Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Deep Learning with Python introduces the field of deep learning using the Python language and the powerful Keras library. Written by Keras creator and Google AI researcher François Chollet, this book builds your understanding through intuitive explanations and practical examples. You'll explore challenging concepts and practice with applications in computer vision, natural-language processing, and generative models. By the time you finish, you'll have the knowledge and hands-on skills to apply deep learning in your own projects. --

Abstrak :
Penelitian ini membahas tentang membangun model machine learning pada aspek manusia dalam kesadaran keamanan informasi. Model dibangun melalui pendekatan classification dan clustering melalui proses secara garis besar meliputi: impor data, menangani data tidak lengkap, penyusunan dataset, feature scaling, membangun model serta mengevaluasi model. Dataset disusun berdasarkan hasil kuisioner yang merujuk The Human Aspects of Information Security Questionnaire pada masyarakat di Indonesia. Hasil model classification dievaluasi dengan beberapa metode yaitu analisa k-fold Cross Validation, Confusion Matrix, Receiver Operating Characteristic, serta perhitungan skor pada masing-masing model. Salah satu algoritma pada classification yang digunakan yaitu Support Vector Machine memiliki kinerja dengan akurasi 99,7% dan error rate sebesar 0,3%. Algoritma pada clustering salah satunya yaitu DBSCAN memiliki nilai adjusted rand index selalu mendekati nilai 0. ......This research discusses building a machine learning model on the human aspect of information security awareness. The model built through a classification and clustering approach through a broad outline process, including importing data, handling incomplete data, compiling datasets, feature scaling, building models, and evaluating models. Dataset arranged based on the results of a questionnaire that referred to The Human Aspects of Information Security Questionnaire to Indonesia society. The results of the classification model evaluated by several methods, namely k-fold Cross Validation analysis, Confusion Matrix, Receiver Operating Characteristics, and score calculation for each model. One of the algorithms for classification, the Support Vector Machine, has a performance with an accuracy of 99.7% and an error rate of 0.3%. One of the algorithms in clustering is that DBSCAN has an adjusted rand index value consistently close to 0.

Abstrak :
Prsoses inversi dan forward modeling merupakan proses yang umum dilakukan dalam keilmuan geofisika khususnya pada metode magnetotelurik (MT) untuk memprediksi data dan parameter fisis material batuan di bawah permukaan bumi. Data dalam konteks ini merupakan resistivitas semu dan fase sementara parameter fisis merupakan resistivitas batuan. Proses tersebut biasanya dilakukan dengan menggunakan perangkat lunak tertentu yang perlu di unduh dan di install pada perangkat keras yang memenuhi spesifikasi, hal ini menjadi tidak fleksibel karena perangkat lunak perlu di install ulang jika ingin mengganti perangkat keras dan tidak semua perangkat keras dapat digunakan. Pada penelitian ini penulis mengembangkan platform website berbasis bahasa pemrograman python untuk melakukan proses forward modeling dan inversi data MT 1-D. Forward modeling dilakukan dengan menggunakan persamaan rekursif yang menyatakan hubungan antara impedansi dua lapisan sedangkan inversi dilakukan dengan menggunakan metode Levenberg-Marquardt. Pada inversi dengan stasiun lebih dari 1 maka kurva sounding hasil inversi akan dibentuk menjadi penampang resistivitas bawah permukaan dengan cara Krigging. Secara kuantitatif hasil inversi dengan website memiliki RMS error berkisar 0.08-0.21 % untuk data sintetik dan 0.84-1.84 % untuk data lapangan, secara kualitatif kurva inversi website memiliki trend yang mirip dengan software konvensional sehingga inversi website dinilai cukup valid. Dengan dikembangkannya platform web ini proses inversi dan forward modeling data MT 1-D dapat dilakukan di mana saja melalui perangkat apapun selama terdapat koneksi internet dan browser. Namun karena terdapat perbedan antara penampang hasil inversi website dengan software konvensional yang menyebabkan detil struktur tidak terlihat, maka website ini lebih cocok untuk digunakan pada keperluan akademis untuk melihat pola resistivitas bawah permukan secara umum dan bukan secara detail. ......Invers and forward modeling is a common process or technique done in the field of geophysics, particularly on magnetotelluric method (MT) in order to predict data and physical parameters of rock materials underneath the surface. Data in this context is apparent resistivity and phase, while physical parameters is the conductivity of the rock materials. This process usually conducted using a certain software that has to be installed on a hardware that meets the minimum requirement, this is not flexible in modern age because the software would need to be re-installed if we wish to use other device, moreover not all device is compatible. In this research, writer is developing a web platform based on python programming language for the purpose of forward and invers modeling of 1-D MT data. The forward modeling algorithm is done by utilizing the recursive equation which states the relationship between impedance of two sequential layers while inverse modeling is done using Levenberg-Marquardt method. In a case where the inverted data has more than 1 station, the sounding curve as the output of the inversion will be made into a resistivity crossection using Krigging. Quantitatively the inversion result using this website has an RMS error of 0.08 - 0.21 % for syntethic data and 0.84 – 1.84 % for real data, qualitatively the inversion curve resulting from this website has similar trend to an inversion curve done by a conventional software, thus the inversion using this website is valid. With the development of this web platform the inverse and forward modeling process of 1-D MT data can be conducted anywhere through all kinds of device as long as internet conection and browser is available. However due to the difference between cross section resulting from inversion using website and using conventional software that has lead to certain structure can not be seen, therefore this website is more suitable to be used in an academic purposes to see subsurface resistivity pattern in general and not in detail.

Abstrak :
ABSTRAK
Incongruity ketidaksesuaian adalah salah satu bahan baku lelucon, dan Monty Python rsquo;s Flying Circus MPFC/Sirkus Terbang Monty Python dari Britannia Raya adalah grup komedi ternama yang bertanggung jawab atas beberapa sketsa terabsurd dalam sejarah pertelevisian. Korpus makalah penelitian ini adalah dua sketsa karya MPFC; ldquo;Lumberjack Song Lagu Pemotong Kayu rdquo; dan ldquo;Communist Quiz Kuis Komunis rdquo;. Tujuan dari penelitian ini adalah untuk menjelaskan dan mendalami bermacam incongruity sebagaimana didefinisikan oleh Koestler 1964 yang ditemukan dalam kedua sketsa tersebut, dan bagaimana mereka memengaruhi dan/atau dipengaruhi oleh satu sama lain dalam kedua sketsa tersebut. Penelitian ini bersifat kualitatif dan menggunakan analisis tekstual untuk menganalisis komponen linguistik dan literatur yang ditemukan dalam penelitian ini. Berdasarkan hasil penelitian yang telah dilakukan, terdapat lima incongruity secara total; satu incongruity yang bersifat menyeluruh dalam ldquo;Lumberjack Song, rdquo; dan empat incongruity yang terpisah dalam ldquo;Communist Quiz. rdquo; Penelitian ini berkesimpulan bahwa walaupun absurditas secara umum dan incongruity memang merupakan alasan mengapa banyak orang menyukai MPFC, unsur satir yang mendasari sketsa-sketsa mereka yang dapat ditemukan dengan melihat bagaimana absurditas dan incongruity tersebut dibuat membuat sketsa-sketsa tersebut lebih pintar daripada yang terlihat.

---

ABSTRACT
Incongruity is one of the basic ingredients for a joke, and the British comedy troupe, Monty Python rsquo;s Flying Circus MPFC is famous for some of the most incongruous sketches known in the history of television. The corpus of this research paper is MPFC rsquo;s two sketches; ldquo;Lumberjack Song rdquo; and ldquo;Communist Quiz rdquo;. The purpose of this research is to explain and elaborate on the various incongruities as defined by Koestler 1964 found on the aforementioned two sketches, and the way they affect and/or are affected by each other in the sketch. This research is qualitative in nature and uses textual analysis of both linguistic and literary components. Based on the result of analysis, out of the two samples, there are five incongruities in total; one overarching incongruity in the ldquo;Lumberjack Song, rdquo; and four separate ones in the ldquo;Communist Quiz rdquo; sketch. This research concludes that while general absurdities and incongruities might indeed be the reasons why people like MPFC, the underlying satires found by seeing how those absurdities and incongruities are constructed makes it smarter than it presented itself to be.

Abstrak :
This clearly structured and easy to read textbook explains the concepts and techniques required to write programs that can handle large amounts of data efficiently. Project-oriented and classroom-tested, the book presents a number of important algorithms supported by motivating examples that bring meaning to the problems faced by computer programmers. The idea of computational complexity is also introduced, demonstrating what can and cannot be computed efficiently so that the programmer can make informed judgements about the algorithms they use. The text assumes some basic experience in computer programming and familiarity in an object-oriented language, but not necessarily with Python. Topics and features: - Includes both introductory and advanced data structures and algorithms topics, with suggested chapter sequences for those respective courses provided in the preface - Provides learning goals, review questions and programming exercises in each chapter, as well as numerous illustrative examples - Offers downloadable programs and supplementary files at an associated website, with instructor materials available from the author - Presents a primer on Python for those coming from a different language background - Reviews the use of hashing in sets and maps, along with an examination of binary search trees and tree traversals, and material on depth first search of graphs - Discusses topics suitable for an advanced course, such as membership structures, heaps, balanced binary search trees, B-trees and heuristic search.

Abstrak :

Pada zaman modern ini, implementasi chatbot digunakan untuk menyimpan data yang dikumpulkan melalui sistem tanya jawab, yang dapat diterapkan dalam program Python. Data yang akan digunakan dalam program ini adalah Cornell Movie Dialog Corpus yang merupakan dataset yang berisi korpus ini berisi kumpulan percakapan fiksi kaya metadata yang besar yang diekstraksi dari skrip film Penerapan chatbot dalam program Python, dapat menggunakan berbagai macam model, secara spesifik pada program ini akan diterapkan model LSTM, dan model BiLSTM. Penerapan chatbot dalam program Python, dapat menggunakan berbagai macam model, secara spesifik pada program ini akan diterapkan model LSTM, dan model BiLSTM. Hasil output dari program chatbot dengan penerapan model LSTM, dan BiLSTM adalah berupa akurasi, serta kumpulan data yang sesuai dengan informasi yang pengguna masukkan dalam input kotak dialog chatbot. Pemilihan model yang dapat diterapkan berdasarkan karakteristik data dapat mempengaruhi kinerja program, dengan tujuan program agar dapat menentukan tinggi atau rendahnya tingkat akurasi yang akan dihasilkan dari hasil yang diperoleh melalui sebuah program, yang dapat dijadikan faktor utama dalam menentukan model yang dipilih. Berdasarkan pertimbangan yang menjadi syarat pemilihan model dari sebuah program, pada akhirnya dipilih model LSTM, dan BiLSTM sebagai model yang akan diterapkan ke dalam program. Selain pemilihan model, berikutnya adalah menentukan metode yang digunakan dalam program, pada program ini dipilih metode greedy sebagai bentuk implementasi model LSTM dan model BiLSTM, dengan tujuan ketika dalam menjalankan program, waktu pengolahan data dapat lebih cepat, dan meningkatkan akurasi pada model yang dipilih pada program. Selain itu, atribut pendukung seperti seq2seq model, menjadi faktor penentu dalam sebuah program yang dapat berfungsi untuk memverifikasi pengolahan data apakah sesuai dengan kriteria yang dapat dijadikan sebagai pedoman dalam pengolahan data. Dalam penerapan komponen-komponen tersebut ke dalam program, seq2seq model dapat memproses kalimat input yang kemudian akan dilakukan pengolahan data tersebut menggunakan model dan struktur lain yang ada pada program, sehingga pada akhirnya dapat menghasilkan kalimat output yang berbagai macam, sebagai respon atas kalimat input yang dihasilkan dari program chatbot. Selain itu diperlukan metode evaluasi program yang dapat digunakan untuk memverifikasi apakah hasil output program sesuai dengan data yang diharapkan oleh pengguna. Berdasarkan penerapan model LSTM, dan model BiLSTM ke dalam chatbot, dapat disimpulkan bahwa dengan semua hasil uji program yang terdiri dari beragam pasangan parameter yang berbeda, maka dinyatakan Pasangan Parameter 1 (size_layer 512, num_layers 2, embedded_size 256, learning_rate 0.001, batch_size 32, epoch 20) yang berasal dari File 6 merupakan BiLSTM Chatbot dengan nilai avg accuracy 0.995217 yang menggunakan model BiLSTM menjadi pasangan parameter terbaik.

---

In modern times, chatbots are implemented and used to store data collected through a question and answer system which can be applied in the Python program. The data used in this program is the Cornell Movie Dialog Corpus which is a dataset containing a corpus that contains a large collection of metadata-rich fictional conversations extracted from film scripts. The application of chatbots into the Python program can be done using various models. In this research we specifically use the LSTM and BiLSTM models. The output results from the chatbot program with the application of the LSTM and BiLSTM models are in the form of accuracy, as well as a data set that matches the information that the user enters in the chatbot dialog box input. The choice of models that will be applied is based on data that can affect program performance, with the target of the program that can determine the high or low level of accuracy that will be generated from the results obtained through the program, which is a major factor in determining the selected model. Based on the considerations that are the required for choosing the model for the program, in the end the LSTM and the BiLSTM models are chosen and will be applied to the program. After selecting the appropriate model, the next step is to determine the method used in the program. The greedy method is chosen as a form of implementation of the LSTM and BiLSTM models that aims to decrease the data processing time of the program and make it quicker, and also increase the accuracy of the model selected for the program. In addition, supporting attributes such as the seq2seq model are a determining factor in a program that functions to verify whether data processing process matches the criteria and can be used as a guide. In applying these components to the program, the seq2seq model processes the input sentences which will then be processed using the models and other structures in the program, so that in the end it can produce various output sentences in response to the input sentences that are generated from the chatbot program. In addition, a program evaluation method is needed to verify whether the program output matches the data expected by the user. Based on the application of the LSTM dan BiLTSM models into the chatbot program, it can be concluded that between all the program test results consisting of a variety of different parameter pairs, it is stated that Parameter Pair 1 (size_layer 512, num_layers 2, embedded_size 256, learning_rate 0.001, batch_size 32, epoch 20) from File 3 is the best paramater pair of the BiLSTM Chatbot which uses the BiLTSM model, with the avg accuracy value of 0.995217.