Hasil Pencarian  ::  Simpan CSV :: Kembali

""ABSTRAK"Kanker merupakan penyakit penyebab kematian terbesar kedua di dunia. Menurut prediksi WHO 2015 kasus kematian akibat kanker akan meningkat menjadi 21,6 juta kasus pada tahun 2030. Salah satu usaha untuk mengurangi penyebaran kanker dengan menggunakan machine learning adalah melakukan pendeteksian jenis kanker dengan memanfaatkan microarray data. Pada umumnya, microarray data kanker terdiri dari banyak fitur. Namun, tidak semua fitur yang ada pada data kanker memiliki informasi penting. Oleh karena itu, fitur-fitur tersebut akan diekstraksi menggunakan metode Principal Component Analysis PCA . Kemudian dipilih fitur-fitur yang paling informatif dari data hasil ekstraksi PCA. Fitur-fitur terpilih dari data hasil ekstraksi akan dibentuk dalam data baru. Data sebelum dan data setelah dilakukan pemilihan fitur akan diklasifikasi menggunakan metode Fuzzy Support Vector Machines FSVM . Akurasi dari proses klasifikasi dua tahap tersebut akan dibandingkan. Pendekatan one versus one akan digunakan pada masalah klasifikasi multikelas data kanker leukemia. Dengan pendekatan tersebut akan terbentuk sebanyak k k-1 /2 masalah dua kelas, di mana k menunjukkan jumlah kelas. Hasilnya, tanpa melakukan pemilihan fitur, diperoleh akurasi tertinggi sebesar 87.69 . Setelah dilakukan pemilihan fitur, diperoleh akurasi terbaik dengan menggunakan 60 fitur dengan akurasi sebesar 96,92 .

---

ABSTRACTCancer is the second leading cause of death globally. According to WHO prediction 2015 cases of cancer deaths will increase become 21.6 million cases by 2030. One of the effort to reduce the spread of cancer by using machine learning is to detect the types of cancer. We can use microarray data to detect the types of cancer. In general, microarray cancer data consist of many features. However, not all features in cancer data have important information. Therefore, these features will be extracted by using Principal Component Analysis PCA method. Then, we select the most features who have important information of data extraction. The selected features of extracted data will be formed in the new data. Data, before and after selection will be classified using Fuzzy Support Vector Machines FSVM method. The accuracy of the classification process will be compared. The one versus one approach will be used on multiclass leukemia cancer data. This approach will formed the multiclass problem into k k 1 2 binary class problems, where k denotes the number of classes. The results, without doing feature selection, the highest accuracy is 87.69 . After doing feature selection, the best accuracy is obtained by using 60 features with the accuracy is 96.92 ."

"ABSTRAKFasilitas blending mogas berfungsi untuk mencampur komponen High Octane Mogas Component HOMC dan Naphtha sehingga menghasilkan produk dalam bentuk gasoline 88 atau lebih dikenal premium. Analisa kelayakan investasi dilakukan dengan metode Net Present Value NPV yang dilakukan dalam dua cara yaitu secara konvensional dan fuzzy.Penelitian ini menggunakan software MATLAB R2016a untuk melakukan perhitungan Fuzzy NPV berbasis Distribusi Triangular. Rentang nilai yang digunakan untuk variabel yang difuzzikan adalah rendah L , medium M , dan tinggi H .Hasil perhitungan dengan pendekatan fuzzy menunjukkan nilai yang berbeda dibandingkan dengan pendekatan konvensional. Hasil perhitungan NPV menggunakan metode konvensional menghasilkan nilai 10.6995 juta USD, sedangkan berbasis Fuzzy Distribusi Triangular menghasilkan 8.8129 juta USD. Adanya perbedaan tersebut dikarenakan variasi input terhadap tingkat suku bunga, pendapatan, dan total biaya blending.

---

ABSTRACTThe blending mogas facility serves to mix High Octane Mogas Component HOMC and Naphtha components to produce gasoline 88 or known premium. Investment feasibility analysis is done by Net Present Value NPV method which is done in two ways, conventionally and fuzzy.This research uses MATLAB R2016a software to perform Fuzzy NPV calculation based on Triangular Distribution. The range of values used for the dif fered variables is low L , medium M , and high H .The results of calculations with the fuzzy approach show different values compared with the conventional approach. The NPV calculation results using conventional methods is 10.6995 million USD, while Fuzzy based Triangular Distribution is 8.8129 million USD. The difference is due because there are input variation to the interest rate, revenue, and total cost of blending. "

"Jumlah produksi kartu perdana untuk pelanggan Telkom Flexi menunjukkan trend meningkat mengikuti kenaikan jumlah pelanggan dari periode satu ke periode berikutnya. Namun perusahaan juga dihadapkan dengan adanya keterbatasan sumber daya yang yang dimiliki seperti keterbatasan kapasitas BTS dan sumber daya penomoran dan ketersediaan budget. Kondisi ini memperlihatkan bahwa diperlukan suatu metode perencanaan produksi yang tepat untuk mengoptimalkan ketersediaan dan pemakaian sumber daya sehingga dihasilkan jumlah produksi yang optimal. Metode fuzzy linear programming (FLP) dapat digunakan untuk solusi optimasi perencanaan produksi. Penerapan metode fuzzy linear programming dilakukan berdasarkan pertimbangan diperlukan adanya suatu batasan nilai terhadap jumlah produksi dengan ketersediaan sumber daya yang ada, sehingga diperoleh jumlah produksi yang optimal. Tesis ini akan menganalisa perencanaan produksi kartu perdana Flexi dengan menggunakan metode fuzzy linear programming.

---

Total production of starter pack for customers Telkom Flexi showed an increasing trend followed the increase in the number of subscribers from period to period. But the company also faces resource constraints or other factors such as the capacity of BTS, numbering resources and budget availability. This condition shows that we need a proper method of production planning to optimize the availability and use of resources or other factors so that the resulting optimal amount of production output.

The method of fuzzy linear programming (FLP) can be used for production planning optimization solutions. Application of fuzzy linear programming method based on the considerations necessary to have a limit value of total production with the availability of existing resources, to obtain the optimal amount of production. This tesis will analyze the production planning of Flexi starter pack using fuzzy linear programming method."

"Analisis clustering merupakan proses pengelompokan yang bertujuan untuk menemukan kelompok atau cluster yang didalamnya memiliki karakteristik yang serupa. Seiring berjalannya waktu, teknik clustering berkembang menjadi biclustering dan triclustering, di mana dalam triclustering data yang digunakan adalah data tiga dimensi. Triclustering mampu mengelompokkan ketiga dimensi tersebut secara bersamaan yang nantinya kelompok yang dihasilkan disebut dengan tricluster. Pada penelitian ini, digunakan metode Fuzzy Cuckoo Search (FCS) untuk mengimplementasikan triclustering pada data ekspresi gen tiga dimensi. FCS mengaplikasikan konsep Fuzzy C-Means (FCM) ke dalam algoritma cuckoo search. Penggunaan fungsi objektif FCM dalam FCS dapat mengatasi ketidakjelasan (uncertainty) dalam data, khususnya pada data ekspresi gen. Dalam metode cuckoo search, pencarian ‘solusi’ tricluster digambarkan dengan spesies cuckoo yang meletakkan telur di sarang burung lain. Berbeda dengan cuckoo search pada umumnya yang menggunakan metode random walk levy flight untuk pencarian solusi, pada penelitian ini, digunakan metode lain, yaitu metode random walk distribusi gaussian, di mana hal tersebut merupakan sebuah kebaruan dalam penelitian ini. Cuckoo search dalam metode FCS merupakan metode metaheuristik, sehingga dapat digunakan dalam berbagai masalah analisis data, termasuk data ekspresi gen. Metode FCS berdasarkan distribusi gaussian diimplementasikan pada data ekspresi gen tiga dimensi dari gen otot rangka yang diberi infus IL-6, di mana ekspresi gen diamati pada 3 subjek dan 3 titik waktu yang berbeda. Metode ini dievaluasi menggunakan ukuran evaluasi Triclustering Quality Index (TQI). Dari skenario yang dilakukan, metode FCS memberikan hasil terbaik dengan rata-rata TQI terendah ketika menggunakan nilai gaussian dan probabilitas . Hasil implementasi metode FCS menunjukkan 4 tricluster yang diduga sebagai kumpulan gen yang berekspresi atas respon dari IL-6. Kelompok gen yang diperoleh dari tricluster dapat digunakan sebagai target oleh ahli medis dalam pengembangan di bidang pengobatan penyakit seperti kanker, diabetes, paru-paru, atau gagal jantung yang menargetkan gen-gen dalam kelompok tricluster tersebut.

---

Clustering analysis is a grouping process that aims to find clusters such that objects in the same clusters have similar characteristics. Over time, clustering developed into biclustering and triclustering, wherein triclustering use three-dimensional dataset. Triclustering is able to group these three dimensions simultaneously and form groups called tricluster. This study used the Fuzzy Cuckoo Search (FCS) method to implement triclustering on three-dimensional gene expression data. FCS applies the Fuzzy C-means (FCM) concept to the cuckoo search algorithm. The use of the objective function of FCM in FCS can overcome the uncertainty in the data, especially in gene expression data. In the cuckoo search, finding the tricluster is described with cuckoo species laying their egg in the nests of other birds. The egg laid on the nest represents a 'solution' which is an update of the tricluster from the previous tricluster. Unlike cuckoo search in general, in this study, to find the tricluster solutions, it use gaussian random walk instead of levy flight random walk. Cuckoo search in the FCS method is a metaheuristic method, so it can be used in various data analysis problems, including gene expression data. FCS based on Gaussian distribution was implemented on three-dimensional gene expression data of skeletal muscle genes given IL-6 infusion, where the gene expression was observed in 3 subjects and 3 different time points. Of the 36 simulations performed, the FCS method gives the best results with the lowest average TQI when using gaussian values and probability . This method was evaluated using the Triclustering Quality Index (TQI) evaluation measure. The result of the implementation of FCS shows 4 triclusters which were suspected to be a collection of genes that change in response to IL-6. The gene groups obtained from the tricluster can be used as a consideration by medical professionals in the development of the treatment of diseases such as cancer, diabetes, pulmonary disease, or heart failure that target the genes in the tricluster group."

"Kematian yang disebabkan oleh kanker diperkirakan akan terus meningkat, padahal jumlah kematian ini dapat dikurangi dengan adanya deteksi dini. Salah satunya adalah dengan klasifikasi data kanker. Data kanker yang digunakan merupakan data kanker berdimensi tinggi dengan ribuan fitur, tetapi tidak semua fitur yang ada merupakan fitur yang relevan. Oleh karena itu, perlu adanya proses seleksi fitur. Untuk meningkatkan tingkat akurasi yang dihasilkan, digunakan sebuah metode seleksi fitur yang meninjau adanya korelasi antar gen, yaitu CSVM-RFE. Pada metode tersebut, data yang ada diproyeksikan dan diubah menjadi sebuah data baru dengan ekstraksi fitur, dan kemudian dilakukan proses seleksi fitur. Penggunaan dua metode tersebut pada klasifikasi tiga data kanker yang ada terbukti menghasilkan tingkat akurasi yang tinggi, pada data kanker kolon tingkat akurasi yang didapatkan adalah sebesar 96.6, pada kanker prostat sebesar 98.9, dan pada kanker lymphoma sebesar 98,6.

---

The number of death caused by cancer expected to rise over two decades, whereas the number of death can be reduced by early detection. One of them is cancer classification. Cancer dataset is a high dimensional dataset that consist of thousands of features, but not all of these features are relevant. Therefore, it is necessary to remove the redundant features using feature selection. Feature selection can also improve the accuracy of classification. Many feature selection methods do not consider the correlated genes, so we need a new feature selection method that consider the correlated genes. It is CSVM RFE, in this method the existing data is projected and converted into a new data with feature extraction. These two methods are applied to the cancer datasets, and produce the accuracy of 96.6 using colon cancer dataset, 98.9 using prostate cancer dataset, and 98.6 using lymphoma cancer dataset."

"Tesis ini membahas tentang sebuah metoda Principal Component Analysis untuk data yang terbentuk dari bilangan fuzzy. Metoda ini akan mentransformasi data fuzzy yang berada dalam ruang data berdimensi d ke sebuah ruang eigen yang berdimensi p dengan p < d, menggunakan sebuah Jaringan Neural Buatan Autoassociative Neural Network. Pengujian menggunakan data aroma dan data citra yang memiliki noise. Hasil dari percobaan menunjukkan bahwa metoda ini telah berhasil melakukan pemetaan terhadap data-data tersebut. Hasil percobaan juga menunjukkan bahwa metode ini lebih cocok digunakan pada data fuzzy berdimensi besar dan memiliki banyak dimensi yang berisi data redundant."

"Penyakit kronis adalah penyakit yang diderita dalam waktu panjang dan dapat berkembang secara cepat, salah satunya adalah penyakit kanker dan diabetes. Oleh karena itu, dengan melakukan pendeteksian dini maka perkembangan penyakit kanker dan diabetes akan menurun. Salah satu cara pendektesian dini dapat dilakukan oleh machine learning. Teknik machine learning banyak digunakan dalam berbagai bidang khususnya untuk analisa data medis.  Clustering merupakan salah satu metode dari machine learning yang bertujuan untuk mengelompokkan suatu dataset ke dalam subset berdasarkan ukuran jarak. Salah satu contoh metode clustering adalah metode Entropi Fuzzy C-Means yang dapat mengidentifikasi entropi disetiap titik data dan memilih pusat kluster terdekat dengan entropi minimum. Pada penelitian akan digunakan data kanker dan diabetes dari UCI Repository dengan menggunakan metode Entropi Fuzzy C-Means yang akan dimodifikasi dengan kernel RBF. Sebelum dilakukan klasifikasi, dilakukan pemilihan fitur menggunakan Chi-Square. Tujuan dari penelitian ini adalah untuk mendapatkan fitur-fitur yang optimal dan mengetahui hasil akurasi menggunakan untuk klasifikasi data diabetes dan kanker. Diperoleh hasil akurasi tertinggi pada klasifikasi data medis menggunakan metode Entropi Fuzzy C-Means berbasis kernel dengan pemilihan fitur Chi-Square yaitu sebesar 83.33% untuk data diabetes dan 77.77-100% untuk data kanker.

---

Chronic disease is a disease that occur for a long time and can develop quickly, one of them is cancer and diabetes. The early detection is very helpful to reduce the development of the disease. One of the ways to detect cancer and diabetes disease is using machine learning technic. Machine learning technic is widely use in many aspects especially in medical data analysis. Clustering is part of machine learning technic that is used to group a dataset into subset based on space size. Entropy Fuzzy C-Means is one of the methods which can identify entropy in every data and can choose the cluster center similar with minimum entropy. In this paper we will use cancer and diabetes medical data from UCI Repository using Entropy Fuzzy C-Means method which is modified by kernel RBF. Before classification, we will select the feature using Chi-Square  to get the optimal subset feature. The purpose of this study was to obtain optimal features and find out the results of accuracy using for the classification of diabetes and cancer data. The medical data classification using Entropy Fuzzy C-Means based on kernel with Chi-Square feature selection gives the 100% highest accuration result for cancer data and 83,33% for diabetes data."

"Kanker otak adalah pertumbuhan sel-sel abnormal di organ otak yang bersifat ganas. Salah satu cara untuk mengurangi perkembangan penyakit ini adalah melakukan pendeteksian dini menggunakan machine learning. Metode machine learning yang digunakan adalah AdaBoost Support Vector Machines untuk klasifikasi. AdaBoost Support Vector Machines adalah metode ensemble antara AdaBoost dengan base classifier Support Vector Machines. Data kanker otak direpresentasikan dalam bentuk matriks berupa ekspresi gen yang disebut DNA microarray. Data DNA microarray yang berdimensi tinggi akan direduksi dengan pemilihan fitur Signal-to-noise Ratio. Pemilihan fitur bekerja untuk menemukan fitur-fitur yang informatif dan membuang fitur-fitur yang tidak sesuai. Pertama, data diklasifikasi menggunakan AdaBoost Support Vector Machines tanpa pemilihan fitur, dilanjutkan klasifikasi menggunakan AdaBoost Support Vector Machines dengan pemilihan fitur. Pendekatan one vs one digunakan untuk menyelesaikan masalah multi kelas. Setelah melakukan pengujian, hasil akurasi terbaik adalah 91,111 pada data training 90 dengan menggunakan pemilihan fitur sebanyak 60 fitur. Hasil tersebut lebih baik dibandingkan klasifikasi tanpa pemilihan fitur yaitu 86,667 pada data training 90.

---

Brain cancer is the growth of abnormal cells in the brain organ malignantly. One way to reduce the progression of this disease is to do early detection using machine learning. Machine learning method used is AdaBoost Support Vector Machines for classification. AdaBoost Support Vector Machines is an ensemble method between AdaBoost and base classifier Support Vector Machines. Brain cancer data is represented in the form of matrix of gene expression called DNA microarray. The high dimensional DNA microarray data will be reduced by Signal to noise Ratio feature selection.

Feature selection works to find informative features and discard irrelevant features. Firts, the data is classified using AdaBoost Support Vector Machines without feature selection, further classified using AdaBoost Support Vector Machines with feature selection. The one vs one approach is used to solve multi class problems. After testing, the best accuracy result is 91,111 in 90 training data by using feature selection of 60 features. The result is better than the classification without feature selection that is 86,667 in 90 data training."

"ABSTRAKMulti Criteria Decission Analisys (MCDA) semakin sering digunakansebagai alat bantu untuk mengevaluasi alternatif dalam mencapai tujuanorganisasi. Saat ini proses pengambilan keputusan menjadi lebih kompleks karenaadanya beragan kebutuhan dalam organisasi dan semakin banyaknya alternatifsolusi dengan keunggulan dan kekurangan yang beragam. Metode MCDA dapatmembantu pengambil keputusan untuk menyeleksi dan membuat urutan alternatifterbaik melalui proses yang sederhana dan sesuai dengan tujuan organisasi .ELECTRE (ELimination and Choice Expressing REality) adalah salahsatu dari metode MCDA yang mampu memilah dan mengurutkan alternatifterbaik di antara banyak alternatif dengan aspek subyektifitas yang minimdibandingkan dengan metode lainnya.Sebuah model seleksi dengan metode ELECTRE selanjutnyadikembangkan untuk memilah dan mengurutkan sistem telekomunikasi yangdigunakan di industri hulu migas lepas pantai. Industri ini memiliki kompleksitastinggi dalam penentuan sistem telekomunikasinya, sehingga diperlukan prosedurseleksi yang sistematis untuk memperoleh sistem yang paling optimum.Hasil seleksi menggunakan Model ELECTRE telah menunjukkan bahwasistem telekomunikasi yang terpilih adalah sistem yang paling efisien (biayaterendah dan kualitas tertinggi) di antara alternatif lainnya.

---

ABSTRACTMulti-Criteria Decision Analysis (MCDA) has become extensively used asa tool for evaluating alternatives to achieve organization objective. Today, makingdecision is more complex because of multiple needs in the organization and thevarying of altentative’s primacy and shortage. The MCDA methode can helpdecision maker to sort and rank the best alternatives appropriate with organizationobjectives in simple process.ELECTRE (ELimination and Choice Expressing REality) is one ofMCDA methode that able to sort and rank the best alternatives among manyalternatives in less subjective preference compare to other methodes.A selection model with ELECTRE methode was developed to sort andrank applicable telecommunication systems in offshore upstream oil and gasindustries. This industry is having high complexity in telecommunication systemrequirement, and required a systematic selection procedure to get the optimumsystem.The result of ELECTRE model has shown that the selectedtelecommunication systems are the most efficience systems (less cost and higherquality) among other alternatives."

"ABSTRAKKanker merupakan salah satu penyakit yang paling mematikan bagi manusia. Menurut WHO 2015 , kanker adalah penyebab kematian nomor 2 di dunia sebesar 13 setelah penyakit kardiovaskular. Salah satu hal yang dapat dilakukan untuk penelitian kanker menggunakan machine learning adalah melakukan pendeteksian jenis kanker dengan memanfaatkan microarray data. Microarray data yang memiliki banyak fitur. Itu merupakan salah satu kendala dalam penerapan teknik machine learning. Hal ini akan mempengaruhi perfoma atau keakuratan dari hasil klasifikasi pada data kanker. Oleh karena itu, metode pemilihan fitur diperlukan untuk meningkatkan perfoma dalam pendeteksian kanker. Dalam tugas akhir ini dilakukan perbandingan pemilihan fitur menggunakan Genetic Algorithm dan Laplacian Score. Fitur-fitur yang sudah terpilih pada data kanker kemudian digunakan dalam proses klasifikasi Support Vector Machines. Hasilnya, didapatkan akurasi terbaik saat dengan metode pemilihan fitur menggunakan Genetic Algorithm yaitu 98,69 dengan penggunaan 40 fitur untuk data kanker prostat dan 98,97 dengan penggunaan 30 fitur untuk data kanker kolon.

---

ABSTRACTCancer is one of the most deadly diseases for humans. According to the WHO 2015 , cancer is the causes of the death number two in the world by 13 after cardiovascular disease. Taking advantage from microarray data, machine learning methods can be applied to help cancer prediction according to its types. Microarray data has many features. It is one of the obstacles in the machine learning techniques. This will affect the performance or accuracy of the classification results on cancer data. Therefore, feature selection methods are required to increase performance in cancer prediction. This research proposed comparison of feature selection using Genetic Algorithm and Laplacian Score. Features that are already selected in the cancer data then used in the Support Vector Machines classification. The results show that the best accuracy obtained when using Genetic Algorithm with percentage of 98,69 by using 40 features for prostate cancer data and 98,97 by using 30 features for colon cancer data. "