Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKAnalisis komponen independen (AKI) merupakan metode statistik multivariat yang digunakan untuk menemukan faktor atau komponen independen dari suatu data. AKI merupakan pengembangan lebih lanjut dari analisis faktor (AF). Data yang digunakan berupa data set EEG sumber terbuka dari daring yang kemudian dianalisis dengan menggunakan perangkat lunak EEGLAB yang merupakan modul tambahan atas perangkat lunak Matlab"

"Analisis faktor dengan metode Komponen Utama dikerjakan pada data multivariat, dengan tujuan untuk: meringkas data dan menampakkan faktor-faktor yang ada, yang merupakan gabungan peubah-peubah yang saling bergantungan. Data hasil penelitian dengan banyak peubah, dapat diringkas menjadi data dengan beberapa faktor yang cukup mewakili. Metode Komponen Utama adalah salah suatu metode dari beberapa metode yang ada dalam Analisis Faktor. Faktor yang terbentuk melalui rnetode ini, adalah kombinasi linier dari peubah semula yang banyak itu. Peubah acak, yang banyak itu dapat diekspresikan dalam beberapa faktor, dengan aturan-aturan dan asumsi-asumsi tertentu. Banyak eigenvalue terbesar, yang diambiI dari matriks variansi-kovariansi, menentukan jurmlah faktor yang akan diperhatikan. Sedangkan loading-loading yang memberikan kontribursi besar, yang akan rnenentukan peubah-peubah mana yang bergabung membentuk faktor tersebut."

"Dalam tugas akhir ini dibahas beberapa metode AnalisisFaktor, yaitu metode faktor utama, metode minimum residual danmetode alpha yang biasa digunakan untuk penelitian yangmenggunakan sejumlah besar variabel.Sedangkan pembahasannya terdiri dari model matematika,metode perhitungan dan -suatu contoh penggunaan metode alphauntuk analisis data kependudukan, khususnya yang berhubungandengan fertilitas alamiah"

"Dengan semakin kompleksnya permasalahan ekonomi di suatu negara baik itu negara berkembang maupun itu negara maju, berarti sasaran yang harus dituju oleh otoritas moneter menjadi lebih kompleks juga, artinya hasil yang dicapai menjadi tidak maksimal lagi. Inflasi yang menjadi masalah di setiap negara di dunia, merupakan satu masalah yang harus diselesaikan terlebih dahulu sebelum masalah lainnya. Pengendalian inflasi menjadi target utama karena infiasi menyebabkan perekonomian menjadi tidak stabil dan tidak bisa diprediksi dengan baik. Indonesia sebagai negara berkembang tentunya tidak luput dari permasalahan inflasi, bahkan menjadi momok yang menakutkan bagi Bank Indonesia selaku otoritas pengendali moneter di Indonesia. Studi yang berusaha mengidentifikasikan komponen - komponen penyumbang inflasi telah banyak dilakukan oleh penulis - penulis sebelumnya. Kali ini pembahasan diarahkan untuk mengidentifikasikan komponen - komponen penyumbang inflasi yang termasuk trend dan cyclical. Penulis menggunakan peralatan analisa metode VAR (Vector AutoReggressive) yang menguji hubungan kausalitas lebih dari 2 variabel dan bertujuan untuk menguji apakah data-data inflasi yang ada mampu menjelaskan hasil berupa inflasi aktual yang terjadi dan kalaupun tidak, variabel - variabel pendukung infiasi harus di uji kembali untuk melihat komponen - komponen mana yang menjadi penyumbang terbesar atas ketidakstabilan variabelnya. Variabel yang diuji ada 4 dimana menurut penulis mampu mewakili kondisi inflasi di Indonesia yaitu IHK, GDP Riil, Kurs dan M1. Kemudian dilanjutkan dengan prosedur peramalan sehingga di dapatkan hasil yang mampu menjelaskan kondisi inflasi trend dan aktual beserta masalah yang didaptkan apabila trend dan aktualnya tidak sama."

"Indonesia merupakan Negara dengan tingkat traffic komunikasi yang cukup besar dewasa ini, dengan penggunaan jaringan sinyal GSM sebagai jaringan utama yang user gunakan untuk berkomunikasi satu user dengan yang lainnya. Pertukaran berbagai informasi terjadi dalam jaringan GSM ini, mulai dari informasi yang bersifat umum hingga yang bersifat personal atau privat. Dengan adanya pertukaran informasi tersebut, dibutuhkan sebuah tingkat keamanan yang cukup mumpuni untuk tetap menjaga informasi yang terdapat di dalam Jaringan GSM.Pada penelitian ini dirancang sebuah sistem yang dapat melakukan penyadapan secara sederhana untuk mengetahui tingkat keamanan dari jaringan GSM. Unsur penyadapan pada sistem dilakukan dengan memanfaatkan Radio Tunner sebagai receiver sinyal GSM dan Gnu Radio sebagai dencoder sinyal GSM dan diteruskan oleh Wireshark sebagai analisator dari sinyal GSM sehingga didapatkan informasi berupa GSM-TAP sebagai hasil dari proses sistem.Hasil dari pengujian simulasi didapatkan rata - rata System Information type 4 sebanyak 930 kanal dan Immediate assignment sebanyak 1636 kanal dari total rata - rata Traffic sebanyak 37212 kanal. Detail dari setiap potongan kanal menghasilkan data dasar dari kanal tanpa adanya potongan informasi berupa suara maupun teks ( SMS ).

---

Indonesia is a country with a big scale of network traffic users nowadays. With GSM network as a primary network that user used to communicate to each others. There are so many traffic of information inside the GSM network with many scale of information confidentiality, from public to private or restricted. With the exchange of such information, it needs a level of security that is quite capable to keep the information that contained in the GSM network.

This research goal is to design a system that can perform tapping GSM signal to know how deep GSM security is. This GSM tapping system is using a Radio Tunner as a GSM signal receiver and Gnu radio as a software that decode the GSM signal to be readable by Wireshark for analysis until it got a GSM_TAP as a result from this system.

The results of the simulation are obtained by averaging the simulation System Information type 4 as many as 930 channels and Immediate assignment as much as 1636 Channels from total of Traffic as much as 37212 Channels. The detail of every piece of the channel show only a frame header from that channel without any voice or text ( SMS )."

"Penderita gangguan depresi semakin meningkat setiap tahunnya, terutama pada generasi muda. Hal ini membawa urgensi tentang pentingnya menjaga kesehatan mental, terlebih lagi WHO melaporkan bahwa depresi sangat mempengaruhi kualitas hidup dan menjadi penyebab dari meningkatnya risiko gangguan kesehatan lainnya. Kesalahan diagnosis seringkali terjadi pada depresi, maka dari itu sangat penting untuk mengembangkan pendekatan objektif untuk membantu dokter mendiagnosis depresi secara lebih efektif. Elektroensefalografi (EEG) merupakan teknologi berbasis sinyal otak yang dapat merekam aktivitas jaringan otak. Penelitian ini bertujuan untuk membuat program analisis gangguan depresi berbasis Machine Learning. Aplikasi Graphical User Interface (GUI) juga dibuat untuk mempermudah pengguna. Pemrosesan sinyal dilakukan dengan dua metode, yakni wavelet dan Power Spectral Density (PSD). Relative Power Ratio (RPR) dihitung sebagai fitur klasifikasi. Perhitungan dominansi juga dilakukan untuk mereduksi jumlah fitur. Fitur dengan dominansi tertinggi akan digunakan untuk membuat model klasifikasi Machine Learning. Pengklasifikasi yang digunakan adalah K-Nearest Neighbor (KNN) dengan cross validation. Akurasi tertinggi yang diperoleh mencapai 70% dengan metode wavelet dan 65% dengan metode PSD.

---

The number of individuals suffering from depressive disorder (also known as major depressive disorder or MDD) is increasing every year, especially among the younger generations. This highlights the urgency of prioritizing mental health, especially considering the World Health Organization’s report that depression significantly affects the quality of life and increases the risk of other health disorders. Misdiagnosis often occurs in cases of depression, making it crucial of develop an objective approach to help doctors diagnose depression more affectively. Electroencephalography (EEG) is a brain signalbased technology that records brain network activity. This research aims to create a machine learning-based program for analyzing depressive disorders. Additionally, a Graphical User Interface (GUI) application is developed to facilitate users. Signal processing is performed using two methods, namely wavelet and Power Spectral Density (PSD). The Relative Power Ratio (RPR) is calculated as a classification feature. Dominance computation is also conducted to reduce the number of features, and the feature with highest dominance are used to create the Machine Learning classification model. The classifier used is K-Nearest Neighbor (KNN) with cross-validation. The highest accuracy achived is 70% with the wavelet method and 65% with the PSD method."