Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKSetiap bank pasti memiliki aktivitas pemberian kredit. Bank memiliki beberapa kriteria untuk menentukan apakah kredit akan diberikan atau tidak karena setiap kredit yang diberikan memiliki risiko dimana kredit tersebut tidak dikembalikan. Dengan kata lain, bank perlu menganalisis pengaju kredit sebelum memberikan kredit. Pemberian kredit merupakan salah satu kasus klasifikasi biner. Klasifikasi data pengaju kredit dapat menolong bank dalam memberi pertimbangan apakah pengaju kredit tersebut dapat mengembalikan kredit yang diberikan atau tidak. Support Vector Machines SVM merupakan salah satu teknik klasifikasi biner yang efektif dengan prinsip structural risk minimization. Metode SVM dikembangkan menjadi metode Fuzzy Support Vector Machines FSVM sehingga pengaruh data outlier dalam mencari solusi hyperplane dapat diperkecil. Metode Adaptive Particle Swarm Optimization APSO merupakan metode ekstensi dari Particle Swarm Optimization PSO . Pada metode FSVM berbasis APSO, APSO digunakan dalam memberikan nilai fuzzy dengan mencari titik pusat kelas setiap atribut yang dapat menghasilkan tingkat akurasi terbaik. Dalam penelitian ini, metode FSVM berbasis APSO dapat menghasilkan tingkat akurasi tertinggi dalam setiap pengolahan data. Tingkat akurasi tertinggi yang dicapai pada penelitian ini adalah sebesar 75,67 dengan metode FSVM berbasis APSO menggunakan training data sebesar 70 dan kernel linier.

---

ABSTRACTEvery bank has loaning activities. Banks have several criteria for determining whether credit will be given or not because every credit loan has a risk that the credit might not be returned. In other words, banks need to analyze the credit applicant before granting the loan. Credit loan is a case of binary classification. The classification from applicant rsquos data might be helpful for the bank in consideration whether the applicant will return the loan or not. Support Vector Machines SVM is a classification technique based on structural risk minimization which is effective for binary classification. This method was developed into Fuzzy Support Vector Machines FSVM , which is able to minimize the influence of outlier in finding the best hyperplane. Adaptive Particle Swarm Optimization APSO is an extension of Particle Swarm Optimization PSO. In APSO based FSVM, APSO is used to determine the fuzzy score by finding the class center of each attribute that may give the highest accuracy. In this paper, APSO based FSVM can give the highest accuracy for each process. The highest rate of accuracy is 75,67, which used APSO based FSVM with 70 of training data and linear kernel."

"ABSTRAKDalam perdagangan sekuritas, terdapat masalah keputusan dalam pengelolaan portofolio. Keputusan ini dapat ditentukan dengan reinforcement learning. Reinforcement learning bertujuan untuk mengoptimalkan cumulative reward (keuntungan kumulatif), dengan policy (kebijakan) yang memilih tindakan tertentu yang memberikan keuntungan yang lebih baik. Cumulative reward menggunakan discount rate yang mempengaruhi pertimbangan reward di masa depan. Pada skripsi ini, digunakan Actor Critic using Kronecker-Factored Trust Region (ACKTR) untuk masalah keputusan. Algoritma ini menggunakan model Actor-Critic, natural gradient descent, dan trust region optimization. Model Actor-Critic terdiri atas Actor, dan Critic, dimana Critic mengevaluasi cumulative reward (keuntungan kumulatif), dan Actor melakukan tindakan untuk mendapatkan reward (keuntungan). Natural gradient descent merupakan perkembangan gradient descent yang merepresentasikan steepest descent, dan digunakan untuk memeningkatkan efisiensi sampel. ACKTR memanfaatkan Kronecker-Factored Approximated Curvature (K-FAC) sebagai aproksimasi untuk natural gradient descent, dan trust region untuk memberikan minimum update pada backpropagation. Pada reinforcement learning, agen berinteraksi dengan lingkungan berdasarkan skema Markov Decision Process (MDP), yang mendeskripsikan permasalahan. Pada skripsi ini, agen bertujuan untuk mengoptimalkan keuntungan pada MDP personal retirement portfolio dengan discount rate yang berbeda, dan hasil pembelajaran dari ACKTR akan dianalisis.

---

ABSTRACTThere are various decision problems in portfolio management. Reinforcement learning can be used to solve decision problems. Reinforcement learning optimizes cumulative reward with policy, which chooses specific actions for a better reward. Cumulative reward has a discount rate that influences reward in the future. In this study, Actor Critic Using Kronecker-Factored Trust Region (ACKTR) is used to solve a decision problem. This algorithm adopts Actor-Critic model, natural gradient descent and trust region optimization. Actor-Critic model composed of Actor and Critic, where Critic evaluates cumulative reward obtained, and Actor outputs action for a reward. Natural gradient descent is a modification from gradient descent that gives steepest descent and is used to improves sample eficiency. ACKTR uses Kronecker-Factored Approximated Curvature (K-FAC) to approximate natural gradient. Trust region update keeps a minimum update for backpropagation. In reinforcement learning, agent interacts with environment based on Markov Decision Process (MDP), which describes the problem. In this study, the agent needed to optimize reward in personal retirement portfolio with different discount rates and learning results from the ACKTR will be analyzed."

"Misalkan 𝐺𝐺(𝑝𝑝, 𝑞𝑞) adalah sebuah graf dengan 𝑝𝑝 = |𝑉𝑉(𝐺𝐺) | dan 𝑞𝑞 = |𝐸𝐸(𝐺𝐺) | masing-masing adalah banyaknya simpul dan busur dari 𝐺𝐺. Pelabelan total (a, d)-busur anti ajaib ((a, d)-PTBAA) dari sebuah graf 𝐺𝐺(𝑝𝑝, 𝑞𝑞) adalah sebuah pemetaan satu-satu f dari 𝑉𝑉(𝐺𝐺) ∪ 𝐸𝐸(𝐺𝐺) ke himpunan {1, 2,?, 𝑝𝑝 + 𝑞𝑞} sedemikian hingga himpunan bobot busur { 𝑓𝑓(𝑢𝑢) + 𝑓𝑓(𝑢𝑢𝑢𝑢) + 𝑓𝑓(𝑣𝑣) ∶ 𝑢𝑢𝑢𝑢 ∈ 𝐸𝐸(𝐺𝐺)} sama dengan {𝑎𝑎, 𝑎𝑎 + 𝑑𝑑, 𝑎𝑎 + 2𝑑𝑑,?, 𝑎𝑎 + (𝑞𝑞 − 1)𝑑𝑑 } untuk suatu bilangan bulat a > 0 dan d ≥ 0. Jika 𝑓𝑓(𝑉𝑉) = {1, 2,?, 𝑝𝑝} maka pelabelan f disebut pelabelan total super (a, d)-busur anti ajaib ((a, d)-PTSBAA), dan jika d = 0 maka pelabelan f disebut juga pelabelan total busur ajaib (PTBA). Pada tesis ini dibangun suatu konstruksi (a, d)-PTBAA pada gabungan m graf korona 𝐶𝐶𝑛𝑛 ⊚ 𝑃𝑃2 isomorfik untuk 𝑑𝑑 = 0 dan 𝑑𝑑 = 2, dan gabungan m graf prisma 𝐶𝐶𝑛𝑛 × 𝑃𝑃2 isomorfik untuk 𝑑𝑑 = 0, 𝑑𝑑 = 1 dan 𝑑𝑑 = 2.

---

Let 𝐺𝐺(𝑝𝑝, 𝑞𝑞) is a graph with 𝑝𝑝 = |𝑉𝑉(𝐺𝐺) | and 𝑞𝑞 = |𝐸𝐸(𝐺𝐺) | be respectively the number of vertices and the number of edges of 𝐺𝐺. An (a, d)-edge antimagic total labeling ((a, d)-EAT labeling) of a 𝐺𝐺(𝑝𝑝, 𝑞𝑞) graph is defined as a one-to-one mapping f from 𝑉𝑉(𝐺𝐺) ∪ 𝐸𝐸(𝐺𝐺) onto the set {1, 2,?, 𝑝𝑝 + 𝑞𝑞}, so that the set of weight { 𝑓𝑓(𝑢𝑢) + 𝑓𝑓(𝑢𝑢𝑢𝑢) + 𝑓𝑓(𝑣𝑣) ∶ 𝑢𝑢𝑢𝑢 ∈ 𝐸𝐸(𝐺𝐺)} is equal to {𝑎𝑎, 𝑎𝑎 + 𝑑𝑑, 𝑎𝑎 + 2𝑑𝑑, ?,𝑎𝑎+𝑞𝑞−1𝑑𝑑 for two integer a > 0 and d ≥ 0. If 𝑓𝑓𝑉𝑉=1, 2, ?, 𝑝𝑝 then f labeling is called super (a, d)-edge antimagic total labeling (super (a, d)-EAT labeling) and when d = 0 then f labeling is called edge magic total labeling (EMT labeling). In this thesis was constructed (a, d)-EAT labeling on union of isomorphic corona 𝐶𝐶𝑛𝑛 ⊚ 𝑃𝑃2 graphs for 𝑑𝑑 = 0 and 𝑑𝑑 = 2, and union of isomorphic prisms 𝐶𝐶𝑛𝑛 × 𝑃𝑃2 graphs for 𝑑𝑑 = 0, 𝑑𝑑 = 1 and 𝑑𝑑 = 2."

"ABSTRAKPerlindungan terhadap data digital, yang bersifat sangat rahasia, menjadi sangat penting guna menghindari manipulasi dan perubahan data. Data digital dapat berbentuk teks, citra, dan sebagainya. Pembahasan dalam tesis ini terfokus pada proteksi data dan informasi yang berbentuk citra digital. Proteksi yang diberikan adalah dalam bentuk enkripsi citra digital. Proses enkripsi ini menggunakan new map, ( ) ( ), yang merupakan modifikasi dari logistic map. Selanjutnya, new map tersebut dinamakan MS map. Tesis ini menunjukkan tentang: bagaimana hasil enkripsi citra digital dengan menggunakan MS map dan kinerjanya ditinjau dari segi rata-rata waktu proses enkripsi/dekripsi; keacakan barisan key stream dengan uji NIST, analisis histogram, dan uji goodness of fit; dan tingkat sensitivitas nilai awal, parameter, dan ruang kunci.Hasilnya menunjukkan bahwa rata-rata waktu proses enkripsi relatif sama dengan rata-rata waktu proses dekripsinya dan lamanya waktu proses bergantung pada jenis dan ukuran citra. Ciphertext (citra terenkripsi) berdistribusi seragam karena beberapa hal, yaitu: lulus uji goodness of fit dan histogramnya berbentuk flat; key stream yang dibangkitkan lulus frequency (monobit) test, frequency within a block test, runs test, dan test for the longest run of ones in a block, yang berarti key stream merupakan barisan yang acak; dan tingkat sensitivitas nilai awal mencapai , parameter dan mencapai , dan ruang kunci mencapai . Jadi, algoritma enkripsi yang dikembangkan dengan menggunakan MS map lebih tahan terhadap brute-force attack dan known plaintext attack.

---

ABSTRACT

Protection to classified digital data becomes so important in avoiding data manipulation and alteration. Digital data may take form as texts, images, et cetera. The focus of this thesis is in data and information protection of digital images form. Protections that are given in this thesis are in the form of digital image encryption. The encryption process uses a new map, ( ) ( ), which is the modification of logistic map. The new map is called MS map.

This thesis will show: the results of digital image encryption using MS map and how the performance is regarding the average time needed for encryption/decryption process; randomness of key stream sequence with NIST test, histogram analysis and goodness of fit test, initial value and parameter sensitivity level, and key space. The results show that the average encryption process time equals the average decryption process time and it depends to types and sizes of the image. Ciphertext (encrypted image) uniformly distributed since: it passes the goodness of fit and also the histogram is flat; key stream, that are generated, passes frequency (monobit) test, frequency within a block test, runs test, and test for the longest run of ones in a block, which means key stream is a random sequence; and initial value sensitivity reaches , parameter dan reach , and key space reaches . So, that encryption algorithm generated by MS map is more resistant to brute-force attack and known plaintext attack."

"Kestabilan perekonomian suatu negara ditentukan oleh sektor-sektor ekonomi di dalamnya. Salah satu sektor yang sedang berkontribusi secara signifikan di Indonesia adalah asuransi. Industri Asuransi sedang mengalami perluasan pada beberapa tahun terakhir. Seiring dengan perluasan tersebut, terdapat kompetisi antar perusahaan asuransi di Indonesia. Kompetisi ini menuntut perusahaan asuransi untuk lebih cerdik dalam mengungguli pasar. Tetapi, perlu diperhatikan bahwa perusahaan asuransi harus selalu sadar akan tingkat risiko yang harus ditanggungnya. Sehingga perlunya dilakukan penelitian tentang kemungkinan klaim di masa depan dari perusahaan asuransi.Dalam penelitian ini, akan difokuskan pada sektor asuransi kendaraan bermotor di Indonesia. Model yang diajukan pada penelitian ini adalah suatu machine learning yang biasa digunakan untuk masalah klasifikasi dan prediksi. Metode klasifikasi yang digunakan adalah Support Vector Machines dan Fuzzy Support Vector Machines. Penelitian ini menggunakan data historis polis dari suatu perusahaan asuransi umum di Indonesia. Data historis polis ini terdiri dari 7.373 data dengan periode waktu berlaku polis adalah setahun terhitung dari Januari 2015 sampai dengan Desember 2016. Setelah itu, dibandingkan hasil dari kedua metode tersebut untuk mendapatkan hasil yang terbaik. Penggunaan data historis polis dari suatu asuransi umum di Indonesia ini menunjukkan bahwa Support Vector Machines menghasilkan tingkat akurasi rata rata 100 dalam klasifikasi dua kelas yaitu klaim dan tidak klaim. Memang waktu yang dibutuhkan relatif lama dalam mengklasifikasi data yaitu 4673,33 detik. Kemudian dibandingkan hasil olahan dengan klasifikasi Fuzzy Support Vector Machines dengan komposisi 80 training data dan akurasi yang dihasilkan adalah 99,23 .

---

Economics stability of a country is depending on each economics sector of the country. One of the most sector that give a significant contribution is Insurance. Insurance Industry is rapidly grow in recent years. As it grows bigger, there is exist one simple core that indeed affected Insurance Industry in Indonesia which is a competition. The competition is to force one Insurance company to be sharper to win the market. On the other hand, one should realize that Insurance company must be well aware of the immerging risk rate. Insurance company indeed should be prepared for the probability of high indemnities. It leads to the point that a study about future claim should be done for this matter.

In this study, one will focus on Automobile Insurance in Indonesia. The proposed model for this matter is using the mighty machine learning that is well known for classification and prediction problems. The classification methods that one will use are Support Vector Machines and Fuzzy Support Vector Machines. The aims of this study are to compare those two classification methods. This study also use a comprehensive historical policy data from a General Insurance company in Indonesia. This data consists of 7373 data with a one year policy starting from January 2015 until December 2016. One will has to compare those two methods to gain the best result. The used of this historical policy data will show that a classification using Support Vector Machines will result in 100 accuracy for binary classification, in this case will be yes or no claim within one year period. It is indeed takes longer to classify using this method. It takes about 4673,33 seconds. Then, one will compare the result with the other method which is Fuzzy Support Vector Machines with the used of 80 training data. It shows that the accuracy is 99,23 ."

"Meningkatnya jumlah pengguna internet saat ini memberikan banyak dampak pada kehidupan manusia, karena internet menghubungkan banyak perangkat setiap hari. Perkembangan ini membawa berbagai dampak positif maupun dampak negatif. Salah satu dampak negatifnya adalah adanya aktivitas berbahaya yang dapat menyerang jaringan. Intrusion detection system merupakan sebuah sistem manajemen keamanan pada jaringan komputer. Data yang dimiliki intrusion detection system mempunyai fitur yang cukup banyak tetapi tidak semua fitur yang ada relevan dengan data yang digunakan dan jika data tersebut diolah akan memakan waktu yang cukup lama. Oleh karena itu, diperlukan pemilihan fitur untuk meningkatkan akurasi serta memperpendek waktu pembelajaran. Beberapa metode pembelajaran sudah pernah diterapkan untuk menyelesaikan masalah intrusion detection system, seperti Na ? ve Bayes, Decision Tree, Support Vector Machines dan Neuro-Fuzzy Methods. Metode pemilihan fitur yang digunakan untuk skripsi ini adalah metode Chi-Square. Setelah dilakukan pemilihan fitur, akan didapatkan hasil berupa sebuah dataset baru yang kemudian akan diklasifikasi menggunakan metode Extreme Learning Machines. Hasilnya menunjukkan setelah dilakukan pemilihan fitur dengan metode Chi-Square, tingkat akurasi akan meningkat serta waktu yang dibutuhkan algoritma pembelajaran untuk menyelesaikan metode tersebut menjadi semakin singkat.

---

The increasing rates of internet users nowadays must be give much impacts to our lifes, because the internet things can connect more devices every day. This growth carriers several benefits as well as can attack the network. Intrusion detection system IDS are used as security management system. IDS can be used to detect suspicious activity or alert the system. IDS involves large number of data sets with several different features but not all features are relevant with the data sets and it takes long computational time to solve IDS data sets. Therefore, it has to do feature selection to remove the irrelevant features, to increase the accuracy and to shorten the computational time for the learning methods.

Many researches about learning method to solve intrusion detection system problem have been done to develop and test the best model from various classifiers, such as Na ve Bayes, Decision Tree, Support Vector Machines, and Neuro Fuzzy Methods. For this thesis, the feature selection methods will be used is Chi Square methods to reduce dimentionality of IDS data sets. The new IDS data sets with the best selected features are obtained afterwards, and then these new data sets will be classified with Extreme Learning Machines methods. The result denotes that Extreme Learning Machines classification methods provides better accuracy level while combined with Chi Square feature selection."

"ABSTRAKMeskipun belakangan ini ada tindakan pencegahan sanitasi yang buruk, penyakit Penyakit tifus masih banyak ditemukan di beberapa negara berkembang. Demam tifoid atau umum Disebut tifus adalah penyakit yang disebabkan oleh bakteri Salmonella Thypii. Gejala yang dialami termasuk demam tinggi yang berlangsung lama pendarahan internal dan bahkan kematian. Infeksi tifus dapat ditularkan melalui kontak langsung dengan orang yang terinfeksi atau mengonsumsi makanan dan / atau minuman yang telah terkontaminasi bakteri. Selain sanitasi yang buruk, ada keterbatasan sumber daya Tenaga pelayanan kesehatan juga dapat berperan dalam penyebaran penyakit tifus. Dalam tesis ini dibahas model distribusi tifus dengan menambahkan batasan-batasan sumber daya layanan kesehatan. Model dibangun untuk melihat efeknya dari sumber daya pelayanan kesehatan yang terbatas hingga penyebaran tifus.Model yang telah dibangun kemudian dianalisis secara analitik dan numerik. Belajar Analisis dilakukan untuk mengetahui keberadaan dan kestabilan titik kesetimbangan titik ekuilibrium bebas penyakit dan endemik dalam model, serta menentukan reproduksi dasar numberR0. Selain itu, analisis sensitivitas R0 terhadap parameter juga dilakukantingkat infeksi dan parameter tingkat maksimum pengobatan serta melawan parameter tingkat kesembuhan alami pada individu yang terinfeksi dan parameter tingkat maksimum pengobatan numerik. Akhirnya, simulasi otonom dilakukan untuk melihat pengaruh tingkat pengobatan maksimum terhadap penyebaran penyakit tipus.ABSTRACTTyphus disease is still found in many developing countries. Typhoid fever or commonly called typhus is a disease caused by Salmonella Thypii bacteria. Symptoms include high fever, prolonged internal bleeding and even death. Typhoid infection can be transmitted through direct contact with an infected person or by consuming food and / or drink that has been contaminated with bacteria. Apart from poor sanitation, there are limited resources. Health care workers can also play a role in the spread of typhoid. This thesis discusses the typhus distribution model by adding the limitations of health care resources. The model was built to see the effects ranging from limited health care resources to the spread of typhus. The model that has been built is then analyzed analytically and numerically. Learning analysis is carried out to determine the presence and stability of disease-free and endemic equilibrium points in the model, and to determine the basic reproduction number R0. In addition, a sensitivity analysis of R0 to parameters was also carried out infection rate and maximum treatment rate parameter as well as against natural cure rate parameter in infected individuals and numerical maximum treatment rate parameter. Finally, autonomous simulations were carried out to see the effect of maximum treatment rates on the spread of typhoi"

"Tesis ini bertujuan untuk menganalisis stabilitas model Brennan-Schwartz dan menggunakannya sebagai panduan dalam menganalisis tingkat bunga. Stabilitas penting untuk menggambarkan ketahanan suatu model terhadap gangguan pada nilai awal ataupun parameter modelnya. Pada Tesis ini akan dibahas dua cara untuk menentukan stabilitas stokastik, yaitu stabilitas stokastik asimtotik dan stabilitas mean-square. Kriteria-kriteria stabilitas yang diperoleh dapat digunakan sebagai panduan untuk memilih parameter sehingga model menjadi tahan terhadap gangguan. Akan tetapi, pada kenyataannya parameter model Brennan-Schwartz tidak diketahui nilainya sehingga perlu dilakukan penaksiran terlebih dahulu. Pada Tesis ini, metode yang digunakan dalam menaksir parameter model Brennan-Schwartz adalah metode Maximum Likelihood dan dilanjutkan secara iteratif menggunakan Algoritma Nelder-Mead. Dalam implementasi, taksiran parameter diperoleh melalui penerapan konsep perubahan measure. Hasil implementasi menunjukkan bahwa solusi model Brennan-Schwartz cukup baik dalam menggambarkan pergerakan tingkat bunga bulanan dari suatu zero-coupon bond dengan maturity time 5 tahun periode Januari tahun 1982 hingga Februari 2011 yang datanya diunduh dari www.bankofengland.co.uk.

---

This thesis aims to analyze the stability of the Brennan-Schwartz model and use it as a guideline to analyze interest-rate. Stability is important to describe resistance of the model to the perturbation in the initial state or parameters of the model. Two ways to define stochastic stability will be considered in this thesis: stochastically asymptotically stable and mean-square stability. These stability criteria can be used as guidelines for selecting parameters that make the model resistant to the perturbation. However, Brennan-Schwartz model requires estimation of parameters whose values are unknown. In this thesis, the method which is used to estimate parameters of Brennan-Schwartz model is the maximum likelihood estimation method and will be continued iteratively using the Nelder-Mead Algorithm. In the application, parameter estimators are obtained by applying change of measure concept. Implementations show that Brennan-Schwartz model is good enough to approximate the real data of monthly interestrate from a zero-coupon bond with maturity time of 5 years: January, 1982 - February, 2011 in which data is downloaded from www.bankofengland.co.uk."