DHF by the identification of factors based on ultrasound analysis (Urgency, Serious, Growth). The strategy of eradication efforts is based on SWOT analysis (Strength, Weaknesses, Opportunities, Threats). The determination of alternative strategies was chosen based on Mc. Namara's screening theory, with 5 criteria of effectiveness, ease, benefits, time, and cost. The result of the research shows that the inaccuracy of dengue eradication efforts in Jambi City lies in the ineffectiveness of the implementation of the Mosquito Nest Eradication (PSN) movement through cross-sector integration in community empowerment routinely and independently. The main strategy that can be done by the government is to increase the role of larva monitoring cadres and larva monitoring students (sismantik) through budget support from across sectors in campaigning PSN movement regularly, either at house or institution environment."

"ABSTRAKDi tengah persaingan e-commerce di Indonesia yang semakin ketat, membuat perusahaan e-commerce dituntut dapat bersaing dalam memberikan nilai tambah layanan bagi pelanggannya agar dapat meningkatkan jumlah pelanggan dan disertai dengan angka pemesanan yang meningkat juga. Hal ini juga berlaku bagi e-commerce dalam industri pariwisata, salah satunya Triptrus. Salah satu tantangan yang dihadapi Triptrus adalah untuk meningkatkan angka conversion rate. Salah satu cara peningkatan angka conversion rate adalah pemberian fitur rekomendasi produk. Penelitian ini bertujuan untuk mencari metode yang dapat memberikan rekomendasi terbaik yang pada akhirnya bertujuan agar dapat meningkatkan angka conversion rate dari Triptrus yang masih rendah. Pada penelitian ini dilakukan pencarian metode rekomendasi yang terbaik disesuaikan dengan data internal yang dimiliki Triptrus. Penelitian ini bermula dari pengumpulan data internal untuk kemudian dibangum model rekomendasi menggunakan beberapa metode. Metode yang digunakan dalam penelitian ini diantaranya collaborative filtering, content based filtering, Hybrid Filtering dan stochastic gradient descent. Berdasarkan hasil penelitian, metode collaborative filtering, content based, dan hybrid kurang mampu memberikan rekomendasi yang cukup baik terhadap data Triptrus. Hasil terbaik dari ketiga metode ini didapatkan metode hybrid dengan nilai error RMSE 0.71. Di sisi lain algoritma stochastic gradient descent dapat memberikan rekomendasi paling baik dan memberikan ratio error RMSE paling kecil yaitu 0.11. Hasil penelitian ini adalah model rekomendasi produk yang dapat memberikan rekomendasi terbaik berdasarkan data internal Triptrus yaitu model yang dihasilkan menggunakan metode stochastic gradient descent.

---

ABSTRACTIndonesian e commerce markets are getting more tight. This condition forces e commerce companies to provide value added services for their customer in order to increase numbers of customer, which also followed by increasing number of purchases. This also happened in tourism e commerce company, Triptrus. The challenge that triptrus faces is how to increase their conversion rates. One way to increase the number of conversion rate is the provision of a product recommendation feature. The purpose of this research is to find the best recommendation method that can improve conversion rate in Triptrus. In this research we looked for the best recommendation method that adapted to internal data of Triptrus. This research started with gathering internal data that followed by build recommendation based on several methods. Methods that used in this research are collaborative filtering, content based filtering, hybrid filtering and stochastic gradient descent. Based on the research result, collaborative filtering, content based, and hybrid lack of capability to give good recommendation. The best result from these three methods is hybrid with an error 0.71. In the other side stochastic gradient descent could gave best recommendation with smallest error ratio RMSE at 0.11. The result of this research is recommendation model that can give best recommendation adapted to Triptrus internal data. Best recommendation model is model that generated by stochastic gradient descent."

"Teknik OFDM merupakan teknik multicarrier yang mengefisienkan bandwidth. Penggunaan teknik OFDM dapat mengatasi multipath fading dan intersymbol interference (ISI). Namun demikian, OFDM mempunyai dua kelemahan, salah satunya adalah peak-to-average power ratio (PAPR) yang tinggi. PAPR yang tinggi akan menyebabkan distorsi nonlinear pada high power amplifier (HPA) karena HPA membatasi keluaran dengan nilai tertentu dan mengurangi efisiensi daya amplifier. Oleh karena itu, PAPR yang tinggi harus direduksi. Metode reduksi PAPR yang diajukan adalah dengan menggabungkan Huffman coding dengan clipping dan filtering. Huffman coding akan mereduksi simbol-simbol yang sering muncul sehingga probabilitas mengulang simbol yang sama akan dieliminasi yang akan mencegah penjumlahan (superposisi) koheren dari sinyal-sinyal multicarrier yang menyebabkan peak yang sangat besar. Peak baru yang timbul akibat Huffman coding diharapkan dapat diatasi dengan CF, sehingga penurunan PAPR akan lebih optimal. Dengan menggunakan 52 subcarrier dan QPSK penurunan 7 dB dapat dicapai. Dengan menggunakan 16QAM dihasilkan penurunan 7,5 dB.

---

OFDM technique is a multicarrier modulation that has efficient bandwidth. The use of OFDM can overcome multipath fading and intersymbol interference (ISI). However, OFDM has two drawbacks, one of which is high peak-to-average power ratio (PAPR). High PAPR will cause nonlinear distortion when passed to high power amplifier (HPA) since HPA limits the output with certain value and reduces amplifier's power efficency. Therefore, high PAPR must be reduced.

This thesis proposes PAPR reduction method which combine Huffman coding and clipping and filtering (CF). Huffman coding will reduce the frequently transmitted symbols so that the probability to repeat the same symbols will be eliminated. It will prevent coherent superposition of multicarrier signals that cause very high peak. The new peak will be overcome by CF, therefore, PAPR reduction will be more optimal. By using 52 subcarriers and QPSK modulation, about 7 dB PAPR reduction is achieved. By using 16QAM, 7,5 dB reduction is achieved."

"Teknik OFDM merupakan teknik multicarrier yang mengefisienkan bandwidth. Penggunaan teknik OFDM dapat mengatasi multipath fading dan intersymbol interference (ISI). Namun demikian, OFDM mempunyai dua kelemahan, salah satunya adalah peak-to-average power ratio (PAPR) yang tinggi. PAPR yang tinggi akan menyebabkan distorsi nonlinear pada high power amplifier (HPA) karena HPA membatasi keluaran dengan nilai tertentu dan mengurangi efisiensi daya amplifier. Oleh karena itu, PAPR yang tinggi harus direduksi. Metode reduksi PAPR yang diajukan adalah dengan menggabungkan Huffman coding dengan clipping dan filtering. Huffman coding akan mereduksi simbol-simbol yang sering muncul sehingga probabilitas mengulang simbol yang sama akan dieliminasi yang akan mencegah penjumlahan (superposisi) koheren dari sinyal-sinyal multicarrier yang menyebabkan peak yang sangat besar. Peak baru yang timbul akibat Huffman coding diharapkan dapat diatasi dengan CF, sehingga penurunan PAPR akan lebih optimal. Dengan menggunakan 52 subcarrier dan QPSK penurunan 7 dB dapat dicapai. Dengan menggunakan 16QAM dihasilkan penurunan 7,5 dB.

---

OFDM technique is a multicarrier modulation that has efficient bandwidth. The use of OFDM can overcome multipath fading and intersymbol interference (ISI). However, OFDM has two drawbacks, one of which is high peak-to-average power ratio (PAPR). High PAPR will cause nonlinear distortion when passed to high power amplifier (HPA) since HPA limits the output with certain value and reduces amplifier?s power efficency. Therefore, high PAPR must be reduced. This thesis proposes PAPR reduction method which combine Huffman coding and clipping and filtering (CF). Huffman coding will reduce the frequently transmitted symbols so that the probability to repeat the same symbols will be eliminated. It will prevent coherent superposition of multicarrier signals that cause very high peak. The new peak will be overcome by CF, therefore, PAPR reduction will be more optimal. By using 52 subcarriers and QPSK modulation, about 7 dB PAPR reduction is achieved. By using 16QAM, 7,5 dB reduction is achieved."

"ABSTRAKPada dunia ritel grosir, keragaman pembelian barang oleh pelanggan berkaitan erat terhadap laba. Pembelian satu barang yang sama dalam jumlah besar akan mendapatkan potongan harga yang lebih besar. Pemotongan harga ini mengurangi laba dari perusahaan ritel. Oleh karena itu, pelanggan selalu diharapkan untuk membeli banyak barang yang berbeda. PT Lotte Shopping Indonesia telah menetapkan target pencapaian untuk keragaman pembelian barang pada segmen pelanggan ritel dan horeka. Namun saat ini target tersebut masih belum dapat terpenuhi. Kesulitan yang dialami adalah menawarkan barang yang tepat kepada pelanggan. Inovasi yang dapat diterapkan adalah pengembangan sistem rekomendasi untuk menawarkan barang yang relevan. Penelitian ini menggunakan pendekatan collaborative filtering untuk membangun model sistem rekomendasi. Penelitian dilakukan terhadap data penjualan 2,5 tahun terakhir dengan jumlah transaksi mencapai 4,6 juta. Hasil dari penelitian menunjukkan bahwa metode memory-based k-Nearest Neighbors mengungguli metode model-based Singular Value Decomposition. Selain itu ditemukan bahwa segmentasi pelanggan tidak berhasil meningkatkan kinerja sistem.

---

ABSTRACTThe variety of goods purchased by customer closely related to retailer rsquo s profit. When an item purchased in large amount, it will get a larger discount which hurts retailer rsquo s profit. Big retailer chain always tries to entice customer to buy many different set of items. PT Lotte Shopping Indonesia has targets for variety of goods purchased in their retail and horeca segments. This target has not achieved regularly. Marketing team have trouble in offering right products. Recommendation system used in many e commerce retailers to offer relevant products. This study uses collaborative filtering approach to build recommendation system. The study conducted on sales data in the last 2.5 years with numbers transactions of 4.6 million. The result shows that memory based k Nearest Neighbors method outperformed the model based Singular Value Decomposition method. In addition, it was found that customer segmentation could not improve system performance."

"ABSTRAKMarketplace terus mengalami perkembangan yang ditunjukkan oleh jumlah pelanggan dan jumlah penjualan yang terus mengalami peningkatan. Namun, penjualan secara online seperti marketplace memiliki beberapa keterbatasan untuk memberikan pengalaman pembelian yang personal. Sistem rekomendasi dapat membantu marketplace untuk mengatasi keterbatasan tersebut, sehingga pelanggan dapat menemukan produk atau layanan berdasarkan preferensi mereka. Pada penelitian ini, kami mengusulkan untuk mengembangkan sistem rekomendasi produk menggunakan algoritma Neural Collaborative Filtering (NCF). NCF adalah algoritma collaborative filtering berbasis deep learning dan faktorisasi matriks. Sistem rekomendasi produk yang akan dibangun menggunakan data umpan balik implisit dalam bentuk data pembelian dari pelanggan. Umpan balik implisit adalah jenis data yang dapat diandalkan untuk membangun sistem rekomendasi. Hasil penelitian telah menunjukkan bahwa NCF mencapai kinerja terbaik dan paling unggul dibanding metode yang lain.

---

ABSTRACTMarketplace continuesly growth as indicated by the number of customers and the number of sales that continue to increase. However, online sales like a marketplace have several limitations to provide a personal purchasing experience. The recommendation system can help the online market to overcome these limitations, so that customers can find products or services based on their preferences. In this study, we propose to develop a product recommendation system using the Neural Collaborative Filtering (NCF) algorithm. NCF is a collaborative filtering algorithm based on deep learning and matrix factorization. The product recommendation system will be built using implicit feedback data in the form of customer purchase data. Implicit feedback is a type of data that can be relied upon to build a recommendation system. The results of the study have shown that NCF achieves the best performance compared to state-of-the-arts methods."

"Sistem rekomendasi kini telah menjadi fitur yang umum digunakan pada berbagai situs, termasuk situs katalog buku dan toko buku daring. Adanya sistem rekomendasi pada situs-situs tersebut berperan penting dalam proses pengambilan keputusan pengguna. Dua jenis sistem rekomendasi yang umum digunakan adalah content-based filtering dan collaborative filtering. Penelitian terdahulu menunjukkan bahwa statistical metrics bukan merupakan ukuran yang tepat untuk menentukan kualitas suatu sistem rekomendasi. Salah satu pendekatan lain adalah mengevaluasi sistem rekomendasi berdasarkan persepsi dari pengguna yang menggunakannya. Pada penelitian ini, dilakukan perbandingan antara persepsi pengguna terhadap content-based filtering dengan top-N recommendations dan collaborative filtering dengan matrix factorization menggunakan metode survei kuantitatif yang mengukur accuracy, diversity, novelty, perceived usefulnes, overall satisfaction dan use intention terhadap rekomendasi yang dihasilkan kedua jenis sistem rekomendasi. Hasil penelitian menunjukkan bahwa sistem rekomendasi content-based filtering memiliki accuracy, diversity, perceived usefulness, overall satisfaction dan use intention yang lebih tinggi daripada sistem rekomendasi collaborative filtering. Namun, tidak terdapat perbedaan nilai novelty yang signifikan antara sistem rekomendasi content-based filtering dan collaborative filtering.

---

Recommendation system is now a common feature used in various sites, including online book catalogs and bookshops. The existence of recommendation systems on these sites has an important role in users' decision-making processes. Two of the most commonly used types of recommendation systems are content-based filtering and collaborative filtering. Literature has shown that statistical metrics are not suitable to measure the quality of recommendation systems. Instead, a recommendation system can be evaluated based on its users’ perceived qualities. Through this research, a comparison of users’ perception of content-based filtering with top-N recommendations and collaborative filtering with matrix factorization is conducted with a quantitative survey method which evaluates accuracy, diversity, novelty, perceived usefulness, overall satisfaction and use intention of recommendations produced by both recommendation systems. The results suggest that the content-based recommendation system has higher accuracy, diversity, perceived usefulness, overall satisfaction and use intention than collaborative filtering ones. However, there is not any significant difference between the novelty values of content-based and collaborative filtering recommendation systems."