Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Pendeteksian topik adalah suatu proses yang digunakan untuk menganalisis kata-kata pada suatu koleksi data tekstual untuk menentukan topik-topik yang ada pada koleksi tersebut. Salah satu metode standar yang digunakan untuk pendeteksian topik adalah metode clustering. Deep embedded clustering (DEC) adalah algoritma clustering dengan pendekatan deep learning yang menyatukan pembelajaran fitur dan clustering menjadi satu kerangka kerja sehingga dapat menghasilkan kinerja yang lebih baik. Namun metode DEC memiliki kelemahan, yaitu terjadinya penyimpangan ruang embedded ketika melakukan pembelajaran yang didapat ketika membuang decoder. Kelemahan tersebut diatasi dengan tidak membuang decoder, sehingga diperoleh metode yang lebih baik lagi yaitu Improved Deep Embedded Clustering (IDEC). Proses mempertahankan decoder disebut sebagai pelestarian struktur lokal. Pada penelitian ini, metode IDEC diadaptasi untuk masalah pendeteksian topik data tekstual berbahasa Indonesia. Selanjutnya kinerja metode IDEC dibandingkan dengan metode penelitian lain yang menggunakan DEC untuk masalah pendeteksian topik yaitu dengan cara membandingkan nilai dari coherence. Nilai coherence yang dihasilkan menunjukkan bahwa metode DEC lebih cocok jika dibandingkan dengan metode IDEC untuk permasalahan pendeteksian topik. Hal tersebut terjadi karena bagian decoder pada metode IDEC diperbarui sehingga parameter decoder sudah tidak sesuai untuk mengembalikan data ke dimensi semula. Sedangkan pada metode DEC bagian decoder dibuang sehingga parameter tidak diperbarui.

---

Topic detection is a process that is used to analyze words in a textual data collection to determine the topics within that collection. One of this standard topic detection method is clustering method. Deep embedded clustering (DEC) is a clustering algorithm with a deep learning approach that combines feature learning and clustering into one framework to obtain a better performance. However, DEC method has a weakness namely the distortion of embedded space that is caused by removing the decoder during the learning process. This weakness can be overcome by preserving the decoder, hence a better method is acquired, namely Improved Deep Embedded Clustering (IDEC). The process of preserving the decoder is called local structure preservation. In this research we adapt IDEC method for topic detection problem in Indonesian textual dataset. Furthermore, we compare the performance of IDEC method and other research using DEC by comparing the coherence value. The acquired coherence value shows that DEC method is more suitable compared to IDEC method for topic detection problems. This happens because of the decoder part in IDEC method is updated, so that the decoder parameters are no longer suitable to return the data into the original dimension. While in the DEC method the decoder was removed, therefore the parameters are not updated.

"

"Pengurangan jumlah penderita tumor otak yang meninggal dapat dicegah dengan salah satunya melakukan diagnosis sedini mungkin. Penanganan dalam mendiagnosis lokasi dari tumor tersebut dapat dilakukan secara non-intrusive tanpa memasukkan alat dan non-invasive tanpa merusak yang merupakan syarat untuk mencitrakan objek di dalam tubuh pada bidang kedokteran. Pencitraan gelombang mikro dapat diaplikasikan pada tomografi gelombang mikro. Untuk mencitrakan seluruh jaringan otak mampu didapatkan dengan menggunakan forward problem saja sehingga letak objek yang diinginkan tumor dapat dideteksi juga. Forward problem dapat dicapai dengan menggunakan sistem akuisisi data dengan metode rotasi dan pseudo-rotasi. Pada penelitian skripsi ini akan dirancang sebuah perancangan sistem untuk aplikasi pencitraan gelombang mikro menggunakan algoritma Algebraic Reconstruction Technique ART dengan menggunakan metode rotasi dan pseudo-rotasi. Sistem akuisisi data ini memanfaatkan dipole antenna berfrekuensi 3 GHz dan phantom berbentuk lingkaran sebagai objek. Perangkat keras yang digunakan dalam pengimplementasian sistem akuisisi data yang digunakan adalah menggunakan Signal Hound dan Switching Relay. Sistem antena yang telah dibuat dengan hasil fabrikasi memiliki nilai S11 lebih baik dibandingkan dengan hasil simulasi. Rekonstruksi citra hasil simulasi memberikan hasil yang lebih baik dibandingkan dengan hasil pengukuran, namun hasil pengukuran memberikan hasil yang lebih baik ketika piksel citra ditambahkan dari matriks 15 x 15 menjadi matriks 60 x 60.

---

Reducing the number of brain tumors that die can be prevented by one of them make a diagnosis as early as possible. Handling in diagnosing the location of the tumor can be done non intrusively non invasive and non invasive non destructive which is a requirement for imaging of objects in the body in medicine. Microwave imaging can be applied to microwave tomography. To imaging the entire issues brain can be obtained by using the forward problem only so that the location of the desired object tumor can be detected as well. Forward problem can be achieved by using data acquisition system with rotation and pseudo rotation method.

In this thesis research will be designed a design system for the application of microwave imaging using Algebraic Reconstruction Technique ART algorithm using rotation and pseudo rotation method. The data acquisition system utilizes a 3 GHz dipole antenna and a cylindrical phantom as an object. The hardware used in implementing data acquisition system used is using Signal Hound and Switching Relay.

The antenna system that has been made with the fabrication result has a S11 value better than the simulation result. The simulated image reconstruction gives better results than the measurement results, but the measurement results gives better results when the pixel image is added from the 15 x 15 matrix to the 60 x 60 matrix."

"ABSTRAKLapangan WR yang merupakan area target penelitian berada pada cekungan Bonaparte, dengan target reservoar batupasir berumur jurassic dan fluida yang tersaturasi berupa gas. Karakter reservoar dari data sumur mengindikasikan lingkungan pengendapan daerah Estuarine, dengan tipe batupasir yang blocky dengan sedikit sisipan serpih. Terdapat data seismik 3D prestack dan tiga data sumur yang memiliki kecepatan gelombang-P Vp dan gelombang-S Vs . Dalam perkembangannya terdapat tiga metode dengan memanfaatkan Vp dan Vs yaitu Extended Elastic Impedance EEI 2002 , Poisson Impedance PI 2006 , dan Curved Pseudo Elastic Impedance CPEI 2014 . Ketiga metode tersebut diaplikasikan pada data seismik dan sumur untuk melihat perbandingannya dalam mengkarakterisasi reservoar pada lapangan WR berupa persebaran litologi dan fluida secara lateral maupun vertikal. Hasil yang didapat dari ketiga metode tersebut berkorelasi baik dengan litologi pada nilai sudut chi ? untuk EEI 30 , PI 59 , dan CPEI -69 , sedangkan dengan fluida didapatkan nilai chi ? yang berkorelasi dengan EEI 20 , PI 51 , dan CPEI -60 . Korelasi tertinggi terhadap target log litologi yaitu log GR dan fluida berupa log SW dari ketiga metode tersebut adalah metode CPEI dengan korelasi 0.881 untuk log GR dan 0.604 untuk log SW. Secara vertikal dari ketiga metode tersebut menunjukkan karakter reservoar yang cukup baik dengan tingkat saturasi gas yang cukup tinggi. Hasil persebaran lateral dari ketiga metode tersebut menunjukkan karakter lingkungan pengendapan pada reservoir target berada pada lingkungan estuarine, dengan arah dari sumber supplay sedimen berarah tenggara, dan hasil ini cocok dengan konsep geologi regional pada lapangan tersebut.

---

ABSTRACTThe WR field, which is the target area of the study, is in the bonaparte basin, with the target of jurassic sandstone reservoirs with saturated gas fluid. The reservoir character of the well data indicates the deposition environment of the estuarine region, with blocky sandy type with slight shale inserts. There are prestack 3D seismic data and three well data that have P wave velocity Vp and S wave Vs . In its development there are three methods by utilizing Vp and Vs namely Extended Elastic Impedance EEI 2002 , Poisson Impedance PI 2006 , and Curved Pseudo Elastic Impedance CPEI 2014 . All three methods are applied to seismic and well data to see the comparison in characterizing reservoir on WR field in the form of lateral and vertical lithology and fluid spread. The results obtained from these three methods correlate well with lithology at the angle value of chi for EEI 300 , PI 590 , and CPEI 690 , whereas with fluid obtained chi values correlated with EEI 200 , PI 510 , and CPEI 600 . The highest correlation to the log lithology targets ie log GR and the SW log flu of the three methods is the CPEI method with the correlation of 0.881 for the GR log and 0.604 for the SW log. The vertical of the three methods shows a good reservoir character with high saturation rate of gas. The result of the lateral distribution of the three methods shows the character of the deposition environment in the target reservoir located in the estuarine environment, with the direction from the source of the southeast centered sedimentary sediment, and the result matches the regional geological concept in the field. "

"Teknologi digital yang berkembang sekarang menyebabkan adanya data berbentuk digital, rermasuk data citra diam (image). Tetapi keterbatasan teknologi media penyimpanan digital dan kecepatan saluran transmisi menyebabkan diperlukannya teknologi untuk kompresi gambar yang handaL Salah satu tekoologi kompresi citra diam yang dapat diandalkan adalah Embedded Block Coding with Optimized Truncarion(EBCOT). Teknologi EBCOT melaknkan kompresi dengan mengganti parameter dari nilai-nilai koefisien citra dengan parameter pengganti yang lebih kecil uknrannya. Proses ini yang disebut dengan truncal ion. Dipakainya basis transformasi wavelet diharapkan dapat menutupi kekurangan yang terdapat pada EBCOT dalam memampatkan citra heterogen. Sedangkan penggunaan Arithmetic Coding setelah proses EBCOT akan membantu besamya rasio kompresi citta tanpa menghilangkan nilai kualitas dari citra yang dimampatkan. Untuk melihat keandalan kompresi EBCOT maka dilakukan perhitungan parameter pada kompresi citra diam. Dari basil perhitungan dapat diketabui bahwa step size kuantisasi untuk EBCOT akan barpengaruh terhadap basil perhitungan. Semakin besar faktor kuantisasi maka semakin basar rasio kompresi dan semakin kecil PSNR(Peak Signal to Noise Ratio)."

"Demand for on-site and alternative power generation is growing, fuelled by government and public pressure to increase generation from renewable sources and energy efficient plant, and by the potential economic benefits resulting from privatisation and deregulation of the supply sector. This book is a practical, course-derived guide that covers all aspects of embedded (or dispersed) generation, from prime mover characteristics to network reliability modelling. Topics include power quality, protection, reliability and economics. It is essential reading for practising engineers planning, designing or specifying embedded generation solutions."

"Tugas akhir ini bertujuan menjelaskan prosedur penaksiran parameter model survival bivariat yang dibangun melalui copula dengan menggunakan metode Pseudo likelihood. Pada tugas akhir ini diberikan suatu contoh penggunaan copula dalam memodelkan data pasangan survival time yang tersensor kanan. Fungsi survival bivariat dari pasangan-pasangan survival time yang tersensor kanan ini dibentuk dengan menggunakan copula yang berasal dari famili copula Clayton. Pada model survival bivariat yang berbasis copula, diperoleh parameter yang merupakan parameter dependensi. "

"Coronavirus Disease 2019 (COVID-19) pertama kali diidentifikasi di Wuhan, Thiongkok pada akhir Desember 2019. COVID-19 disebabkan oleh coronavirus baru yaitu The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Sejak 11 Maret 2020, WHO secara resmi menyatakan pandemi COVID-19. COVID-19 ini menginfeksi saluran pernapasan manusia yaitu sel epitel alveolus paru-paru yang menyebabkan pneumonia. Dengan bantuan metode dari Deep learning yaitu Convolutional Neural Network (CNN) dapat digunakan dalam mendeteksi kasus COVID-19 melalui tanda-tanda pneumonia pada data citra Chest X-ray. Deteksi dini kasus COVID-19 sangat diperlukan sebagai langkah meminimalkan penularan dan mengurangi resiko kematian pasien. Oleh karena itu, penelitian ini membangun metode CNN transfer learning model DenseNet121, MobileNet dan ResNet50 dengan pendekatan pseudo-colouring (RGB) dalam mengklasifikasi kasus COVID-19 ke dalam tiga kelas yaitu: COVID-19 pneumonia, sehat dan viral pneumonia. Pendekatan pseudo-colouring (RGB) dilakukan pada tahap praproses dengan memanipulasi warna pada data citra Chest X-ray sebagai sarana untuk membantu meningkatkan hasil akurasi, presisi dan sensitivitas. Hasil evaluasi pada terbaik terdapat pada model DenseNet121 menunjukkan peningkatan akurasi total 99%, presisi total 99% dan sensitivitas total 99%. Pada model MobileNet menunjukkan peningkatan pada akurasi total 97%, presisi total 97% dan sensitivitas total 95% dan pada model ResNet50 menunjukkan peningkatan pada akurasi total 97%, presisi total 98% dan sensitivitas total 94%.

---

Coronavirus Disease 2019 (COVID-19) was first identified in Wuhan, China at the end of December 2019. COVID-19 is caused by a new coronavirus, namely The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Since March 11, 2020, WHO has officially declared a COVID-19 pandemic. This COVID-19 infects the human respiratory tract, namely the alveolar epithelial cells of the lungs which causes pneumonia. With the help of methods from Deep learning, the Convolutional Neural Network (CNN) can be used to detect cases of COVID-19 through signs of pneumonia in Chest X-ray image data. Early detection of COVID-19 cases is important to minimize transmission and reduce the risk of patient death. Therefore, this study builds the CNN transfer learning model DenseNet121, MobileNet and ResNet50 with a pseudo-coloring (RGB) approach in classifying COVID-19 cases into three classes, namely: COVID-19 pneumonia, healthy and viral pneumonia. The pseudo-coloring (RGB) approach at the preprocessing stage by manipulating the colors in the Chest X-ray image data as a means to help improve accuracy, precision and sensitivity results. The evaluation results on the DenseNet121 model showed an increase in total accuracy of 99%, total precision of 99% and total sensitivity of 99%. The MobileNet model showed an increase in total accuracy of 97% , total precision of 97% and total sensitivity of 95% and the ResNet50 model showed an increase in total accuracy of 97%, total precision of 98% and total sensitivity of 94%."