Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tugas akhir ini secara umum bertujuan untuk membahas latent profile model yaitu suatu model yang menghubungkan sejumlah variabel indikator yang bersifat kontinu dengan variabel laten kategorik yang dibentuknya. Kelas-kelas dari variabel laten pada latent profile model disebut kelas laten. Tiap kelas laten memiliki profil yang dapat diwakili oleh vektor mean dan vektor variansi dari variabel indikator pada tiap kelas. Dalam analisis laten profil, yang akan dilakukan adalah membentuk kelas dari variabel laten berdasarkan sejumlah variabel indikator kontinu sedemikian sehinga di dalam setiap kelas laten, variabel-variabel indikator akan saling bebas, kemudian menentukan mean dan variansi (profil) dari variabel-variabel indikator pada setiap kelas laten. Penaksiran parameter dalam latent profile model menggunakan taksiran maksimum likelihood, yang diselesaikan dengan algoritma EM (Expectation-Maximization). Kecocokan model dan banyaknya kelas laten optimal dalam latent profile model diuji dengan uji rasio likelihood. Metode tersebut akan diterapkan untuk membentuk kategori dari variabel laten “tingkat mengatur diri sendiri” berdasarkan variabel indikator “tingkat ketaktergantungan”, “skor tanggung jawab, dan “tingkat ketenangan” pada mahasiswa baru matematika FMIPA UI angkatan tahun 2010. Hasil analisis data menunjukkan bahwa tingkat mengatur diri sendiri pada mahasiswa baru matematika FMIPA UI angkatan 2010 dapat dikategorikan menjadi 2 kelas."

"Tugas akhir ini secara umum bertujuan untuk membahas latent class model yaitu suatu model yang menghubungkan probabilitas respon suatu individu untuk variabel-variabel indikator dengan suatu variabel laten yang bersifat kategorik. Penaksiran parameter dalam latent class model menggunakan taksiran Maximum Likelihood, yang dicari melalui algoritma EM (Expectation-Maximization). Kecocokan model diuji dengan uji rasio likelihood. Model terbaik dengan banyak kelas optimal dipilih berdasarkan reduksi L2 , dimana L2 adalah nilai statistik uji untuk banyak kelas terkait. Berdasarkan banyak kelas yang terbentuk pada model terbaik ini, individu-individu akan dikelompokkan ke dalam kelas-kelas tersebut. Metode tersebut akan diterapkan untuk mencari latent class model dengan tingkatan gejala pasien demam berdarah sebagai variabel laten kategorik yang dibentuk dari 5 variabel indikator kategorik, yaitu transfusi, nadi, tekanan darah, hb darah, dan trombosit. Hasil analisis data menunjukkan bahwa tingkatan gejala demam berdarah dapat dikategorikan menjadi 3 kelas."

"Salah satu metode yang digunakan untuk menentukan taksiran fungsi densitas secara nonparametrik adalah Metode Pendekatan Model Campuran (Mixed Model Approach). Perhitungannya dilakukan terlebih dahulu dengan pembagian data dalam n buah kelas (n ?1) yang lebarnya sama, sebut d . Misalkan titik-titik tengah kelas adalah xi. Akan ditaksir fi yaitu nilai fungsi densitas di xi. Menaksir i i x =Nf d , dengan N adalah banyaknya data, ekivalen dengan menaksir i l dari data Poisson. Model campuran yang digunakan adalah ln i i l = _x0008_ +b , dengan bi random dan _x0008_ fixed. Menggunakan syarat pemulusan normal, yaitu d i D b iid berdistribusi N(0, s 2 b ), dengan i i i 1 b b b - D = - dan 1 1 1 d d d i i i b - b - b - D = D - D , untuk d = 2, 3, 4, . . . n-1. Sehingga diperoleh taksiran fungsi densitas ? if yaitu ? ?i i f N l d = .Salah satu metode yang digunakan untuk menentukan taksiran fungsi densitas secara parametrik adalah Algoritma EM (Expectation Maximization Algorithm). Algoritma EM mencari nilai taksiran parameter dan probabilitas pencampuran melalui proses iterasi yang dimulai dengan suatu nilai awal. Setiap iterasi merupakan proses EM yang terdiri atas E-Step (Langkah Ekspektasi) dan M-Step (Langkah Maksimisasi). Untuk mengaplikasikan metode di atas digunakan data waiting time (dalam menit) antar erupsi dari geyser Old Faitful di Taman Nasional Yellowstone pada tahun 1990 sebanyak 299 pengamatan [Paw01]. Dari hasil pengolahan diperoleh data tersebut berdibusi campuran (mixture distribution) Gamma -Gamma dengan probabilitas pencampuran 1 ? p = 0,3230 dan parameter ? a = 106,6821, ?l = 1,9510 untuk distribusi Gamma (kiri) serta probabilitas pencampuran 2 ? p = 0,6770 dan parameter ? a = 127,2793, ?l = 1,5766 untuk distribusi Gamma (kanan). Kata kunci: Algoritma EM (Expectation Maximization Algorithm), Distribusi Campuran (Mixture Distribution), Metode Pendekatan Model Campuran (Mixed Model Approach Method), Probabilitas Pencampuran (Mixing Probability)."

"K-Mean method is a clustering method in which grouping techniques are based only on distance measure among observed objects, without considering statistical aspects...."

"Abstrak. Imputasi missing values berperan penting dalam pre-processing data untuk menghasilkan data yang lengkap dan berkualitas. Dalam penelitian ini, dilakukan kombinasi dari Decision Tree dan algoritma Expectation Maximization (EM) sebagai metode imputasi dalam mengestimasi missing values. Namun, terdapat kekurangan pada metode ini, yaitu algoritma Expectation Maximization (EM) cenderung memberikan hasil imputasi yang lebih akurat jika terdapat banyak kemiripan antar atribut. Hal ini dapat diatasi dengan mempartisi segmen horisontal menggunakan algoritma Decision Tree. EM diterapkan pada berbagai segmen horisontal dari data set agar diperoleh banyak kemiripan antar atribut. Metode yang diusulkan ini kemudian dievaluasi dengan membandingkan kinerjanya dengan imputasi menggunakan mean dalam mengestimasi missing values data numerik dan dipilih Decision Tree sebagai classifier. Data yang digunakan untuk simulasi dalam penelitian ini yaitu data set PPOK-OSA. Penelitian ini menunjukkan bahwa metode imputasi missing values yangdiusulkan menghasilkan akurasi yang lebih tinggi jika dibandingkan menggunakan nilai mean dalam mengestimasi missing values. Hasil akurasi tertinggi dari metode ini yaitu83.3%, diperoleh pada saat persentase data training 10% dan rata-rata akurasi pada berbagai persentase data training sebesar 70.3%, sedangkan hasil akurasi tertinggi menggunakan nilai mean yaitu 58.3%, diperoleh pada saat persentase data training 20% dengan rata-rata akurasipada berbagai persentase data training sebesar 50.5%.

---

Abstract. Missing values imputation plays a vital role in data pre-processing for ensuring good quality of data. In this study, we present a combination of Decision Tree andExpectation Maximization (EM) algorithm as imputation method to estimate missing values. However, there are shortcomings of method, where the Expectation Maximization algorithm tends to give more accurate imputation results if there are many similarities among attributes. Therefore, this can be overcome by partitioning the horizontal segments using the DecisionTree algorithm. We applied EM on various horizontal segments of a data set where there are many similarities among attributes. Besides, we evaluate our proposed method by comparing its performance with mean values to impute missing values, and we choose the Decision Treeas a classifier. Data used in this research is COPD-OSA data set. In this study shows that ourproposed method leads to higher accuracy than mean imputation. The highest accuracy results obtained from our proposed method is 83.3% when the percentage of training data is10% and average accuracy in various percentage of training data is 70.3%, while the highest accuracy results using the mean value is 58.3% when the training data percentage is 20% and the average accuracy in various percentage of training data is 50.5%."

" E-learning dalam dunia pendidikan sudah banyak diterapkan untuk meningkatkan mutu pendidikan salah satunya adalah penggunaan e-learning pada pengujian akademis baik ujian pilihan ganda, esai, dan lisan. Proses penilaian jawaban ujian mahasiswa masih secara manual maka dari itu, penilitian membahas pengembangan Sistem Penilaian Ujian Lisan atau SIPENILAI dalam bahasa Jepang dengan menerapkan API google speech recognition dan metode LSA. SIPENILAI merupakan sistem yang dikembangkan oleh Departemen Teknik Elektro yang bertujuan untuk menilai ujian lisan secara otomatis. Speech recognition yang akan diterapkan memakai API google speech recognition yang merupakan API yang digunakan untuk mendeteksi suara yang kemudian diubah menjadi teks. Algoritma LSA merupakan metode yang digunakan untuk menganalisa kemiripan antara kalimat dengan dokumen jawaban dari pengajar. Kata dalam kalimat akan disusun menjadi matriks kemudian diproses dengan SVD (Singular Value Decomposition) dan diukur kemiripan antara kalimat dengan dokumen jawaban menggunakan Frobenius Norm. Dari pengujian yang telah dilakukan SIPENILAI dapat mencapai rata-rata akurasi sebesar 83.64% untuk pengguna fasih dan 76.89% untuk pengguna tidak fasih.

---

E-learning in the world of education has been widely applied to improve the quality of education one of which is the use of e-learning in academic testing both multiple choice exams, essays, and oral. The process of evaluating student exam answers is still manual and therefore the research, discussing the development of the Oral Examination Assessment System or SIPENILAI in Japanese by implementing Google API speech recognition and LSA methods. SIPENILAI is a system developed by the Department of Electrical Engineering which aims to assess oral examinations automatically. Speech recognition that will be implemented using Google API speech recognition which is an API that is used to detect sound which is then converted into text. LSA algorithm is a method used to analyze the similarity between sentences and the document answers from the teacher. The words in the sentence will be arranged into a matrix and then processed with SVD (Singular Value Decomposition) and measured the similarity between the sentence with the answer document using Frobenius Norm. From testing that has been done, SIPENILAI can reach an average accuracy of 83.64% for fluent users and 76.89% for non-fluent users."

"Sistem penilaian ujian merupakan suatu mekanisme yang dapat digunakan untuk menentukan tingkat kemampuan siswa terhadap materi pembelajaran yang diberikan pada proses belajar mengajar. Bentuk soal esei (essay) adalah salah satu bentuk penilaian (grading). Dengan metode esei pilihan jawaban tidak disediakan dan siswa harus menjawab dengan kalimat. Jawaban esei dapat sangat bervariasi sesuai dengan pemikiran masing-masing peserta ujian. Latent Semantic Analysis (LSA) adalah suatu metoda yang memberikan penilaian yang cukup akurat seperti pada perangkat lunak Intelligent Essay Assessor (IEA) yang menggunakan teknik LSA dengan basis bahasa Inggris. Pada IEA ini didasarkan pada kinerja kesesuaian terhadap penilaian manusia (agreement with human rater) dengan rentang nilai kesesuaian 85 - 91. Kelebihan dari teknik LSA ini terdapat pada tidak mempertimbangkan struktur sintaksisnya, sehingga yang diolah adalah kata-kata atau kelompok kata dari sebuah kantong kata-kata tanpa memperhatikan urutan dari kalimat yang menggunakan kata-kata tersebut. Pada disertasi ini dibuat suatu sistem Penilaian Esei Otomatis yang disebut SIMPLE untuk ujian dalam versi bahasa Indonesia dengan menambahkan 3 fitur tambahan untuk meningkatkan kinerja dari metoda LSA ini, yaitu dengan memberikan bobot lebih pada kata-kata yang dianggap penting di antara kata kunci yang dipilih, dan memperhatikan persamaan kata serta urutan kata dalam kalimat. Ujicoba telah dilakukan pada SIMPLE dengan 2 tahapan, yaitu yang pertama adalah mernbandingkan sistem yang tanpa menggunakan bobot dengan sistem yang menggunakan bobot. Untuk ujicoba ini didapatkan kesesuaian dengan kisaran 82,56 % - 96,42 %. Sedangkan untuk ujicoba yang ke dua adalah dengan menerapkan SIMPLE pada ujian on-line siswa dan didapat hasil dari S0 ujicoba yang dilakukan, nilai kesesuaian dengan human rarers berkisar dari 69,80 % - 98,42 %."

"ABSTRAKDalam penelitian ini, Sistem Penilaian Esai Ototmatis (Simple-O) dirancang menggunakan algoritma Latents Semantic Analysis (LSA), Term Frequency-Inverse Document Frequency, dan algoritma Support Vector Machine (SVM). Algoritma LSA digunakan untuk mengolah kata-kata yang merepresentasikan kata-kata dalam teks menjadi matriks. Algoritme SVM digunakan untuk mengklasifikasikan esai jawaban siswa berdasarkan topiknya. TF-IDF digunakan untuk menimbang setiap kata dalam teks yang akan menjadi input SVM. Dari penelitian ini ketepatan penggunaan jawaban dosen sebagai jawaban referensi adalah 72,01% dan ketepatan penggunaan kata kunci sebagai jawaban referensi adalah 69,5%.

---

ABSTRACTIn this study, the Automatic Essay Assessment System (Simple-O) was designed using the Latents Semantic Analysis (LSA) algorithm, Term Frequency-Inverse Document Frequency, and the Support Vector Machine (SVM) algorithm. The LSA algorithm is used to process words that represent words in the text into a matrix. The SVM algorithm is used to classify student essays based on their topic. TF-IDF is used to weigh each word in the text that will become SVM input. From this research, the accuracy of using lecturers' answers as reference answers was 72.01% and the accuracy of using keywords as reference answers was 69.5%."