Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pendeteksian topik merupakan suatu teknik untuk memperoleh informasi dengan cara mengekstrak topik-topik dari kumpulan data yang sangat besar. Salah satu metode yang digunakan untuk pendeteksian topik adalah metode clustering, yaitu Fuzzy C-Means (FCM). Namun, kinerja dari FCM menjadi buruk saat harus melakukan clustering pada data yang berdimensi tinggi. Kelemahan dari FCM tersebut dapat ditanggulangi dengan cara melakukan reduksi dimensi. Pada penelitian ini, digunakan suatu metode deep learning, yaitu Deep Autoencoders (DAE), untuk mereduksi dimensi dari kumpulan data. Metode FCM clustering dengan reduksi dimensi DAE ini disebut Deep Autoencoders-Based Fuzzy C-Means (DFCM). Metode DFCM dibagi menjadi dua tahapan, yakni mereduksi dimensi kumpulan data yang berdimensi tinggi menggunakan Deep Autoencoders, dan melakukan FCM clustering pada data yang telah direduksi. Hasil dari metode DFCM adalah topik-topik. Topik-topik tersebut dievaluasi menggunakan nilai coherence. Pada penelitian ini, dibangun dua metode DFCM, yaitu FCM berbasis DAE dengan satu lapisan tersembunyi (DFCM-single hidden layer) dan FCM berbasis DAE dengan multi lapisan tersembunyi (DFCM-multi hidden layers). Hasil dari kedua metode ini menunjukkan bahwa topik-topik pada DFCM-single hidden layer memiliki nilai coherence lebih tinggi dari topik-topik pada DFCM-multi hidden layers.

---

Topic detection is a technique to find out information by extracting topics from big data. One method used for topic detection is the clustering method, namely Fuzzy C-Means (FCM). However, the performance of FCM becomes worse when clustering on highdimensional data. That weakness is resolved by dimensional reduction. In this research, deep learning method is used to reduce the dimensions of the data set, namely Deep Autoencoders (DAE). FCM clustering method with DAE dimensional reduction is called Deep Autoencoders-Based Fuzzy C-Means (DFCM). DFCM is divided into two parts. First, reducing the dimensions of high-dimensional data collection using Deep Autoencoders. Second, performing FCM clustering on the reduced data. Results of DFCM are topics. These topics are evaluated using the value of coherence. In this research, two DFCM methods were built, namely DAE with one hidden layer based FCM (DFCM-single hidden layer) and DAE with multi-hidden layers based FCM (DFCMmulti hidden layers). The results of these two methods show that the topics in DFCMsingle hidden layer have a higher coherence value than the topics in DFCM-multi hidden layers."

"

Pendeteksian topik adalah teknik untuk memperoleh topik-topik yang dikandung oleh suatu data tekstual. Salah satu metode untuk pendeteksian topik yaitu dengan menggunakan clustering. Namun, secara umum metode clustering tidak menghasilkan cluster yang efektif bila dilakukan pada data yang berdimensi tinggi. Sehingga untuk memperoleh cluster yang efektif perlu dilakukan reduksi dimensi pada data sebelum dilakukan clustering pada ruang fitur yang berdimensi lebih rendah. Pada penelitian ini, digunakan suatu metode bernama Deep Embedded Clustering (DEC) untuk melakukan pendeteksian topik. Metode DEC bekerja untuk mengoptimasi ruang fitur dan cluster secara simultan. Metode DEC terdiri dari dua tahap. Tahap pertama terdiri dari pembelajaran autoencoder untuk memperoleh bobot dari encoder yang digunakan untuk mereduksi dimensi data dan k-means clustering untuk memperoleh centroid awal. Tahap kedua terdiri dari penghitungan soft assignment, penentuan distribusi bantuan untuk menggambarkan cluster di ruang data, dan dilanjutkan dengan backpropagation untuk memperbarui bobot encoder dan centroid. Dalam penelitian ini, dibangun dua macam model DEC yaitu DEC standar dan DEC without backpropagation. DEC without backpropagation adalah DEC yang menghilangkan proses backpropagation pada tahap kedua. Setiap model DEC pada penelitian ini akan menghasilkan topik-topik. Hasil tersebut dievaluasi dengan menggunakan coherence. Dari penelitian ini dapat dilihat bahwa model DEC without backpropagation lebih baik daripada DEC standar bila dilihat dari waktu komputasi dengan perbedaan coherence antara keduanya yang tidak terlalu jauh.

---

Topic detection is a technique for obtaining the topics that are contained in a textual data. One of the methods for topic detection is clustering. However, generally clustering does not produce an effective cluster when it is done by using data with high dimension. Therefore, to get an effective cluster, dimensionality reduction is needed before clustering in the lower dimensional feature space. In this research we use DEC method for topic detection. DEC method is used to optimize the feature space and cluster simultaneously. DEC is divided into two stages. The first stage consists of autoencoder learning that obtains the weights of the encoder that used for dimension reduction and k-means clustering to get the initial centroid. The second stage consists of the soft assignment calculation, computing the auxiliary distribution that represents the cluster in the data space, and backpropagation to update the encoder weights and the centroid. In this research, two DEC models are built, namely the standard DEC and DEC without backpropagation. DEC without backpropagation is the DEC which eliminate the backpropagation process in the second stage. Every DEC models will produce topics. The results are evaluated using the coherence measure. From this research, it can be seen that DEC without backpropagation is better than standard DEC in terms of computation time with a slight difference in coherence measure.

"

"Klasifikasi topik adalah proses pembagian dokumen sesuai dengan topik yang terkandung dari dokumen tersebut. Dalam melakukan klasifikasi topik, pada tugas akhir ini digunakan metode Naïve Bayes dan Maximum Entropi dengan dua jenis data, yaitu artikel media massa dan abstrak tulisan ilmiah dari sistem Lontar. Percobaan ini dilakukan dan dianalisis dari beberapa aspek yaitu metode dan fitur yang digunakan, banyak topik yang digunakan, dan jenis data yang digunakan.Hasil percobaan yang didapat adalah nilai akurasi tertinggi didapat pada saat menggunakan metode Naïve Bayes dengan informasi fitur frequency-normalized yaitu 95,73%. Selain itu, jumlah token yang semakin banyak digunakan secara umum akan meningkatkan nilai akurasi dan pemakaian abstrak tulisan ilmiah memberikan nilai akurasi yang hampir mirip dengan pemakaian artikel media massa.

---

Topic Classification is a process of categorizing document based on the topic contained in a document. To carry out the topic classification, we use Naïve Bayes and Maximum Entropy towards mass media article and abstracts of scientific papers from Lontar System. Experiments have been done and analyzed regarding several aspects, namely the methods and features, the number of topics, and the data.In this thesis, we found that Naïve Bayes with frequency-normalized as feature information yield the highest accuracy, 95,73%. Furthermore, as the number of the tokens used increase, the accuracy also increases. Experiments using the abstracts of scientific papers yield similar accuracy to mass media article."

"Zhuang Zi (369-286 SM) adalah seorang filsuf pada zaman negara berperang (475-221 SM), dan tokoh penting dalam perkembangan Daoisme setelah Lao Zi. Zhuang Zi menghasilkan satu karya utama semasa hidupnya, yaitu kitab Zhuangzi. Salah satu artikel dalam kitab Zhuangzi, ada artikel yang berjudul Qiushui atau dalam Bahasa Indonesia diterjemahkan menjadi (Suasana Musim Gugur) terdiri dari tiga belas paragraf pendek yang terbagi menjadi beberapa tema dan disajikan dalam bentuk dialog antara tokoh yang berbeda-beda. Dialog-dialog dalam artikel ini sangat pendek tetapi memiliki makna yang mendalam. Topik-topik dialog apa saja yang digunakan oleh Zhuang Zi dalam tulisannya dan filsafat dasar seperti apa yang menjadi pokok dari ketigabelas paragraf tersebut menjadi permasalahan yang akan diangkat dalam tulisan ini. Dari hasil kajian atas topik-topik dialog tersebut terungkap bahwa teks menyampaikan pesan bahwa setiap makhluk di dunia masing-masing memiliki peran, keberadaan dan fungsinya di dalam semesta.Zhuang Zi (369-286 BC) is a Chinese philosopher in the Warring States Period (zhanguo shidai) (475-221 BC), and an important figure in the development of Daoism after Lao Zi. During his lifetime, Zhuang Zi delivered a work by his name, Zhuangzi. One of the articles in Zhuangzi, there is an article called Qiushui or in Indonesian translated into (Suasana Musim Gugur) consists of thirteen short paragraphs which are divided to several themes and presented in the form of dialogue between different characters. The dialogues in this article are short but have deep meaning. What dialogue topics and philosophies used by Zhuang Zi in his writings as the base of the thirteen paragraphs are the main point in this paper. The result revealed that the texts conveyed messages that every living creature has its role, existence, and function in the universe."

"Studi bibliometrik dan sebaran topik koleksi khusus di Perpustakaan STAIN Al Fatah Jayapuramencakup karya tulis ilmiah berupa buku yang ditulis dosen, laporan penelitian, artikel pada Jurnal Jabal Hikmah, skripsi, tesis, direktori, prosiding, dan kliping. Pembahasan tulisan ini meliputi aspek berikut: 1). Sebaran topik yang ditulis belum merata, ada bidang ilmu yang sering ditulis yaitu pendidikan agama Islam, baca tulis Al-Qur’an, metodologi pembelajaran, pengajaran dan pengajar dalam hal ini guru. Sementara bidang ilmu yang jarang ditulis yaitu bahasan bidang kurikulum, toleransi dalam Islam, peserta didik, sistem pendidikan dan bimbingan.2). Produktifitas penulis, paling produktif adalah Idrus Al Hamid dan Umar Faruq dengan 11 judul untuk jenis koleksi buku. Sementara untuk laporan penelitian, penulispaling produktif adalah Sofwan Aljauharidengan 3 judul. Untuk artikel yang ditulis dalam Jurnal Ilmiah Jabal Hikmah, penulis paling produktif adalah Idrus Al Hamid dan Safiudindengan 4 judul. Sedangkan fluktuasi jumlah koleksi khusus seluruhnya mencapai 511 judul. 3). Derajat kolaborasi penulis masih sangat rendah. Dari jumlah tersebut, penulis ganda terdapat pada 21 judul (4,07%), sisanya 490 judul (95,07%) adalah penulis tunggal. Sedangkan derajat kolaborasi terdapat pada koleksi karya tulis ilmiah-buku (0,6) dan laporan penelitian dengan derajat (0,38).4). Penggunaan referensi dengan tingkat keusangan rendah artinya beberapa literature atau rujukan buku yang digunakan merupakan buku-buku yang sering digunakan dan juga buku-buku yang baru terbit. Data referensi terbaru yang digunakan berumur 0 – 5 tahun sebanyak 34%, umur 6 – 10 tahun sebanyak 38% dan buku-buku rujukan yang tingkat keusanganya semakin tinggi, tingkat penggunaanya semakin rendah"