Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
General Linear Mixed Model merupakan model di mana variabel response dipengaruhi oleh faktor fixed dan faktor random. Parameter dari faktor fixed dan random (efek fixed dan random) pada model tersebut tidak diketahui nilainya sehingga harus dilakukan penaksiran. Adapun metode yang digunakan untuk menaksir efek fixed dan random, diantaranya adalah BLUP dan EBLUP. Setelah didapatkan taksiran parameter, selanjutnya akan dilihat seberapa baik taksiran parameter yang diperoleh, yaitu dengan cara mencari Mean Squared Error (MSE) pada General Linear mixed Model. Karena metode penaksiran yang digunakan adalah BLUP dan EBLUP maka pada Tugas Akhir ini akan dibahas mengenai MSE BLUP, MSE EBLUP, dan penaksiran pada MSE EBLUP. Penaksiran ini dilakukan karena nilai dari MSE EBLUP bergantung pada parameter dari variansi efek random yang tidak diketahui nilainya. Kemudian, cara yang digunakan untuk menaksir MSE EBLUP adalah dengan mensubstitusikan taksiran parameter dari variansi efek random ke dalam MSE EBLUP.

Abstrak :
ABSTRAK
Dengan semakin banyaknya bidang keilmuan yang menggunakan bantuan eye-tracker untuk mencapai terobosan baru di masing-masing bagiannya, titik fiksasi sebagai lokasi responden menghentikan pergerakan mata dan kemungkinan besar dilakukan untuk mencoba mencerna informasi yang terdapat di area tersebut lalu dijadikan pertimbangan untuk pengambilan keputusan menjadi sangat penting untuk diketahui. Menjawab kebutuhan tersebut, penulis mengembangkan sebuah model Neural Network menggunakan bantuan MATLAB untuk memprediksi output dari proses yang dilakukan terhadap titik fiksasi asli hasil percobaan eye-tracking dengan cara melatih dan menguji berbagai jenis kombinasi fungsi transfer antar layer dan fungsi training yang ada pada Neural Network dengan tujuan mencari kombinasi fungsi yang memberikan nilai MAPE (Mean Absolute Percent Error) dan MSE (Mean Squared Error) terkecil, jumlah iterasi training terkecil, dan durasi training yang paling singkat

---

ABSTRACT
With the increasing number of scientific fields which use the eye-tracker to achieve new breakthroughs in their each part, the fixation point as the location of the respondent to stop the movement of their eyes and most likely done to try to digest the information contained in the area and taken that information into consideration for the decision making to be very important to know. Answering this need, the authors developed a model of Neural Network using the help of MATLAB to predict the output from the process undertaken to original fixation point results of eye-tracking experiment by training and test various types of combinations of transfer functions between the layers and training functions that exist in Neural Network with the purpose of seeking a combination of functions that give the smallest MAPE (Mean Absolute Percent Error) and MSE (Mean Squared Error) value, the smallest number of training iterations, and the shortest duration of the training

Abstrak :
Beberapa perusahaan asuransi memiliki produk asuransi kesehatan yang menjamin pembayaran klaim atas penyakit tuberkulosis. Salah satu komponen penentu tarif premi adalah tingkat morbiditas sehingga peramalan tingkat morbiditas merupakan hal yang penting bagi perusahaan asuransi. Penelitian ini membahas peramalan tingkat morbiditas tuberkulosis di Indonesia dengan menggunakan model jaringan Recurrent Neural Network (RNN), yang merupakan bagian dari Deep Learning, dan grey model. Performa dari kedua model tersebut dibandingkan melalui nilai mean squared error (MSE) dan mean absolute percentage error (MAPE) yang dihasilkan. Hasilnya menunjukkan bahwa grey model memiliki akurasi yang lebih baik dibandingkan RNN. ......Several insurance companies sell health insurance products that cover tuberculosis risk. One principal component to determine the insurance premium that must be paid by the insured is the morbidity rate. Therefore, morbidity rate forecasting is essential for an insurance company. In this research, we present the Indonesia tuberculosis morbidity rate forecasting using Recurrent Neural Network (RNN), which is part of deep learning, and grey model. The performance of two models is compared in term mean squared error (MSE) and mean absolute percentage error (MAPE). The results show that the grey model outperform the RNN.

Abstrak :
Peramalan produksi di masa mendatang sangat penting di dalam proses evaluasi pada industri minyak dan gas bumi. ARPS Decline Curve adalah metode ini mudah untuk digunakan tetapi ketidak pastian parameternya sulit untuk diprediksi...

Abstrak :
Fixation points, as the stopping location of eye movements, can be extracted to generate valuable information about a picture or an object. This information is valuable as it enables the identification of the area/part of the picture that attracts people’s attention, which can be used as a consideration when making decisions in the future, for example in marketing. For this reason, in this study, a Neural Network (NN) model was developed to predict the fixation points of a picture. Specifically, the authors experimented with various transfer and training functions in the NN in order to determine which causes the fewest errors. The results show that the method used is applicable in practice since it produces MAPE (Mean Absolute Percent Error) of around 13–15% and MSE (Mean Squared Error) of 0.9–1.1%.

Abstrak :
Teknologi speech coding untuk kompresi sinyal speech dilakukan untuk menghemat konsumsi bandwidth. Salah satu metode analisis speech coding adalah Linier Predictive Coding (LPC). LPC adalah suatu metode yang memprediksi sampel ke-n dari suatu sinyal, s(n), dengan membentuk kombinasi linier dari p sampel sebelumnya. Algoritma Mixed Excited Linier Prediction (MELP) merupakan algoritma kompresi suara yang dikembangkan berdasarkan algoritma LPC. Pada coder MELP dilakukan pencampuran sinyal eksitasi pulsa dan noise untuk menghilangkan dengung yang dihasilkan LPC biasa. Pemilihan nilai koefisien linear prediction (LP) yang memiliki nilai Mean Square Error (MSE) terkecil terhadap sinyal asli dilakukan. Koefisien LP yang memiliki nilai MSE terkecil inilah yang akan dikirimkan sebagai model untuk membangkitkan sinyal suara kembali pada penerima. Dari hasil simulasi diperoleh bahwa model yang memiliki nilai MSE terkecil terhadap sinyal asli adalah yang memiliki jumlah koefisien LP sebanyak 10,15 dan 17 buah bergantung darijenis input suara.

Abstrak :
Data clustering is one of the major areas in data mining. The bisecting clustering algorithm is one of the most widely used for high dimensional dataset. But its performance degrades as the dimensionality increases. Also, the task of selection of a cluster for further bisection is a challenging one. To overcome these drawbacks, we developed a novel partitional clustering algorithm called a HB-K-Means algorithm (High dimensional Bisecting K-Means). In order to improve the performance of this algorithm, we incorporate two constraints, such as a stability-based measure and a Mean Square Error (MSE) resulting in CHB-K-Means (Constraint-based High dimensional Bisecting K-Means) algorithm. The CHB-K-Means algorithm generates two initial partitions. Subsequently, it calculates the stability and MSE for each partition generated. Inference techniques are applied on the stability and MSE values of the two partitions to select the next partition for the re-clustering process. This process is repeated until K number of clusters is obtained. From the experimental analysis, we infer that an average clustering accuracy of 75% has been achieved. The comparative analysis of the proposed approach with the other traditional algorithms shows an achievement of a higher clustering accuracy rate and an increase in computation time.

Abstrak :
Data clustering is one of the major areas in data mining. The bisecting clustering algorithm is one of the most widely used for high dimensional dataset. But its performance degrades as the dimensionality increases. Also, the task of selection of a cluster for further bisection is a challenging one. To overcome these drawbacks, we developed a novel partitional clustering algorithm called a HB-K-Means algorithm (High dimensional Bisecting K-Means). In order to improve the performance of this algorithm, we incorporate two constraints, such as a stability-based measure and a Mean Square Error (MSE) resulting in CHB-K-Means (Constraint-based High dimensional Bisecting K-Means) algorithm. The CHB-K-Means algorithm generates two initial partitions. Subsequently, it calculates the stability and MSE for each partition generated. Inference techniques are applied on the stability and MSE values of the two partitions to select the next partition for the re-clustering process. This process is repeated until K number of clusters is obtained. From the experimental analysis, we infer that an average clustering accuracy of 75% has been achieved. The comparative analysis of the proposed approach with the other traditional algorithms shows an achievement of a higher clustering accuracy rate and an increase in computation time.