Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Seiring perkembangan teknologi informasi dan komunikasi, pemenuhan kebutuhan informasi dapat diperoleh melalui media sosial, seperti Twitter. Banyaknya pengguna internet telah memicu aliran data yang sangat besar dan cepat, sehingga membuat analisis secara manual sulit atau bahkan tidak mungkin dilakukan. Metode otomatis diperlukan untuk menganalisis data tersebut yang salah satunya yaitu dengan topic detection and tracking (TDT). Suatu metode alternatif laindari TDT untuk masalah pendeteksian topik selain latent dirichlet allocation (LDA) adalah fuzzy clustering dengan menggunakan algoritma fuzzy Cmeans (FCM). FCM pada pendeteksian topik dapat memenuhi asumsi bahwa suatu dokumen pada Twitter dapat terdiri dari beberapa topik. FCM bekerja cukup baik di dimensi data yang rendah, akan tetapi gagal dalam dimensi data yang tinggi. Oleh karena itu, dibutuhkan suatu metode untuk mereduksi dimensi ruang eigen yang tinggi ke dimensi yang lebih rendah. Salah satu metodenya adalah singular value decomposition (SVD) dengan menggunakan truncated SVD. Pada penelitian ini, dilakukan prosestruncated SVD kemudian FCM yang dinamakanfuzzy C-means pada ruang eigen (Eigen FCM). Hasil akurasi dari metode ini menunjukkan peningkatan lebih baik dibandingkan FCM dan LDA pada pendeteksian topik.

---

ABSTRACT
As the information and communication technology developed, the fulfillment of information can be obtained through social media, like Twitter. The enormous number of internet users has triggeredfast and large data flow, thus making the analysis manually is difficult, or even impossible. The automated methods for data analysis is needed now, one of which is the topic detection and tracking (TDT). An alternative method other than TDT fortopic detection problemother than latent dirichlet allocation (LDA) is a fuzzy clustering algorithms using fuzzy C-means (FCM). FCM in topic detection meet the assumption that a document on Twitter can consists of several topics. FCM works pretty well in low-dimensional data, but fail in high-dimensional data. Therefore, we need a method to reduce the dimension of the high-dimensional eigenspaceinto lower dimension. One method to do that is the singular value decomposition (SVD) using truncated SVD. This papercarried out the truncated SVD process then FCM called fuzzy C-means on the eigenspace (Eigen FCM). The results of the accuracy of this method shows an increase is better than FCM and LDA on topic detection.

Abstrak :
Setiap dokumen pada koleksi menjelaskan suatu konsep berdasarkan topik yang dibahasnya Konsep tersebut didapat dengan teknik pengindeksan konseptual atau Latenl Semantic Indexing. Teknik tersebut mengakibatkan jumlah dokumen yang terambil lebih banyak karena adanya perluasan kueri (c/uery expansion) secara konseptual. Seiring berjalannya waktu, teijadi penambahan dokumen sehingga indeks menjadi tidak lengkap. Digunakan metode penambahan dokumen secara dinamis pada indeks konseptual yang ada dengan metode folding-in dan SVD- Update. Ujicoba dilakukan pada kumpulan hasil penelitian lembaga BATAN sebanyak 1162 abstrak dokumen. Berdasarkan ujicoba, pada model pengindeksan konseptual dokumen yang terambil lebih banyak yaitu rata-rata 12,63% dibandingkan dengan penggunaan pengindeksan biasa sebanyak 10,37%, Pada ujicoba penambahan dokumen, terjadi penurunan kinerja yang tidak signifikan yaitu 0,5% hingga 2% saja. ......Each document in the collection describes a concept based on particular topics. The concept is obtained with the technique of conceptual or latent Semantic Indexing. The technique resulting in the number of documents fetched more because of the conceptual queiy expansion. Over time, Ihere was the addition of documents so that the indexes are not complete. Using Folding-in and SVD- Update to update the index of document collection conceptually. We use BATAN research collection of 1162 document abstracts. Based on testing, on the conceptual model of the document fetched more with the average of 12.63% compared with the normal indexing of 10.37%. On testing of adding documents, a decline of performance that is not significant, namely 0.5% to 2% only.

Abstrak :
Sistem penilaian menggunakan komputer yang telah banyak diaplikasikan sampai saat ini masih terbatas pada soal pilihan ganda. Sementara, kemampuan kognitif seorang pelajar penting untuk dinilai dari kemampuannya menjelaskan solusi dari suatu masalah yang dituangkan dalam esai. Pengembangan di bidang penilaian esai mulai banyak dilakukan dan menciptakan teknik-teknik seperti PEG (Project Essay Grader), E-Rater, dan LSA (Latent Semantic Analysis). Metode penilaian yang dipilih untuk mengembangkan sistem penilaian esai otomatis pada skripsi ini adalah LSA yang menyalin dan merepresentasikan kalimat dengan perhitungan matematis. Sistem berbasis LSA mengambil kata dan merepresentasikannya dalam bentuk matriks yang penilaiannya dilakukan dengan teknik aljabar SVD (Singular Value Decomposition). Sistem penilaian esai yang baik diharapkan memiliki fitur feedback yang bisa memberikan informasi pada pelajar mengenai ujian yang diikutinya. Skripsi ini membuat fitur pemberian feedback otomatis pada sistem penilaian esai untuk siswa, sebagai komponen penyempuma penilaian setelah melaksanakan ujian. Fitur ini sangat membantu memberi informasi kategori dan bab mana yang kurang dikuasai dari esai yang ditunjukkan oleh persentase nilai tiap kategori, terutama kategori dan bab yang nilainya paling rendah atau di bawah batas kelulusan. Total waktu yang dibutuhkan siswa untuk mendapatkan feedback secara otomatis (di bawah 1 detik) hanya sepersepuluh dari feedback-on-demand dan jauh lebih singkat lagi dibanding pemberian feedback secara langsung oleh pengajar. Kenaikan nilai yang bisa diharapkan dari pemberian feedback bisa mencapai lebih dari satu poin, misalnya dari B- (B minus) menjadi A- (A minus).

Abstrak :
ABSTRAK
Pendeteksian topik merupakan proses untuk mendapatkan topik dari koleksi data tekstual. Salah satu metode otomatis untuk masalah pendeteksian topik adalah Separable Nonnegative Matrix Factorization SNMF . Terdapat tiga tahap yang dilakukan untuk menyelesaikan SNMF yakni membentuk matriks kookurensi kata-kata, menentukan kata-kata anchor, dan mencari matriks kata-topik. Metode yang umum digunakan untuk menentukan kata-kata anchor pada tahap kedua dari penyelesaian SNMF adalah dengan metode berbasis Convex Hull. Pada penelitian ini digunakan pendekatan lain untuk menentukan kata-kata anchor yaitu dengan memakai metode Singular Value Decomposition SVD . Topik-topik yang dihasilkan dengan kata-kata anchor -nya ditentukan dengan metode SVD dievaluasi tingkat intepretabilitasnya dengan memakai satuan Pointwise Mutual Information PMI dan dibandingkan dengan topik-topik dimana kata-kata anchor -nya ditentukan dengan metode berbasis Convex Hull. Waktu komputasi yang dibutuhkan untuk menentukan kata-kata anchor dengan metode SVD juga dibandingkan dengan waktu komputasi yang dibutuhkan untuk menentukan kata-kata anchor dengan metode berbasis Convex Hull.

---

ABSTRACT
Topic detection is the process of getting topics from a collection of textual data. One of the methods for detection problems is the Separable Nonnegative Matrix Factorization SNMF . There are three stages done to complete SNMF that is to form the word kookurensi matrix, determine the anchor words, and search for the word topic matrix. The common method used to determine the anchor words in the second stage of SNMF completion is the Convex Hull based method. In this research another approach is used to determine the anchor words, that is using Singular Value Decomposition SVD method. The resulting topics where the anchor words are determined by the SVD method will be evaluated for their interpretability level by using the Pointwise Mutual Information PMI unit and will compare with the topics where the anchor 39 s words are based on the Convex Hull based method. The computational time required to determine the anchor words by the SVD method will also be compared with the computational time required to determine the anchor words by the Convex Hull based method.

Abstrak :
ABSTRAK
Pendeteksian topik topic detection adalah suatu proses yang digunakan untuk menganalisis kata-kata pada suatu koleksi data tekstual untuk menentukan topik-topik yang ada pada koleksi tersebut. Pendeteksian topik pada dokumen yang sangat besar sulit dilakukan secara manual sehingga dibutuhkan metode otomatis. Masalah pendeteksian topik secara otomatis dikenal dengan istilah topic detection and tracking TDT . Suatu metode alternatif TDT untuk masalah pendeteksian topik adalah fuzzy C-means FCM. Pada metode fuzzy C-means, umumnya pusat cluster ditentukan secara acak atau inisialisasi random. Namun, terkait dengan masalah dimensi yang tinggi pada inisialisasi random akan menyebabkan algoritma konvergen ke satu pusat. Sehingga, topik-topik yang dihasilkan antara satu dengan yang lainnya sama. Untuk itu, diperlukan metode untuk membuat inisialisasi yang dapat mengatasi masalah tersebut. Salah satu metode inisialisasi yang akan dikembangkan pada penelitian ini adalah metode Singular Value Decomposition SVD . Hasil simulasi menunjukan bahwa metode inisialisasi dapat mengatasi permasalahan fuzzy C-means pada data dimensi yang tinggi sehingga topik-topik yang dihasilkan tidak sama terhadap satu sama lain.

---

ABSTRAK
Topic detection is a process used to analyze words in a collection of textual data to determine the topics of the collection. Detecting topics on a very large document is hardly done manually so that automatic methods are needed. Automatic method to detect topics in textual documents is known as Topic Detection and Tracking TDT . An alternative method of TDT for topic detection problems is fuzzy C means FCM . In the FCM method, generally the cluster center is random initialization. However, related to the problem of high dimensional random initialization causes the algorithm to converge to one center, it means that all generated topics are similar. For that, a method is needed to create an initialization that resolves the problem. One of the initialization methods that will be developed in this research is Singular Value Decomposition SVD method. The simulation results show that the SVD initialization method can overcome the fuzzy C means problem in the high dimension data so that the resulting topics are not equal to each other.

Abstrak :
ABSTRAK
Dalam beberapa tahun terakhir, kemajuan besar telah terjadi pada sistem pengenalan wajah. Banyak model yang telah diusulkan. Pada penelitian ini, uji coba dilakukan dengan model tertentu. Teknik Logarithm Transformation pertama-tama diterapkan untuk meningkatkan kualitas gambar wajah dan mengatasi variasi pencahayaan. Selanjutnya dilakukan proses ekstraksi fitur wajah dari gambar berdasarkan Singular Value Decomposition SVD . Nilai singular diambil sebagai fitur yang diasumsikan merepresentasikan gambar citra wajah. Kemudian, algoritma K-Nearest Neighbors KNN dijalankan untuk proses klasifikasi, sehingga menghasilkan persentase tingkat akurasi program. ORL faces database dipilih untuk menguji model program pengenalan wajah. Dalam penelitian ini, data uji menggunakan hasil ektraksi fitur SVD dibandingkan dengan data uji tanpa ekstraksi fitur. Dari hasil uji coba, diperoleh bahwa penggunaan data uji menggunakan hasil ekstraksi fitur SVD menghasilkan proses running time yang lebih cepat dibandingkan dengan menggunakan data tanpa ekstraksi fitur. Namun persentase tingkat akurasi rata-rata tertinggi yang didapatkan pada setiap iterasi terpilih, lebih baik hasilnya dengan data uji tanpa ektraksi fitur, yaitu sebesar 98,34 pada 90 data training, dibandingkan dengan data uji hasil ektraksi fitur SVD yang memperoleh persentase tingkat akurasi rata-rata sebesar 82,82 pada 90 data training.

---

ABSTRACT
In the past several years, major advances have occurred in face recognition system. Many models have been proposed. In this paper, the experiments were carried out with a particular model. The Logarithm Transformation LT technique is firstly applied to enhance the face image and handling lighting variations of face image. Furthermore, extract the feature of the face image based on Singular Value Decomposition SVD . The singular value is taken as a feature that is assumed to represent the face image. Then, K Nearest Neighbors KNN algorithm is run for the classification process, so it generates an accuracy of program. ORL database was chosen to test the model of face recognition program. In this research, data using the feature extraction were compared to the data without feature extraction. From the test results, it was found that the use of test data using feature extraction has a faster running time than using data without feature extraction. However, the highest rate of average accuracy that obtained on each chosen iteration, the result is better with the test data without feature extraction, that is 98.34 at 90 data training, compared to the test data using feature extraction which has average accuracy level of 82.82 at 90 of data training.

Abstrak :
Sistem Penilaian Esai Otomatis (Simple-O) telah dibuat menggunakan algoritma K-Means dan metode Latent Semantic Analysis (LSA). Jawaban karangan siswa pertama-tama akan diklasifikasikan ke dalam kelas-kelas sesuai dengan topik masing-masing nomor, dan akan memisahkannya dari jawaban siswa yang tidak sesuai konteks kemudian akan dilakukan proses LSA yang merepresentasikan kata ke dalam matriks, yang kemudian matriks direduksi menggunakan Singular Value Decomposition dan dilanjutkan dengan mencari norma frobenius yang merupakan nilai dari setiap soal. Pada penelitian ini dilakukan uji coba dengan menggunakan 4 skenario dan hasil penelitian SIMPLE-O menggunakan algoritma K-Means dan LSA menghasilkan akurasi rata-rata sebesar 74% yaitu hasil skenario pengujian 1 ......An Automatic Essay Assessment System (Simple-O) has been created using the K-Means algorithm and the Latent Semantic Analysis (LSA) method. Students' essay answers will first be classified into classes according to the topic of each number, and will separate them from student answers that do not fit the context then an LSA process will be carried out which represents the word into a matrix, which is then reduced by using Singular Value. Decomposition and continue by looking for the Frobenius norm which is the value of each question. In this study, trials were carried out using 4 scenarios and the results of the SIMPLE-O research using the K-Means and LSA algorithms produced an average accuracy of 74%, namely the results of the test scenario number 1.

Abstrak :
Penulis telah mengembangkan Sistem Pengenal Wajah 3 dimensi, yang pada prinsipnya dilakukan dengan mencocokkan sebuah citra masukan dengan sekumpulan citra wajah dalam galeeri. Akan tetapi dengan meningkatnya jumlah objek wajah yang harus disimpan dalam galeri wajah 3D, maka peningkatan jumlah wajah ini memerlukan penggunaan kapasitas memori yang sangat tinggi. Dalam makalah ini, penulis akan menggunakan representasi ruang eigen untuk dapat menyimpan citra wajah 3D. Penggunaan representasi ruang eigen ini memungkinkan kita untuk menurunkan jumlah dimensi yang berkaitan dengan citra wajah dan hal ini mampu untuk menekan biaya komputasi secara signifikan. Penyimpanan citra wajah ini juga dapat dilakukan setahap demi setaha dengan menggabungkan citra objek wajah baru kedalam ruang eigen yang telah dibentuk berdasarkan sekumpulan citra wajah awal. Hasil eksperimen menunjukkan bahwa citra wajah hasil rekonstruksi mempunyai tingkat kemiripan yang sangat tinggi bila dibandingkan dengan citra aslinya. Hasil perhitungan berdasarkan nilai galat antara kedua citra menunjukkan bahwa nilai galat ridak bergantung pada jumlah objek wajah pada ruang eigen awal.

Abstrak :
ABSTRAK Singular Value Decomposition (SVD), Algebraic Reconstruction Technique (ART), Simultaneous Iterative Reconstruction Technique (SIRT) dan Conjugate Gradient (CG) merupakan metode-metode inversi tomografi yang populer. Pada tesis ini dilakukan studi banding terhadap keempat metode tersebut yang diterapkan untuk seismik refleksi. inversi tomografi refleksi menitikberatkan analisis pada hubungan antara gelombang-gelombang terpantul, kedalaman bidang pantul serta cepat rambat gelombang pada medium yang dilaluinya. Studi dilakukan menggunakan data sintetis (pemodelan) dengan fokus analisis : deviasi hasil inversi terhadap model, kecepatan konvergensi, kestabilan solusi terhadap noise, kualitas citra hash inversi dan kemampuan musing-masing metode diadaptasi untuk matriks longgar (sparse) berdimensi besar. Keluaran inversi tomografi dari masing-masing metode masih terlalu kasar sehingga dilakukan penghalusan (smoothing) menggunakan filter median dengan panjang jendela data 5 titik. Hasil studi banding menunjukkan SIRT adalah metode yang paling balk dibanding SVD, ART atau CG.

---

ABSTRACT Singular Value Decomposition (SVD). Algebraic Reconstruction Technique (ART), Simultaneous Iterative Reconstruction Technique (SIRT) and Conjugate Gradient (CG) are the popular methods for tomographic inversion. This thesis compares the above methods for seismic reflection case model. Reflection tomography stresses its analysis to the relationship between the reflected waves, depth of reflectors and the velocities of the medium. Comparative study using synthetic data (modeling) has been focussed for analysing the deviation of the inversion results to the model, speed of convergence, stability of solution to noise, image quality and flexibility of the extension of the method to sparse matrix. For a better result, output of the inversion methods must be smoothed by using 5 points median filler. The comparative study shows that SIRT is the best method among SVD, ART and CG.

Abstrak :
ABSTRAK
Pendeteksian topik merupakan suatu proses untuk menemukan topik atau pokok pembahasan utama dalam suatu kumpulan dokumen. Pada penelitian ini, pendeteksian topik diterapkan pada media sosial, yaitu Twitter. Pendeteksian topik pada Twitter secara manual sulit dilakukan karena terlalu banyak tweets. Oleh karena itu, dibutuhkan adanya pendeteksian topik secara otomatis. Salah satu metode otomatis untuk pendeteksian topik adalah metode Separable-Nonnegative Matrix Factorization S-NMF dengan algoritma AGM. S-NMF merupakan model berbasis faktorisasi matriks yang dapat diselesaikan secara langsung dengan menggunakan asumsi bahwa setiap topik memiliki satu kata yang tidak terdapat pada topik lainnya yang disebut kata anchor. S-NMF dengan algoritma AGM terdiri dari tiga tahapan, yaitu pembentukan matriks coocurance, penentuan kata anchor, dan recover. Dalam penelitian ini dilakukan proses penentuan kata anchor berbasis Singular Value Decomposition SVD . Kemudian, hasilnya akan dibandingkan dengan penentuan kata anchor metode Convex Hull berbasis Gram-Schmidt. Penelitian memberikan hasil bahwa dengan memperhatikan semua kata sebagai kandidat kata anchor, SVD memberikan hasil yang lebih baik daripada Convex Hull. Sedangkan, jika menggunakan anchor threshold, Convex Hull masih memberikan hasil yang lebih baik dibandingkan dengan SVD.

---

ABSTRACT
Topic detection is a process to find main topic or main subject of discussion in a collection of documents. In this research, topic detection is applied to social media, namely Twitter. Manual detection of topics on Twitter is difficult because of too many tweets. Therefore, it is necessary to detect topics automatically. One of the automatic methods for topic detection is the Separable Nonnegative Matrix Factorization S NMF method with the AGM algorithm. S NMF is a matrix factorization based model that can be solved directly using the assumption that each topic has one word that is not present in another topic called anchor words. S NMF with AGM algorithm consists of three stages, namely the formation of coocurance matrix, finding the anchor words, and recover. In this research, the process of finding anchor words was done based on Singular Value Decomposition SVD . Then, the result was compared to anchor word finding by Convex Hull based method. The results has shown that by considering all words as anchor word candidates, SVD gave better results rather than Convex Hull. Meanwhile, when the anchor finding was done by using anchor threshold, Convex Hull still gave better result rather than SVD.