Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 56621 dokumen yang sesuai dengan query
cover
Fakultas Teknik Universitas Indonesia, 1995
S38530
UI - Skripsi Membership  Universitas Indonesia Library
cover
Mohammad Abdul Jabbar
"Convolutional code merupakan teknik Error control coding untuk mendeteksi dan mengkoreksi error pada informasi akibat pengaruh noise. Skripsi ini merancang bangun rangkaian convolutional encoder dan Viterbi decoder menggunakan DSK TMS320C6713 berbasis Simulink, untuk melihat probabilitas error yang dipengaruhi oleh Binary Symetric Channel (BSC) sebagai pembangkit error. Analisis meliputi perbandingan bit input dan output dengan variasi nilai parameter convolutional code, dan uji coba rangkaian menggunakan DSK TMS320C6713.
Hasil penelitian menunjukkan convolutional encoder dan Viterbi decoder dapat menurunkan probabilitas error tergantung dari parameter yang digunakan. Semakin besar constrain length dan semakin kecil rate yang digunakan, maka probability of error akan semakin kecil.

Convolutional code is a technique in Error control coding to detect and correct error on information caused by noise. This research designed the circuitry of convolutional encoder and Viterbi decoder using DSK TMS320C6713 with Simulink-based, to see the probability of errors affected by Binary Symetric Channel as error generator. The analysis consists of comparison between input and ouput bits with variation of parameter's value of the convolutional code, and the tryout using DSK TMS320C6713.
Results showed that convolutional encoder and Viterbi decoder could reduce the probability of error depend on parameters used. Higher constrain length and smaller rate, resulted a smaller probability of error.
"
Depok: Fakultas Teknik Universitas Indonesia, 2008
S51043
UI - Skripsi Open  Universitas Indonesia Library
cover
Merysa Amanda
"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."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2011
S1738
UI - Skripsi Open  Universitas Indonesia Library
cover
Ahmad Syahroni
"Permasalahan banyak benda (many-body) secara lengkap, dimana melibatkan interaksi elektron-ion dan interaksi elektron-elektron, merupakan permasalahan yang sulit untuk dipecahkan secara eksak. Pendekatan first-principles seperti Density Functional Theory (DFT) telah menjadi pilihan yang populer untuk mengamati band structure secara lengkap pada suatu material. Bagaimanapun juga, terlepas dari perumusannya yang telah mapan, hal itu tetap menjadi tantangan besar untuk menggunakan pendekatan DFT untuk mengamati efek yang yang disebabkan oleh korelasi yang kuat antara elektron secara benar. Saat ini telah diperkenalkan pendekatan yang menggabungkan DFT dengan pendekatan diagram Feynman, yang disebut metode GW, untuk mengoreksi efek dari interaksi antara elektron. Terlepas dari beberapa keberhasilan dari pendekatan GW berbasis DFT ini, pendekatan ini memiliki kekurangan yaitu tidak cukup eksibel untuk digunakan untuk memecahkan masalah dengan interaksi yang lain, seperti interaksi magnetik. Pada skripsi ini, kami memperkenalkan algoritma metode GW dalam kerangka tight- binding. Kami turunkan setiap langkah pada algoritma secara lengkap dengan menggunakan diagram Feynman dan konsep analytic continuation untuk mengekspresikan besaran-besaran fisika pada real frequency. Untuk tujuan tertentu, kami tertarik untuk menerapkan algoritma ini pada sistem graphene dengan harapan menggunakan metode ini untuk sifat optik sistem graphene dengan berbagai jenis interaksi tambahan dalam waktu mendatang.

The full many-body problem in condensed-matter physics, in which electronion as well as electron-electron (e-e) interactions play crucial roles, is very tough to solve exactly. To explore the details of the band structure of the material, a first-principles approach such as Density Functional Theory (DFT) has become a popular choice. However, a part from its well-established formulation, it remains a big challenge to use such an approach to capture effects arising from strong correlations among the electrons correctly. Nowadays, an approach to combine DFT with a Feynman diagrammatic approach, so called the GW method, to address the effects of e-e interactions, has been introduced. Despite some successes of the DFT-based GW approach, there is an issue that this approach does not seem exible enough to use for solving problems with other types of interactions, such as magnetic interactions. In this skripsi, we aim to introduce an algorithm of the implementation of GW method in the frame of tight-binding approximation. We rigorously derive each step in the algorithm with the aid of Feynman diagrams, and the concept of analytic continuation to express the physical quantities of interest in real frequency. For a particular purpose, we are interested to apply this algorithm to graphene in hope of using this method address optical properties of graphene systems with various kinds of additional interactions in the near future.
"
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2014
S56170
UI - Skripsi Membership  Universitas Indonesia Library
cover
Adang Suhendra
"Dibahas pembentukan algoritma paralel perhitungan perkalian matriks pada komputer SIMD dengan model jaringan keterhubungan elemen prosesor berbentuk pohon, mesh dimensi 2 dan hiperkubus. Masing-masing model tersebut terdiri dari O(n), O(n2) dan O(n3) elemen prosesor. Kompleksitas waktu dari algoritma paralel perhitungan perkalian matriks adalah O(n2 + log2n) pada model keterhubungan pohon, O(n) pada model keterhubungan mesh dimensi 2 dan O(log2n) pada model keterhubungan hiperkubus."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 1993
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ernastuti
"Odd-even-transposition adalah suatu algoritma paralel yang merupakan pengembangan dari algoritma sekuensial ―bubble sort‖. Algoritma odd-even-transposition ini didesain khusus untuk model jaringan array linier (homogen). Untuk n elemen data, kompleksitas waktu dari algoritma bubble sort adalah O(n2), sedangkan pada odd-even-transposition yang bekerja di atas n prosesor adalah (n). Ada peningkatan kecepatan waktu pada kinerja algoritma paralel ini sebesar n kali dibanding algoritma sekuensialnya. Hypercube dimensi k adalah model jaringan non-linier (non-homogen) terdiri dari n = 2k prosesor, di mana setiap prosesor berderajat k. Model jaringan Fibonacci cube dan extended Lucas cube masing-masing merupakan model subjaringan hypercube dengan jumlah prosesor < 2k prosesor dan maksimum derajat prosesornya adalah k. Pada paper ini, diperlihatkan bagaimana algoritma odd-even-transposition dapat dijalankan juga pada model jaringan komputer cluster non-linier hypercube, Fibonacci cube, dan extended Lucas cube dengan kompleksitas waktu O(n).
Odd-even-transposition is a parallel algorithm which is the development of sequential algorithm ―bubble sort‖. Odd-even transposition algorithm is specially designed for linear array network model (homogeneous). For n data elements, the time complexity of bubble sort algorithm is O(n2), while the odd-even-transposition that works with n processor is (n). There in an increase in the speed of time on the performance of this parallel algorithms for n times than its sequential algorithm. K-dimensional hypercube is a non-linear network model (non-homogeneous) consists of n = 2k processors, where each processor has k degree . Network model of Fibonacci cube and extended Lucas cube are the hypercube sub-network model with the number of processors <2k processors and maximum processor degree is k. In this paper, it is shown how the odd-even-transposition algorithm can also be run on non-linear hypercube cluster, Fibonacci cube, and extended Lucas cube computer network model with time complexity O(n)."
Universitas Gunadarma, Pusat Studi Komputasi Matematika, 2010
PDF
Artikel Jurnal  Universitas Indonesia Library
cover
"Convolutional coding is used widely today, especially in wireless communication. In trnasmitter, the convolutional encoder generates code from input data....."
Artikel Jurnal  Universitas Indonesia Library
cover
Hanun Hanifah
"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."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Agus R. Utomo
"ABSTRAK
Secara keseluruhan sistem distribusi memerlukan biaya total 30 % hingga 50 % dari biaya sistem tenaga listrik. Oleh karena itu sistem distribusi harus direncanakan seoptimum mungkin untuk dapat melayani permintaan beban sesuai dengan persyaratan-persyaratan teknis dan ekonornis. Algoritrna adalah salah satii alat kerja yang bersifat konseptual dan merupakan prosedur operasional standar (pos) untuk mengambil keputusan guna mencapai tiijuan utama dari suatu aktifitas. Dalam perencaan pengembangan sistem distribusi algoritma atau pos ini memegang peranan yang sangat penting. Sebab dengan mengikuti prosedur-prosedur sesuai dengan algoritma atau pos, keputusan yang diambil menjadi tepat dan pekerjaan perencanaan pun mencapai hasil yang optimum pula. Jadi secara umum dikatakan bahwa algoritma dalam hal ini adalah alat kerja bantu untuk mengoptimalkan perencanaan pengembangan sistem distribusi."
Fakultas Teknik Universitas Indonesia, 2000
LP-pdf
UI - Laporan Penelitian  Universitas Indonesia Library
cover
Rendi Kurniawan
"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.
"
Depok: Fakultas Teknik Universitas Indonesia, 2009
T26920
UI - Tesis Open  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>