Hasil Pencarian  ::  Simpan CSV :: Kembali

"Magnetic Resonance spectroscopy (MRS) adalah suatu modalitas dari pemeriksaan MRI. MRS digunakan untuk mengetahui kandungan metabolit pada pasien penderita glioma otak Astrocytoma atau infeksi otak. Hasil analisa pada MRS tidak bisa dijadikan sebuah acuan untuk menentukan seorang pasien menderita glioma otak atau infeksi otak. Dalam tugas akhir ini akan dibahas proses klasifikasi terhadap data MRS untuk menentukan penyakit yang diderita oleh seorang pasien. Tujuan akhir dari penulisan akhir ini adalah mentukan keakuratan klasifikasi data MRS dengan menggunakan metode Modified Fuzzy C-Means. Modified Fuzzy C-Means adalah pengembangan dari metode Fuzzy C-Means. Sama seperti metode Fuzzy C-Means, metode Modified Fuzzy C-Means merupakan metode yang mengalokasikan data dengan menggunakan fungsi membership (keanggotaan). Fungsi membership ini digunakan untuk menentukan seberapa besar kemungkinan sebuah data dapat menjadi anggota kedalam sebuah cluster, dengan menggunakan pembobotan pada setiap pusat cluster-nya. Keakuratan klasifikasi sangat bergantung kepada parameter-parameter yang terdapat pada algoritma Modified Fuzzy C-Means.

---

Magnetic resonance spectroscopy (MRS) is a modality of MRI examination. MRS is used to determine the content of metabolites in patients with Astrocytoma brain glioma or brain infection. An analysis of the MRS could not be used as a reference for determining a patient suffering from a brain glioma or brain infection. In this project will discuss the process of classification of the data MRS to determine the diseases suffered by a patient. The ultimate purpose of writing this final project MRS data classification accuracy by using Modified Fuzzy C-Means. Modified Fuzzy C-Means is the development of methods of Fuzzy C-Means. Just like Fuzzy C-Means method, the method Modified Fuzzy C-Means is a method that allocates data by using the membership function (membership). This membership function is used to determine how likely a member of the data can be added to a cluster, using a weighting on each of its cluster center. Classification accuracy is very dependent on the parameters contained in the Modified algorithm Fuzzy C-Means."

"ABSTRAKPengenalan pembicara telah digunakan secara luas dalam kehidupan sehari-hari yang telah menjadi cabang penting dari otentifikasi secara otomatisuntuk identitas pembicara. Ekstraksi fitur suara adalah salah satu masalah yang penting dalam pengenalan pembicara dan merepresentasikan suara. Mel-frequency cepstrum coefficients (MFCC) adalah salah satu fitur penting suara dalam proses pengenalan pembicara. Hasil dari ekstraksi fitur ini selanjutnya akan diklasifikasikan untuk melakukan proses pengenalan pembicara. Dalam skripsi ini akan digunakan Perceptron dan Fuzzy C-Means sebagai metode klasifikasi untuk proses pengenalan pembicara. Tingkat akurasi yang diperoleh dari kedua metode ini menghasilkan 90.00% dengan menggunakan Perceptron dan 72.50% dengan menggunakan Fuzzy C-Means untuk masalah identifikasi pembicara texr-independent."

"Investor mempunyai tujuan untuk mendapatkan keuntungan setiap melakukan investasi. Saham adalah salah satu instrumen investasi yang menawarkan tingkat keuntungan yang menarik. Di Indonesia, saham sudah menjadi salah satu instrumen investasi yang populer. Namun, walaupun saham mempunyai keuntungan yang tinggi, saham juga mempunyai risiko yang tinggi. Hal ini disebabkan karena harga saham fluktuatif dan dipengaruhi oleh faktor-faktor yang rumit. Akibat dari harga saham yang fluktuatif, investor sulit untuk mendapatkan sebuah prediksi yang akurat. Jika investor dapat memprediksi pergerakan harga saham di masa depan, investor dapat membuat keputusan yang tepat untuk beli, jual, atau hold. Dalam skripsi ini digunakan tiga jenis data perusahaan berbeda yang tercatat di dalam Bursa Efek Indonesia dengan data historis dari tahun 2017 sampai 2018. Umumnya, investor menggunakan indikator teknikal untuk memprediksi pergerakan saham. Pada skripsi ini, sebanyak tujuh belas teknikal indikator digunakan dan indikator teknikal tersebut diproses ke dalam dua jenis pendekatan. Pendekatan pertama memanfaatkan nilai-nilai indikator teknikal dan pendekatan kedua menggunakan sifat-sifat tertentu dalam menggambarkan pergerakan saham. Dua jenis data tersebut dijadikan data input bagi model prediksi dengan menggunakan metode Fuzzy Kernel Robust C-Means yang mengkelompokkan data harga saham ke dalam dua kelas, yaitu naik atau turun. Pada skripsi ini digunakan sebanyak tiga jenis label kelas yang berbeda, yaitu label kelas berdasarkan harga harian penutupan saham, label kelas yang bergantung pada rata-rata harga mingguan penutupan saham, dan label kelas yang bergantung pada rata-rata keseluruhan harga penutupan saham.

---

Investors must achieve a goal to obtain benefit from every investment they made. Stock offers an interesting amount of benefit. In Indonesia, stock has becoming one of the most popular investment tools. Even though stock offers an interesting amount of benefit, stock is also have a high risk. The reason behind this is because stock movement has fluctuating nature and affected by complicated factors. Due to this situation, investors hardly obtain an accurate prediction. If investors could oversee the stock price movement, investors could make right decision whether to buy, sell, or hold. Three different companies stock price data listed in Bursa Efek Indonesia from 2017 to 2018 used in this undergraduate thesis. Investors usually use technical indicators to predict the stock price movement. In this undergraduate thesis, seventeen technical indicators are used and processed into two different approaches. The first approach use the values of technical indicators and the scond one utilizes certain criteria owned by each technical indicator in describing stock price movement. Both approaches are then used as input data for prediction model using the Fuzzy Kernel Robust C-Means method which classifies the stock price data into two classes, i.e. up and down. Three different class labels are used in this undergraduate thesis, i.e. day stock price movement class label, weekly average stock price movement class label, and whole average stock price movement class label."

"Salah satu perkembangan dari teknologi terbaru adalah pengenalan wajah. Pengenalan wajah pada dasarnya dilakukan berdasarkan asumsi bahwa setiap individu memiliki identitas unik. Tetapi pada kenyataannya, akan ada individu yang memiliki wajah mirip dengan individu lainnya. Penelitian ini dilakukan untuk mendeteksi individu-individu yang mirip tersebut. Metode machine learning yang digunakan adalah Support Vector Machine dan Fuzzy Kernel C-Means dengan dua jenis kernel. Metode pemilihan fitur Chi-Square juga akan digunakan untuk mereduksi dimensi data sehingga waktu yang dibutuhkan lebih cepat. Data yang digunakan adalah data foto wajah yang diambil dari Look-Alike Face Database. Hasil yang diperoleh memperlihatkan bahwa kedua metode machine learning tersebut mampu untuk melakukan pengenalan wajah pada identifikasi kemiripan, dengan akurasi tertinggi yang diperoleh SVM sebesar 94 dan FKCM sebesar 74.

---

One of the latest technology developments is face recognition. Face recognition is basically done on the assumption that each individual has a unique identity. But in reality, there will be individuals who have faces similar to other individuals. This research was conducted to identify look alike faces. The machine learning methods used are Support Vector Machine and Fuzzy Kernel C Means with two types of kernel. The Chi Square feature selection method was also used to reduce the dimension of the data in order to achive lower running time. The data used are face photos taken from Look Alike Face Database. The results show that both machine learning methods were able to perform face recognition on identification of look alike faces, with the highest accuracy obtained by SVM is 94 and FKCM is 74 ."

"ABSTRAKPendeteksian topik adalah proses untuk menemukan topik atau pokok pembahasan utama dalam suatu kumpulan dokumen. Untuk data yang besar, pendeteksian topik dengan manual sulit atau bahkan tidak mungkin dilakukan. Sehingga, dibutuhkan metode otomatis yang dikenal dengan istilah Topic Detection and Tracking (TDT). Pada penelitian ini metode TDT yang digunakan untuk masalah pendeteksian topik adalah fuzzy C-means (FCM). FCM bekerja cukup baik pada dimensi data yang rendah, tetapi gagal pada dimensi data yang tinggi. Pada metode fuzzy c-means umumnya dilakukan inisialisasi random yang menyebabkan data konvergen ke satu pusat (centre of gravity) sehingga topik-topik yang dihasilkan antara satu dengan yang lainnya sama. Untuk mengatasi masalah tersebut dibutuhkan inisialisasi yang tidak random, yaitu dengan menggunakan inisialisasi berbasis singular value decomposition (SVD). Hasil akurasi dari metode ini menunjukkan adanya peningkatan lebih baik dibandingkan dengan metode FCM dengan inisialisasi random. Dengan nilai akurasi terbaik untuk FA Cup adalah 0,923, untuk US Elections adalah 0,661 dan untuk Super Tuesday adalah 0,727.

---

ABSTRACTTopic detection is the process of finding the main topic or topic in a document. For large data, manual topic detection is difficult or even impossible. Thus, it takes an automatic method known as Topic Detection and Tracking (TDT). In this research the TDT method used for topic detection problem is fuzzy C-means (FCM). FCM works reasonably well on low data dimensions, but fails on high data dimensions. In the method of fuzzy c-means is generally done random initialization that causes data convergent to one center (center of gravity) so that the topics generated from one another are equal. To solve this problem requires non-random initialization, ie by using a singular value decomposition (SVD) based initialization. The accuracy of this method shows a better improvement compared to the FCM method with random initialization. With the best accuracy value for the FA Cup is 0.923, for US Elections is 0.661 and for Super Tuesday is 0.727."

"ABSTRAKDeteksi topik adalah proses menganalisis kumpulan data tekstual untuk menentukan topik pengumpulan data tekstual. Salah satu metode pengelompokan yang dapat digunakan untuk deteksi topik adalah metode Fuzzy C-Means (FCM). Namun, penggunaan FCM sederhana untuk pendeteksian topik tentang big data kurang efektif, karena akan memakan waktu lama dan banyak memori. FCM sederhana juga memiliki masalah lain, ketika melakukan deteksi topik aktif data dimensi tinggi, FCM sederhana hanya akan menghasilkan satu topik. Dalam penelitian ini, suatu gabungan metode Single-Pass Fuzzy C-Means (SPFCM) dan Fuzzy C-Means Berbasis Eigenspace (EFCM) diusulkan, yaitu Single-Pass Eigenspace-Based Fuzzy C-Means (SPEFCM) metode untuk mengatasi masalah ini. Data yang digunakan untuk deteksi topik adalahtweet yang berasal dari aplikasi Twitter. Lalu, keakuratan topik didapat menggunakan SPEFCM dan EFCM akan dibandingkan berdasarkan nilai koherensi. Itu hasil simulasi menunjukkan bahwa nilai koherensi topik yang diperoleh menggunakan SPEFCM adalah sebanding dengan EFCM. Ini menunjukkan bahwa SPEFCM adalah metode yang tepat untuk mendeteksi topik pada data besar, tanpa mengurangi kualitas topik yang dihasilkan.

---

ABSTRACTTopic detection is the process of analyzing a textual data set to determine the topic of textual data collection. One of the grouping methods that can be used for topic detection is the Fuzzy C-Means (FCM) method. However, the use of simple FCM for the detection of topics about big data is less effective, because it will take a long time and a lot of memory. Simple FCM also has another problem, when detecting active topics of high dimensional data, simple FCM will only produce one topic. In this study, a combination of the Single-Pass Fuzzy C-Means (SPFCM) method and the Fuzzy C-Means Based on Eigenspace (EFCM) is proposed, namely the Single-Pass Eigenspace-Based Fuzzy C-Means (SPEFCM) method to overcome this problem. The data used for topic detection istweets that come from the Twitter application. Then, the accuracy of the topics obtained using SPEFCM and EFCM will be compared based on coherence values. The simulation results show that the topic coherence value obtained using SPEFCM is comparable to EFCM. This shows that SPEFCM is the right method for detecting topics in big data, without reducing the quality of the topics produced."

"ABSTRACT

Grup permutasi merupakan konsep yang penting dalam teori grup dan juga

pemodelan. Oleh karena itu, Teorema Cayley yang menyatakan bahwa sembarang

grup isomorfis dengan suatu subgrup dari suatu grup permutasi memiliki peran

yang penting dalam teori grup. Saat ini, bukti dari Teorema Cayley yang dikenal

secara umum dilakukan dengan mengonstruksi isomorfisma pada subgrup dari

suatu grup permutasi yang bersesuaian. Selain bukti dengan konstruksi, Lema

Yoneda yang terdapat dalam teori kategori dapat digunakan untuk membuktikan

Teorema Cayley. Untuk sembarang grup G dapat dibuat suatu kategori dengan satu

objek } dan himpunan morfisma hom(};}) = G serta komposisi morfisma

a  b = ba. Teorema Cayley dapat dibuktikan dengan mengaplikasikan Lema

Yoneda pada kategori ini beserta fungtor yang bersesuaian.

---

ABSTRACT

Permutation group is an important concept in group theory and modeling.

Therefore, Cayley Theorem which states that any group is isomorphic to some

subgroup of some permutation group plays an important role in group theory.

Now, the well-known proof of Cayley Theorem is done by constructing an

isomorphism to an appropriate subgroup of a permutation group. On the other

hand, Yoneda Lemma which is a part of category theory can also be used to prove

Cayley Theorem. For any group G, consider a category consisting of one object }

and a set of morphisms hom(};}) = G with composition of morphisms

a  b = ba. By applying Yoneda Lemma on this category with an appropriate

functor, Cayley Theorem can be proved."