Hasil Pencarian  ::  Simpan CSV :: Kembali

"[Prosedur standar untuk mendiagnosis hipertrofi ventrikel kanan pada anak adalah menggunakan ekokardiografi. Pada praktiknya, prosedur ini dinilai mahal, membutuhkan klinisi ahli, dan tidak tersedia di setiap rumah sakit. Diagnosis alternatif pengganti ekokardiografi adalah menggunakan elektrokardiogram (EKG). Berdasarkan data EKG, ventrikel kanan pasien anak diklasifikasikan ke dalam dua kondisi, yaitu positif atau negatif hipertrofi. Dalam penelitian ini, algoritma Perceptron diterapkan untuk mengklasifikasikan hipertrofi ventrikel kanan pada anak. Akurasi, sensitivitas, spesifisitas, PPV, dan NPV terbaik Perceptron dalam mengklasifikasikan hipertrofi ventrikel kanan pada anak menggunakan 28 kriteria EKG adalah 82,3%, 75%, 100%,100%, dan 62,5% pada penggunaan 80% data training dengan ekokardiografi sebagai gold-standard. Namun, penggunaan 28 kriteria EKG ini masih dinilai terlalu banyak, sehingga perlu diseleksi. Metode yang diterapkan untuk menyeleksi kriteria EKG adalah Classification and Regression Trees (CART). Akurasi, sensitivitas, spesifisitas, PPV, dan NPV terbaik Perceptron dalam mengklasifikasikan hipertrofi ventrikel kanan pada anak menggunakan 7 kriteria EKG yang telah diseleksi oleh CART adalah 76,5%, 77,8%, 75%, 77,8%, dan 75% pada penggunaan 80% data training dengan ekokardiografi sebagai gold-standard., The standard procedure for diagnose of right ventricular hypertrophy in pediatric is using echocardiography. In practice, this procedure is considered expensive, requiring expert clinician, and not available in every hospital. Alternative diagnosis is using electrocardiogram (ECG). Based on ECG data, pediatric’s right ventricle is classified into two conditions, positive or negative hypertrophy. In this research, Perceptron algorithm is applied to classify right ventricular hypertrophy in pediatric. The best accuracy, sensitivity, specificity, PPV and NPV of Perceptron in classifying right ventricular hypertrophy in pediatric using 28 ECG criterias are 82.3%, 75%, 100%, 100%, and 62.5% at 80% usage of the training data with echocardiography as the gold-standard. However, the use of 28 ECG criteria are still considered to be too much, so they need to be selected. The method is applied to select the ECG criteria are Classification and Regression Trees (CART). The best accuracy, sensitivity, specificity, PPV and NPV of Perceptron in classifying right ventricular hypertrophy in pediatric using 7 ECG criterias selected by CART are 76.5%, 77.8%, 75%, 77.8%, and 75% at 80% usage of the training data with echocardiography as the gold-standard.]"

"Pandemi COVID-19 di kuartal awal 2020 mendorong Universitas Indonesia untuk menetapkan sistem pembelajaran daring dalam menjalankan aktivitas perkuliahan. Prediksi keberhasilan mahasiswa pada masa pembelajaran daring perlu dilakukan sebagai bahan evaluasi pemanfaatan sistem pembelajaran daring selanjutnya. Machine learning merupakan tools untuk melakukan prediksi. Terdapat berbagai model dalam machine learning, salah satu model yang sering digunakan adalah neural network. Multilayer Perceptron (MLP) merupakan salah satu model dari neural network. MLP terdiri dari input layer, hidden layer dan output layer. Nilai pada input layer diproses pada hidden layer dan hasil akhir dihasilkan di output layer. MLP bekerja dengan pembaruan bobot yang membutuhkan 2 fase yaitu forward pass dan backward pass. MLP dengan algoritma optimasi Levenberg-Marquardt digunakan untuk memprediksi keberhasilan akademis mahasiswa. Prediksi yang dilakukan berupa klasifikasi mahasiswa lulus dan tidak lulus. Data yang digunakan merupakan data rekapitulasi aktivitas perkuliahan mahasiswa Departemen Matematika FMIPA UI pada mata kuliah X. Terdapat 2 data yang digunakan untuk memprediksi keberhasilan akademis mahasiswa, yaitu data rekapitulasi aktivitas perkuliahan mahasiswa dari minggu ke-1 hingga ke-4 (periode 1) dan minggu ke-1 hingga ke-8 (periode 2). Hyperparameter yang digunakan adalah 8 buah input neuron, 30 buah hidden neuron untuk hidden layer pertama, 30 buah hidden neuron untuk hidden layer kedua, 1 buah output neuron, 2 buah fungsi aktivasi (tanh dan linear), dan damping factor dengan nilai 3. Evaluasi MLP dalam memprediksi keberhasilan akademis mahasiswa dilakukan dengan menentukan nilai G-mean terbaik. Nilai G-mean menunjukkan kemampuan model dalam mengklasifikasi kelas lulus maupun tidak lulus. Prediksi MLP dengan algoritma optimasi Levenberg-Marquardt menghasilkan G-mean terbesar untuk periode 1 sebesar 0,72 dan periode 2 sebesar 0,86 pada data training dan testing 90:10. Hasil perbandingan prediksi keberhasilan mahasiswa data periode 1 dan periode 2 menunjukkan periode 2 lebih baik digunakan untuk memprediksi keberhasilan akademis mahasiswa.

---

COVID-19 pandemic on first quarter of 2020 urged Universitas Indonesia to distanced learning in doing lecture activities. Distance learning system may cause bad health to students, to such extent that student academic success may be affected. Student academic success prediction on distance learning need to be done as evaluation for future distance learning system. Machine learning is one of solution to perform prediction. There are many methods in machine learning, one of common used methods is neural network. There are many kinds of machine learning, one of the kinds is multilayer perceptron (MLP). MLP is consists of input layer, hidden layer and output layer. Values from input layer are processed in hidden layer and final output are yielded in output layer. MLP has 2 processing phase, which are forward pass and backward pass to do weight updating. MLP with Levenberg-Marquardt optimization algorithm is used for predicting student academic success. Performed prediction is classification of students who passed and failed. The data that is recapitulation of students course activity. Data consists of 2 sub- datas, which are recapitulation of course activity student from week 1 to week 4 (first period) and from week 1 to week 8 (second period). Hyperparameter that are used to bulid MLP are 2 hidden layer, 8 input neuron, 30 hidden neuron for each hidden layer, 1 output neuron, 2 activation function (tanh and linear), damping factor values 3. MLP evaluation of predicting student academic success is based on best G-mean result. G-Mean value shows how model performs in classifying passed students class and failed students class. MLP with Levenberg-Marquardt optimization algorithm implementation yields highest G-mean value, 0,72 and 0,86 from both periods, respectively, on 90:10 training and testing data split. Comparison between results of student academic success prediction with first period and second period indicate that second period is better to be used for predicting student academic success."

"Suatu line digraph dari graf berarah adalah suatu graf berarah dengan simpul-simpul pada merupakan busur-busur berarah pada dan simpul bertetangga ke simpul pada jika dan hanya jika ujung dari busur merupakan pangkal dari busur pada . Menurut Wang dan Yuan (2005), suatu graf merupakan graf DNA jika dan hanya jika graf tersebut merupakan line digraph. Sehingga, jika diberikan sembarang graf, untuk mengetahui graf tersebut apakah merupakan graf DNA, dapat dilakukan dengan memeriksa apakah graf tersebut merupakan line digraph. Melalui penelitiannya, Syslo (1982) membuat suatu algoritma untuk mengidentifikasi apakah suatu graf merupakan line digraph dari suatu graf berarah. Beberapa tahun berikutnya, Blazewicz dkk. (1999) mendefinisikan pelabelan- dan mengidentifikasi bahwa suatu graf adalah line digraph jika dapat dilabel dengan pelabelan-. Dalam skripsi ini, dibahas mengenai modifikasi algoritma yang dibuat oleh Syslo sedemikian sehingga simpul graf yang dihasilkan algoritma tersebut memenuhi definisi pelabelan- untuk kemudian diterapkan dalam identifikasi line digraph jika diberikan sembarang graf berarah terhubung.

---

A line digraph of directed graph is a directed graph with the vertices in are the arcs in and vertex is adjacent to vertex in if and only if the head of the arc is the tail of the arc in . According to Wang and Yuan (2005), a graph is DNA graph if and only if the graph is a line digraph. So, if given an arbitrary graph, to find out whether the graph is DNA graph, can be done by checking whether the graph is a line digraph.

Syslo (1982) gave an algorithm to identify line digraph. The next few years, Blazewicz et al. (1999) defined an -labeling and identify that a graph is a line digraph if can be labeled by -labeling.

This reseacrh gives modification of the algorithm created by Syslo such that the algorithm satisfy the definition of -labeling and then be applied to identify line digraph, if given any connected directed graph."

"Masalah penjadwalan bus sekolah merupakan masalah penentuan rute dalam melayani semua trip oleh sejumlah bus, untuk mengantarkan sejumlah siswa ke sekolah mereka masing-masing. Dengan trip terdiri dari sederetan halte bus dan sekolah tujuan dari masing-masing trip tersebut. Setiap bus dapat melayani lebih dari satu trip. dimana armada bus yang berada di depot adalah heterogen, yaitu kapasitas dari bus yang tersedia berbeda-beda. Dengan menganggap trip sebagai virtual stop, maka masalah penjadwalan bus sekolah dapat dimodelkan sebagai vehicle routing problem with time windows (VRPTW). Dalam menyelesaikan masalah ini, digunakan construction algorithm untuk membangun solusi awal. Setelah itu solusi tersebut diperbaiki dengan menggunakan improvement algorithm.

---

The school bus scheduling problem is a problem to assign some buses to serve all trips. A trip consists of a sequence of bus stops and their designated school. Each bus can serve more than one trip. The bus fleet is assumed heterogen or the capacity for each bus is different. A school bus scheduling problem can be modeled as a vehicle routing problem with time windows (VRPTW) by considering trips as virtual stops. The initial solution can be generated by construction algorithm and it will be improved by improvement algorithm."

"ABSTRAKDi Indonesia, jalan nasional mempunyai peran penting untuk meningkatkan perekonomian daerah, jaringan jalan juga berfungsi untuk menghubungkan antar satu provinsi dengan provinsi lainnnya atau antar provinsi dengan kabupaten / kota. Jaringan jalan di Indonesia memiliki panjang yang cukup signifikan, yaitu sekitar 516.239 kilometer, sebagian besar masih banyak kekurangn informasi terkait dengan data pemantauan dan evaluasi, sehingga pemeliharaan jalan belum dapat dilakukan sesuai dengan kebutuhan yang diinginkan. Tujuan dari studi ini adalah melakukan pengembangan Algoritma Genetika GA berdasarkan multi objective perkerasan guna mendapatkan opsi strategi optimasi pemeliharaan yang dapat diterapkan sebagai fungsi kondisi kerusakan jalan dan keterbatasan biaya. Studi ini mengambil data dari database yang ada pada Interurban Road Management System IRMS dengan mempertimbangkan kondisi jalan dan biaya pemeliharaan. Strategi optimasi ini menggunakan model software yang dikembangkan untuk menyelesaikan masalah keterbatasan biaya dihadapi penanggung oleh pengelola jalan; yaiu meminimalkan biaya dan memaksimalkan pelayanan jalan.

---

ABSTRACTIn Indonesia, the national road has an important role to increase the region rsquo;s economy, the road has the function to preserve inter- provincial or inter-provincial and regencies/cities. Road network in Indonesia has a significant length, of approximately 516,239 kilometers, where the majority presents lack of information related to monitoring data and evaluation. As a consequence, road maintenance is not appropriated. The objective of this paper is to describe the development of a Genetic Algorithm GA based on multi objectives programming of pavement and to investigate the optimal maintenance strategy options applied as function of road surface distress conditions. This is supported by database of an Integrated Road Management System IRMS and taking into account of both road network condition and agency costs. The optimization strategies provided by the developed soft computing tool can help solving agency problems; minimizing costs and maximizing road services. "

"Pada mode infrastruktur, ketika setiap kali node wired dan node wireless hendak mengirimkan paket data ke node wireless lainnya, data harus dulu dikirimkan ke access point (AP). Kemudian access point (AP) akan memforward paket data ke node coresponden. Oleh karena itu AP adalah tempat yang bagus untuk menambahkan mekanisme FEC untuk improve delivery video yang berkualitas. Jumlah redundant data yang ada pada mekanisme FEC statis adalah tetap. Dalam Mekanisme EAFEC redundant data ditentukan oleh access point (AP) berdasarkan beban traffic jaringan dan wireless channel state. Algoritma EAFEC menentukan berapa jumlah paket redundant yang harus di-generate berdasarkan panjang antrian yang mengindikasikan beban traffic jaringan dan times retransmisi paket yang mengindikasikan wireless channel state. Layanan video streaming tidak pernah lepas dari throughput, delay, jitter dan packet loss. Pada penelitian ini penulis membangun simulasi optimalisasi streaming video pada jaringan wireless. Penulis juga melakukan studi literatur dalam merancang simulasi ini. Dalam membangun simulasi penulis menggunakan aplikasi NS2 (network simulator) versi 2.28 yang berjalan diatas sistem operasi Microsoft Windows Xp Sp2 dengan aplikasi Cygwin. Hasil output akhir pada NS-2 divisualisasikan berupa grafik dan tabel yang kemudian dianalisa lebih lanjut yaitu berupa pengukuran throughput, delay, jitter, packet error dan dengan menggunakan script AWK beserta beberapa tambahan modifikasinya. Dari thesis ini diperoleh performance dari penggunaan mekanisme EAFEC dapat mengurangi kemacetan pada jaringan (congestion) sehingga berdampak pula berkurangnya jumlah packet loss.

---

In the infrastructure mode, when a wired and wireless node wants to send data packets to other wireless nodes, data must first be sent to the Access Point (AP). The AP then forwards packets to the corresponding node. Therefore, AP is a good place for adding the FEC mechanism for improving video delivery quality. The number of redundant FEC data in a fixed number.

EAFEC redundant data is determined by AP which is based on both network traffic load and wireless channel state. EAFEC Algorithm determines number FEC redundant generated based on queue length indicating network traffic load and packet retransmisi times indicating wireless channel state. Streaming video services are usually related to throughput, delay, jitter and packet loss.

In this thesis, the author develops a simulation study of streaming video service on wireless network. The research method is performed studying and developing simulation using Network simulator (NS-2) application version 2.28. The application running at Microsoft Windows Xp SP2 operating sistem, with CYGWIN aplication.

The result of simulation are graphics and measurement such us throughput, delay, jitter and packet error. The measurements are conducted using AWK script with some modifications. From this thesis obtained performance usage of mechanism EAFEC can lessen traffic jam on network ( congestion ) also causing affects the lessen amounts of packet loss."

"Algoritma Diffie-Hellman adalah algoritma yang menggunakan kunci publik dalam proses pembentukkan kunci rahasia. Pada tugas akhir ini akan dipelajari pembentukkan kunci rahasia dengan algoritma Diffie-Hellman berdasarkan fungsi polinomial Chebyshev.

---

Diffie-Hellman algorithm is used to obtain a secret key by using a public key. This final project will study how to obtain a secret key by Diffie-Hellman algorithm based on Chebyshev polynomial."

"Permasalahan banyak benda (many-body) secara lengkap, dimana melibatkan interaksi elektron-ion dan interaksi elektron-elektron, merupakan permasalahan yang sulit untuk dipecahkan secara eksak. Pendekatan first-principles seperti Density Functional Theory (DFT) telah menjadi pilihan yang populer untuk mengamati band structure secara lengkap pada suatu material. Bagaimanapun juga, terlepas dari perumusannya yang telah mapan, hal itu tetap menjadi tantangan besar untuk menggunakan pendekatan DFT untuk mengamati efek yang yang disebabkan oleh korelasi yang kuat antara elektron secara benar. Saat ini telah diperkenalkan pendekatan yang menggabungkan DFT dengan pendekatan diagram Feynman, yang disebut metode GW, untuk mengoreksi efek dari interaksi antara elektron. Terlepas dari beberapa keberhasilan dari pendekatan GW berbasis DFT ini, pendekatan ini memiliki kekurangan yaitu tidak cukup eksibel untuk digunakan untuk memecahkan masalah dengan interaksi yang lain, seperti interaksi magnetik. Pada skripsi ini, kami memperkenalkan algoritma metode GW dalam kerangka tight- binding. Kami turunkan setiap langkah pada algoritma secara lengkap dengan menggunakan diagram Feynman dan konsep analytic continuation untuk mengekspresikan besaran-besaran fisika pada real frequency. Untuk tujuan tertentu, kami tertarik untuk menerapkan algoritma ini pada sistem graphene dengan harapan menggunakan metode ini untuk sifat optik sistem graphene dengan berbagai jenis interaksi tambahan dalam waktu mendatang.

---

The full many-body problem in condensed-matter physics, in which electronion as well as electron-electron (e-e) interactions play crucial roles, is very tough to solve exactly. To explore the details of the band structure of the material, a first-principles approach such as Density Functional Theory (DFT) has become a popular choice. However, a part from its well-established formulation, it remains a big challenge to use such an approach to capture effects arising from strong correlations among the electrons correctly. Nowadays, an approach to combine DFT with a Feynman diagrammatic approach, so called the GW method, to address the effects of e-e interactions, has been introduced. Despite some successes of the DFT-based GW approach, there is an issue that this approach does not seem exible enough to use for solving problems with other types of interactions, such as magnetic interactions. In this skripsi, we aim to introduce an algorithm of the implementation of GW method in the frame of tight-binding approximation. We rigorously derive each step in the algorithm with the aid of Feynman diagrams, and the concept of analytic continuation to express the physical quantities of interest in real frequency. For a particular purpose, we are interested to apply this algorithm to graphene in hope of using this method address optical properties of graphene systems with various kinds of additional interactions in the near future."

"Quadratic Assignment Problem (QAP) merupakan masalah optimasi kombinatorial yang pertama kali diperkenalkan oleh Koopmans dan Beckman pada tahun 1957. QAP adalah masalah menempatkan n fasilitas pada n lokasi dengan tujuan meminimalkan total jarak. Pada skripsi ini, QAP diselesaikan dengan algoritma Hybrid Ant System (HAS) yang termasuk dalam Ant Colony Optimization (ACO). ACO merupakan suatu metode metaheuristik yang terinspirasi dari perilaku semut dalam mencari rute terpendek dari sumber makanan sampai kembali ke sarangnya. Pada algoritma HAS ini, terdapat sejumlah agen yang ditugaskan untuk membentuk rute perjalanan. Setiap agen secara acak ditugaskan membuat rute dari simpul awal sampai semua simpul dikunjungi dan menghasilkan solusi untuk QAP.

---

Quadratic assignment problems (QAPs) is one of combinatorial optimization that was introduced by Koopmans and Beckmann in 1957. QAP is assign n facilities to n locations by minimizing the total distance. In this skripsi, QAP problems can be solved by Hybrid Ant System (HAS) algorithm, these algorithm include in Ant Colony Optimization (ACO). ACO is a metaheuristic methods which encouraged from ants behavior in finding the shortest path among the food resources to their cage. By HAS algorithm, there are some agents assigned to create routes randomly from first points until all points visited, then it will result a solution for QAP."

"Education field is one of area have to be paid attention from plagiarism activity. The students are common part related to this criminal activity. They usually get involved in copying the programming assignments, for example source code duplication...."