Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK<>br> Dalam persaingan yang ketat di dunia industri, khususnya dalam industri telekomunikasi semakin ketat. Oleh karena itu, masing-masing operator telekomunikasi berlomba-lomba untuk memberikan layanan terbaik agar dapat menarik konsumen yang lebih banyak. Namun, sebelum membuat suatu layanan telekomunikasi, haruslah ada analisis pasar khususnya pelanggan, agar dapat diketahui layanan seperti apa yang dibutuhkan dan diinginkan oleh pelanggan tersebut. Dengan perkembangan sistem informasi, analisis menggunakan data mining menjadi pilihan. Dalam penelitian ini dibuat suatu model KDD Knowledge Discovery Data dengan menggunakan algoritma sistem rekomendasi yang dikombinasikan dengan social network analysis untuk memprediksi suatu layanan apakah diterima oleh pelanggan atau tidak. Dalam penelitian ini terdapat empat macam model sistem rekomendasi, yaitu collaborative filtering, content based filtering, hybrid filtering dan stochastic gradient descent. Kemudian hybrid filtering dan stochastic gradient descent dikombinasikan dengan hasil analisis dari jaringan sosial yang berupa nilai-nilai pagerank, eigenvector, modularity, degree dan sebagainya. Hasil dari kombinasi hybrid filtering dengan hasil analisis jaringan sosial tidak terlalu signifikan dan cenderung tetap, sedangkan hasil dari kombinasi stochastic gradient descent dengan hasil dari analisa jaringan sosial dapat menurunkan nilai RMSE dan MAE sebesar 0,001 sampai 0,010 dan 0,011 sampai 0,013.

---

ABSTRACT<>br> In the fierce competition in the industrial world, especially in the telecommunications industry is getting tighter. Therefore, each telecommunicationoperator will compete to provide the best service to attract more consumers. However, before performing a telecommunication service, there must be a market analysis, especially customers, to know what kind of service is needed and desired by the customer. With the development of information systems, analysis using data mining becomes an option. In this research will be made a model of KDD Knowledge Discovery Data using a recommendation system algorithm combined with social network analysis to predict a service whether received by customers or not. In this research, there are four models of the recommendation system they are collaborative filtering, content based filtering, hybrid filtering and stochastic gradient descent. Then hybrid filtering and stochastic gradient descent combined with the results of analysis of social networks in the form of PageRank values, eigenvector, modularity, degree and so forth. The result of hybrid filtering combination with social network analysis result is not very significant and tends to remain, while the result of stochastic gradient descent combination with result of social network analysis can decrease RMSE and MAE value about 0.001 to 0.010 and 0.011 to 0.013.

Abstrak :
ABSTRAK
Kredit bermasalah atau non performing loan NPL merupakan salah satu indikator penilaian performa sebuah bank dalam menjalankan program kredit kepada nasabahnya. Peningkatan rasio NPL pada PT. Bank XYZ pada tahun 2016 memberikan dampak kerugian yang sangat besar bagi perusahaan. Tinggi atau rendahnya rasio NPL erat kaitannya dengan tingkat kepatuhan debitur dalam menyelesaikan kewajibannya sesuai dengan perjanjian yang ada. Peningkatan rasio NPL tersebut berasal dari berbagai sektor kredit termasuk kredit kepemilikan rumah KPR. Tercatat pada awal tahun 2017 terdapat 16,15 nasabah yang memiliki kredit tidak lancar pada kredit KPR FLPP. Kualitas kredit yang buruk memberikan kerugian pada Bank XYZ. Untuk mengatasi masalah tersebut, pada penelitian ini digunakan teknik data mining untuk melakukan penilaian risiko calon nasabah kredit. Teknik data mining decision tree, support vector machine dan na ve bayes digunakan untuk melakukan penilaian risiko kualitas kredit calon nasabah. Teknik ensemble classification adaptive boosting dan bagging juga digunakan untuk meningkatkan performa dari model klasifikasi dasar. Pemodelan dilakukan dengan menggunakan data nasabah KPR FLPP. Evaluasi penelitian dilakukan menggunakan teknik k-fold cross validation. Hasil dari penelitian menunjukkan model klasifikasi yang dihasilkan oleh metode base classification decision tree merupakan model yang terbaik pada kasus ini. Hasil dari pemodelan dapat digunakan dalam menilai potensi calon nasabah apakah akan menjadi nasabah yang mempunyai kualitas kredit baik atau buruk.

---

ABSTRACT
Non performing loan NPL is one of some indicators that can be used to measure the performance of bank in running a credit program to its customer. Bank XYZ rsquo s NPL rate increased in 2016 brought a huge loss to the organization. High or low NPL rate in the bank is closely related to the level of compliance of its customer in fulfilling their obligation based on agreement. The increment of NPL came from several sectors including the mortgage sector. In the beginning of 2017, there are 16.15 of customer have bad credit performance of FLPP mortgage program. Bad quality can bring loss to the Bank XYZ. To resolve that problem, data mining technique is used in order to assess the credit risk of prospect customer. Data mining techniques such decision tree, support vector machine SVM and na ve bayes are used to score the credit risk of the prospect customer. Ensemble classification technique such adaptive boosting and bagging are used as well to improve the performance of base classification rsquo s model. Modelling uses the historical customer data of FLPP mortgage program. The technique of evaluation in this research uses k fold cross validation. The result of this research shows classifiers from base classification decision tree has the best result amongst the other models in this case. The best models can be used to score the potential of prospect customer whether they will be having good credit or bad credit.

Abstrak :
Salah satu Nawa Cita pemerintah Indonesia tahun 2014-2019 adalah membangun Indonesia dari pinggiran dengan memperkuat daerah dan desa dalam kerangka negara kesatuan. Salah satu bentuk pembangunan adalah pembangunan fisik, yang dapat diukur dengan pendekatan belanja infrastruktur/aset. Namun Laporan Keuangan yang selama ini dipakai untuk memantau pembangunan fisik, baru didapatkan tahun berikutnya. Pada penelitian ini, rancangan data mart aset negara dibuat sebagai solusi untuk memantau pembangunan fisik nasional tanpa harus menunggu tahun berikutnya. Pertanyaan penelitian yaitu bagaimana rancangan data mart aset negara untuk mengukur pembangunan fisik di Indonesia? Penelitian ini menggunakan metodologi Kimball, dengan alat bantu Oracle Database dan visualisasi Tableau. Hasil penelitian menunjukkan pembangunan fisik nasional masih terkonsentrasi di provinsi DKI Jakarta (36.12% tahun 2017 dan 36.91% tahun 2018) berdasarkan alokasi dan realisasi dana APBN. Salah satu pengambilan keputusan yang dapat diambil adalah melakukan restrukturisasi kebijakan untuk pemerataan pembangunan fisik, dan meningkatkan prioritas alokasi untuk daerah pinggiran terlebih dulu. ......One of the Indonesians government goals from 2014 to 2019 is to develop Indonesian physical infrastructure from the outer layer of the country, through development of rural areas and villages. Physical infrastructure is a variable mentioned in Financial Statement as fixed-assets spending, in which currently only available annually. This research is aimed to develop analytical data environment in a form of data mart, as a solution to monitor physical infrastructure development at almost realtime, without waiting for an annual report. This research question is how to develop Governments Fixed Assets based Data Mart to measure physical infrastructure development in Indonesia. Kimball methodology, as well as Oracle database, and Tableau OLAP visualization were utilized to develop the data mart. Result shows when aggregates, physical infrastructure built in Indonesia was concentrated in DKI Jakarta by almost a half of Government Budget Allocation (36.12% at 2017 and 36.91% at 2018) comparing to another states. One of the decision that could be generated were to restructurize policy for phisical infrastructure budget allocation for next/upcoming years, and prioritize allocation for outer layer of the country including rural areas and villages.

Abstrak :
ABSTRAK
Balai Jaringan Informasi dan Komunikasi (BJIK) sebagai salah satu balai di Badan Pengkajian dan Penerapan Teknologi (BPPT) memiliki tugas dalam penerapan teknologi informasi dan komunikasi (TIK) untuk kepentingan pemerintah pusat, daerah, publik, komunitas ilmu pengetahuan teknologi, dan industri. Tugas tersebut diwujudkan salah satunya dengan membangun sistem informasi monitoring teknologi informasi dan komunikasi yang bernama Simontik. Kemajuan tren teknologi dan ancaman siber yang tidak dapat dihindari membutuhkan adanya penerapan data mining untuk monitoring intrusi dalam melindungi informasi penting dimana perangkat lunak anti virus dan firewall tidak cukup memberikan perlindungan penuh sesuai dengan kondisi BJIK saat ini. Sejalan dengan hal tersebut, beberapa penelitian terdahulu juga menjelaskan teknik deep learning atau deep neural network pada data mining yang telah mencapai keberhasilan jauh lebih baik di berbagai aplikasi khususnya big data sets classification karena memberikan hasil yang akurat dalam menyelesaikan permasalahan sistem monitoring intrusi. Berdasarkan hal tersebut, penelitian ini menggunakan teknik classification dengan algoritme deep learning, support vector machine, dan random forest sebagai pembanding. Penelitian ini menggunakan metodologi knowledge discovery from data (KDD) dimana data mining hanya merupakan suatu langkah penting dalam urutan prosesnya. Hasil akhir dari penelitian ini merupakan model prediksi yang dikemudian diuji dengan dataset Simontik untuk diketahui akurasinya. Hasil yang didapatkan dari penelitian ini adalah algoritme deep neural network dan random forest menghasilkan akurasi yang paling baik, yaitu sebesar 99,91% dibandingkan dengan algoritme support vector machine yang memiliki akurasi sebesar 98,11%. ABSTRACT
The Information and Communication Network Center (BJIK) as one of the centers in the Agency for the Assessment and Application of Technology (BPPT) has the task of implementing information and communication technology (ICT) for the benefit of the central, regional, public, technological and industrial science communities. One of the tasks is realized by building an information and communication technology monitoring information system called Simontik. The unavoidable progress of technological trends and cyber threats requires the application of data mining for intrusion monitoring in protecting important information where anti-virus software and firewalls do not provide full protection in accordance with current BJIK conditions. In line with this, several previous studies also explained that deep learning techniques or deep neural networks in data mining that have achieved success are far better in various applications, especially the big data sets classification because they provide accurate results in solving intrusion monitoring system problems. Based on this, this study uses classification techniques with deep learning algorithms, support vector machines, and random forest as a comparison. This study uses the knowledge discovery from data (KDD) methodology where data mining is only an important step in the sequence of the process. Result of this study is a prediction model which is then tested with the Simontik dataset to determine its accuracy. The results obtained from this study are that deep neural network and random forest algorithms produce the best accuracy, which is 99.91% compared to the support vector machine algorithm which has an accuracy of 98.11%.

Abstrak :
Saat ini credit scoring calon nasabah produk Kreasi Pegadaian masih menggunakan scorecard konvensional berupa pembobotan pertanyaan. Model credit scoring tersebut dibangun berdasarkan pengalaman pakar (expert scorecard) dan kemungkinan ada unsur subjektivitas dalam penilaian kelayakan kredit. Untuk mengatasi masalah tersebut, penelitian ini membangun model credit scoring dengan pendekatan data mining menggunakan data riwayat kredit nasabah produk Kreasi (data driven scoring) menggunakan algoritma klasifikasi, diantaranya: support vector machine (SVM), naïve bayes, decision tree dan neural network. Pengembangan model dilakukan dengan menggunakan metodologi CRISP-DM (The Cross Industry Standard Process for Data Mining). Model dibangun dengan kriteria tanpa penggunaan feature selection dan dengan feature selection. Teknik SMOTE (Synthetic Minority Over Sampling Technique) dan Oversampling dipilih untuk menyeimbangkan class data. Dari hasil evaluasi kinerja model menunjukan model SVM dengan feature selection dan penyeimbangan class menggunakan teknik Oversampling dipilih sebagai model dengan kinerja terbaik. ......Currently, the credit worthiness of Pegadaian prospective customers still uses a conventional scorecard in the form of weighting questions. The model is built based on expert experience which is called expert scorecard. There might be an element of subjectivity in credit assessment. To resolve that problem, in this research data mining classification techniques are used to build credit scoring models. There are four classification algorithms, namely SVM (Support Vector Machine), Naïve Bayes, Decision Tree and Neural Network as a classification algorithm. Modelling uses the historical customer credit data of Pegadaian Kreasi product. CRISP-DM (The Cross Industry Standard Process for Data Mining) is used as a development methodology. Modeling is done with two criteria, by considering the use of feature selection and without feature selection. The SMOTE (Synthetic Minority Over Sampling Technique) and Oversampling techniques are chosen to balance the class data. The result of this research shows the SVM model with feature selection and data balancing using the Oversampling technique was chosen as the model with the best performance.

Abstrak :
Pensiun adalah jaminan hari tua dan penghargaan atas jasa aparatur sipil negara yang telah mengabdikan diri kepada negara. PT Taspen (Persero) sebagai Badan Usaha Milik Negara yang diberikan tugas oleh pemerintah untuk mengelola asuransi sosial aparatur sipil negara memiliki tantangan untuk memastikan uang pensiun disalurkan secara tepat. Pada pembayaran pensiun untuk kelompok janda/duda masih ditemukan ketidaktepatan pembayaran karena status pensiun janda/duda yang tidak teridentifikasi seperti telah menikah kembali. Penelitian ini bertujuan membentuk model prediksi status pensiun janda/duda yang memiliki potensi menikah kembali. Proses prediksi status pensiun janda/duda menggunakan teknik data mining klasifikasi dengan menggunakan data demografi, sosial ekonomi peserta pensiun dan data transaksi proses pengambilan pensiun pada kelompok pensiun janda/duda. Sebagai perbandingan digunakan 3 algoritma klasifikasi yaitu Decision Tree, Naïve Bayes dan Support Vector Machine. Beberapa atribut yang berpengaruh dalam penelitian ini yaitu jenis kelamin, usia, usia pernikahan sebelumnya, usia status janda/duda, dan kode pengambilan pensiun selama 3 bulan terakhir. Model yang terbentuk memberi wawasan bahwa pensiun duda dan semakin muda usia pernikahan, usia peserta serta usia status janda/duda memiliki potensi yang tinggi untuk menikah kembali. Hasil penelitian menunjukkan algoritma Support Vector Machine memiliki kinerja yang paling baik dengan tingkat akurasi sebesar 89,23%. ......Pension is a guarantee of old age and appreciation for the services of state civil servants who have devoted themselves to the state. PT Taspen (Persero) as a state-owned company given the task of managing the social insurance of the state civil servants has a challenge to ensure pension money is distributed appropriately. The pension payments for the widows/widowers were still found to be overdue because the pension for widows/widowers who had remarried was not identified. This study aims to predict changes in the pension status of widows/widowers who have the potential to remarry. This study aims to form a prediction model for the pension status of widows/widowers who have the potential to remarry. The process of predicting the pension status of widows/widowers uses classification data mining techniques using demographic, socio-economic data of pension participants and data on pension retrieval processes in the widow/widower pension group. As a comparison, 3 classification algorithms are used, Decision Tree, Naïve Bayes and Support Vector Machine. Some of the influential attributes in this study are gender, age, age of previous marriage, age of widow/widower status, and retirement retirement code for the last 3 months. The model that is formed provides an insight that the retirement of the widower and/or the younger the age of marriage, the age of the participants and the age of the widow/widower status have a high potential for remarriage. The results showed that the Support Vector Machine algorithm has the best performance with an accuracy rate of 89.23%.

Abstrak :
Integrasi data gene expression dan DNA copy number berbasis kernel digunakan untuk menganalisis pola gen pada penyakit kanker payudara cell line. Clustering pada data integrasi dilakukan tanpa adanya informasi jumlah k cluster, teknik ini disebut fully unsupervised clustering. Pada penelitian ini, intelligent kernel K-Means dikembangkan dengan menggabungkan teknik intelligent K-Means dan kernel K-Means. Berdasarkan hasil eksperimen, nilai pada kernel RBF mempengaruhi jumlah cluster yang ditemukan. Hasil clustering dievaluasi menggunakan nilai R, global silhouette, indeks Davies-Bouldien, akurasi LS-SVM dan visualisasi. Hasil esperimen terbaik yaitu 3 cluster yang memperoleh akurasi LS-SVM sebesar 97.3% dengan standar deviasi 0.2%.

---

In this thesis, kernel based data integration of gene expression and DNA copy number would be utilized to analyze pattern of genes in breast cancer cell line. The cluster analysis on the integrated data will be conducted with has no prior information with regards the number of k clusters which is called fully unsupervised clustering technique. In this work, intelligent kernel K-Means is proposed by combining intelligent K-Means and kernel K-Means. From the experiments, the value of of Radial Basis Function (RBF) has important role for finding the optimal of number of cluster. The clusters those to be found will be evaluated based on global silhouette, Davies-Bouldien Index, LS-SVM accuracy and visualization. The experiment result show that three clusters are successfully to be found. Those clusters produce average accuracy of LS-SVM around 97.3 % with standard deviation 0.2 %.

Abstrak :
ABSTRAK
Pemilihan prototype menggunakan single prototype memiliki kelemahan dimana daerah yang minor (distribusi datanya sedikit) belum dapat ter-cover dengan baik, sehingga dibutuhkan penggunaan multiple prototype agar data yang memiliki ketersebaran data yang tidak merata pada kelas yang sama dapat terwakilkan. Pada penelitian kali ini, akan diterapkan suatu metode incremental learning yang akan diintegrasikan dengan algoritma FNGLVQ. Metode incremental learning yang digunakan adalah metode random, statis dan dinamis. Metode random dilakukan dengan cara memilih prototype dari luar secara random dengan penetapan jumlah 2,5,10 dan 20 prototype perkelasnya; metode statis dengan memanfaatkan sifat keabuan dari nilai similaritas fuzzy yaitu menggunakan threshold di bawah nilai 0.5, 0.4, 0.3, 0.2 dan 0.1 sebagai kriteria pemasukan prototype sementara untuk metode dinamis juga menggunakan threshold yang diadaptasi dari penelitian (Xu Ye, 2012), namun dalam penelitian ini akan dilakukan penyesuaian mengikuti bentuk prototype yang digunakan yaitu dalam bentuk fuzzy. Dari keseluruhan metode incremental learning ini yang digunakan baik random, statis maupun dinamis, akurasi meningkat sebesar ±3 – 5% dari single prototype. Sementara untuk metode dinamis sendiri memiliki keunggulan di atas rata-rata dari metode random maupun statis baik dalam hal akurasi dan efisiensi jumlah prototype yaitu sebesar 94.78% dengan ±7 buah prototype pada uji data simulasi dengan menggunakan gaussian mixture models.

---

ABSTRACT
Selection of prototype using single have a weakness where minor area could not cover well and need multiple prototype for a solution. In this research, incremental learning method will be integrated to FNGLVQ algorithm. Incremental learning method will be used random, static and dynamic. Random method will be selection of prototype from outside system randomly with 2, 5, 10, 20 prototype each class; statis method using threshold based on grey area of fuzzy similarity characteristic with using value under 0.5, 0.4, 0.3, 0.2 and 0.1 as criteria of entering the prototype to the set prototype, while dynamic method using threshold that adaptation from (Xu Ye, 2012), but in this research will be change form of prototype from crisp to fuzzy. From all incremental learning method that used such as random, static and dynamic, accuracy increasing about 3 until 5 % from single prototype. While dynamic threshold have an average superior than random and static method in accuracy and amount of prototype with 94.78% and ±7 prototypes on testing in simulation data using gaussian mixture models.

Abstrak :
Tidur merupakan suatu kondisi istirahat alami yang dialami tubuh yang sangat penting bagi kesehatan. Dengan waktu tidur yang tercukupi maka kondisi tubuh akan selalu segar karena pada saat tidur tubuh kita melakukan regenerasi terhadap sel-sel tubuh yang telah rusak ataupun mati. Namun hal tersebut tidak akan tercapai apabila kualitas tidur tidak baik. Penelitian pengenai pengukuran kualitas tidur hingga kini masih dilakukan. Salah satunya adalah penelitian yang dilakukan tim peneliti dari Fakultas Ilmu Komputer, Universitas Indonesia. Pengukuran kualitas tidur dilakukan dengan melakukan pengenalan tahapan tidur berdasarkan sinyal Elektrokardiogram (EKG). Karakteristik data yang overlaping dan distribusi data yang menyebar masih mejadi permasalahan utama pada pengenalan tahapan tidur. Dalam penelitian ini, dikembangkan sebuah algoritma Adaptive Multi Codebook Fuzzy Neuro Generalize Learning Vector Quantizatio (AMFNGLVQ) untuk mengatasi data yang overlaping dan distribusi yang menyebar. Berdasarkan hasil pengujian, metode yang diusulkan memiliki tingkat akurasi dan nilai kappa yang lebih baik. Berdasarkan hasil pengujian, metode yang diusulkan mampu memperbaiki tingkat pengenalan dengan kenaikan 2% hingga 3 % untuk data Mitra dan 0.5% hingga 1.5% untuk data MIT-BIH. Sedangkan untuk pengujian menggunakan seluruh data Mitra kenaikan rata-rata tingkat akurasi mencapai 3% hingga 7%.

---

Sleep is a natural experienced condition by the body for relaxation, that is very essential for health. If the sleep time has been adequate, the body condition will always be fresh because our body can regenerate the body cells to maintain health. However, that condition will not be achieved if the quality of our sleep is not good. Research on sleep quality measurement is still progressing. One study is by a team of researchers from the Faculty of Computer Science, University of Indonesia. In this study, an Adaptive Neuro Fuzzy Multi Codebook Generalized Learning Vector Quantization (AMFNGLVQ) algorithm has been developed to overcome the data overlapping and distribution spread problems. Sleep quality measurement is done by identifying sleep stages based on electrocardiogram (ECG) signal. Data Overlapping and distribution spreads are still the main problems in identifying sleep stages. Based on experiment results, the proposed method has an accuracy rate and kappa values better than previous algorithm. Based on the results of testing the proposed method can improve the recognition rate with an increase of 2% to 3% for Mitra data and 0.5% to 1.5% for the MIT-BIH data. As for the test using the entire data Mitra average increase in accuracy rate reaches 3% to 7%.

Abstrak :
Ultrasonografi (USG) merupakan alat diagnostik pencitraan yang berguna untuk mendeteksi dan menganalisis struktur organ yang ada di dalam tubuh manusia, salah satuya mendeteksi atau menganalisis biometri janin. Penelitian ini bertujuan untuk mendeteksi dan mengukur biometri janin dari citra hasil scanning alat USG. Citra janin yang dideteksi dan diukur meliputi besar diameter kepala dan panjang tulang paha. Proses deteksi dan pengukuran dilakukan melalui beberapa tahap yaitu cropping objek dan non-objek, ekstraksi fitur, seleksi fitur, dan pengukuran besaran dari organ janin. Untuk ekstraksi fitur menggunakan Haar-like Feature, untuk pendeteksian menggunakan Adaboost Classifier, dan untuk metode pengukuran biometri menggunakan Randomized Hough Transform. Pada penelitian ini, digunakan 300 data citra biparietal kepala dan 200 data citra tulang paha. Dari hasil pengolahan data, didapatkan hasil deteksi biparietal kepala janin sebanyak 44 gambar dengan error rata-rata sebesar 0,0388 dan correlation coefficient yang dihasilkan sebesar 0,984. Sementara hasil untuk deteksi tulang paha janin sebanyak 18 dengan error rata-rata sebesar 0,554 dan correlation coefficient yang dihasilkan sebesar 0,788. Dengan metode yang diajukan pada penelitian ini, diperlukan adanya pengembangan metode yang lebih optimal sehingga tahapan dalam pengintegrasian sistem ke dalam sebuah alat pengukuran organ janin dapat diaktualisasikan. Tentunya dengan sistematika pemakaian alat yang lebih sederhana dan harga yang lebih terjangkau. ...... Ultrasonography (USG) is a diagnostic tool for detecting and analyzing organ structure in human body. One of the example usage of USG is to detect and analyze biometric features of a fetus. This study aims to detect and measure features of fetus from scanned image offetalhead (biparietal diameter) and femur length using ultrasound equipment. The detection and measurement process have several steps. It consists of cropping object and non-object, extracting features, selecting features, and measuring the fetal organs sizes. In this study, Haar-like feature is used to extract the feature meanwhile AdaBoost classifier is used for object detection and Randomized Hough Transform is applied for biometry measurement. In this research, we used 300 biparietal head image data and 200 image data of femur. After the data processing stage, we obtained the detection of biparietal as many as 44 images with an average error of 0.0388 and Correlation Coefficient result of 0,984, while the results for the detection of fetal femur error as many as 18 with an average of 0,554 and Correlation Coefficient result of 0,788. The result of this research can be optimized further to realize a fully integrated system that can detect and measure fetal organ with usable user interaction and affordable price.