Hasil Pencarian  ::  Simpan CSV :: Kembali

"Increasing environmental problems enforce companies to be more environmental responsible. A conmpany's environmental performance is not only related to the company's inner environmental efforts, but also it is affected by the suppliers' environmental performance and image...."

"Tesis ini bertujuan untuk merancang dan membangun sebuah sistem pengambil keputusan penilaian supplier dan alokasi order pada sebuah rantai supply. Dalam penerapan supply chain management, performa dari supplier lebih baik untukdievaluasi dengan menggunakan penilaian multikriteria dibandingkan hanya penilaian faktor biaya. Tiga metode AHP diantaranya AHP, TFN Fuzzy AHP dan Trapezoidal Fuzzy AHP dibandingkan untuk kemudian dianalisa berdasarkan data yang didapatkan dari perusahaan baja terintegrasi terbesar di Indonesia, hasil evaluasi menunjukkan bahwa metode AHP lebih realistis untuk diaplikasikan pada DSS. Akhirnya, sebuah contoh penilaian supplier material yang digunakan pada proses produksi baja diberikan untuk mengilustrasikan bagaimana DSS dapat digunakan.

---

This study aims to develop and generate a decision support system (DSS) for the improvement of supplier evaluation and order allocation decisions in a supply chain. In contemporary supply chain management, the performance of suppliers is evaluated agains multiple criteria rather than considering a single factor-cost. Three AHP models such as AHP, TFN Fuzzy AHP and Trapezoidal Fuzzy AHP are compared based on data from the bigger of indonesian intregated steel

company, where AHP model more realistic to apply in DSS for supplier appraisal. Finally, an example is provided to illustrate how the DSS can be used for material steel process."

"Tesis ini bertujuan untuk merancang dan membangun sebuah sistem pengambil keputusan penilaian supplier dan alokasi order pada sebuah rantai supply. Dalam penerapan supply chain management, performa dari supplier lebih baik untuk dievaluasi dengan menggunakan penilaian multikriteria dibandingkan hanya penilaian faktor biaya. Tiga metode AHP diantaranya AHP, TFN Fuzzy AHP dan Trapezoidal Fuzzy AHP dibandingkan untuk kemudian dianalisa berdasarkan data yang didapatkan dari perusahaan baja terintegrasi terbesar di Indonesia, hasil evaluasi menunjukkan bahwa metode AHP lebih realistis untuk diaplikasikan pada DSS. Akhirnya, sebuah contoh penilaian supplier material yang digunakan pada proses produksi baja diberikan untuk mengilustrasikan bagaimana DSS dapat digunakan.

---

This study aims to develop and generate a decision support system (DSS) for the improvement of supplier evaluation and order allocation decisions in a supply chain. In contemporary supply chain management, the performance of suppliers is evaluated agains multiple criteria rather than considering a single factor-cost. Three AHP models such as AHP, TFN Fuzzy AHP and Trapezoidal Fuzzy AHP are compared based on data from the bigger of indonesian intregated steel company, where AHP model more realistic to apply in DSS for supplier appraisal. Finally, an exam."

"ABSTRACTKlasifikasi adalah proses menugaskan satu set data ke dalam kelas yang ada berdasarkan nilai setiap atribut. Pengklasifikasi pohon keputusan diklaim lebih cepat dan berproduksi akurasi yang lebih baik. Namun, ia memiliki beberapa kelemahan di mana pengklasifikasi rentan untuk overfitting. Overfitting adalah suatu kondisi di mana model tidak mampu menarik kesimpulan data baru dengan cara yang benar. Overfitting di pohon keputusan dapat dihindari dengan memotong subtree pengaruh kecil dalam melakukan klasifikasi ketika pohon ditanam, disebut post-pruning, yang bertujuan untuk meningkatkan kinerja model dalam memprediksi data. Tesis ini mengusulkan metode pasca pemangkasan dengan menerapkan Risiko Bayes, di mana estimasi risiko setiap simpul induk dibandingkan dengan simpul daunnya. Sebagai perbandingan, pemangkasan pasca lainnya Metode yang diterapkan, yaitu Reduced Error Pruning (REP). Kedua metode tersebut diterapkanuntuk tiga dataset klasifikasi churn pelanggan dari situs Kaggle dan IBM Datasets. Untuk hasilnya, Bayes Risk Post-Pruning dapat meningkatkan kinerja Decision Tree lebih baik dari Reduced Error Pruning dengan meningkatkan nilai akurasi, presisi, dan daya ingat. Kedua metode juga diterapkan pada tiga proporsi berbeda untuk data pelatihan (60%, 70% dan 80%). Hasilnya menunjukkan bahwa semakin besar ukuran dataset pelatihan dikaitkan akurasi, presisi, dan daya ingat model yang lebih tinggi.

---

ABSTRACTClassification is the process of assigning a set of data to an existing class based on the value of each attribute. Decision tree classifiers are claimed to be faster and produce better accuracy. However, it has several disadvantages where the classifier is prone to overfitting. Overfitting is a condition in which the model is unable to draw new data conclusions in the right way. Overfitting in the decision tree can be avoided by cutting the subtree of small influence in classifying when the tree is planted, called post-pruning, which aims to improve the performance of the model in predicting data. This thesis propose a post-pruning method by applying Bayes Risk, where the estimated risk of each parent node is compared to the leaf node. As a comparison, other post pruning methods are applied, namely Reduced Error Pruning (REP). Both methods are applied for three customer churn classification datasets from the Kaggle site and IBM Datasets. For the results, Bayes Risk Post-Pruning can improve Decision Tree performance better than Reduced Error Pruning by increasing the value of accuracy, precision, and memory. Both methods are also applied to three different proportions for training data (60%, 70% and 80%). The results show that the greater the size of the training dataset is associated with higher model accuracy, precision, and recall."

"Resolusi koreferensi merupakan suatu proses yang dilakukan untuk mengetahui hubungan antara suatu entitas bernama atau kata ganti dengan entitas bernama lainnya dalam suatu teks. Hubungan tersebut dapat diketahui berdasarkan informasi kelas kata, kelas nama, kesamaan karakter penyusun kata, dan letak entitas bernama atau kata ganti tersebut dalam suatu teks. Penelitian ini membandingkan penerapan resolusi koreferensi menggunakan pendekatan machine learning dengan metode decision tree, maximum entropy, dan association rules. Penelitian dilakukan untuk mengetahui metode mana yang lebih baik untuk diaplikasikan pada tugas resolusi koreferensi untuk Bahasa Indonesia. Selain itu penelitian ini dilaksanakan untuk mengetahui efektifitas penggunaan fitur pada resolusi koreferensi untuk Bahasa Indonesia. Tujuan lainnya adalah mengetahui berapakah jumlah dokumen pelatihan yang diperlukan untuk masing-masing metode sehingga sistem memberikan hasil yang optimal. Uji coba dilakukan menggunakan 500 dokumen yang dikumpulkan dari Kompas Online (www.kompas.com). Secara umum, nilai recall metode decision tree lebih tinggi dari metode yang lain. Hasil uji coba memperlihatkan bahwa association rules menghasilkan kinerja yang paling baik dengan F-measure sebesar 81,36% yang diamati pada jumlah dokumen pelatihan 300 dan menggunakan semua fitur. Metode decision tree mencapai kestabilan pada jumlah dokumen 50. Metode maximum entropy mencapai kestabilan pada jumlah dokumen 70, sedangkan metode association rules mencapai kestabilan saat jumlah dokumen 90. Pada metode decision tree dan maximum entropy, kombinasi fitur minimum yang memberikan hasil terbaik adalah kombinasi fitur yang berhubungan dengan kesamaan karakter penyusun frase. Sedangkan untuk metode association rules, kombinasi fitur yang berhubungan dengan kesamaan karakter penyusun frase dan kombinasi fitur kelas nama merupakan kombinasi yang memberikan hasil terbaik."