Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini membahas mengenai pola penulisan abeviasi inisial bahasa Rusia dan karakteristik morfologi rangkaian kata sebelum dan setelah menjadi abreviasi inisial dalam suatu kalimat. Analisis skripsi ini menggunakan metode deskripif analitis, yaitu memaparkan data yang akan dianalisis kemudian menganalisisnya dengan teori rangkaian kata oleh Popov dan abreviasi inisial oleh Milchin dan Cheltsova. Dari analisis pada bab tiga diperoleh hasil bahwa pola penulisan yang mendominasi adalah dengan menggunakan huruf besar sedangkan pola penulisan dengan huruf kecil tidak terdapat dalam data. Selain itu, hanya rangkaian kata saja yang mengalami pendeklinasian sedangkan abreviasi inisial tidak mengalami pendeklinasian meskipun abreviasi inisial tersebut memiliki jenis (pod/rod). Penentuan jenis abreviasi inisial dapat diketahui dari abreviasi itu sendiri dan tidak berdasarkan pada rnagkaian kata.

---

This final paper discus about the writing patterns of initial abbreviation of Russian language and morphological characteristics of combination of words before and after become the initial abbreviation in a sentence. Analysis of this final paper is using descriptive analytical method, that describes the data then analyze it with the combination of words theory by Popov and initial abbreviation by Milchin and Cheltsova. From the chapter three analysis, the pattern of the writing with capital latters is dominating while the writing patternwith small latters is not found in the data. Moreover, only combination of words that have declination while initial abbreviation keeps, unchanged despite it has gender type (pod/rod). The determination of initials of abbreviation type can be considered from the initials abbreviation itself and is not based on a combination of words."

"Upaya mewujudkan tuntutan pasien dan masyarakat terkait denganpelayanan farmasi yang bermutu berhubungan erat dengan kuantitas dan kualitas tenaga farmasi. Studi ini menganalisis beban kerja dan kebutuhan tenaga farmasi di Instalasi Farmasi Rumah Sakit Jiwa Daerah Provinsi Lampung. Metoda work sampling digunakan untuk mengukur beban kerja, sedangkan metode Workload Indicator Staffing Needs (WISN) digunakan untuk mengukur kebutuhan tenaga berdasarkan beban kerja yang sesungguhnya. Work sampling dilaksanakan pada 06-12 Juni 2012, dan hasilnya digunakan sebagai pokok bahasan dalam in-depth interview dengan beberapa informan.Hasil studi ini menunjukkan bahwa tenaga farmasi yang ada telah menggunakan 90,3% waktu kerjanya dengan kegiatan produktif. Dari kegiatan produktif dimaksud, sebanyak 42,6% adalah untuk kegiatan produktif langsung, sedangkan sisanya merupakan kegiatan produktif tidak langsung. Sebanyak 24,1% kegiatan produktif tidak langsung adalah kegiatan administratif. Dengan demikian dalam studi ini diperoleh ada sebanyak 9,7% merupakan kegiatan non produktif dan kegiatan pribadi. Berdasarkan hasil work sampling tersebut, dengan WISN ternyata jumlah tenaga yang ada saat ini lebih kecil dibandingkan dengan kebutuhan tenaga untuk menyelesaikan tugas dan fungsi di Instalasi Farmasi Rumah Sakit Jiwa Provinsi Lampung.

---

Efforts to realize the demands of patients and the public related to the quality of pharmaceutical services is closely linked to the quantity and quality of pharmacists. This study analyzes the workload and manpower needs in the Pharmaceutical Installation Regional Mental Hospital Pharmacy Lampung Province. Work sampling method used to measure the workload, while the method Workload Indicator Staffing Needs (WISN) is used to measure the power requirements based on actual workload. Work sampling conducted on June 6 to 12, 2012, and the results used as the subject of in-depth interviews with multiple informants.The results of this study indicate that the pharmacy personnel who have been using 90.3% of the time it works with productive activities. Of productive activity is, as much as 42.6% is for direct productive activities, while the rest are not directly productive activities. A total of 24.1% indirect productive activities are administrative activities. Thus in this study was obtained there as much as 9.7% are non-productive activities and personal activities. Based on the results of the sampling work, with WISN turns out that the current force is smaller than the power requirements to complete the tasks and functions of the Mental Hospital Pharmacy Installation of Lampung Province."

"Penelitian Part-of-Speech tagger (POS tagger) untuk bahasa Indonesia telah banyak dikembangkan. Sayangnya, sejauh ini baru Polyglot yang menggunakan POS tag menurut pedoman anotasi Universal Dependencies (UD). Namun, Polyglot sendiri masih mempunyai kekurangan karena belum dapat mengatasi klitik dan kata ulang yang terdapat dalam bahasa Indonesia. Tujuan penelitian ini adalah mengembangkan POS tagger untuk bahasa Indonesia yang tidak hanya sesuai dengan ketentuan anotasi UD, tapi juga sudah mengatasi kekurangan Polyglot. POS tagger ini akan dikembangkan dengan metode deep learning menggunakan arsitektur yang merupakan versi modifikasi dari Recurrent Neural Network (RNN), yaitu Bidirectional Long Short-Term Memory (Bi-LSTM). Dataset yang digunakan untuk mengembangkan POS tagger adalah sebuah dependency treebank bahasa Indonesia yang terdiri dari 1.000 kalimat dan 19.401 token. Hasil eksperimen dengan menggunakan Polyglot sebagai pembanding menunjukkan bahwa POS tagger yang dikembangkan lebih baik dengan tingkat akurasi POS tagging yang meningkat sebesar 6,69% dari 84,82% menjadi 91,51%.

---

There have been many studies that have developed Part-of-Speech tagger (POS tagger) for Indonesian language. Unfortunately, so far only Polyglot that has used POS tag according to Universal Dependencies (UD) annotation guidelines. However, Polyglot itself still has shortcomings since it has not been able to overcome clitics and reduplicated words in Indonesian language. The purpose of this study is to develop POS tagger for Indonesian language which is not only in accordance with UD annotation guidelines, but also has overcome Polyglot’s shortcomings. This POS tagger will be developed under deep learning method by using modified version of Recurrent Neural Network (RNN) architecture, Bidirectional Long Short-Term Memory (Bi-LSTM). The dataset used to develop POS tagger is an Indonesian dependency treebank consisting of 1.000 sentences and 19.401 tokens. Result of experiment using Polyglot as baseline shows that the developed POS tagger is better. This is indicated by increased accuracy POS tagging by 6,69% from 84,82% to 91,51%."