Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sejak adanya penemuan tentang struktur DNA yang berupa double helix, terdapat perkembangan tentang interaksi kompleks yang dibutuhkan untuk clustering (mengelompokkan) DNA menjadi clusters (kelompok-kelompok) yang memiliki kesamaan sifat ataupun fungsinya. Clustering DNA dapat dilakukan dengan metode partisi maupun metode hirarki. Dua metode tersebut dapat dipadukan dengan melakukan tahap partisi dan hirarki secara bergantian yang dikenal dengan nama HOPACH clustering. Tahap partisi dapat dilakukan dengan algoritma SOM, PAM, dan K-Means. Algoritma SOM dipilih karena menggunakan metode unsupervised learning dan efisien untuk digunakan pada data yang besar. Proses partisi dilanjutkan dengan proses ordering kemudian dilakukan collapsing dengan proses agglomerative, sehingga hasil clustering yang diperoleh menjadi lebih akurat. Penentuan cluster utama dilakukan dengan menghitung nilai kehomogenan hasil clustering menggunakan MSS (Mean Split Silhoutte). Kriteria penentuan cluster utama adalah pilih nilai MSS yang terkecil. Barisan 136 DNA EVD (Ebola Virus Disease) diperoleh dari Genbank NCBI dengan proses melakukan ekstraksi ciri DNA, selanjutnya melakukan normalisasi, dan dilanjutkan dengan menghitung jarak genetik menggunakan Jarak Euclidean. Matriks jarak genetik dapat dijadikan dasar untuk melakukan partisi serta clustering dengan menggunakan algoritma partisi SOM dalam metode HOPACH clustering. Proses ekstraksi ciri, normalisasi, dan penerapan algoritma partisi SOM dalam metode HOPACH clustering menggunakan bantuan program open source . Pada hasil clustering penerapan algoritma partisi SOM dalam metode HOPACH clustering diperoleh 9 cluster dengan nilai MSS sebesar 0,50280. Cluster yang dihasilkan dapat diidentifikasikan berdasarkan spesies dan tahun pertama kali mewabah.

---

Since the discovery of DNA structure in form of double helix, there is a development about the complex interaction required, DNA clustering into clusters which have the same features or functions. DNA clustering can be done by applying partitional or hierarchical method. Those two methods can be combined by doing partitional and hierarchical stage alternately known as HOPACH clustering. The partitional stage can be done by using SOM Algorithm, PAM, and K-Means. SOM algorithm is chosen because it uses unsupervised learning method and efficient to be used for large data. The partitional process is continued by ordering process and then performed collapsing with agglomerative process, so that the clustering result which is obtained will be more accurate. The determination of the main cluster done by calculating homogeneous value of the clustering result uses MSS (Mean Split Silhouette).

The determination criteria of the main cluster is choosing the smallest MSS value. 136 sequences of DNA EVD (Ebola Virus Disease) are obtained from NCBI Genbank by applying extraction of DNA sequence, after that doing normalization, and then calculating the genetic distance use Euclidean Distance. Genetic distance matrix can be used as a basis to do partitional and clustering by implementation SOM partitioning algorithm in HOPACH clustering method. The extraction of DNA sequence, normalization, and the implementation of SOM partitioning algorithm in HOPACH clustering method use open source program . On the result of implementation SOM partitioning algorithm in HOPACH clustering method retrieved 9 clusters with MSS value of 0,50280. The cluster which is obtained can be identified according to species and the first year of becoming an epidemic."

"Penerapan algoritma partisi k-means dalam metode HOPACH clustering dalam penelitian ini dilakukan untuk mengelompokkan barisan DNA virus ebola. Proses dimulai dengan mengumpulkan barisan DNA virus ebola yang diambil dari GenBank, kemudian dilakukan ekstraksi ciri menggunakan n-mers frequency. Hasil ekstraksi ciri barisan DNA tersebut dikumpulkan dalam sebuah matriks dan dilakukan normalisasi menggunakan normalisasi min-max dengan interval [0, 1] yang akan digunakan sebagai data masukan. Hasil pengelompokan barisan DNA virus ebola pada penelitian ini diperoleh 8 kelompok dengan nilai MSS (Mean Split Silhouette) minimum 0,50266. Proses clustering pada penelitian ini menggunakan program open source R.

---

The implementation of k-means partitioning algorithm in HOPACH clustering method in this thesis is used to clustering DNA sequences of ebola viruses. The clustering process is started with collecting DNA sequences of ebola viruses that are taken from GenBank, then performing the extraction of DNA sequences using n-mers frequency. The extraction results are collected as a matrix and normalized using the min-max normalization with interval [0, 1] which will be used as an input data. As the results, we obtained 8 clusters with minimum MSS (Mean Split Silhouette) 0,50266. The clustering process in this thesis is using the open source program R."

"Salah satu cara untuk mengetahui fungsi dari ekpresi gen (DNA/Protein) adalah dengan analisis kelompok (Clustering). Metode pengelompokan HOPACH mengkombinasikan agglomerative dan partisi. Partisi yang dapat digunakan antara lain PAM, SOM, dan K-Means yang termasuk dalam hard clustering. Dalam beberapa kasus karena beberapa hal pengelompokkan objek dengan hard clustering menjadi kurang tepat. Karena itu kemudian muncul teori himpunan fuzzy (kabur, tidak pasti) yang mendasari berkembangnya metode fuzzy clustering. Salah satu metode fuzzy clustering adalah metode Fuzzy c-means (FCM) yang merupakan perkembangan dari k-means. Hasil dari penerapan algoritma partisi fuzzy c-means dalam metode pengelompokan HOPACH adalah algortima pengelompokan dengan langkah-langkah: ekstraksi ciri dengan n-mers frecuency, normalisasi, partisi dengan FCM, menentukan kelompok terbaik dengan mencari nilai MSS minimum, ordering, dan collapsing. Hal ini dilakukan berulang kali sampai kriteria berhenti terpenuhi. Penerapan algoritma ini dilakukan dengan program R. Pada penerapan algoritma partisi dalam metode HOPACH clustering, langkah normalisasi tidak perlu dilakukan, karena FCM sendiri sudah mengatasi masalah adanya outliers. Kekurangan dari penerapan ini adalah running time program yang cukup lama untuk nilai batas toleransi yang kecil.

---

One of the way to know the function of gene expression by clustering analysis. HOPACH clustering is combine thea agglomerative and partition method. The partition are PAM, SOM, and K-means which is part of hard clustering. In some cases because of the placement object in to a cluster with hard clustering can cause an error. So that is the reason why fuzzy set theory occurs and became the foundation of fuzzy clustering. One of the fuzzy clustering methods is Fuzzy C-means (FCM) which is developed from K-means.

The result from the implementation of FCM partitioning algorithm in HOPACH clustering method is the clustering algorithm which the steps are: characteristic extraction, normalization, partition using FCM, choosing the best cluster with the minimum MSS, ordering and collapsing. The process need done by iteration until the stopping criteria has reached. The implementation of this algorithm is use R program. In the implementation of FCM partitioning algorithm in HOPACH clustering method, normalization process can be deleted, because the FCM already sole the outliers problem. This disadvantage of this implementation is the running time program need quite along time for the small tolerance limits."

"Pengelompokan nasabah asuransi berdasarkan Self-Organizing Map (SOM) dan analisis cluster hierarki I Gde Angga Surjana (0399010211) Self-Organizing Map (SOM) merupakan metode pengelompokan yang dapat digunakan untuk memvisualisasikan sekaligus mengeksplorasi karakteristik data. Kombinasi antara SOM dan analisis cluster hierarki dapat menjadi metode pengelompokan yang efektif apabila digunakan pada data yang berukuran relatif besar, seperti pada data nasabah dari suatu perusahaan asuransi. Kedua metode ini digunakan untuk membentuk kelompok nasabah berdasarkan produk asuransi yang diikuti agar perusahaan dapat mengidentifikasi kebutuhan para nasabahnya akan asuransi. Hasil pengelompokan dari kedua metode ini adalah tiga kelompok utama, yaitu kelompok nasabah yang sadar asuransi, kelompok nasabah asuransi jiwa dan kelompok nasabah satu jenis asuransi tertentu. "

"Salah satu misi pembangunan adalah mewujudkan kualitas hidup manusia Indonesia yang tinggi, maju, dan sejahtera, dengan salah satu agenda prioritasnya meningkatkan kualitas hidup manusia Indonesia. Untuk mengevaluasi terlaksananya misi dan agenda prioritas tersebut diperlukan indikator yang terukur. Hasil evaluasi tersebut dapat dijadikan pertimbangan dalam membuat kebijakan untuk memperbaiki tingkat kesejahteraan.Salah satu pengukuran yang dapat digunakan adalah Indikator Kesejahteraan Rakyat (Inkesra) yang disusun Badan Pusat Statistik (BPS) yang diolah dari data Survei Sosial Ekonomi Nasional (SUSENAS). Indikator ini mengukur kesejahteraan dengan menggunakan pendekatan kebutuhan dasar (basic needs).Untuk mengukur perubahan tingkat kesejahteraan kabupaten/kota, perlu dilakukan analisis perpindahan cluster dari periode ke periode. Salah satu metode yang dapat digunakan untuk melakukan clustering adalah Self-organizing Maps (SOM). Hasil clustering dengan SOM kemudian dapat dianalisis menggunakan Relative Density Self-Organizing Maps (ReDSOM).Variabel yang digunakan pada penelitian ini sebanyak 22 variabel dengan jumlah record 497 kabupaten/kota. Data yang dibandingkan adalah data tahun 2011 dan 2014. Dari hasil penelitian ini terdapat enam cluster pada tahun 2011 dan tujuh cluster pada tahun 2014. Variabel yang berubah secara signifikan pada sebagian besar perpindahan cluster adalah Angka Partisipasi Sekolah.

---

One of the development goal is to improve Indonesian people’s quality of life including welfare. A measurable indicator is needed to evaluate the realisation of the goal. The evaluation results can be used to make beter policy to improve welfare.

In Indonesia we can use Welfare Indicator (Indikator Kesejahteraan Rakyat/Inkesra) to measure welfare. This indicator is based on basic needs. This indicator is processed from SUSENAS.

To measure welfare improvement, we need to analyze cluster change over periods. A method that can be used clustering is Self-organizing Maps (SOM). Based on clustering result of data from different period, we can analyze cluster change.

This research used 22 variables and 497 records. The result of this research is regencies/municipalities in 2011 can be divided into six clusters and seven clusters in 2014. Variable that changed significantly in most of migrated clusters is School Participation."

"Masalah kependudukan di Indonesia pada hakekatnya menyangkut tiga aspek yaitu aspek kuantitas, aspek kualitas dan aspek mobilitas. Saat ini dari aspek kuantitas, Indonesia memiliki jumlah penduduk yang sangat besar yang mencapai angka 237,6 juta jiwa pada tahun 2010. Badan Kependudukan dan Keluarga Berencana Nasional (BKKBN) sebagai lembaga yang melaksanakan pengendalian penduduk dan menyelenggarakan keluarga berencana tidak dapat memenuhi target jumlah peserta KB sebesar 65% dari wanita usia subur berstatus menikah.Penelitian ini melakukan clustering kabupaten/kota di Indonesia berdasarkan capaian program keluarga berencana dengan tujuan untuk mengetahui karakteristiknya. Variabel yang digunakan pada penelitian ini sebanyak 21 variabel yang diturunkan dari indicator kinerja BKKBN dan factor yang mempengaruhi penggunaan kontrasepsi yang dikemukakan oleh Berthrand.Metode clustering yang digunakan dalam penelitian ini adalah data mining dengan menggunakan algoritma Self-Organizing Maps (SOM). Hasil dari penelitian ini menunjukkan bahwa teknik data mining clustering dengan algoritma SOM, berhasil mengelompokkan Indonesia ke dalam enam klaster pada data set tahun 2010, yang kemudian dilakukan identifikasi karakterristik wilayah tersebut sesuai dengan variabel yang mencirikan kondisi wilayahnya. Kondisi tahun 2010 ini digunakan sebagai dasar untuk melihat perkembangan capaian program keluarga berencana tiap tahunnya pada periode tahun 2010-2013.Perbandingan data set antar tahun pada periode tahun 2010 sampai tahun 2013 dengan menggunakan relative denstity mampu secara otomatis mendeteksi perubahan struktur klaster berupa klaster yang menghilang, muncul, membelah, bergabung, membesar, dan mengecil dari klaster sebelumnya. Perpindahan klaster ini dapat digunakan untuk mendeteksi perubahan hasil capaian program keluarga berencana serta memberikan rekomendasi program berdasarkan hasil capaian program keluarga berencana.

---

Indonesian population’s problem is to three aspects ; quantity, quality, and mobility. Currently from quantity aspect, Indonesia has 237,6 million people in 2010. National Population and Family Planning Board (BKKBN) as an institution which controlling population and administering family planning unable to meet the 65% birth control target from married fertile woman.

This research conducted clustering in district / cities in Indonesia based on the family planning program performance with a purpose to know the characteristics. 21 Variables used for this research variable derived from BKKBN performance indicator and factor that affects the use of contraception, presented by Berthrand.

Clustering methods used in research is data mining with algorithm Self-Organizing Maps ( SOM ).The result of the research indicated that data mining clustering with algorithms SOM technic managed to classify Indonesia into six cluster on 2010 data set, then conduct region identification based on variable that characterizes their area condition. The 2010 condition used as a basic to predicts family planning program developments annually in the period 2010-2013.

Comparative data set between 2010-2013 period using relative density could automatically detect structure of cluster change that were disappearing, emerging, splitting, merging, enlarging, and shrinking from previous cluster. Cluster displacement can be used to detect result changes from the family planning program and give recommendation based on the family planning program result."

"Salah satu metode clustering yang banyak digunakan karena unggul dari sisi kestabilannya adalah metode Self Organizing Map. Pada tesis ini dibahas penggunaan metode SOM pada DNA Human Papillomavirus (HPV) yang menjadi penyebab utama penyakit kanker serviks, yaitu penyakit kanker yang menempati urutan pertama di negara berkembang. DNA HPV yang digunakan adalah sebanyak 18 buah yang diambil berdasarkan complete genome terbaru. Dengan menggunakan program berbasis opensource R, proses clustering berhasil mengelompokkan 18 tipe HPV ke dalam dua buah cluster berbeda, yang terdiri dari 2 tipe HPV di cluster pertama sementara 16 tipe HPV lainnya di cluster ke dua. Hasil analisis 18 tipe HPV adalah berdasarkan tingkat keganasannya, atau tingkat kesulitan dalam penyembuhannya. Dua di antara tipe HPV yang berada di cluster pertama tergolong jenis HPV jinak, sementara 16 tipe HPV yang berada di cluster ke dua tergolong jenis HPV ganas.

---

One of the most widely used clustering method, since it has advantage on its robustness is Self Organizing Map (SOM) method. This thesis discusses the application of SOM method on Human Papillomavirus (HPV) DNA which is a main cause of cervical cancer disease, the most dangerous cancer in developing countries. We use 18 types of HPV DNA based on the newest complete genome. By using open-source-based program R, clustering process can separate 18 types of HPV into two different clusters. There are two types of HPV in the first cluster while 16 others in the second cluster. The Analyzing result of 18 types HPV based on the malignancy of the virus (the difficultness to cure). Two of HPV types the first cluster can be classified as tame HPV, while 16 others in the second cluster are classified as vicious HPV."

"ABSTRAKPeramalan trafik internet merupakan salah satu pendekatan yang dapat diterapkan oleh penyedia jasa internet dalam menjaga dan meningkatkan kualitas pelayanan internet yang ditawarkan. Pada penelitian ini, digunakan metode peramalan berupa kombinasi algoritma self organizing map (SOM) dan support vector regression (SVR). Metode SOM digunakan untuk membagi data historis trafik internet secara keseluruhan ke dalam beberapa cluster, sedangkan metode SVR digunakan untuk membentuk model peramalan pada setiap cluster yang terbentuk. Hasil peramalan data trafik internet pada penelitian ini menunjukkan bahwa model peramalan dengan metode SOM-SVR dapat memberikan prediksi yang lebih akurat terkait nilai error yang lebih kecil dibandingkan dengan metode SVR tunggal.

---

ABSTRACTTraffic internet forecasting is one kind of approaches which can be implemented by internet service provider in order to keep and improve the offered internet service quality. This research uses the combination of self organizing map (SOM) and support vector regression (SVR) algorithm as forecasting method. SOM is first used to decompose the whole historical data of traffic internet into some clusters, while SVR is used to build a forecasting model in each formed cluster. The forecasting results of internet traffic data in this research show that the forecasting model by using SOM-SVR method can give more accurate prediction in terms of smaller error value compared to single SVR method."

"Bank yang menyelenggarakan program keuangan inklusif cenderung tidak melakukan diferensiasi pelayanan bagi para pelanggannya yang berasal dari populasi masyarakat unbanked. Banyak organisasi mengganggap segmen keuangan inklusif sebagai ladang yang kurang populer dalam mendapatkan keuntungan, karena kecilnya pemasukan dan besarnya biaya operasional yang dibutuhkan. Namun, beberapa studi sebelumnya tentang keuangan inklusif dan segmentasi pelanggan telah menentang gagasan ini dan menyatakan bahwa klasifikasi lebih lanjut terhadap kategori pelanggan khusus ini dapat membawa keuntungan bagi pihak bank. Segmentasi pelanggan sering dilakukan menggunakan model Recency, Frequency, dan Monetary (RFM) untuk mendapatkan nilai pelanggan bagi perusahaan.Penelitian ini bertujuan untuk membuat model prediksi segmen pelanggan dalam konteks keuangan inklusif, dengan menerapkan penggunaan dua teknik data mining Self-Organizing Map (SOM) dan C5.0 decision tree (DT) secara hybrid. Analisa sosioekonomi, regional, dan pengeluaran digunakan untuk menilai pelanggan, alih-alih menggunakan RFM. Penelitian ini juga mempelajari pengaruh SOM terhadap kinerja klasifikasi keseluruhan, yang dievaluasi menggunakan confusion matrix. Dataset yang digunakan memiliki struktur generik sehingga model ini diharapkan dapat membantu pengembangan program keuangan inklusif pada institusi keuangan penyelenggara keuangan inklusif lainnya.

---

Banks adopting financial inclusion program often exclude differentiation in their services towards the target customers. Many organizations consider financial inclusion inflicts huge operational costs hence it is deemed infamous for profit gain. Previous studies in financial inclusion and customer segmentation have challenged this notion, concluding that further classification of this particular customer class could indeed bring profit for the bank and such that maintaining existing profiting customers induce less cost than the effort of acquiring new customers. Customer segmentation is often done using the Recency, Frequency and Monetary (RFM) model to assess a customer's value for the company.

This study aims to model customer segment predictions in the context of financial inclusion, using socioeconomic, regional, and expenditure analyses to assess customer values. Two data mining techniques Self-Organizing Map (SOM) and C5.0 decision tree (DT) are used in a hybrid setting. This study also observes the effect of SOM on overall classification performance, which is evaluated using confusion matrix. Due to the generality of the input dataset, the prediction model is expected to be usable, with minimal adjustments, by other financial inclusion institutions in need of customer segmentation."

"Penelitian yang dilakukan berupa pengembangan terhadap sistem pendeteksi plagiarisme otomatis sehingga dapat menerapkan jaringan saraf tiruan Self-Organizing Map SOM untuk melakukan klasifikasi terhadap hasil keluaran Latent Semantic Analysis. SOM dipilih untuk melakukan klasifikasi karena algoritma ini tidap perlu melakukan supervisi pada proses pembelajarannya sehingga dapat secara otomatis menentukan tingkat plagiarisme antar paragraf yang tidak mudah ditentukan secara langsung oleh manusia. Selain itu dilakukan perbandingan akurasi penentuan tingkat plagiarisme yang dimiliki oleh sistem apabila hanya menggunakan LSA saja, penggunaan LSA dengan SOM, dan penggunaan LSA dengan Learning Vector Quantization LVQ. Penggunaan SOM dan LVQ dilakukan untuk melakukan klasifikasi tingkat plagiarisme dari hasil keluaran LSA. Penentuan tingkat plagiarisme sudah cukup dilakukan apabila hanya menggunakan LSA saja, dimana sudah dapat menghasilkan tingkat akurasi paling tinggi yaitu 86,24. Namun, penggunaan SOM dengan jumlah kelas sebanyak 2 dengan 3 parameter memberikan rata-rata tingkat akurasi yang sedikit lebih rendah, yaitu sebesar 82,00. Sedangkan penggunaan LVQ dengan jumlah kelas sebanyak 2 dengan 3 parameter juga memberikan rata-rata tingkat akurasi yang sedikit lebih tinggi dibandingkan, yaitu sebesar 82,10.

---

This research has concern on deployment of neural network algorithm Self Organizing Map SOM in automatic plagiarism detector so it could be used to classify the output from Latent Semantic Analysis. SOM is chosen because it is an unsupervised neural network algorithm. With unsupervised neural network, it could determine the plagiarism level between paragraf automatically, which hard for human to determine it. Other than deployment of SOM, this research also focusses on the comparison of accuracy of the system if the system only deploys pure LSA, combination of LSA and SOM, and combination of LSA and Learning Vector Quantization LVQ.

SOM and LVQ are used to do classification for the output from LSA. Plagiarism level could be determined by the result of LSA only. It has 86,24 as the highest accuracy level. But, the usage of SOM with 2 classes and 3 parameters gives lower average of accuracy, which is 82,00 . Therefore, usage of LVQ with 2 classes and 3 parameters gives slight better accuracy than SOM, which is 82,10."