Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKThis paper proposes methods for forward and inverse system modeling using Bayesian and least squares regression. This methods are based on both space-filling design criteria for multiple response problems and linear optimality criteria focusing on D optimality. Modeling with and without the constant term is considered motivated by the case study application of genetic network modeling. We propose extended one-factor-at-a-time experimentation followed bye augmentation of next stage design which offers biologists simplicity. Result are illustrated both numerical examples, a test problem from the literature, and a case study motivated by an real world biological research related to genetic network modeling."

"This book offers an essential introduction to the latest advances in delayed genetic regulatory networks (GRNs) and presents cutting-edge work on the analysis and design of delayed GRNs in which the system parameters are subject to uncertain, stochastic and/or parameter-varying changes. Specifically, the types examined include delayed switching GRNs, delayed stochastic GRNs, delayed reaction-diffusion GRNs, delayed discrete-time GRNs, etc. In addition, the solvability of stability analysis, control and estimation problems involving delayed GRNs are addressed in terms of linear matrix inequality or M-matrix tests."

"Di tengah penurunan pertumbuhan pendapatan industri telekomunikasi, operator telekomunikasi harus berusaha meningkatkan revenue usahanya dan menekan cost operational agar mampu bertahan dan bersaing dimasa mendatang. Banyaknya operator telekomunikasi yang mengembangkan bisnis pada market yang sama membuat ruang gerak operator telekomunikasi semakin terbatas. Permasalahan utama yang diangkat dalam penelitian ini adalah menurunnya pendapatan operator telekomunikasi dimana salah satunya diindikasikan karena besarnya biaya regulatory charges yang membebani cost operational operator telekomunikasi. Penelitian ini bertujuan untuk melakukan analisis terhadap regulatory charges operator selular yang berlaku saat ini dan hubungannya terhadap pendapatan operator, dengan menggunakan pemodelan sistem dinamik dan statisik. Dari hasil penelitian diperoleh bahwa regulatory charges bukan penyebab utama terjadinya penurunan pendapatan operator telekomunikasi. Menurunnya pertumbuhan industri telekomunikasi saat ini lebih disebabkan karena keputusan atau kebijakan pertumbuhan investasi jaringan selular dengan tingkat pertumbuhan (growth rate) yang tinggi dimasa lalu, dengan melakukan kegiatan eksploitasi oleh banyak perusahaan telekomunikasi sehingga mengakibatkan pangsa pasar telekomunikasi di Indonesia mencapai saturasi dalam waktu yang singkat.

---

Along with declining revenue growth in the telecommunications industry, the telecommunication operators must continue in adopting new technologies and utilize its network to accommodate future telecommunication services. Therefore, the operator forced to increase their business revenue and reduce operational cost. As the Indonesian telecommunication industry is crowded with many operators fighting over limited market and resources, indicates that the telecommunication market is heading towards saturation. The main issues raised in this research is the declining in revenues of telecommunications operators, one of which is indicated of the regulatory charges that impacting to operational cost.This research is focusing to analyze current operator regulatory charges and its relation to operator revenues, using the dynamic system modeling approach and statistic. The result showed that the regulatory charges is not the main cause of declining in revenues of telecommunications operators. A dramatic celular telecommunication investment growth in the past with high exploitation activities, however, has contributed fierce competition of market shares among many mobile operators. As the result, Indonesia's telecommunication market has lost some of its glory and become saturated within a relatively short period of time."

"Human Immunodeficiency Virus (HIV) merupakan salah satu virus paling mematikan yang merusak sistem imun manusia melalui interaksi antar protein (PPI). Oleh karena itu, diperlukan suatu metode prediksi yang dapat melihat secara luas interaksi antar protein. Integrasi dari berbagai jenis data yang berbeda merupakan salah satu pendekatan untuk melihat interaksi protein secara luas. Dalam penelitian ini dibangun metode untuk prediksi PPI dengan mengintegrasikan gene expression dan ontology menggunakan Bayesian Network. Langkah pertama pada proses integrasi ini yaitu mencari nilai likelihood ratio berdasarkan evidence berupa nilai probabilistik PPI pada masing-masing dataset. Dimana likelihood ratio diperoleh dari kombinasi evidence menggunakan Bayesian Network. Kemudian hasil prediksi yang diperoleh diverifikasi menggunakan database NIAID sebagai Gold-Standard. Dari hasil keseluruhan eksperimen, model yang dibangun ini dievaluasi menggunakan Positive Predictive Value (PPV) dan memperoleh presisi mencapai 85.07%.

---

.Human Immunodeficiency Virus (HIV) is one of the most deadly virus that could damage the human immune system through protein interaction (PPI). Therefore, the extremely prediction method that determine interactions between proteins extensively is required. The integration of different data is one of the approaches to look at the proteins interactions. In this research, a prediction model of PPI by integrating gene expression and gene ontology using Bayesian Networks will be developed. The first step in the integration process is to find the value of likelihood ratio based on evidence from each dataset. Furthermore the likelihood ratio is obtained from a combination of evidence using Bayesian Networks. Finally, the prediction results will be verified using a database of NIAID as Gold-Standard. Overall, we use PPV as an evaluation method which achieve precision around 85.07%."

"Mobile IPv6 memiliki dua metode dalam komunikasi antara mobile node dengan corresspondent node, yaitu Bidirectional Tunneling dan Route Optimization. Bidirectional Tunneling tidak membutuhkan bantuan correspondent node dan dapat tersedia walaupun mobile node tidak meregistrasi binding terbarunya terlebih dahulu. Route Optimization memerlukan dukungan mobile node untuk meregistrasi binding-nya pada correspodent node. Proses handover pada MIPv6 dibagi manjadi dua, yakni horizontal handover dan vertical handover. Horizontal handover merupakan handover yang terjadi pada saat mobile node berpindah access point namun masih berada pada Home Network yang sama, sedangkan vertical handover merupakan handover yang terjadi pada saat mobile node berpindah dari Home Network ke Foreign Network. Akan dijelaskan mengenai perbandingan performansi throughput, packet loss, dan delay antara Bidirectional Tunneling dengan Route Optimization menggunakan aplikasi HTTP. Hasil pengukuran pada home link, didapatkan throughput pada bidirectional dan route optimization memiliki perbandingan 15.7%, pada pengukuran packet loss memiliki perbandingan 0.007%, dan pada pengukuran delay memiliki perbandingan 1.77%. Hasil pengukuran pada foreign link, didapatkan throughput pada route optimization 36.77% lebih cepat dibandingkan bidirectional tunneling. Paclet loss pada route optimization 1.76% lebih sedikit dibandingkan bidirectional tunneling, dan pengukuran delay pada route optimization 41.45 lebih cepat dibandingkan bidirectional tunneling.

---

Mobile IPv6 has two methods in communication between mobile node with correspondent node, those are Bidirectional Tunneling and Route Optimization. Bidirectional Tunneling does not need help of correspondent node and no need registration of binding from mobile node. Route Optimization requires support of mobile node to register the binding on correspondent node. MIPv6 handover process is divided into two, those are horizontal handover and vertical handover.

Horizontal handover is a handover that occurs when the mobile node moves to the other access point but still in the same Home Network, while vertical handover is a handover that occurs when the mobile node moves from Home Network to Foreign Network. Will be explained about the comparative performance of throughput, packet loss, and delay between Bidirectional Tunneling with Route Optimization using HTTP applications. Measurement result on home link, shows the throughput on bidirectional tunneling and route optimization having comparison about 15.7%, packet loss about 0.007%, and delay about 1.77%.

Measurement result on foreign link, shows that throughput on route optimization is 36.77% faster than on bidirectional tunneling. Packet loss on route optimization is 1.76% lesser than bidirectional tunneling, and measurement of delay on route optimization is 41.45% faster than bidirectional tunneling."

"Analisis triclustering adalah metode data mining yang memiliki tujuan untuk mengelompokkan data tiga dimensi. Metode ini kerap kali digunakan untuk bidang bioinformatika. Pada penelitian ini digunakan metode analisis triclustering delta trimax. Delta Trimax pada intinya adalah metode analisis triclustering yang bertujuan untuk menemukan tricluster yang memiliki nilai MSR yang lebih kecil dari nilai threshold (o) yang telah ditentukan. Penggunaan silhouette coefficient pada penelitian ini adalah untuk membantu menentukan nilai threshold (o) tersebut. Hasil triclustering delta trimax nantinya dievaluasi dengan menggunakan Triclustering Quality Index (TQI). Genetic algorithm (GA) adalah sebuah algoritma pencarian yang efisien yang didasari oleh evolusi biologis dan genetika alam. Algoritma GA digunakan untuk menemukan solusi terbaik. Terdapat tiga operator genetika yang digunakan di dalam GA, yaitu seleksi, crossover, dan mutasi. Pada penelitian ini, digunakan data ekspresi gen tiga dimensi dari sel kanker paru-paru fase stabil (A549) yang diberi perlakuan obat kemoterapi Motexafin Gadolinium (MGd) dan mannitol sebagai grup kontrol, dimana ekspresi gen diamati dalam 6 kondisi dan 3 titik waktu. Tujuan dari penelitian ini adalah untuk mengetahui apa kumpulan gen yang memiliki respon baik terhadap pemberian obat kemoterapi MGd dan kondisi apa yang mempengaruhinya. Pada penelitian ini, himpunan tricluster yang memiliki kualitas terbaik berdasarkan Triclustering Quality Index (TQI) adalah himpunan tricluster yang dihasilkan dengan nilai o = 0,004. Berdasarkan himpunan tricluster tersebut, didapatkan informasi penting mengenai kumpulan gen yang memiliki respon baik terhadap pemberian MGd tapi efek obat MGd tidak bertahan di setiap titik waktu. Terdapat juga gen yang menunjukkan respon baik pemberian obat kemoterapi MGd, tetapi efektivitasnya tidak terlalu maksimal karena responnya beririsan dengan subjek yang hanya diberikan mannitol. Setelah itu, dilihat bagaimana hubungan gen yang berasal dari keseluruhan dataset dengan penyakit melalui gene ontology sebagai informasi tambahan untuk perkembangan obat MGd. Nilai fold enrichment tertinggi pada GO biological process adalah Cytoplasmic Translation, pada GO Cellular Component adalah cytosolic ribosome, dan pada GO Molecular Function adalah structural constituent of ribosome.

---

Triclustering analysis is a data mining method aimed at grouping three-dimensional data. This method is often used in the field of bioinformatics. In this study, the delta trimax triclustering analysis method is used. Delta Trimax essentially aims to find triclusters with Mean Squared Residue (MSR) values smaller than a predetermined threshold (o). The silhouette coefficient is used in this study to help determine the threshold (o). The results of the delta trimax triclustering are then evaluated using the Triclustering Quality Index (TQI). The genetic algorithm (GA) is an efficient search algorithm based on biological evolution and natural genetics. GA is used to find the best solution. There are three genetic operators used in GA: selection, crossover, and mutation. In this study, three-dimensional gene expression data from stable phase lung cancer cells (A549) treated with the chemotherapy drug Motexafin Gadolinium (MGd) and mannitol as a control group were used, where gene expression was observed under 6 conditions and 3 time points. The aim of this study is to identify which sets of genes respond well to MGd chemotherapy and which conditions influence these responses. The set of triclusters with the highest quality based on the Triclustering Quality Index (TQI) was obtained with o=0.004. From this set of triclusters, important information was obtained about the sets of genes that respond well to MGd, but the effect of MGd does not persist at every time point. There are also genes that show a good response to MGd chemotherapy, but its effectiveness is not maximized because the response overlaps with subjects that were only given mannitol. Subsequently, the relationship between genes from the entire dataset and the disease is observed through gene ontology as additional information for the development of MGd drugs. The highest fold enrichment value in the GO biological process is Cytoplasmic Translation, in the GO Cellular Component is cytosolic ribosome, and in the GO Molecular Function is structural constituent of ribosome."

"Peramalan penjualan merupakan salah satu kunci keberhasilan manajemen rantai pasok sebuah perusahaan. Hal tersebut tidak hanya berlaku untuk perusahaan manufaktur, namun juga pada industry ritel. Untuk itu, peramalan terhadap penjualan merupakan hal yang sangat penting.. Untuk melakukan peramalan tersebut, metode peramalan ARIMA dan Neural network mampu melakukan prediksi berdasarkan data historis permintaan time series. ARIMA mampu melakukan regresi data dengan sangat baik, sedangkan NN mampu memprediksi data dengan pelatihan terhadap data historis. Selain itu, optimasi Neural network dengan Genetic Algorithm mampu memnentukan jumlah neuron tersembunyi yang optimal sehingga mampu mempersingkat waktu training pada pelatihan NN. Objek dalam penelitian kali ini menggunakan produk dengan 3 karakteristik berbeda yaitu penjualan pada telur ayam, mie instan, dan wadah kontainer plastik. Pada penelitian ini, GA-NN menghasilkan tingkat akurasi peramalan yang lebih baik disbanding model lain.

---

Sales forecasting is one of the requirements the company should do to meet a successful supply chain management. It applied not only in manufacturing companies, but also in retail industries. Therefore, sales forecasting is a very important thing. To do sales forecasting, forecasting methods such as ARIMA and Neural network can do prediction based on time series demand historical data. ARIMA is able to perform data regression very well, while NN is able to predict data with training based on historical data. Moreover, Neural network optimization with Genetic Algorithm is able to determine quantity of optimal hidden neuron so NN training time can be shortened and the result should be more accurate. Objects used in this research are products with 3 different characteristics; there are chicken egg, instant noodle, and plastic container. This research shows that GA-NN generates better forecast compared to the other model."

"Bioinformatika merupakan ilmu yang ditujukan untuk menganalisis informasi biologis. Dalam perkembangan penelitian bioinformatika, data diperoleh salah satunya dengan menggunakan teknologi microarray. Teknologi microarray digunakan oleh lingkup biologi molekuler dalam melihat perbedaan tingkat ekspresi gen dengan cara mengonversi gambar monokromik yang berisi ratusan bahkan ribuan gen dari sampel sel dan menghasilkan data ekspresi gen. Teknologi microarray sering kali menghasilkan data ekspresi gen yang hilang atau tidak terdeteksi akibat adanya kesalahan teknis. Oleh karena itu, diperlukannya suatu metode imputasi pada data untuk mengatasi missing values. Pada penelitian ini, akan dikembangkan suatu metode imputasi yang disebut Biclustering Terurut berbasis k-Nearest Neighbor, Mean Squared Residual, dan Jarak Euclidean. Metode ini merupakan metode imputasi berbasis biclustering dimana bicluster dibentuk berdasarkan suatu kriteria yang melibatkan skor Mean Squared Residue dan Jarak Euclidean. Penggunakan k-Nearest Neighbor sebagai metode pra-imputasi didasarkan pada data ekspresi gen yang sering kali memiliki pola kompleks dan sulit terdeteksi, sehingga perlu pendekatan yang dapat memetakan struktur korelasi pada data. k-Nearest Neighbor mempertimbangkan korelasi pada data microarray dengan menyeleksi kumpulan gen yang memiliki profil ekspresi mirip dengan gen yang ingin diimputasi (gen target). Pada penelitian ini, metode SBi-kNN-MSREimpute diterapkan pada data ekspresi gen pasien penderita COVID-19 yang dilakukan tes rapid harian. Evaluasi kinerja metode SBi-kNN-MSREimpute dilakukan dengan menggunakan NRMSE, dimana hasilnya dibandingkan dengan metode SBi-MSREimpute. Berdasarkan penelitian yang dilakukan, metode SBi-kNN-MSREimpute dinilai lebih baik dibandingkan dengan SBi-MSREimpute untuk setiap missing rate pada tingkatan c berbeda. Nilai c optimal untuk imputasi missing values pada data COVID-19 adalah c = 10% untuk missing rate 25%, 30%, 40% dan c = 15% untuk missing rate 5%, 10%, 15%, 20%, dan 50%. Hasil akhir juga menunjukkan bahwa nilai NRMSE untuk SBi-kNN-MSREimpute relatif stabil bahkan untuk data dengan missing rate tinggi hingga 50%.

---

Bioinformatics is a study designed to analyze biological information. In the development of bioinformatics research, data was obtained using microarray technology. Microarray technology is used by the scope of molecular biology in transposing hundreds and even thousands of genes from cellular samples simultaneously and producing a gene expression data. Microarray technology often produces data that is lost or undetected as a result of technical error. Therefore, an imputation method is needed to address the missing values. In this study, a new imputation method called Sequential Biclustering based k-Nearest Neighbor, Mean Squared Residual, and Euclidean Distance (SBi-kNN-MSRE) will be developed. This method is a biclustering-based imputation method where the bicluster is formed based on a criterion involving Mean Squared Residue and Euclidean Distance. The use of k-Nearest Neighbor as a pre-imputation method is based on data on gene expression that often has a complex and difficult pattern of detection, so it requires an approach that can map correlation structures on data. K-nearest neighbor considers a correlation on a microarray data by selecting groups of genes that have an expression profile similar to a gene that wants to be imputed (the target gene). In this study, the SBi-kNN-MSRE method was applied to the data on the genes of patients with covid-19 that daily rapid tests were performed. The performance evaluation of the SBi-kNN-MSRE method is done using NRMSE, where the results are compared to the SBi-MSRE method. According to the result, the SBi-kNN-MSRE method performed better than SBi-kNN-MSRE for each missing rate on different c levels. The optimal c value on the covid-19 data is c = 10% for missing rate 25%, 30%, 40% and c = 15% for missing rate 5%, 10%, 15%, 20% and 50%. The results also showed that NRMSE scores"