Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penelitian ini ingin melihat dampak yang disebabkan oleh infrastruktur fisik, infrastruktur sosial, dan infrastruktur keuangan pada pertumbuhan ekonomi di Indonesia menggunakan data 34 provinsi selama periode 2016-2020. Indikator-indikator infrastruktur diwakili oleh indeks komposit yang disusun menggunakan teknik Principal Component Analysis (PCA) dalam pembentuan indeks infrastruktur. Estimasi dalam penelitian ini dilakukan menggunakan Panel Corrected Standard Error (PCSE) untuk untuk memperbaiki Model Fixed Effect yang mengandung permasalahan multikolinearitas, heteroskedastisitas, dan autokorelasi. Hasil penelitian ini adalah infrastruktur fisik, infrastruktur sosial, dan infrastruktur keuangan berdampak signifikan terhadap pertumbuhan ekonomi di Indonesia. Hanya saja infrastruktur fisik dan sosial berdampak positif, sedangkan infrastruktur keuangan berdampak negatif. ......The purpose of this research is to determine the effects of physical, social, and financial infrastructure on economic growth in Indonesia during 2016-2020 using data from 34 provinces.. The infrastructure index is compiled using the Principal Component Analysis (PCA) technique in order to represent infrastructure indicators. Estimation in this study was carried out using the Panel Corrected Standard Error (PCSE) to improve the Fixed Effect Model which contains problems of multicollinearity, heteroscedasticity, and autocorrelation. The results of this study are physical infrastructure, social infrastructure, and financial infrastructure have a significant impact on economic growth in Indonesia. Physical and social infrastructure has a positive impact, while financial infrastructure has a negative impact.

Abstrak :
Penelitian tentang komunitas burung di kawasan penyangga Taman Nasional Ujung Kulon TNUK bertujuan untuk menjelaskan komposisi burung pada berbagai struktur vegetasi kawasan penyangga TNUK, serta menjelaskan hubungan antara komposisi burung dengan struktur vegetasi kawasan penyangga TNUK. Kondisi kawasan penyangga di sekitar TNUK didominasi oleh area perkebunan dan pertanian yang memiliki jenis vegetasi beraneka ragam. Metode pengamatan burung yang digunakan adalah metode titik hitung. Terdapat 22 titik sampel pada pengamatan yang terbagi menjadi tiga kelompok, yaitu kawasan penyangga berjarak dekat 0-500 meter, sedang 500-1000 meter dan jauh >1000 meter. Hasil penelitian menunjukkan masing-masing kelompok kawasan penyangga memiliki struktur vegetasi yang berbeda, namun kawasan penyangga dekat dan sedang cenderung memiliki kemiripan karena hasil scatter plot Principal Component Analysis kedua kawasan saling tumpang tindih. Nilai keanekaragaman burung tertinggi terdapat pada kelompok kawasan penyangga berjarak dekat dengan Taman Nasional, namun hasil uji t Hutcheson ketiga lokasi menunjukkan nilai yang tidak berbeda nyata. Burung tipe insektivor dan nektarivor memiliki korelasi negatif dengan DBH pohon kelapa, burung tipe granivor dan omnivor memiliki korelasi positif dengan persentase kematangan buah kelapa.

---

Research on bird communities in buffer zone of Ujung Kulon National Park TNUK to explain bird composition on various vegetation structures of TNUK buffer zone, and to explain the relationship between bird structure and vegetation structure of buffer zone of TNUK. The condition of buffer zone around TNUK is dominated by plantation and agriculture area which have varieties of vegetation type. Bird observation method used is the method of calculating point. There are 22 sample points on the observation that are divided into three groups, namely near buffer area 0 500 meters, medium 500 1000 meters and far 1000 meters. The results showed that each group of buffer zones had different vegetation structures, but the nearest and the nearest buffer areas were affected by the scatter plots. The Main Components Analysis of the two regions overlapped. The value of immortal bird diversity in the buffer group is close to the National Park, but the result of the Hutcheson site t test shows no significant difference. Insektivor and nectarivor birds have a negative reputation with coconut tree DBH, granivor and omnivor species have a positive reputation with coconut maturity percentage.

Abstrak :
ABSTRAK

Kanker Payudara (KPD) merupakan salah satu penyakit penyebab kematian terbesar. Indonesia merupakan negara dengan jumlah KPD cukup besar. KPD ini merupakan benjolan. Benjolan ini dapat diperiksa menggunakan cara manual yaitu diraba bagian dekat dengan putting susu. Jika benjolan tidak kunjung mengecil dianjurkan untuk memeriksa ke dokter. Pendektesian KPD ini dapat dilakukan dengan menggunakan proses pencitraan. Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Pendektesian dilakukan dengan menganalisa gambar payudara (mammography) pasien dengan menggunakan metode Principal Component Analysis (PCA) mengubah gambar dalam bentuk matriks. Matriks ini akan digunakan sebagai data yang akan digunakan dalam Neural Network (jaringan saraf tiruan) dengan metode Backpropagation Neural Network (BNN). Dari hasil Percobaan dapat diketahui bahwa metode ini menghasilkan nilai akurasi pembelajaran dari deep learning supervised sebesar 98%.

---

ABSTRACT
Breast Cancer is one of the biggest causes of death. Indonesia is a country with a large number of KPDs. This KPD is a lump. This lump can be examined using a manual method that is palpated near the nipple. If the lump does not go away it is recommended to see a doctor. This breast cancer assessment can be done using the imaging process. . The data used in this study was taken from the website of the Pilot European Image Processing Archive (PEIPA) namely the Mammographic Image Analysis Society (MIAS) dataset. The assessment is done by analyzing the breast image (mammography) of the patient using the Principal Component Analysis (PCA) method to change the image in the form of a matrix. This matrix will be used as data to be used in Neural Networks with the Backpropagation Neural Network (BNN) method. From the results of the Experiment it can be seen that this method produces the value of accuracy of learning from supervised deep learning about 98%.

Abstrak :
ABSTRAK Numerous studies have constructed financial inclusion indexes for Indonesia, using a multidimensional approach. However, there is a problem with the methodology, which assumes that all the dimensions play the same role in defining financial inclusion, since they are based on equal weighting criteria. This paper aims to obviate concerns with the methodology by developing a more empirically based index, namely, a weighted multidimensional index of financial inclusion based on two-stage principal component analysis. In other words, we endogenize the weights. We find that usage is the most important dimension in defining financial inclusion in Indonesia, followed by availability and access.

Abstrak :
Deteksi dan resolusi dari lapisan tipis merupakan masalah penting dalam analisis reservoir. Semakin tipis lapisan menyebabkan semakan tingginya puncak frekuensi pada spektrum wavelet yang direfleksikan dari lapisan tipis relatif terhadap domain frekuensi dari wavelet seismik datang. Untuk itu, energi dari gelombang digunakan untuk mendapatkan integrated energy spectra (INTENS) sebagai fungsi dari frekuensi. INTENS merupakan hasil plot antara integrated partial energy dengan frekuensi yang dapat digunakan untuk mendeteksi perubahan ketebalan dari lapisan tipis yang tidak dapat langsung dikenali pada domain waktu. Metode integrated energy spectra diterapkan pada model baji dan data seismik real 3 dimensi untuk mendapatkan penggambaran lapisan tipis yang lebih baik. Kemudian, untuk mempermudah analisis lapisan tipis, digunakan metode principal component spectral analysis (PCA) untuk mencari trend dari dari data yang dihasilkan. Metode ini mengkompaksi 86 komponen spectral yang harus dianalisa menjadi kurang dari 6 komponen utama. Hasil yang didapat menunjukkan PC band pertama dapat menggambarkan dengan baik distribusi channel. Jumlah dari 6 PC band pertama menunjukkan variansi sebesar 78% dan dapat menggambarkan distribusi channel yang lengkap. PCA dapat memproyeksikan fitur utama dengan baik pada beberapa PC band pertama dan menghilangkan sinyal yang tak berarti seperti noise. ......Detection and resolution of thin layers is an important issue in the analysis of the reservoir. A progressively thinner bed corresponds to a progressively higher peak frequency in the spectrum of the wavelet reflected from the thin bed relative to the dominant frequency of the incident seismic wavelet. the energy of the waveform is used to obtain integrated energy spectra as a function of frequency. INTegrated ENergy Spectra (INTENS) is a plot of integrated partial energy against frequency that can be used to detect changes in thickness of thin that are not immediately recognizable in the time domain. Integrated energy spectra method applied to the wedge model and 3-dimensional real seismic data to obtain a better image of thin bed. Then, to analyze thin layers, principal component analysis (PCA) is used to find the trend of the data produced. This method decrease 86 spectral components that must be analyzed to less than 6 main components. The results show the first PC band can delineate channel distribution with good image. The sum of first 6 PC bands show variance by 78% and can delineate the complete distribution channel. PCA could project the main features on some first PC band and could eliminate bad signal such noise.

Abstrak :
Stunting adalah kondisi di mana balita memiliki panjang atau tinggi badan di bawah rata-rata yang diakibatkan oleh buruknya gizi yang didapatkan. Stunting berpotensi memperlambat perkembangan otak, dengan dampak jangka panjang berupa keterbelakangan mental, rendahnya kemampuan belajar, dan risiko serangan penyakit kronis (diabetes, hipertensi dan obesitas). Salah satu upaya untuk memitigasi dan mengurangi angka kejadian stunting adalah dengan menerapkan ilmu Data Science dalam mengevaluasi dan membuat model prediksi risiko dari faktor yang dianggap dominan dalam terjadinya stunting. Kerangka kerja CRISP-DM digunakan sebagai metodologi penelitian ini. Data yang digunakan adalah data sekunder dari Indonesia Family Life Survey (IFLS) tahun 2014-2015, yang dilakukan di 13 provinsi di Indonesia. Pemodelan dilakukan menggunakan bahasa pemrograman Python yang dikerjakan pada Jupyter Notebook. Dua metode sampling (Random Sampling dan Oversampling) digunakan untuk mengatasi masalah data imbalance. Empat algoritma classifier diujikan untuk mengetahui performa model. Hasil penelitian menunjukkan keempat algoritma dinyatakan model yang baik dengan performa rata-rata lebih dari 70%. Pada teknik undersampling, skor akurasi yang didapatkan Logistic Regression sebesar 98,31%, KNN sebesar 77,53%, SVC sebesar 97,48%, dan Decision Tree Classifier sebesar 80,76%. Sedangkan pada teknik oversampling, skor akurasi yang didapatkan Logistic Regression adalah 95%, KNN sebesar 71%, SVC sebesar 93%, dan Decision Tree Classifier sebesar 84%. Logistic Regression adalah algoritma klasifikasi terbaik yang dapat digunakan pada dataset ini dan hasil perbandingan skor Logistic Regression pada teknik undersampling (95,09%) dan oversampling (91,98%) setelah 10 kali percobaan menunjukkan bahwa meskipun teknik undersampling memiliki performa yang lebih baik, namun teknik oversampling memiliki hasil yang lebih konsisten. ......Stunting is a condition in which a toddler has a length or height below the average caused by poor nutrition. Stunting has the potential to slow down brain development, with long-term effects in the form of intellectual disability, low learning abilities, and the risk of developing chronic diseases (diabetes, hypertension and obesity). One of the efforts to mitigate and reduce the incidence of stunting is to apply Data Science in evaluating and making risk prediction models from factors that are considered dominant in the occurrence of stunting. The CRISP-DM framework was used as the methodology of this study. The data used is secondary data from the Indonesia Family Life Survey (IFLS) 2014-2015, which was conducted in 13 provinces in Indonesia. The modelling is made using the Python programming language which is done on Jupyter Notebook. Two sampling methods (Random Sampling and Oversampling) were used to overcome the problem of data imbalance. Four classifier algorithms were tested to determine the performance of the model. The research results showed four algorithms were declared good models with an average performance of more than 70%. In the undersampling technique, the accuracy score obtained by Logistic Regression is 98.31%, KNN is 77.53%, SVC is 97.48%, and Decision Tree Classifier is 80.76%. While in the oversampling technique, the accuracy score obtained by Logistics Regression is 95%, KNN is 71%, SVC is 93%, and Decision Tree Classifier is 84%. Logistic Regression is the best classification algorithm that can be used in this dataset and the results of the comparison of Logistic Regression scores on the undersampling (95.09%) and oversampling (91.98%) techniques after 10 experiments show that although the undersampling technique has better performance, oversampling technique has more consistent results.

Abstrak :
ABSTRAK
Wajah manusia mengandung banyak informasi dan antarmuka yang jelas dalam inleraksi antara manusia dan komputer. Hal ini telah memotivasi penelitian aktif di bidang pengenalan wajah, face tracking, pose estimation, pengenalan ekspresi, dan pengenalan mimik. Akan tetapi, sebagian besar metode tersebut mengasumsikan bahwa wajah manusia dalam suatu citra atau urutan citra telah diidentifikasi dan dilokalisasi. Untuk membangun suatu system otomatis sehingga kerja manusia dapat sepenuhnya ditangani oleh mesin, sangatlah penting untuk membangun algoritma yang handal dan efisien untuk mendeteksi wajah manusia.

Tujuan dari deteksi wajah adalah untuk mengidentifikasi dan menempatkan wajah manusia dengan posisi, skala, orientasi, dan kondisi pencahayaan tertentu. Dalam tugas skripsi ini, ditampilkan suatu algorilma deteksi wajah untuk grayscale image dengan latar belakang yang kompleks dan skala yang bervariasi. Agar dapat menangani citra masukan dengan skala yang berbesa-beda, dilakukan metode pyramid terhadap citra masukan. Metode yang digunakan dalam proses deteksi dikembangkan dari metode Principal Component Analysis (PCA) dengan pembobotan yang optimum untuk menghasilkan error criterion yang terbaik. Simulasi dil akukan dengan MATLAB versi 5.3.

---