Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTSkripsi ini menganalisa metode machine learning menggunakan HiddenMarkov Model (HMM), yang merupakan alat prediksi stochastic dan probabilitidigunakan untuk mengevaluasi gerakan di dalam pasar valuta asing. Skripsi inimembahas khususnya penerapan metode HMM di pasar valuta asing sebagai alatuntuk memprediksi pergerakan dan hasil dari nilai tukar di dalam pasar, kemudianmenganalisis data yang tersedia, dan akhirnya membuat keputusan berdasarkanhasil yang diperoleh. Data yang digunakan adalah data harga penutupan padapasar valuta asing AUD/USD dalam dua jangka waktu yang berbeda, hargapenutupan per 1 jam dan per 15 menit, dan data yang digunakan diperoleh daribeberapa sumber online. Analisis awal menunjukkan beberapa faktor eksternaldapat mempengaruhi keakuratan hasil. Hasilnya mengindikasi, dengan tidakmemperhitungkan factor-faktor luar lainnya, akurasi yang lebih baik didapatsewaktu menggunakan haraga penutupan jangka waktu yang lebih pendek.

---

ABSTRACTThis bachelor thesis analyses the method of machine learning usingHidden Markov Model, which is a predictive stochastic and probability tool inorder to evaluate the movement inside the foreign exchange market. This paperdiscusses particularly the application of HMM method in the forex (foreignexchange) market, as the tool for forecasting the movement and the outcome ofthe exchange rate inside the market, analyses them, and finally making a decisionbasing on the obtained outcomes. The data used are the closing price of theAUD/USD forex market in two different timeframes, per hour closing price andper 15 minutes closing price, and was obtained from several online foreignexchange sources. Initial analysis suggests several external factors may affect theaccuracy of the results. The results indicate, excluding any external factors, betteraccuracy was obtained when shorter closing price timeframe was used."

"Pemrosesan sinyal genom (Genomic Signal Processing) seperti Deoxyribonucleid Acid (DNA) dan protein dapat dilakukan untuk memprediksi ekson atau coding region suatu gen. Metoda yang paling banyak digunakan adalah Hidden Markov Model (HMM) yang kaya akan struktur matematik dan berpotensi untuk mengetahui lebih banyak tentang sumber sinyal tanpa hams texsedia sumber tersebut.Pada penelitian ini dirancang struktur model yang menggunakan metoda HMM dengan struktur dasar model sesuai struktur ekson pada coding sequence (CDS) sehingga dapat memprediksi ekson DNA Plasmodium falcyarum., Jumlah state model pada struktur dasar adalah 5, 7 dan 9 sedangkan untuk struktur pengembangan ditentukan secara acak yaitu 20. 30, 50 dan 100 stare. Proses training HMM menggunakan algoritma Viterbi dan proses testing HMM menggunakan kedua algoritma yaitu Viterbi dan Baum- Welch sedangkan kinerja model menggunakan parameter Correlation Coejicienr (CC). Sekuen yang digunakan adalah 152 sekuen DNA Plasmodium falciparum dengan panjang minimum 684 pb dan maksimum 10095 pb.Hasil simulasi pada umumnya menghasilkan nilai CC rata-rata lebih baik dengan menggunakan algoritma Viterbi dibandingkan dengan algoritma Baum-Welch. Pada struktur dasar model 9 state menghasilkan nilai CC paling balk dibandingkan dengan struktur dasar model lainnya yaitu 0,7289 dengan menggunakan algoritma Viterbi dan 0,7166 dengan menggunakan algoritma Baum-Welch. Sedangkan untuk pengembangan model diperoleh nilai CC rata-rata paling baik untuk Model 2 dengan 100 store yaitu 0,7827 dengan menggunakan algoritma Baum-Welch dan 0,7820 dengan menggunakan algoritrna Viterbi. Waktu proses resting HMM rata-rata seluruh model hampir dua kali lebih lama dengan algoritma Baum-Welch dibandingkan dengan algoritma Viterbi.Genomic signal processing like as Deoxyribonucleid Acid (DNA) and protein can be done for exon prediction or coding region of the gene. The most used method is Hidden Markov Model (HMM) which has various mathematical structures and potentially capable of learning a great deal of signal source without having to have the source available.

The model structure designed in this research is using the HMM method with based structure model in accordance with exon structure inthe coding sequence (CDS) in order to predict of DNA Plasmodium falciparum. The state number of model in the basic structure are 5, 7 and 9 states, meanwhile the expansions structure was randomly defined having 20, 30, S0 and 100 states. The HMM training process are using the Viterbi algorithm and the HMM testing are using both algorithms, Viterbi and Baum-Welch, meanwhile the performance indicator of the model are using the Correlation Coeflicient (CC). It is using 152 sequences -of DNA Plasmodium falciparum with the minimum length of 634 base-pair (bp) and maximum length of 10095 bp.

In general, the simulation results produced the best average of CC value by using Viterbi algorithm rather then Baum-Welch. In the basic structure of 9 states model produced the best CC value compared with the other basic structure models with 0.7289 using the Viterbi Algorithm and 0.7166 using Baum-Welch. Meanwhile, for the model expansion, the best CC average value is for Model 2 with state number 100 with 0.7827 using the Baum-Welch algorithm and 0.7820 using Viterbi. The average processing time of the HMM tests for all models using the Baum-Welch algorithm are almost two times slower than using Viterbi algorithm."

"DNA merupakan komponen penting dalam tubuh makhluk hidup dalam kaitannya dengan sintesis asam amino penyusun protein. Informasi mengenai sintesis asam amino tersebut direpresentasikan oleh empat buah karakter nukleotida A, T, C dan G yang mempakan simbol basa-basa nitrogen penyusun DNA. Rangkaian DNA makhluk hidup tersusun atas gen-gen yang panjangnya jutaan bahkan milyaran karakter nukleotida. Namun, yang terpakai sebagai kode genetik dalam sintesis asam amino hanya karakter nukleotida yang terdapat pada suatu daerah pengkodean yang disebut exon dalam setiap gen.Hidden Markov Model (HMM) merupakan salah satu cara yang dapat digunakan untuk memprediksi lokasi exon pada DNA. HMM memiliki dua buah fase, yakni fase training dan fase tes. Sequence-sequence DNA ditraining untuk mendapatkan estimasi matrik transisi dan estimasi matrik emisi melalui proses iterasi. Matrik transisi dan matrik emisi ini kemudian digunakan untuk mengetes sequence DNA yang bersangkutan. Pada skripsi ini, simulasi dilakukan dengan menggunakan tiga jenis organisme, Drosophila melanogaster (lalat buah). Homo sapiens (manusia), serta Zea mays (padi).Data yang diperoleh dari simulasi berupa nilai sensitivity (Sn) dan specificity (Sp) hasil prediksi lokasi exon gen yang bersangkutan. Dari perhitungan nilai akurasi untuk Drosophila melanogaster didapat nilai akurasi Sn sebesar 92.5% dan nilai Sp sebesar 88%, pada Homo sapiens dengan nilai akurasi Sn sebesar 69.7% dan nilai Sp sebesar 44.7% serta pada Zea Mays dengan nilai akurasi Sn sebesar 55.6% dan nilai Sp sebesar 78.6%."

"Skripsi ini berisi tentang sistem pendcteksian gelombang perubahan fase dari gerakan ikan dengan menggunakan metoda Hidden Markov Models (HMM) dengan membandingkan keseluruhan sistem terhadap perubahan ukuran code-book, besamya repetisi dan durasi sinyal. Pada sistem pendeteksian ini, gelombang perubahan fase ini akan disampling terlebih dahulu kedalam bentuk diskrit Sinyal diskrit ini diekstraksi agar diperoleh karakteristiknya dengan menggunakan MFCC (Mel Frequency Cepstrum Coefficient). Vektor data yang terbentuk kemudian dikuantisasi dengan algoritma General Lloyd Algorithm (GLA) yang selanjutnya akan ditraining dengan metoda HMM dan diidentifikasi. Pada tahap identifikasi gelombang perubahan fase (recognition), ketiga jenis parameter ini diteliti unjuk kerjanya berdasarkan tingkat akurasi yang diperoleh. Peningkatan ukuran codebook, besar repetisi dan durasi sinyal memberikan peningkatan pada persentasi keberhaslian ini. Sistem ini mempunyai persentase keberhasilan tertinggi ketika kombinasi parameternya adalah ukuran codebook 32, besar repetisi 15 dan durasi sinyal I detik Bcrdasarkan hasil uji­coba, keseluruhan sistem dengan kombinasi parameter yang ada tergolong baik dengan persentase keberhasilan diantara 68%- 95%."

"ABSTRAKTugas akhir ini membahas mengenai pembuatan kebijakanaan yang merupakan sebuah aturan untuk membuat keputusan dalam satu periode dari proses keputusan Karkov. Diharapkan bahwa dengan kebijaksanaan tersebut, biaya rata-rata dari sistem adalah minimum. Untuk proses keputusan Harkov dengan diskonto, kebijaksanaan merupakan sebuah aturan membuat keputusan dalam tiap periode untuk jangka waktu tak hingga sehingga diharapkan derigan kebijaksanaan tersebut, total biaya yang diharapkan dengan diskorito adalah minimum. Untuk mendapatkan kebijaksanaan di atas, proses keputusan Mankov diformulasikan ke dalam model pemrograman linear sehingga dengan menyelesaikan model tersebut didapat nilai variabel-vaniabel keputusan yang merupakan komponen dari kebijaksanaan."

"Tugas akhir ini secara umum bertujuan untuk menghadirkan suatu metode yang dapat membantu kita dalam menghitung nilai-nilai probabilitas transisi yang dibutuhkan dalam penghitungan aktuaria. Penghitungan nilai-nilai probabilitas transisi ini dibatasi pada model tiga state. Pembahasan model ini berkaitan erat dengan proses Markov dan menggunakan nilai force of transition konstan (Proses Markov waktu homogen). Metode yang digunakan dalam mencari nilai-nilai probabilitas transisi berangkat dari penggunaan matriks force of transition dengan force of transition yang bernilai konstan yaitu persamaan P(t) = Adiag( ed1t ,ed2t ,ed3t )A?1 dimana elemen-elemen matriks P(t) ialah nilai probabilitas transisi, vektor kolom dari matriks A ialah vektor eigen dari matriks force of transition, dan nilai d1, d2, d3 ialah nilai-nilai eigen dari matriks force of transition. Proses penghitungan nilai-nilai probabilitas ini melalui pencarian nilai eigen dan vektor eigen dari matriks force of transition. Dalam kasus khusus pada model khusus tiga state,yaitu state select, ultimate, dan dead, akan dibahas perhitungan numerik untuk mencari nilai-nilai probabilitas transisinya."