Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pada tesis ini dibahas radius spektral minimal untuk graf n simpul berdiameter 1, kemudian graf n simpul berdiameter 2 dan graf n simpul berdiameter 3. Pada graf berdiameter 1 dibahas untuk semua nilai n, tetapi untuk graf berdiameter 2 dan 3 yang dibahas hanya untuk banyaknya simpul n < 8. Hasil yang diperoleh adalah graf n simpul dengan diameter 1 memiliki radius spektral minimal n - 1 dan graf n simpul dengan diameter 2 memiliki radius spektral minimal. ...... In this thesis we told about the minimal spectral radius for graphs n vertices with diameter 1, graphs n vertices with diameter 2 and graphs n vertices with diameter 3. For the graphs n vertices with diameter 1, we explored for all of n values. But for the graphs with diameters 2 and 3 we explored for n < 8. The results are the minimal spectral radius for graphs n vertices with diameter 1 equals n - 1 and the minimal spectral radius for graphs n vertices with diameter 2 equals.

Abstrak :
ABSTRAK
Pada tahun 1994, Turki mengalami krisis keuangan yang sangat berpengaruh negatif terhadap sektor perbankan, sehingga banyak bank yang dinyatakan bangkrut. Kebangkrutan bank memiliki dampak yang besar pada sektor riil dan rumah tangga. Oleh karena itu, penting untuk memprediksi kebangkrutan bank. Tahun 2009, Boyacioglu, Kara dan Baykan telah memprediksi kebangkrutan bank di Turki pada periode 1994-2004 dengan menggunakan CAMELS sebagai variabel prediktor dan Artificial Neural Network, Support V ector Machine serta metode statistik peubah ganda sebagai metode klasifikasi. Namun, pada penelitian ini akan dibuat pembaruan dengan menggunakan random forest. Dari hasil yang didapat, random forest memiliki akurasi 100 performa training dan 94 performa testing dengan mengunakan 20 rasio. Salah satu kelebihan random forest adalah perhitungan variabel penting, apabila dibentuk model dengan menggunakan variabel prediktor terpilih didapat hasil 100 performa training dan 96 performa testing dengan menggunakan 6 rasio. Jika dibandingkan dengan model yang digunakan pada makalah Boyaciaglu, Kara dan Baykan 2009, meskipun pada performa testing random forest tidak memiliki akurasi yang lebih tinggi dari Learning Vector Quantization dengan performa testing 100, namun tingkat akurasinya tidak terlalu berbeda jauh dan random forest tidak memerlukan normalisasi. Pada penelitian ini didapat enam variabel yang paling penting, yaitu: CA2, E1, CA3, SMR1, SMR2 dan E2.

---

ABSTRACT
In 1994, there was a financial crisis in Turkey. Many banks were declared failed because of the negative impact from the crisis. The failure of individual banks has a huge impact on the real sector and households. Therefore, it is important to predict bank failure. The 2009, Boyacioglu, Kara, and Baykan had predicted bank failures in Turkey, during the period 1994 2004 using CAMELS as a predictor variable and Artificial Neural Network, Support Vector Machine, multivariate statistical methods as classifier method. However, in this research we will make novelty by using random forest. Based on our results, random forest has accuracy 100 training performance and 94 testing performance with used 20 ratios. One of advantage in random forest is variable importance measure, if we build model again with variable predictor selection, the result are accuracy 100 training performance and 96 testing performance with used 6 ratios. If we compare with Boyacioglu, et.al 2009, even random forest does not have accuracy more than Learning Vector Quantization with 100 testing performance, but its accuracy is not far away and doesn rsquo t need normalization. In this research we got CA2, E1, CA3, SMR1, SMR2 and E2 are six most important variables.

Abstrak :
Pengenalan wajah merupakan teknologi yang berkembang sangat pesat. Pengenalan wajah mampu menghasilkan beragam informasi mengenai identitas seseorang dengan cepat dan akurat. Salah satunya, mampu memberikan informasi mengenai jenis kelamin dari setiap orang yaitu sebagai pria atau wanita. Proses klasifikasi pria atau wanita ini menjadi hal yang sangat penting dalam berbagai bidang, seperti bisnis berbasis online, kontrol akses, absensi kehadiran, sistem keamanan, identifikasi individu yang tidak dikenal, dan lain-lain. Dalam penelitian ini digunakan Fisher Score sebagai metode pemilihan fitur, dan Support Vector Machine SVM sebagai metode klasifikasi untuk mengukur tingkat akurasi dan running time dari klasifikasi pria atau wanita dengan data yang digunakan berasal dari Computer Science Research Projects. Hasil akurasi dari klasifikasi SVM kernel polynomial d = 4 dengan pemilihan fitur Fisher Score mencapai tingkat akurasi tertinggi yaitu 100 pada 3000 fitur dengan data training 90 . Sedangkan hasil akurasi terbaik dari klasifikasi SVM tanpa pemilihan fitur mencapai 77.5 pada data training 80. ......Face recognition is a technology that is growing very rapidly. Face recognition is able to produce various information about the identity of a person quickly and accurately. One of the utility of face recognition is the ability to provide information about the gender of each person as a male or female. The process of classifying male or female is of paramount importance in many areas, such as online based businesses, access control, attendance, security systems, identification of unknown individuals, and so on. In this study Fisher Score is used as a feature selection method, and Support Vector Machine SVM as a classification method to measure the accuracy and running time of male or female classification with data used from Computer Science Research Projects. Accuracy results from SVM polynomial kernel classification d 4 with Fisher Score feature selection reaches the highest accuracy level of 100 at 3000 features with 90 training data. While the best accuracy results from SVM classification without feature selection reached 77.5 in 80 training data.

Abstrak :
Bank berperan penting dalam sistem perekonomian karena memberikan kontribusi yang signifikan melalui fasilitasi kegiatan usaha. Oleh karena itu, kegagalan dari bank bisa mengakibatkan kerusakan pada sistem keuangan tidak hanya pada suatu negara tetapi juga secara global. Meskipun begitu, kebangkrutan tidak terjadi secara tiba-tiba, tapi terdapat indikasi awal yang dapat diketahui dengan cara meneliti laporan keuangan dari sebuah bank secara cermat. Penelitian ini bertujuan untuk mencari model prediksi kebangkrutan bank terbaik untuk memberi peringatan dini kepada regulator agar efek negatif yang diakibatkan oleh kebangkrutan bank pada sistem perekonomian dapat dikurangi atau bahkan dihindari. Akan digunakan metode berupa supervised machine learninghasil modifikasi dari Support Vector Machinesdengan menambahkan fungsi fuzzy membershipyang biasa disebut Fuzzy Support Vector Machines FSVM . Akan digunakan dua jenis kernel, yaitu kernel RBF dan kernel polinomial sebagai pembanding dalam pembentukan model. Machine learningdipilih sebagai metode untuk prediksi kebangkrutan karena hasil yang didapatkan dapat jauh lebih cepat jika dibandingkan dengan menggunakan metode statistika tradisional. Pembentukan model dan penghitungan nilai akurasi prediksi akan dilakukan dengan menggunakan dataset berisikan 65 bank di Turki dari publikasi tahunan ldquo;Banks in Turkey rdquo; yang diterbitkan oleh Banks Association of Turkey BAT . Tiap data dari 65 bank yang dikumpulkan dari tahun 1997 mdash;2004 memiliki informasi berupa 20 rasio keuangan yang dikelompokkan ke dalam enam kelompok fitur berdasarkan sistem penilaian CAMELS. Selain itu, untuk meningkatkan nilai akurasi dari prediksi, akan digunakan seleksi fitur chi-squareuntuk menyaring fitur-fitur yang tidak relevan dari ke-20 fitur dalam dataset. ...... The bank plays a big role on economic system as they significantly contribute through the facilitation of business. Hence, the collapse of several banks can cause a huge damage to financial systems not only in a country but also globally. Nonetheless, bankruptcy doesn rsquo t happen suddenly, but there are early indications that can be seen by investigating the financial statement of a bank. In this research, we aim to find the best bankruptcy prediction model to give an early warning for regulators so that it can help them to prevent or lessen the negative effects on economic systems. This research will be performing supervised based machine learning that is a modification of SVM by adding fuzzy membership function called Fuzzy Support Vector Machines FSVM . The experiment will also be using kernel RBF and kernel polynomial to construct the model. We chose machine learning for bankruptcy prediction because it can give faster result rather than traditional statistical method. We will be measuring prediction accuracy using a dataset that consists of 65 Turkish banks from the annual publication ldquo Banks in Turkey rdquo issued by the Banks Association of Turkey BAT . Each of the 65 banks that we collected from 1997 mdash 2004 has information of a total of 20 financial ratios with six feature groups based on CAMELS rating system. Furthermore, to improve the accuracy prediction, we also perform chi square feature selection to filter any irrelevant features of total 20 features in our dataset.

Abstrak :
ABSTRACT
Utang swasta Indonesia mengalami pertumbuhan yang pesat pada dekade terakhir, hingga mencapai 49 dari total utang luar negeri Indonesia di akhir 2017. Hal ini disebabkan oleh semakin banyaknya perusahaan Indonesia yang menggunakan pembiayaan dari luar negeri. Kecenderungan perusahaan untuk meminjam uang dalam jumlah besar dari investor asing dapat meningkatkan produktivitas dan keuntungan perusahaan, tetapi di sisi lain juga dapat menyebabkan pembengkakan pada nilai utang perusahaan tersebut karena tren depresiasi nilai tukar yang terjadi di Indonesia. Skripsi ini menggunakan salah satu metode machine learning yaitu Support Vector Regression untuk mempelajari hubungan antara faktor-faktor terkait utang luar negeri dengan ketahanan suatu perusahaan, dan hasilnya akan dibandingkan dengan hasil yang diperoleh dari metode regresi data panel yang sudah sering digunakan untuk menganalisis masalah serupa. Penelitian ini menggunakan data dari laporan keuangan 189 perusahaan yang menjadi emiten di Bursa Efek Indonesia di tahun 2011 hingga 2017. Penelitian ini menunjukkan bahwa metode Support Vector Regression menghasilkan model dengan akurasi yang lebih baik daripada model yang dihasilkan metode regresi data panel. Secara umum kedua metode memberikan kesimpulan bahwa balance-sheet effect lebih dominan daripada competitiveness effect pada perusahaan-perusahaan Indonesia, dan sangat disarankan bagi perusahaan untuk meminimumkan besar utang luar negeri dan transaksi impor, serta sebisa mungkin meningkatkan ekspor.Kata kunci: Machine learning; Regresi data panel; Support Vector Regression; Utang luar negeri; Utang swasta.

---

ABSTRACT
Indonesian corporations have been borrowing large sums of money from foreign investors in the past decade, such that private debt ratio has reached 49 of Indonesia rsquo s total external debt by the end of 2017. This act of borrowing might improve the borrowing firms rsquo performance which leads to increase in profit, but in other hand it might result on debt value expansion, due to the exchange rate depreciation trend in Indonesia. This paper employs Support Vector Regression, a machine learning method, to study the relationship between factors that might affect corporate performance and compares the results with that of the conventional panel data regression method. The study was done using data from annual financial statements of 189 firms in Indonesia during 2011 2017. It is shown that the machine learning approach discussed in this study gave better accuracy than the previously employed panel data regression method. Both methods generally showed that balance sheet effect is more dominant than competitiveness effect in Indonesian corporations, and it is recommended for companies to minimize their foreign debts and imported purchases, and if possible, export more of their products.

Abstrak :
Masalah kebangkrutan perusahaan asuransi telah menjadi perhatian khusus bagi pimpinan, karyawan, maupun nasabah perusahaan asuransi. Kekhawatiran ini muncul seiringan dengan dampak yang dapat ditimbulkan dari kebangkrutan perusahaan, yaitu perusahaan asuransi tidak mampu memenuhi kewajibannya kepada nasabah, sehingga uang premi yang telah dibayarkan oleh nasabah dalam jangka waktu tertentu menjadi sia-sia. Maka dari itu sebagai upaya untuk mencegah terjadinya kebangkrutan perusahaan asuransi, kami mencari suatu metode yang kiranya mampu mendeteksi kebangkrutan perusahaan asuransi dengan baik. Pada penelitian ini kami menggunakan beberapa algoritma machine learning, dan ternyata nilai akurasi dari simulasi program yang dilakukan mencapai 93.00 . Ini menunjukkan bahwa algoritma machine learning yang kami gunakan pada penelitian ini dapat dijadikan alat yang efektif untuk memprediksi kebangkrutan perusahaan asuransi. ......Insolvency of insurance companies has been a concern of parties such as the management, the workers, and of course the consumers of insurance companies. This concern has arisen by the impact when an insurance companies got insolvent, that is, the company is unable to fulfil their obligations to customer. So, the premium that have paid by the customer becomes useless. As the attempt to prevent the insolvency of insurance company, we were looking for methods that able to make the insolvency prediction. In this study, we used several machine learning algorithms. The results are very encouraging and show that the algorithms can be a useful tool in this sector. We found that the algorithms achieved 93.00 accuracy rate.

Abstrak :
ABSTRAK
Pada era digital saat ini, penggunaan teknologi sudah menglobal, bertukar data merupakan hal yang biasa dan mudah dilakukan sehingga data rentan terhadap penyerangan atau manipulasi dari pihak yang tidak bertanggung jawab. Salah satu jenis data yang rentan terhadap penyerangan ini adalah suara digital. Sehingga, diperlukan suatu metode pengamanan data yang kuat dan cepat. Salah satu metode pengamanan yang memenuhi semua kriteria tersebut adalah pengamanan data menggunakan fungsi chaos. Fungsi chaos yang digunakan pada penelitian ini adalah fungsi Normalized Complex Quadratic Map NCQM . Fungsi NCQM memiliki kelebihan yaitu dijamin bersifat chaos ketika parameter fungsinya memiliki nilai absolut yang lebih kecil dari satu. Barisan kunci yang dibangkitkan dengan fungsi NCQM lolos semua 15 uji NIST, hal ini berarti pembangkitan barisan kunci key stream dari fungsi NCQM ini terbukti bersifat acak random . Selain itu, hasil sampel-sampel dari suara digital yang telah terenkripsi ketika diuji dengan histogram dan uji Goodness of Fit terbukti uniform sehingga pengamanan suara digital dengan metode ini kebal terhadap frequency analysis attack. Ruang kunci yang dihasilkan dari metode ini sangat besar yaitu 9,1 1046 untuk kemungkinan kunci pada fungsi NCQM tunggal, dan 3,8 10109 untuk NCQM ganda , sehingga metode ini juga kebal terhadap brute force attack.

---

ABSTRAK
In this digital era, technology usage has been globalized in which data exchange is common and easy to do, it is vulnerable to be attacked and manipulated from unauthorized parties. One data type that is vulnerable to attack is digital audio. So, we need data security method that secure and fast. One of the methods that match all of those criteria is data security using ldquo chaos rdquo function. ldquo Chaos rdquo function that is used in this research is Normalized Complex Quadratic Map NCQM . NCQM function has advantages that are guaranteed to be ldquo chaos rdquo when the function parameter has absolute value less than one. The key stream that is generated using this NCQM functions passed all 15 NIST tests, this means that the key stream generated by NCQM proved to be random. In addition, samples of encrypted digital sound when tested using histogram and Goodness of Fit test are proved to be uniform so this digital audio security using this method is immune to frequency analysis attack. The key space that is generated from this method is very huge approximately 9,1 1046 possible keys for single NCQM function, and approximately 3,8 10109 for multiple NCQM function , therefore this method is also immune against brute force attack.

Abstrak :
Sistem rekomendasi (recommendation system) terus dikembangkan khususnya pada aplikasi teknik analisis data dalam membantu pengguna on-line (user) menemukan produk (item) yang ingin mereka beli. Satu dari beberapa metode dalam sistem rekomendasi adalah collaborative filtering (CF) dengan pendekatan latent variable models berdasarkan faktorisasi matriks. Hubungan antara pengguna (users) dan produk (item) dalam collaborative filtering dapat disajikan dalam bentuk matriks rating R. Penelitian ini membahas metode collaborative filtering berbasis model faktorisasi matriks pada sistem rekomendasi. Dalam faktorisasi matriks, permasalahan utamanya adalah mencari dua buah matriks Wm x k dan matriks Hk x m sehingga WH ≈ R dengan Rm x n. Akurasi dari model tercermin dari besarnya norm ║R-WH║ pada data testing. Terdapat beberapa teknik faktorisasi yang telah digunakan dalam CF. Dalam penelitian ini metode yang digunakan adalah faktorisasi matriks dengan metode gradient descent. Berdasarkan eksperimen, parameter model yang optimal yang memenuhi fungsi optimasi diperoleh pada nilai k = 3 dengan learning rate 8 x 10-5. Akurasi model dihitung menggunakan root mean square error (RMSE) dan nilai RMSE model pada eksperimen ini adalah 0,9335. ......Recommendation systems continue to be developed especially in the application of data analysis techniques in helping users on-line find a product (item) that they want to buy. One of several methods in collaborative filtering recommendation system is (CF) approach to latent variable models based on matrix factorization. The relationship between the user and product (item) in the collaborative filtering (CF) can be presented in the form of rating matrix R. This study discusses the collaborative filtering method based on matrix factorization model of recommendation systems. In the matrix factorization, the main problem is to find two matrices Wmxk and Hk x m so that WH ≈ R with Rmxn. The accuracy of the model is reflected in the norm ║R-WH║ in the testing data. There are several techniques that have been used in the factorization method of collaborative filtering (CF). In this study the method used is matrix factorization with gradient descent methods. Based on the experiments, the optimal model parameters that meet the optimization function values ​​obtained at k = 3 with a learning rate of 8 x 10-5. The accuracy of the model is calculated using the root mean square error (RMSE) and RMSE values ​​in experimental models is 0.9335.

Abstrak :
ABSTRAK
Dalam analisis multivariate klasik dalam suatu uji hipotesa sering digunakan analisis nilai eigen dalam penetuan statistik ujinya. Dibawah kondisi H0, nilai statistik uji yang diperoleh akan digunakan untuk bentuk distribusi yang berkaitan dengan statistik uji. Daerah kritis penolakan suatu uji uji hipotesa ditentukan berdasarkan bentuk distribusi yang diperoleh. Nilai eigen yang diperoleh untuk analisi multivariat ini untuk pembentukan statistik ujinya bisa menggunakan fungsi yang melibatkan keseluruhan nilai eigen atau dengan menggunakan nilai yang ekstrem. Untuk nilai eigen yang maksimum statistik uji yang digunakan berdasar Roy test maksimum. Cara lain yang digunakan adalah dengan pendekatan distribusi Tracy-Widom. Disamping daerah kritis yang diperoleh juga dibutuhkan p-value berdasar nilai statistik uji yang sebenarnya.

---

ABSTRACT
Clasical multivariate analysis in test hipothesa H0 most used eigen analysis in determined their test statistics . Under H0 test statistics which founded wiil be used to make distribution concerning with test statistics. Critical area H0 determined their distributions. Eigenvalue which founded will be used to build test statistics may included entilrely or eigen value maximum. Roy maximum test had used maximum eigen value for inference by Tracy-Widom distribution. Besides founded critical area, for also wanted p-value for their test statistics which had found

Abstrak :
Pelabelan graf, atau juga dikenal sebagai valuation graf, adalah pemetaan dari elemen graf ke himpunan bilangan yang disebut sebagai label, yang memenuhi beberapa ketentuan sesuai dengan jenis pelabelannya. Pemetaan ?? disebut sebagai pelabelan graceful dari graf dengan busur sebanyak "jika" adalah suatu fungsi injektif dari himpunan simpul di ke himpunan 0,1, hellip;, "sedemikian sehingga ketika masing-masing busur" diberi label "minus", label yang dihasilkan untuk semua busur adalah berbeda. Tidak banyak teknik umum yang diketahui untuk menghasilkan pelabelan graceful. Secara khusus, konjektur Ringel-Kotzig yang menyatakan bahwa semua graf pohon adalah graceful masih terbuka sampai saat ini. Pada dasarnya, semua graf pohon dapat direpresentasikan sebagai suatu graf pohon berakar, yaitu graf pohon dengan sebuah simpul yang dibedakan dan disebut sebagai simpul akar. Di dalam tesis ini dibahas tentang konstruksi pelabelan graceful pada graf pohon berakar khusus menggunakan matriks ketetanggaan.

---

A graph labeling, also known as a valuation of a graph, is a mapping which carries graph elements onto numbers called labels that meet some properties depending on the type of labeling that is being considered. A function is called a graceful labeling of a graph with edges if is an injection from the vertices of to the set 0,1, hellip, such that, when each edge is assigned the label minus, the resulting edge labels are distinct. Not many general techniques are known in order to generate graceful labeling of graphs. In particular the famous Ringel ndash Kotzig conjecture which states that all trees are graceful remains open until present. Every tree can be represented as a rooted tree with a distinguished vertex called the root. In this thesis we discuss on construction of specific graceful rooted tree using the adjacency matrix.