Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dibahan mengenai perencanaan dan penjadwalan jaringan proyek berdasarkan fungsi utilitas. Agar jaringan proyek diselesaikan dalam jangka waktu dan biaya yang minimum, maka utilitas setiap aktifitas pada proyek tersebut harus dimaksimumkan. Model matematis yang mendasarinya adalah pemogramana linear parametrik. Untuk mencari aktifitas yang akan dipercepat jangka waktunya digunakan metode Ford-Fulkerson, sedangkan algoritma Primal-Dual digunakan untuk menetapkan besarnya waktu percepatan."

"Penelitian ini akan mengembangkan pengendali MIMO Model Predictive Control (MPC) dengan constraints serta ditambahkannya fungsi Laguerre. Metode ini akan diterapkan pada sistem tata udara presisi atau biasa disebut sistem Precision Air Conditioning (PAC) dengan dua masukan, yaitu putaran kipas dan kompresor, dan dua keluaran, yaitu temperatur dan kelembapan relatif. Permasalahan yang ada pada proses kendali PAC ini ialah tetap menjaga temperatur dan kelembaban dari suatu sistem refrigasi sesuai dengan yang hasil yang diinginkan, yaitu pada temperatur 20-25 oC dan kelembaban relatif 40-55%. Penelitian ini adalah pengembangan dari penelitian sebelumnya yang tidak bisa mengendalikan sistem PAC dengan hasil yang memuaskan. Metode identifikasi yang digunakan menggunakan metode PO-MOESP untuk mencari model A, B, C, D dan menjadi masukan pengendali prediktif. Fungsi Laguerre ditambahkan untuk mengurangi waktu komputasi ke dalam MPC. Penelitian ini menggunakan software Matlab untuk melakukan proses simulasinya. Hasil keluaran pengendali MPC constraints biasa akan dibandingkan dengan pengendali MPC constraints dengan fungsi Laguerre.

---

This research will aim to develop MIMO Model Predictive Control (MPC) controller with constraints added with Laguerre function. This method will be applied to Precision Air Condition (PAC) system with two inputs : fan and compressor speed; and two outputs : temperature and humidity. The problem in this PAC control process is to maintain temperature and humidity of the refrigeration system as desired, which is temperature 20-25oC and relative humidity 40-55 %. This research is developed from previous research, which could not control PAC system with feasible result. System identification used in this research is PO-MOESP method to find A, B, C, D model as input for predictive controller process. Laguerre Function was added for reducing computation time into MPC Controller. This research use MatLab software to run the process simulation model. Output of the conventional MPC controller with constraints will be compared to MPC controller with constraints and Laguerre function."

"Demam Berdarah Dengue (DBD) merupakan salah satu virus yang menginfeksimanusia melalui gigitan nyamuk Aedes aegypti dan Aedes albopictus. Menurut laporanCDC, Indonesia yang masuk dalam level 1 dari 3 yaitu level tertinggi, frequent orcontinuous kasus DBD. Perkiraan lebih awal dan akurat dari persebaran insiden DBDdapat meminimalkan ancaman dan membantu pihak yang berwenang untuk menerapkanlangkah-langkah pengendalian yang efektif. Pada penelitian ini, prediksi angka insidenDBD menggunakan faktor-faktor cuaca yang mempengaruhi perkembangan nyamuk itusendiri, yaitu temperatur, kelembapan, dan curah hujan sebagai variabel prediktor.Variabel prediktor ditentukan berdasarkan nilai korelasi silang dari time lag variabelprediktor terhadap jumlah insiden DBD. Penelitian dilakukan dengan memanfaatkansalah satu metode dalam machine learning, yaitu gated recurrent unit dalammembangun model prediksi insiden DBD tersebut. Performa model yang digunakandievaluasi dengan Root Mean Squared Error dan Mean Absolute Error. Hasil penelitianini menunjukkan bahwa prediksi angka insiden DBD terbaik, diperoleh denganmenggunakan proporsi data training-test: 90%-10%.

---

Dengue Fever (DF) is a virus that infects humans through the bite of Aedes aegypti andAedes albopictus mosquitoes. According to the CDC report, Indonesia is included inlevel 1 of 3, namely the highest level, frequent or continuous cases of DF. Early andaccurate estimates of the spread of dengue incidents can minimize threats and help theauthorities to implement effective control measures. In this study, the prediction of DFincidence uses weather factors that influence the development of mosquitoesthemselves, namely temperature, humidity, and rainfall as predictor variables. Predictorvariables are determined based on the value of the cross correlation of the time lagpredictor variable to the number of DF incidents. The study was conducted by utilizingone method in machine learning, namely the gated recurrent unit in building the DFincident prediction model. The performance of the model are evaluated by Root MeanSquared Error and Mean Absolute Error. The results of this study shows that the bestprediction model of DF incidence rate, obtained using the proportion of training-testdata: 90% -10%."

"Evolutionary Game Theory (EGT) dalam model evolusi virulensi merupakan salah satu aplikasi dari non-cooperative game theory. Model evolusi virulensi dapat dinyatakan dalam bentuk sistem persamaan diferensial biasa. Dalam Evolutionary Game Theory (EGT) terdapat dua konsep, yaitu Evolutionary Stable Strategy dan Replicator Dynamics yang masing-masing berperan dalam mekanisme seleksi dan mekanisme mutasi dalam proses evolusi. Evolutionary Stable Strategy dan Replicator Dynamics dapat digunakan untuk menggambarkan dan memprediksi hasil interaksi antara organisme patogen dan sel inang.

---

Evolutionary Game Theory (EGT) in the model of evolution of virulence is one application from a non-cooperative game theory. The model of evolution of virulence can be expressed in the form of a system of ordinary differential equations. In Evolutionary Game Theory (EGT) there are two concepts, namely the Evolutionary Stable Strategy and Replicator Dynamics, each of which plays a role in the mechanism of selection and mutation mechanism in the process of evolution. Evolutionary Stable Strategy and Replicator Dynamics can be used to describe and predict the results of interactions between pathogenic organisms and the host cells."

"Krisis ekonomi yang terjadi di masa lalu menimbulkan pertanyaan tentang validitasEfficient Market Hypothesis dan mendorong berkembangnya model-model yangdapat memprediksi indeks harga saham. Salah satunya yaitu prediksimemanfaatkan komponen ekonomi yang diketahui mempengaruhi IHSG danmemprosesnya dengan teknik machine learning. Support Vector Machine dikenalmemiliki kemampuan untuk menangani data berdimensi tinggi dan memilikikeunggulan dibandingkan algoritma yang lain. Performa SVM akan dibandingkandengan Artificial Neural Network (ANN) dan algoritma klasik Multiple LinearRegression (MLR). Studi ini diawali mengidentifikasi pengaruh komponenekonomi terhadap IHSG mendatang. Hasil penelitian menunjukkan bahwa SVMmemiliki kinerja paling baik dalam memprediksi harga indeks saham keesokanharinya (t + 1), namun kinerja ANN paling baik untuk memprediksi t + 5, t + 10,dst.

---

The economic crisis that occurred in the past raised questions about the validity of

the Efficient Market Hypothesis and encouraged the development of models that

can predict the stock price. One of them is prediction utilizing economic

components known to affect IDX composite index and processed by machine

learning techniques. Support Vector Machines are known to have the ability to

handle high-dimensional data and have advantages over other algorithms. SVM

performance will be compared to Artificial Neural Networks (ANN) and the classic

Multiple Linear Regression (MLR) algorithm. This study begins with identifying

the influence of economic component on the future IDX composite index. The

results showed that SVM had the best performance in predicting the next day stock

index prices (t+1), but ANN's performance was better than others for predicting

t+5, t+10, and so on."

"ABSTRAKKoperasi Angkutan Jakarta (KOPAJA) P20 telah diintegrasi dengan BRT Transjakarta, disebut KOPAJA P20 Terintegrasi. Namun integrasi ini tidak menarik banyak peminat dari penumpang KOPAJA P20 Reguler, dikarenakan sistem pembayaran yang sulit dan waktu tempuh yang tidak memenuhi SPM BRT. KOPAJA merencanakan perbaikan pelayanan dengan penggunaan tiket elektronik dan percepatan waktu tempuh serta akan menambah biaya transportasi. Penelitian ini bertujuan memperkirakan potensi permintaan KOPAJA P20 Terintegrasi. Analisis dilakukan menggunakan model logit berbasiskan persamaan fungsi utilitas yang dikembangkan dengan metode wawancara stated preference ke dalam beberapa skenario selanjutnya dievaluasi dan dipilih fungsi yang terbaik. Hasil analisis menyatakan bila selisih waktu 10 menit dan selisih biaya Rp500, Rp1000 dan Rp1500 potensi permintaan penumpang yang bersedia pindah dari KOPAJA P20 Reguler ke KOPAJA P20 Terintegrasi ialah sebesar 78% (1.769 pnp), 55% (1.247 pnp) dan 29% (658 pnp). Selisih waktu 20 menit dengan selisih biaya yang sama, potensi permintaan penumpang ialah sebesar 90% (2.041 pnp), 74% (1.678 pnp) dan 49% (1.111 pnp). Selisih waktu 30 menit dengan selisih biaya yang sama, potensi permintaan penumpang ialah sebesar 95% (2.155 pnp), 87% (1.973 pnp) dan 70% (1.588 pnp). Mengacu pada hasil analisis peningkatan jumlah potensi permintaan KOPAJA P20 Terintegrasi tergantung dari pelayanan yang diberikan yang meliputi selisih biaya dan selisih waktu.

---

ABSTRACT

KOPAJA P20 is a medium bus service which is integrated with Transjakarta system. Yet since its integration, could not attract KOPAJA P20 Regular?s passengers significantly. This mainly due to in efficient payment system and prolong travel time. In order to increase its passenger, the management plan to improve its service by using e-ticketing system and impove travel time. On the contrary, they also plan to increase tariff. This research is aimed to estimate the potential demand of KOPAJA integrated. The demand is predicted by using binomial logit method based on the proposed utility function, this function is based on the data obtained from the stated preference survey. In order to establish a utility function, stated preference survey is conducted and several scenario is proposed, having evaluated several utility function so the best function is selected. The results of analysis show that within 10 minutes travel time saving and tariff increasement Rp500, Rp1000 and Rp1500 potential demand of passengers who are willing to move from KOPAJA Regular to KOPAJA integrated is 78% (1.769passengers), 55% (1.247passengers) and 29% (658 passengers). If 20 minutes travel time saving with the same tariff increasement, potential demand is 90% (2.041passenger), 74% (1.678passengers) and 49% (1.111passengers). If 30 minutes travel time saving with the same tariff increasement, potential demand is 95% (2.155passengers), 87% (1.973 passengers) and 70% (1.588passengers). Based on these results, it can be declared that demand KOPAJA P20 Integrated?s potential demand is depending on the service provided, travel time saving and tariff increasement."

"Google mampu meningkatkan keuntungan hingga $200 juta dengan melakukan sebuah eksperimen di mana mereka menguji beberapa warna biru pada tulisan iklan di tampilan website nya. Namun demikian, dalam menemukan tampilan website yang memberikan performa terbaik dari jutaan pengunjung tidaklah mudah. Salah satu kriteria bahwa sebuah website memiliki performa yang baik adalah dengan tingginya click through rate yang dimiliki website tersebut. Untuk menangani permasalahan ini, salah satu metode yang dapat digunakan adalah A/B testing. Cara A/B testing bekerja adalah  dengan membagi pengunjung laman website menjadi dua kelompok; treatment group dan control group. Masing-masing kelompok akan disajikan varian laman website yang berbeda. Respons dari pengunjung atas laman website kemudian dicatat dan diuji performa antara varian A dan varian B. Pada tahap pengujian, ada dua metode yang dapat digunakan yaitu frequentist dan Bayesian. Metode frequentist membuat prediksi hanya menggunakan data yang ada dari percobaan yang dilakukan. Sedangkan metode Bayesian menggunakan prior yang akan akan diperbarui seiring dengan bertambahnya data yang diterima. Output dari metode Bayesian A/B testing berupa keyakinan akan rentang nilai sebenarnya dari click through rate. Keyakinan ini dituangkan dalam bentuk distribusi posterior. Dari penelitian yang dilakukan, diperoleh hasil bahwa metode Bayesian A/B testing  mampu memberikan inferensi yang cukup baik meskipun dengan pemilihan prior yang tidak informatif. Dari hasil tersebut, maka sebuah perusahaan bisa memanfaatkan metode ini menguji tampilan laman website.

---

Google was able to increase profits by up to $200 million by conduction experiments where they tested some shades of blue of the advertisement link in their website display. However, finding the website display which provides the best performance from millions of visitors is not easy. One of the criteria that a website has a good performance is that it has a high number of click through rate. To solve this problem, one of the method that can be used is A/B testing. A/B testing works by dividing the website visitors into two groups; treatment group and control group. Each group will be presented with different website page variants. The responses from visitors are recorded and tested for knowing which variant performs better. At the testing stage, there are two methods that can be used, frequentist and Bayesian. The frequentist method makes predictions using only the data available from the experiments. While the Bayesian method uses priors that will be updated as the data is received. The output from Bayesian A/B testing method is a belief of range from the actual value of click through rate. This belief is expressed in the form of posterior distribution. From this research, Bayesian A/B testing method is able to provide quite good inference even though we select a non informative prior. From this result, a company can apply this method to test the website display."

"ABSTRAKPenaksiran parameter dalam model regresi memiliki dua pendekatan yaitu pendekatan regresi parametrik dan pendekatan regresi nonparametrik. Dalam regresi parametrik bentuk dari kurva hubungan antara variabel respon dan variabel prediktor sudah ditentukan berdasarkan plot data, sedangkan dalam regresi nonparametrik bentuk dari kurva tidak diketahui. Salah satu regresi nonparametrik yang dapat digunakan adalah regresi spline. Regresi spline adalah suatu piecewise polynomial yang dihubungkan oleh titik-titik bersama yang disebut dengan knot. Regresi spline yang menggunakan fungsi basis B Spline disebut dengan regresi B Spline. Pada umumnya estimasi parameter regresi B Spline dilakukan dengan menggunakan metode OLS Ordinary Least Square. Namun, dengan metode OLS akan menyebabkan plot taksiran kurva regresi menjadi fluktuatif apabila pemilihan jumlah knot terlalu banyak. Untuk itu diperlukan suatu tambahan kendala berupa penalty yang didalamnya mengandung smoothing parameter sehingga diperoleh taksiran ideal. Metode estimasi parameter ini dikenal dengan metode PLS Penalized Least Square . Metode PLS dengan penalty yang merupakan integral kuadrat derivatif kedua dari taksiran kurva disebut juga dengan metode o rsquo;sullivan penalized spline. Pada penerapan contoh data, didapat 23 buah knot dan smoothing parameter sebesar 0.68.

---

ABSTRACTParameter estimation of regression model has two approaches, that is parametric and nonparametric regression approach. In parametric regression, the shape of regression curve is determined based on scatterplot of dependent variable vs independent variable, whereas in the nonparametric regression, the shape of the curve is unknown. One of the nonparametric regression is spline regression. Spline regression is piecewise polynomials that connected by the knots. Spline regression using B Spline basis function is B Spline regression. In B spline regression, parameter estimation were fitted by OLS Ordinary Least Square method. However, the OLS method will lead the plot of estimated regression curve be fluctuative when using too much knots. Therefore, it needs additional constraint of penalty that contain smoothing parameter to obtain ideal fit result. This parameter estimation method known as PLS Penalized Least Square method. The estimate PLS method used penalty which is the integral of the square of second derivative of the estimate curve that called o 39 sullivan penalized spline method. In the application of sample data, 23 is used knots and the smoothing parameters is 0.68. "

"Distribusi Weibull digunakan untuk menyelesaikan masalah-masalah yang menyangkut lama waktu suatu objek yang mampu bertahan hingga akhirnya objek tersebut tidak berfungsi (dengan kata lain rusak atau mati). Distribusi Weibull merupakan salah satu solusi untuk masalah fleksibilitas yang tidak dimiliki oleh distribusi Exponensial, yaitu hanya memiliki bentuk fungsi hazard yang konstan. Dalam melakukan inferensi dari kasus yang dimodelkan dengan distribusi Weibull, perlu dilakukan penaksiran terhadap parameternya. Distribusi Weibull dua parameter memiliki parameter skala dan parameter shape. Pada skripsi ini, akan dilakukan penaksiran parameter skala dari distribusi Weibull pada data terpancung kiri dan tersensor kanan dengan asumsi bahwa parameter shape diketahui menggunakan metode Bayesian. Prosedur dalam penaksiran parameter meliputi penentuan distribusi prior, fungsi dan distribusi posterior. Kemudian penaksir titik Bayes diperoleh dengan meminimumkan ekspektasi dari fungsi. Fungsi yang digunakan adalah Squared Error Loss Functio (SELF) dan Precautionary Loss Function (PLF). Kemudian dilakukan simulasi data untuk membandingkan nilai Mean Squared Error (MSE) dari taksiran parameter skala menggunakan fungsi. Hasil simulasi menunjukan bahwa taksiran parameter menggunakan fungsi memiliki nilai MSE yang lebih kecil untuk parameter skala lebih kecil atau sama dengan satu sedangkan taksiran parameter menggunakan fungsi PLF memiliki nilai MSE yang lebih kecil untuk parameter skala lebih besar daripada satu.

---

Weibull distribution is used to solve problems that involve the length of time an object is able to survive until the object is not function (in other words damaged or dead). Weibull distribution is one of many solutions to the flexibility problem that is not owned by an Exponential distribution, which only has the form of a constant hazard function. In making inferences from cases modeled with the Weibull distribution, it is necessary to estimate the parameters. The two-parameter Weibull distribution has a scale parameter and a shape parameter. In this thesis, the scale parameter of the Weibull distribution will be estimated on left truncated and right censored data assuming that the shape parameter are known using Bayesian method. The procedure in parameter estimation includes the determination of the prior distribution, the likelihood function and the posterior distribution. Then the point estimator of the scale parameter is obtained by minimizing the expectation of loss function. The loss function used in this thesis are Squared Error Loss Function (SELF) and Precautionary Loss Function (PLF). Data simulation is done to compare the value of Mean Squared Error (MSE) from the estimated parameters using SELF and PLF. The simulation result shows that the estimated parameter using SELF has a smaller MSE value for scale parameter below or equal one while the estimated parameter using PLF has a smaller MSE value for scale parameter above one."

"E-Learning Management Systems (EMAS) adalah sebuah platform belajar daring yang digunakan oleh Universitas Indonesia (UI). Dengan menggunakan platform EMAS, aktivitas akademik mahasiswa dapat dipantau. Berdasarkan aktivitas akademik mahasiswa, dimungkinkan untuk menentukan klasifikasi performa akademik mahasiswa. Aktivitas akademik yang dimaksud diantaranya adalah mahasiswa mengakses EMAS, mahasiswa mengerjakan quiz di EMAS, dan mahasiswa berpartisipasi forum di EMAS. Pada tugas akhir ini digunakan model klasifikasi Naïve Bayes, yaitu klasifikasi dengan asumsi kondisi antar fitur adalah saling bebas. Hasil performa model dilihat dari nilai Matthew’s Correlation Coefficient (MCC) terbesar. Sebelum implementasi, ditentukan proporsi data training dan data testing terbaik. Proporsi 80%:20% dengan periode data 4 minggu adalah proporsi dengan nilai MCC terbesar, yaitu 0,4745. Metode Mutual Information menghasilkan tujuh fitur terpilih, yaitu banyaknya tugas yang diunggah, banyaknya materi yang dikunjungi, banyaknya kunjungan ke start quiz, banyaknya quiz yang diunggah, banyaknya materi dokumen yang dikunjungi, banyaknya forum yang dikunjungi, dan lamanya durasi mengerjakan quiz. Dengan 7 fitur terpilih, performa model naik sebesar 15,15%, dan performa model meningkat lagi sebesar 26,5% jika dilakukan oversampling dengan metode Synthetic Minority Oversampling Technique. Hasil prediksi dari 47 mahasiswa adalah 43 mahasiswa diprediksi benar lulus, 2 mahasiswa diprediksi benar tidak lulus, dan 2 mahasiswa yang diprediksi salah yaitu mahasiwa diprediksi tidak lulus namun sebenarnya lulus.

---

E-Learning Management Systems (EMAS) is an online learning platform that used by the University of Indonesia (UI). By using the EMAS platform, student academic activities can be monitored. Based on the student's academic activities, it is possible to determine the classification of student academic performance. The academic activities in question include students accessing EMAS, students taking quizzes at EMAS, and students participating in forums at EMAS. In this final project, the Naïve Bayes classification model is used, namely classification with the assumption that the conditions between features are independent of each other. The results of the model's performance are seen from the largest Matthew's Correlation Coefficient (MCC). Prior to implementation, the proportion of the best training and testing data is determined. The proportion of 80%:20% with a data period of 4 weeks is the proportion with the largest MCC value, which is 0.4745. The Mutual Information method resulted in seven selected features, namely the number of tasks uploaded, the number of materials visited, the number of visits to the quiz start, the number of quizzes uploaded, the number of document materials visited, the number of forums visited, and the length of duration of taking the quiz. With 7 selected features, the performance of the model increases by 15.15%, and the performance of the model increases again by 26.5% if oversampling is carried out using the Synthetic Minority Oversampling Technique method. The prediction results from 47 students were 43 students were predicted to pass correctly, 2 students were predicted to fail correctly, and 2 students were predicted to be wrong, namely students predicted not to pass but actually passed."