Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pengamanan suara memiliki batasan pada pengacakan informasi yang sembarang pada frequensi domain. Untuk menyelesaikan permasalahan tersebut dikembangkan metode mengunakan Number teoretic transform menggunakan modulus prima. Untuk mendapatkan kualitas kecepatan dan effisiensi memori yang digunakan, bilangan prima yang digunakan adalah Mersen prime. Disisi lain, modifikasi pengamanan pengacakan dengan Multi logistic map dikembangankan dengan beberapa operasi yang diturunkan terhadap field yang digunakan pada penelitian ini. Pengamanan Multi logistic map memungkinkan memperbaiki pembangkit dengan sebuah Logistic map yang akan menghasilkan cycle pada periode tertentu jika gunakan pada domain diskrit.

---

Encryption in digital sound has limitation with a random value in frequency domain. To solve it, the study will use Number Theoretic Transform over prime modulation. To be the speed up and efficiency maker, in study will using Mersen Prime in the Number Theoretic Transform and other else. Besides that, modifying the encryption from a Logistic Map into Multi Logistic Map will improve the Logistic Map's weakness in security."

"Pengkompresian suara pada kecepatan bit 2,4 kbps dan 7,8 kbps diharapkan mampu diterapkan pada aplikasi di dunia telekomunikasi seperti komunikasi tak bergerak dan komunikasi bergerak yang memiliki keterbatasan bandwidth (band limited). Dengan menggunakan kecepatan bit sebesar 2,4 kbps atau 7,8 kbps ini juga diharapkan marnpu untuk meningkatkan eflisiensi penggunaan bandwidth dari media transmisi yang digunakan. Pada skripsi ini dibabas perbandingan unjuk kerja antara metode pengkompresian suara 2,4 kbps dan 7.8 kbps menggunakan metode Linear Prediction Coding {LPC) ditinjau dari segi SNRR (Signal to Noise Reconstruction Ratio) dan tingkat kualitas suara yang dihasilkan berdasarkan data yang diparoleh dari 30 orang responden dengan menggunakan parangkat keras ADSP-2181 yang merupakan prosessor DSP buatan Analog Device. Hasil dari uji coba ini menunjukkan bahwa kompresi suara dengan kecepatan 7.8 kbps memiliki unjuk kerja yang lebih baik dibandingkan kecepatan 2.4 kbps."

"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."

"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."

"ABSTRAK Dibahas pembentukan algoritma paralel perhitungan perkalian matriks padakomputer SIMD dengan model jaringan keterhubungan elemen prosesor berbentuk pohon,mesh dimensi 2 dan hiperkubus. Masing-maaing model tersebut terdiri dan 0(n), O(n-)dan 0(!p) elemen prosesor. Kompleksitas waktu dan algoritma paraiel perhitunganperkalian matriks adalah 0(n- + log2n) pada model keterhubungan pohon, 0(n) padamodel keterhubungan mesh dimensi 2 dan Oilog^n) pada model keterhubunganhiperkubus."

"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."

"Kompresi citra adalah proses mengurangi ukuran dari citra dengan mengurangi kualitas dari citra tersebut. Metode Fraktal yang digunakan bekerja dengan mencari kemiripan pada piksel-piksel citra dan mengelompokkannya dalam beberapa cluster. Semakin tinggi tingkat kemiripan pada citra, rasio kompresi akan semakin baik. Pada citra berwarna (RGB) metode tersebut diulang sebanyak tiga kali, masing-masing untuk satu elemen warna. Hasil akhir dari proses kompresi adalah tiga virtual codebook, masing-masing untuk satu elemen warna, yang menyimpan nilai dari brightness, contrast, dan tipe transformasi affine yang digunakan untuk tiap cluster. Proses dekompresi dari metode ini adalah dengan membentuk citra kosong dengan resolusi yang sama dengan citra asli dan mengisikan nilai RGB pada tiap piksel yang bersangkutan dengan menghitung nilai yang tersimpan pada virtual codebook. Dengan menggunakan nilai Coefficient of Variation (CV) sebagai penyesuaian nilai standar deviasi dan 57 citra BMP24-bit, hasil pengujian menunjukkan rasio kompresi rata-rata sebesar 41.79%. Dengan metode paralel yang digunakan, proses kompresi citra berwarna menunjukkan rata-rata nilai speed-up sebesar 1.69 dan nilai efisiensi prosesor sebesar 56.34%.Image compression is a process of reducing the size of the image by reducing the quality of the image. Fractal method is used to work by searching for similarities in the image pixels, and group them in clusters. The higher the degree of resemblance to the image, the better the compression ratio. In the color image (RGB) the method is repeated three times, each for one color element.The end result of the compression process is a three virtual codebook, each for one color element, which stores the value of the brightness, contrast, and the type of affine transformation are used for each cluster. Decompression process of this method is to form a blank image with the same resolution with the original image and fill in the RGB values at each pixel corresponding to the count value stored in the virtual codebook.By using the Coefficient of Variation (CV) as an adjustment value and standard deviation of 57 pieces of 24-bit BMP images, test results showed an average compression ratio of 41.79%. With the parallel method is used, the compression process of color image shows the average speed-up values of 1.69 and the processor efficiency of 56.34%."

"Convolutional coding is used widely today, especially in wireless communication. In trnasmitter, the convolutional encoder generates code from input data....."