Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem rekomendasi merupakan model penyelesaian masalah yang menerapkan teknik-teknik tertentu untuk memberikan rekomendasi suatu infomaasi, produk dan jasa. Salah sam pendekatan yang digunakan dalam sistem rekomendasi yaitu melalui pendekatan collaborative filtering dengan menggunakan teknik/metode faktorisasi matriks (matrix factorization). Seberapa baik suatu metode diterapkan dalam sistem rekomendasi diukur dari kinerja atau akurasi model tersebut. Penelitian ini menguji kinelja metode Regularized Incremental Simultaneous Matrix Factorization (RISMF) dalarn sistem rekomendasi melalui studi eksprimen. Eksperimen dilakukan melalui simulasi komputasi untuk mendapatkan parameter model yang optimal. Hasihmya menunjukkan bahwa akurasi model pada saat parameter mencapai optimal sebesar 0.93. Hasil tersebut membuktikan bahwa metode RISMF cukup baik digunakan dalam sistem rekomendasi.

---

Recommendation System is a problem solving model by using methods to give recommendation some infomtations, products and services. Matrix Factorization for collaborative filtering is one of approach in recommendation system. How well a applied method in recommendation system measure from performance or accuration this model. This research examined performance of Regularized Incremental Simultaneous Matrix Factorization (RISMF) method on recommendation system by experimental study. Experiment was done for get optimum parameter model. The result shown that accuracy value on parameter optimum is 0.93. The result proof that RISMF method good enough used in recommendation system."

"ABSTRAKBerkembangnya portal berita online di Indonesia sangat pesat sehingga menyebabkan meningkatnya arus informasi. Banyaknya informasi yang ada pada portal berita online menimbulkan kesulitan untuk mengetahui topik berita secara garis besar. Untuk itu diperlukan ekstraksi topik berita online yang dapat dilakukan secara otomatis dengan bantuan mesin. Salah satu metode yang dapat digunakan untuk mengekstraksi topik berita online secara otomatis adalah Non-Negative Matrix Factorization (NMF). Pada umumnya algoritma NMF menggunakan inisialisasi random untuk mendekomposisi matriks. Inisialisasi random pada algoritma NMF menghasilkan topik berita yang berbeda setiap kali eksekusi. Pada penelitian ini akan diimplentasikan salah satu metode inisialisasi NMF yaitu Non-Negative Double Singular Value Decomposition (NNDSVD). Metode ini berdasarkan dua proses dari Singular Value Decomposition (SVD). Proses SVD yang pertama untuk pendekatan matriks data dan yang kedua untuk pendekatan bagian positif. NNDSVD tidak mengandung unsur random, sehingga menghasilkan topik berita yang sama setiap kali eksekusi.

---

ABSTRACTThe rapid development of portal online news in Indonesia causes the increment of information flow. The amount of information contained in these portals makes it difficult to know the outline of news topic. So, it is necessary to extract the topic automatically by using machine. Non-Negative Matrix Factorization (NMF) is a method used to extract news topic automatically. Generally, NMF algorithm uses random initialization to decompose matrix to get different news topic in every execution. In this research, one of NMF initialization, Non-negative Double Singular Value Decomposition (NNDSVD), will be implemented. This method uses two processes from Singular Value Decomposition (SVD), one approximating the data matrix, the other approximating positive section. NNDSVD contains no randomization, so that produce same news topic in every execution."

"The book treats four fundamental problems: the number of primes below a given limit, the approximate number of primes, the recognition of primes and the factorization of large numbers. The author provides explicit algorithms and computer programs, and has attempted to discuss as many of the classically important results as possible, as well as the most recent discoveries. The programs include are written in PASCAL to allow readers to translate the programs into the language of their own computers. "

"ABTSRAKBeberapa permasalahan analisis numerik dapat disederhanakan menjadi permasalahan penyelesaian sistem persamaan linear AOC=b,dengan A?Am'a, xeRn, dan beRm. Untuk man, permasalahan persamaan ini merupakan permasalahan kuadrat terkecil yang mencari penyelesaian x dengan meminimumkan norm residu ||Ax-b|| Penelitian ini membahas sistem persamaan linear Toeplitz T. Metode-metode yang dipakai untuk menyelesaikan sistem persamaan linear ini adalah faktorisasi Cholesky, eliminasi Gauss, Conjugate Gradient, faktorisasi fast inverse QR, dan faktorisasi fast QR. Penelitian ini bertujuan untuk melihat efisiensi waktu proses dan keakuratan antara penyelesaian numerik yang diperoleh dengan penyelesaian eksak. Hasil percobaan menunjukkan bahwa metode-metode tersebut dapat dipakai untuk menyelesaikan persamaan linear dengan matriks T well-condition. Bila menggunakan matriks Toeplitz T ill-condition, maka metode Cholesky kurang akurat dibandingkan dengan keempat metode lainnya. Solusi paling cepat dan paling akurat dihasilkan oleh metode faktorisasi Fast QR."

"ABSTRAKIndonesia membutuhkan pembangunan infrastruktur telekomunikasi yang dilakukan berdasarkan asas manfaat, adil dan merata serta adanya kepastian hukum sehingga mampu mendorong pemerataan ekonomi. Namun, dengan kondisi keuangan operator saat ini, terutama operator non dominan, rasa kawatir akan kemampuan operator untuk melakukan pembangunan infrastruktur telekomunikasi yang adil dan merata di seluruh wilayah Indonesia menjadi sebuah tanda tanya tersendiri. Suatu cara yang bisa dilakukan operator, khususnya operator non dominan, yaitu melakukan efisiensi di sisi pengeluaran melalui berbagi infrastruktur. Akan tetapi, berbagi infrastruktur dapat mempengaruhi kompetisi antar operator seluler, termasuk perubahan landscape model bisnis, sehingga sering kali menimbulkan resistansi dari operator yang telah memiliki infrastruktur jaringan yang lebih merata. Tujuan penelitian ini adalah mengusulkan kerangka regulasi berbagi infrastruktur jaringan bagi operator seluler yang tepat diterapkan di Indonesia. Hasil analisis menggunakan regulatory impact analysis menunjukkan bahwa regulasi eksisting sudah saatnya dilakukan perubahan sehingga regulasi yang baru diharapkan mampu mendorong terciptanya iklim bisnis yang sehat dan berkelanjutan secara komersial bagi seluruh operator. Regulatory framework yang berupa mengizinkan operator seluler untuk melakukan skema MORAN bisa diterima oleh semua stakeholder, kecuali oleh operator dominan dengan tingkat resistansi yang relatif tidak terlalu besar. Hasil analisis menggunakan cost and benefit analysis menghasilkan net benefit sebesar Rp. 52,183 trilyun selama 5 tahun, nilai multi criteria analysis sebesar 49, dan nilai competitive impact analysis sebesar 60.

---

ABSTRACTIndonesia needs the development of telecommunication infrastructure based on the principle of benefit, fair, equitable and the existence of legal certainty so as to encourage economic equity. However, with the current financial condition of operators, especially non dominant operators, a sense of anxiety over the operators capability to undertake a fair and equitable development of telecommunication infrastructure across Indonesia becomes a question mark. A way that operators can, especially non dominant operators, do efficiency on the expenditure through infrastructure sharing. However, infrastructure sharing can affect competition among mobile operators, including changes in the landscape of business models, which often leads to the resistance of operators who already have a more equitable network infrastructure. The purpose of this study is to propose a regulatory framework of infrastructure sharing for mobile operators appropriately implemented in Indonesia. The result of the analysis using regulatory impact analysis showed that the existing regulation is time to change so that the new regulation is expected to encourage the creation of commercially sustainable and healthy business for all operators. Regulatory framework in the form of allowing mobile operators to perform MORAN schemes can be accepted by all stakeholders, except by dominant operators with relatively small resistance levels. The result of analysis using cost and benefit analysis resulted net benefit Rp. 52.183 trillion for 5 years, multi criteria analysis value is 49, and competitive impact value is 60. "

"Tujuan dari penelitian ini adalah menguji akurasi dari metode faktorisasi matriks probabilitas (pmf) pada data rating film MovieLens. Dalam pmf, data ini dapat direprentasikan dalam bentuk matriks R. yang berukuran n x m, dimana n adalah banyaknya pengguna sedangkan m adalah banyaknya judul film. Keluaran dari model ini adalah berupa dua buah matriks W dan H. Dimana W adalah matriks fitur pengguna sedangkan H adalah matriks fitur film. Akurasi dari model tercermin dari besarnya norm Frobenius 'R-WH' pada data testing. Matriks W dan H dapat diestimasi dengan menggunkan Teorema Bayes. Berdasarkan Teorema ini, model yang baik adalah model yang memiliki probabilitas posterior maksimum. Dari eksperimen, kondisi tersebut dicapai saat parameter k=17 dan lambda=0.2 dengan RMSE=0.920661. Pada nilai RMSE tersebut model ini masuk kategori yang baik dalam memprediksi banyaknya genre dan skor kosong dalam matriks R.

---

The purpose of this study is to test the accuracy of the method of probabilistic matrix factorization (PMF) on MovieLens movie rating data. In PMF, this data can be represents by the sparse matrix R. size nxm, where n is the number of users, while m is the number of movie titles. The output of the model is in the form of two matrices W and H. Where W is the matrix of user features, while H is the matrix of films features. The accuracy of the model is reflected in the size of the Frobenius norm 'R-WH' in the data testing. Matrices W and H can be estimated by using Bayes theorem. Based on this theorem, a good model is a model that has a maximum posterior probability. From these experiments, the condition is achieved when the parameters k = 17 and lambda = 0.2 with RMSE = 0.920661. In this model, the RMSE values in the category of good in predicting the number of genre and empty scores in the matrix R."

"Inversi seismik telah diaplikasikan untuk membantu proses interpretasi data seismik dengan menghasilkan parameter impedansi akustik yang dapat berguna dalam karakterisasi suatu reservoar hidrokarbon. Beberapa metode yang dapat digunakan untuk melakukan inversi seismik antara lain : BLIMP (Bandlimited Impedance Inversion), Model Based Inversion dan Sparse Spike Inversion. Pada kasus ini dibandingkan dua buah metode antara bandlimited inversion dan linear programming sparse spike inversion. Metode bandlimited menggunakan deret tras seismik sebagai koefisien refleksi untuk kemudian dilakukan penambahan low frequency trend dari data impedansi sumur kepada setiap tras seismik. Sedangkan untuk metode linear programming sparse spike inversion mempergunakan deret reflektivitas hasil proses dekonvolusi yang masih bersifat bandlimited diolah dengan metode pemograman linier untuk menghasilkan deret reflektifitas yang sparse spike. Linear programming sparse spike inversion menunjukkan hasil impedansi akustik dengan karakteristik yang blocky sedangkan metode bandlimited menghasilkan impedansi akustik dengan karakter smooth menyerupai tras seismik. Linear programming sparse spike memiliki daya pisah yang lebih baik dibandingkan metode bandlimited tampak dari keberhasilan metode ini menunjukkan kemungkinan adanya patahan pada zona target yang tidak dapat ditunjukkan oleh metode bandlimited.

---

Seismic inversion method has been aplied to the interpretation of seismic data and has been succed for maping acoustic impedance distribution which is useful for reservoir caracterization. There are at least three methods of post stack seismic inversion, Band Limited Impedance Inversion, Model Based Inversion and Sparse Spike Inversion. In this study it has been compared two inversion methods between bandlimited inversion and linear programming sparse spike inversion. Bandlimited inversion method use seismic trace as series of reflection coefficient then added low frequency trend of acoustic impedance from well to each seismic trace. The other side linear programming sparse spike inversion use linear programming algorithm for producing sparse spike reflection coefficient. Linear programming sparse spike inversion result acoustic impedance with blocky structure and the other hand bandlimited show smooth structure like seismic trace. Linear programming sparse spike inversion has better resolution than bandlimited inversion, linear programming sparse spike inversion could show existence of fault in target zone which bandlimited failed to show it."

"ABSTRAKPesatnya perkembangan teknologi infomzasi saat ini, telah berdampak terhadap tmnsaksi perdagangan, dimana proses perdagangan tidak hanya menggunakan cara konvensional teiapi telah memanfaatkan teknologi informasi. Keberadaan suatu sistem yang dapat memberikan rekomendasi kepada pengguna atau lebih dikenal dengan istilah sistem rekomendasi mulai banyak diperhitungkan. Yang menjadi permasalahan adalah apakah nekomendasi yang diberikan telah sesuai dengan keinginan dan kebutuhkan pcngguna. Tesis ini menguraikan tentang analisis akurasi prediksi yang diperoleh dari sistem rekomcndasi berdasarkan metode collaborative _filtering dengan menggunakan teknik Non-Negative Matrix Factor-ization (NA09. Hasii pengujian menunjukkan bahwa akurasi prediksi yang dihasilkan telah relatifbaik dengan nilai kesalahan sebesar 0,95049l.

---

Abstract

Perfomance Analysis of Non-Negative Matrix Factorization (NMF) in Recommendation Systems The rapid development of infonnation technology today, has an impact on trade transactions, where the trade is not only using conventional means but it has been using infonnation technology. The existence of a system that can provide recommendations to the user, or better known as a recommendation system began many counts. What matters is whether the recommendations are in accordance with the wishes and the needs of users. This thesis describes the analysis ofthe accuracy of predictions obtained from a recommendation system based on collaborative filtering method using the technique of Non-Negative Matrix Factorization (NMF). Test mults show that the resulting prediction accuracy was relatively good with an error value of 0.950491."

"Saat ini transaksi perdagangan tidak hanya menggunakan cara konvensional namun telah memanfaatkan perkembangan teknologi, informasi dan komunikasi yaitu transaksi jual beli secara elektronik atau online. Salah satu aplikasi yang diterapkan dalam jual beli secara online adalah sistem rekomendasi. Salah satu strategi dalam sistem rekomendasi adalah collaborative filtering dengan metode latent variable model. Latent variable model merupakan metode perekomendasian yang menganalisis pola hubungan diantara pengguna dan produk secara langsung, yaitu berdasarkan kemiripan/jarak antara pengguna dan produk. Hal ini dapat terjadi karena baik pengguna maupun produk memiliki fitur yang sama. Metode latent variable model yang sering digunakan pada sistem rekomendasi adalah faktorisasi matriks.Salah satu metode optimasi dalam faktorisasi matriks adalah metode gradient descent. Namun karena data yang tersedia dalam membangun model sistem rekomendasi cukup banyak bervariasi maka memungkinkan terjadinya overfitting dan bias. Oleh karena itu pada penelitian ini akan menganalisis akurasi model faktorisasi matriks berbasis metode gradient descent dengan regularisasi dan bias. Eksperimen dilakukan melalui simulasi komputasi untuk mendapatkan parameter model yang optimal.Berdasarkan eksperimen yang telah dilakukan pada saat 𝑘=5 dan 𝜆1=0.05 model faktorisasi matriks berbasis metode gradient descent dengan regularisasi dan bias memiliki tingkat akurasi yang lebih baik dengan model faktorisasi matriks berbasis metode gradient descent dengan regularisasi saja yaitu 0.93552 dan 1.19219.

---

Nowdays transactions of trade does not only do conventionally but using technology development, information and communication, such as electronic trade or online. One of application which uses in online trade is recommender systems. One of strategy in recommendation system is collaborative filtering with latent variable model. Latent variable model is recommendation method which analyze pattern of relationship among user and product. This thing can occurred because user and product have the same feature. Latent variable model which commonly use is matrix factorization.

One of optimist method in matrix factorization is gradient decsent method. But because many data and variation data, its will be overfitting and bias. Because of that, in this research will analyse accuracy of matrix factorization model based on gradient descent method with regularization and bias. Experiment is done by simulating computation to get optimal model parameter.

Based on experiment when 𝑘=5 and 𝜆1=0.05 matrix factorization model based on gradient descent method with regularization and bias had better accuracy than matrix factorization model based on gradient descent method with only regularization, it?s 0.93552 and 1.19219."

"Sistem rekomendasi (recommendation system) terus dikembangkan khususnya pada aplikasi teknik analisis data dalam membantu pengguna on-line (user) menemukan produk (item) yang ingin mereka beli. Satu dari beberapa metode dalam sistem rekomendasi adalah collaborative filtering (CF) dengan pendekatan latent variable models berdasarkan faktorisasi matriks. Hubungan antara pengguna (users) dan produk (item) dalam collaborative filtering dapat disajikan dalam bentuk matriks rating R. Penelitian ini membahas metode collaborative filtering berbasis model faktorisasi matriks pada sistem rekomendasi.Dalam faktorisasi matriks, permasalahan utamanya adalah mencari dua buah matriks Wm x k dan matriks Hk x m sehingga WH ≈ R dengan Rm x n. Akurasi dari model tercermin dari besarnya norm ║R-WH║ pada data testing. Terdapat beberapa teknik faktorisasi yang telah digunakan dalam CF. Dalam penelitian ini metode yang digunakan adalah faktorisasi matriks dengan metode gradient descent.Berdasarkan eksperimen, parameter model yang optimal yang memenuhi fungsi optimasi diperoleh pada nilai k = 3 dengan learning rate 8 x 10-5. Akurasi model dihitung menggunakan root mean square error (RMSE) dan nilai RMSE model pada eksperimen ini adalah 0,9335.

---

Recommendation systems continue to be developed especially in the application of data analysis techniques in helping users on-line find a product (item) that they want to buy. One of several methods in collaborative filtering recommendation system is (CF) approach to latent variable models based on matrix factorization. The relationship between the user and product (item) in the collaborative filtering (CF) can be presented in the form of rating matrix R. This study discusses the collaborative filtering method based on matrix factorization model of recommendation systems.

In the matrix factorization, the main problem is to find two matrices Wmxk and Hk x m so that WH ≈ R with Rmxn. The accuracy of the model is reflected in the norm ║R-WH║ in the testing data. There are several techniques that have been used in the factorization method of collaborative filtering (CF). In this study the method used is matrix factorization with gradient descent methods.

Based on the experiments, the optimal model parameters that meet the optimization function values ​​obtained at k = 3 with a learning rate of 8 x 10-5. The accuracy of the model is calculated using the root mean square error (RMSE) and RMSE values ​​in experimental models is 0.9335."