Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Hubungan Indonesia - Australia dapat dikatakan sebagai ‘strange neighbour karena kedua negara memiliki kedekatan secara geografis tetapi merniliki kesenjangan sosio historis yang sangat besar. Tesis ini berupaya menjelaskan hubungan bilateral yang teijadi diantara kedua negara berdasarkan kebijakan luar negeri kedua negara. Sebagai sebuah negara yang memiliki sistem pemerintahan yang telah mapan, kebijakan luar negeri Australia secara umum telah digariskan dalam buku putih pertahanan Australia. Dalam hal ini, penulis berupaya memetakan pola kebijakan luar negeri yang dimiliki berdasarkan buku putih pertahanan yang ditetapkan dcngan btiku putih pertahananyang dimiliki oleh AustraIia.,Di sisi Iain, buku putih pertahanan Indonesia tidak banyak mcnggambarkan kebijakan luar negeri yang dirniliki oleh negara ini, sehingga pola kebijakan luar negeri yang dimiliki oleh Indonesia dipetakan melaui periode pemerintahan di Indonesia. Meskipun dalam tcsis ini kcbijakan luar negeri Australia yang dibahas didasarkan pada buku putih pertahanan yang dimiliki, perubahan konstelasi politik intemasional dan aktor penting di Australia juga akan tetap dibahas. Mengingat faktor intemasional, negara clan aktor sebuah negara tidak dapat dipisahkan dalam pembuatan kebijakan luar negeri. peran Indonesia dalam dunia internasional juga akan dibahas sebagai upaya menjelaskan kebijakan luar negeri Indonesia secara umum. Dengan melakukan komparasi terhadap kebijakan luar negeri kedua negara, dapat digambarkan kemungkinan kebijakan luar negeri yang akan ditetapkan Australia terhadap Indonesia, schingga dapat mcmberikan masukan kepada Indonesia dalam menetapkan kebijakan luar negerinya terutama dalam menjalin hubungan bilateral dcngan Australia. ......Indonesia - Australia relations can be mentioned as a “strange neighbour" because of these countries close geographis and huge sociohistoric discrepancy. This thesis try to explain the bilateral relations between both countries based on their foreign policies. As a country that has established its governmental system, Australia’s foreign policy has been outlined in Austra1ia’s defence white papers. On the oher hand, Indonesia’s defence white papers does not much describe its foreign policy, therefore the pattem of Indonesia’s foreign policy is mapped by the period ofthe government in Indonesia. Although in this thesis, Australian foreign policy is dismissed based on its defence white papers,the changes of intemational political constellation, state and important actor in Australia will remained to be discussed. Given the intemational factor, thc state and a _state actor can not be separated in the making of tbreign policy. Indoncsia’s role in the intemational world will also be discussed as an attempt to explain lndonesia‘s foreign policy in general. By doing a comparison to the foreign policy of both countries, the Australia's foreign policy to Indonesia can be estimated, so as to provide input to Indonesia in the making of its foreign policies especially in the bilateral relationship with Australia.

Abstrak :
Tujuan dari tesis ini ada dua. Pertama melihat kondisi Produktivitas Kota/Kabupaten dan Komponen Shift-share (Industrial Mix, Differential Productivity Sectoral dan Allocative) serta membandingkan dengan Kota/Kabupaten tetangga di region makro Jawa. Kedua menentukan pengaruh faktor Produktivitas Kota/Kabupaten tetangga terhadap Produktivitas Kota/Kabupaten di region makro Jawa. Kasus yang ditelaah adalah 110 Kota/Kabupaten di region makro Jawa dan 9 sektor tahun 2003, penulis menggunakan cara kerja Kamarianakis (2003), dimana Spatial Shift-share dipakai. Hasil yang didapat menunjukkan bahwa di region makro Jawa faktor Produktivitas Kota/Kabupaten tetangga mempengaruhi Produktivitas Kota/Kabupaten.

Abstrak :
ABSTRAK
Pertumbuhan penduduk selalu diiringi dengan peningkatan timbulan sampah. Permasalahan peningkatan volume sampah menjadi penting jika tidak diimbangi upaya penanganannya. Pemerintah Provinsi DKI Jakarta melalui Dinas Lingkungan Hidup Provinsi DKI Jakarta berupaya untuk menangani permasalahan sampah tersebut dengan membangun alternatif fasilitas tempat pengolahan sampah di dalam kota. Fasilitas pengolahan sebagaimana dimaksud yaitu Pembangkit Listrik Tenaga Sampah PLTSa atau Fasilitas Pengolahan Sampah Antara. Keberlanjutan operasional dan hasil produksi dari fasilitas tersebut dipengaruhi oleh jumlah pasokan sampah sebagai bahan baku utamanya, dan hal tersebut juga dipengaruhi oleh optimalisasi rute transportasi pengangkutan sampah menuju fasilitas tersebut. Tujuan riset ini yaitu mengembangkan model yang dapat mengoptimumkan rute pengangkutan sampah dari sumber sampai Fasilitas Pengolahan Sampah Antara. Metode yang digunakan adalah Nearest Neighbour yaitu untuk membentuk rute perjalanan truk untuk melayani TPS yang paling dekat dengan lokasi yang terakhir dikunjungi. Hasil riset dengan metode Nearest Neighbour ini diperoleh rute dan trip yang baru berimplikasi pada pengangkutan sampah yang lebih mengoptimumkan dari sisi kapasitas angkut, waktu tempuh, jarak tempuh, serta terjadinya penurunan dari kondisi sebelumnya terhadap kebutuhan pengadaan truk sampah sebesar 39,16 , penurunan biaya BBM sebesar 35,64 , gaji SDM sebesar 39,16 , dan penurunan emisi Gas Rumah Kaca sebesar 35,64 . Kesimpulan penerapan rute dan trip baru tersebut sangat berdampak positif pada sisi ekonomi untuk menghemat biaya operasional, mengurangi dampak sosial yang terjadi dari keterlambatan pengangkutan sampah di sumber, dan mengurangi emisi yang terjadi dari operasional transportasi pengangkutan sampah.

---

ABSTRACT
Population growth is always accompanied by an increase in waste generation. The issue of increasing the volume of waste becomes important if it is not balanced with the handling efforts. The Provincial Government of DKI Jakarta through the Environment Agency of DKI Jakarta Province seeks to address the waste problem by building alternative facilities in the city waste processing facilities. The processing facilities referred to are the Waste Power Generation or Intermediate Treatment Facility. The operational sustainability and production output of the facility is influenced by the amount of waste supply as its main raw material, and it is also influenced by the optimization of the transportation route of waste transport to the facility. The purpose of this research is to develop a model that can optimize the route of transporting waste from the source to Intermediate Treatment Facility. The method used is Nearest Neighbor which is to form a truck travel route to serve the temporary waste shelter closest to the last visited location. The result of this research using Nearest Neighbours method is obtained by route and trip that has new implication on garbage transportation which more optimize from the side of transport capacity, travel time, distance, and decrease from previous condition to the requirement of garbage truck procurement equal to 39,16 , fuel cost of 35.64 , human resources salary of 39.16 , and 35.64 reduction in greenhouse gas emissions. The conclusion of the implementation of the new routes and trips has a very positive impact on the economic side to save operational costs, reduce the social impacts of delays in transporting waste at sources, and reduce emissions from transportation operations.

Abstrak :
Non-Intrusive Load Monitoring (NILM) memungkinkan pendeteksian peralatan yang aktif atau tidak aktif bahkan karakteristik untuk setiap peralatan yang dipasang di rumah, industri, laboratorium, dll, dengan mendisagregasi total konsumsi listrik yang diukur di panel daya pusat. Penerapan NILM untuk energi efisiensi, manajemen energi, dan diagnosa peralatan di rumah tangga, industri atau penyedia energi telah menunjukkan peningkatan yang menjanjikan. Metode K-NN adalah salah satu metode machine learning yang paling sederhana dan umum digunakan untuk klasifikasi dengan kinerja yang baik dan bersaing dengan metode yang bahkan lebih kompleks. KNN memiliki 3 karakteristik yang dapat diubah dan dioptimalkan untuk memberikan hasil akurasi yang lebih baik, yaitu dari sisi data, algoritma jarak, dan nilai k. Dalam makalah ini metode K nearest neighbor (KNN) dilakukan pada data NILM AMPds2 yang memiliki load karakteristik yang mirip antar peralatan yang berbeda, dengan 9 algoritma jarak yang berbeda, 7 jumlah data training (10% -70%) dan dilakukan untuk variasi k ( 1-25) pada input daya Aktif serta input daya Aktif dan Reaktif untuk didapatkan hasil terbaik, Selain itu dilakukan juga metode Backpropagation Neural Network (BPNN) dengan variasi data training sebesar 25%, 50%, 75% dan 100%, jumlah hidden 10, 20 dan 30, dan jumlah iterasi 50000 dan 150000 dengan input daya aktif dan reaktif data dan 2 metode input yaitu input statis dan dinamis, dan pada akhirnya perbandingan kinerja antara metode KNN dan backpropagation untuk memisahkan data NILM AMPds2 telah dilakukan. Dari hasil pengujian dan penelitian didapatkan bahwa dengan menambahkan data daya reaktif sebagai input, hasil disagregasi pada data NILM yang mempunyai load karakteristik yang sama antara peralatan yang berbeda dengan metode KNN diperoleh akurasi lebih dari 20% lebih akurat sampai dengan 95% akurasi, dan memiliki nilai precision dan recall mencapai 0.9565, dan perbandingan performansi antara metode KNN input daya aktif dan reaktif dan metode backpropagation input daya aktif dan reaktif untuk memisahkan data NILM AMPds2 ke dalam kluster didapatkan hasil bahwa metode KNN input daya aktif dan reaktif memiliki akurasi yang bersaing dengan akurasi 95% sedangkan akurasi hasil backpropagation input dinamis 99.85%. ......Non-Intrusive Load Monitoring (NILM) enables detection of appliances that are active or non-active even characteristics for each equipment installed in homes, industries, laboratories, etc by disaggregating total electrical consumption at the Central Power panel. The application of NILM for energy efficiency, energy management, and diagnostic equipment in households, industries or energy providers has shown promising improvement. The K-NN method is one of the most simple and commonly used machine learning methods for classifying with good performance and competing with even complex methods. K-NN has 3 characteristics that can be changed and optimized to provide better accuracy results, namely in terms of data, distance algorithm, and k value. In this paper the K nearest neighbor (KNN) method is performed on NILM AMPds2 data which having distinctive similar load characteristic between different appliances, with 9 different distances, 7 types of total training data (10% -70%) and performed for k (1-25) in single input (Active Power) and double input (Active and Reactive Power) for best result, In addition, the Backpropagation Neural Network (BPNN) methode was also carried out with variations in the training data amount of 25%, 50%, 75% and 100%, hidden number of 10, 20 and 30, and iterations number of 50000 and 150000 in double input data and 2 input methodes which are static input and dynamic input, and in the end performance comparison between KNN and backpropagation methods to disaggregate NILM AMPds2 data had done. From test and research results it was found that by adding reactive power data as input, the disaggregation results on NILM data which having distinctive similar load characteristic between different appliances with KNN methode were more than 20% accurate up to 95% accuracy and had higher precision and recall value also up to 0.9565, and also performance comparison between KNN double input and backpropagation double input methode to disaggregate NILM AMPds2 data into clusters result was found that KNN methode has shown good competitive result up to 95% accuracy while backpropagation with dynamic input accuracy result is 99.85 %.

Abstrak :
Gen var merupakan famili gen pada Plasmodium falciparum yang mengkode PfEMP1 (Plasmodium falciparum Erythrocyte Membrane Protein 1) pada permukaan eritrosit yang terinfeksi parasit. Penelitian bertujuan mengkarakterisasi variasi ekspresi gen var dan melihat motif conserved (homolog) sekuens gen var pada domain DBLγ dari isolat klinis P. falciparum pada penderita malaria di Rumah Sakit Mitra Masyarakat, Timika, Papua. Penelitian dilakukan di Laboratorium Malaria 2, Lembaga Biologi Molekuler Eijkman selama 8 bulan. Domain DBLγ pada PfEMP1 diamplifikasi secara in vitro dengan teknik PCR menggunakan primer DBLγ degenerate, yang menghasilkan pita dengan kisaran ukuran 500--700 pb. Produk PCR DBLγ kemudian diligasikan dengan vektor plasmid pGEM®-T easy dan ditransformasikan ke dalam Escherichia coli strain DH5α dengan metode heat shock. Transforman diseleksi pada medium agar Luria-Bertani ampisilin. Hasil penapisan biru-putih dan PCR insert checking menunjukkan adanya 1-- 33 koloni yang positif mengandung insert dari masing-masing sampel. DeoxyriboNucleic Acid koloni positif tersebut kemudian di-sequencing. Hasil sequencing dan alignment menunjukkan adanya variasi ekspresi gen var dan motif conserved (homolog) dari isolat klinis P. falciparum dari Timika, Papua. Berdasarkan alignment sekuens asam amino, terdapat 1--9 variasi ekspresi gen var pada klona tiap sampel. Rekonstruksi pohon filogenetik dilakukan dengan metode Neighbour-Joining dengan program komputer PHYLIP. iv Berdasarkan pohon tersebut, terdapat hubungan kekerabatan atau persamaan sekuens asam amino antara sampel isolat klinis P. falciparum dari Timika, Papua dan sekuens asam amino DBLγ dari database (www.ncbi.nlm.nih.gov) dan (www.plasmodb.org).

Abstrak :
Dunia digital khususnya image processing berkembang seiring waktu berjalan dikarenakan kebutuhan masyarakat dan pentingnya keamanan sistem berbasis digital. Salah satu teknologi yang sangat mengalami kemajuan pesat adalah pengenalan wajah (face recognition) menggunakan artificial intelligence. Wajah seseorang yang sudah terdaftar di dalam database akan dikenali oleh sistem untuk keperluan validasi atau verifikasi. Di dalam penelitian ini dirancang sistem pengenalan wajah (face recognition) menggunakan algoritma machine learning dan Principal Component Analysis (PCA) sebagai pereduksi dimensi. Pengujian dilakukan dengan menggunakan beberapa metode, yakni: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K- NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) dan Convolutional Neural network (CNN). CNN berfokus pada layer dan tidak memerlukan reduksi dimensi, sehingga hasilnya lebih akurat. Model machine learning yang digunakan untuk classifier selain CNN adalah standar/default, sedangkan CNN menggunakan arsitektur LeNet-5, dengan dropout rate sebesar 0.25. Training dilakukan selama 60 epoch dengan loss function crosscategorical entropy, optimizer Adam, dan batch size sebesar 20. Data masukan adalah citra wajah berukuran 64 × 64 × 1 yang diperoleh dari dataset olivetti faces. Akurasi tertinggi metode PCA, SVM, maupun LR sebesar 91.25%, sementara akurasi terbaik CNN mencapai 98.75%. Selain akurasi, pemakaian confusion matrix dan classification report digunakan untuk menguji performa metode yang ada melalui evaluasi model klasifikasi. ......The digital world, especially image processing, is evolving due to the needs of society and the importance of digital-based system security. One of the technologies that are rapidly progressing is face recognition using artificial intelligence. The system will recognize a person's face already registered in the database for validation or verification purposes. A face recognition system was designed using machine learning algorithms and Principal Component Analysis (PCA) as dimension reduction in this study. Testing is conducted using several methods: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K-NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) and Convolutional Neural network (CNN). CNN focuses on layers and does not require dimensional reduction to increase the accuracy of the result. The machine learning model used for classifiers other than CNN is standard/default settings, while CNN uses the LeNet-5 architecture, with a dropout rate of 0.25. The training was conducted for 60 epochs with loss function cross-categorical entropy, optimizer Adam, and batch size of 20. Input data is a 64 × 64 × 1 facial image obtained from the Olivetti faces database. The highest accuracy of PCA, SVM and LR methods was 91.25%, while CNN's best accuracy reached 98.75%. In addition to accuracy, the use of confusion matrix and classification report is used to test the performance of existing methods through the evaluation of classification models.