Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKMetode Eigenface diimplementasikan pada sistem otentikasi kontinu yang digunakan dalam sistem pengenalan wajah. Proses dimulai sistem dengan deteksi warna kulit, wajah serta kedua mata pengguna melalui suatu kamera. Piksel citra wajah disimpan dan diolah menjadi bentuk vektor fitur. Vektor fitur dari citra uji dan citra latih disubstraksikan dan dinormalisasikan demi mendapatkan jarak Euclidean terdekat sebagai hasil pengenalan. Sistem diuji pada enam parameter pengujian yaitu pengujian terhadap perubahan resolusi, pengujian terhadap noise, pengujian terhadap citra iluminasi rendah, pengujian terhadap perubahan etnis, serta pengujian secara kontinu. Nilai rata-rata akurasi pengenalan yang dicapai oleh rancangan ini berkisar 85.62% pada 240 citra data latih.

---

ABSTRACTEigenface method is being implemented in continuous authentication system to recognize faces. The system in this implementation is able to detect user’s skin color, face, and eyes through a camera. Each pixel in the input and template pictures is then stored and converted into feature vectors. Feature vector from the input and template images are then subtracted to find the nearest Euclidean distance which is the recognition result. The five test parameters used are variation of image resolution, noise, low-illuminated test image, user’s ethnicity, and continuous test. This system is able to achieve have up to 85.62% recognition accuracy rate with 240 training data images."

"ABSTRAKPengenalan wajah merupakan salah satu topik pada ilmu pengolahan citra yang sering dikembangkan. Salah satu dari metode pengenalan wajah ialah dengan menggunakan jaringan saraf tiruan. Jaringan saraf tiruan mengenali wajah-wajah dengan cara mempelajari wajah-wajah yang disediakan untuk pembelajaran. Metode pembelajaran yang digunakan pada tulisan ini ialah dengan lapisan tersembunyi berbentuk hemisfer yang merupakan pengembangan dari metodebackpropagation dengan data masukan yang direduksi oleh algoritma PCA. Metode ini menggunakan informasi sudut wajah pada citra sebagai parameter masukan selain data citra wajah tersebut. Seiring dengan majunya teknologi pengambilan gambar, metode ini dapat digunakan untuk mengenali wajah secara tiga dimensi.

---

ABSTRACTFace recognition is one of most discussed topics in image processing. A method used for face recognition is using artificial neural networks. Artificial neural network recognizes faces by learning the faces given to train. The learning method proposed in this paper is using hemispheric structure hidden layer which is an improvement of backpropagation algorithm with reduced data as input using principal component analysis algorithm. This method needs face’s angle on the image as parameter inputs instead of only face data. As the technology of capturing image growing, this method can be applied as an algorithm for 3D face recognition."

"Citra berkabut terjadi jika cahaya yang diterima oleh media optik dihamburkan dengan media yang keruh, seperti asap dan tetesan air. Citra berkabut dapat direstorasi menjadi citra tanpa kabut dengan proses image dehazing. Salah satu metode untuk melakukan image dehazing adalah statistical prior. Statistical prior digunakan ketika informasi yang diketahui hanyalah citra berkabut, untuk mengestimasi parameter yang tidak diketahui, seperti airlight dan transmisi. Pada penelitian ini penulis menggunakan dua metode statistical prior, yaitu Dark Channel Prior dan Two Peak Channel Prior. Untuk mendapatkan hasil terbaik, penulis melakukan optimasi parameter pada kedua metode yang digunakan. Untuk mendapatkan kualitas hasil image dehazing terbaik, penulis merancang sebuah kerangka kerja (framework usulan dari modifikasi metode Dark Channel Prior yang melibatkan pemisahan daerah langit dan non-langit dan optimasi parameter. Performa metode diuji dengan menggunakan metrik root mean square error (RMSE) dan structural similarity index measure (SSIM). Didapatkan hasil dimana metode usulan mendapatkan hasil evaluasi terbaik, dengan RMSE sebesar 0.063 dan SSIM sebesar 0.942 Untuk dataset SOTS Outdoor. Sementara untuk dataset O-Haze, metode usulan mendapatkan hasil evaluasi terbaik juga dengan RMSE sebesar 0.147 dan SSIM sebesar 0.811.

---

Hazy images occur when the light received by the optical device is scattered by turbid media such as smoke and water droplets. Hazy images can be restored to its clear version by the image dehazing process. It is possible to perform image dehazing using statistical priors. Statistical priors are used when the only known information is the hazy image itself, to estimate the unknown parameters. In this study, the author used two statistical priors, namely Dark Channel Prior and Two Peak Channel Prior. To obtain the best possible results, the author attempted to optimize the parameters of the used methods. Furthermore, to obtain the best possible quality of image dehazing results, the Author proposed a framework using a modification of the Dark Channel Prior method, which involved separating the sky and non-sky areas and parameter optimization. The method performance was evaluated using the root mean square error (RMSE) and structural similarity index measure (SSIM). The results obtained show that the proposed method is able to get the best evaluation results, with an RMSE of 0.063 and SSIM of 0.942 for SOTS Outdoor dataset. For the O-Haze dataset, the proposed method also gets the best evaluation results with an RMSE of 0.147 and an SSIM of 0.811."

"Dalam dunia sekarang ini pemodelan sistem menjadi hal yang penting dalam pengembangan dunia teknologi. Berbagai cara telah dilakukan untuk membuat algoritma pemodelan sistem yang baik dan tantangan yang dihadapi pun semakin banyak. Salah satunya tantangan yang perlu dihadapi adalah adanya sistem yang kompleks. Dalam contoh praktis, penggunaan model sistem multivariabel dalam menggambarkan sistem sungguhan sudah menjadi hal yang umum untuk memenuhi tuntutan zaman. Salah satu usaha untuk dapat memodelkan sistem multivariabel adalah dengan menggunakan algoritma machine learning dengan struktur artificial neural network. Algoritma ini memiliki kemampuan untuk dapat meningkatkan performanya secara otomatis sehingga diharapkan dapat membangun pemodelan yang terbaik untuk sistem yang ingin dimodelkan secara otomatis juga sehingga dapat memudahkan kerja manusia tanpa harus membangun persamaan matematis secara manual terlebih dahulu. Studi ini ingin memelajari hasil yang didapatkan dari percobaan pemodelan sistem dinamik pesawat terbang dengan menggunakan artificial neural network dan menjadikan hasil studi tersebut bahan pengembangan lebih lanjut dalam teknologi pemodelan sistem menggunakan artificial neural network.

---

In the modern world, system modelling becomes an important part of technology development. Various ways have been done to create good system modelling algorithms and with that more and more challenge comes. One of the challenges that need to be faced is the existence of complex systems. For example, using multivariable system model to represent real world system is becoming common nowadays to fulfil demands. One effort to model a multivariable system is to use machine learning algorithms with artificial neural network structures. This algorithm has the capability to be able to improve its performance automatically so it is expected to build the best model parameter for the system that wants to be modelled. Also, this helps to make modelling easier for human without having to build a mathematical equation manually first. This study wanted to present the results from experimental modelling of aircraft dynamic systems by using artificial neural network and with that contribute to the development of system modelling technology using artificial neural network."

"Masalah pencocokan untai terbagi menjadi dua yakni pencocokan untai eksak dan hampiran. Pada skripsi ini, masalah pencocokan untai yang dibahas adalah pencocokan untai eksak. Inti dari masalah pencocokan untai eksak adalah mencari semua posisi kemunculan suatu untai pada untai yang lain. Salah satu ukuran yang membedakan dua buah untai adalah jarak Hamming. Jika diberikan dua buah untai, misalkan x dan y dengan panjang yang sama, maka jarak Hamming antara keduanya adalah banyaknya karakter pada untai x yang berbeda dengan karakter pada untai y pada posisi yang bersesuaian. Dalam pencocokan untai eksak, panjang untai yang akan dicocokan tidak akan selalu sama sehingga jarak Hamming antara keduanya tidak dapat dihitung. Dengan merangkaikan sejumlah untai hampa pada untai yang lebih pendek sehingga panjangnya menjadi sama, jarak Hamming antara keduanya barulah dapat dihitung. Dengan pemikiran inilah akhirnya ukuran jarak Hamming digunakan dalam pencocokan untai eksak untuk mencari semua posisi kemunculan suatu untai pada untai lain yang lebih panjang.

---

String matching problem is divided into exact and approximate string matching. In this thesis, we discuss the exact string matching. The main problem of exact string matching is to find all position of a string in other string. The measure that used in this thesis is Hamming distance. Given two strings namely the x and y with the equal length, Hamming distance of the two is the number of positions at which the corresponding characters are different. In string matching problem, Hamming distance between them can?t always be calculated because the strings are not always have the same length. By concating a number of empty string with shortest string until the length to be same, then Hamming distance could be calculated. Finally, Hamming distance measure is used by exact string matching to find all position of a string in other string."

"Perusahaan Daerah Air Minum (PDAM) adalah salah satu unit usaha milik daerah, yang bergerak dalam distribusi air bersih bagi masyarakat umum yang terdapat di setiap provinsi, kabupaten, dan kotamadya di seluruh Indonesia. Setiap tahunnya dilakukan penilaian kerja PDAM oleh Badan Peningkatan Penyelengaraan Sistem Penyediaan Air Minum (BPPSPAM). Penilaian kerja Badan Usaha Milik Daerah (BUMD) penyelenggara SPAM merupakan upaya untuk melihat dan mengukur tingkat kinerja manajemen dalam mengelola perusahaan yang bertujuan untuk mengetahui sejauh mana efisiensi dan efektifitas pengelolaannya. Penilaian kinerja ini menggunakan empat aspek dimana setiap aspeknya memiliki indikator-indikator penilaian. Aspek yang pertama adalah aspek keuangan dengan indikator Return of Equity (ROE), rasio operasi, rasio kas, efektivitas penagihan, dan solvabilitas. Selanjutnya adalah aspek pelayanan dengan indikator-indikator, yaitu cakupan pelayanan teknis, pertumbuhan pelanggan, tingkat penyelesaian pengaduan, kualitas air pelanggan, dan konsumsi air domestik. Aspek yang ketiga adalah aspek operasional dengan indikator efisiensi produk, tingkat kehilangan air, jam operasi layanan, tekanan air pada sambungan pelanggan, dan penggantian dan (atau) kalibrasi meter air pelanggan. Aspek yang terakhir adalah aspek sumber daya manusia dengan indikator rasio pegawai, rasio diklat pegawai, dan rasio beban diklat terhadap beban pegawai. Indikator-indikator tersebut kemudian dihitung dan setiap unit PDAM dikelompokkan menjadi tiga kelompok yaitu sehat, kurang sehat, dan sakit. Pada penelitian ini dilakukan pengelompokan ulang dengan menggunakan metode clustering untuk menentukan berapa kelompok yang mungkin dihasilkan berdasarkan indikator-indikator tersebut. Indikator-indikator yang dipakai pada penelitian ini adalah Return of EquityROE), efektivitas penagihan, jam operasional, rasio pegawai, cakupan pelayanan teknis, pertumbuhan pelanggan, tingkat kehilangan air, tarif rata-rata, profit margin, rasio pelayanan, dan rasio kas. Penelitian ini menghasilkan kelompok-kelompok yang lebih rinci dibandingkan dengan kelompok yang sebelumnya. Penelitian ini juga membandingkan hasil clustering tersebut dengan pengelompokan yang sudah diterapkan oleh BPPSPAM.

---

Regional Water Use Company (Perusahaan Daerah Air Minum/PDAM) is one of the regional-owned business unit, which is engaged in the distribution of clean water for the general public in Indonesia. Every year a PDAM work assessment is carried out by the BPPSPAM. This work assessment is an effort to see and measure the level of management performance in managing the company which aims to determine the extent of efficiency and effectiveness of its management. This performance appraisal uses four aspects where each aspect has assessment indicators. The first aspect is the financial aspects with the indicators of Return of Equity (ROE), operating ratio, cash ratio, collection effectiveness, and solvency. The second one is the service aspects with indicators, namely technical service coverage, customer growth, complaint resolution rate, customer water quality, and domestic water consumption. The third one is the operational aspects with indicators of product efficiency, non-revenue water, service operating hours, water pressure at customer connection, and replacement (or) calibration of customer water meters. And the last one is the human resources aspects with indicators of employee ratio, employee training ratio, and the ratio of training expenses to employee expenses. These indicators are then calculated and PDAM units are grouped into three groups, namely healthy, unhealthy, and sick. In this study, regrouping was carried out using the clustering method to determine how many groups might be generated based on some of these indicators. The indicators used in this study are Return of Equity (ROE), billing effectiveness, operation hours, employee ratio, technical service coverage, customer growth, water loss rate, average fee, profit margin, service ratio, and cash ratio. This study also compares the results of the clustering with the grouping by BPPSPAM. This study resulted in more detailed groups than the previous groups."

"This paper presents a numerical analysis of gas flow in the annular combustion chamber of a Proto X-3 Bioenergy micro gas turbine for green building applications. The computational fluids dynamics (CFD) simulation was conducted in two dimensions, turbulent flow and gas phase combustion, with the goal of comparing the effects of different models in real conditions. Two different turbulence models, standard (STD) k-? and renormalization group (RNG) k-?, were applied for simulations. The fuel used was biogas produced from animal waste. Fuel consumption was assumed to be 100 kJ/s for simulations. The results of the simulations were analyzed and compared for reference. The temperature and the mass fraction of CH4, H2, O2, and CO2 distributions gave almost the same results for both models; therefore, both models (STD k-? and RNG k-?) could be used to represent the combustion process phenomenon without many significant differences."

"Estimasi parameter pada model regresi logistik pada umumnya menggunakan metode maximum likelihood dengan iterasi Newton Raphson. Pada model regresi logistik, estimasi parameter menggunakan metode maximum likelihood tidak dapat digunakan apabila ukuran sampel kecil dan proporsi kejadian sukses kecil. Permasalahan yang muncul saat ukuran sampel kecil dan proporsi sukses kecil, jika menggunakan metode maximum likelihood adalah proses iterasi yang tidak konvergen. Oleh sebab itu dalam kondisi tersebut, metode maximum likelihood tidak dapat digunakan untuk estimasi parameter. Salah satu cara untuk mengatasi ketidakkonvergenan pada iterasi tersebut adalah menggunakan modifikasi score function. Modifikasi score function dapat digunakan untuk mendapatkan estimasi parameter model regresi logistik dengan melakukan modifikasi pada fungsi likelihood. Contoh aplikasi diberikan untuk menunjukkan bahwa kemungkinan estimasi parameter model regresi logistik dengan ukuran sampel kecil dan proporsi sukses kecil menggunakan metode maximum likelihood dengan iterasi Newton Raphson memberikan hasil yang tidak konvergen dan hal ini dapat diselesaikan dengan menggunakan modifikasi score function.

---

The maximum likelihood method with Newton Raphson iteration is used in general to estimate the parameter on logistic regression model. This parameter estimation using the maximum likelihood method cannot be used if the size of the sample and proportion of successful events are small. It is because the iteration process will not convergent to some point. Therefore, the maximum likelihood method cannot be used to estimate the parameter.

One of the ways to resolve this convergent problem is using the score function modification. This modification is used to obtain the parameter estimation on logistic regression model by doing some modification on the likelihood function. The example of parameter estimation, using maximum likelihood method with small size of sample and proportion of successful events, is given to show may be the iteration process is not convergent and this can be solved with modification score function."

"

Keselarasan dari sebuah rantai pasokan sebuah perusahaan dengan strategi pemasaran melibatkan tiga tahap yaitu pemahaman terhadap konsumen, pemahaman mengenai rantai pasokan, dan harmonisasi antara rantai pasokan dengan strategi pemasaran. Dalam penelitian ini, akan mengambil salah satu bagian dari manajemen rantai supply dimana peneliti akan mengukur kepuasan konsumen dengan menggunakan Metode Data Envelopment Analysis (DEA). Pada awal implementasi ERP di Pertamina dianggap berjalan kurang maksimal sehingga dibentuklah sebuah layanan terpusat disebut sebagai layanan Shared Processing Center (SPC). SPC kini merupakan penyedia jasa kepada konsumen internal maupun eksternal di lingkungan grup Pertamina. Dengan demikian perlu dilakukan suatu pengukuran kualitas layanan jasa yang ditawarkan SPC kepada konsumen sebagai bahan evaluasi untuk meningkatkan kualitas jasa yang ditawarkan. Selain itu dalam penelitian ini juga dilakukan analisis nilai efisiensi dari setiap layanan SPC. Metode yang digunakan pada penelitian ini adalah Metode Data Envelopment Analysis (DEA). DEA digunakan untuk mengukur efisiensi relatif dari Decision Making Unit (DMU) yang mempunyai banyak input dan output. Hasil DEA menunjukkan 4 dari 5 layanan SPC mempunyai nilai efisiensi kurang dari 100% artinya hanya terdapat satu layanan SPC yang tidak efisien. Perbaikan untuk setiap layanan SPC dapat dilakukan berdasarkan faktor yang paling mempengaruhinya sehingga layanan SPC dapat meningkatkan kepuasan dan kepercayaan konsumennya

---

Alignment of a company's supply chain with a marketing strategy involves three stages, namely understanding consumers, understanding supply chains, and harmonizing supply chains with marketing strategies. In this study, we will take one part of supply chain management where the researcher will measure customer satisfaction using the Data Envelopment Analysis (DEA) method. At the beginning, the implementation of ERP at Pertamina was considered to be running less optimally so that a centralized service was formed called the Shared Processing Center (SPC) service. SPC is now a service provider to internal and external consumers within the Pertamina group. Thus it is necessary to measure the quality of services offered by SPC to consumers as an evaluation material to improve the quality of services offered. In addition, this research also analyzes the efficiency value of each SPC service. The method used in this research is the Data Envelopment Analysis (DEA) method. DEA is used to measure the relative efficiency of a Decision Making Unit (DMU) which has many inputs and outputs. The DEA results show that 4 out of 5 SPC services have an efficiency value of less than 100% meaning that there is only one SPC service that is inefficient. Improvements for each SPC service can be made based on the factors that most influence it so that SPC services can increase customer satisfaction and confidence

"

"Sekuritas derivatif merupakan alat keuangan yang berfungsi untuk mengurangi resiko akibat fluktuasi harga aset keuangan. Salah satu sekuritas derivatif adalah opsi (option). Salah satu jenis opsi adalah opsi put Amerika. Pada opsi put Amerika, adanya hak eksekusi awal menyebabkan sulitnya menentukan solusi analitik untuk harga opsi tersebut. Sehingga dilakukanlah aproksimasi menggunakan metode numerik, salah satunya yaitu algoritma Brennan-Schwartz. Sebelum menggunakan algoritma ini, masalah harga opsi put Amerika diformulasikan terlebih dahulu ke dalam bentuk masalah komplementer linier. Algoritma Brennan-Schwartz ini diawali dengan mendiskritisasi domain di mana harga opsi put Amerika terdefinisi. Selanjutnya dilakukan aproksimasi PDP Black-Scholes menggunakan central difference dan backward difference hingga dihasilkan suatu sistem persamaan linier yang matriksnya berbentuk tridiagonal. Kemudian sistem tersebut diselesaikan menggunakan dekomposisi LU. Hasil implementasi menunjukkan adanya pengaruh dari harga patokan, suku bunga, dividen, dan waktu jatuh tempo terhadap harga opsi put Amerika, dan hasil implementasi juga menunjukkan bahwa algoritma ini cukup baik dalam mengaproksimasi harga opsi put Amerika."