Hasil Pencarian  ::  Simpan CSV :: Kembali

"Retail sores or departement stores have hundreds sales transaction everyday,transactions usually are made by men,which are calculating and recording many of invoices number....."

"Mempelajari bahasa isyarat bukanlah sesuatu yang mudah. Untuk membantu mempelajari bahasa isyarat, muncul penelitian mesin translasi gerakan isyarat menjadi teks yang dapat dibaca. Untuk penggunaan secara luas, terdapat mesin translasi gerakan isyarat menjadi teks memanfaatkan telepon pintar. Hasil teks yang dihasilkan oleh mesin translasi bergantung terhadap masukkan rangkaian gerakan isyarat. Masukkan ini dapat diperoleh melalui rekaman kamera telepon pintar. Ketika gerakan isyarat bergerak lebih cepat dibandingkan penangkapan bingkai oleh kamera, hasil rekaman menjadi kabur. Rekaman yang kabur akan membuat mesin translasi tidak dapat melakukan prediksi dengan baik. Salah satu solusi untuk mengurangi kabur pada gambar adalah dengan melakukan deblurring. Penelitian ini akan menggunakan metode DeblurGAN-v2 untuk mengurangi tingkat kabur pada bingkai dan menguji hasilnya pada mesin translasi gerakan isyarat SIBI ke teks. Mesin translasi gerakan isyarat SIBI ke teks memperoleh hasil teks yang cukup baik pada data berlatar belakang hijau. Hasil Nugraha dan Rakun (2022) memperoleh 2,986% WER (Word Error Rate), 83,434% SAcc (Sentence Accuracy), dan TC (Time Computation) menggunakan RetinaNet sebesar 0.038 detik per frame pada data berlatar belakang hijau. Hasil evaluasi juga menemukan kekurangan kualitas hasil prediksi dikarenakan masukkan bingkai yang kabur. Penelitian ini mencoba mengatasi masalah bingkai yang kabur dengan menggabungkan metode deblurring ke dalam sistem mesin translasi gerakan isyarat dan mengukur kinerja dengan WER, SAcc, dan TC. Terjadi penambahan TC akibat penambahan metode deblurring, dan untuk mengurangi TC, digunakan nilai ambang batas agar tidak semua bingkai di-deblur. Peneliti menemukan bahwa dengan menambahkan proses deblurring, terjadi peningkatan kinerja mesin translasi gerakan isyarat dari 2.37% WER dan 87.85% SAcc menjadi 1.95% WER dan 89.28% SAcc (tanpa ambang batas) dan 1.96% WER dan 89.28% SAcc (dengan ambang batas) pada data berlatar belakang hijau. Mesin translasi gerakan isyarat menjadi teks tanpa metode deblurring memerlukan TC 0.8036 detik per frame dan setelah menambahkan metode deblurring menjadi 0.8650 detik per frame (tanpa ambang batas) dan 0.8436 detik per frame (dengan ambang batas).

---

Learning sign language isn’t something easy to do. To help learning sign language, born machine sign language translation to text that can be read. For widely usage, there is a machine for translating gestures into text using a smartphone. Text result from machine translation depend on input sign language sequence frame. This input can be obtain from smartphone video recording. When sign language movement is faster than camera frame rate, recording result become blurry. Blurry record will make machine translation can’t make good prediction. One of the solution to reduce blur on the image is by doing deblurring. This research will use DeblurGAN-v2 as method to reduce image blurry rate on frame and test it on machine sign language SIBI translation to text. Machine sign language SIBI translation to text gain good text result on greenscreen background. Result Nugraha dan Rakun (2022) obtain 2,986% WER (Word Error Rate), 83,434% SAcc (Sentence Accuracy), and TC (Time Computation) using RetinaNet at 0.038 seconds per frame on background greenscreen data. Evaluation result also found a lack of of predictive quality due to blurred frame input. This research attempts to overcome the blurred frame problem by combining deblurring method to inside machine sign language translation system and measure performance with WER, SAcc, and TC. There is an addition of TC due to the addition of the deblurring method and to reduce TC, a threshold value is used so not all frames are deblurred. The researcher found that by adding deblurring process, there was an improvement on machine sign language translation from 2.37% WER and 87.85% SAcc to 1.95% WER and 89.28% SAcc (without threshold) and 1.96% WER and 89.28% SAcc (with threshold) on background greenscreen data. Machine for translating gestures into text without deblurring method need TC 0.8036 seconds per frame and after adding deblurring method become 0.8650 seconds per frame (without threshold) and 0.8436 seconds per frame (with threshold)."

"Sektor transportasi mempakan sektor yang paling banyak mengkonsumsi bahan baka:r minyak sebagai sumber energi. Penggunaan bahan bakar ini semakin menunjukkan peningkatan terlihat dengan semakin maraknya kendaraan bermotor terutama di kota-kota besar. Akibatnya, polusi udara yang ditimbulkan karena kurang baiknya kualitas pembakaran di dalarn ruang bakar akan semakin meningkat pula. Usaha-usaha untuk mengatasi kondisi ini yaitu penghematan sumber energi dan pengurangan polusi udara telah banyak dilalcukan oleh pemerintah dan instansi yang terkait disamping usaha untuk mencari altematif sumber energi pengganti bahan bakar minyak. Segala usaha yang dilakukan bertujuan untuk mengoptimalkan penggunaan energi sehingga penggunaan bahan bakar dapat terkontrol dengan memperhatikan faktor linglcungan.Faktor yang menentukan dalam peningkatan efisiensi dan optimalisasi energi berlcaitan erat dengan fenomena pembakaran yang terjadi. Semakin baik kualitas pembakaran, akan semakin baik emisi gas buang yang dihasilkan sehingga semakin hemat bahan bakar yang digunakan. Kondisi seperti ini ditentukan oleh sistem yang berhubungan dengan proses pembakaran di dalam silinder. Pencampuran antara udara dan bahan bakar merupakan salah satu faktor vital yang harus diperhatikan pencampuran yang homogen akan membuat pembakaran lebih sempurna.Salah satu upaya untuk mcmperbaiki lcondisi di atas yaitu dengan menggunakan cyclone pada kendaraan. Cyclone yang dipasang pada sislem pemasukan berrujuan untuk membentuk pola aliran turbulensi dari campuran homogen sehingga daya yang dihasilkan akan meningkat dan konsumsi bahan bakar serta emisi gas buang semakin turun. Untuk itu pada penelitian ini dibuat beberapa variasi cyclone dengan sudut masuk dan jumlah sudu pengaxah sebagai vadabel yang beruhah. Sehingga hasil dari pengujian ini akan didapatkan cyclone dengan jumlah sudu dan sudut yang baik yang dapat meningkatkan etisiensi pembakaran Dan dalam penelitian lebih lanjut dapat dihasilkan desain yang baik dari cyclone."

"Conveyor adalah alat pemindah bahan yang sering digunakan di pabrik-pabrik. Konstruksinya bermacam-macam tergantung dari mana bahan yang akan dipindahkan dan kemana bahan itu dipindahkan.Karena fungsi tersebut, maka untuk perencanaanya diperlukan perhitungan terhadap parameter-parameter yang berhubungan dengan conveyor tersebut."

"Mesin pencuci buah-buahan adalah suaiu mesin yang digunakan untuk mencuci buah-buahan khususnya dari jenis umbi-umbian yaitu singkong, wortel dan ubi jalar. Cara kerja mesin ini adalah menggunakan alat penyikat yang berputar dan menggunakan air untuk membasahi buah-buahan sela.ma proses pencucian. Mesin ini berguna sehagai pencucian awal sebelum umbi-umbian tersebut diolah menjadi produk lain ataupun langsung dijual ke konsumen. Seperti telah diketahui bahwa jenis umbi-umbian ini buahnya terdapat di dalam tanah sehingga hasil panennya memerlukan pencucian awal sebelum diolah atau diproses lanjut. Pencucian yang dimaksud yaitu memisahkan sisa-sisa tanah, daun-daun kering, ataupun kotoran lain yang menempel pada kulit luar dari buah-buahan Sasaran pengguna mesin ini adalah petani budidaya tanaman jenis tersebut atau untuk digunakan oleh industri menengah ke bawah, misalnya industri tepung tapioka, tepung ubi jalar, kripik singkong dll. Penulis akan membuat rancangan suatu mesin pencuci buah-buahan berdasarkan mesin yang sudah ada sebelumnya serta melakukan modifikasi pada beberapa bagian mesin untuk menyesuaikan dengan kebutuhan dan keadaan dari pengguna mesin yang telah disebutkan di atas. Proses perancangan meliputi sketsa desain awal, perhitungan sistem transmisi mesin dan konstruksi sampai mendapatkan suatu rancangan mesin yang optimal serta perhitungan rencana biaya pembuatannya."

"Dalam menciptakan produk produk nya PT X memiliki beberapa mesin, salah satu nya mesin tali rotary PVC. Pada bulan Januari hingga Agustus 2022, kasus kecelakaan kerja pada mesin tali rotary PVC sudah terjadi sebanyak dua puluh enam kali dalam pengoperasiannya, untuk menangani kasus tersebut dilakukan proses brainstorming. Proses brainstorming menghasilkan tiga alternatif solusi, roller coaster rail, piston pendorong cetakan dan anti-pinch. Alternatif roller coaster rail dan piston pendorong cetakan masih memiliki kemungkinan untuk terjadinya kecelakaan kerja, maka dari itu dipilih alternatif anti-pinch. Bahan yang dipilih untuk pembuatan anti-pinch adalah baja UNP dan baja silinder pejal, dari hasil simulasi beban menggunakan software solidworks beban terbesar yang diterima adalah 131.2 MPa, sedangkan yield point dari baja UNP sebesar 379.99 MPa dan yield point pada pengelasan baja silinder pejal sebesar 410.47 MPa, sehingga bahan tersebut layak untuk digunakan, Setelah diaplikasikan, pada bulan September hingga November 2022 tidak terjadi kecelakaan kerja, hal ini dinyatakan operator karena kewaspadaan terhadap kecelakaan kerja meningkat ketika melihat pemasangan anti-pinch. Anti-pinch membuat operator lebih merasa aman dalam pengoperasian mesin, meskipun area gerak operator menjadi berkurang.

---

In creating their products, PT X has several machines, one of it is a PVC rotary rope machine. From January to August 2022, cases of work accidents on rotary PVC rope machines have occurred twenty six times, to deal with these cases a brainstorming process was carried out. The brainstorming process resulted in three alternative solutions, roller coaster rail, mold pusher piston and anti-pinch. The roller coaster rail and the mold pusher piston still have the possibility of work accidents, therefore an anti-pinch alternative was chosen. The materials chosen for the manufacture of anti-pinch are UNP steel and solid cylindrical steel, from the load simulation results using solidworks software the largest load received is 131.2 MPa, while the yield point of UNP steel is 379.99 MPa and the yield point of welded solid cylindrical steel is 410.47 MPa, so the material is suitable for use. After applied, from September to November 2022 there were no work accidents. This was stated by the operator because awareness of work accidents increased when they saw the anti-pinch installation. Anti-pinch makes the operator feel more secure in operating the machine, even though the operator's range of motion is reduced.

"

"Melihat situasi dimana kebutuhan untuk energi yang terus menerus meningkat, penghasilan energi dengan memanfaatkan panas buang sudah banyak diterapkan untuk solusi permasalahan ini. Sistem Organic Rankine Cycle (ORC) ditujukan untuk menghasilkan energi dari panas buang geothermal, biomasa, solar, dan lainnya. Tujuan dari penelitian ini adalah merancang sebuah scroll expander sebagai alat ekspansi pada ORC yang dihubungkan dengan generator untuk mendapatkan energi listrik. Dari penelitian ini didapat tegangan maksimum sebesar 138.58 V pada 2684.6 rpm dengan udara bertekanan 0.8 MPa. Hasil ini menunjukkan bahwa penggunaan scroll expander pada sistem ORC dapat dilakukan.

---

In the situation where need for energy keeps increasing, energy generation by waste heat recovery has been applied many times to solve this problem. The Organic Rankine System (ORC) is targeted for energy recovery at geothermal plants, biomass, solar, and others. The objective of this research is to design a scroll expander connected to a generator for an ORC system to obtain electricity. From this research it is obtained the maximum voltage of 138.58 V at 2684.6 rpm with air at pressure 0.8 MPa. The results show that using a scroll expander in an ORC system can be done."

"Analisis sentimen merupakan bagian dari data mining text mining , yaitu proses memahami, mengekstrak, dan mengolah data tekstual secara otomatis untuk mendapatkan informasi. Pada penelitian ini, analisis sentimen diterapkan pada salah satu media sosial, yaitu Twitter. Analisis sentimen tergolong sebagai masalah klasifikasi yang dapat diselesaikan menggunakan salah satu metode machine learning, yaitu Neural Network. Pada machine learning, data dibagi menjadi data pelatihan dan data pengujian yang berasal dari domain yang sama. Permasalahan utama pada penelitian ini adalah data pelatihan dan data pengujian berasal dari dua domain yang berbeda, sehingga perlu diterapkan pembelajaran lain selain machine learning. Masalah tersebut dapat diselesaikan dengan menggunakan transfer learning. Transfer learning merupakan suatu pembelajaran model yang dibangun oleh suatu data pelatihan dari suatu domain dan diuji oleh suatu data pengujian dari domain yang berbeda dari domain data pelatihan. Simulasi dalam penelitian ini menghasilkan suatu akurasi transfer learning dengan metode Neural Network yang nantinya akan diuji dengan fitur n-gram bi-gram dan tri-gram serta satu metode seleksi fitur, yaitu Extra-Trees Classifier. Dalam penelitian ini, nilai akurasi transfer learning tertinggi didapat saat hidden layer berjumlah satu. Sebagian besar nilai akurasi tertinggi didapat saat penggunaan 250 neuron pada hidden layer. Fungsi aktivasi ReLU dan tanh menghasilkan nilai akurasi yang lebih tinggi dibandingkan fungsi aktivasi logistic sigmoid. Penggunakan metode seleksi fitur dapat meningkatkan kinerja transfer learning sehingga nilai akurasinya lebih tinggi dibandingkan simulasi tanpa penggunaan metode seleksi fitur.

---

Sentiment analysis is a part of data mining text mining , which is the process of understanding, extracting, and processing textual data automatically to obtain information. In this research, sentiment analysis is applied to one social media called Twitter. Sentiment analysis is categorized as a classification problem that can be solved using one of machine learning methods, namely Neural Network. In machine learning, data is divided into training data and test data from the same domain.

The main problem in this research is training data and test data come from two different domains, so it is necessary to apply other learning beside machine learning. The problem can be solved by using transfer learning. Transfer learning is a model learning constructed by a training data from a domain and tested by a test data from a different domain from the training data domain. The simulation in this research resulted in an accuracy of learning transfer with Neural Network method which will be tested using n grams bi grams and tri grams and one feature selection method called Extra Trees Classifier.

In this research, the highest value of transfer learning accuracy is obtained when one hidden layer is used. Most of the highest accuracy values are obtained from the use of 250 neurons on the hidden layer. The activation function of ReLU and tanh yield a higher accuracy value than the logical activation function sigmoid . The use of feature selection method can improve the transfer learning performance so that the accuracy value is higher than simulation without the use of feature selection method."

"Keamanan privasi data dan informasi dalam internet sering menjadi topik pembahasan dari waktu ke waktu, hal ini dikarenakan metode penyerangan siber selalu berevolusi menyesuaikan dengan struktur keamanan yang ada, menjadikan bidang keamanan siber menjadi bagaikan kompetisi untuk selalu lebih dahulu dari lawannya. Salah satu contoh implementasi keamanan siber merupakan Intrusion Detection System, dikenal juga dengan IDS. IDS dapat membantu menjaga sebuah jaringan dengan mendeteksi jika ada tanda-tanda penyerangan, namun dengan ini saja tidak cukup untuk memaksimalkan keamanan sebuah jaringan. Dari dasar IDS ini, sebuah proyek mencoba mengembangkan konsepnya dan membuat struktur besar, dan berhasil diciptakan proyek Mata Elang. Struktur Mata Elang dapat menjadi perantara antara internet dengan jaringan yang dilindunginya, dan ketika terjadi serangan, aktivitas tersebut akan dideteksi, ditahan, dan diproses oleh Mata Elang. Sistem deteksi Mata Elang bergantung kepada framework Snort. Sayangnya, Snort tidak memiliki kemampuan untuk beradaptasi di luar dari konfigurasi yang telah diberikan kepadanya. Dalam penelitian ini, penulis akan mengimplementasikan Machine Learning untuk meningkatkan keamanan yang diberikan pada proyek Mata Elang, spesifiknya pada sensornya yang menggunakan Snort. Setelah segala proses perancangan, pembuatan, dan pengujian telah dilakukan, hasil akhir yang didapatkan dari sistem Machine Learning merupakan sistem prediksi yang memuaskan untuk memprediksi kategori serangan bahkan dengan dukungan data yang lemah, namun kemampuan dari aturan Snort yang dihasilkan masih belum diuji dengan matang.

---

The talk about the security of private data and information will continue to be a relevant topic because of the nature of the concept. Cyberattacks have always been adapting according to the technology and structure that exists at the time, and so cybersecurity will continue to be a competition for gaining the advantage against their contrarian. One of the prime examples in cybersecurity implementation is Intrustion Detection Systems, also known as the shortened term, IDS. IDS can help guard a network by detecting different kinds of anomalies or attacks, although this alone wouldn’t be enough to maximize the level of proper security necessary for a whole network. Under the basic concept of IDS, a project attempts to develop an IDS and create a larger structure. The project was successfully implemented and now titled as Mata Elang. Mata Elang’s structure is an intermediary between an internet connection and the network it is connected to, and when an attack happens, those activities will be detected, interrupted, and then processed by Mata Elang. Mata Elang’s detection system completely relies on the framework Snort. Unfortunately, Snort does not have the capabilities to adapt outside the configurations that has been given to it. In this research, the writer will implement Machine Learning to further increase the security provided by Mata Elang, specifically on the sensors that uses Snort. After every step of the planning, making, and testing has been done the final result of the product was a Machine Learning system that has a satisfactory performance in categorizing the attacks, even with a weak supporting data, however the performance of the snort rules generated by it has not been tested thoroughly."

"Proses training model membutuhkan sumber daya komputasi yang akan terus meningkat seiring dengan bertambahnya jumlah data dan jumlah iterasi yang telah dicapai. Hal ini dapat menimbulkan masalah ketika proses training model dilakukan pada lingkungan komputasi yang berbagi sumber daya seperti pada infrastruktur komputasi berbasis klaster. Masalah yang ditimbulkan terutama terkait dengan efisiensi, konkurensi, dan tingkat utilisasi sumber daya komputasi. Persoalan efisiensi muncul ketika sumber daya komputasi telah tersedia, tetapi belum mencukupi untuk kebutuhan job pada antrian ter- atas. Akibatnya sumber daya komputasi tersebut menganggur. Penggunaan sumber daya tersebut menjadi tidak efisien karena terdapat kemungkinan sumber daya tersebut cukup untuk mengeksekusi job lain pada antrian. Selain itu, pada cluster computing juga mem- butuhkan sistem monitoring untuk mengawasi dan menganalisis penggunaan sumber daya pada klaster. Penelitian ini bertujuan untuk menemukan resource manager yang sesuai untuk digunakan pada klaster komputasi yang memiliki GPU agar dapat meningkatkan efisiensi, implementasi sistem monitoring yang dapat membantu analisis penggunaan sumber daya sekaligus monitoring proses komputasi yang sedang dijalankan pada klaster, dan melayani inference untuk model machine learning. Penelitian dilakukan dengan cara menjalankan eksperimen penggunaan Slurm dan Kubernetes. Hasil yang diperoleh adalah Slurm dapat memenuhi kebutuhan untuk job scheduling dan mengatur penggunaan GPU dan resources lainnya pada klaster dapat digunakan oleh banyak pengguna sekaligus. Sedangkan untuk sistem monitoring, sistem yang dipilih adalah Prometheus, Grafana, dan Open OnDemand. Sementara itu, sistem yang digunakan untuk inference model adalah Flask dan Docker.

---

The amount of computational power needed for the model training process will keep rising along with the volume of data and the number of successful iterations. When the model training process is conducted in computing environments that share resources, such as on cluster-based computing infrastructure, this might lead to issues. Efficiency, competition, and the level of resource use are the three key issues discussed.Efficiency problems occur when there are already computing resources available, yet they are insufficient to meet the demands of high-level workloads. The power of the machine is subsequently wasted. The utilization of such resources becomes inefficient because it’s possible that they would be adequate to complete other tasks on the front lines. A monitoring system is also necessary for cluster computing in order to track and assess how resources are used on clusters. The project seeks to set up a monitoring system that can assist in analyzing the usage of resources while monitoring the com- puting processes running on the cluster and locate a suitable resource manager to be utilized on a computing cluster that has a GPU in order to increase efficiency, also serve inference model in production. Slurm and Kubernetes experiments were used to conduct the investigation. The findings show that Slurm can handle the demands of job scheduling, manage the utilization of GPUs, and allow for concurrent use of other cluster resources. Prometheus, Grafana, and Open OnDemand are the chosen moni- toring systems. Else, inference model is using Flask and Docker as its system constructor."