Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Sistem Penilaian Esai Otomatis (SIMPLE-O) dikembangkan oleh Departemen Teknik Elektro Fakultas Teknik Universitas Indonesia untuk ujian bahasa Indonesia. Skripsi ini akan membahas mengenai pengembangan SIMPLE-O untuk penilaian ujian bahasa Indonesia menggunakan metode Gated Recurrent Unit (GRU) dan bahasa pemrograman Python. Terdapat dua dokumen yang akan menjadi input, yaitu jawaban esai dari peserta ujian dan jawaban referensi dari penguji. Kedua jawaban diproses dengan layer GRU yang sama. Selanjutnya, kemiripan antara keduanya dihitung dengan fungsi persamaan. Rata-rata nilai akurasi yang didapatkan adalah 98.84 untuk fase training dan 86.82 untuk validasi

---

The Automatic Essay Assessment System (SIMPLE-O) was developed by the Department of Electrical Engineering, Faculty of Engineering, University of Indonesia for the Indonesian language test. This thesis will discuss the development of SIMPLE-O for the assessment of Indonesian language tests using the Gated Recurrent Unit (GRU) method and the Python programming language. There are two documents that will be input, essay answers from examinees and answer answers from examiners. Both answers are processed with the same GRU layer. Next, the similarity between the two is calculated by the similarity function. The average accuracy value obtained was 98.84 for the training phase and 86.82 for validation

Abstrak :
Investasi di saham bukanlah tanpa risiko. Harga saham selalu mengalami fluktuasi, dapat naik dan dapat turun. Ketidakpastian tersebut tidak dapat diabaikan, karena dapat menyebabkan kerugian jika salah dalam memprediksi arah pergerakan dari harga saham. Prediksi arah pergerakan harga saham yang lebih akurat dapat mengurangi risiko kerugian. Pada penelitian ini, prediksi arah pergerakan harga saham menggunakan faktor yang mempengaruhi arah pergerakan saham itu sendiri, yaitu harga saham sebagai variabel prediktor. Penelitian dilakukan dengan memanfaatkan salah satu metode dalam jaringan syaraf tiruan, yaitu gated recurrent unit dalam membangun model prediksi arah pergerakan harga saham tersebut. Data harga saham yang digunakan pada penelitian ini adalah data harga saham PT. Bank Central Asia Tbk (kode saham: BBCA) dan PT. Pabrik Kertas Tjiwi Kimia Tbk (kode saham: TKIM). Performa model yang digunakan dievaluasi dengan Root Mean Squared Error dan Mean Absolute Error. Pada penelitian ini didapatkan hasil bahwa hyperparameter prediksi harga saham BBCA terbaik diperoleh dengan menggunakan {epoch=500, batch size=32, dan units=24} dan hyperparameter prediksi harga saham TKIM terbaik diperoleh dengan menggunakan {epoch=250, batch size=128, dan unit=24}. Kemudian, dari RMSE dan MAE yang dihasilkan dari kedua saham disimpulkan bahwa model GRU merupakan model yang mampu memprediksi saham dengan baik. ......Investing in stocks is not without risk. The stock price always fluctuates, can go up and can go down. This uncertainty cannot be ignored, because it can cause losses if it is wrong in predicting the direction of movement of the stock price. A more accurate prediction of the direction of stock price movements can reduce the risk of loss. In this study, the prediction of the direction of stock price movements uses factor that influence the direction of stock movement itself, namely the stock price as a predictor variable. The research was conducted by utilizing one of the methods in artificial neural networks, namely the gated recurrent unit in building a predictive model for the direction of the stock price movement. The share price data used in this research is the share price data of PT Bank Central Asia (stock code: BBCA) and PT. Pabrik Kertas Tjiwi Kimia Tbk (stock code: TKIM). The model performance is evaluated by using Root Mean Squared Error and Mean Absolute Error. The results of this study indicate that the best prediction of the direction of BBCA's stock price movement is obtained by using {epoch=500, batch size=32, and units=24} and the best prediction of the direction of TKIM's stock price movement, is obtained by using {epoch=250, batch size=128, and units=24}. Then, from the RMSE and MAE generated from the two stocks, it can be concluded that the GRU model is a model capable of predicting stocks.

Abstrak :
Demam Berdarah Dengue (DBD) merupakan salah satu virus yang menginfeksi manusia melalui gigitan nyamuk Aedes aegypti dan Aedes albopictus. Menurut laporan CDC, Indonesia yang masuk dalam level 1 dari 3 yaitu level tertinggi, frequent or continuous kasus DBD. Perkiraan lebih awal dan akurat dari persebaran insiden DBD dapat meminimalkan ancaman dan membantu pihak yang berwenang untuk menerapkan langkah-langkah pengendalian yang efektif. Pada penelitian ini, prediksi angka insiden DBD menggunakan faktor-faktor cuaca yang mempengaruhi perkembangan nyamuk itu sendiri, yaitu temperatur, kelembapan, dan curah hujan sebagai variabel prediktor. Variabel prediktor ditentukan berdasarkan nilai korelasi silang dari time lag variabel prediktor terhadap jumlah insiden DBD. Penelitian dilakukan dengan memanfaatkan salah satu metode dalam machine learning, yaitu gated recurrent unit dalam membangun model prediksi insiden DBD tersebut. Performa model yang digunakan dievaluasi dengan Root Mean Squared Error dan Mean Absolute Error. Hasil penelitian ini menunjukkan bahwa prediksi angka insiden DBD terbaik, diperoleh dengan menggunakan proporsi data training-test: 90%-10%.

---

Dengue Fever (DF) is a virus that infects humans through the bite of Aedes aegypti and Aedes albopictus mosquitoes. According to the CDC report, Indonesia is included in level 1 of 3, namely the highest level, frequent or continuous cases of DF. Early and accurate estimates of the spread of dengue incidents can minimize threats and help the authorities to implement effective control measures. In this study, the prediction of DF incidence uses weather factors that influence the development of mosquitoes themselves, namely temperature, humidity, and rainfall as predictor variables. Predictor variables are determined based on the value of the cross correlation of the time lag predictor variable to the number of DF incidents. The study was conducted by utilizing one method in machine learning, namely the gated recurrent unit in building the DF incident prediction model. The performance of the model are evaluated by Root Mean Squared Error and Mean Absolute Error. The results of this study shows that the best prediction model of DF incidence rate, obtained using the proportion of training-test data: 90% -10%.

Abstrak :
Energi terbarukan yang berasal dari radiasi matahari merupakan salah satu sumber energi potensial di Indonesia karena letak geografisnya. Hal ini dapat mendukung pemenuhan kebutuhan energi yang terus meningkat, khususnya di wilayah Provinsi Jawa Barat yang memiliki kepadatan penduduk tertinggi di Indonesia. Namun, radiasi matahari bersifat intermiten karena dipengaruhi oleh kondisi atmosfer yang dinamis, sehingga diperlukan estimasi nilai radiasi matahari yang mencapai permukaan bumi. Penelitian ini melakukan estimasi radiasi matahari menggunakan model Gated Recurrent Unit (GRU) pada dua lokasi, yaitu Puslitbang PLN dan BMKG Sumedang, berdasarkan skema parameter terbaik. Analisis spasial dilakukan menggunakan model Weather Research and Forecasting (WRF), serta pengujian hybrid model dilakukan untuk meningkatkan akurasi model GRU. Hasil model menunjukkan nilai relative root mean square error (rRMSE) yang tinggi untuk Puslitbang PLN (50,21%) dan BMKG Sumedang (46,19%). Berdasarkan pola sebaran radiasi matahari terhadap tutupan lahan, nilai radiasi tinggi tersebar di wilayah terbangun dan rendah pada wilayah vegetasi. Selanjutnya, integrasi data dari model WRF dilakukan untuk meningkatkan akurasi estimasi radiasi matahari. Namun, peningkatan akurasi ini hanya terjadi pada lokasi BMKG Sumedang dengan nilai rRMSE 45,05%, sementara di Puslitbang PLN tidak terdapat peningkatan yang signifikan karena kualitas data temporal yang kurang baik. Oleh karena itu, pengembangan metode serta ketersediaan data temporal berkualitas baik menjadi hal yang penting untuk menghasilkan model dengan akurasi tinggi. ......Renewable energy from solar radiation is a potential energy source in Indonesia due to its geographical location. This can support the growing energy needs, especially in West Java Province, which has the highest population density in Indonesia. However, solar radiation is intermittent due to dynamic atmospheric conditions, necessitating the estimation of solar radiation reaching the Earth's surface. This study estimates solar radiation using the Gated Recurrent Unit (GRU) model at two locations: Puslitbang PLN and BMKG Sumedang, based on the best parameter scheme. Spatial analysis was conducted using the Weather Research and Forecasting (WRF) model, and hybrid model testing was carried out to improve the accuracy of the GRU model. The model results showed relatively high relative root mean square error (rRMSE) values for Puslitbang PLN (50.21%) and BMKG Sumedang (46.19%). Based on the distribution patterns of solar radiation against land cover, high radiation values were found in built-up areas and low values in vegetated areas. Furthermore, data integration from the WRF model was performed to enhance the accuracy of solar radiation estimation. However, this accuracy improvement was only observed at the BMKG Sumedang location, with an rRMSE value of 45.05%, while no significant improvement was noted at Puslitbang PLN due to poor temporal data quality. Therefore, the development of methods and the availability of high-quality temporal data are crucial to achieve high model accuracy.

Abstrak :
ABSTRAK
SIBI merupakan bahasa isyarat resmi bagi penyandang tunarungu di Indonesia. Dalam pembentukan isyarat, SIBI mengikuti aturan tata bahasa Indonesia. Untuk membentuk isyarat kata berimbuhan, maka isyarat imbuhan awalan, akhiran dan partikel ditambahkan ke isyarat kata dasar. Karena banyak isyarat SIBI merupakan isyarat kata berimbuhan dan belum ada penelitian tentang kata tersebut, maka penelitian ini fokus pada membangun sistem penerjemah kata berimbuhan SIBI ke teks. Gerakan isyarat ditangkap oleh kamera Kinect yang menghasilkan data color, depth dan skeleton. Data Kinect ini diolah menjadi fitur yang dipakai oleh model untuk mengenali gerakan. Sistem penerjemah memerlukan teknik ekstraksi fitur, yang dapat menghasilkan sebuah feature vector set dengan ukuran yang minimal. Penelitian ini berusaha untuk dapat memisahkan isyarat imbuhan dan kata dasar pada isyarat kata berimbuhan. Dengan kemampuan ini, sistem penerjemah menghasilkan 3 feature vector set: kata dasar, awalan dan akhiran. Tanpa pemisahan, feature vector set yang harus disediakan adalah sebanyak perkalian cartesian dari ketiga feature vector set tersebut. Perkalian ketiga set ini tentunya akan menghasilkan feature vector set total yang berukuran sangat besar. Model yang dicoba pada penelitian ini adalah Conditional Random Fields, Hidden Markov Model, Long Short-Term Memory Neural Networks LSTM dan Gated Recurrent Unit. Akurasi yang terbaik yang dicapai oleh untuk LSTM 2-layer 77.04 . Keunggulan dari LSTM terletak pada inputnya yang berupa sequence-of-frames dan setiap frame direpresentasi oleh fitur lengkap, bukan fitur hasil clustering. Model sequence-of-frames lebih cocok untuk SIBI, karena gerakan isyarat SIBI memiliki long-term temporal dependencies. Error hasil prediksi banyak terjadi pada kelompok awalan dan akhiran. Hal ini karena miripnya gerakan pada isyarat-isyarat imbuhan SIBI tersebut. LSTM 2-layer yang dipakai untuk mengenali kata dasar saja memberikan akurasi yang tertinggi 95.4 .

---

ABSTRACT
SIBI is the official sign language system for the Indonesian language. The formation of SIBI gestures follow Indonesian grammar rules, including inflectional words. Inflectional words are root words with prefixes, infixes, and suffixes, or a mix of the three. Inflectional gestures are made from root word gestures, with prefix, suffix and particle gestures added in the order in which they appear, all of which is unique to SIBI. This research aims to find a suitable model that can quickly and reliably perform SIBI to text translation on inflectional word gestures. The hand movement of the signer is captured by a Kinect camera. The Kinect data was then processed to yield features for the models to use recognize the gestures. Extant research have been able to translate the alphabet, root words, and numbers from SIBI to text, but none has been able to translate SIBI inflectional word gestures. In order for the translation system to work as efficiently as possible, this research developed a new method that splits an inflectional word into three feature vector sets root, prefix, suffix . This ensures that a minimally descriptive feature sets are used. Without using this, the feature sets would otherwise be as big as the Cartesian product of the prefixes, suffixes and root words feature sets of the inflectional word gestures. Four types of machine learning models were tested Conditional Random Fields, Hidden Markov Model, Long Short Term Memory Net, dan Gated Recurrent Unit. The 2 layer LSTM, with an accuracy of 77.04 , has been proven to be the most suitable. This model 39 s performance is due to the fact that it can take entire sequences as input and doesn 39 t rely on pre clustered per frame data. The 2 layer LSTM performed the best, being 95.4 accurate with root words. The lower accuracy with inflectional words is due to difficulties in recognizing prefix and suffix gestures.

Abstrak :
Grammatical Error Correction (GEC) merupakan salah satu topik yang menarik dalam penelitian Natural Language Processing (NLP). Sudah banyak penelitian mengenai GEC untuk bahasa universal seperti Inggris dan Cina, namun sedikit penelitian mengenai GEC untuk bahasa Indonesia. Pada penelitian ini penulis mengembangkan framework GEC untuk memperbaiki kesalahan 10 jenis Part of Speech (POS) bahasa Indonesia dengan arsitektur Gated Recurrent Unit (GRU). Dataset yang digunakan adalah Indonesian POS Tagged Corpus yang disusun oleh Ruli Manurung dari Universitas Indonesia. Hasil penelitian ini berhasil memberikan rata-rata Macro-Average F0.5 Score sebesar 0.4882 dan meningkatkan kecepatan prediksi sebesar 30.1%. ......Grammatical Error Correction (GEC) is one of the exciting topics in Natural Language Processing (NLP) research. There have been many studies on GEC for universal languages such as English and Chinese, but little research on GEC for indonesian. In this study, the authors developed a GEC framework to correct ten Indonesian Part of Speech (POS) errors with the Gated Recurrent Unit (GRU) architecture. The dataset used is the Indonesian POS Tagged Corpus compiled by Ruli Manurung from the University of Indonesia. The results of this study succeeded in providing an average Macro-Average F0.5 Score of 0.4882 and increase prediction time by 30.1%

Abstrak :
Analisis sentimen adalah studi komputasi yang bertugas mengelompokkan sentimen atau opini dari teks yang ada dalam dokumen, kalimat, atau pendapat ke kelas sentimen positif, negatif, atau netral. Terdapat banyak model deep learning yang terkenal untuk analisis sentimen, dua di antaranya adalah Convolutional Neural Network (CNN) dan Gated Recurrent Unit (GRU), yang termasuk dalam Recurrent Neural Network (RNN). Bidirectional Gated Recurrent Unit (BiGRU) merupakan bagian dari Bidirectional Recurrent Neural Network (BiRNN) yang dapat bekerja secara dua arah dan memungkinkan untuk menangkap pola yang mungkin diabaikan oleh GRU. Untuk meningkatkan kinerja model menjadi lebih baik, beberapa peneliti mencoba menerapkan model hybrid dengan menggabungkan dua atau lebih model deep learning dasar. CNN memiliki keunggulan dalam mendapatkan fitur terpenting, sedangkan BiGRU dapat merepresentasikan kata dengan memperhatikan urutan dengan dua arah. Kedua model tersebut dapat digabungkan menjadi model CNN-BiGRU dan BiGRU-CNN. Implementasi kedua model dilakukan untuk data opini yang diambil dari Twitter mengenai tiga dompet digital, yaitu Gopay, OVO, dan ShopeePay. Hasil penelitian didapat bahwa kedua model memiliki kinerja yang berbeda untuk setiap dataset. Kemudian, didapat bahwa kedua model tersebut memiliki nilai akurasi dan f1 score yang tidak lebih tinggi dibandingkan model dasarnya. ...... Sentiment analysis is a computational study that is used to classify sentiments or opinions from texts in documents, sentences, or opinions into positive, negative, or neutral sentiment classes. There are many well-known deep learning models for sentiment analysis, two of which are the Convolutional Neural Network (CNN) and the Gated Recurrent Unit (GRU), which are included in the Recurrent Neural Network (RNN). The Bidirectional Gated Recurrent Unit (BiGRU) is part of the Bidirectional Recurrent Neural Network (BiRNN) which can work in both directions and allows for capturing patterns that the GRU might ignore. To improve model performance, some researchers are trying to implement a hybrid model by combining two or more basic deep learning models. CNN has the advantage of getting the most important features, while BiGRU can represent words by paying attention to the order in two directions. The two models can be combined into CNNBiGRU and BiGRU-CNN models. The implementation of the two models is used for opinion data taken from Twitter regarding three digital wallets, namely Gopay, OVO, and ShopeePay. The results showed that the two models have different performances for each dataset. Then, it was found that both models have an accuracy value and an f1 score that is not higher than the basic model.

Abstrak :
Hati adalah salah satu organ yang paling aktif secara metabolik di dalam tubuh dan berfungsi dalam proses homeostatis dan sintetik yang penting untuk kelangsungan hidup manusia. Kanker hati diperkirakan menjadi kanker keenam yang paling sering didiagnosis dan penyebab utama kematian keempat akibat kanker di seluruh dunia pada tahun 2018. Dalam mendeteksi kanker hati, terdapat metode magnetic resonance imaging (MRI) atau computed tomography (CT) yang digunakan. Namun, kurang dari 40% pasien didiagnosis pada tahap awal dan pada kanker hati lanjut hanya pilihan pengobatan paliatif yang tersedia dengan kelangsungan hidup yang buruk. Oleh karena itu, diperlukannya riset-riset terkait metode yang tepat untuk mengklasifikasi kanker hati. Salah satu metode yang dapat digunakan adalah machine learning yang menemukan pola melalui pembelajaran historis dan tren pelatihan data untuk memprediksi karakteristik data baru. Pada tugas akhir ini, dua metode machine learning yang digunakan adalah Convolutional Neural Network (CNN) dan Gated Recurrent Unit (GRU). Keutamaan dari CNN adalah adanya konvolusi yang bertugas untuk mengubah input menjadi sekumpulan fitur melalui filter atau kernel. Sedangkan keutamaan metode GRU adalah adanya update gate dan reset gate yang dapat mengingat informasi penting sebelumnya. Pada tugas akhir ini, CNN digunakan dalam mengekstraksi data citra dan GRU digunakan untuk klasifikasi data citra. Penggabungan metode CNN dan GRU menjadi CNN-GRU bertujuan untuk meningkatkan performa dari CNN dalam mengklasifikasi data citra kanker hati. CNN-GRU menghasilkan nilai akurasi terbesar 81,25% sedangkan CNN menghasilkan nilai akurasi terbesar 77,78% dari lima kali percobaan. ......The liver is one of the most metabolically active organs in the body and functions in the homeostatic and synthetic processes essential for human survival. Liver cancer is estimated to be the sixth most frequently diagnosed cancer and the fourth leading cause of cancer death worldwide in 2018. In detecting liver cancer, magnetic resonance imaging (MRI) or computed tomography (CT) methods are used. However, less than 40% of patients are diagnosed at an early stage, and in advanced liver cancer, only palliative treatment options are available with poor survival. Therefore, research is needed regarding the right method to classify liver cancer. One method that can be used is machine learning which finds patterns through historical learning and data training trends to predict the characteristics of new data. In this final project, the two machine learning methods used are Convolutional Neural Network (CNN) and Gated Recurrent Unit (GRU). The advantage of CNN is a convolution whose task is to convert the input into a set of features through a filter or kernel. Meanwhile, the advantage of GRU method is that can remember important previous information because GRU has reset and update gate. In this final project, CNN is used in extracting image data and GRU is used for image data classification. The combination of the CNN and GRU methods into CNN-GRU aims to improve the performance of CNN in classifying liver cancer image data. CNN-GRU produced the greatest accuracy value of 81.25% while CNN produced the greatest accuracy value of 77.78% from five experiments.