Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan teknologi yang menggunakan perangkat spektrum frekuensi mengakibatkan penggunaan frekuensi radio akan terus meningkat. Kepadatan penggunaan spektrum frekuensi yang tinggi serta permintaan yang terus meningkat akan kanal-kanal frekuensi radio, menuntut pihak pengelola spektrum frekuensi untuk menerapkan sistem pengelolaan yang efisien dan efektif. Direktorat Jenderal Sumber Daya dan Perangkat Pos dan Informatika (Ditjen SDPPI) yang mempunyai fungsi pengawasan dan pengendalian di bidang spektrum frekuensi radio mengembangkan Sistem Monitoring Frekuensi Radio (SMFR) mulai tahun 2009 untuk menjamin pemakaian spektrum frekuensi yang tertib dan pengguna sah frekuensi terlindungi dari gangguan interferensi radio. Untuk menjamin bahwa SMFR tepat guna maka diperlukan evaluasi oleh stake holder seperti Pihak Otoritas Manajemen Spektrum Frekuensi dan Operator Pengendali Frekuensi Radio. Analisa pada penelitian ini menggunakan Gap Analysis untuk mengetahui kesenjangan sasaran kinerja Manajemen Monitoring Frekuensi Radio serta Kano Model untuk merumuskan kebutuhan fungsi Sistem Monitoring Frekuensi Radio. Dengan melakukan indepth interview kepada Otoritas Manajemen Spektrum Frekuensi dan 50 kuesioner Kano Model kepada Operator Pengendali Frekuensi Radio didapatkan Kinerja Perangkat khususnya kehandalan perangkat merupakan suatu keharusan dalam Sistem Monitoring Frekuensi Radio. Pada jenis atribut Fungsi yang dibutuhkan adalah fitur monitoring VHF-UHF, fitur pencari arah VHF-UHF dan fitur spectrum occupancy. Sedangkan pada jenis atribut Integrasi tidak mempunyai pengaruh terhadap kepuasan responden. Untuk menaikkan kinerja Sistem Monitoring Frekuensi Radio diperlukan pembinaan sumber daya manusia dan perubahan pola kerja lama yang menggunakan perangkat analog menjadi perangkat SMFR yang otomatis dan terintegrasi dengan database Sistem Informasi Manajemen Spektrum (SIMS). Perubahan bisnis proses monitoring juga diperlukan untuk memaksimalkan seluruh fungsi dalam Sistem Monitoring Frekuensi Radio.

---

The development of technology which uses the frequency spectrum resulting in the use of radio frequency will continue to increase. The density of the high frequency spectrum usage and demand will continue to increase the radio frequency channels, frequency spectrum requires the manager to implement management systems that efficiently and effectively. Directorate General of Resources and Equipment Post and Information Technology (DG SDPPI) which has the function of monitoring and control in the field of radio frequency spectrum develops Radio Frequency Monitoring System (SMFR) began in 2009 to ensure the orderly use of the frequency spectrum and the frequency legitimate users are protected from interference radio. To ensure that SMFR is appropriated, it?s require evaluation by stakeholders such parties Frequency Spectrum Management Authority and Radio Frequency Control Operator.

The analysis in this study using a Gap Analysis to determine performance gaps targets and Radio Frequency Monitoring Management Kano Model to formulate functional requirements of Radio Frequency Monitoring System. By conducting in-depth interview to the Frequency Spectrum Management Authority and 50 Kano Model questionnaires to Radio Frequency Control Operator gained that device reliability is a necessity in Radio Frequency Monitoring System. On the type of function required attributes are VHF-UHF monitoring features, VHF-UHF direction finder feature and spectrum occupancy feature. While the type of attribute integration has no effect on respondent's satisfaction.

To increase the performance of Radio Frequency Monitoring System required human resource development and changes in work patterns that use the old analog devices into SMFR device that automated and integrated with Spectrum Management Information System database (SIMS). Changes in the monitoring business process is also necessary to maximize all the functions in the Radio Frequency Monitoring System."

"Perhitungan cooling load dari suatu ruangan yang akan dikondisikan udaranya merupakan tahapan yang diperlukan agar diperoleh tingkat kenyamanan yang diinginkan. Suatu ruangan memperoleh panas dari berbagai sumber. Panas yang diperoleh ruangan dapat berasal dari beban eksternal, beban internal, infiltrasi dan ventilasi. Untuk menjaga temperatur dan kelembaban udara ruangan pada keadaan yang nyaman maka panas harus dikeluarkan dari ruangan. Jumlah panas yang dikeluarkan tersebut dinamakan cooling load. Pada tugas akhir ini, reka simulasi dilakukan sebagai sebuah metode untuk mendapatkan cooling load, dengan bantuan sistem komputer yakni perangkat lunak EnergyPlus. Setelah mendapatkan hasil cooling load dari simulasi, penulis melakukan analisa perbandingan cooling load antara hasil cooling load yang didapat dari simulasi EnergyPlus dengan cooling load yang didapat dari hasil perhitungan berdasarkan metode CLTD (Cooling Load Temperature Difference).

---

Cooling load calculation of a room would be a necessary step in order to obtain the desired level of comfort zone. An indoor heat obtained from various sources. Indoor heat gain can come from external loads, internal loads, infiltration and ventilation. To keep the room air temperature and humidity at a comfortable zone, the heat must be removed from the room. The amount of heat released is called the cooling load. In this final task, simulations performed as a method to get the cooling load, with the help of the computer system software EnergyPlus. After getting the results of the simulation, the authors analyze the cooling load comparison between the results obtained from the cooling load by EnergyPlus obtained from the calculation based on the CLTD (Cooling Load Temperature Difference) method."

"[ABSTRAKVANET adalah sebuah jaringan tanpa infrastruktur yang terdiri dari entitas atau node bergerak yang memiliki perangkat wireless untuk berkomunikasi satu sama lain. VANET memiliki topologi yang dinamis yang disebabkan oleh mobilitas dari node-node pada VANET. Dalam simulasi pada vanet dibutuhkan model mobilitas yang mencerminkan keadaan sebenarnya. Model mobilitas menentukan pergerakan dari entitas/node, bagaimana node bergerak, kecepatan dan percepatan dalam VANET. Untuk mencegah kemacetan di jalan raya dilakukan load balancing/pengalihan arus kendaraan untuk membagi trafik kendaraan, dengan satu jalur jalan raya, kepadatan kendaraan akan sangat tinggi, pada topologi grid map dengan load balancing, kepadatan kendaraan dapat berkurang. Pada simulasi didapatkan penurunan kinerja pada model mobilitas grid map dengan load balancing. Pada load balancing, perubahan topologi yang menjadi lebih besar mengakibatkan penurunan kinerja dari load balacing pada model mobilitas gridmap dengan 19,3% pada delay, 5,08% pada packet delivery ratio dan 5,46% pada throughput dalam paramater AODV dan 0,01% pada delay, 12,70% packet delivery ratio dan 12,73% pada throughput dalam parameter DSDV.

---

ABSTRACTVANET is an infrastucture less network that consist of entities or mobile nodes that contain wireless device for communicating each other. VANET has dynamic topology due to node mobility. VANET simulation is need mobility model that reflecting the real situation. Mobility model determines the movement of mobile nodes how their location, velocity and acceleration in VANET. To prevent congestion on the road, grip map topology is use to divide the traffic, with the one lane road map, the vehicles density will very high, with load balance grid map topology the vehicles density will separated to other road. On simulation result we get the decrease performance on the load balacing of grid map mobility model. On the load balancing dynamic topology will cause scalability of the network and impact to performance of mobility model. From simulation, load balancing of grid map mobility model has lower performace than common grid map with 19,3% on delay, 5,08% on packet delivery ratio, and 5,46% on throughput with AODV parameters and 0,01% on delay, 12,70% on packet delivery ratio and 12,73% on throughput with DSDV parameters;VANET is an infrastucture less network that consist of entities or mobile nodes that contain wireless device for communicating each other. VANET has dynamic topology due to node mobility. VANET simulation is need mobility model that reflecting the real situation. Mobility model determines the movement of mobile nodes how their location, velocity and acceleration in VANET. To prevent congestion on the road, grip map topology is use to divide the traffic, with the one lane road map, the vehicles density will very high, with load balance grid map topology the vehicles density will separated to other road. On simulation result we get the decrease performance on the load balacing of grid map mobility model. On the load balancing dynamic topology will cause scalability of the network and impact to performance of mobility model. From simulation, load balancing of grid map mobility model has lower performace than common grid map with 19,3% on delay, 5,08% on packet delivery ratio, and 5,46% on throughput with AODV parameters and 0,01% on delay, 12,70% on packet delivery ratio and 12,73% on throughput with DSDV parameters, VANET is an infrastucture less network that consist of entities or mobile nodes that contain wireless device for communicating each other. VANET has dynamic topology due to node mobility. VANET simulation is need mobility model that reflecting the real situation. Mobility model determines the movement of mobile nodes how their location, velocity and acceleration in VANET. To prevent congestion on the road, grip map topology is use to divide the traffic, with the one lane road map, the vehicles density will very high, with load balance grid map topology the vehicles density will separated to other road. On simulation result we get the decrease performance on the load balacing of grid map mobility model. On the load balancing dynamic topology will cause scalability of the network and impact to performance of mobility model. From simulation, load balancing of grid map mobility model has lower performace than common grid map with 19,3% on delay, 5,08% on packet delivery ratio, and 5,46% on throughput with AODV parameters and 0,01% on delay, 12,70% on packet delivery ratio and 12,73% on throughput with DSDV parameters]"

"Classification is a method for compiling data systematically according to the rules that have been set previously. In recent years classification method has been proven to help many people’s work, such as image classification, medical biology, traffic light, text classification etc. There are many methods to solve classification problem. This variation method makes the researchers find it difficult to determine which method is best for a problem. This framework is aimed to compare the ability of classification methods, such as Support Vector Machine (SVM), K-Nearest Neighbor (K-NN), and Backpropagation, especially in study cases of image retrieval with five category of image dataset. The result shows that K-NN has the best average result in accuracy with 82%. It is also the fastest in average computation time with 17.99 second during retrieve session for all categories class. The Backpropagation, however, is the slowest among three of them. In average it needed 883 second for training session and 41.7 second for retrieve session.

---

Klasifikasi adalah metode untuk menyusun data secara sistematis menurut aturan-aturan yang telah ditetapkan sebelumnya. Dalam beberapa tahun terakhir metode klasifikasi telah terbukti membantu pekerjaan banyak orang, seperti klasifikasi citra, alat-alat medis, lampu lalu lintas, klasifikasi teks dll. Ada banyak metode yang dapat digunakan untuk memecahkan masalah klasifikasi, metode yang bervariasi ini membuat para peneliti menemukan kesulitan dalam menentukan metode manakah yang terbaik untuk menyelesaikan masalahnya. Artikel ini bertujuan untuk membandingkan kemampuan metode klasifikasi, seperti Support Vector Machine (SVM), K-Nearest Neighbor (K-NN), dan Back-propagation khususnya dalam studi kasus image retrieval (pencarian gambar) dengan lima kategori dataset citra. Hasil penelitian menunjukkan bahwa K-NN memiliki nilai rata-rata akurasi terbaik dengan 82% dan yang tercepat dengan rata-rata waktu komputasi selama 17,99 detik untuk proses pencarian gambar pada semua kategori kelas. Sebaliknya, Backpropagation merupakan metode paling lambat di antara ketiganya. Metode ini rata-rata memerlukan waktu 883 detik untuk sesi pelatihan dan 41,7 detik untuk sesi pencarian gambar."

"Penelitian ini membahas mengenai evaluasi kinerja pelaksanaan dimensi kegiatan monitoring dan evaluasi dalam National Composite Policy Index (NCPI) di DKI Jakarta dengan pendekatan balanced scorecard. Evaluasi kinerja kegiatan monitoring dan evaluasi diteliti berdasarkan kerangka balanced scorecard yaitu perspektif proses internal, perspektif pertumbuhan dan pembelajaran, perspektif pelanggan dan perspektif finansial dimana masing-masing perspektif mempunyai komponen tersendiri. Penelitian ini menggunakan metode penelitian kualitatif dan kuantitatif dengan wawancara mendalam, telaah data sekunder dan survei dengan menggunakan kuesioner. Penelitian menunjukkan bahwa kebijakan NCPI sudah tidak berlaku sekarang disebabkan karena banyak faktor. Banyak pegawai yang tidak mengetahui tentang keberadaan kebijakan tersebut. Secara umum dapat disimpulkan bahwa kinerja kegiatan monitoring dan evaluasi berdasarkan Balanced Scorecard yang dilaksanakan oleh Komisi Penanggulangan AIDS Nasional dan Komisi Penanggulangan AIDS Propinsi DKI Jakarta masih belum optimal pada keterbatasan keterampilan dan keahlian pegawai dalam pengolahan data, keterbatasan kemampuan pegawai dalam analisis data, keterlambatan pengiriman laporan monev oleh daerah, kurangnya pelatihan yang diselenggarakan untuk menunjang pekerjaan, dan belum adanya evaluasi internal bagian monev setelah melaksanakan berbagai kegiatan setiap tahunnya. Hal-hal tersebut merupakan tantangan yang dihadapi. Akan tetapi beberapa dari tantangan tersebut dapat ditindaklanjuti dengan baik. Hasil penelitian dilihat dari hasil wawancara mendalam,pedoman telaah data sekunder, dan hasil survey dengan menggunakan kuesioner.

---

This study discusses the performance evaluation of the implementation of the monitoring and evaluation dimension in the National Composite Policy Index (NCPI) in Jakarta with a balanced scorecard approach . Evaluation of performance monitoring and evaluation framework based on a balanced scorecard examined ie internal processes perspective, learning and growth perspective, customer perspective and the financial perspective in which each component has its own perspective. This study uses qualitative and quantitative research with in-depth interviews, review of secondary data and survey using a questionnaire.

Research shows that the policy does not apply now NCPI has been caused by many factors. Many employees are not aware of the existence of the policy. In general it can be concluded that the performance monitoring and evaluation based on the Balanced Scorecard implemented by the National AIDS Commission and the Commission of DKI Jakarta Provincial AIDS is still not optimal in the limited skills and expertise of employees in the processing of data, limited capabilities of staff in data analysis, report delivery delays monitoring and evaluation by the county, the lack of training provided to support the work, and the lack of internal evaluation M & E section after carrying out various activities each year. These things are the challenges faced. However, some of these challenges can be followed up with either. The results seen from the results of the study in-depth interviews, secondary data review of the guidelines, and the results of a survey using a questionnaire."

"ABSTRAKDiabetic Retinopathy (DR) merupakan komplikasi jangka panjang dari Diabetes Mellitus (DM) yang mempengaruhi penglihatan karena adanya mikrovaskular pada retina. Hal ini dapat mengakibatkan gangguan penglihatan dan kebutaan jika ditangani terlambat. DR dapat dideteksi melalui pemeriksaan citra fundus. Salah satu pendekatan dalam mendeteksi DR pada citra fundus yaitu dengan pendekatan deep learning yang merupakan salah satu metode implementasi dari machine learning.  Dalam penelitian ini, digunakan metode Convolutional Neural Networks (CNN) dengan arsitektur ResNet-50 dan DenseNet-121. Data yang digunakan dalam penelitian ini diambil dari DIARETDB1 yang merupakan online database yang berisi gambar fundus. Selanjutnya, dilakukan tahap preprocessing pada citra untuk meningkatkan kinerja model seperti mengambil green channel dan menerapkan inverted green channel, mengubah citra warna menjadi grayscale, dan menerapkan Contrast Limited Adaptive Histogram Equalization (CLAHE) untuk penyeragaman kontras pada citra. Hasil penelitian ini menunjukkan bahwa model ResNet-50 lebih baik dibandingkan DenseNet-121 dalam mendeteksi DR. Hasil terbaik dari beberapa kasus testing model ResNet-50 yaitu accuracy, precision, dan recall masing-masing sebesar 92,2%, 93,6%, dan 92,6% dengan running time untuk training selama 6 menit 21,296 detik dan testing selama 1,174 detik.

---

ABSTRACTDiabetic Retinopathy (DR) is a long-term complication of Diabetes Mellitus (DM) that affects vision because of the presence of microvascular retinal. This can result in visual impairment and blindness if treated late. DR can be detected by examining fundus images. One approach to detecting DR in fundus images is the deep learning approach which is one of the methods of implementing machine learning. In this study, the Convolutional Neural Networks (CNN) method is used with the ResNet-50 and DenseNet-121 architectures. The data used in this study were taken from DIARETDB1, which is an online database that contains fundus images. Then, pre-processing stage is carried out on the fundus image to improve model performance such as selected the green channel from the images and inverted it, converted the images into grayscale images, and applied Contrast Limited Adaptive Histogram Equalization (CLAHE) for uniform contrast in the images. The results of this study indicate that the ResNet-50 model is better than DenseNet-121 in detecting DR. The best results from several cases testing the ResNet-50 model are accuracy, precision, and recall of 92.2%, 93.6%, and 92.6% respectively with running time for training for 6 minutes 21.296 seconds and testing for 1.174 seconds."