Hasil Pencarian  ::  Simpan CSV :: Kembali

"Indeks validitas merupakan metode yang mengevaluasi hasil clustering untuk mendapatkan jumlah klaster optimal suatu data. Pada skripsi ini, dilakukan clustering pada data menggunakan algoritma K-Means. Selanjutnya, hasil clustering tersebut dievaluasi oleh empat jenis indeks validitas, yaitu indeks Silhouette, indeks Davies-Bouldin, indeks Sum of Square, dan indeks Calinski-Harabasz. Implementasi keempat jenis indeks validitas dilakukan dengan menggunakan data benchmark yang sudah diketahui jumlah kelasnya. Hasil implementasi tersebut akan dibandingkan untuk mengetahui apakah keempat indeks validitas dapat memprediksi jumlah klaster dengan tepat. Dari hasil simulasi, indeks Silhouette, indeks Davies-Bouldin, dan indeks Calinski-Harabasz dapat memprediksi jumlah klaster optimal lebih tepat dibandingkan dengan indeks Sum of Square.

---

The validity index is a method that evaluates the clustering results to get the optimal number of clusters of a data. In this skripsi, data clustered using K Means algorithm. Furthermore, the clustering results are evaluated by four types of validity indices, namely the Silhouette index, the Davies Bouldin index, the Sum of Square index, and the Calinski Harabasz index. The implementation of the four validity indices is done by using the benchmark data which is already known to the number of classes.

The results of the implementation will be compared to find out whether the four validity indices can predict the number of clusters appropriately. From the simulation results, the Silhouette index, the Davies Bouldin index, and the Calinski Harabasz index can predict the optimal cluster number is more precise than the Sum of Square index."

"Indonesia merupakan salah satu negara di dunia yang masih menerapkan subsidi untuk Bahan Bakar Minyak (BBM). Pemerintah Indonesia sesuai dengan amanah undang-undang harus menjamin penyediaan dan pendistribusian BBM bagi seluruh rakyat Indonesia. Untuk menerapkan kebijakan ini dengan tepat maka pemahaman akan pola konsumsi BBM menjadi hal yang sangat fundamental karena setiap daerah memiliki hak yang sama dalam memperoleh sumber energi termasuk BBM. Penelitian ini menggunakan metode clustering untuk mengetahui kategori kabupaten/kota berdasarkan pola konsumsi BBM subsidi. Data yang digunakan adalah data konsumsi BBM subsidi sejak Januari tahun 2016 hingga Juni tahun 2021 dalam bentuk time series. Penelitian ini membandingkan beberapa metode clustering yaitu k-means, Partitioning Around Medoid (PAM) dan Clustering Large Applications (CLARA). Hasil yang diperoleh adalah k-means menjadi metode clustering yang paling optimal untuk analisis konsumsi BBM subsidi setelah dilakukan evaluasi terhadap nilai rata-rata Silhouette, Dunn Index dan Connectivity. Hasil clustering dengan metode k-means mengindikasikan adanya dua cluster kabupaten/kota yang memiliki tingkat kerentanan terhadap konsumsi BBM yang tinggi dan rendah. Pemerintah perlu menetapkan daerah prioritas dalam pengawasan penggunaan BBM subsidi terutama daerah dengan tingkat kerentanan penggunaan BBM subsidi yang tinggi serta untuk daerah yang memiliki tingkat kerentanan rendah pemerintah perlu meninjau kembali kuota BBM subsidi yang ditetapkan

---

Indonesia is one of the countries in the world that still applies subsidies for fuel oil (BBM). The Indonesian government following the mandate of the law must ensure the supply and distribution of fuel for all Indonesian people. Understanding the pattern of fuel consumption is very fundamental because every region has the same rights in obtaining energy sources, including fuel. This study uses the clustering method to determine the category of districts/cities based on the pattern of consumption of subsidized fuel. The data used is data on subsidized fuel consumption from January 2016 to June 2021 in the form of a time series. This study compares several clustering methods, namely k-means, Partitioning Around Medoid (PAM), and Clustering Large Applications (CLARA). The results found that k-means becomes the most optimal clustering method for the analysis of subsidized fuel consumption after evaluating the values of Silhouette, Dunn Index, and Connectivity. The results indicate that two district/city clusters have high and low levels of vulnerability to fuel consumption. The government needs to determine priority areas in supervising the use of subsidized fuel, and for areas that have a low level of vulnerability, the government needs to review the quota for subsidized fuel that has been set."

"Makalah ini mcmbahas tentang pengelompokan data melalui metoda K-Muans Clustering. Hasil penjgelompokan metoda tersebut digunakan untuk memetakan data rataan nilai UMPTN IPA per kabupaien/kodya di seluruh Indonesia, dengan menggunakan Arc-View GIS versi 3.1. Dari hasil pemetaan tersebut diharapkan data yang merupakan rataan nilai UMPTN IPAtlersebut akan Iebih mudah dan menarik untuk dibaca. Terutama bagi pengambil kebijakan dalam dunia pendidikan. Dengan melihai hasil pemetaan tersebut diharapkan mereka bisa meningkatkan kualilas pendidikan atau melakukan perbaikan-perbaikan dalam dunia pcndidikan di Indonesia secara global, sesuai dengan kualitas pcndidikannya"

"DNA adalah salah satu pembawa informasi genetik pada makhluk hidup. Sequencing dan clustering barisan DNA telah menjadi pekerjaan utama dan rutin dalam dunia biologi molekuler, khususnya dalam bidang terapan bioinformatika. Secara umum metode clustering dapat dibedakan menjadi dua, yaitu hirarki clustering dan partisi clustering. Penelitian ini menggabungkan dua metode clustering yaitu K-Means partisi clustering pada Level 1 dan DIANA hirarki clustering pada Level 2, oleh karena itu disebut Two-Level Hybrid Clustering. Proses awal dimulai dengan mengumpulkan barisan DNA HPV yang diperoleh dari NCBI National Centre for Biotechnology Information, Ekstraksi Ciri, dan Normalisasi. Kemudian melakukan proses clustering menggunakan algoritma K-Means pada Level 1 dan algoritma DIANA pada Level 2. Untuk menghitung jarak genetik antar barisan DNA HPV digunakan persamaan Euclidian Distance. Dan validitas klaster yang digunakan untuk menentukan banyaknya klaster yang optimum adalah Indeks Davies-Bouldin IDB. Hasil penerapan Two-Level Hybrid Clustering pada 1252 barisan DNA HPV adalah data dikelompokan menjadi 4 klaster dengan nilai IDB yaitu 0.859154564. Semua perhitungan dan proses clustering menggunakan software R.

---

DNA is one of the carrier of genetic information in living organisms. Sequencing and clustering DNA sequences has become the key and routine activitis in the molecular biology, in particular on bioinformatics applications. There are two type of clustering, hierarchical clustering and partitioning clustering. In this paper, we combine two type clustering proccesses including K Means partitioning clustering on Level 1 and DIANA hierarchical clustering on Level 2, therefore it called Two Level Hybrid clustering. The beginning of process is started with collecting DNA sequences of HPV from NCBI National Centre for Biotechnology Information, Characteristics Extraction, and Normalization. The next step is clustering by implementation K Means algorithm on Level 1 and DIANA algorithm on Level 2. To calculate the genetic distance we use Euclidian Distance. Moreover, in validating cluster results in order to get optimum number of clusters, we use Davies Bouldin Index DBI. The result of implementation of Two Level Hybrid Clustering on 1252 sequences of HPV is the data clustered into 4 clusters with minimal IDB value is 0.859154564. All calculating and clustering process in this paper using software R."

"ABSTRAKUntuk menjaga kualitas dosen, institusi melakukan evaluasi kinerja dosen yang dapat berupa kuesioner akademik dimana kadang hasilnya bersifat subyektif. Untuk itu perlu dilakukan pengecekan konsistensi tingkat kepuasan proses pengajaran dari hasil pengisian kuesioner dengan data akademik lainnya dengan pendekatan clustering. Untuk mengatasi hal tersebut dilakukan penelitian yang bertujuan untuk membangun sebuah aplikasi yang menerapkan pendekatan two level clustering dengan k-means dan average linkage clustering untuk mengetahui tingkat perbedaan kualitas proses belajar mengajar dosen menurut mahasiswa yang telah dikelompokkan berdasarkan data akademis. Model yang digunakan dalam penelitian ini adalah model two level clustering dengan dua tahapan cluster yaitu metode k-means dan average linkage clustering. Model ini digunakan untuk mengelompokkan data mahasiswa menjadi beberapa cluster berdasarkan data akademis mahasiswa dalam satu matakuliah sehingga data hasil cluster akademis dapat diklaster kembali berdasarkan jawaban kuesioner mahasiswa untuk setiap anggota cluster akademis. Hasil clustering level pertama menunjukkan jumlah cluster yang optimal adalah 2 dengan cluster yang terbentuk adalah mahasiswa dengan kemampuan akademis yang baik dan cukup, sedangkan jumlah cluster yang optimal untuk clustering level kedua adalah 2, dengan cluster yang terbentuk adalah mahasiswa merasa puas, cukup puas atau tidak puas terhadap proses pengajaran di kelas. Hasil interprestasi clustering akademik terhadap tingkat kepuasan mengajar dosen menunjukkan hasil yang sama diantara 2 cluster akademik."

"Citra hyperspectral merupakan citra yang menyimpan informasi spektrum elektromagnetik dengan jangkauan panjang gelombang tertentu secara kontinu untuk tiap pikselnya. Citra hyperspectral ini lebih kaya informasi dibanding citra RGB biasanya yang hanya menyimpan informasi dari warna merah, hijau, dan biru. Oleh karena itu, citra hyperspectral banyak digunakan di berbagai bidang, salah satunya untuk analisis tinta pada forensik dokumen. Dalam beberapa kasus, tinta yang berbeda distribusi spektranya dapat terlihat sama di mata manusia di bawah sumber cahaya tertentu. Fenomena ini disebut metamerism. Akan tetapi, tinta yang terlihat sama ini tidaklah sama dalam representasi hyperspectral. Penelitian ini bertujuan untuk mendapatkan representasi terbaik citra hyperspectral dengan menggunakan reduksi dimensi PCA dan t-SNE untuk melakukan pengelompokan K-means. Didapatkan hasil bahwa metode t-SNE merupakan hasil terbaik dalam beberapa eksperimen yang dilakukan dengan rata-rata precision 0.782 dan rata-rata recall 0,783. Diharapkan hasil penelitian ini dapat bermanfaat di bidang analisis dokumen

---

Hyperspectral images are images that store electromagnetic spectrum information with a certain range continuously for each pixel. These hyperspectral images contain a lot more information compared to the more common RGB image that only has red, blue, and green bands. Thus, hyperspectral images can be used in various applications, such as for ink analysis in document forensics. In some cases, inks with different spectral distribution may appear similar to the human eye due to metamerism. However, these similar looking inks are not similar in their hyperspectral representation. This research aims to obtain the best representation for hyperspectral images by using PCA and t-SNE dimensionality reduction to perform K-means clustering. From the results, we found that the t-SNE dimensionality reduction techniques gives the best result with average precision of 0,782 and average recall of 0,783. Hopefully this research can be useful for future works in document analysis.

"

"Pola konsumsi pangan didefinisikan sebagai kebiasaan makan yang berbeda antara satu individu dengan individu lainnya. Perbedaan kebiasaan makan seseorang sejatinya dapat disebabkan oleh berbagai faktor, mulai dari faktor kesehatan, faktor harga, faktor agama, dan faktor budaya. Penelitian ini bertujuan untuk mengelompokkan individu dari lima kota besar di Indonesia berdasarkan pola konsumsi pangan. Terdapat 18 variabel yang digunakan dalam penelitian ini, 6 diantaranya merupakan variabel numerik dan 12 variabel lainnya merupakan variabel kategorik. Mengingat data yang digunakan terdiri dari dua jenis variabel yang berbeda, maka pengelompokan dilakukan secara terpisah. Variabel numerik dikelompokkan menggunakan metode K-Means Clustering, sementara variabel kategorik dikelompokkan menggunakan metode ROCK Clustering. Hasil kedua pengelompokan tersebut kemudian digabungkan dan dipandang sebagai data baru yang terdiri dari dua variabel bertipe kategorik. Variabel baru tersebut kemudian dikelompokkan kembali menggunakan metode pengelompokan data kategorik yang sebelumnya digunakan, yaitu ROCK Clustering. Proses pengelompokan data gabungan tersebut kemudian dikenal sebagai Ensemble Clustering. Hasil dari penelitian ini menunjukkan bahwa kelompok optimal yang terbentuk untuk data gabungan adalah sebanyak tiga klaster. Klaster satu terdiri dari 286 individu yang pola konsumsi pangannya cenderung dipengaruhi faktor harga, agama, dan budaya. Klaster dua terdiri dari 233 individu yang pola konsumsi pangannya cenderung dipengaruhi faktor kesehatan, agama, dan budaya serta cenderung netral akan faktor harga. Sementara itu, klaster tiga terdiri dari 191 individu yang pola konsumsi pangannya dipengaruhi faktor kesehatan, agama, dan budaya.

---

Food consumption patterns are defined as eating habits that differ from one individual to another. Differences in a person's eating habits can be caused by various factors, ranging from health factors, price factors, religious factors, and cultural factors. This study aims to clustering individuals from five cities in Indonesia based on food consumption patterns. There are 18 variables used in this study, 6 of them are numerical variables and 12 others are categorical variables. Since the data consists of two different types of variables, the clustering process will be done separately. Numerical variables were grouped using the K-Means Clustering, while categorical variables were grouped using the ROCK Clustering. The grouping result of numerical and categorical variables are then combined into a new data with two categorical variables. The new data then regrouped using the categorical data grouping method, namely ROCK Clustering. This process then known as Ensemble Clustering. The results of this study indicate that the optimal group formed for the new categorical data is three clusters. Cluster one consists of 286 individuals, where food consumption patterns in this cluster tend to be influenced by price, religion, and culture factors. Cluster two consists of 233 individuals, where food consumption patterns in this cluster tend to be influenced by health, religion, and cultural factors and tend to be neutral on price factors. Cluster three consists of 191 individuals, where food consumption patterns in this cluster are influenced by health, religion, and cultural factors."

"The Australian Embassy in Jakarta stores a wide array of media release document. Analyzing particular and vital patterns of the documents collection is imperative as it may result new insights and knowledge of significant topic groups of the documents. K-Means algorithm was used as a non-hierarchical clustering method which partitioning data objects into clusters. The method works through minimizing data variation within clusters and maximizing data variation between clusters. Of the documents issued between 2006 and 2016, 839 documents were examined in order to determine term frequencies and generate clusters. Evaluation was conducted by nominating an expert to validate the cluster result. The result showed that there were 57 meaningful terms grouped into 3 clusters. “People to people links”, “economic cooperation”, and “human development” were chosen to represent topics of the Australian Embassy Jakarta media releases from 2006 to 2016. Text mining can be used to cluster topic groups of documents. It provides a more systematic clustering process as the text analysis is conducted through a number of stages with specifically set parameters."

"Era perdagangan bebas membutuhkan peningkatan daya saing produk lokal di pasar global, melalui standardisasi. Kebijakan standardisasi termasuk bagaimana merencanakan, merumuskan, menetapkan, menerapkan, menegakkan, memelihara, dan mengawasi Standar Nasional, seperti Standar Nasional Indonesia (SNI). SNI bermanfaat untuk menciptakan daya saing dan perlindungan konsumen. Konsistensi standardisasi terlihat dari evaluasi kegiatan standardisasi, yang membutuhkan waktu dan sumber daya yang tinggi. Terdapat hambatan dalam kegiatan standardisasi seperti kurangnya infrastruktur standardisasi, jumlah SNI, kesiapan industri, sumber daya pengawasan, dan juga hambatan lain dalam kegiatan standardisasi. Hambatan tersebut menjadi perhatian media, melalui banyaknya pemberitaan, keluhan tentang permasalahan tersebut. Perkembangan opini pada media dapat berpengaruh terhadap pembuatan kebijakan, pelayanan dan dapat mengubah strategi kebijakan standardisasi. Oleh karena itu tujuan dari penelitian ini adalah untuk menemukan klasifikasi dan pengelompokan dari permasalahan standardisasi, yang menjadi bagian penting dari kebijakan evaluasi. Penelitian ini menggunakan pendekatan analisis sentimen, yang dapat menangkap perubahan pemberitaan media yang cepat dalam bidang standardisasi, dengan menggunakan metode klasifikasi deep belief networks (DBN) dan pengelompokan K-means. Selain DBN, penelitian ini juga membandingkan performa DBN dengan metode klasifikasi lainnya, yaitu Naive Bayes (NB), Artificial Neural Networks (ANN) dan Support Vector Machine (SVM). Hasil penelitian ini menunjukkan performa model klasifikasi dengan DBN lebih baik dari metode lainnya dengan F1 Measure mencapai 94.20%, dimana NB mencapai 89.98%, ANN mencapai 83.72% dan SVM mencapai 89.97%. Selain itu, hasilnya menunjukkan bahwa jumlah sentimen negatif terbanyak adalah 12.54% dan jumlah sentimen positif terbanyak adalah 29,94%. Kedua sentimen tersebut adalah anggota kelas pemberlakuan SNI. Adapun hasil pengelompokan K-means terbentuk 5 buah klaster optimal pada setiap kelas, dan menunjukkan subtopik dengan judul kendala pemberlakuan, penegakan, pemahaman aturan serta kebutuhan regulasi SNI menjadi perhatian terbesar dari media. Penelitian ini menghasilkan pengetahuan yang berguna untuk membangun alternatif masukan, secara cepat dalam evaluasi kebijakan standardisasi, dalam bentuk analisis sentimen yang belum pernah dilakukan sebelumnya. Penelitian ini diharapkan dapat menangkap kondisi standardisasi serta berkontribusi dalam meningkatkan kebijakan standardisasi di Indonesia.

---

Free trade era requires increasing the competitiveness of local products in the global market, through standardization. The standardization policy is including how to plan, formulate, establish, implement, enforce, maintain, and supervise National Standard, e.g Indonesian National Standard called SNI. SNI is useful in order to create competitiveness and consumer protection. The consistency of standardization shows through evaluation of standardization activity, that requires hight time and resources. There are obstacles in standardization activities such as lack of standardization infrastructure, number of SNIs, industry readiness, supervision resources, and also other obstacles in standardization activities. This obstacle has become the media`s attention, through many news reports and complaints about the problem. The development of opinion on the media can influence policy making, service and can change the standardization policy strategy. Therefore the purpose of this study is to find the classification and clustering of standardization problems, which to become an important part of the evaluation policy. This study uses a sentiment analysis approach, which can capture rapid changes of media coverage in standardization, using the method of deep belief networks (DBN) classification and grouping of K-means. Besides DBN, this study also compares the performance of DBN with other classification methods, namely Naive Bayes (NB), Artificial Neural Networks (ANN) and Support Vector Machine (SVM). The results of this study show the performance of the classification model with DBN is better than other methods with F1 Measure reaching 94.20%, where NB reaches 89.98%, ANN reaches 83.72% and SVM reaches 89.97%. In addition, the results showed that the highest number of negative sentiments was 12.54% and the highest number of positive sentiments was 29.94%. Both sentiments are class members of SNI regulation. The results of the K-means clustering formed 5 optimal clusters of each class, and showed subtopics about the constraints of enforcement, establishment, understanding the rules and requirements of SNI regulation to be the biggest concern of the media. This research produces knowledge that is useful for building alternative inputs, and quickly in evaluating standardization policies, in the form of sentiment analysis that has never been done before. This research is expected to capture the conditions of standardization and contribute to improving standardization policies in Indonesia."

"Segmentasi dalam dunia medis sudah menjadi suatu hal yang penting untuk menentukan diagnosa awal dari suatu penyakit, misalnya timbulnya tumor pada organ-organ tubuh yang berukuran kecil dan sulit teramati oleh mata telanjang. Namun, jika segmentasi dilakukan secara manual dan tradisional akan membutuhkan waktu yang banyak serta menyebabkan hasil yang tidak konsisten. Oleh karena itu, dibutuhkannya segmentasi secara otomatis yang dapat membantu dokter tidak hanya dalam mengetahui keberadaan tumor, melainkan juga dapat mengkuantifikasi ukuran tumor. Dalam penelitian ini, segmentasi otomatis dengan machine learning diterapkan menggunakan metode clustering K-Means pada fantom ekuivalen hati berbentuk silinder. Fantom ekuivalen terbuat dari material tepung beras dan lilin, yang kemudian diinjeksikan dengan radioaktivitas 18F-FDG sebesar 1,89 µCi/mL. Pengolahan citra fantom dilakukan dengan pesawat PET/CT Siemens Biograph menggunakan metode rekonstruksi Iterative 3D dan True-X serta 2 filter (Gaussian dan Butterworth). Akurasi deteksi algoritma K-Means menunjukkan bahwa dapat optimal pada tiga tipe pemindaian dengan terdeteksinya seluruh objek pada citra fantom. Namun, hal tersebut terkecualikan pada filter Gaussian dengan metode rekonstruksi Iterative 3D karena algoritma K-Means tidak dapat mendeteksi objek terkecil (4 mm) pada kedua wilayah fantom. Indikasi tidak terdeteksinya objek terkecil, dapat disebabkan oleh kinerja algoritma yang mengelompokkan objek dengan nilai piksel yang sama. Untuk hasil kuantifikasi diameter dengan algoritma K-Means (Dp) menunjukkan bahwa, hasil ukuran diameter lebih besar ±1-3 mm dibandingkan diameter fisis fantom (Dt) pada ketiga pemindaian. Namun, hal tersebut tidak berlaku pada pemindaian filter Gaussian dengan metode rekonstruksi Iterative 3D, yang memiliki kuantifikasi lebih kecil dibandingkan . Berdasarkan hasill kuantifikasi pada keempat pemindaian, ditunjukkan bahwa algoritma K-Means optimal pada filter Butterworth dengan metode rekonstruksi True-X dengan rata-rata RD untuk seluruh objek kurang dari 10%. Sehingga, untuk memvalidasi hal tersebut metode pengukuran K-Means dibandingkan dengan metode pengukuran FWHM dan FWTM dengan merata-ratakan kuantifikasi untuk setiap objek dari semua irisan. Tervalidasi bahwa algoritma K-Means memiliki performa yang optimal, dengan anilai RD yang dihasilkan hampir mendekati 0%.

---

Segmentation in medical, has become an important thing to determine the initial diagnosis of a desease, for example the emergence of tumors in organs that are small and difficult to observe manually. However, if the segmentation in medical is done manually and traditionally it will take a lot of time and cause inconsistant results. Therefore, automatic segmentation is needed which can help doctors not only by knowing the presence of tumors, but also in quantifying tumor size. In this study, automatic segmentation with machine learning was applied using the K-Means clustering algorithm method on the cylindrical liver equivalent phantom. The equivalent phantom was made from rice flour and wax, and the euqivalent phantom was injected with 18F-FDG with radioactivity 1,89 µCi/mL. The image processing was carried put using a PET/CT Siemens Biograph with Iterative 3D and True-X as reconstuction methods and 2 filters (Gaussian and Butterworth). The detection accuracy of the K-Means algorithm shows that it can be optimal in three types of scanning by detecting all objects in the phantom image. However, this is ecluded in the Gaussian filter with Iterative 3D reconstruction method, because the K-Means algorthm cannot detect the smallest object (4 mm) in both phantom regions. Indications for that phenomenon, could be caused by the performance of the algorithm that grouping the cluster with the same pixel value. For diameter quantifications of from K-Means algorithm shows that the diameter ±1-3 mm larger than the pyhsical fantom diameter (Dt). Based on the result of Dp quantification on the for type of scans, it it shown that the optimal K-Means algorithm on the Butterworth filter with the True-X reconstruction method with an average RD for all objects in phantom is less than 10%. So, to validate this result, the K-Means measurement method is compared with the FWHM and FWTM measurements methods by averaging the quantification for each object from all slices. It is validated that, the K-Means algorthm has optimal performance by reffering to the FWTM measurement where RD value is close to 0%."