Hasil Pencarian  ::  Simpan CSV :: Kembali

"Paper ini mengkaji sebuah solusi untuk permasalahan penilaian jawaban esai secara otomatis dengan menggabungkan support vector machine (SVM) sebagai teknik klasifikasi teks otomatis dengan LSA sebagai usaha untuk menangani sinonim dan polisemi antar index term. Berbeda dengan sistem penilaian esai yang biasa yakni fitur yang digunakan berupa index term, fitur yang digunakan proses penilaian jawaban esai adalah berupa fitur generic yang memungkinkan pengujian model penilaian esai untuk berbagai pertanyaan yang berbeda. Dengan menggunakan fitur generic ini, seseorang tidak perlu melakukan pelatihan ulang jika orang tersebut akan melakukan penilaian esai jawaban untuk beberapa pertanyaan. Fitur yang dimaksud meliputi persentase kemunculan kata kunci, similarity jawaban esai dengan jawaban referensi, persentase kemunculan gagasan kunci, persentase kemunculan gagasan salah, serta persentase kemunculan sinonim kata kunci. Hasil pengujian juga memperlihatkan bahwa metode yang diusulkan mempunyai tingkat akurasi penilaian yang lebih tinggi jika dibandingkan dengan metode lain seperti SVM atau LSA menggunakan index term sebagai fitur pembelajaran mesin.

---

AbstractThis paper examines a solution for problems of assessment an essay answers automatically by combining support vector machine (SVM) as automatic text classification techniques and LSA as an attempt to deal with synonyms and the polysemy between index terms. Unlike the usual essay scoring system that used index terms features, the feature used for the essay answers assessment process is a generic feature which allows testing of valuation models essays for a variety of different questions. By using these generic features, one does not need to re training if the person will conduct an assessment essay answers to some questions. The features include percentage of keywords, similarity essay answers with the answer reference, percentage of key ideas, percentage of wrong answer, and percentage of keyword synonyms. The test results also show that the proposed method has a higher valuation accuracy rate compared to other methods such as SVM or LSA, use term index as features in machine learning."

"Penelitian yang ada pada saat ini mengenai Question Answer (QA) biasanya mendapatkan jawaban dari sumber teks yang tidak terstruktur seperti kumpulan berita atau halaman. Sesuai dengan observasi peneliti dari pengguna Yahoo!Answer, biasanya mereka bertanya dalam natural language yang sangat kompleks di mana mengandung bentuk yang terstruktur dan tidak terstruktur. Secara umum, menjawab pertanyaan yang kompleks membutuhkan pertimbangan yang tidak hanya sumber tidak terstruktur tetapi juga sumber yang terstruktur. Pada penelitian ini, peneliti mengajukan suatu ide baru untuk meningkatkan keakuratan dari jawaban pertanyaan yang kompleks dengan mengenali bentuk terstruktur dan tidak terstruktur dan mengintegrasikan keduanya di web. Framework yang digunakan terdiri dari tiga bagian: Question Analysis, Resource Discovery, dan Analysis of The Relevant Answer. Pada Question Analysis peneliti menggunakan beberapa asumsi dan mencoba mencari bentuk data yang terstruktur dan tidak terstruktur. Dalam penemuan sumber daya, peneliti mengintegrasikan data terstruktur (relational database) dan data tidak terstruktur (halaman web) untuk mengambil keuntungan dari dua jenis data untuk meningkatkan dan untuk mencapai jawaban yang benar. Peneliti dapat menemukan fragmen atas terbaik dari konteks halaman web pada bagian Relevant Answer dan kemudian peneliti membuat pencocoka skor antara hasil dari data terstruktur dan data tidak terstruktur. Terakhir peneliti menggunakan template QA untuk merumuskan pertanyaan.

---

AbstractThe current researches on question answer usually achieve the answer only from unstructured text resources such as collection of news or pages. According to our observation from Yahoo!Answer, users sometimes ask in complex natural language questions which contain structured and unstructured features. Generally, answering the complex questions needs to consider not only unstructured but also structured resource. In this work, researcher propose a new idea to improve accuracy of the answers of complex questions by recognizing the structured and unstructured features of questions and them in the web. Our framework consists of three parts: Question Analysis, Resource Discovery, and Analysis of The Relevant Answer. In Question Analysis researcher used a few assumptions and tried to find structured and unstructured features of the questions. In the resource discovery researcher integrated structured data (relational database) and unstructured data (web page) to take the advantage of two kinds of data to improve and to get the correct answers. We can find the best top fragments from context of the relevant web pages in the Relevant Answer part and then researcher made a score matching between the result from structured data and unstructured data, then finally researcher used QA template to reformulate the questions."

"Fokus dari penelitian ini adalah untuk mengembangkan data dan sistem Question Answering (QA) Bahasa Indonesia untuk pertanyaan non-factoid. Penelitian ini merupakan penelitian QA non-factoid pertama untuk Bahasa Indonesia. Adapun sistem QA terdiri atas 3 komponen yaitu penganalisis pertanyaan, pengambil paragraf, dan pencari jawaban. Dalam komponen penganalisis pertanyaan, dengan asumsi bahwa pertanyaan yang diajukan merupakan pertanyaan sederhana, digunakan sistem yang berbasis aturan sederhana dengan mengandalkan kata pertanyaan yang digunakan (?apa?, ?mengapa?, dan ?bagaimana?). Paragraf diperoleh dengan menggunakan pencarian kata kunci baik dengan menggunakan stemming ataupun tidak. Untuk pencari jawaban, jawaban diperoleh dengan menggunakan pola kata-kata khusus yang ditetapkan sebelumnya untuk setiap jenis pertanyaan. Dalam komponen pencari jawaban ini, diperoleh kesimpulan bahwa penggunaan kata kunci non-stemmed bersamaan dengan kata kunci hasil stemming memberikan nilai akurasi jawaban yang lebih baik, jika dibandingkan dengan penggunaan kata kunci non-stemmed saja atau kata kunci stem saja. Dengan menggunakan 90 pertanyaan yang dikumpulkan dari 10 orang Indonesia dan 61 dokumen sumber, diperoleh nilai MRR 0.7689, 0.5925, dan 0.5704 untuk tipe pertanyaan definisi, alasan, dan metode secara berurutan.

---

AbstractFocus of this research is to develop QA data and system in Bahasa Indonesia for non-factoid questions. This research is the first non-factoid QA for Bahasa Indonesia. QA system consists of three components: question analyzer, paragraph taker, and answer seeker. In the component of question analyzer, by assuming that the question posed is a simple question, we used a simple rule-based system by relying on the question word used (?what?, ?why?, and ?how?). On the components of paragraph taker, the paragraph is obtained by using keyword, either by using stemming or not. For answer seeker, the answers obtained by using specific word patterns that previously defined for each type of question. In the component of answer seeker, the conclusion is the use of non-stemmed keywords in conjunction with the keyword stemming results give a better answer accuracy compared to non-use of the keyword or keywords are stemmed stem only. By using 90 questions, we collected from 10 people of Indonesia and the 61 source documents, obtained MRR values 0.7689, 0.5925, and 0.5704 for type definition question, reason, and methods respectively."

"Berdasarkan UU Nomor 12 Tahun 2011, peraturan perundang-undangan harus ditempatkan dalam beberapa media agar dapat diakses seluruh warga. Akan tetapi, beberapa layanan resmi memiliki isu efisiensi bagi pengguna untuk mencari informasi antar peraturan hukum. Solusi alternatif sistem tanya jawab hukum berbasis knowledge graph, yaitu LexID QA memiliki keterbatasan pada pertanyaan yang lebih ekspresif. Penelitian ini mengusulkan sistem tanya jawab hukum berbasis LLM dengan knowledge graph LexID melalui few-shot prompting. Sistem yang dibangun menerjemahkan pertanyaan menjadi kueri SPARQL. Sistem terdiri dari dua komponen, yaitu tanya jawab dan entity linking. Entity linking dilakukan dengan model berbahasa Indonesia untuk memetakan pertanyaan yang diberikan pengguna menjadi pemetaan entitas dan IRI. Kemudian, tanya jawab dilakukan dengan model code generation untuk menerjemahkan pertanyaan beserta informasi entity linking menjadi kueri SPARQL, bahasa kueri knowledge graph.

---

Based on Act 12/2011, legal document must be placed in several medias for citizen to access it. However, government services have shortcoming in efficiently retrieving information involving two or more legal documents. Existing solution to this issue is LexID QA yet unable to process more expressive question. This research proposes knowledge graph legal question answering based on LLM utilizing few-shot prompting. Proposed system is expected to transform question into SPARQL query. Proposed system is composed of two components, that is question answering and entity linking. Entity linking utilize Indonesian LLM to map user's question into entity-IRI mapping. Question answering model then translate question to SPARQL query with entity linking as an additional context."

"Tugas akhir ini bertujuan untuk membuat penambahan fasilitas pada program UI-FEAP sehingga dapat memperhitungkan efek eksentrisitas sambungan dan eksentrisitas sumbu elemen pada struktur l dimensi.Eksentrisitas antara titik nodal dengan ujung awal/akhir elemen dapat diakibatkan oleh dua hal yaitu eksentrisitas sambungan dan eksentrisitas sumbu elemen. Eksentrisitas sambungan terjadi akibat adanya dimensi dari sambungan dimana ujung awal dan akhir elemen tidak berada pada titik nodal, sehingga terdapat eksentrisitas di antaranya. Perpanjangan dari sumbu elemen bertemu dan berhimpit di titik nodal. Panjang aktual elemen menjadi lebih pendek dari panjang nominalnya. Eksentrisitas sumbu elemen terjadi akibat adanya perubahan penampang elemen dimana pada pertemuan dua atau lebih elemen, sumbu-sumbu elemen tidak bertemu di suatu titik, sehingga terdapat eksentrisitas di antaranya. Salah satu sumbu elemen dapat dijadikan titik nodal.Dalam analisa eksentrisitas sambungan dan eksentrisitas sumbu elernen, digunakan suatu matriks untuk mentransfer peralihan, gaya nodal, kekakuan dan beban nodal ekivalen dari ujung awal/akhir elemen ke titik nodal. Matriks ini disebut ?matriks transformasi translasi sumbu? yang disirnbolkan oleh [Te]. Matriks ini diturunkan untuk tiap-tiap tipe struktur ID, yaitu balok menerus, portal bidang, balok silang, dan portal ruang berdasarkan kajian teori. Besarnya eksentrisitas harus diuraikan dalam sumbu koordinat global struktur, dan merupakan jarak dari titik nodal ke ujung awal/akhir elemen.Pemrograman pada UI-FEAP menggunakan bahasa Fortran melalui Fortran Power Station 4.0. Pemrograman dimulai dengan membuat subroutin elemen pada keenam tipe struktur ID. Kemudian empat subroutin elemen ditambahkan ?matriks transfonnasi translasi sumbu? dalam programnya, sehingga dapat menghitung eksentrisitas sambungan.Langkah selanjutnya adalah membuat sebuah subroutin yang berfungsi membaca data input eksentrisitas dan diberi nama PECCEN. Perintah pada blok data input eksentrisitas elemen adalah (ECCE)nnicities. Agar subroutin tersebut dapat dirangkaikan dengan keseluruhan program maka dibuat beberapa modifikasi pada subroutin-subroutin lain. Program yang telah dibuat kemudian dilengkapi dengan petunjuk atau pedoman pembuatan data input.Untuk menguji validitas program, dibuat beberapa kasus eksentrisitas sambungan dan eksentrisitas sumbu elemen pada tiap-tiap tipe struktur, Hasil perhitungan dari program UI-FEAP dibandingkan dengan hasil perhitungan menggunakan program GT Strudl dan program STAAD/Pro. Dari hasil diperoleh bahwa program yang dibuat telah valid.Analisa efek eksentrisitas juga diterapkan pada beberapa kasus untuk melihat seberapa besar efek eksentrisitas mulai perlu diperhitungkan dalam analisa struktur. Adanya eksentrisitas dilihat efeknya pada ban nodal ekivalen, eksentrisitas sambungan dan eksentrisitas sumbu elemen pada tiap-tiap ripe struktur."

"DCOM, CORBA, dan Java RMI adalah middleware yang memungkinkan komputasi jarak jauh atau komputasi tersebar. Meskipun telah terdapat konsep layanan web dan implementasi yang diterapkan dalam berbagai kasus saat ini, ketiga middleware di atas masih sering digunakan untuk lingkungan yang application-specific, yang membutuhkan performa lebih baik. Paper ini diharapkan akan memberikan gambaran mengenai DCOM, CORBA, dan Java RMI dari konsep hingga perbedaan yang paling mendasar terkait teknik pemrograman.

---

AbstractDCOM, CORBA, and Java RMI are middleware that enable remote computing (distributed computing). Although we have Web Service concept and implementation that applied in many cases right now, all three still often used for applications-specific nature, which need the better performance. This paper is intended to give an overview of DCOM, CORBA, and Java RMI, from concept to most fundamental differences related to programming techniques."

"Dalam sistem tenaga listrik terdiri dari beberapa unit pusat tenaga listrik termasuk sejumlah pusat listrik hidro-termal (PLTA, PLTP, PLTU, PLTG, PLTGU). Jadwal operasi pembangkit yang tepat menghasilkan operasi yang optimum bagi sistem tenaga listrik secara keseluruhan untuk mencapai biaya bahan bakar yang minimum. Agar dicapai operasi yang optimum, perlu dilakukan pengaturan pembebanan pada pembangkit listrik yang melayani beban tenaga listrik. Beban sistem tenaga listrik berubah-ubah menurut waktu dalam rupiah per jam juga berubah-ubah menurut waktu, biaya operasi sistem tenaga listrik merupakan tujuan yang akan diminimalkan, masalah ini dapat diselesaikan dengan menggunakan metoda Dynamic Programming. Biaya terbesar yang dipergunakan pada suatu pembangkitan listrik adalah biaya bahan bakar, sehingga dalam perencanaan operasi sistem diinginkan agar biaya bahan bakar serendah mungkin, dalam arti dicapai biaya bahan bakar yang optimum. Dengan mengkoordinasikan pembangkit hidro termal di system Jawa Tengah dan DIY menggunakan Dynamic Programming diperoleh total biaya operasi sebesar Rp 23.972.678.655. Sedangkan total biaya operasi yang dikeluarkan oleh PT.PLN adalah sebesar Rp 25.013.942.180.

---

In a power system consisting of several units including a power station hidro-thermal power station (PLTA, PLTP, PLTU, PLTG, PLTGU).Schedule the operationof appropriate plants produce optimum operation for the electric power system as a whole to achieve a minimum fuel costs. In order to achieve the optimum operation, necessary to set the load at power plants serving the electric power load. Power system load varies according to the time in rupiahs per hour also vary according to the time, the operating costs of electric power system is a goal to be minimized, this problem can be solved using Dynamic Programming method. The biggest cost is used in the generation of electricity is the cost of fuel, so that the operation of the planning system is desirable in order to fuel costs as low as possible, in the sense that achieve optimum fuel costs. By clicking coordinate hydro-thermal power system in Middle Java and DIY using Dynamic Programming the total operating expenses of Rp Rp 23.972.678.655. While total operating cost incurred by PT.PLN is Rp 25.013.942.180."