Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pengelompokan nasabah asuransi berdasarkan Self-Organizing Map (SOM) dan analisis cluster hierarki I Gde Angga Surjana (0399010211) Self-Organizing Map (SOM) merupakan metode pengelompokan yang dapat digunakan untuk memvisualisasikan sekaligus mengeksplorasi karakteristik data. Kombinasi antara SOM dan analisis cluster hierarki dapat menjadi metode pengelompokan yang efektif apabila digunakan pada data yang berukuran relatif besar, seperti pada data nasabah dari suatu perusahaan asuransi. Kedua metode ini digunakan untuk membentuk kelompok nasabah berdasarkan produk asuransi yang diikuti agar perusahaan dapat mengidentifikasi kebutuhan para nasabahnya akan asuransi. Hasil pengelompokan dari kedua metode ini adalah tiga kelompok utama, yaitu kelompok nasabah yang sadar asuransi, kelompok nasabah asuransi jiwa dan kelompok nasabah satu jenis asuransi tertentu.

Abstrak :
ABSTRAK
Diagnosa kesalahan dalam sistem proses kimia mendapatkan perhatian yang luas dari banyak topik penelitian. Metode jaringan syaraf tiruan merupakan salah satu pilihan dalam metode diagnosis kesalahan, tetapi dalam penerapan strateginya dengan menggunakan supervised network waktu pelatihan dan penambahan pengetahuan merupakan suatu proses yang memerlukan waktu yang lama. Dalam makalah dibahas strategi diagnosa kesalahan pada kolom distilasi dengan Kohonen Self-Organizing Map.

Karena itu strategi diagnosa kesalahan berbasiskan Kohonen Self-Organizing Map diharapkan dapat memberikan solusi terhadap masalah tersebut. Algoritma Kohonen Self-Organizing Map adalah suatu media jaringan syaraf tiruan untuk analisis dan visualisasi data dimensi tinggi. Kohonen Self-Organizing Map memetakan hubungan statistik nonlinier diantara input data yang berdimensi tinggi ke dalam suatu hubungan geometri sederhana biasanya pada kisi dua atau satu dimensi.

Strategi ini memanfaatkan proses pelabelan kluster atau vektor referensi pada peta Kohonen SOM, dan mesimulasikannya seperti pada proses pemodelan dengan Kohonen Self-Organizing Map. Dari hasil didapat bahwa kinerja yang didapatkan dari strategi tersebut sangat bergantung dari keberhasilan pemetaan untuk mendapatkan model dinamika proses kolom distilasi tersebut.

Abstrak :
ABSTRAK
Performa baik dari Self-Organizing Map (SOM) telah terbukti dalam mengklasifikasikan citra wajah yang berada dalam kondisi pencahayaan yang baik. Namun saat objek wajah mengalami pencahayaan yang berubah-ubah dan diambil dari berbagai sudut pandang berbeda, maka tingkat nilai rekognisi citra wajah dengan menggunakan metode SOM umumnya akan menurun. Dalam penelitian ini menggunakan metode Fuzzy Self-Organizing Map (FSOM) sebagai sistem pengenal wajah pada citra untuk meningkatkan nilai rekognisi citra wajah yang mengalami pencahayaan yang berubah-ubah dari berbagai sudut. Hasil penelitian menunjukkan bahwa performa FSOM untuk mengenali wajah pada data berdasarkan sudut pandang dengan tingkat rekognisi tertinggi didapatkan pada set data ke-10 saat sudut 100 pada saat wajah frontal yaitu sebesar 87%, pada data berdasarkan perubahan cahaya dengan tingkat rekognisi tertinggi pada set data ke-1 sebesar 66.88%, dan pada data berdasarkan objek wajah dengan tingkat rekognisi tertinggi pada set data ke-4 sebesar 88.33%. Berdasarkan Hasil penelitian didapatkan bahwa tingkat rekognisi rata-rata FSOM 30% lebih tinggi dari SOM pada setiap pengelompokkan data dan juga didapatkan bahwa dengan metode FSOM mampu mengenali citra dengan baik yang mengalami pencahayaan yang berubah-ubah dari sudut yang berbeda-beda.

---

ABSTRACT
Perform of Self-Organizing Map (SOM) has been proven to classify the face images in good illumination conditions. But when this technique is applied to various viewpoints of images in unstable illumination conditions, the accuracy of face recognition will decrease. In this research, Fuzzy Self-Organizing Map (FSOM) is introduced as a new technique to increase the accuracy when the images are taken from various viewpoints in the change illumination conditions. In this results from the research show that perform of FSOM to face recognition from based on the viewpoints have the highest recognition rate in the tenth data set when the viewpoints is set to be 10 degree where the images had been taken is achieved at 87%. The result has also shown that based on the illumination conditions, the highest recognition rate is achieved at 66.88% in the first data set. Based on the face objects, the most accurate recognition is achieved at 88.33% in the fourth data set. These results show that FSOM can give 30% better performance than SOM to perform face images classification in the changes illumination conditions and various viewpoints.

Abstrak :
Pembahasan mengenai serangan distributed denial of service menjadi salah satu topik utama dalam wacana keamanan internet. Walaupun penggunaannya sudah lebih dari satu dekade dan mekanisme atau cara kerjanya sudah dipahami secara luas, namun hingga saat ini masih sangat sulit untuk mendeteksi secara dini suatu serangan distributed denial of service. Lambatnya pendeteksian serangan distributed denial of service karena sulitnya membedakan antara paket normal dan paket yang berasal dari agen distributed denial of service. Kesulitan lainnya adalah besarnya jumlah paket yang dikirim, hal ini mengakibatkan lamanya waktu yang dibutuhkan untuk menganalisa, dan dapat menyebabkan akurasi pendeteksian serangan distributed denial of service menurun. Melalui penelitian ini peneliti mencoba memberikan solusi yaitu berupa metode untuk mendeteksi serangan distributed denial of service. Adapun metode yang diajukan disini yaitu dengan melakukan pendeteksian secara dini ketika terjadi serangan distributed denial of service terhadap server jaringan. Dalam melakukan pendeteksian dibutuhkan metode yang efektif untuk segera memberikan peringatan atau informasi bahwa telah terjadi serangan distributed denial of service. Metode yang peneliti ajukan adalah metode deteksi menggunakan algoritma self organizing map dengan memanfaatkan lalu-lintas flow pada jaringan dan menggunakan fitur perhitungan dari metode yang sudah ada sebelumnya, yaitu metode IP FLow. Berdasarkan hasil pengujian, metode yang diajukan berhasil meningkatkan akurasi dan mempercepat waktu deteksi serangan distributed denial of service dibandingkan metode IP Flow. ...... Discussion about distributed denial of service attack to be one of the main topics on the Internet security discourse. Although it appearance was more than a decade and it works has been widely understood, but it is still very difficult to detect at early stage of distributed denial of service attack. The delay of distributed denial of service attack detection due to difficulties in distinguishing between normal packets and packets originating from distributed denial of service agents. Another difficulty is the huge number of packets sent, it causes the length of time required to analyze, and could lead to decrease accuracy of detection. Through this study, researcher tried to provide a solution in the form of methods for detecting distributed denial of service attacks. The method proposed here is to perform early detection of a distributed denial of service attacks on a network server. Doing detection certainly needed an effective method for giving immediate warning or information that distributed denial of service attacks have occurred. The proposed method research is the detection method using self organizing map algorithm based on flow traffic on the network and by using statistical calculation taken from existing method, IP Flow method. Based on test results, the proposed method successfully improves the accuracy and speed time detection of distributed denial of service attacks than using the IP Flow method.

Abstrak :
Salah satu metode clustering yang banyak digunakan karena unggul dari sisi kestabilannya adalah metode Self Organizing Map. Pada tesis ini dibahas penggunaan metode SOM pada DNA Human Papillomavirus (HPV) yang menjadi penyebab utama penyakit kanker serviks, yaitu penyakit kanker yang menempati urutan pertama di negara berkembang. DNA HPV yang digunakan adalah sebanyak 18 buah yang diambil berdasarkan complete genome terbaru. Dengan menggunakan program berbasis opensource R, proses clustering berhasil mengelompokkan 18 tipe HPV ke dalam dua buah cluster berbeda, yang terdiri dari 2 tipe HPV di cluster pertama sementara 16 tipe HPV lainnya di cluster ke dua. Hasil analisis 18 tipe HPV adalah berdasarkan tingkat keganasannya, atau tingkat kesulitan dalam penyembuhannya. Dua di antara tipe HPV yang berada di cluster pertama tergolong jenis HPV jinak, sementara 16 tipe HPV yang berada di cluster ke dua tergolong jenis HPV ganas. ...... One of the most widely used clustering method, since it has advantage on its robustness is Self Organizing Map (SOM) method. This thesis discusses the application of SOM method on Human Papillomavirus (HPV) DNA which is a main cause of cervical cancer disease, the most dangerous cancer in developing countries. We use 18 types of HPV DNA based on the newest complete genome. By using open-source-based program R, clustering process can separate 18 types of HPV into two different clusters. There are two types of HPV in the first cluster while 16 others in the second cluster. The Analyzing result of 18 types HPV based on the malignancy of the virus (the difficultness to cure). Two of HPV types the first cluster can be classified as tame HPV, while 16 others in the second cluster are classified as vicious HPV.

Abstrak :
Jaringan komputer berunjuk kerja tinggi mempunyai peluang besar untuk dimanfaatkan dengan berbagai aphkasi ilmiah komputasi paralel dan terdistribusi. Aplikasi ilmiab pada skripsi ini diarahkan pads aphkasi jaringan syaraf tiruan (neural network) yang berguna untuk pengenalau citra. Aplikasi ini menggumkan metode pengenalan pola (pattern recognition) dengan algoritma Kohonen self-mgad2ing map. Waktu komputasi yang besar untnk mengemh suatu citra diharapkan dapat dikurangi dengam komputasi paralel. Hal ini dapat dilakukan dengan strategi pembagian data (data partitioning). Pembagian kerja ke beberapa prosesor inilah yang diharapkan dapat mempersingkat waktu komputasi. Unjuk kerja dengan percepatan (speed up) yang maksimal adalah tujuan Bari rau=gan algadtma pengenalan pola (pattem recognition) dengan metode pengenalan Kohooen self-organizing map pada jaringan paralel berbasis PVM (Parallel Virtual Machine). Peugujian dilakukan pada jaringan komputer paralel di PAU Kompnter Universitas Indonesia, Depok. Pengujian dilakukan pada jaringan homogen dan heterogen. Dan hash up coba rancangan diperoleh bahwa peroepatan proses pengenalan pola meningkat sehingga waktu komputasi menjadi lebih kecil. Metodepembagian data menghaaalkan percepatan yang sangat baik yaitu 3,$6 pada smnber daya komputasi bomogen dengan 3 prosesor dan 6,92 pads sumber daya komputasi heterogen dengan 3 prosesor.

Abstrak :
ABSTRAK
Peramalan trafik internet merupakan salah satu pendekatan yang dapat diterapkan oleh penyedia jasa internet dalam menjaga dan meningkatkan kualitas pelayanan internet yang ditawarkan. Pada penelitian ini, digunakan metode peramalan berupa kombinasi algoritma self organizing map (SOM) dan support vector regression (SVR). Metode SOM digunakan untuk membagi data historis trafik internet secara keseluruhan ke dalam beberapa cluster, sedangkan metode SVR digunakan untuk membentuk model peramalan pada setiap cluster yang terbentuk. Hasil peramalan data trafik internet pada penelitian ini menunjukkan bahwa model peramalan dengan metode SOM-SVR dapat memberikan prediksi yang lebih akurat terkait nilai error yang lebih kecil dibandingkan dengan metode SVR tunggal.

---

ABSTRACT
Traffic internet forecasting is one kind of approaches which can be implemented by internet service provider in order to keep and improve the offered internet service quality. This research uses the combination of self organizing map (SOM) and support vector regression (SVR) algorithm as forecasting method. SOM is first used to decompose the whole historical data of traffic internet into some clusters, while SVR is used to build a forecasting model in each formed cluster. The forecasting results of internet traffic data in this research show that the forecasting model by using SOM-SVR method can give more accurate prediction in terms of smaller error value compared to single SVR method.

Abstrak :
Penelitian yang dilakukan berupa pengembangan terhadap sistem pendeteksi plagiarisme otomatis sehingga dapat menerapkan jaringan saraf tiruan Self-Organizing Map SOM untuk melakukan klasifikasi terhadap hasil keluaran Latent Semantic Analysis. SOM dipilih untuk melakukan klasifikasi karena algoritma ini tidap perlu melakukan supervisi pada proses pembelajarannya sehingga dapat secara otomatis menentukan tingkat plagiarisme antar paragraf yang tidak mudah ditentukan secara langsung oleh manusia. Selain itu dilakukan perbandingan akurasi penentuan tingkat plagiarisme yang dimiliki oleh sistem apabila hanya menggunakan LSA saja, penggunaan LSA dengan SOM, dan penggunaan LSA dengan Learning Vector Quantization LVQ. Penggunaan SOM dan LVQ dilakukan untuk melakukan klasifikasi tingkat plagiarisme dari hasil keluaran LSA. Penentuan tingkat plagiarisme sudah cukup dilakukan apabila hanya menggunakan LSA saja, dimana sudah dapat menghasilkan tingkat akurasi paling tinggi yaitu 86,24. Namun, penggunaan SOM dengan jumlah kelas sebanyak 2 dengan 3 parameter memberikan rata-rata tingkat akurasi yang sedikit lebih rendah, yaitu sebesar 82,00. Sedangkan penggunaan LVQ dengan jumlah kelas sebanyak 2 dengan 3 parameter juga memberikan rata-rata tingkat akurasi yang sedikit lebih tinggi dibandingkan, yaitu sebesar 82,10.

---

This research has concern on deployment of neural network algorithm Self Organizing Map SOM in automatic plagiarism detector so it could be used to classify the output from Latent Semantic Analysis. SOM is chosen because it is an unsupervised neural network algorithm. With unsupervised neural network, it could determine the plagiarism level between paragraf automatically, which hard for human to determine it. Other than deployment of SOM, this research also focusses on the comparison of accuracy of the system if the system only deploys pure LSA, combination of LSA and SOM, and combination of LSA and Learning Vector Quantization LVQ. SOM and LVQ are used to do classification for the output from LSA. Plagiarism level could be determined by the result of LSA only. It has 86,24 as the highest accuracy level. But, the usage of SOM with 2 classes and 3 parameters gives lower average of accuracy, which is 82,00 . Therefore, usage of LVQ with 2 classes and 3 parameters gives slight better accuracy than SOM, which is 82,10.

Abstrak :
pertumbuhan ekonomi merupakan salah satu faktor penting untuk menentukan kesejahteraan suatu wilayah. akan tetapi, perbedaan kondisi geografis dan potensi wilayah menyebabkan perbedaan kondisi ekonomi yang berbeda antarwilayah. studi kasus dilakukan terhadap Provinsi Jawa Tengah karena merupakan salah satu kontributor PDRB terbesar di Indonesia, yang ternyata masih memiliki ketimpangan perekonomian antar kota dan antar kabupaten. untuk memudahkan visualisasi pertumbuhan dan penggerombolan dalam wilayah Provinsi Jawa Tengah tersebut. metode yang bisa digunakan untuk analisis gerombol sangat beragam. salah satu metode Self Organizing Map (SOM) yang mampu menggerombolkan data multidimensi disertai dengan visualisasinya dengan teknik Unsupervised Artifical Neural Network. aplikasi ini memudahkan visualisasi dan analisisnya karena diintegrasikan dengan Sistem Informasi Geografis (SIG). aplikasi yang dibuat selanjutnya digunakan untuk melakukan analisis gerombol dengan data studi kasus Provinsi Jawa Tengah. Visualisasi yang dihasilkan mampu menunjukkan pola pertumbuhan ekonomi di Provinsi Jawa Tengah namun belum terlihat adanya pemusatan kutub pertumbuhan ekonomi di Provinsi Jawa Tengah karena pola penggerombolan berdasarkan indikator pertumbuhan ekonomi masih menyebar.

Abstrak :
Bank yang menyelenggarakan program keuangan inklusif cenderung tidak melakukan diferensiasi pelayanan bagi para pelanggannya yang berasal dari populasi masyarakat unbanked. Banyak organisasi mengganggap segmen keuangan inklusif sebagai ladang yang kurang populer dalam mendapatkan keuntungan, karena kecilnya pemasukan dan besarnya biaya operasional yang dibutuhkan. Namun, beberapa studi sebelumnya tentang keuangan inklusif dan segmentasi pelanggan telah menentang gagasan ini dan menyatakan bahwa klasifikasi lebih lanjut terhadap kategori pelanggan khusus ini dapat membawa keuntungan bagi pihak bank. Segmentasi pelanggan sering dilakukan menggunakan model Recency, Frequency, dan Monetary (RFM) untuk mendapatkan nilai pelanggan bagi perusahaan. Penelitian ini bertujuan untuk membuat model prediksi segmen pelanggan dalam konteks keuangan inklusif, dengan menerapkan penggunaan dua teknik data mining Self-Organizing Map (SOM) dan C5.0 decision tree (DT) secara hybrid. Analisa sosioekonomi, regional, dan pengeluaran digunakan untuk menilai pelanggan, alih-alih menggunakan RFM. Penelitian ini juga mempelajari pengaruh SOM terhadap kinerja klasifikasi keseluruhan, yang dievaluasi menggunakan confusion matrix. Dataset yang digunakan memiliki struktur generik sehingga model ini diharapkan dapat membantu pengembangan program keuangan inklusif pada institusi keuangan penyelenggara keuangan inklusif lainnya. ...... Banks adopting financial inclusion program often exclude differentiation in their services towards the target customers. Many organizations consider financial inclusion inflicts huge operational costs hence it is deemed infamous for profit gain. Previous studies in financial inclusion and customer segmentation have challenged this notion, concluding that further classification of this particular customer class could indeed bring profit for the bank and such that maintaining existing profiting customers induce less cost than the effort of acquiring new customers. Customer segmentation is often done using the Recency, Frequency and Monetary (RFM) model to assess a customer's value for the company. This study aims to model customer segment predictions in the context of financial inclusion, using socioeconomic, regional, and expenditure analyses to assess customer values. Two data mining techniques Self-Organizing Map (SOM) and C5.0 decision tree (DT) are used in a hybrid setting. This study also observes the effect of SOM on overall classification performance, which is evaluated using confusion matrix. Due to the generality of the input dataset, the prediction model is expected to be usable, with minimal adjustments, by other financial inclusion institutions in need of customer segmentation.