Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Perkembangan berbagai macam penggunaan serta aplikasi internet akhir-akhir ini yang membutuhkan bandwidth yang besar semakin mempertegas diperlukannya suatu akses internet broadband dengan data rare yang tinggi untuk menggantikan akses internet menggunakan modem dial-up, sehingga pengguna intemet dapat mengimbangi laju kebutuhan bandwidth tersebut.

Dua teknologi akses internet baru yang mampu memberikan akses internet broadband adalah ADSL dan cable modem. Pada skripsi ini kedua teknologi tersebut diperbandingkan dari segi ketersediaan akses (aksesibiltas) dan kemungkinan pengembangan (skalabilitas) untuk melihat mana yang lebih baik dan lebih menjanjikan bagi penyelenggaranya.

Pada akhir skripsi ini disimpulkan bahwa ADSL untuk saat ini memiliki aksesi bilitas dan skalabilitas yang lebih baik dibandingkan cable modem, namun pada perkembangan selanjutnya dengan adanya standar yang pasti dan perkembangan pengguna internet di rumah-rumah maka cable modem juga akan memiliki aksesibilitas dan skalabilitas yang mampu menyaingi ADSL.

---

Abstrak :
Klaim asuransi merupakan salah satu elemen penting dalam bidang jasa asuransi. Klaim severity mengacu pada besarnya dana yang harus dikeluarkan untuk memperbaiki kerusakan yang terjadi. Besarnya klaim asuransi dipengaruhi oleh banyak faktor. Hal ini menyebabkan volume data menjadi sangat besar. Sehingga diperlukan suatu metode yang tepat dalam memprediksi besarnya klaim severity untuk data besar. Salah satu metode yang dapat digunakan untuk menyelesaikan permasalahan tersebut yaitu Random Forest yang merupakan salah satu metode machine learning. Tesis ini mengaplikasikan model Random Forest untuk menyelesaikan masalah prediksi besarnya klaim severity pada asuransi mobil serta menganalisis pengaruh jumlah fitur yang digunakan pada model Random Forest terhadap akurasi model sebagai alternatif solusi terkait Big Data. Hasil simulasi menunjukkan bahwa model Random Forest dapat diterapkan pada kasus prediksi klaim severity yang merupakan kasus regresi dalam konteks machine learning. Dengan menggunakan 1⁄3 dari keseluruhan fitur yang ada, model Random Forest dapat menghasilkan akurasi yang setara dengan akurasi yang diperoleh ketika menggunakan seluruh fitur dalam membangun model, yaitu sekitar 99%. Hasil ini menunjukkan skalabilitas yang baik dari Random Forest terutama ditinjau dari jumlah fitur. Sehingga, model Random Forest dapat digunakan sebagai solusi untuk masalah Big Data terkait volume data.

---

The insurance claim is one of the important elements in the field of insurance services. Claim severity refers to the amount of fund that must be spent to repair the damage. The amount of insurance claim is influenced by many factors. This causes the volume of data to be very large. Therefore, a suitable method is required. Random Forest, one of the machine learning methods can be implemented to handle this problem. This thesis applies the Random Forest model to predict the amount of this claim severity on car insurance. Furthermore, analysis on the effect of the number of features used on model accuracy is conducted. The simulation result show that the Random Forest model can be applied in cases of prediction of claim severity which is a case of regression in the context of machine learning. Only by using 1⁄3 of the overall features, the accuracy of Random Forest model can produce accuracy that is comparable to that obtained when using all features, which is around 99%. This result confirms the scalability of Random Forest, especially in terms of the number of features. Hence, Random Forest model can be used as a solution to Big Data problems related to data volume.

Abstrak :
Integrasi teknik-teknik data mining ke dlaam DBMS, khususnya Object-Rational DBMS (ORDBMS), masih merupakan bidang penelitian yang aktif. Isu utama pada integrasi ini adalah: peleburan algoritma data mining ke dalam ORDBMS dengan memanfaatkan fitur-fiturnya untuk memperbaiki kualitas teknik tersebut. Pada penelitian ini, algoritma klasifikasi C4.5 dikembangkan dengan pendekatan aljabar relasional dan diintegrasikan ke dalam ORDBMS sebagai prosedur-prosedur tersimpan Java dan berbasis SQL,. Dengan tujuan untuk meningkatkan skalabilitas dan efisiensinya. Hasil eksperimen menunjukkan bahwa algoritma yang sudah diintegrasikan berhasil memperbaiki skalabilitas dan pada kasus khusus juga memperbaiki efisiensi.

Abstrak :
Pilar adalah unit struktural penting yang digunakan untuk memastikan keselamatan penambangan di tambang batuan keras bawah tanah. Oleh karena itu, prediksi yang tepat mengenai stabilitas pilar bawah tanah sangat diperlukan. Salah satu indeks umum yang sering digunakan untuk menilai stabilitas pilar adalah Safety Factor (SF). Sayangnya, batasan penilaian stabilitas pilar menggunakan SF masih sangat kaku dan kurang dapat diandalkan. Penelitian ini menyajikan aplikasi baru dari Artificial Neural Network-Backpropagation (ANN-BP) dan Deep Ensemble Learning untuk klasifikasi stabilitas pilar. Terdapat tiga jenis ANN-BP yang digunakan untuk klasifikasi stabilitas pilar dibedakan berdasarkan activation function-nya, yaitu ANN-BP ReLU, ANN-BP ELU, dan ANN-BP GELU. Dalam penelitian ini juga disajikan alternatif pelabelan baru stabilitas pilar dengan mempertimbangkan kesesuaiannya dengan SF. Stabilitas pilar diperluas menjadi empat kategori, yaitu failed dengan safety factor yang sesuai, intact dengan safety factor yang sesuai, failed dengan safety factor yang tidak sesuai, dan intact dengan safety factor yang tidak sesuai. Terdapat lima input yang digunakan untuk setiap model, yaitu pillar width, mining height, bord width, depth to floor, dan ratio. Hasil penelitian menunjukkan bahwa model ANN-BP dengan Ensemble Learning dapat meningkatkan performa ANN-BP dengan average accuracy menjadi 86,48% dan nilai F2 menjadi 96,35% untuk kategori failed dengan safety factor yang tidak sesuai. ......Pillars are important structural units used to ensure mining safety in underground hard rock mines. Therefore, precise predictions regarding the stability of underground pillars are required. One common index that is often used to assess pillar stability is the Safety Factor (SF). Unfortunately, such crisp boundaries in pillar stability assessment using SF are unreliable. This paper presents a novel application of Artificial Neural Network-Backpropagation (ANN-BP) and Deep Ensemble Learning for pillar stability classification. There are three types of ANN-BP used for the classification of pillar stability distinguished by their activation functions: ANN-BP ReLU, ANN-BP ELU, and ANN-BP GELU. This research also presents a new labeling alternative for pillar stability by considering its suitability with the SF. Thus, pillar stability is expanded into four categories: failed with a suitable safety factor, intact with a suitable safety factor, failed without a suitable safety factor, and intact without a suitable safety factor. There are five inputs used for each model: pillar width, mining height, bord width, depth to floor, and ratio. The results showed that the ANN-BP model with Ensemble Learning could improve ANN-BP performance with an average accuracy of 86.48% and an F2-score of 96.35% for the category of failed with a suitable safety factor.

Abstrak :
Peningkatan angka kasus COVID-19 yang tidak terkendali mengakibatkan fasilitas kesehatan di Indonesia kurang mampu untuk menampung seluruh pasien yang terinfeksi COVID-19. Sementara itu, pasien COVID-19 harus mendapatkan pengobatan dan perawatan. Salah satu upaya untuk yang dilakukan adalah isolasi mandiri bagi pasien tanpa gejala dan bergejala ringan. Penelitian ini dilakukan dengan tujuan mengeksplorasi akses pasien COVID-19 untuk memperoleh obat saat isolasi mandiri di rumah serta kendala yang dialami saat isolasi. Instrumen penelitian menggunakan kuesioner yang dikembangkan oleh peneliti berdasarkan studi literatur dan telah divalidasi dua tahap. Kuesioner disebarkan secara online dan mendapatkan 115 responden sebagai subjek penelitian. Butir pertanyaan kuesioner memuat tentang data sosiodemografi, gambaran keadaan subjek saat melakukan isolasi mandiri, dan aspek – aspek akses obat (aksesibilitas, ketersediaan, keterjangkauan). Sebagian besar responden melakukan isolasi mandiri pada periode Januari – Maret (53,2%). Persebaran responden paling banyak melakukan isolasi mandiri di Jakarta (45,22%). Ditinjau dari persentase tertinggi setiap aspek, 71,3% mengatakan sangat mudah dalam aspek aksesibilitas, 48,7% mengatakan ketersediaan obat cukup baik, dan 41,7% mengatakan harga obat cukup terjangkau. Adapun kendala yang terjadi selama isolasi mandiri, seperti kemacetan lalu lintas sehingga membutuhkan waktu lebih untuk ke fasilitas kesehatan, informasi obat tidak valid, serta harga antivirus mahal dengan ketersediaan yang minim. Uji komparatif dilakukan untuk mengetahui faktor yang mempengaruhi akses obat dan terdapat perbedaan bermakna pada variabel periode COVID-19 (p=0,003). Dari hasil analisis skor akses obat, disimpulkan bahwa akses obat saat isolasi mandiri mudah (89,6%) bagi pasien COVID-19 di Jabodetabek. ......The number of COVID-19 cases that increased uncontrollably cause the health facilities in Indonesia being unable to accommodate all patients infected with COVID-19. Meanwhile, patients must receive treatment and care. One of the efforts to do is self- isolation for asymptomatic patients and mild symptoms. This study was conducted with the aim of exploring the accessibility of COVID-19 patients to obtain medication during self-isolation at home and the obstacles experienced during isolation. The research instrument used a questionnaire developed by the researcher based on a literature study and was validated in two stages. The questionnaire was distributed online and got 115 respondents as research subjects. Questionnaire items contain sociodemographic data, a description of the subject's condition when doing self-isolation, and aspects of drug access (accessibility, availability, affordability). Most of the respondents self-isolated in the January – March period (53.2%). The distribution of respondents who mostly self- isolated in Jakarta (45.22%). Judging from the highest percentage of each aspect, 71.3% said it was very easy in terms of accessibility, 48.7% said the drug availability was quite good, and 41.7% said the price of the medicine was quite affordable. The Obstacles that occur during self-isolation, such as traffic jams that require more time to go to health facilities, invalid drug information, and expensive antivirus prices with minimal availability. A comparative test was conducted to determine the factors that influence drug access and there was a significant difference in the COVID-19 period variable (p=0.003). From the results of the analysis of drug access scores, it was concluded that access to drugs during self-isolation is easy (89.6%) for COVID-19 patients in Jabodetabek.