Hasil Pencarian  ::  Simpan CSV :: Kembali

"Program pemeliharaan jalan merupakan persyaratan penting agar kinerja jalan tetap stabil. Life Cycle Cost Analysis (LCCA) adalah salah satu metode dalam proses manajemen perkerasan. LCCA digunakan untuk mendukung pengambil keputusan sebagai alat analisis jaringan jalan. Banyak agen transportasi telah menggunakan pendekatan LCCA deterministik maupun probabilistik. Pembuat keputusan menggunakan metode probabilistik untuk mengevaluasi risiko investasi menggunakan variabel input, asumsi, atau estimasi yang tidak pasti. Karena banyaknya input data ambigu dan tidak pasti diperlukan penggunaan aplikasi komputasi lunak/soft computing untuk mengatasinya. Disertasi ini bertujuan mengembangkan sistem informasi preventif jalan dengan inferensi (SIP_JADI) menggunakan teknik soft computing. Diawali dengan pengembangan soft computing berbasis artificial neural network (ANN) yang digunakan untuk pemodelan prediksi hambatan/kerusakan jalan yang kemudian dilanjutkan dengan algoritma berbasis logika fuzzy yang menghadirkan LCCA pemeliharaan preventif perkerasan dengan mempertimbangkan biaya pengguna. Algoritma dengan sistem logika fuzzy berbasis aturan di mana pengguna dapat mendefinisikan aturan untuk mencerminkan kebijakan dan strategi agensi. Penurunan kecepatan akibat dari hambatan baik dari kerusakan jalan maupun adanya zona kerja menjadi input penting yang berpengaruh terhadap biaya pengguna/user cost. Semakin lama penundaan perbaikan kerusakan jalan, akan semakin menambah biaya yang dikeluarkan oleh pengguna. Hasil yang cukup signifikan pada studi kasus yang ditinjau yaitu di jalan tol Jakarta outer ring road seksi S (JORR-S) dengan pengamatan selama 3 (tiga) tahun di tengah masa pemeliharaan menunjukkan kinerja perkerasan meningkat dari indeks present serviceability index (PSI) dengan nilai 2,8 meningkat menjadi 3,2. Dengan meningkatnya indeks kinerja perkerasan meningkat pula umur layanan jalan.

---

Road maintenance program is an important requirement for improving road performance and its stability. Life Cycle Cost Analysis (LCCA) is one of the methods adopted in pavement management process. It is a decision-making support tool employed for road network analysis. Furthermore, many transportation agencies have utilized deterministic and probabilistic LCCA approaches. The probabilistic methods are employed by decision makers to evaluate investment risks, using uncertain input variables, assumptions or estimates. Due to the ambiguity and uncertainty of the number of data input, a soft computing application is required. This study discusses the development of a road preventive information system with inference (SIP_JADI), using soft computing techniques. In addition, it is initiated with the development of artificial neural network (ANN)-based soft computing technique used for modeling road obstacles/damage predictions. Fuzzy logic-based algorithms present LCCA for pavement preventive maintenance by considering user costs. Algorithms with fuzzy logic systems are rule-based where users can define rules to reflect agency policies and strategies. The reduction in speed limit due to obstacles from road damages and presence of work zones is an important input that affects user costs. Therefore, the longer the delay in repairing road damages, the higher the costs incurred by users. This study was conducted on the Jakarta outer ring road section S (JORR-S) with observations for three years during maintenance period. The results showed that pavement performance improved from the present serviceability index (PSI) with a value of 2.8 to 3.2. Furthermore, as the pavement performance index increases, the life of the road service also increases. "

"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."

"

Saat ini tidak ada keraguan bagi siswa-siswi sekolah menengah untuk melanjutkan pendidikannya ke jenjang universitas. Namun, transisi dari sekolah menengah ke pendidikan tinggi adalah tantangan besar bagi mahasiswa tahun pertama. Kinerja mahasiswa pada tahun pertama cenderung menentukan kinerja mahasiswa tersebut di tahun-tahun akademik berikutnya. Penting untuk mencari karakteristik-karakteristik mahasiswa berdasarkan kinerjanya pada awal tahun semester akademik, sehingga dapat dilakukan pendeteksian awal untuk mencegah penurunan kinerja dan meningkatkan prestasi akademik mahasiswa. Penelitian ini bertujuan untuk mengelompokkan 140 mahasiswa semester pertama. Fitur-fitur diseleksi menggunakan Chi-Square lalu digunakan Fuzzy C-Means clustering untuk mengelompokkan mahasiswa. Dari hasil simulasi, mahasiswa dikelompokkan ke dalam dua cluster dengan kinerja cluster kedua lebih baik dibanding kinerja cluster pertama.

---

Currently there is no doubt for high school students to continue their education at the university level. However, the transition from high school to university is a major challenge for the first-year students. Moreover, student performance during the first year tends to determine their performance in the following academic years. It is important to find student's characteristics based on their performance at the beginning of the academic semester so that early detection can be done to prevent performance degradation and increase student academic achievement. This study aims to cluster 140 first year students. Features are selected using the Chi-Square feature selection method and then using Fuzzy C-Means clustering to group the students. From simulation result, students are grouped into two clusters with the second cluster's performance is better than the first cluster's performance.

"

""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. "

"Segmentasi merupakan sebuah proses yang penting dilakukan dalam menganalisa suatu citra. Dengan melakukan segmentasi, maka citra tersebut dapat dibagi menjadi beberapa bagian yang lebih sederhana yaitu bagian-bagian yang memiliki karakteristik visual yang serupa seperti warna, gerakan, dan tekstur. Fuzzy c-means (FCM) yang diperkenalkan oleh Dunn dan dikembangkan oleh Jim Bezdek, adalah algoritma yang populer digunakan dalam segmentasi citra karena algoritma ini mudah digunakan dan akurat. Lebih tepatnya, FCM sangatlah efektif digunakan untuk mensegmentasi citra yang tidak memiliki noise. Selain sensitif terhadap noise, FCM juga sensitif terhadap outliers. Berbagai macam metode telah ditemukan untuk mengatasi kelemahan dari algoritma FCM, salah satunya menggunakan metode robust FCM (RFCM). Dari hasil penelitian yang dilakukan, dapat dilihat hasil secara kuantitatifnya lebih baik dibandingkan dengan algoritma-algoritma FCM lain. Hasil percobaan menunjukkan modifikasi RFCM memberikan hasil yang lebih baik terutama untuk data iris.

---

Segmentation is an important process to analyze an image. With image segmentation, an image can be partitioned into several simpler parts, which is parts that have similar visual characteristics like colors, motions, and textures. Fuzzy c-means (FCM) is introduced by Dunn and developed by Jim Bezdek. FCM is a popular algorithm to be used on image segmentation because of its simplicity and accuracy. Moreover, FCM is highly effective to segment image that have no noise. Aside its sensitiveness to noise, FCM is also sensitive to outliers. Several methods are founded to overcome FCM’s weaknesses one of which is using robust FCM method. From research, quantitatively it’s result is better compared to other FCM algorithms. Reseach done shows that modified RFCM gives better result especially for iris data."