Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu metode yang digunakan untuk menentukan taksiran fungsi densitas secara nonparametrik adalah Metode Pendekatan Model Campuran (Mixed Model Approach). Perhitungannya dilakukan terlebih dahulu dengan pembagian data dalam n buah kelas (n ?1) yang lebarnya sama, sebut d . Misalkan titik-titik tengah kelas adalah xi. Akan ditaksir fi yaitu nilai fungsi densitas di xi. Menaksir i i x =Nf d , dengan N adalah banyaknya data, ekivalen dengan menaksir i l dari data Poisson. Model campuran yang digunakan adalah ln i i l = _x0008_ +b , dengan bi random dan _x0008_ fixed. Menggunakan syarat pemulusan normal, yaitu d i D b iid berdistribusi N(0, s 2 b ), dengan i i i 1 b b b - D = - dan 1 1 1 d d d i i i b - b - b - D = D - D , untuk d = 2, 3, 4, . . . n-1. Sehingga diperoleh taksiran fungsi densitas ? if yaitu ? ?i i f N l d = .Salah satu metode yang digunakan untuk menentukan taksiran fungsi densitas secara parametrik adalah Algoritma EM (Expectation Maximization Algorithm). Algoritma EM mencari nilai taksiran parameter dan probabilitas pencampuran melalui proses iterasi yang dimulai dengan suatu nilai awal. Setiap iterasi merupakan proses EM yang terdiri atas E-Step (Langkah Ekspektasi) dan M-Step (Langkah Maksimisasi). Untuk mengaplikasikan metode di atas digunakan data waiting time (dalam menit) antar erupsi dari geyser Old Faitful di Taman Nasional Yellowstone pada tahun 1990 sebanyak 299 pengamatan [Paw01]. Dari hasil pengolahan diperoleh data tersebut berdibusi campuran (mixture distribution) Gamma -Gamma dengan probabilitas pencampuran 1 ? p = 0,3230 dan parameter ? a = 106,6821, ?l = 1,9510 untuk distribusi Gamma (kiri) serta probabilitas pencampuran 2 ? p = 0,6770 dan parameter ? a = 127,2793, ?l = 1,5766 untuk distribusi Gamma (kanan). Kata kunci: Algoritma EM (Expectation Maximization Algorithm), Distribusi Campuran (Mixture Distribution), Metode Pendekatan Model Campuran (Mixed Model Approach Method), Probabilitas Pencampuran (Mixing Probability)."

"Tugas akhir ini secara umum bertujuan untuk membahas latent class model yaitu suatu model yang menghubungkan probabilitas respon suatu individu untuk variabel-variabel indikator dengan suatu variabel laten yang bersifat kategorik. Penaksiran parameter dalam latent class model menggunakan taksiran Maximum Likelihood, yang dicari melalui algoritma EM (Expectation-Maximization). Kecocokan model diuji dengan uji rasio likelihood. Model terbaik dengan banyak kelas optimal dipilih berdasarkan reduksi L2 , dimana L2 adalah nilai statistik uji untuk banyak kelas terkait. Berdasarkan banyak kelas yang terbentuk pada model terbaik ini, individu-individu akan dikelompokkan ke dalam kelas-kelas tersebut. Metode tersebut akan diterapkan untuk mencari latent class model dengan tingkatan gejala pasien demam berdarah sebagai variabel laten kategorik yang dibentuk dari 5 variabel indikator kategorik, yaitu transfusi, nadi, tekanan darah, hb darah, dan trombosit. Hasil analisis data menunjukkan bahwa tingkatan gejala demam berdarah dapat dikategorikan menjadi 3 kelas."

"Tugas akhir ini secara umum bertujuan untuk membahas latent profile model yaitu suatu model yang menghubungkan sejumlah variabel indikator yang bersifat kontinu dengan variabel laten kategorik yang dibentuknya. Kelas-kelas dari variabel laten pada latent profile model disebut kelas laten. Tiap kelas laten memiliki profil yang dapat diwakili oleh vektor mean dan vektor variansi dari variabel indikator pada tiap kelas. Dalam analisis laten profil, yang akan dilakukan adalah membentuk kelas dari variabel laten berdasarkan sejumlah variabel indikator kontinu sedemikian sehinga di dalam setiap kelas laten, variabel-variabel indikator akan saling bebas, kemudian menentukan mean dan variansi (profil) dari variabel-variabel indikator pada setiap kelas laten. Penaksiran parameter dalam latent profile model menggunakan taksiran maksimum likelihood, yang diselesaikan dengan algoritma EM (Expectation-Maximization). Kecocokan model dan banyaknya kelas laten optimal dalam latent profile model diuji dengan uji rasio likelihood. Metode tersebut akan diterapkan untuk membentuk kategori dari variabel laten “tingkat mengatur diri sendiri” berdasarkan variabel indikator “tingkat ketaktergantungan”, “skor tanggung jawab, dan “tingkat ketenangan” pada mahasiswa baru matematika FMIPA UI angkatan tahun 2010. Hasil analisis data menunjukkan bahwa tingkat mengatur diri sendiri pada mahasiswa baru matematika FMIPA UI angkatan 2010 dapat dikategorikan menjadi 2 kelas."

"Abstrak. Imputasi missing values berperan penting dalam pre-processing data untuk menghasilkan data yang lengkap dan berkualitas. Dalam penelitian ini, dilakukan kombinasi dari Decision Tree dan algoritma Expectation Maximization (EM) sebagai metode imputasi dalam mengestimasi missing values. Namun, terdapat kekurangan pada metode ini, yaitu algoritma Expectation Maximization (EM) cenderung memberikan hasil imputasi yang lebih akurat jika terdapat banyak kemiripan antar atribut. Hal ini dapat diatasi dengan mempartisi segmen horisontal menggunakan algoritma Decision Tree. EM diterapkan pada berbagai segmen horisontal dari data set agar diperoleh banyak kemiripan antar atribut. Metode yang diusulkan ini kemudian dievaluasi dengan membandingkan kinerjanya dengan imputasi menggunakan mean dalam mengestimasi missing values data numerik dan dipilih Decision Tree sebagai classifier. Data yang digunakan untuk simulasi dalam penelitian ini yaitu data set PPOK-OSA. Penelitian ini menunjukkan bahwa metode imputasi missing values yangdiusulkan menghasilkan akurasi yang lebih tinggi jika dibandingkan menggunakan nilai mean dalam mengestimasi missing values. Hasil akurasi tertinggi dari metode ini yaitu83.3%, diperoleh pada saat persentase data training 10% dan rata-rata akurasi pada berbagai persentase data training sebesar 70.3%, sedangkan hasil akurasi tertinggi menggunakan nilai mean yaitu 58.3%, diperoleh pada saat persentase data training 20% dengan rata-rata akurasipada berbagai persentase data training sebesar 50.5%.

---

Abstract. Missing values imputation plays a vital role in data pre-processing for ensuring good quality of data. In this study, we present a combination of Decision Tree andExpectation Maximization (EM) algorithm as imputation method to estimate missing values. However, there are shortcomings of method, where the Expectation Maximization algorithm tends to give more accurate imputation results if there are many similarities among attributes. Therefore, this can be overcome by partitioning the horizontal segments using the DecisionTree algorithm. We applied EM on various horizontal segments of a data set where there are many similarities among attributes. Besides, we evaluate our proposed method by comparing its performance with mean values to impute missing values, and we choose the Decision Treeas a classifier. Data used in this research is COPD-OSA data set. In this study shows that ourproposed method leads to higher accuracy than mean imputation. The highest accuracy results obtained from our proposed method is 83.3% when the percentage of training data is10% and average accuracy in various percentage of training data is 70.3%, while the highest accuracy results using the mean value is 58.3% when the training data percentage is 20% and the average accuracy in various percentage of training data is 50.5%."

"K-Mean method is a clustering method in which grouping techniques are based only on distance measure among observed objects, without considering statistical aspects...."

"Penggunaan komputer sebagai alat komputasi yang menyangkut aplikasi-aplikasi yang bersifat kritis memerlukan kemampuan fault-tolerance, karena jika terjadi suatu kerusakan akan berakibat kerugian yang sangat besar. Untuk meningkatkan kehandalan dan keberadaan suatu sistem komputer, disediakan sumber daya tambahan (redundant resources) yang mampu mengambil alih proses jika terjadi kegagalan. Penambahan ini akan menaikkan biaya (cost), namun biaya tersebut akan menjadi murah jika dibandingkan dengan terjadinya kegagalan. Sistem komputasi fault-tolerant yang dirancang dengan menggunakan metode tertentu harus mampu meminimasi waktu yang terbuang saat terjadinya recovery sistem (rollback recovery). Metode optimasi checkpointing merupakan metode yang handal mengingat biaya dan waktu yang terbuang saat terjadinya recovery sistem. Metode tersebut menggunakan sejumlah checkpoint (keadaan proses yang dibutuhkan untuk melanjutkan komputasi) (yang optimal, sehingga dapat meminimasi waktu yang terbuang yang diperlukan untuk recovery. Penyisipan sejumlah checkpoint dalam proses komputasi tersebut berguna untuk mencegah terjadinya komputasi dari awal pada pelayan cadangan (redundant resources), bila terjadi kegagalan pada pelayan utama. Prosedur pembuatan checkpoint perlu dibuat secara efisien mengingat aplikasi-aplikasi yang diterapkan pada sistem ini membutuhkan kecepatan yang tinggi. Pada Penelitian ini dibahas implementasi sistem komputasi fault-tolerant dengan menggunakan metode optimasi checkpointing dan rollback recovery yang diterapkan pada sistem jaringan (distributed system). Penentuan jumlah checkpoint yang optimal dilakukan melalui analisa matematis dan uji coba hasil rancangan sistem dengan mengubah-ubah jumlah checkpoint tersebut."

"Salah satu jenis topologi yang banyak digunakan dalam jaringan komunikasi data adalah topologi Mesh. Topologi jenis ini mempunyai keunggulan antara lain sifatnya yang fleksibel dan dinamis sesuai dengan kondisi dan keadaan jaringan tersebut. Ada banyak kombinasi bentuk jaringan dalam topologi Mesh sesuai dengan aplikasi dan syarat serta tuntutan jaringan tersebut. Untuk membantu dalam merancang bentuk jaringan pada topologi Mesh maka pada penelitian ini dirancang suatu algoritma yang dapat memilih dan menentukan bentuk jaringan yang paling optimal pada topologi Mesh. Algoritma Mesh yang dirancang pada penelitian ini menggunakan pendekatan prosedur Minimum Spanning Tree yang merupakan penyempumaan dari algoritma Prim's."

"ABSTRAKTesis ini membahas masalah subgraf planar maksimal yang mengandung subgraf tertentu. Subgraf tertentu yang dimaksud adalah graf terhubung yang derajat setiap verteksnya maksimum dua.Pada tahun 1993, Cal, Han dan Tarjan menyusun sebuah algoritma Maximal Planar Subgrapha (algoritma CHT) untuk mencari subgraf planar maksimal dalam sebuah graf G. Algoritma CHT disusun berdasarkan algoritma Planarity Testing yang dikemukakan oleh Hopcroft dan Tarjan pada tahun 1974. Algoritma terakhir ini menggunakan Depth-First-Search (DFS) untuk menyatakan graf sebagai masukan. Graf hasil DFS ini mengandung satu atau lebih spanning tree yang disebut DFS-tree.Algortima CHT tersebut diimplementasikan pada mesin SUNsparc berbasis UNIX(r) System V Release 4.0 di Fasilkom Universitas Indonesia dengan menggunakan bahasa C. Uji coba dilakukan pada graf komplit K? dengan n verteks clan beberapa graf sembarang. Dari uji coba pada graf komplit K. dengan n 5 diperoleh kesimpulan bahwa agar memperoleh subgraf planar maksimal dari K,,, jumlah sisi yang harus dihapus minimal adalah 112 (n2 - 7n a- 12). Pada tesis ini, algoritma CHT dikembangkan untuk menentukan subgraf planar maksimal Gp dari sebuah graf G yang mengandung subgraf terhubung Gs yang derajat setiap verteksnya maksimum dua. Hal ini dilakukan dengan menjadikan G5 sebagai subtree dari salah satu DFS-tree dari G. "

"ABSTRAKDalam sistem basis data terdistribusi, replikasi dilakukan untuk tujuan meningkatkan ketersediaan data yakni mengatasi masalah kegagalan data pada beberapa site serta ' memperbaiki kinerja sistem dengan melibatkan replika seminimal mungkin dalam setiap transaksi. Penelitian ini bertujuan membuat suatu algoritma yang mempunyai kinerja lebih baik dibandingkan dengan algoritma-algoritma berbasis Konsensus Kuorum dan algoritma ini mempunyai kinerja yang lebih baik untuk transaksi-transaksi tertentu dibandingkan dengan algoritma Read One Write All. Algoritma ini dibuat dengan asumsi kebaruan data tidaklah menjadi prasyarat. Penelitian ini menghasilkan algoritma Penghitungan Konsistensi yang transaksi tulisnya cukup melibatkan sejumlah kuorum tulis replika dan transaksi bacanya cukup melibatkan sebuah replika pertama dari pasangan partisi data yang saling konsisten. Pembuktian terhadap algoritma Penghitungan Konsistensi dilakukan secara induksi. Untuk melihat kinerja algoritma ini, dibuat suatu program simulasi yang membandingkan ketiga algoritma: Penghitungan Konsistensi, Konsensus Kuorum dan Read One Write All. Simulasi dilakukan dengan mengeksekusi ketiga algoritma terhadap transaksi-transaksi yang jenisnya bervariasi. Dari hasil simulasi ini, lama waktu komputasi konsistensi menunjukkan bahwa algoritma Penghitungan Konsistensi umumnya lebih baik daripada kedua algoritma lainnya; kecuali bila persentase transaksi baca tinggi sekali (di atas 78% transaksi baca), maka algoritma Read One Write All lebih baik. Jumlah replika yang terlibat transaksi menunjukkan bahwa algoritma Penghitungan Konsistensi umumnya lebih baik dibandingkan kedua algoritma lainnya (sekitar 85% bare tersusul oleh algoritma Read One Write All)."

"Suatu pewarnaan edge yang minimum (minimum edge coloring) pada graph merupakan suatu partisi pada himpunan edge menjadi D matching, konstanta D merupakan derajad vertex terbesar pada graph. Dalam tulisan ini akan dibicarakan dua algoritma pewarnaan edge yang bekerja dalam kompleksitas waktu D(nm), dan 0(n3). Algoritma kedua akan lebih baik (efisien) untuk kasus di mana D merupakan pangkat dari dua."