Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan industri konstruksi yang semakin pesat mendorong diperlukannya suatu improvisasi dari perusahaan jasa konstruksi dalam melakukan efisiensi serta memaksimalisasi dalam pengelolaan sumber daya yang dimilikinya. Namun dalam kenyataannya, seorang pembuat keputusan seringkali mengalami kesukaran dalam mengambil keputusan. Hal tersebut mendorong diperlukannya suatu analisa keputusan yang dapat meminimalisasi kerugian akibat pelaksanaan keputusan yang diambil.Dalam proses mencapai tujuan tersebut metode pemecahan masalah yang digunakan adalah dengan cara analisa kasus. Yaitu dilakukan suatu penelitian yang didasarkan pada data lapangan yang kemudian diterapkan pada suatu program DSS (Decicion Support System) dengan menggunakan metode tree diagram analysis sehingga semua alternatif tindakan serta probabilitas dan konsekuensi dalam suatu proses pengambilan keputusan dapat diperlihatkan.Program Mimi. ax ver 1.1 merupakan pengembangan Decision Support System (DSS) berbasis internet dengan database yang dapat diperbaharui sesuai dengan perkembangan teknologi yang dikembangkan oleh masing-masing produsen alat berat. Program ini dirancang sebagai suatu sistem yang memberi kemudahan bagi para pembuat keputusan dalam memilih backhoe dan loader pada proyek konstruksi basement yang sesuai dengan keperluan teknis lapangan dan kondisi finansial perusahan."

"Multicast adalah suatu metode pengiriman data yang memungkinkan data dikirimkan dari satu atau lebih komputer ke lebih dari satu komputer dengan sekali pengiriman. Dengan demikian penggunaan teknik multicast akan menghemat bandwidth jaringan. Efiiensi penggunaan bandwidth tersebut menjadi alasan multicast mulai dikembangkan untuk aplikasi multimedia melalui jaringan atau intemet. Namun aplikasi multimedia merupakan aplikasi yang memhutuhlcan kecepatan dan ketepatan pengiriman data. Karena itu protokol yang dikembangkan di tiap layer atau lapisan jaringan harus mampu menjalankan fungsi-fungsi menjamin kecepatan dan ketepatan data. Salah satu fungsi yang dimaksud adalah routing atau penjaluran pada lapisan network dari TCP/IP. Untuk aplikasi multicast, ada dua protokol penjaluran yang dikernbangkan untuk jaringan intra-AS atau internal gateway protocol (IGP), yaitu DVMRP (Distance Vector Multicast Routing Protocol) dan MOSPF (Multicast Open Shortest Path First). DVMRP menggunakan algoritma distance vector sedangkan MOSPF menggunakan algoritma link state. Salah satu kelemahan algoritma distance vector adalah kemungkinan terjadinya routing loop yang dapat mengakibatkan keterlambatan pengiriman data. Sedangkan pada MOSPF hal tersebut tidak pernah terjadi. Skripsi ini akan mengemukakan suatu simulasi yang membandingkan kedua protokol tersebut dengan menunjukkan kemungkinan routing loop pada DVMRP. Analisa teori dikemukakan berdasarkan karakteristik dari tiap algoritma dan topologi-topologi jaringan yang digunakan dalam simulasi. Dari hasil simulasi kemudian diperoleh kesimpulan bahwa dari segi delay MOSPF lebih baik daripada DVMRP sebesar 38,58% sedangkan dari segi pemanfaatan bandwidth DVMRP lebih baik daripada MOSPF sebesar 12,67%."

"ABSTRAKAda banyak model mengenai pengambilan keputusan dalam manajemen bencana, terutama dalam alokasi sumber daya darurat sehingga alokasi personil pencarian dan penyelamatan dapat berjalan secara efisien. Namun, di Indonesia sendiri, penggunaan teknologi untuk membantu dalam mengambil keputusan dalam fase respons masih belum secara umum diimplementasikan sehingga keputusan masih dibuat secara subyektif. Makalah ini memberikan model pengambilan keputusan yang dapat membantu tim pencarian dan penyelamatan untuk menentukan jumlah personel dan alat berat yang digunakan. Model ini dapat memudahkan alokasi personel di area pencarian. Jumlah yang diperoleh ditentukan berdasarkan luas, kepadatan penduduk, jumlah korban prioritas, dan jumlah gedung tinggi. Variabel-variabel tersebut diproses menggunakan Fuzzy Inference System dan decision tree. Model yang Diajukan juga akan diintegrasikan ke dalam Sistem Informasi dan Komunikasi Operasi Pencarian dan Penyelamatan Indonesia. Data dan pengetahuan yang diperoleh sebagai referensi diperoleh dari para ahli dalam manajemen Bencana dan praktisi berpengalaman di bidang Pencarian dan Penyelamatan

---

ABSTRACTLast mile delivery is the last trip of an item before arriving at the final destination. There have been many models regarding decision making in disaster management, especially in emergency resources allocation so that the allocation of search and rescue personnel can run efficiently. However, in Indonesia itself, the use of technology to help in making decisions in response phase is still not generally implemented that decisions are still made subjectively. This paper gives a decision making model that can help search and rescue teams to determine the number of personnel and heavy equipment deployed. This can streamline the allocation of personnel in a search area. The amount obtained is determined based on area, population density, number of priority victims, and the number of tall buildings. Those variables are processed using a fuzzy expert system and decision tree. The model Proposed will also integrated into the Information and Communication System of Indonesias Search and Rescue Operation. Data and knowledge obtained as a reference are obtained from experts in Disaster management and experienced practitioners in the field of Search and Rescue"

"ABSTRACTKlasifikasi adalah proses menugaskan satu set data ke dalam kelas yang ada berdasarkan nilai setiap atribut. Pengklasifikasi pohon keputusan diklaim lebih cepat dan berproduksi akurasi yang lebih baik. Namun, ia memiliki beberapa kelemahan di mana pengklasifikasi rentan untuk overfitting. Overfitting adalah suatu kondisi di mana model tidak mampu menarik kesimpulan data baru dengan cara yang benar. Overfitting di pohon keputusan dapat dihindari dengan memotong subtree pengaruh kecil dalam melakukan klasifikasi ketika pohon ditanam, disebut post-pruning, yang bertujuan untuk meningkatkan kinerja model dalam memprediksi data. Tesis ini mengusulkan metode pasca pemangkasan dengan menerapkan Risiko Bayes, di mana estimasi risiko setiap simpul induk dibandingkan dengan simpul daunnya. Sebagai perbandingan, pemangkasan pasca lainnya Metode yang diterapkan, yaitu Reduced Error Pruning (REP). Kedua metode tersebut diterapkanuntuk tiga dataset klasifikasi churn pelanggan dari situs Kaggle dan IBM Datasets. Untuk hasilnya, Bayes Risk Post-Pruning dapat meningkatkan kinerja Decision Tree lebih baik dari Reduced Error Pruning dengan meningkatkan nilai akurasi, presisi, dan daya ingat. Kedua metode juga diterapkan pada tiga proporsi berbeda untuk data pelatihan (60%, 70% dan 80%). Hasilnya menunjukkan bahwa semakin besar ukuran dataset pelatihan dikaitkan akurasi, presisi, dan daya ingat model yang lebih tinggi.

---

ABSTRACTClassification is the process of assigning a set of data to an existing class based on the value of each attribute. Decision tree classifiers are claimed to be faster and produce better accuracy. However, it has several disadvantages where the classifier is prone to overfitting. Overfitting is a condition in which the model is unable to draw new data conclusions in the right way. Overfitting in the decision tree can be avoided by cutting the subtree of small influence in classifying when the tree is planted, called post-pruning, which aims to improve the performance of the model in predicting data. This thesis propose a post-pruning method by applying Bayes Risk, where the estimated risk of each parent node is compared to the leaf node. As a comparison, other post pruning methods are applied, namely Reduced Error Pruning (REP). Both methods are applied for three customer churn classification datasets from the Kaggle site and IBM Datasets. For the results, Bayes Risk Post-Pruning can improve Decision Tree performance better than Reduced Error Pruning by increasing the value of accuracy, precision, and memory. Both methods are also applied to three different proportions for training data (60%, 70% and 80%). The results show that the greater the size of the training dataset is associated with higher model accuracy, precision, and recall."

"Abstrak. Imputasi missing values berperan penting dalam pre-processing data untuk menghasilkan data yang lengkap dan berkualitas. Dalam penelitian ini, dilakukan kombinasi dari Decision Tree dan algoritma Expectation Maximization (EM) sebagai metode imputasi dalam mengestimasi missing values. Namun, terdapat kekurangan pada metode ini, yaitu algoritma Expectation Maximization (EM) cenderung memberikan hasil imputasi yang lebih akurat jika terdapat banyak kemiripan antar atribut. Hal ini dapat diatasi dengan mempartisi segmen horisontal menggunakan algoritma Decision Tree. EM diterapkan pada berbagai segmen horisontal dari data set agar diperoleh banyak kemiripan antar atribut. Metode yang diusulkan ini kemudian dievaluasi dengan membandingkan kinerjanya dengan imputasi menggunakan mean dalam mengestimasi missing values data numerik dan dipilih Decision Tree sebagai classifier. Data yang digunakan untuk simulasi dalam penelitian ini yaitu data set PPOK-OSA. Penelitian ini menunjukkan bahwa metode imputasi missing values yangdiusulkan menghasilkan akurasi yang lebih tinggi jika dibandingkan menggunakan nilai mean dalam mengestimasi missing values. Hasil akurasi tertinggi dari metode ini yaitu83.3%, diperoleh pada saat persentase data training 10% dan rata-rata akurasi pada berbagai persentase data training sebesar 70.3%, sedangkan hasil akurasi tertinggi menggunakan nilai mean yaitu 58.3%, diperoleh pada saat persentase data training 20% dengan rata-rata akurasipada berbagai persentase data training sebesar 50.5%.

---

Abstract. Missing values imputation plays a vital role in data pre-processing for ensuring good quality of data. In this study, we present a combination of Decision Tree andExpectation Maximization (EM) algorithm as imputation method to estimate missing values. However, there are shortcomings of method, where the Expectation Maximization algorithm tends to give more accurate imputation results if there are many similarities among attributes. Therefore, this can be overcome by partitioning the horizontal segments using the DecisionTree algorithm. We applied EM on various horizontal segments of a data set where there are many similarities among attributes. Besides, we evaluate our proposed method by comparing its performance with mean values to impute missing values, and we choose the Decision Treeas a classifier. Data used in this research is COPD-OSA data set. In this study shows that ourproposed method leads to higher accuracy than mean imputation. The highest accuracy results obtained from our proposed method is 83.3% when the percentage of training data is10% and average accuracy in various percentage of training data is 70.3%, while the highest accuracy results using the mean value is 58.3% when the training data percentage is 20% and the average accuracy in various percentage of training data is 50.5%."

"Pada masa era digital, banyak perubahan yang terjadi seperti pola pikir dan gaya hidup masyarakat. Perubahan akibat perkembangan dunia yang semakin pesat mewajibkan orang yang berusia di atas 50 tahun untuk beradaptasi. Selain itu, pada usia tersebut banyak peristiwa yang dialami oleh seorang individu, seperti ditinggalkan anak menikah, pensiun, dan cemas menghadapi kematian. Permasalahan mengenai perubahan dan ketidakpastian atas peristiwa di masa depan menyebabkan perasaan cemas pada orang yang usianya di atas 50 tahun. Hal ini membutuhkan perhatian khusus agar kualitas hidup orang dengan usia tua menjadi lebih optimal. Kecemasan menghadapi masa depan pada usia tua dipengaruhi oleh beberapa faktor. Tujuan penelitian ini adalah menganalisis deskripsi tingkat kecemasan menghadapi masa depan, menganalisis variabel-variabel yang secara signifikan menjelaskan kecemasan menghadapi masa depan pada orang yang berusia di atas 50 tahun dan menganalisis profil orang yang berusia di atas 50 tahun dengan tingkat kecemasan masa depan yang tinggi. Metode yang digunakan adalah regresi logistik untuk melihat variabel-variabel yang menjelaskan kecemasan menghadapi masa depan pada orang dengan usia di atas 50 tahun dan Classification and Regression Tree (CART) untuk melihat profil orang yang berusia di atas 50 tahun dengan tingkat kecemasan masa depan yang tinggi. Sampel yang digunakan dalam penelitian ini diambil dari populasi orang yang berusia di atas 50 tahun di Provinsi DKI Jakarta. Berdasarkan hasil penelitian, diperoleh bahwa tingkat kecemasan menghadapi masa depan responden mayoritas masuk ke dalam kategori tinggi. Kemudian, variabel-variabel yang secara signifikan menjelaskan tingkat kecemasan menghadapi masa depan responden adalah dukungan sosial, status pernikahan, dan jumlah anak kandung. Profil orang dengan usia di atas 50 tahun yang memiliki tingkat kecemasan menghadapi masa depan yang tinggi yaitu responden yang mendapatkan dukungan sosial rendah, memiliki anak kandung lebih dari atau sama dengan 3 orang, dan berstatus menikah.

---

In the digitalization era, a lot of changes happen, such as changes in mindset or lifestyle. Changes happened due to rapid world evolution forces people aged above 50 to adapt. People in that age also experience many things as individuals, such as being left by their children to marry, retirement, and fear of death. This problem about changes and uncertainty of the future cause anxiety to people aged above 50. This needs special attention so the life quality of the elderly be more optimal. Anxiety of facing the future in old age is caused by several factors. The goal of this study is to do description analysis about anxiety facing the future, to analyze variables that significantly explain anxiety facing the future on people aged above 50, and to analyze profiles of people aged above 50 who have high anxiety level facing the future. The method used in this study is logistic regression to see which variables explain anxiety facing the future on people aged above 50 and Classification and Regression Tree (CART) to see profiles of people aged above 50 who have high anxiety level facing the future. Samples for this study are taken from population in DKI Jakarta Province of people aged above 50. Based on the results, it is seen that the anxiety level of most respondents are high. Variables that significantly explain anxiety level facing the future of the respondents are social support, marriage status, and number of biological children. The profile of people aged above 50 who have high anxiety level facing the future are respondents who are married, get low social support, and have 3 or more biological children."

"Meningkatnya kasus COVID-19 di Indonesia mengakibatkan kebutuhan akan perawatan di rumah sakit bagi pasien COVID-19 juga meningkat. Oleh karena itu, perlu diketahui laju perbaikan kondisi klinis pasien COVID-19 serta faktor-faktor yang memengaruhinya agar pasien COVID-19 dapat diberikan perawatan yang tepat sehingga pasien dapat lebih cepat mengalami perbaikan. Tujuan penelitian ini adalah untuk mengetahui laju perbaikan kondisi klinis dari pasien COVID-19, sekaligus melihat karakteristik pasien yang berasosiasi dengan laju perbaikan kondisi klinis tersebut. Faktor-faktor yang digunakan dalam penelitian ini antara lain usia, jenis kelamin, jenis-jenis gejala, jenis-jenis komorbid, pengukuran darah perifer lengkap (DPL) dan hitung jenis leukosit, procalcitonin, C-Reactive Protein, urea, dan kreatinin. Metode yang digunakan berupa survival tree dan regresi Cox proportional hazard dalam menganalisis laju perbaikan kondisi klinis pasien COVID-19 berdasarkan beberapa faktor. Algoritma survival tree yang digunakan dalam penelitian ini adalah relative risk tree. Data yang digunakan merupakan data pasien COVID-19 salah satu rumah sakit di Jakarta yang berjumlah 286 observasi. Data diambil pada periode Maret 2020 hingga Maret 2021. Berdasarkan hasil analisis, terbentuk empat kelompok kelajuan perbaikan kondisi klinis yang berbeda berdasarkan masing-masing faktor yang berasosiasi. Faktor-faktor yang diketahui berasosiasi terhadap laju perbaikan klinis pasien COVID-19 berdasarkan hasil pembentukan survival tree antara lain usia, procalcitonin, trombosit, Platelete-to-Lymphocyte Ratio (PLR), leukosit dan jumlah komorbid. Pasien dengan karakteristik laju perbaikan kondisi klinis yang relatif lebih cepat memiliki risiko lebih besar untuk keluar dari ruang perawatan COVID, sedangkan pasien dengan karakteristik laju perbaikan kondisi klinis yang relatif lambat memiliki risiko lebih rendah untuk keluar dari ruang perawatan COVID.

---

The increased number of COVID-19 cases in Indonesia has resulted in a large increase in COVID-19 patient hospitalizations. As a result, it is necessary to understand the rate of clinical improvement in COVID-19 patients, as well as the factors that influence it, so that the patients can be given the right treatment in order for them to improve their conditions faster. The aim of this study was to determine the rate of clinical improvement in COVID-19 patients, as well as the patient characteristics that were associated to that rate. Age, gender, types of symptoms, types of comorbidities, complete blood count (CBC), white blood count (WBC), procalcitonin, C-Reactive Protein, urea, and creatinine were used in this study. The survival tree and Cox proportional hazard regression methods were applied in this study to analyze the rate of clinical improvement of COVID-19 patients based on several factors. Survival tree algorithm that used in this study is relative risk tree. Data used in this study was COVID-19 patients data from a hospital in Jakarta with 286 observations. Data was taken from March 2020 to March 2021. Based on the results of analysis, there are four different groups of rates of clinical improvement COVID-19 patients based on each covariate. Age, measurement of procalcitonin, platelets, Platelet-to-Lymphocyte Ratio (PLR), leukocytes, and the number of comorbidities are known to be associated with the rate of clinical improvement of COVID-19 patients based on survival tree results. Patients with a relatively faster rate of clinical improvement have a greater risk of leaving from COVID treatment room, whereas patients with a relatively slow rate of clinical improvement have a lower risk of leaving the COVID treatment room."