Hasil Pencarian  ::  Simpan CSV :: Kembali

"Industri asuransi merupakan industri yang besar dan terus berkembang di Indonesia. Di tambah lagi, semakin banyak masyarakat Indonesia yang terlindungi oleh asuransi pada tahun 2022. Di samping itu, meningkatnya nasabah asuransi juga dapat meningkatkan risiko terjadinya fraud atau kecurangan pada setiap klaim yang dilakukan nasabah. Hal tersebut dapat menyebabkan kerugian bagi perusahaan asuransi. Maka dari itu, dibutuhkan suatu metode yang dapat menyelesaikan masalah fraud klaim asuransi. Namun, permasalahan fraud ini melibatkan data yang besar sehingga dibutuhkan metode yang dapat memproses data besar dengan cepat dan tidak membutuhkan dana yang besar. Machine learning diajukan sebagai metode untuk dapat mendeteksi fraud klaim asuransi dan telah digunakan dalam beberapa penelitian untuk penyelesaian masalah tersebut. Extreme Gradient Boosting (XGBoost) merupakan salah satu metode machine learning yang banyak digunakan, pertama kali diajukan sebagai model yang scalable sehingga dapat memproses data besar secara efisien. Namun, metode machine learning sebaiknya adalah model yang interpretable dan explainable. Dengan memiliki interpretability dan explainability, suatu model dapat digunakan dan dimengerti dengan baik sehingga sangat reliabel. Oleh karena itu, Approximating XGBoost diajukan sebagai metode yang dapat memungkinkan XGBoost yang terdiri dari banyak boosted Decision Tree dapat diekstrak menjadi satu Decision Tree saja sehingga model ini dapat diinterpretasikan secara transparan mengenai pekerjaan model tersebut dalam mendapatkan hasil yang dikeluarkan. Penelitian ini menemukan bahwa kinerja dari model Approximating XGBoost dapat mendeteksi fraud dengan AUC-ROC mencapai nilai 91,44%, pada specificity dapat mencapai 86,55%, dan pada sensitivity dapat mencapai 91,34% berdasarkan dataset yang digunakan. Artinya, model Approximating XGBoost dapat membentuk suatu model yang performanya mengaproksimasi XGBoost dan dapat model pohonnya dapat ditampilkan seperti Decision Tree.

---

The insurance industry is a big and growing industry in Indonesia. Moreover, more and

more Indonesians will be covered by insurance by 2022. In addition, increasing the

number of insurers can also increase the risk of fraud or fraud in any claim made by the

insurer. So from that, we need a method that can solve the problem of insurance claims

fraud. However, this problem of fraud involves big data so it requires a method that can

process big data quickly and does not require large funds. Machine learning was proposed

as a method to detect insurance claims fraud and has been used in some research to solve

such problems. Extreme Gradient Boosting (XGBoost) is one of the most widely used

machine learning methods, first proposed as a scalable model to process big data

efficiently. However, machine learning methods are preferably models that are

interpretable and explainable. By having interpretability and explainability, a model can

be used and understood well so it is highly reliable. Therefore, Approximating XGBoost

was proposed as a method that could enable XGBoost consisting of many boosted

decision trees to be extracted into a single decision tree only so that this model can be

interpreted transparently about the work of the model in obtaining the outcome issued.

This study found that the performance of the Approximating XGBoost model can detect

fraud with an AUC-ROC of 91.44%, specificity can reach 86.55%, and sensitivity can

91.34% based on the data set used. In other words, the XGBoost Approximating model

can form a model whose performance approximates XGBuost and the tree model can be

displayed like a Decision Tree."

"Data yang tidak lengkap merupakan salah satu masalah yang sering muncul dalam penelitian medis, yang dapat mengakibatkan statistik inferensial tidak akurat. Salah satu cara yang dapat dilakukan untuk mengatasi masalah tersebut adalah dengan mengestimasi missing value yang terdapat pada data. Metode ini disebut imputasi. Beberapa metode imputasi telah dikembangkan untuk memperkirakan nilai yang hilang, dan salah satu metode imputasi yang paling sering digunakan adalah imputasi pohon keputusan. Pohon keputusan adalah salah satu metode pembelajaran mesin terawasi yang paling sederhana, yang digunakan untuk mengklasifikasikan dan meregresi data. Namun selain kepraktisan metode pohon keputusan untuk imputasi, metode ini kurang tepat jika muncul nilai-nilai yang hilang baik pada data latih maupun data pengujian secara bersamaan. Untuk mengatasi keterbatasan tersebut, metode imputasi pohon keputusan kemudian dikembangkan menjadi metode imputasi pohon atribut yang dipesan secara dinamis (DOAT). DOAT pertama kali diperkenalkan oleh Nick Street dan Jing Wang pada tahun 2009, untuk membangun sejumlah pohon keputusan yang digunakan untuk memperkirakan nilai yang hilang secara bertahap dalam data pelatihan. Selanjutnya tingkat akurasi estimasi akan digunakan untuk menentukan pohon keputusan akhir sebagai pohon keputusan terakhir yang melakukan imputasi. Setelah pohon keputusan akhir diperoleh dari data pelatihan, maka nilai-nilai yang hilang pada data pengujian akan diestimasi menggunakan sejumlah pohon keputusan yang dihasilkan dari data pelatihan, dimana pohon keputusan akhir yang dihasilkan pada data pelatihan juga merupakan pohon keputusan final. pohon keputusan yang digunakan dalam imputasi pengujian data. Pada penelitian ini dikembangkan metode imputasi DOAT dengan algoritma CART untuk membangun pohon keputusan untuk mengestimasi missing value pada data kategori penyakit. Kinerja metode imputasi DOAT akan dievaluasi berdasarkan tingkat akurasi menggunakan pohon keputusan. Hasil penelitian ini menunjukkan bahwa metode imputasi DOAT tidak mengurangi tingkat akurasi metode klasik yang sudah memiliki data lengkap.

---

Incomplete data is one of the problems that often arises in medical research, which can result in inaccurate inferential statistics. One way that can be done to overcome this problem is to estimate the missing value contained in the data. This method is called imputation. Several imputation methods have been developed to estimate missing values, and one of the most frequently used imputation methods is decision tree imputation. Decision trees are one of the simplest supervised machine learning methods, which are used to classify and regress data. However, in addition to the practicality of the decision tree method for imputation, this method is not appropriate if missing values ​​appear in both training data and test data simultaneously. To overcome these limitations, the decision tree imputation method was later developed into a dynamically ordered attribute tree (DOAT) imputation method. DOAT was first introduced by Nick Street and Jing Wang in 2009, to construct a number of decision trees that are used to estimate the incrementally missing values ​​in training data. Furthermore, the level of accuracy of the estimate will be used to determine the final decision tree as the last decision tree that performs imputation. After the final decision tree is obtained from the training data, the missing values ​​in the test data will be estimated using a number of decision trees generated from the training data, where the final decision tree generated in the training data is also the final decision tree. decision tree used in the imputation of data testing. In this study, the DOAT imputation method with the CART algorithm was developed to build a decision tree to estimate the missing value in disease category data. The performance of the DOAT imputation method will be evaluated based on the level of accuracy using a decision tree. The results of this study indicate that the DOAT imputation method does not reduce the level of accuracy of the classical method which already has complete data."

"Salah satu jenis topologi yang banyak digunakan dalam jaringan komunikasi data adalah topologi Mesh. Topologi jenis ini mempunyai keunggulan antara lain sifatnya yang fleksibel dan dinamis sesuai dengan kondisi dan keadaan jaringan tersebut. Ada banyak kombinasi bentuk jaringan dalam topologi Mesh sesuai dengan aplikasi dan syarat serta tuntutan jaringan tersebut. Untuk membantu dalam merancang bentuk jaringan pada topologi Mesh maka pada penelitian ini dirancang suatu algoritma yang dapat memilih dan menentukan bentuk jaringan yang paling optimal pada topologi Mesh. Algoritma Mesh yang dirancang pada penelitian ini menggunakan pendekatan prosedur Minimum Spanning Tree yang merupakan penyempumaan dari algoritma Prim's."

"ABSTRAK Tesis ini membahas disain, implementasi dan analisa kinerja algoritma paralel integrasi numerik adaptif yang mempunyai paradigma tree computation. Implementasi algoritma paralel ini dilakukan pada jaringan komputer PC dengan bahasa pemrograman C yang berbasis PVM (parallel virtual machine). Ujicoba pengukuran dan analisa kinerja dari algoritma tersebut dilakukan pada jumlah slave yang bervariasi dari mesin-mesin komputer yang heterogen. Parameter-parameter yang diukur adalah nilai speedup, efisiensi penggunaan prosesor, computation to communication ratio, job allocation untuk mendapatkan load balancing yang merata, dan distribusi waktu eksekusi. Ada tiga model algoritma paralel yang ditawarkan dalam integrasi numerik adaptif ini. Model pertama menawarkan suatu cara dimana setiap node yang terbentuk pada tree computation akan dikerjakan oleh prosesor yang berbeda. Master akan mengirimkan node-node sebagai sub-sub problem. ke slave-slave secara ternus menerus sehingga semua slave tidak ada yang idle. Hasil yang diterima master belum tentu hasil akhir, sehingga mungkin sekali sub problem tersebut akan dipecah menjadi sub-sub problem bare yang akan dikirim kembali ke slave-slave. Pada solusi model kedua, master mengirim node-node sebagai sub-sub problem ke semua slave. Slave akan melakukan komputasi secara rekursif sampai diperoleh hasil akhir, sehingga terbentuk suatu sub tree computation pada setiap slave. Hasil akhir yang diterima master akan dikumpulkan untuk mendapatkan total hasil akhir. Slave yang telah selesai akan diberi sub problem berikutnya. Sedang pada model ketiga, master membagi problem secara liner sesuai dengan jumlah mesin yang terlibat, tanpa memperhatikan volume beban komputasi dari setiap sub problem. Selanjutnya master dan slave-slave akan melakukan komputasi secara rekursif sampai diperoleh hasil akhir. Jadi baik pada master maupun slave akan terbentuk sub-sub tree computation. Master akan menerima hasil dari setiap slave untuk dikumpulkan menjadi total hasil akhir. "

"Proses mencari pola atau informasi yang berguna pada suatu kumpulan data dengan menggunakan metode tertentu, saat ini telah menjadi topik yang menarik. Salah satu manfaatnya yaitu dapat menunjang pengambilan keputusan dalam suatu organisasi baik itu organisasi profit maupun non profit. Pada makalah ini akan dilakukan pengujian terhadap sekumpulan data yang diambil dari kejadian nyata untuk diolah, guna mendapatkan informasi atau pola yang dapat berguna untuk penentuan pengambilan sebuah keputusan. Pengujian pada makalah ini merupakan prediksi terhadap pengguna jasa sebuah operator seluler akan kehadirannya pada suatu acara berdasarkanbeberapa indicator, cuaca, jarak relative terhadap lokasi acara, serta apakah pengguna jasa tersebut merupakan termasuk pelanggan pasca bayar atau tidak. Pengujian dilakukan dengan menggunakan tiga metode klasifikasi, yakni naïve bayes, decision tree, dan oneR. Hasil dari percobaan ini bisa menunjukkan prediksi dari setiap percobaan dengan tingkat akurasi prediksi yang berbeda-beda disetiap metode yang digunakan."

"Phylogenetic tree merupakan suatu diagram berbentuk tree yang merepresentasikan hubungan evolusi atau kekerabatan antar spesies yang hidup di bumi. Phylogenetic tree dibentuk berdasarkan struktur genetik spesies yang dinyatakan dalam sekuens DNA atau protein. Penulisan tugas akhir ini bertujuan untuk membangun sebuah aplikasi berbasis web yang digunakan untuk membangun phylogenetic tree dari sebuah matriks jarak (distance matrix) berdasarkan sekuens DNA. Metode pembentukan tree yang dipakai dalam aplikasi ini adalah metode berdasarkan jarak (distance methods) dan algoritma yang dipakai adalah neighbor-joining (NJ). Algoritma ini memerlukan input berupa matriks jarak dan menghasilkan output berupa tree. Tree yang dihasilkan dapat dipakai untuk melihat hubungan kekerabatan antar spesies yang terlibat atau spesies yang dibandingkan. Aplikasi ini dibuat dengan menggunakan bahasa pemrograman php yang bersifat open source, sehingga dapat diakses secara online.Kata kunci : phylogenetic tree, matriks jarak, neighbor-joining, sekuens DNA.viii + 70 hlm.; lamp.Bibliografi: 12 (2002-2008)"

"Perusahaan Petrokimia merupakan perusahaan yang dikategorikan sebagai perusahaan dengan risiko menimbulkan Major Hazard. Beberapa dari Major Hazard yang berada di perusahaan petrokimia adalah, kebakaran, ledakan dan kebocoran kimia. Risiko terjadinya kebocoran bahan kimia dalam jumlah besar yang dapat dikategorikan bencana pada pabrik petrokimia seperti PT. Pupuk Kujang terdapat pada tanki penyimpanan amonia. Hal ini didasari oleh kapasitas panyimpanan tanki yang mencapai 10000 MT. Walaupun peristiwa kebocoran pada tanki di PT. Pupuk Kujang belum pernah terjadi, bukan berarti kemungkinan risiko tersebut seluruhnya tidak ada. Proses penyimpanan amonia di PT. Pupuk Kujanng masih menyimpan potensi-potensi terjadinya kerusakan atau gangguan pada proses penyimpanan yang dapat berakibat pada kerusakan integritas tanki yang mengakibatkan kebocoran bahan kimia dalam jumlah besar. Dengan latar belakang tersebut, sebuah analisis konsekuensi dibutuhkan bagi PT. Pupuk Kujang, pemerintah dan penduduk setempat untuk memahari bahaya dan risiko yang mungkin terjadi. Sehingga diharapkan menjadi landasan untuk perencanaan pananganan darurat jika skenario kebocoran dalam jumlah besar terjadi. Penelitian ini dilakukan dengan metoda deskriptif menggunakan data primer yang didapatkan penulis dari hasil observasi lapangan. Data-data tersebut di olah menggunakan perangkat lunak ALOHA (Area Locations of Hazardous Atmosphere) yang akan menghasilkan perhitungan pola penyebaran bahan kimia amonia. Adapun hasil dari proyeksi yang dilakukan ALOHA menunjukkan jarak dispersi terjauh mencapai lebih dari 10 km dengan kadar amonia >25 ppm dan 4-6 km untuk kadar >150 ppm dan 2 km untuk kadar >750 ppm. Berdasarkan perhitungan tersebut, area threat zone dengan kadar >750 ppm yang dapat menyebabkan kematian memiliki diameter lingkaran sekitar 2 km dari pusat kebocoran dengan potensi manusia terancam 12000 jiwa.

---

According to ILO standard, petrochemical instalation is one among other industry with a major hazard risk involved in the industrial process. Some of the potential major hazard involved in petrochemical process is explosion hazard, fire hazard, and toxic release hazard. This tipe of hazard could produce a disaster or a catastrophic accident. The 10000 MT capacity of ammonia storage tank at PT. Pupuk Kujang posses the potential to create catastrophic accident if leakage occur and produce a massive amount of ammonia release to the surrounding environment. Although there is no leaking history for ammonia storage tank at PT. Pupuk Kujang, it does not mean the pontential for the event to happen became impossible. The ammonia storage prosses still posses the potential of a mishap, malfunction or damage that could jeopardize the integrity of the storage tank an eventually leakage could occur.

With this backgroud, an a cosequence analysis required for PT. Pupuk Kujang, local Government and local people around the facility to understand the hazard and risk possibly occur, so a proper mitigation and emergency plan could be produce.

The method used for this research is descriptive method using primary data observed by the writer at the field. The data then processed by using ALOHA (Area Locations of Hazardous Atmosphere) software that will produce the dispersion calculation.

The proyection produced by ALOHA show the maximum dispersion distance is more than 10 km with >25 ppm ammonia concentration and 4-6 km for >150 ppm ammonia concentration and 2 km for >750 ppm ammonia concentration. Based on this calculation, the threat zone area generated with concentration >750 ppm that could caused death is a 2 km diameter with estimated 12000 people at risk."

"Tree farming such as coconut, cocoa, cocoa, coffee, rubber and rambutan was dominant in the west coast of Aceh prior to tsunami. The farming is not only important for sustainable livelihood, but also for superior environmental protection..."

"ABSTRAKIndustri pelayaran diketahui memiliki potensi atau resiko tinggi yang terkait dengan keselamatan. Dari data kecelakaan kapal yang terjadi di Indonesia dari tahun 2005 hingga 2018, berdasarkan data yang diambil dari Komite Nasional Kecelakaan Kapal (KNKT), penelitian ini mengembangkan model untuk metode pengambilan keputusan dengan pohon keputusan untuk memprediksi kemungkinan kecelakaan kapal fatal dan mengakibatkan kematian. Hasil dari pemodelan menunjukkan bahwa kecelakaan fatal dan kematian sebagian besar disebabkan oleh faktor teknis dan manusia, dan hanya beberapa kecelakaan yang terjadi di perairan yang disebabkan oleh cuaca buruk. Selain itu, jumlah kecelakaan kapal telah meningkat dalam 7 tahun terakhir. Persentase terbesar dari kecelakaan kapal ditempati oleh kapal penumpang.Sebagian besar kecelakaan kapal terjadi di Laut Jawa dan Selat Bangka.Dari uraian data dan model pohon keputusan yang telah dibuat, akan diukur tingkat risiko kecelakaan kapal. Hasil penelitian ini bermanfaat bagi pembuat kebijakan dalam mengusulkan strategi yang efisien untuk mencegah kecelakaan pengiriman fatal, juga untuk pemilik kapal, operator dan lembaga asuransi.

---

ABSTRACTThe shipping industry is known to have high potential or risk associated with safety. From ship accident data that happened in Indonesia from 2005 until 2018, based on the data taken from National Transportation Safety Comittee (NTSC), this study develops a model for decision making methods with a decision tree to predict the probability of fatal shipping accidents and corresponding mortalities. The model results show that both the fatal accidents and mortalities are mainly caused by technical and human factors, and only a few accidents occur in the waters caused by weathers. In addition, the number of ship accidents has increased in the past 7 years. The biggest portion of ship accidents is occupied by passenger ships. Mostly the ship accident occured in Java Sea and Bangka Strait.From the description of the data and the decision tree model that has been made, it will be measured the level of risk of ship accidents. The results of this study are beneficial for policy-makers in proposing efficient strategies to prevent fatal shipping accidents, also for ship owner, operator and insurance institution."