Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penggunaan email filtering saat ini sudah tergolong umum. Mail server berskala intenasional sudah wajib menggunakan spam filtering untuk men-filter email yang masuk ke user. Dari beberapa metode filtering yang dikembangkan, metode content filtering adalah metode yang paling digemari. Dari beberapa tipe content filtering yang digunakan, metode bayesian filtering merupakan metode email yang palign sering digunakan. Konsep yang digunakan cukup sederhana, yaitu bila probabilitas spam dari sebuah email lebih besar dari probabilitas nonspam, maka email tersebut dianggap sebagai spam. Tugas akhir ini akan membahas email filtering yang menggunakan metode bayesianfiltering. Metode yang dibangun berdasarkan konsep yang telah dibangun oleh Paul Graham dalam artikelnya ?A Plan for Spam?. Artikel ini dinyatakan sebaga batu loncatan yang sangat berpengaruh terhadap perkembangan email filtering karena memberikan pandangan lain terhadap pengembangan spam filtering. Pada tugas akhir ini, penulis akan meneliti trik-trik yang digunakan oleh Paul Graham dalam artikelnya. Penulis akan membangun sebuah email filtering berdasarkan artikel Paul Graham kemudian memodifikasi filter tersebut kemudian melihat perbedaan kinerja dari filter."

"Sistem rekomendasi kini telah menjadi fitur yang umum digunakan pada berbagai situs, termasuk situs katalog buku dan toko buku daring. Adanya sistem rekomendasi pada situs-situs tersebut berperan penting dalam proses pengambilan keputusan pengguna. Dua jenis sistem rekomendasi yang umum digunakan adalah content-based filtering dan collaborative filtering. Penelitian terdahulu menunjukkan bahwa statistical metrics bukan merupakan ukuran yang tepat untuk menentukan kualitas suatu sistem rekomendasi. Salah satu pendekatan lain adalah mengevaluasi sistem rekomendasi berdasarkan persepsi dari pengguna yang menggunakannya. Pada penelitian ini, dilakukan perbandingan antara persepsi pengguna terhadap content-based filtering dengan top-N recommendations dan collaborative filtering dengan matrix factorization menggunakan metode survei kuantitatif yang mengukur accuracy, diversity, novelty, perceived usefulnes, overall satisfaction dan use intention terhadap rekomendasi yang dihasilkan kedua jenis sistem rekomendasi. Hasil penelitian menunjukkan bahwa sistem rekomendasi content-based filtering memiliki accuracy, diversity, perceived usefulness, overall satisfaction dan use intention yang lebih tinggi daripada sistem rekomendasi collaborative filtering. Namun, tidak terdapat perbedaan nilai novelty yang signifikan antara sistem rekomendasi content-based filtering dan collaborative filtering.

---

Recommendation system is now a common feature used in various sites, including online book catalogs and bookshops. The existence of recommendation systems on these sites has an important role in users' decision-making processes. Two of the most commonly used types of recommendation systems are content-based filtering and collaborative filtering. Literature has shown that statistical metrics are not suitable to measure the quality of recommendation systems. Instead, a recommendation system can be evaluated based on its users’ perceived qualities. Through this research, a comparison of users’ perception of content-based filtering with top-N recommendations and collaborative filtering with matrix factorization is conducted with a quantitative survey method which evaluates accuracy, diversity, novelty, perceived usefulness, overall satisfaction and use intention of recommendations produced by both recommendation systems. The results suggest that the content-based recommendation system has higher accuracy, diversity, perceived usefulness, overall satisfaction and use intention than collaborative filtering ones. However, there is not any significant difference between the novelty values of content-based and collaborative filtering recommendation systems."

"Perkembangan teknologi yang cepat memberi dampak yang besar bagi kehidupan manusia. Hal ini mempermudah masyarakat dalam menerima informasi, baik itu informasi positif maupun informasi negatif. Informasi yang tergolong negatif adalah konten video pornografi. Salah satu cara paling efektif untuk melakukan pemblokiran terhadap suatu website adalah bukan dengan memblokir alamat dari website tersebut, melainkan memblokir konten yang bersangkutan, yaitu dengan membaca tag dari konten tersebut, untuk itu penelitian ini dilakukan. Fokus utama dalam penelitian ini adalah untuk menganalisis faktor yang mempengaruhi tingkat akurasi dan menentukan algoritma mana yang lebih tepat untuk melakukan klasifikasi dan memprediksi dari suatu tag video yang diberikan. Penelitian ini diarahkan pada penggunaan machine learning untuk melakukan prediksi terhadap tag video yang diberikan sehingga diperoleh hasil dari prediksi yang dilakukan. Dari penelitian yang telah dilakukan, diperoleh hasil akurasi sebesar 97% untuk algoritma Naïve Bayes dan 97,5% untuk algoritma Bayesian Network dengan jumlah data latih sebanyak 2400 tag video.

---

The rapid technological development had significant impacts to human life. It is easier for the public to receive information, whether it is positive or negative information information. The information classified as negative is pornographic video content. One of the most effective ways to do the blocking of a website is not to block the address of the website, but block the content concerned, by reading the tags on them, therefore this study conducted.

The main focus of this research is to analyze the factors affecting the level of accuracy and determine which is more appropriate algorithms to classify and predict from a given video tag. This research is directed at the use of machine learning to predict the video tag is given in order to obtain the results of the predictions made. From the research that has been conducted, the results obtained an accuracy of 97% for the Naïve Bayes algorithm and 97.5% for the Bayesian Network algorithm with the amount of training data as many as 2400 video tag"

"Sinyal dalam konteks telekomunikasi membawa informasi dengan variasi terhadap waktu, termasuk sinyal suara yang bersifat non-stasioner. Kehadiran noise dalam sinyal suara dapat mengurangi kualitas informasi yang ditransmisikan. Penggunaan transformasi wavelet telah menjadi pendekatan yang efektif dalam denoising sinyal suara, namun untuk hasil optimal, diperlukan pemilihan model threshold dan wavelet families yang tepat. Penelitian ini mengeksplorasi kinerja berbagai model threshold dalam denoising sinyal suara. Hasil penelitian menunjukkan bahwa waktu komputasi untuk denoising meningkat seiring dengan peningkatan level dekomposisi, dengan threshold Donoho memiliki waktu komputasi tercepat, diikuti oleh modifikasi, dan acuan Gang Yang [9] paling lambat. Penggunaan wavelet families juga memengaruhi nilai Mean Squared Error (MSE) dan waktu komputasi. Model threshold acuan Gang Yang [9] memberikan MSE terbaik dengan waktu komputasi 119,252 detik pada level dekomposisi 4, sedangkan threshold modifikasi menawarkan waktu komputasi lebih cepat yaitu 87,965 detik dengan MSE hampir setara pada level dekomposisi 2. Peningkatan panjang filter wavelet meningkatkan kompleksitas program dan waktu komputasi, namun efeknya bervariasi pada tiap model threshold. Selain itu, dilakukan denoising pada noise teras rumah (SPL 83,445 dB) dan noise mesin konstruksi (SPL 87,439 dB). Pada noise teras rumah, level dekomposisi 1 dengan Biorthogonal 3.3 (bior33) paling efektif, mengurangi SPL menjadi 40,216 dB. Pada noise mesin konstruksi, level dekomposisi 1 dengan Reverse Biorthogonal 3.3 (rbio33) paling efektif, menurunkan SPL menjadi 69,569 dB. Berdasarkan hal tersebut, dalam memilih model threshold yang optimal, perlu dipertimbangkan nilai MSE dan efisiensi komputasi. Penelitian ini memberikan wawasan penting dalam memilih metode denoising yang efektif untuk meningkatkan kualitas sinyal suara.

---

In telecommunications, signals carry information with variations over time, including non-stationary audio signals. Noise in audio signals can degrade the quality of transmitted information. Wavelet transform is an effective approach for denoising audio signals, but optimal results require appropriate threshold models and wavelet families. This study explores the performance of various threshold models in denoising speech signals. Results indicate that computation time for denoising increases with decomposition levels; the Donoho threshold is the fastest, followed by the modified model, with Gang Yang [9]'s reference model being the slowest. Wavelet family choice significantly impacts Mean Squared Error (MSE) and computation time. The Gang Yang [9] reference model offers the best MSE at SNR 20-27 with a slight computation time increase (119.252 seconds at level 4), while the modified model achieves faster computation (87.965 seconds at level 2) with nearly equivalent MSE. Longer wavelet filters increase program complexity and computation time, varying by threshold model. Additionally, denoising was performed on residential porch noise (SPL 83.445 dB) and construction machinery noise (SPL 87.439 dB). For residential porch noise, decomposition level 1 with Biorthogonal 3.3 (bior33) was most effective, reducing the SPL to 40.216 dB. For construction machinery noise, decomposition level 1 with Reverse Biorthogonal 3.3 (rbio33) was most effective, lowering the SPL to 69.569 dB. Thus, selecting an optimal threshold model involves considering both MSE and computational efficiency. This study provides key insights for effective denoising methods to enhance speech signal quality."

"Economic Value added (EVA) yang dikembangkan oleh lembaga konsultan Stem Stewart & Co. adalah financial performance measurement dan sistem manajemen yang mulai berkembang pada sekitar tahun 1990-an. EVA fungsi utamanya adalah sebagai peralatan untuk mengevaluasi kinerja manajemen relatif terhadap tujuan untuk memaksimalkan kekayaan pemegang saham (shareholder wealth). Sementara itu, Market Value Added (MVA) adalah harga pasar perusahaan dikurangi dengan modal yang telah diinvestasikan. Secara teori, terdapat hubungan langsung antara EVA dan MVA dimana MVA adalah present value dari tingkat EVA di mass depan dengan discounted pada biaya atas modal (cost of capital).EVA dan MVA adalah peralatan yang berguna untuk mengukur kinerja manajemen. Logikanya jika sebuah perusahaan memiliki nila EVA/MVA yang tinggi berarti mereka memiliki kinerja yang sangat baik dan memiliki tingkat pengembalian (return) yang baik pula dari saham - saham perusahaan tersebut. Berarti pula, EVA/MVA dapat digunakan dalam strategi investasi untuk melakukan pemilihan saham dengan memilih saham - saham yang memiliki nilai EVAIMVA yang terbaik. Sebuah studi yang dilakukan oleh Bernstein dan Pigler mencoba untuk menguji strategi berdasarkan EVAIMVA ini dengan membentuk portofolio yang terdiri dan 50 saham dari S&P500 yang memiliki nilai EVA tertinggi pada 31 Januari dalam periode 1987 - 1990 setiap tahunnya. Mereka mengamati performance dari portofolio ini selama 12 bulan berikumya. Hasil dari studi Bernstein dan Pigler menunjukkan bahwa EVA adalah alat yang tidak cukup berguna dalam melakukan pemilihan saham. Strategi investasi berdasarkan pada EVA kinerjanya berada dibawah S&P500 (underperformed). Studi lanjutan dari studi sebelumnya yang melakukan pengujian terhadap EVA dalam memilih saham dilanjutkan kembali oleh Bernstein untuk menguji nilai dari pertumbuhan EVA (bukan nilai absolute EVA) sebagai alat untuk melakukan pemilihan saham. Bernstein melakukan pengujian strategi investasi menggunakan EVA growth dan MVA growth dengan membentuk portofolio yang terdiri dari lima puluh saham dari S&P500 yang memiliki prosentase perubahan EVA dan MVA tertinggi per 31 Januari selama periode 1987 - 1996 setiap tahunnya. Selanjutnya mereka menguji performance dari portofolio tersebut selama 12 bulan kemudian. Hasilnya menunjukkan bahwa strategi investasi pembentukan portofolio berdasarkan EVA growth lebih buruk hasilnya daripada berdasarkan absolut EVA dan kinerjanya berada di bawah S&P (underperformed). Sebaliknya strategi berdasarkan MVA growth kinerjanya berada diatas strategi berdasarkan nilai absolut MVA dan juga berada diatas S&P500 (outperformed). Mengikuti apa yang telah dilakukan oleh studi Bernstein dan Pigler di atas tetapi diaplikasikan pada pasar modal dan periode yang berbeda, studi yang dilakukan ini memcoba membuat portofolio yang terdiri dari 5 saham dari LQ45 di Bursa Efek Jakarta (BEJ) yang memiliki nilai EVAIMVA tertinggi bail( absolute maupun growth untuk tiap tahun selama 2003 - 2004. Data EVAIMVA perusahaan publik di Indonesia yang dipakai adalah publikasi dari majalah bisnis SWA yang merupakan basil studi mereka bersama dengan MarkPlus & Co, MAKSI FE UI dan dibantu oleh beberapa praktisi pasar modal di Indonesia. Data EVAIMVA ini kemudian digunakan untuk membentuk sebuah portofolio berdasarkan pada empat strategi yang berbeda1. Strategi ke-1 : Portofolio yang terdiri dari 5 Saham dari LQ45 yang memiliki nila absolute EVA tertinggi pada periode 2003 - 2004 setiap tahunnya (Portofolio S I-03 dan S1-04). Strategi ke-2 : Portofolio yang terdiri dari 5 saham dari LQ45 yang memiliki nilai EVA growth tertinggi pada periode 2003 - 2004 setiap tahunnya (Portofolio S2-03 dan S2-04)Strategi ke-3 : Portofolio yang terdiri dari 5 Saham dari LQ45 yang memiliki nila absolute MVA tertinggi pada periode 2003 - 2004 setiap tahunnya (Portofolio S3-03 dan S3-04)Strategi ke-4 : Portofolio yang terdiri dad 5 saham dari LQ45 yang memiliki nilai MVA growth tertinggi pada periode 2003 - 2004 setiap tahunnya (Portofolio S4-03 dan S4-04)Kemudian dalam karya akhir ini dilakukan pengukuran kinerja dari tiap - tiap portofolio dengan menggunakan Sharpe, Treynor dan Jensen selama 12 bulan kedepan dari saat portofolio tersebut dibentuk dan membandingkannya dengan market performance (IHSG dan indek LQ45). Akhirnya dalam karya akhir ini dilakukan pemeringkatan dari flap - tiap portofolio dari masing - masing strategi untuk menemukan srategi terbaik sampai strategi terburuk. Pada akhirnya kita akan mendapatkan jawaban atas pertanyaan apakah kita mendapatkan basil yang sama dengan studi yang dilakukan oleh Bernstein dan Pigler ? Ternyata didapatkan bahwa peringkat strategi pembentukan portofolio secara berurutan dari yang paling baik sampai yang paling buruk adalah, strategi pembentukan portofolio berdasarkan : MVA growth. EVA growth, absolut MVA dan terakhir berdasarkan absolut EVA. Berarti hasil yang didapatkan ini sama dengan Bernstein dan Pigler untuk peringkat 1 (terbaik) dan peringkat 4 (terburuk) tetapi mendapatkan hasil yang berkebalikan untuk peringkat 3 dan 4.

---

Economic Value added (EVA) developed by the consulting firm of Stem Stewart & Co. is a corporate financial performance measurement and management system which has grown in popularity in the 1990's. EVA is primary function is as a tool to evaluate management performance relative to the goal of maximizing shareholder wealth. Meanwhile Market Value Added (MVA) is market value of the firm minus invested capital. In theory, there is a direct relationship between EVA and MVA in that MVA is equal to the present value of future level of EVA discounted at the cost of capital.

EVA and MVA are useful tools for measuring the performance of management. Logically, if a company has high EVAJMVA means that they has high performance and has high expected return on their stock. It also means, EVAIMVA can be used in an investment strategy by selecting stock of firms that generate best amounts of EVAIMVA. A study from Bernstein and Pigler tried to examine this EVAJMVA base strategy. Bernstein and Pigler formed portfolio of the fifty stocks within S&P 500 that had the highest EVA as of January 3151 of each year over period 1987 - 1990. They tracked the performance of this portfolio over the subsequent twelve months. The result of the Bernstein and Pigler study show that EVA is not useful tool for selecting stock. The investment strategy based on EVA underperformed the S&P500. Extend study a previous assessment of EVA's value in the stock selection process by Bernstein was to examine the value of growth EVA (rather than just the absolute value of EVA) as a stock selection screen. Bernstein examine investment strategies using growth in EVA and MVA by forming portfolio of the fifty stock within the S&P500 that had the highest percent change in EVA and MVA as of January 3I" of each year over the period 1987 to 1996. They then tracked the performance of this portfolio over the subsequent twelve months. The results indicated that the strategy based on EVA growth performed worse than the strategy based on the level of EVA and underperformed the S&P500. In contrast the investment strategy based on the level of MVA, the investment strategy based on MVA growth performed better than the strategy based on the level of MVA and also outperformed the S&P500.

Inspiring by Bernstein and Pigler study above but applied in different capital market and period, this study tried to construct portfolio of the five stock within LQ45 in Jakarta Stock Exchange that have the highest EVA/MVA both absolute and growth of each year over period 2003 - 2004. EVA/MVA data of public company in Indonesia were published by S WA business magazine as a result of their study together with MarkPlus & Co and MAKSI FE UI. This EVAIMVA data were used to construct portfolio of the five stock were formed by using four different strategies:

1st strategy : Portfolio of five stock form five company from LQ45 with highest absolute EVA over period 2003 and 2004 (Portfolio S I-03 & S I-04)

2nd strategy : portfolio of five stock from five company from LQ45 with highest EVA growth over period 2003 and 2004 (Portfolio S2-03 & S2-04)

3rd strategy : portfolio of five stock from five company from LQ45 with highest absolute MVA over period 2003 and 2004 (Portfolio S3-03 & S3-04)

4th strategy : portfolio of five stock from five company from LQ45 with highest EVA growth over period 2003 and 2004 (Portfolio S4-03 & S4-04)

Then we tracked the performance of each portfolio using Sharpe, Treynor, and Jensen over the subsequent twelve months and compare the result to Market performance (IHSG and LQ45

index). Finally, we rank the performance result of each portfolio of each strategy and Market performance to find the best until the best worst strategy. In the different period and different capital market, do we have the same result as Berstein and Pigler Study? This research shown that 1st rank and latest rank consistent with Bernstein and Pigler study which were the best strategy was using MVA growth as stock selection and the worst strategy was based on absolute EVA. On contrary, rank 2nd and 3rd have difference result between this research and Bernstein and Pigler study."

"Knowledge discovery in databases (KDD) merupakan proses pencarian pengetahuan bermanfaat dari data menggunakan teknik komputasi. Salah satu langkah khusus dalam KDD adalah data mining , yaitu aplikasi algoritma spesifik untuk mengekstrak pola/model dari data...."

"ABSTRAKPada daerah pedesaan, ketersediaan akses komunikasi nirkabel terbatas, karena masih banyak area yang belum terjangkau baik oleh jaringan seluler maupun oleh jaringan telepon seperti asymmetric digital subscriber line ADSL , dan serat optik. Karena infrastruktur jaringan listrik sudah menjangkau ke pelosok wilayah, teknologi Power Line Communication PLC sangat layak untuk dipertimbangkan pemanfaatannya sebagai alternatif komunikasi nirkabel. PLC merupakan suatu teknologi yang memungkinkan komunikasi data melalui jaringan listrik. Kanal listrik pada dasarnya didesain untuk mengirimkan energi listrik, bukan untuk komunikasi data, sehingga muncul banyak permasalahan seperti interferensi oleh noise, redaman dan banyaknya propagasi. Permasalahan utama dalam PLC adalah interferensi oleh noise. Noise yang dominan pada PLC adalah impulsive noise. Pada prakteknya impulsive noise yang muncul sering kali berupa bursty impulsive noise, dimana setiap impuls membentang dibeberapa sampel noise secara berturut-turut. Pada tesis ini dilakukan deteksi dan rekonstruksi bursty impulsive noise pada PLC menggunakan dua algoritma compressive sensing yaitu block sparse Bayesian learning - Expectation Maximization BSBL-EM dan block sparse Bayesian learning - Bound Optimization BSBL-BO . Hasil simulasi menunjukkan bahwa kedua algoritma memiliki kinerja yang sebanding dalam parameter bit error rate BER , sebagai contoh pada simulasi dengan panjang blok =4, SNR= 46 dB, BSBL-EM menunjukkan nilai 2.1034x10-4 sedangkan BSBL-EM menunjukkan nilai 2.16026x10-4. Selain itu, means square errror MSE pada BSBL-EM sedikit lebih baik dari pada BSBL-BO, sebagai contoh pada jumlah blok yang bernilai non-zero=2, SNR=30 dB, MSE BSBL-EM menunjukkan nilai 3.478 x10-3 sedangkan BSBL-BO menunjukkan nilai 3.7468 x10-3. Akan tetapi, waktu yang diperlukan CPU untuk proses BSBL-BO 2x lebih cepat dari BSBL-EM.

---

ABSTRACTIn rural areas, the availability of wireless communication access is limited, as there are still many unreacheable areas by cellular networks or by technology through telephone networks such as asymmetric digital subscriber line ADSL and fiber optics. Since the infrastructure of the power grid has been available widely, the Power Line Communication PLC technology is highly feasible to consider its utilization as an alternative to wireless communications. PLC is a technology that enables data communications over power lines. The power line channel was basically designed to transmit electrical energy, not to transmit data communications, which results in many problems such as channel interference attenuation and multipath propagation. The main problem in PLC is interference of noise. The dominant noise on the PLC channel is impulsive noise. In practice, impulsive noise is often occcurs in the form of bursty impulsive noise, where each impulse extends across multiple noise samples in a row. In this thesis, detection and reconstruction of bursty impulsive noise in PLC using two compressive sensing algorithms i.e. block sparse Bayesian learning Expectation Maximization BSBL EM and block sparse Bayesian learning Bound Optimization BSBL BO are analyzed. The simulation results show that both algorithms have comparable performance in the bit error rate BER parameter, for example in the simulation with block length 4, SNR 46 dB, BSBL EM shows the value 2.1034x10 4 while BSBL EM shows the value 2.16026x10 4. In addition, the means square errror MSE in BSBL EM is slightly better than BSBL BO, for example in the number of non zero blocks 2, SNR 30 dB, MSE BSBL EM shows value 3.478 x10 3. while BSBL EM shows the value 3.7468 x10 3. However, CPU time required for BSBL BO process is twice faster than BSBL EM."