Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 191705 dokumen yang sesuai dengan query
cover
"Pencarian rute terpendek merupakan satu masalah yang paling banyak dibahas dengan transportasi sebagai salah satu contoh menarik. Alogartima perhitungan diimplementasikan dalam bentuk aplikasi berbasis WEB dan WAP , yang akan memudahkan pengguna untuk mendapatkan informasi rute terpendek."
384 JURTEL 10:2 (2005)
Artikel Jurnal  Universitas Indonesia Library
cover
Sutanto, 1950-
"
ABSTRAK
Bagian jalinan jalan (weaving section) merupakan salah satu fasilitas lalu lintas yang analisis kapasitasnya dilakukan secara tersendiri diluar analisis kapasitas persimpangan bersinyal (signalised intersection) dan tak bersinyal (unsignalised intersection). Pada buku Manual Kapasitas Jalan Indonesia (MKJI) analisis kapasitas bagian jalinan tersebut dilakukan dengan cara perhitungan yang berturut-turut, dengan urutan proses data masukan, pemakaian faktor-faktor penyesuaian dan diakhiri dengan proses perhitungan. Urutan proses ini memerlukan waktu yang lebih lama apabila dikerjakan secara manual dan kesalahan-kesalahan pembacaan tabel dapat mempengaruhi tingkat keakuratan hasil yang didapat.
Pada skripsi ini algoritma-algoritma perhitungan yang ada pada buku MKJI tersebut akan dicoba diterapkan ke suatu perangkat lunak komputer, sehingga diharapkan pemakaian waktu perhitungan menjadi lebih singkat serta memberikan hasil yang lebih akurat. Disamping itu akan dilakukan beberapa pengembangan tambahan antara lain adalah diberikannya alternatif pemilihan jenis-jenis bundaran untuk tujuan perencanaan atau perancangan, proses data masukan kondisi parkir dan adanya pembatasan terhadap nilai-nilai variabel masukan.
Dari penerapan ini dihasilkan suatu piranti lunak analisis kapasitas bagian jalinan, dinamakan dengan WEAVING 1.0 , yang dapat memperkirakan tingkat kinerja lalu lintas untuk sekumpulan kondisi geometrik, lingkungan serta lalu lintas tertentu. Piranti lunak ini dapat beroperasi dibawah lingkungan Windows, yang diharapkan sifatnya lebih interaktif, edukatif serta lebih mudah dalam pemakaiannya.
"
1997
S34616
UI - Skripsi Membership  Universitas Indonesia Library
cover
Satrya N. Ardhytia
"Kompresi citra adalah proses mengurangi ukuran dari citra dengan mengurangi kualitas dari citra tersebut. Metode Fraktal yang digunakan bekerja dengan mencari kemiripan pada piksel-piksel citra dan mengelompokkannya dalam beberapa cluster. Semakin tinggi tingkat kemiripan pada citra, rasio kompresi akan semakin baik. Pada citra berwarna (RGB) metode tersebut diulang sebanyak tiga kali, masing-masing untuk satu elemen warna. Hasil akhir dari proses kompresi adalah tiga virtual codebook, masing-masing untuk satu elemen warna, yang menyimpan nilai dari brightness, contrast, dan tipe transformasi affine yang digunakan untuk tiap cluster. Proses dekompresi dari metode ini adalah dengan membentuk citra kosong dengan resolusi yang sama dengan citra asli dan mengisikan nilai RGB pada tiap piksel yang bersangkutan dengan menghitung nilai yang tersimpan pada virtual codebook. Dengan menggunakan nilai Coefficient of Variation (CV) sebagai penyesuaian nilai standar deviasi dan 57 citra BMP24-bit, hasil pengujian menunjukkan rasio kompresi rata-rata sebesar 41.79%. Dengan metode paralel yang digunakan, proses kompresi citra berwarna menunjukkan rata-rata nilai speed-up sebesar 1.69 dan nilai efisiensi prosesor sebesar 56.34%.
Image compression is a process of reducing the size of the image by reducing the quality of the image. Fractal method is used to work by searching for similarities in the image pixels, and group them in clusters. The higher the degree of resemblance to the image, the better the compression ratio. In the color image (RGB) the method is repeated three times, each for one color element.The end result of the compression process is a three virtual codebook, each for one color element, which stores the value of the brightness, contrast, and the type of affine transformation are used for each cluster. Decompression process of this method is to form a blank image with the same resolution with the original image and fill in the RGB values at each pixel corresponding to the count value stored in the virtual codebook.By using the Coefficient of Variation (CV) as an adjustment value and standard deviation of 57 pieces of 24-bit BMP images, test results showed an average compression ratio of 41.79%. With the parallel method is used, the compression process of color image shows the average speed-up values of 1.69 and the processor efficiency of 56.34%."
Jakarta: Fakultas Teknologi Informasi Universitas Tarumanegara, 2010
AJ-Pdf
Artikel Jurnal  Universitas Indonesia Library
cover
Fakultas Ilmu Komputer Universitas Indonesia, 1998
S26918
UI - Skripsi Membership  Universitas Indonesia Library
cover
Situmeang, Matra Prima
Universitas HKBP Nonmensen, 2017
050 VISI 25:3 (2017)
Artikel Jurnal  Universitas Indonesia Library
cover
Hanun Hanifah
"Pandemi COVID-19 di kuartal awal 2020 mendorong Universitas Indonesia untuk menetapkan sistem pembelajaran daring dalam menjalankan aktivitas perkuliahan. Prediksi keberhasilan mahasiswa pada masa pembelajaran daring perlu dilakukan sebagai bahan evaluasi pemanfaatan sistem pembelajaran daring selanjutnya. Machine learning merupakan tools untuk melakukan prediksi. Terdapat berbagai model dalam machine learning, salah satu model yang sering digunakan adalah neural network. Multilayer Perceptron (MLP) merupakan salah satu model dari neural network. MLP terdiri dari input layer, hidden layer dan output layer. Nilai pada input layer diproses pada hidden layer dan hasil akhir dihasilkan di output layer. MLP bekerja dengan pembaruan bobot yang membutuhkan 2 fase yaitu forward pass dan backward pass. MLP dengan algoritma optimasi Levenberg-Marquardt digunakan untuk memprediksi keberhasilan akademis mahasiswa. Prediksi yang dilakukan berupa klasifikasi mahasiswa lulus dan tidak lulus. Data yang digunakan merupakan data rekapitulasi aktivitas perkuliahan mahasiswa Departemen Matematika FMIPA UI pada mata kuliah X. Terdapat 2 data yang digunakan untuk memprediksi keberhasilan akademis mahasiswa, yaitu data rekapitulasi aktivitas perkuliahan mahasiswa dari minggu ke-1 hingga ke-4 (periode 1) dan minggu ke-1 hingga ke-8 (periode 2). Hyperparameter yang digunakan adalah 8 buah input neuron, 30 buah hidden neuron untuk hidden layer pertama, 30 buah hidden neuron untuk hidden layer kedua, 1 buah output neuron, 2 buah fungsi aktivasi (tanh dan linear), dan damping factor dengan nilai 3. Evaluasi MLP dalam memprediksi keberhasilan akademis mahasiswa dilakukan dengan menentukan nilai G-mean terbaik. Nilai G-mean menunjukkan kemampuan model dalam mengklasifikasi kelas lulus maupun tidak lulus. Prediksi MLP dengan algoritma optimasi Levenberg-Marquardt menghasilkan G-mean terbesar untuk periode 1 sebesar 0,72 dan periode 2 sebesar 0,86 pada data training dan testing 90:10. Hasil perbandingan prediksi keberhasilan mahasiswa data periode 1 dan periode 2 menunjukkan periode 2 lebih baik digunakan untuk memprediksi keberhasilan akademis mahasiswa.

COVID-19 pandemic on first quarter of 2020 urged Universitas Indonesia to distanced learning in doing lecture activities. Distance learning system may cause bad health to students, to such extent that student academic success may be affected. Student academic success prediction on distance learning need to be done as evaluation for future distance learning system. Machine learning is one of solution to perform prediction. There are many methods in machine learning, one of common used methods is neural network. There are many kinds of machine learning, one of the kinds is multilayer perceptron (MLP). MLP is consists of input layer, hidden layer and output layer. Values from input layer are processed in hidden layer and final output are yielded in output layer. MLP has 2 processing phase, which are forward pass and backward pass to do weight updating. MLP with Levenberg-Marquardt optimization algorithm is used for predicting student academic success. Performed prediction is classification of students who passed and failed. The data that is recapitulation of students course activity. Data consists of 2 sub- datas, which are recapitulation of course activity student from week 1 to week 4 (first period) and from week 1 to week 8 (second period). Hyperparameter that are used to bulid MLP are 2 hidden layer, 8 input neuron, 30 hidden neuron for each hidden layer, 1 output neuron, 2 activation function (tanh and linear), damping factor values 3. MLP evaluation of predicting student academic success is based on best G-mean result. G-Mean value shows how model performs in classifying passed students class and failed students class. MLP with Levenberg-Marquardt optimization algorithm implementation yields highest G-mean value, 0,72 and 0,86 from both periods, respectively, on 90:10 training and testing data split. Comparison between results of student academic success prediction with first period and second period indicate that second period is better to be used for predicting student academic success."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Dina Chahyati
"Pelacakan orang banyak pada video berdasarkan hasil deteksi orang pada setiap frame merupakan problem yang menantang karena kompleksitas yang dimilikinya. Kesalahan deteksi orang pada setiap frame akan menyebabkan kesalahan pelacakan orang pada keseluruhan video. Pada penelitian ini, diusulkan metode pelacakan yang dapat meminimalkan propagasi kesalahan dari kesalahan deteksi dengan waktu pelacakan yang tidak terlalu lama. Penelitian ini menggunakan deep convolutional neural network (DCNN) seperti Faster-RCNN dan RetinaNet sebagai detektor objek dan algoritma Hungarian sebagai metode asosiasi antar orang-orang yang terdeteksi di setiap frame. Matriks masukan untuk algoritma Hungarian terdiri dari kedekatan vektor ciri DCNN yang dihasilkan oleh Siamese Network, jarak titik tengah bounding box, dan perbandingan irisan-gabungan (IoU) dari bounding box. Pada tahap akhir dilakukan interpolasi terhadap hasil pelacakan. Metode yang diusulkan menghasilkan MOTA 61.0 pada dataset benchmark pelacakan orang banyak MOT16.

Multiple object (human) tracking in video based on object detection in every frame is a challenging problem due to its complexity. Error in the detection phase will cause error in the tracking phase. In this research, a multiple human tracking method is proposed to minimize the error propagation. The method uses deep convolutional neural network (DCNN) such as Faster-RCNN and RetinaNet as object detector and Hungarian algorithm as association method among detected humans in consecutive frames. The input matrix for Hungarian algorithm consists of the similarity of DCNN feature vector resulted from Siamese network, the distance of bounding box centers, and bounding box intersection of union (IoU). In the last step, interpolation is applied to the tracking result. The proposed method achieves 61.0 MOTA in multiple object tracking benchmark MOT16."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2019
D-pdf
UI - Disertasi Membership  Universitas Indonesia Library
cover
Muttaqin
"ABSTRAK
Tugas akhir ini membahas mengenai Algoritma dan Pemrograman Metode Bifaktorisasi yang merupakan salah satu metode langsung dalam mencari penyelesaian sistim persamaan linier Ax = b. Dalam Metode Bifaktorisasi Matriks A difaktorkan menjadi dua buah matriks, yaitu matriks kiri dan matriks kanan. Matriks kiri adalah matriks segitiga bawah L dan matriks kanan adalah matriks segitiga atas R dengan diagonal 1 sehingga L A R = I. Matriks invers A dapat dicari sebagai perkalian antara R dan L sehingga A = R L sedangkan x dapat dicari dengan persamaan x = A- b. Algoritma dan Pemrograman yang dibuat adalah yang mempunyai storage dan kecepatan yang optimal dengan stabilitas numerik yang terjaga. Diasumsikan dalam hal ini matrik A sparse dan simetris definit positif."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 1992
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Dhini Radityastuti
"Abstrak Treveling Salesman Problem (TSP) adalah masalah menemukan rute perjalanan (Tur) Ke Sejumlah berhingga kota yang diberikan dengan syarat setiap kota dikunjungi tepat satu kaili, tur berawal dan berakhir di kota yang sama. TSP euclidean adalah TSP dengan simpul yang diberikan dalam bentuk titik koordinat dan bobot busur ditentukan berdasarkan jarak euclid antar simpul. TSP Asimetri adalah TSP dengan bobot busur bergantung arah pembusuran. Tujuan TSP adalam minimumkan total bobot dariperjalanan..."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2007
S27723
UI - Skripsi Membership  Universitas Indonesia Library
cover
Agus R. Utomo
"ABSTRAK
Secara keseluruhan sistem distribusi memerlukan biaya total 30 % hingga 50 % dari biaya sistem tenaga listrik. Oleh karena itu sistem distribusi harus direncanakan seoptimum mungkin untuk dapat melayani permintaan beban sesuai dengan persyaratan-persyaratan teknis dan ekonornis. Algoritrna adalah salah satii alat kerja yang bersifat konseptual dan merupakan prosedur operasional standar (pos) untuk mengambil keputusan guna mencapai tiijuan utama dari suatu aktifitas. Dalam perencaan pengembangan sistem distribusi algoritma atau pos ini memegang peranan yang sangat penting. Sebab dengan mengikuti prosedur-prosedur sesuai dengan algoritma atau pos, keputusan yang diambil menjadi tepat dan pekerjaan perencanaan pun mencapai hasil yang optimum pula. Jadi secara umum dikatakan bahwa algoritma dalam hal ini adalah alat kerja bantu untuk mengoptimalkan perencanaan pengembangan sistem distribusi."
Fakultas Teknik Universitas Indonesia, 2000
LP-pdf
UI - Laporan Penelitian  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>