Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam perencanaan operasi harian, diperlukan perkiraan beban beberapa waktu kedepan sebagai dasar penentuan strategi pembangkit. Saat ini belum dibentuk suatu model matematis yang dapat digunakan untuk melakukan perkiraan beban listrik secara akurat. Untuk itu pada penelitian kali ini akan disusun model matematis yang dapat melakukan peramalan beban secara akurat. Metode yang digunakan pada penelitian ini untuk melakukan peramalan beban listrik di Jawa-Bali adalah dengan menggunakan Feed Forward Neural Networks dan Bayesian Neural Networks. Hasil dari pengolahan data yang telah dilakukan diperoleh hasil bahwa peramalan dengan Feed Forward Neural Networks memberikan hasil peramalan yang lebih baik untuk rentang waktu 1 minggu kedepan, sedangkan untuk melakukan ramalan 1 ? 2 hari kedepan Bayesian Neural Networks memberikan hasil yang lebih akurat.

---

In the daily operations planning, required load estimates as a basis for determining the generating strategy. Currently a mathematical model that can be used to perform accurately estimate the electric load has not been established. Therefore in the present study will be developed a mathematical model that can perform load forecasting accurately. The method used in this study to to forecast electricity load in Java-Bali is by using Feed Forward Neural Networks and Bayesian Neural Networks. The results shows forecasting with Feed Forward Neural Networks provide better forecasting results for a span of 1 week ahead, while to do a forecast 1-2 days ahead of Bayesian Neural Networks provide more accurate results."

"Peramalan beban listrik memegang peranan yang sangat penting bagi efisiensi dan kinerja dari PLN. Berbagai jenis metode dipakai untuk mendapatkan hasil peramalan beban yang akurat agar daya yang dikirimkan sesuai dengan kebutuhan listrik dari konsumen. Skripsi ini membahas peramalan beban jangka pendek satu minggu ke depan dengan menggunakan Jaringan Syaraf Tiruan (JST). Peramalan beban jangka pendek sangat dipengaruhi oleh faktor-faktor cuaca, yang dalam hal ini menjadi masukan JST, yaitu : Suhu, Kelembaban, Tekanan udara, dan Kecepatan angin. Data yang digunakan untuk pembelajaran adalah data sebenarnya sepanjang tahun 2011. Arsitektur yang digunakan adalah feed-forward dan algoritma yang dipakai adalah algoritma backpropagation. Berdasarkan hasil didapatkan nilai MAPE terbaik sebesar 1.8 % dan untuk 10 kali running sebesar 2.65 % sehingga berada di bawah ambang kesalahan peramalan.

---

Electrical load forecasting has an important role for efficiency and performance from PLN.Various types of methods have been used to provide an accurate load forecasting on purpose that the transmitted power appropriates the demand of consumers. This research will discuss short term load forecasting using Artificial Neural Network (ANN). Short term load is influenced by weather factors, those will become input of ANN, i.e. : Temperature, Humidity, Pressure, Wind speed, Data used for study are actual data in 2011. Architecture used for this research is feed-forward and Algorithm that is used is backpropagation. The final result shows that the best MAPE is 1.8 % and for 2.65 % for 10 iterations which are below the forecasting error limit."

"Pesatnya perkembangan teknologi informasi dan komunikasi telah membawa banyak perubahan dalam kehidupan manusia. Salah satu perkembangan yang paling signifikan adalah munculnya teknologi pesan singkat atau Short Message Service (SMS).  Media SMS sering disalahgunakan sebagai media penipuan terhadap pengguna telepon. Penipuan sering terjadi dengan cara mengirimkan SMS secara masif dan acak hingga mencapai sepuluh ribu per hari kepada semua pengguna dan menjadi SMS spam bagi banyak orang. Klasifikasi teks menggunakan Long-Short Term Memory (LSTM) dan BERT Embbeddings dilakukan untuk mengklasifikasi data SMS ke dalam dua kategori, yaitu spam dan non-spam. Data terdiri dari 5575 SMS yang telah diberi label. Dengan menggunakan metode LSTM + BERT, penelitian ini dapat mencapai nilai accuracy sebesar 97.85%. Metode ini menghasilkan hasil yang lebih baik dari ketiga model sebelumnya. Model LSTM + BERT menghasilkan nilai accuracy 0.65% lebih baik dari LSTM.

---

The rapid development of information and communication technology has brought many changes in human life. One of the most significant developments is the emergence of short message service (SMS) technology.  SMS media is often misused as a medium for fraud against telephone users. Fraud often occurs by sending massive and random SMS up to ten thousand per day to all users and becomes SMS spam for many people. Text classification using Long-Short Term Memory (LSTM) and BERT Embeddings is performed to classify SMS data into two categories, namely spam and ham. The data consists of 5575 SMS that have been labeled. By using the LSTM + BERT method, this research can achieve an accuracy value of 97.85%. This method produces better results than the three previous models. The LSTM + BERT model produces an accuracy value of 0.65% better than LSTM."

"Segmenting speech of word into syllables is one of the important problems in syllable-based speech recognition...."

"Penelitian ini menganalisis persistensi kinerja reksadana saham yang terjadi dalam jangka pendek di Indonesia, untuk mengetahui apakah reksadana di Indonesia memiliki persistensi kinerja, apabila dievaluasi dalam rentang waktu per kuartal tahun. Pengukuran persistensi kinerja jangka pendek dinilai dari kemampuan reksadana menghasilkan daily abnormal return yang dianalisis dengan faktor Carhart Four Factor harian menggunakan data return harian dari reksadana-reksadana di Indonesia. Kemudian seluruh reksadana diurutkan kedalam desil berdasarkan daily abnormal returnnya. Tiap desil dianalisis kinerja 3 kuartal kedepannya. Hasil analisis menunjukkan bahwa selama periode penelitian reksadana di Indonesia menunjukkan persistensi kinerja positif yang signifikan. Reksadana winner juga menunjukkan kinerja risk adjusted performance yang lebih baik dibandingkan reksadana loser, bila dilihat dari Sharpe’s ratio dan Treynor’s Measure. Reksadana winner menunjukkan kemampuan stock selection yang superior, Sebaliknya reksadana loser menunjukkan kemampuan stock selection yang inferior, walaupun reksadana winner dan loser menunjukkan kemampuan market timing yang signifikan secara statistik namun tidak terdapat pola yang membedakan antara reksadana winner dan loser dalam segi market timing

---

The goal of this study was to analyze the short term persistence performance in Indonesian equity mutual funds, to see whether Indonesian mutual funds shows short term persistence if they were evaluated in shorter evaluation period, quarterly in this case. The short-term persistence was measured by the ability of the funds to generate daily abnormal return, analyzed using Carhart’s daily four factor model, using the funds daily return. Then all funds sorted into deciles, each decile analyzed for the next three quarter. The result of this thesis shows that in this period of this research, Indonesian funds shows significant positive persistencies. Winner funds also shows superior risk adjusted performance, assessed with Sharpe’s ratio and Treynor’s Measure. Winner funds exhibit good stock selection performance, Loser funds, exhibit bad stock selection skills. Although both winners and loser funds exhibit significant market timing skill, but there is no pattern that distinguish between them"

"ABSTRAKWarna berpengaruh pada fisiologis seseorang termasuk pada fungsi memori.Hipertensi berpengaruh pada penurunan memori. Terapi yang sudah digunakan untukmencegah penurunan memori adalah dengan konsumsi suplemen seperti gingkobiloba dan juga kontrol ketat terhadap tekanan darah dengan obat-obatan tetapipotensi warna belum terlihat. Tujuan penelitian ini adalah mengidentikasi pengaruhpaparan warna (merah, biru dan hijau) pada retensi short term memory pasienhipertensi. Penelitian ini merupakan penelitian kuantitatif dengan design penelitianini adalah Quasi Experimental Design dan jenis rancangan Posttest Only NonEquivalent Control Group Design dan jumlah sampel 68 penderita hipertensi sesuaikriteria inklusi. Hasil penelitian ini menunjukkan ada pengaruh warna hijau terhadapretensi short term memory dengan nilai p 0,001 dan meningkatkan retensi sebesar18,4 % dan hasil tidak bermakna pada warna merah dan biru dengan masing-masingp 0,243 dan 0,841 dengan hanya meningkatkan retensi short term memory masingmasingsebesar 2,3% dan 0,1%. Untuk itu disarankan kepada Dinas Kesehatan danrumah sakit penggunaan warna hijau untuk pengecatan ruangan terutama ruanganhipertensi dan pada perawat untuk menggunakan warna dominan hijau pada mediapenyuluhan dan pendidikan kesehatan.

---

ABSTRACTColors affect on individual physiological status include memory function. In addition,hypertension affect on memory reduction. Common treatment to prevent decreasingmemory are supplement consumption such as Gingko Biloba and intensive control toblood pressure using medication. On the other hand, color that may affect memoryfunction have not been used widely. The purpose of the study was to identify theeffect of color exposure (red, blue and green) on short-term memory retention inpatients with hypertension. This study was a quantitative study with a quasiexperimental design and employed a Posttest Only Non Equivalent Control Groupapproach. The number of 68 samples with hypertension who fulfilled the inclusivecriteria participated in the study. The findings demonstrated that there is a significanteffect of green color on short-term memory (p 0,001, alpha 0.05) and improveretention 18,4 %. Conversely, there is no significant effect on red and blue colors (p0,243 and 0,841 respectively) and improve short-term memory retention only 2,3%dan 0,1% for red and blue colors (respectively). Based on the findings, arecommendation is forwarded to local health office and hospital to use green coloron wall of the wards especially for wards where patients with hypertension are cared.Also, it is suggested to nurses who look after the patients to develop health teachingmedia using green color."

"Peramalan kecepatan angin menggunakan jaringan saraf tiruan propagasi balik merupakan salah satu metoda peramalan kecepatan angin jangka pendek (dalam orde jam) yang cukup efektif untuk diterapkan. Metoda ini mampu memberikan hasil peramalan kecepatan angin yang baik dengan error peramalan terkecil adalah 0.0017. Parameter output dari peramalan kecepatan angin sangat adaptif terhadap perubahan-perubahan yang terjadi pada parameter inputnya, sehingga hasil peramalan akan lebih mendekati kondisi sebenarnya. Parameter input yang digunakan meliputi temperatur udara, kelembaban udara, arah angin dan curah hujan.

---

Wind speed forecasting using backpropagation artificial neural network is one of the short-term wind speed forecasting method (in the ordre of hours) which is quite effective to be applied. This method provides the good wind speeds forecasting result with the smallest error is 0.0017. The output parameters of wind speed forecast is very adaptive to the changes of the input parameters, so the forecast results will be closer to the real conditions. The input parameters that being used are air temperature, air humadity, wind direction and rainfall."

"Skripsi ini melakukan peramalan beban persetengahjam untuk tanggal 25 Desember tahun 2017 dan 2018 menggunakan metode koefisien beban dengan data historis tiga dan empat tahun sebelumnya sebagai acuan. Peramalan beban untuk tanggal 25 Desember 2018 bertujuan untuk mengetahui profil singkat beban persetengahjam pada tanggal tersebut. Dengan membandingkan data peramalan dengan data realisasi, penelitian ini menyatakan bahwa metode koefisien beban dianggap cukup akurat dalam melakukan peramalan pada tanggal 25 Desember 2017; peramalan beban persetengahjam dengan metode koefisien beban memperoleh nilai persentase galat APE sebesar 2,17 ; beban puncak harian pada tanggal 25 Desember 2018 akan terjadi pada pukul 18.30 dengan nilai beban 21.068 MW, sedangkan beban terendahnya akan terjadi pada pukul 07.00 dengan nilai beban 16.364,81 MW.

---

The focus of this study is to do the electrical forecasting every half hour on December 25th 2017 and 2018 using load coefficient method reference to the historical data. Load forecasting on December 25th, 2018 aims to find out the simple profile of load every half hour on the day. By comparing the forecasting data we have with the realization one, this study indicate that the load coefficient method is considered to be quite accurate for load forecasting on December 25th 2017 peak loads occur half an hour earlier than the forcasting load forecasting every half an hour by load coefficient method obtains absolute percentage error APE of 2,17 daily peak load on December 25th, 2018 will occur at 06.30 PM with load value of 21.068MW, while the lowest load will occur at 07.00 AM with load value of 16.364,81 MW."

"Sebagai dasar dalam perencanaan operasi, dibutuhkan prakiraan yang tepat untuk mengetahui kebutuhan tenaga listrik dalam periode waktu tertentu. Prakiraan biasanya berupa prakiraan beban load forecasting meliputi beban puncak MW, dan prakiraan kebutuhan energi listrik MWh. Dalam melakukan prakiraan telah berkembang berbagai macam metode, salah satunya metode koefisien yang digunakan oleh PT PLN Persero- P2B untuk memprakirakan beban harian dan mingguan dengan data realisasi 3 tahun sebagai pengembangan dari metode autoregresi. Metode prakiraan ini merupakan metode yang relatif akurat dengan tingkat kesalahan terhadap nilai-nilai beban aktual berkisar 5 - 10.

---

A basis for operations planning, precise forecasts are needed to determine the demand for electricity over a period of time. Forecasts usually includes load forecasting including peak load MW, and forecasts for electrical energy MWh. In doing the work has evolved a variety of methods, one of which is the coefficient method used by PT PLN Persero P2B to forecast daily and weekly loads with 3 years realization data as the development of the autoregression method. This forecasting method is a relatively accurate method with an error rate against actual load values ranging from 5 10."