Hasil Pencarian  ::  Simpan CSV :: Kembali

"Makalah ini mcmbahas tentang pengelompokan data melalui metoda K-Muans Clustering. Hasil penjgelompokan metoda tersebut digunakan untuk memetakan data rataan nilai UMPTN IPA per kabupaien/kodya di seluruh Indonesia, dengan menggunakan Arc-View GIS versi 3.1. Dari hasil pemetaan tersebut diharapkan data yang merupakan rataan nilai UMPTN IPAtlersebut akan Iebih mudah dan menarik untuk dibaca. Terutama bagi pengambil kebijakan dalam dunia pendidikan. Dengan melihai hasil pemetaan tersebut diharapkan mereka bisa meningkatkan kualilas pendidikan atau melakukan perbaikan-perbaikan dalam dunia pcndidikan di Indonesia secara global, sesuai dengan kualitas pcndidikannya"

"Pertumbuhan pemanfaatan internet telah meningkatkan perhatian terhadap keamanan data. Pada tahun 2014, Projek SHINE (SHodan Intelligence Extraction) telah menerbitkan laporan penilaian keamanan skala besar untuk perangkat yang terhubung ke Internet. Namun, berdasarkan laporan tersebut, jumlah informasi mengenai IP address Indonesia yang berhasil didapatkan masih sedikit. Terdapat sebanyak 7.182 IP address dari Indonesia, yaitu sekitar 0,0032% dari total 2.186.971 IP address yang berhasil dikumpulkan oleh Projek SHINE. Dalam penulisan tesis ini, penulis mengajukan inisiatif untuk melakukan analisis kerentanan semua informasi Autonomous System Number (AS Number) di Indonesia dari Shodan. Penulis telah menyusun dataset semua informasi AS Number di Indonesia antara lain 12.787 port, 79 sistem operasi, 409 produk, 3.634 domain, 145.543 IP address, dan 790 organisasi. Penulis menggunakan algoritma K-Means clustering untuk mengelompokkan AS Number ke dalam beberapa kelas sesuai dengan tingkat paparan di shodan. Berdasarkan hasil pengelompokan, penulis mendapatkan 4 kelas AS Number antara lain 1.075 AS Number di kelas: 0 (belum terdapat informasi mengenai AS Number tersebut di Shodan), 614 AS Number di kelas: 1 (tingkat paparan rendah), 9 AS Number di kelas: 2 (tingkat paparan sedang), dan 1 AS Number di kelas: 3 (tingkat paparan tinggi). Informasi ini dapat dimanfaatkan oleh Kementerian yang menangani bidang Teknologi Informasi dan Komunikasi dan Badan yang menangani Keamanan Siber di Indonesia untuk menghimbau organisasi pengelola AS Number agar mewaspadai potensi kerentanan yang dinformasikan oleh Shodan dan dimanfaatkan oleh hacker.

---

The growth of internet-enabled devices has increased interest in cybersecurity. In 2014, Project SHINE (SHodan INtelligence Extraction) published a report of large-scale security assessments for devices connected to the Internet. However, the number of IP addresses harvested from Indonesia in 2014 is very small. There were 7.182 IP address from Indonesia. It was about 0,0032% from the total 2.186.971 IP addresses. In this paper, we propose an initiative to gather all information for all Autonomous System Number (AS Number) from Indonesia in Shodan. We have gathered a dataset about all information of AS Numbers in Indonesia such as 12.787 unique ports, 79 unique operating systems, 409 unique products, 3.634 unique domains, 145.543 unique IP addresses, and 790 unique organizations. We use the K-Means algorithm to cluster all AS Numbers into several classes according to the exposure level in shodan. Based on the result, we have 4 classes of AS Numbers. There are 1.075 AS Numbers in class:0 (no information in Shodan yet), 614 AS Numbers in class:1 (exposure level = low), 9 AS Numbers in class:2 (exposure level = medium), and 1 AS Number in class:3 (exposure level = high). This information can be used to warn the organizations that manage AS Numbers in Indonesia to be aware of the security and the threats to their systems."

"[ABSTRAKBerdasarkan data WHO tahun 2014, diperkirakan sekitar 15 juta orang di duniayang terinfeksi hepatitis B (HBsAg+) juga terinfeksi hepatitis D. Infeksi hepatitisD dapat terjadi bersamaan (koinfeksi) atau setelah seseorang terkena hepatitis Bkronis (superinfeksi). Penyakit hepatitis B disebabkan oleh virus HBV danpenyakit hepatitis D disebabkan oleh virus HDV. HDV tidak dapat hidup tanpaHBV. Hepatitis D erat hubungannya dengan infeksi virus HBV, sehingga sangatrealistis bila setiap usaha pencegahan terhadap hepatitis B, maka secara tidaklangsung mencegah hepatitis D. Pada tesis ini akan dibahas bagaimana hasilpengelompokan barisan DNA HBV menggunakan algoritma k-means clusteringdengan menggunakan perangkat lunak R. Dimulai dengan mengumpulkan barisanDNA HBV yang diambil dari GenBank, kemudian dilakukan ekstraksi cirimenggunakan n-mers frequency, dan hasil ekstraksi ciri barisan DNA tersebutdikumpulkan dalam sebuah matriks dan dilakukan normalisasi menggunakannormalisasi min-max dengan interval [0, 1] yang akan digunakan sebagai datamasukan. Jumlah cluster yang dipilih dalam penelitian ini adalah dua danpenentuan centroid awal dilakukan secara acak. Pada setiap iterasi dihitung jarakmasing-masing objek ke masing-masing centroid dengan menggunakan Euclideandistance dan dipilih jarak terpendek untuk menentukan keanggotaan objek disuatu cluster sampai akhirnya terbentuk dua cluster yang konvergen. Hasil yangdiperoleh adalah virus HBV yang berada pada cluster pertama lebih ganasdibanding virus HBV yang berada pada cluster kedua, sehingga virus HBV padacluster pertama berpotensi berevolusi dengan virus HDV menjadi penyebabpenyakit hepatitis D.

---

ABSTRACTBased on WHO data, an estimated of 15 millions people worldwide who areinfected by hepatitis B (HBsAg+) are also infected by hepatitis D. Hepatitis Dinfection can occur simultaneously with hepatitis B (co infection) or after a personis exposed to chronic hepatitis B (super infection). Hepatitis B is caused by theHBV virus and hepatitis D is caused by HDV virus. HDV can not live withoutHBV. Hepatitis D virus is closely related to HBV infection, hence it is reallyrealistic that every effort of prevention against hepatitis B can indirectly preventhepatitis D. This thesis discussed the clustering of HBV DNA sequences by usingk-means clustering algorithm and R programming. Clustering processes is startedwith collecting HBV DNA sequences that are taken from GenBank, thenperforming extraction HBV DNA sequences using n-mers frequency andfurthermore the extraction results are collected as a matrix and normalized usingthe min-max normalization with interval [0, 1] which will later be used as an inputdata. The number of clusters is two and the initial centroid selected of cluster ischoosed randomly. In each iteration, the distance of every object to each centroidare calculated using the Euclidean distance and the minimum distance are selectedto determine the membership in a cluster until two convergent clusters are created.As the result, the HBV viruses in the first cluster is more virulent than the HBVviruses in the second cluster, so the HBV viruses in the first cluster can potentiallyevolve with HDV viruses that cause hepatitis D., Based on WHO data, an estimated of 15 millions people worldwide who areinfected by hepatitis B (HBsAg+) are also infected by hepatitis D. Hepatitis Dinfection can occur simultaneously with hepatitis B (co infection) or after a personis exposed to chronic hepatitis B (super infection). Hepatitis B is caused by theHBV virus and hepatitis D is caused by HDV virus. HDV can not live withoutHBV. Hepatitis D virus is closely related to HBV infection, hence it is reallyrealistic that every effort of prevention against hepatitis B can indirectly preventhepatitis D. This thesis discussed the clustering of HBV DNA sequences by usingk-means clustering algorithm and R programming. Clustering processes is startedwith collecting HBV DNA sequences that are taken from GenBank, thenperforming extraction HBV DNA sequences using n-mers frequency andfurthermore the extraction results are collected as a matrix and normalized usingthe min-max normalization with interval [0, 1] which will later be used as an inputdata. The number of clusters is two and the initial centroid selected of cluster ischoosed randomly. In each iteration, the distance of every object to each centroidare calculated using the Euclidean distance and the minimum distance are selectedto determine the membership in a cluster until two convergent clusters are created.As the result, the HBV viruses in the first cluster is more virulent than the HBVviruses in the second cluster, so the HBV viruses in the first cluster can potentiallyevolve with HDV viruses that cause hepatitis D.]"

"Indonesia masih mengalami bonus demografi pada tahun 2020 dan diprediksi masih berlangsung pada 2038 hingga 2041. Untuk itu perlu dilakukan peningkatan kualitas sumber daya manusia Indonesia, di antaranya melalui pendidikan tinggi di luar negeri. Komponen biaya pendidikan kuliah di luar negeri penting untuk diperhatikan terutama bagi pihak-pihak yang akan memberikan bantuan biaya pendidikan pada mahasiswa yang terpilih. Penelitian ini membahas pengelompokan universitas berdasarkan empat komponen biaya pendidikan program Magister (S2) di kampus luar negeri dengan metode K-Means, serta pemetaan hasil kelompok dan peringkat universitas dengan metode Biplot. Objek penelitian ini adalah universitas di luar negeri berdasarkan QS World University Rankings (WUR) 2020. Berdasarkan hasil penelitian yang didapatkan terdapat tiga kelompok dengan nilai Silhouette sebesar 0.39. Hasil pengelompokan terdiri dari kelompok A (merah) sebanyak 302 universitas, kelompok B (oranye) sebanyak 110 universitas, dan kelompok C (hijau) sebanyak 478 universitas. Hasil pemetaan tiga kelompok dan peringkat universitas dengan menggunakan metode Biplot mampu menerangkan keragaman data sebesar 65.2 persen. Kelompok A (merah) cenderung memiliki kedekatan dengan variabel Visa, SPP, dan Biaya Hidup. Kelompok B (oranye) cenderung berdekatan dengan variabel Transportasi dan QS WUR 2020. Kelompok C (hijau) cenderung memiliki jarak yang jauh dengan empat variabel komponen biaya pendidikan dan QS WUR 2020.

---

Indonesia is still experiencing a demographic bonus in 2020 and is predicted to continue in 2038 to 2041. For this reason, it is necessary to improve the quality of Indonesia's human resources, including through higher education abroad. The cost of studying abroad is essential to pay attention to, especially for those who will provide tuition assistance for selected students. This study discusses the clustering of universities based on the four components of the cost of education for Masters (S2) programs at overseas campuses using the K-Means method and mapping group results and university rankings using the Biplot method. The object of this research is universities abroad based on the QS World University Rankings (WUR) 2020. Based on the research results, there are three clusters with Silhouette value are 0.39. The clustering result consisted of cluster A (red) with 302 universities, cluster B (orange) with 110 universities, and cluster C (green) with 478 universities. The results of mapping the three clusters and university rankings using the Biplot method were able to explain the diversity of the data by 65.2 percent. The cluster A (red) tends to have closeness to the Visa, Tuition Fee, and Cost of Living variables. The cluster B (orange) tends to be close to the Transportation variable and QS WUR 2020. The cluster C (green) tends to have a long-distance with the four component variable costs of education and QS WUR 2020."

"Penerapan algoritma partisi k-means dalam metode HOPACH clustering dalam penelitian ini dilakukan untuk mengelompokkan barisan DNA virus ebola. Proses dimulai dengan mengumpulkan barisan DNA virus ebola yang diambil dari GenBank, kemudian dilakukan ekstraksi ciri menggunakan n-mers frequency. Hasil ekstraksi ciri barisan DNA tersebut dikumpulkan dalam sebuah matriks dan dilakukan normalisasi menggunakan normalisasi min-max dengan interval [0, 1] yang akan digunakan sebagai data masukan. Hasil pengelompokan barisan DNA virus ebola pada penelitian ini diperoleh 8 kelompok dengan nilai MSS (Mean Split Silhouette) minimum 0,50266. Proses clustering pada penelitian ini menggunakan program open source R.

---

The implementation of k-means partitioning algorithm in HOPACH clustering method in this thesis is used to clustering DNA sequences of ebola viruses. The clustering process is started with collecting DNA sequences of ebola viruses that are taken from GenBank, then performing the extraction of DNA sequences using n-mers frequency. The extraction results are collected as a matrix and normalized using the min-max normalization with interval [0, 1] which will be used as an input data. As the results, we obtained 8 clusters with minimum MSS (Mean Split Silhouette) 0,50266. The clustering process in this thesis is using the open source program R."

"This book addresses these challenges and makes novel contributions in establishing theoretical frameworks for K-means distances and K-means based consensus clustering, identifying the "dangerous" uniform effect and zero-value dilemma of K-means, adapting right measures for cluster validity, and integrating K-means with SVMs for rare class analysis. This book not only enriches the clustering and optimization theories, but also provides good guidance for the practical use of K-means, especially for important tasks such as network intrusion detection and credit fraud prediction. The thesis on which this book is based has won the "2010 National Excellent Doctoral Dissertation Award", the highest honor for not more than 100 PhD theses per year in China."

"Segmentasi dalam dunia medis sudah menjadi suatu hal yang penting untuk menentukan diagnosa awal dari suatu penyakit, misalnya timbulnya tumor pada organ-organ tubuh yang berukuran kecil dan sulit teramati oleh mata telanjang. Namun, jika segmentasi dilakukan secara manual dan tradisional akan membutuhkan waktu yang banyak serta menyebabkan hasil yang tidak konsisten. Oleh karena itu, dibutuhkannya segmentasi secara otomatis yang dapat membantu dokter tidak hanya dalam mengetahui keberadaan tumor, melainkan juga dapat mengkuantifikasi ukuran tumor. Dalam penelitian ini, segmentasi otomatis dengan machine learning diterapkan menggunakan metode clustering K-Means pada fantom ekuivalen hati berbentuk silinder. Fantom ekuivalen terbuat dari material tepung beras dan lilin, yang kemudian diinjeksikan dengan radioaktivitas 18F-FDG sebesar 1,89 µCi/mL. Pengolahan citra fantom dilakukan dengan pesawat PET/CT Siemens Biograph menggunakan metode rekonstruksi Iterative 3D dan True-X serta 2 filter (Gaussian dan Butterworth). Akurasi deteksi algoritma K-Means menunjukkan bahwa dapat optimal pada tiga tipe pemindaian dengan terdeteksinya seluruh objek pada citra fantom. Namun, hal tersebut terkecualikan pada filter Gaussian dengan metode rekonstruksi Iterative 3D karena algoritma K-Means tidak dapat mendeteksi objek terkecil (4 mm) pada kedua wilayah fantom. Indikasi tidak terdeteksinya objek terkecil, dapat disebabkan oleh kinerja algoritma yang mengelompokkan objek dengan nilai piksel yang sama. Untuk hasil kuantifikasi diameter dengan algoritma K-Means (Dp) menunjukkan bahwa, hasil ukuran diameter lebih besar ±1-3 mm dibandingkan diameter fisis fantom (Dt) pada ketiga pemindaian. Namun, hal tersebut tidak berlaku pada pemindaian filter Gaussian dengan metode rekonstruksi Iterative 3D, yang memiliki kuantifikasi lebih kecil dibandingkan . Berdasarkan hasill kuantifikasi pada keempat pemindaian, ditunjukkan bahwa algoritma K-Means optimal pada filter Butterworth dengan metode rekonstruksi True-X dengan rata-rata RD untuk seluruh objek kurang dari 10%. Sehingga, untuk memvalidasi hal tersebut metode pengukuran K-Means dibandingkan dengan metode pengukuran FWHM dan FWTM dengan merata-ratakan kuantifikasi untuk setiap objek dari semua irisan. Tervalidasi bahwa algoritma K-Means memiliki performa yang optimal, dengan anilai RD yang dihasilkan hampir mendekati 0%.

---

Segmentation in medical, has become an important thing to determine the initial diagnosis of a desease, for example the emergence of tumors in organs that are small and difficult to observe manually. However, if the segmentation in medical is done manually and traditionally it will take a lot of time and cause inconsistant results. Therefore, automatic segmentation is needed which can help doctors not only by knowing the presence of tumors, but also in quantifying tumor size. In this study, automatic segmentation with machine learning was applied using the K-Means clustering algorithm method on the cylindrical liver equivalent phantom. The equivalent phantom was made from rice flour and wax, and the euqivalent phantom was injected with 18F-FDG with radioactivity 1,89 µCi/mL. The image processing was carried put using a PET/CT Siemens Biograph with Iterative 3D and True-X as reconstuction methods and 2 filters (Gaussian and Butterworth). The detection accuracy of the K-Means algorithm shows that it can be optimal in three types of scanning by detecting all objects in the phantom image. However, this is ecluded in the Gaussian filter with Iterative 3D reconstruction method, because the K-Means algorthm cannot detect the smallest object (4 mm) in both phantom regions. Indications for that phenomenon, could be caused by the performance of the algorithm that grouping the cluster with the same pixel value. For diameter quantifications of from K-Means algorithm shows that the diameter ±1-3 mm larger than the pyhsical fantom diameter (Dt). Based on the result of Dp quantification on the for type of scans, it it shown that the optimal K-Means algorithm on the Butterworth filter with the True-X reconstruction method with an average RD for all objects in phantom is less than 10%. So, to validate this result, the K-Means measurement method is compared with the FWHM and FWTM measurements methods by averaging the quantification for each object from all slices. It is validated that, the K-Means algorthm has optimal performance by reffering to the FWTM measurement where RD value is close to 0%."

"Tugas kelancaran semantik merupakan salah satu tes neuropsikologis yang sedang dikembangkan di Indonesia. Sampai saat ini, belum ada penelitian di Indonesia yang dilakukan untuk menginvestigasi strategi kognitif yang dilakukan partisipan saat mengeluarkan performanya pada tugas kelancaran semantik, yaitu clustering dan switching. Sejumlah studi di beberapa negara menemukan bahwa terdapat perbedaan antara laki-laki dan perempuan dalam melakukan clustering dan switching pada tugas kelancaran semantik. Sementara itu, studi lain menemukan perbedaan clustering dan switching pada partisipan di tingkat pendidikan berbeda. Penelitian ini bertujuan untuk mengetahui apakah terdapat pengaruh jenis kelamin dan tingkat pendidikan terhadap clustering dan switching tersebut. Peneliti melakukan analisis clustering dan switching dari tugas kelancaran semantik terhadap 157 partisipan sehat yang berasal dari jenis kelamin dan tingkat pendidikan berbeda. Hasil penelitian menunjukkan bahwa tingkat pendidikan merupakan satu-satunya variabel yang mempengaruhi clustering dan switching pada tugas kelancaran semantik. Sementara itu, tidak ditemukan adanya pengaruh jenis kelamin maupun pengaruh interaksi antara jenis kelamin dan tingkat pendidikan terhadap clustering dan switching. Maka dari itu, peneliti menyimpulkan bahwa pendidikan adalah salah satu faktor yang dapat berpengaruh terhadap kemampuan kognitif, khususnya yang terlibat dalam clustering dan switching tersebut.

---

Semantic fluency task is one of the neuropsychological assessment that is being developed in Indonesia. To date, there was no previous research in Indonesia that had been conducted to investigate the clustering and switching strategies on semantic fluency task. A number of studies in some countries showed that there was a difference between men and women on clustering and switching in semantic fluency task. Meanwhile, another studies revealed that there were clustering and switching differences between participants from different level of educational background. The purpose of this study was to evaluate whether there was an effect of sex and level of education on clustering and switching. One hundred and fifty seven male and female participants who come from different educational level were analyzed on clustering and switching in semantic fluency task. The results suggested that educational level was the only factor which influenced clustering and switching scores. Besides, there was no effect on sex or interaction between sex and level of education on that scores. Therefore, it can be concluded that education is one of the factor influencing cognitive ability, especially in clustering and switching."

"Penelitian ini bertujuan untuk menyelidiki faktor-faktor penentu kebijakan dividen perusahaan-perusahaan Indonesia, dengan menggunakan sampel 17 perusahaan non-keuangan Indonesia yang terdaftar yang terus menerus membayar dividen selama periode 2014 hingga 2018. Penelitian ini mengacu pada beberapa teori yang dapat membantu pembaca untuk lebih baik dalam membaca. memahamikonsep dividen dan kebijakan dividen, yaitu: hipotesis pensinyalan, hipotesis aruskas bebas, hipotesis siklus hidup, dan hipotesis struktur modal. Untuk menguji hipotesis tersebut, penelitian ini menggunakan analisis data panel. Variabel yangdapat menjelaskan keputusan dividen perusahaan yang digunakan dalam penelitian ini dipilih berdasarkan teori, penelitian empiris yang tersedia, dan ditentukan oleh ketersediaan data. Penelitian ini menggunakan dividend payout ratio dan dividendyield untuk mewakili kebijakan dividen. Temuan menunjukkan bahwa arus kas bebas, likuiditas, dan peluang investasi adalah penentu utama rasio pembayarandividen untuk perusahaan Indonesia. Selain itu, hasilnya juga menunjukkan bahwa tangibilitas aset dan ukuran perusahaan adalah penentu utama hasil dividen. Secara umum, hasilnya ternyata menunjukkan sedikit dukungan untuk hipotesispensinyalan dan hipotesis struktur modal tetapi menunjukkan dukungan yang cukup besar untuk hipotesis arus kas bebas dan hipotesis siklus hidup. Penelitian inidiharapkan memiliki implikasi mendalam bagi studi kebijakan dividen di masa depan di Indonesia dan suatu hari nanti dapat membantu perusahaan dan pihakberwenang dalam membuat keputusan yang efektif tentang kebijakan dividen untuk perusahaan Indonesia, serta investor dalam menentukan strategi investasi mereka.

---

This study aims to investigate the determinants of the dividend policy of Indonesian companies, using a sample of 17 listed non-financial Indonesian

companies that continuously paid dividends during the period of 2014 to 2018. This study refers to several theories that can help readers to better comprehend the

concept of dividends and dividend policy, namely: signaling hypothesis, free cash flow hypothesis, life cycle hypothesis, and capital structure hypothesis. In order to test those hypotheses, this study applies the panel data analysis. The variables that

may explain company's dividend decision that were used in this study are selected based on the theory, available empirical researches, and determined by data

availability. This study uses dividend payout ratio and dividend yield to represent the dividend policy. The findings suggest that free cash flow, liquidity, and

investment opportunity are the major determinants of dividend payout ratio for Indonesia companies. Furthermore, the results also suggest that asset tangibility and size are major determinants of dividend yield. In general, the results apparently

show little support for signaling hypothesis and capital structure hypothesis but show considerable support for free cash flow hypothesis and life cycle hypothesis. This research is expected to have profound implications for future studies of

dividend policy in Indonesia and might one day be able to help companies and authorities in making effective decisions about dividend policy for Indonesian

companies, as well as investors in determining their investment strategies."