Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu misi pembangunan adalah mewujudkan kualitas hidup manusia Indonesia yang tinggi, maju, dan sejahtera, dengan salah satu agenda prioritasnya meningkatkan kualitas hidup manusia Indonesia. Untuk mengevaluasi terlaksananya misi dan agenda prioritas tersebut diperlukan indikator yang terukur. Hasil evaluasi tersebut dapat dijadikan pertimbangan dalam membuat kebijakan untuk memperbaiki tingkat kesejahteraan.Salah satu pengukuran yang dapat digunakan adalah Indikator Kesejahteraan Rakyat (Inkesra) yang disusun Badan Pusat Statistik (BPS) yang diolah dari data Survei Sosial Ekonomi Nasional (SUSENAS). Indikator ini mengukur kesejahteraan dengan menggunakan pendekatan kebutuhan dasar (basic needs).Untuk mengukur perubahan tingkat kesejahteraan kabupaten/kota, perlu dilakukan analisis perpindahan cluster dari periode ke periode. Salah satu metode yang dapat digunakan untuk melakukan clustering adalah Self-organizing Maps (SOM). Hasil clustering dengan SOM kemudian dapat dianalisis menggunakan Relative Density Self-Organizing Maps (ReDSOM).Variabel yang digunakan pada penelitian ini sebanyak 22 variabel dengan jumlah record 497 kabupaten/kota. Data yang dibandingkan adalah data tahun 2011 dan 2014. Dari hasil penelitian ini terdapat enam cluster pada tahun 2011 dan tujuh cluster pada tahun 2014. Variabel yang berubah secara signifikan pada sebagian besar perpindahan cluster adalah Angka Partisipasi Sekolah. ......One of the development goal is to improve Indonesian people’s quality of life including welfare. A measurable indicator is needed to evaluate the realisation of the goal. The evaluation results can be used to make beter policy to improve welfare.In Indonesia we can use Welfare Indicator (Indikator Kesejahteraan Rakyat/Inkesra) to measure welfare. This indicator is based on basic needs. This indicator is processed from SUSENAS.To measure welfare improvement, we need to analyze cluster change over periods. A method that can be used clustering is Self-organizing Maps (SOM). Based on clustering result of data from different period, we can analyze cluster change.This research used 22 variables and 497 records. The result of this research is regencies/municipalities in 2011 can be divided into six clusters and seven clusters in 2014. Variable that changed significantly in most of migrated clusters is School Participation."

"Nilai yang hilang adalah nilai yang tidak disimpan dalam variabel tertentu dalam pengamatan. Nilai yang hilang dapat ditemukan dalam data di hampir semua bidang penelitian dan dapat mempersulit analisis data. Self-Organizing Maps (SOM) adalah metode clustering berbasis jaringan saraf yang dapat digunakan sebagai metode imputasi, di mana SOM menyalahkan nilai-nilai yang hilang dengan menggeneralisasi pengamatan mengandung nilai yang hilang. Ensemble Self-Organizing Maps (E-SOM) adalah pengembangan metode imputasi SOM, di mana metode E-SOM diterapkan kerangka ensemble dengan menggunakan beberapa SOM untuk meningkatkan kemampuan generalisasi. Dalam tesis ini metode E-SOM dan SOM diimplementasikan untuk imputasi nilai yang hilang dalam data Penyakit Jantung Afrika Selatan dengan menggunakan 15 ansambel dan berbagai variasi dalam jumlah neuron. Pada data imputasi kedua metode ini kemudian dibentuk oleh model klasifikasi Hutan Acak dan dilakukan evaluasi kinerja model yang dibentuk menggunakan nilai akurasi dalam data pengujian. Hasil evaluasi menunjukkan bahwa untuk model yang terbentuk dari data imputasi E-SOM menghasilkan nilai akurasi yang lebih baik untuk variasi 20, 30, 50, 60, dan 80 neuron dalam klasifikasi data pengujian. Sedangkan untuk variasi 40 neuron, model terbentuk dari data imputasi SOM menghasilkan nilai akurasi yang lebih baik, dan untuk variasi 70 neuron, kedua metode menghasilkan nilai akurasi yang sama. Selain itu, menerapkan berbagai kombinasi variasi dalam jumlah neuron dan jumlah ansambel dalam metode ini imputasi E-SOM. Model Random Forest dihasilkan dari data dari imputasi E-SOM dengan kombinasi 60 neuron dan 5 ansambel menghasilkan nilai akurasi paling optimal.

---

Missing values ​​are values ​​that are not stored in certain variables in the observation. Missing values ​​can be found in data in almost all fields of research and can complicate data analysis. Self-Organizing Maps (SOM) is a neural network based clustering method that can be used as an imputation method, where SOM blames missing values ​​by generalizing observations contains missing values. Ensemble Self-Organizing Maps (E-SOM) is the development of the SOM imputation method, in which the E-SOM method is applied to an ensemble framework by using multiple SOMs to improve generalization capabilities. In this thesis the E-SOM and SOM methods are implemented for the imputation of missing values ​​in South African Heart Disease data with using 15 ensembles and various variations in the number of neurons. In the imputation data the two methods are then formed by the Random Forest classification model and an evaluation of the performance of the model is formed using the accuracy values ​​in the test data. The evaluation results show that the model formed from E-SOM imputation data produces better accuracy values ​​for variations of 20, 30, 50, 60, and 80 neurons in the classification of test data. As for the variation of 40 neurons, the model formed from SOM imputation data produces a better accuracy value, and for the variation of 70 neurons, both methods produce the same accuracy value. Other than that, applying various combinations of variations in the number of neurons and the number of ensembles in this method imputation E-SOM. The Random Forest model is generated from data from the E-SOM imputation with a combination of 60 neurons and 5 ensembles producing the most optimal accuracy value"

"Metoda klasifikasi Jaringan Syaraf Tiruan (JST) telah banyak diterapkan dalam bidang penginderaan jauh. Dalam penelitian ini dilakukan percobaan klasifikasi awan dengan menerapkan metoda JST Kohonen pada data citra multispektral satelit NOAA AVHRR. JST Kohonen adalah metoda klasifikasi tak terselia yang berbasis pada sistem pembelajaran kompetitif Self-Organizing Maps (SOM). Prosedur percobaan terdiri dari tiga tahap, yakni tahap pembelajaran, tahap pelabelan dan tahap klasifikasi.Pada mulanya, klasifikasi awan dilakukan menggunakan lima kanal data citra sebagai vektor masukan, yakni kanal cahaya-tampak, infra-merah dekat, infra-merah tengah, dan dua kanal infra-merah termal. Hasil klasifikasi lalu dibandingkan dengan hasil klasifikasi visual untuk menentukan tingkat keberhasilannya. Kemudian, proses klasifikasi dilanjutkan untuk mengevaluasi kanal-kanal yang dominan dalam klasifikasi awan dengan cara mereduksi jurnlah kanal yang digunakan dalam klasifikasi.Hasil percobaan menunjukkan bahwa klasifikasi awan menggunakan JST Kohonen memberikan tingkat keberhasilan yang cukup tinggi sebesar 81% untuk katagori 10 kelas atau 95% untuk 4 katagori utama 4 kelas awan, dengan kanal-kanal yang dominan yaitu kanal satu (cahaya-tampak) dan kanal empat (infra-merah termal)."

"ABSTRAKPerkembangan pesat Teknologi Informasi dan Komunikasi (TIK) telah membuatnya menjadi satu bagian penting dalam kehidupan sehari-hari. Sektor pemerintah di Indonesia merupakan salah satu pihak yang telah mencoba memanfaatkan TIK dengan membuat sebuah situs untuk berkomunikasi secara dua arah dengan masyarakat (e-Governement) dalam bentuk LAPOR! (Layanan Aspirasi dan Pengaduan Online Rakyat). Laporan yang disampaikan masyarakat bisa menjadi masukan penting bagi pemerintah untuk membantu pembangunan dan peningkatan pelayanan publik. Oleh karena itu, penelitian ini menggunakan metode text mining untuk menganalisis data tekstual yang berupa opini atau keluhan dengan mengklasifikasikannya menjadi beberapa kelas dan kemudian data set setiap kelas akan dikelompokkan lagi menjadi beberapa topik khusus (cluster). Hasil penelitian menunjukkan bahwa laporan terkait kemiskinan memiliki jumlah terbanyak dengan topik mayoritas yang dibahas adalah mengenai beberapa jenis bantuan sosial seperti KPS (Kartu Perlindungan Sosial) dan BLSM (Bantuan Langsung Sementara Masyarakat) yang tidak didistribusikan dengan baik atau tidak tepat sasaran

---

ABSTRACTThe rapid development of Information and Communication Technology (ICT) has made it as one important part in daily life. The government sector in Indonesia is one of those who have tried to use ICT in order to build such a two way communication site with citizens (e-governement) by creating LAPOR! (Layanan Aspirasi dan Pengaduan Online Rakyat). All kind of reports that conveyed by citizens could be an important input for the government to assist the development and improvement of public services. Hence, this reaserch analyze citizen’s textual reports data by using text mining method. The textual data will be classified into several classes and then the data set in each class will be clustered into several specific topics (clusters). The results showed that poverty is the most reported category with the majority of its topics are about some kind of social aids such as KPS (Kartu Perlindungan Sosial) and BLSM (Bantuan Langsung Sementara Masyarakat) that are not well distributed or reached out the wrong target."

"ABSTRACTPelayanan publik berperan penting untuk meningkatkan kesejahteraan masyarakat. Kepolisian Republik Indonesia merupakan lembaga pelayanan publik yang memiliki peranan penting di masyarakat. Namun, penilaian kinerja Polri yang berhubungan langsung dengan masyarakat masih rendah dan perlu ditingkatkan. Peningkatan kinerja layanan Polri dilakukan dengan memahami aduan dan masukan dari masyarakat. Aduan merupakan informasi penting untuk penyedia layanan untuk mengetahui arah perbaikan dan pengembangan layanan ke depannya. Perkembangan teknologi membuat sistem penyampaian pengaduan dapat disampaikan secara online sehingga lebih mudah. Kemudahan ini sejalan dengan banyaknya jumlah aduan yang disampaikan masyarakat kepada Polri. Aduan masyarakat merupakan data teks yang tidak terstruktur dengan penggunaan kosa kata yang bervariasi. Maka dari itu, pendekatan text miningpenting untuk dilakukan. Penelitian ini bertujuan untuk mengklasifikasi dan melakukan clustering dari aduan masyarakat kepada Polri untuk topik permasalahan yang sering disampaikan masyarakat. Untuk klasifikasi, algoritme yang digunakan adalah Support Vector Machine SVM dan Random Forest Classifier RFC karena kedua algoritme bekerja dengan baik untuk mengklasifikasi data teks dalam jumlah besar. Hasilnya algoritme RFC bekerja lebih baik pada kasus ini dengan akurasi 72 . Untuk clustering, algoritme yang digunakan adalah Self-Organizing Maps. Hasil penelitian menunjukkan aduan terbanyak masyarakat terdapat di Kelas Pelayanan Buruk dengan topik yang sering dibahas berkaitan dengan satuan kerja Korps Lalu-Lintas Polri.

---

ABSTRACTPublic services take a major role to improve the welfare of society. Indonesia National Police is one of public service institution which have an important role. Unfortunately, assessment of Police performance related to the public service quality is still low. Police needs to improvetheirservice quality. For improving the performance, by analyzing inputs and complaints from public. Complaint is an valuable information for service provider in order to know the service improvement and development in the future. Technology advances make the online complaint handling system easy to access. This is allign with the number of public complaints for Police. Public complaints is unstructured text data with varying vocabulary. Hence, this research is using text mining approach. This research aims to classify and cluster the public complaints to Indonesia National Police to get the specific topic of the complaint. Support Vector Machine and Random Forest Classification RFC algorithms are used for classification. RFC works better on this research with 72 accuracy. Self Organizing Maps algorithm is used for clustering. The result is the highest public complaints are in poor service quality class with topics related to National Police rsquo s Traffic Corps."