Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Penggunaan gas bumi yang merupakan non-renewable energy, perlu lebih diefisienkan. Hal tersebut menyebabkan segmentasi pelanggan gas di sektor industri penting untuk dilakukan, agar dapat dibentuk strategi pemasaran atau penetapan tarif yang tepat. Penelitian ini dilakukan di PT Perusahaan Gas Negara (PGN) dengan menggunakan salah satu metode data mining, yaitu Self-Organizing Map (SOM), untuk dihasilkan klasterisasi pelanggan berdasarkan karakteristik penggunaannya, sebagai acuan dalam pembentukan segmentasi pelanggan gas bumi. Variabel area, jenis pelanggan, sektor industri, rata-rata penggunaan, standar deviasi penggunaan, dan total penyimpangan menjadi variabel yang digunakan dalam penelitian ini. Hasilnya adalah terdapat 37 klaster dan 9 segmen yang terbentuk, dari 838 data pelanggan yang digunakan dalam penelitian ini. Kesembilan segmen ini menggambarkan secara umum karakteristik pelanggan gas bumi di PT PGN.

---

The usage of the natural gas which is non-renewable energy, needs to be more efficient. It also results the customer segmentation is the necessary thing to do, in order to set up a marketing strategy or a determination of the appropriate tariff. This research was conducted at PT PGN using one of the methods of data mining, i.e. Self-Organizing Map (SOM), that resulted the clustering of customer based on the characteristic of its user, as a reference to create the customer segmentation of natural gas user. Variable of area, type of customer, the industrial sector, the average usage, standard deviation of the usage, and the total deviation become the variable which are used in this research. It results 37 cluster and 9 segment, from 838 customer data which are used in this research. These 9 segments illustrate the general characteristic of the natural gas customer of PT PGN."

"Self Organizing Map (SOM) adalah metode pengelompokan yang berguna untuk mengeksplorasi karakteristik data secara visual. Pada penelitian ini metode SOM digunakan untuk mengelompokkan kecamatan-kecamatan di Pulau Sumatera berdasarkan karakteristik penggunaan fixed broadband di masing-masing wilayah tersebut. Melalui pengelompokan dengan metode SOM, didapatkan 3 kelompok kecamatan yaitu: kecamatan dengan penggunaan fixed broadband rendah, menengah dan tinggi. Agar hasil pengelompokan dapat dilihat secara detail, maka hasil SOM dipetakan ke dalam Sistem Informasi Geografis. Hasil visualisasi ini adalah peta penggunaan fixed broadband di Pulau Sumatera yang dapat digunakan untuk menggambarkan bagaimana kondisi penggunaan fixed broadband di Pulau Sumatera.

---

Self Organizing Map (SOM) is a powerful clustering method to explore the characteristics of the data visually. In this study, SOM is used to cluster the subdistrict regions in Sumatera based on their characteristics of fixed broadband application in each region. Through clustering with SOM, three distinct clusters of those subdistricts are found. Cluster 1 consists of subdistricts with low fixed broadband application, Cluster II consists of subdistricts with medium fixed broadband application and the last consists of subdistricts with high application in fixed broadband. In order to get a geographical representation of the clusters, the results from SOM are visualized into Geographic Information System. From this visualization, a fixed broadband map of Sumatera is created of which can be used to describe the conditions of fixed broadband application in Sumatera."

"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."

"Pembahasan mengenai serangan distributed denial of service menjadi salah satu topik utama dalam wacana keamanan internet. Walaupun penggunaannya sudah lebih dari satu dekade dan mekanisme atau cara kerjanya sudah dipahami secara luas, namun hingga saat ini masih sangat sulit untuk mendeteksi secara dini suatu serangan distributed denial of service. Lambatnya pendeteksian serangan distributed denial of service karena sulitnya membedakan antara paket normal dan paket yang berasal dari agen distributed denial of service. Kesulitan lainnya adalah besarnya jumlah paket yang dikirim, hal ini mengakibatkan lamanya waktu yang dibutuhkan untuk menganalisa, dan dapat menyebabkan akurasi pendeteksian serangan distributed denial of service menurun. Melalui penelitian ini peneliti mencoba memberikan solusi yaitu berupa metode untuk mendeteksi serangan distributed denial of service. Adapun metode yang diajukan disini yaitu dengan melakukan pendeteksian secara dini ketika terjadi serangan distributed denial of service terhadap server jaringan. Dalam melakukan pendeteksian dibutuhkan metode yang efektif untuk segera memberikan peringatan atau informasi bahwa telah terjadi serangan distributed denial of service. Metode yang peneliti ajukan adalah metode deteksi menggunakan algoritma self organizing map dengan memanfaatkan lalu-lintas flow pada jaringan dan menggunakan fitur perhitungan dari metode yang sudah ada sebelumnya, yaitu metode IP FLow. Berdasarkan hasil pengujian, metode yang diajukan berhasil meningkatkan akurasi dan mempercepat waktu deteksi serangan distributed denial of service dibandingkan metode IP Flow.

---

Discussion about distributed denial of service attack to be one of the main topics on the Internet security discourse. Although it appearance was more than a decade and it works has been widely understood, but it is still very difficult to detect at early stage of distributed denial of service attack. The delay of distributed denial of service attack detection due to difficulties in distinguishing between normal packets and packets originating from distributed denial of service agents. Another difficulty is the huge number of packets sent, it causes the length of time required to analyze, and could lead to decrease accuracy of detection.

Through this study, researcher tried to provide a solution in the form of methods for detecting distributed denial of service attacks. The method proposed here is to perform early detection of a distributed denial of service attacks on a network server. Doing detection certainly needed an effective method for giving immediate warning or information that distributed denial of service attacks have occurred.

The proposed method research is the detection method using self organizing map algorithm based on flow traffic on the network and by using statistical calculation taken from existing method, IP Flow method. Based on test results, the proposed method successfully improves the accuracy and speed time detection of distributed denial of service attacks than using the IP Flow method."

"pertumbuhan ekonomi merupakan salah satu faktor penting untuk menentukan kesejahteraan suatu wilayah. akan tetapi, perbedaan kondisi geografis dan potensi wilayah menyebabkan perbedaan kondisi ekonomi yang berbeda antarwilayah. studi kasus dilakukan terhadap Provinsi Jawa Tengah karena merupakan salah satu kontributor PDRB terbesar di Indonesia, yang ternyata masih memiliki ketimpangan perekonomian antar kota dan antar kabupaten. untuk memudahkan visualisasi pertumbuhan dan penggerombolan dalam wilayah Provinsi Jawa Tengah tersebut. metode yang bisa digunakan untuk analisis gerombol sangat beragam. salah satu metode Self Organizing Map (SOM) yang mampu menggerombolkan data multidimensi disertai dengan visualisasinya dengan teknik Unsupervised Artifical Neural Network. aplikasi ini memudahkan visualisasi dan analisisnya karena diintegrasikan dengan Sistem Informasi Geografis (SIG). aplikasi yang dibuat selanjutnya digunakan untuk melakukan analisis gerombol dengan data studi kasus Provinsi Jawa Tengah. Visualisasi yang dihasilkan mampu menunjukkan pola pertumbuhan ekonomi di Provinsi Jawa Tengah namun belum terlihat adanya pemusatan kutub pertumbuhan ekonomi di Provinsi Jawa Tengah karena pola penggerombolan berdasarkan indikator pertumbuhan ekonomi masih menyebar."

"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."

"[ABSTRAKPenelitian ini terdiri dari dua tahap. Growing self-organizing map (GSOM) algorithm danhybrid bee colony optimization (BCO) dan self-organizing map (SOM) untuk mengimproveSOM performance. Pada tahap pertama GSOM digunakan untuk menentukan SOM topologydan pada tahap kedua, hybrid BCOSOM digunakan untuk mengadjust SOM weights. MetodeBCOSOM akan dibandingkan dengan metode PSO, BCO, SOM, PSOSOM, SOM+PSO, danSOM+BCO dengan menggunakan 4 benchmark data sets (Iriss, Glass, Wine, dan Vowel).Dari hasil komputasi menunjukkan bahwa metode BCOSOM dapat mencari solusi yang lebihbaik dari algoritma lainnya. Dari hasil tersebut, BCOSOM digunakan pada GroupTechnology untuk menentukan part families pada komponen plat disebuah perusahaanmedical furniture di Yogyakarta.

---

ABSTRACTABSTRACT This research proposes a two stage method growing self organizing map GSOM algorithm and bee colony optimization BCO based self organizing map BSOSOM to improve SOM performance In the first stage GSOM is used to determine the SOM topology and then followed by BCOSOM to fine tune the SOM weights The proposed BCOSOM algorithm is compared with other algorithms PSO BCO SOM PSOSOM SOM PSO and SOM BCO using four benchmark data sets Iris Glass Wine and Vowel The computational result indicates that BCOSOM algorithm is able to find a better solution than other algorithms Furthermore the proposed algorithm has been also employed to Group Technology to cluster components into part families for a medical manufacture in Indonesia ; ABSTRACT This research proposes a two stage method growing self organizing map GSOM algorithm and bee colony optimization BCO based self organizing map BSOSOM to improve SOM performance In the first stage GSOM is used to determine the SOM topology and then followed by BCOSOM to fine tune the SOM weights The proposed BCOSOM algorithm is compared with other algorithms PSO BCO SOM PSOSOM SOM PSO and SOM BCO using four benchmark data sets Iris Glass Wine and Vowel The computational result indicates that BCOSOM algorithm is able to find a better solution than other algorithms Furthermore the proposed algorithm has been also employed to Group Technology to cluster components into part families for a medical manufacture in Indonesia ; ABSTRACT This research proposes a two stage method growing self organizing map GSOM algorithm and bee colony optimization BCO based self organizing map BSOSOM to improve SOM performance In the first stage GSOM is used to determine the SOM topology and then followed by BCOSOM to fine tune the SOM weights The proposed BCOSOM algorithm is compared with other algorithms PSO BCO SOM PSOSOM SOM PSO and SOM BCO using four benchmark data sets Iris Glass Wine and Vowel The computational result indicates that BCOSOM algorithm is able to find a better solution than other algorithms Furthermore the proposed algorithm has been also employed to Group Technology to cluster components into part families for a medical manufacture in Indonesia , ABSTRACT This research proposes a two stage method growing self organizing map GSOM algorithm and bee colony optimization BCO based self organizing map BSOSOM to improve SOM performance In the first stage GSOM is used to determine the SOM topology and then followed by BCOSOM to fine tune the SOM weights The proposed BCOSOM algorithm is compared with other algorithms PSO BCO SOM PSOSOM SOM PSO and SOM BCO using four benchmark data sets Iris Glass Wine and Vowel The computational result indicates that BCOSOM algorithm is able to find a better solution than other algorithms Furthermore the proposed algorithm has been also employed to Group Technology to cluster components into part families for a medical manufacture in Indonesia ]"

"Macular edema is a kind of human sight disease as a result of advanced stage of diabetic retinopathy. It affects the central vision of patients and in severe cases lead to blindness. However, it is still difficult to diagnose the grade of macular edema quickly and accurately even by the medical doctor's skill. This paper proposes a new method to classify fundus images of diabetics by combining Self-Organizing Maps (SOM) and Generalized Vector Quantization (GLVQ) that will produce optimal weight in grading macular edema disease class. The proposed method consists of two learning phases. In the first phase, SOM is used to obtain the optimal weight based on dataset and random weight input. The second phase, GLVQ is used as main method to train data based on optimal weight gained from SOM. Final weights from GLVQ are used in fundus image classification. Experimental result shows that the proposed method is good for classification, with accuracy, sensitivity, and specificity at 80%, 100%, and 60%, respectively."