Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tugas akhir ini membahas simulasi rangkaian logiksiederhana dan single stuck-at 1 fault dengan menggunakanbahasa pemrograman PASCAL."

"Ruang metrik-G adalah pasangan (X,G) dengan X adalah himpunan tak kosong yang dilengkapi dengan fungsi G : X ⇥ X ⇥ X ! [0,1) yang memenuhi aksioma-aksioma metrik-G. Ruang metrik-G merupakan perluasan dari ruang metrik (X, d) yang telah dikenal. Aljabar-C⇤ A adalah aljabar Banach atas lapangan C yang dilengkapi involusi ⇤ yang memenuhi ka⇤k = kak dan ka⇤ak = kak2. Kodomain metrik d dan metrik-G diperluas dari [0,1) menjadi A+, yaitu himpunan elemen positif di aljabar-C⇤ A. Ruang metrik bernilai aljabar-C⇤ adalah (X, A, d) dengan d : X ⇥ X ! A+ merupakan fungsi yang memenuhi aksioma-aksioma metrik bernilai aljabar-C⇤. Pada skripsi ini dibahas mengenai ruang metrik-G bernilai aljabar-C⇤, yaitu (X, A,G) dengan G : X⇥X⇥X ! A+ merupakan fungsi yang memenuhi aksioma-aksioma metrik-G bernilai aljabar-C⇤. Lebih lanjut, dibahas aplikasi dari ruang metrik-G bernilai aljabar-C⇤ pada Teorema Titik Tetap.

---

The G-metric space is a pair (X,G) where X is a non-empty set and G : X ⇥ X ⇥ X ! [0,1) is a function that satisfies the axioms of G-metric. The G-metric space is an extension of the known metric space (X, d). C⇤-algebra A is a Banach algebra over field C with an involution ⇤ that satisfies ka⇤k = kak and ka⇤ak = kak2. The codomain of metric d and G-metric is generalized from [0,1) to A+, where A+ is the set of positive elements in C⇤-algebra A. The C⇤-algebra valued metric space is (X, A, d) where d : X ⇥ X ! A+ is a function that satisfies the axioms of C⇤-algebra valued metric. This undergraduate thesis discusses the C⇤-algebra valued G-metric space, namely (X, A,G) where G : X ⇥ X ⇥ X ! A+ is a function that satisfies the C⇤-algebra valued G-metric axioms. Furthermore, we discuss the application of C⇤-algebra valued G-metric space in Fixed Point Theorem."

"ABSTRAKSkripsi ini membahas mengenai salah satu sifat topologi yaitu ruang tipis. Pada penulisan skripsi ini akan dibahas selain definisi dari ruang tipis akan ditunjukan sebuah syarat cukup agar sebuah ruang metrik dapat dikatakan tipis. Selain membahas syarat cukup dari sebuah ruang metrik agar dapat dikatakan tipis akan dibahas juga keterkaitan antara ruang metrik yang uniform approachable dengan ruang tipis. Setelah itu akan dibahas juga mengenai salah satu sifat yang dimiliki oleh ruang metrik yang tipis yaitu sifat pemisahan kompaknya.

---

ABSTRACT

This undergraduate thesis discusses about one of the topology property which is thin space. This undergraduate thesis will show that there is one requirement to show that a metric space is thin or not beside the original definition. Beside that this undergraduate thesis will also discusses relationship between a uniform approachable metric space and thin space. After that this undergraduate thesis will also discusses about one of the properties that from a thin metric space have which is the compact separation property."

"ABSTRAK

Carbon nanotorus adalah struktur yang diperoleh dengan menekuk sebuah carbon

nanotube hingga kedua ujungnya bertemu. Jika yang ditekuk adalah armchair

nanotube, maka yang terbentuk adalah armchair nanotorus. Jika yang ditekuk

adalah zig-zag nanotube, maka yang terbentuk adalah zig-zag nanotorus.

Operasi simetri pada nanotorus adalah rotasi dan refleksi. Operasi-operasi simetri

dari armchair atau zig-zag nanotorus, dapat dinyatakan dalam bentuk permutasi,

membentuk sebuah grup yang disebut grup dari simetri pada nanotorus armchair

atau zig-zag. Pada skripsi ini, dibuktikan bahwa grup ini isomorfik dengan semidirect

product dari grup dihedral dengan grup .

---

ABSTRACT

A carbon nanotorus is a structure that is obtained by bending a carbon nanotube

untl both ends meet. If the bended nanotube is an armchair one, it become an

armchair nanotorus. If the bended nanotube is a zig-zag one, it become zig-zag

nanotorus.

There are two types of symmetrical operations on nanotorus, which are rotation

and reflection types. The operations, that can be expressed by permutations, form

a group called group of symmetry on armchair or zig-zag nanotorus. In this skripsi

it is proved that this group is isomorphic to the semidirect product of dihedral

group and group."

"Aljabar Lie adalah ruang vektor atas suatu lapangan yang dilengkapi dengan bracket Lie yang bilinier, bersifat antisimetri dan memenuhi identitas Jacobi. Salah satu contoh dari aljabar Lie adalah himpunan pemetaan linier dari ruang vektor V ke V, yang dinotasikan dengan gl(V), dengan bracket Lie berupa komutator. Jika V adalah suatu aljabar, maka himpunan derivasi dari V (dinotasikan dengan Der(V)) membentuk suatu subaljabar Lie dari gl(V). Holomorph dari aljabar Lie L, yaitu hasil tambah langsung dari L dan Der(L), juga membentuk aljabar Lie. Aljabar Lie dikatakan lengkap jika pusatnya adalah himpunan nol dan semua derivasinya adalah derivasi dalam. Pada tesis ini, diulas syarat yang harus dipenuhi agar aljabar derivasi dan holomorph dari suatu aljabar Lie menjadi lengkap.

---

Lie algebra is a vector space over a field together with a bilinear Lie bracket, that satisfy antisymmetry and Jacobi identity. One of the examples of Lie algebra is a set of linear transformation from a vector space V to V, that is denoted by gl(V), with a commutator as the Lie bracket. If V is an algebra then the set of derivation of V (denoted by Der(V)) forms a Lie subalgebra of gl(V). The holomorph of a Lie algebra, that is direct sum of vector spaces L and Der(L), also forms a Lie algebra. A Lie algebra is called complete if its center is zero and all its derivations are inner. In this thesis, it is discussed the properties that must be satisfied in order to the derivation and the holomorph of Lie algebra become complete."

"Dalam berinvestasi, investor menginginkan portofolio optimal yang menghasilkan return tinggi dengan risiko yang rendah. Terdapat berbagai model optimisasi portofolio, salah satunya adalah model Mean-Variance (MV). Metode ini meminimalkan variansi portofolio yang merepresentasikan risiko dari sebuah investasi. Dalam menyelesaikan permasalahan optimisasi portofolio dapat digunakan metode heuristik, salah satunya adalah Artificial Bee Colony. Metode ini terinspirasi dari pergerakan koloni lebah madu dalam mencari makanan. Pada skripsi ini dibahas model optimisasi portofolio Cardinality-constrained Mean-variance(CCMV) yang memodifikasi model MV dengan menambahkan kendala kardinalitas, kendala kuantitas, serta parameter tingkat toleransi risiko investor. Untuk menyelesaikan masalah optimisasi portofolio menggunakan model CCMV, digunakan metode heuristik Improved Quick Artificial Bee Colony (iqABC) yang merupakan perkembangan metode ABC. Penggunaan metode iqABC dengan model CCMV menghasilkan portofolio dengan rata-rata return dan nilai sharpe ratio yang lebih baik dibandingkan dengan pasar.

---

In Investing, investor wants an optimal portfolio that generates high return with low risk. There are many portfolio optimization models, one of them is Mean-Variance (MV) model. This model minimizes the portfolio variances that represents the risk in investment. The Artificial Bee Colony (ABC) is an heuristic method to solve the portfolio optimization problems. This method inspired by the movement of honey bee colony when searching for foods. In this study, the Cardinality-constrained Mean-Variance (CCMV) model & Improved Quick Artificial Bee Colony (iqABC) method are used. In this case, the CCMV model is the modification of the MV model by adding the cardinality constraint, quantity constraints, and the investor risk tolerance parameter. Meanwhile, the iqABC method is the development of the ABC method. The used of iqABC method on CCMV model generates a portfolio that gives better returns and sharpe ratio compared to the market."

"Pada asuransi, tingkat risiko menjadi hal utama dalam menentukan ketentuan-ketentuan yang diterapkan oleh perusahaan asuransi seperti ketentuan besarnya premi yang harus dibayarkan pemegang asuransi. Pada asuransi kendaraan bermotor, salah satu cara untuk melihat tingkat risiko pemegang asuransi adalah dengan memprediksi apakah pemegang asuransi tersebut akan mengajukan klaim asuransi kendaraannya selama satu tahun ke depan. Banyaknya pemegang asuransi kendaraan menghasilkan data yang besar. Metode machine learning mampu mengolah data yang besar dan menghasilkan akurasi yang cukup tinggi. Sudah banyak metode-metode machine learning yang digunakan untuk prediksi klaim asuransi salah satunya neural network yang terinspirasi dari pengolahan informasi pada jaringan syaraf biologis. Terdapat metode deep neural network yang merupakan pengembangan neural network dengan struktur yang lebih kompleks dan menghasilkan akurasi yang lebih tinggi. Penelitian ini menerapkan metode deep neural network untuk memprediksi pengajuan klaim asuransi kendaraan bermotor dan menganalisa akurasi hasil simulasi. Pada penelitian ini juga dibandingan hasil akurasi antara metode deep neural network dengan metode neural network tandar. Hasil simulasi pada penelitian ini menunjukkan bahwa akurasi metode deep neural network lebih tinggi dibandingkan dengan metode neural network standar.

---

In insurance, the level of risk is the main thing in determining the conditions applied by insurance companies. In automobile insurance, one way to see the risk level of insurance holders is to predict whether the insurance holder will submit an insurance claim for the vehicle for the next year. The number of automobile insurance holders produces large data. Machine learning method can process large data and produce high accuracy to predict claims. There have been many machine learning methods used for insurance claim prediction, for example is neural network. Neural network in machine learning inspired by information processing on biological neural network. Deep neural network which is the development of neural network with structures that are more complex and produce higher accuracy. This research uses deep neural network to predict claim automobile insurance and analyze the accuracy of the simulation result. We also compare the accuration of deep neural network with standart neural network. Our simulation show that the accuration of deep neural network is better than standart neural network."

"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."

"ABSTRAKProtein merupakan bagian penting dari organisme dan memiliki fungsi yang berbeda. Fungsi dan sifat interaksi protein dapat diketahui dengan mengelompokkan protein-protein yang saling berinteraksi. Objek penelitian ini adalah interaksi antara protein HIV-1 dan manusia. Biclustering merupakan metode yang dapat digunakan untuk menyelesaikan permasalahan interaksi protein. Interaksi dibagi menjadi dua, yaitu interaksi positif dan negatif, selanjutnya diubah menjadi graf bipartit dengan simpul merupakan protein HIV-1 dan protein manusia, sedangkan busur merupakan jenis interaksi yang terjadi. Algoritma POLS merupakan algoritma biclustering yang menggunakan pendekatan teori graf. Hasil bicluster dianalisis menggunakan Gene Ontology (GO) untuk memperoleh fungsi protein pada satu bicluster. Proses terakhir adalah prediksi interaksi protein berdasarkan analisis fungsi-fungsi protein. Metode yang digunakan adalah Support Vector Machine (SVM) karena SVM merupakan metode prediksi machine learning yang robust. Berdasarkan hasil penelitian, dataset interaksi positif terdapat 297 bicluster dengan bicluster terbanyak berukuran 2 X 2 dan bicluster terbesar berukuran 7 X 7. Dataset interaksi negatif diperoleh 203 bicluster dengan 110 bicluster berukuran 2 X 2 dan satu bicluster berukuran 7 X 7. Berdasarkan hasil analisis GO, terdapat protein dalam satu bicluster yang belum diketahui fungsinya. Akurasi model prediksi untuk interaksi positif = 92% dan interaksi negatif = 88%.

---

ABSTRACTProtein is an important part of the organism. The function of protein can be known by grouping the interact proteins. This research discusses the interaction between HIV-1 and human protein. Biclustering is a method to solve protein interaction problem. The interaction is divided into two types, called positive and negative interactions The interaction is transformed into a bipartite graph with vertices are HIV-1 and human protein, while the edges are the interaction. POLS algorithm is a biclustering method based on graph theory. The result of a bicluster is analyzed using Gene Ontology (GO). The last process is the prediction of protein interactions based on analysis of GO. We used Support Vector Machine (SVM) because SVM is a robust machine learning method for perdiction. Based on the results, we get 297 biclusters, with 171 biclusters sized 2 X 2 and the largest bicluster sized 7 X 7 for the positive interactions. For the negative interaction, we get 203 biclusters, with 110 biclusters sized 2 X 2 and the largest bicluster sized 7 X 7. Based on GO analysis there were an unknown function in a bicluster. Accuracy of prediction models for positive and negative interaction are 92% and 88% respectively."

"Mata merupakan salah satu indera terpenting bagi kehidupan manusia. Umumnya, banyak manusia yang mengabaikan gangguan fungsi penglihatan, dimana gangguan fungsi penglihatan ini mengindikasikan awal mula penyakit mata. Penyakit mata adalah gangguan fungsi penglihatan berkisar dari gangguan fungsi penglihatan ringan hingga gangguan fungsi penglihatan berat yang dapat menyebabkan kebutaan. Dalam melakukan diagnosa terhadap pasien gangguan fungsi penglihatan memiliki jenis penyakit mata yang diderita, diperlukan tahapan pemeriksaan retina dengan ophthalmoscopy atau fotografi fundus. Setelah itu, seorang dokter spesialis mata menganalisis jenis penyakit mata yang diderita pasien tersebut. Namun, karena terbatasnya sarana fasilitas kesehatan dan dokter spesialis mata yang memeriksa dan mengoperasi. Oleh karena itu, dibutuhkan alat deteksi dini dengan menggunakan data citra agar pasien gangguan penglihatan dapat ditangani sebelum pasien menderita gangguan fungsi penglihatan berat atau dapat mengalami kebutaan. Pada penelitian ini, diusulkan oleh peneliti model klasifikasi citra fundus ke dalam kelas normal, katarak, glaukoma, dan retina disease menggunakan Convolutional Neural Network (CNN) dengan arsitektur AlexNet. Data citra yang digunakan merupakan data fundus image retina yang berasal dari website kaggle. Sebelum data citra fundus image masuk ke dalam proses training model, dilakukan tahapan preprocessing pada data citra fundus image. Pada tahapan proses training dalam CNN digunakan fungsi optimasi untuk meminimalkan fungsi loss. Adapun fungsi optimasi yang digunakan dalam penelitian ini adalah Adam dan diffGrad. Hasil penelitian ini menunjukkan bahwa kedua fungsi optimasi tersebut memiliki hasil evaluasi training yang tidak jauh berbeda pada kedua fungsi optimasi. Keunggulan menggunakan kedua fungsi optimasi ini adalah mudah diterapkan. Pada penelitian ini didapatkan training loss terkecil sebesar 0,4838, validation loss terkecil sebesar 0,6658, dan training accuracy terbaik sebesar 0,8570 yang dimiliki oleh fungsi optimasi Adam. Sedangkan untuk validation accuracy terbaik sebesar 0,7189 yang dimiliki oleh fungsi optimasi diffGrad. Sedangkan running time tercepat pada proses training model sebesar 2840,9 detik yang dimiliki oleh fungsi optimasi diffGrad. Setelah tahapan proses training, dilakukan evaluasi dengan data testing. Secara keseluruhan, apabila dilihat dari hasil testing yang terbaik dimiliki oleh fungsi optimasi Adam dengan nilai accuracy sebesar 63%, recall sebesar 63%, dan precision sebesar 63%. Sedangkan running time tercepat pada proses testing model adalah 5,4 detik yang dimiliki oleh fungsi diffGrad. Dapat disimpulkan bahwa metode CNN menggunakan Arsitektur AlexNet dan fungsi optimasi Adam memberikan performa terbaik dalam mendeteksi penyakit mata pada data fundus image.

---

The eyes are one of the most important senses for human life. Generally, many people ignore visual impairment, where this visual impairment indicates the onset of eye disease. Eye disease is a visual impairment ranging from mild visual impairment to severe visual impairment which can lead to blindness. In diagnosing patients with visual impairment who have the type of eye disease they suffer, it is necessary to carry out a retinal examination with ophthalmoscopy or fundus photography. After that, an ophthalmologist analyzes the type of eye disease the patient is suffering from. However, due to limited medical facilities and ophthalmologists who examine and operate. Therefore, an early detection tool is needed using image data so that visually impaired patients can be treated before the patient suffers from severe visual impairment or can go blind. In this study, researchers proposed a model for classifying fundus images into normal, cataract, glaucoma, and retinal disease classes using Convolutional Neural Network (CNN) with AlexNet architecture. The image data used is retinal fundus image data from the Kaggle website. Before the fundus image data enters the training model process, a preprocessing stage is carried out on the fundus image data. At this stage of the training process in CNN, an optimization function is used to minimize the loss function. The optimization functions used in this study are Adam and differed. The results of this study indicate that the two optimization functions have training evaluation results that are not much different from the two optimization functions. The advantage of using these two optimization functions is that they are easy to implement. In this research, the smallest training loss is 0.4838, the smallest validation loss is 0.6658, and the best training accuracy is 0.8570 which is owned by the Adam optimization function. As for the best validation accuracy of 0.7189 which is owned by the diffGrad optimization function. Meanwhile, the fastest running time in the model training process is 2840.9 seconds, which is owned by the diffGrad optimization function. After the stages of the training process, evaluation is carried out with data testing. Overall, when viewed from the testing results, Adam's optimization function is the best with an accuracy value of 63%, recall of 63%, and precision of 63%. Meanwhile, the fastest running time in the model testing process is 5.4 seconds, which is owned by the diffGrad function. It can be concluded that the CNN method using AlexNet Architecture and Adam's optimization function provides the best performance in detecting eye diseases in fundus image data."