Hasil Pencarian  ::  Simpan CSV :: Kembali

"Emisi polusi dan kebisingan pesawat merupakan bagian penting dari sumber polusi di sekitar bandara, yang secara langsung atau tidak langsung akan mempengaruhi resiko bahaya bagi kesehatan manusia dan ekosistem. Efek suara pesawat dan emisi pada populasi di sekitar bandara berkaitan dengan gangguan yang terkadang sangat berbahaya. Untuk mengatasi masalah ini, penelitian ini mengusulkan model yang mengintegrasikan emisi pesawat dari kebisingan dan polutan dengan menggabungkan efek dari kedua emisi tersebut dengan menggunakan Artificial Neural Network (ANN) untuk menentukan indeks resiko kesehatan di sekitar bandara. Pengukuran emisi pesawat baik kebisingan maupun polutan di Bandara Internasional Soekarno Hatta - Cengkareng Indonesia digunakan untuk memvalidasi model yang dikembangkan sebagai data masukan. Hasil yang telah diperoleh dalam penelitian ini adalah arsitektur model ANN yang terbaik yang terdiri dari 4 (empat) variabel input (CO, NOx, SOx, Noise level), 10 (sepuluh) untuk proses layer tersembunyi (hidden layer) dan satu variabel output (indeks risiko kesehatan) atau dapat ditulis model 4-10-1. Berdasarkan kriteria validasi ANN, kinerja validasi terbaik dicapai pada epochs 15 dari 21 epochs dengan Mean Squared Error (MSE) yang bernilai 0,035062. Korelasi antara target dan output divalidasi dengan R = 0,98823, yang berarti bahwa ada hubungan erat antara target dan output. Jaringan nilai output kesalahan mendekati nol, yang

---

Aircraft noise and pollutant emissions are an important part of the sources of pollution around airport that directly or indirectly will affect harmful to human health and ecosystems. The effects of aircraft noise and pollutant emissions on the populations around airport deal with annoying and sometimes dangerous. In order to address this issue, this research proposes an integrating model of aircraft noise and pollutant emissions by combining effects of both noise and pollutant emissions using Artificial Neural Network (ANN) to determine the healthy risk level around the airport. Measurement of aircraft noise and pollutant emissions at Soekarno Hatta International Airport - Cengkareng Indonesia is used to validate the developed model as input data.

The results obtained in this research are the best ANN architecture model is 4 (four) variable input (CO, NOx, SOx, Noise Level), 10 for variable process (hidden layer) and one for output variable (healthy risk level) that can be written as 4-10-1 model. Based on ANN validation criteria, the best validation performance is achieved at epoch 15 from 21 epochs with the Mean Squared Error (MSE) of 0.035062. The correlation between targets and outputs are validated with R = 0.98823, which means that there is a close relationship between targets and outputs. The value of network output errors approaches to zero, ranging from -0.6 to 0.6."

"Emisi kendaraan terutama yang menggunakan mesin diesel merupakan masalah yang sudah tidak asing lagi. Nox, HC, O2, CO, CO2 dan asap yang merupakan zat- zat hasil pembakaran mesin diesel dapat di ukur melalui percobaan eksperimental. Tetapi tentunya percobaan eksperimental ini mempunyai beberapa kekurangan seperti pengoperasiannya yang mahal serta prosesnya yang memakan waktu cukup panjang. Untuk mengatasi masalah itu semua, maka dibuatlah suatu metode pemodelan matematika menggunakan Artificial Neural Network (ANN). Metode ANN yang digunakan dalam skripsi ini adalah Backpropagation. Dengan dilakukannya penelitian ini diharapkan karakter emisi kendaraan mesin diesel dapat diprediksi secara akurat. Hasil dari penelitian ini membuktikan bahwa ANN cukup handal dalam memprediksi emisi bahan bakar mesin diesel.

---

Vehicle emissions, especially using diesel engine is not a strange problem anymore. NOx, HC, O2, CO, CO2 and smoke emissions comes from the combustion of substances in diesel engines can be measured through experimental test. Certainly this experimental test has several shortcomings such as the operation is expensive and time consuming process which is long enough.

To cope with this problem, then a mathematical modeling method using Artificial Neural Network (ANN) was made. ANN method used in this thesis is Backpropagation. This research expect to predict characters of diesel engine emissions accurately. The results of this study proves that ANN quite good to predict diesel engine emission."

"Di Indonesia, dengue telah menjadi salah satu penyakit yang bersifat hiperendemis. Dengue diderita oleh masyarakat dari berbagai kalangan usia, baik pria maupun wanita. Dengue memiliki manifestasi klinis yang terdiri dari tiga fase: fase demam, fase kritis, dan fase penyembuhan. Banyak pasien dengue meninggal pada fase kritis karena pengobatan yang tidak dilaksanakan tepat waktu. Oleh karena itu, dibangunlah model-model yang dapat memprediksi tingkat keparahan dengue berdasarkan hasil uji laboratorium dari pasien yang bersangkutan menggunakan Artificial Neural Network (ANN) dan Analisis Diskriminan (AD). Dalam pembangunan model-model tersebut, digunakan data dengan jumlah yang sangat kecil, yakni sebesar 77 data. Dalam data tersebut, terdapat informasi mengenai hasil uji laboratorium dan diagnosis dari pasien yang bersangkutan. Diagnosis tersebut dikelompokkan ke dalam tiga kategori keparahan dengue, yakni DF sebagai tingkat ringan, DHF grade 1 sebagai tingkat sedang, dan DHF grade 2 sebagai tingkat parah. Dalam penelitian ini, dilakukan tiga pemisahan data, yakni dengan rasio data training : data testing sebesar 70% : 30%, 80% : 20%, and 90% : 10%. Berdasarkan hasil yang diperoleh, model-model prediksi ANN yang dibangun menggunakan fungsi aktivasi logistik dan tangen hiperbolik dengan persentase data training sebesar 70% menghasilkan akurasi (90.91%), sensitivitas (91.11%), dan spesifisitas (95.51%) tertinggi. Model-model tersebutlah yang diajukan dalam penelitian ini. Model-model tersebut akan mampu membantu para dokter dalam memprediksi tingkat keparahan dengue dari pasien yang bersangkutan sebelum memasuki fase kritis. Lebih jauh, model-model tersebut dapat memudahkan para dokter dalam mengobati pasien dengue secara dini, sehingga kasus-kasus fatal atau kematian dapat dihindari.

---

In Indonesia, dengue has become one of the hyperendemic diseases. Dengue is being suffered by many people of all ages, both men and women. Dengue has clinical manifestations that are divided into three phases: febrile phase, critical phase, and convalescence phase. Many patients have died in the critical phase due to the lack of timely treatment. Therefore, I developed models that can predict the severity of dengue based on the corresponding patients’ laboratory test results using Artificial Neural Network (ANN) and Discriminant Analysis (DA). In developing the models, I used a very small dataset, which only consisted of 77 data. The data contains information regarding the laboratory test results and the diagnosis of each of the corresponding patients. The diagnoses were classified into three categories of dengue severity, which are DF as the mild level, DHF grade 1 as the intermediate level, and DHF grade 2 as the severe level. I conducted three different data split, that is, with the ratio of training : testing = 70% : 30%, 80% : 20%, and 90% : 10%. It is shown that ANN models developed using logistic and hyperbolic tangent activation function with 70% training data yielded the highest accuracy (90.91%), sensitivity (91.11%), and specificity (95.51%). These ANN models are the proposed models in this research. The proposed models will be able to help physicians predict the dengue severity of a corresponding patient before entering the critical phase. Furthermore, it will ease physicians in treating dengue patients early, so deaths or fatal cases can be avoided."

"Energi matahari adalah salah satu energi terbarukan dengan potensi besar di negara tropis termasuk Indonesia. Pemanenan energi surya melalui sistem fotovoltaik memiliki tantangan besar karena intermittency dan ketidakpastian serta tidak tersedianya data yang diukur di setiap lokasi. Tujuan dari penelitian ini adalah untuk meramalkan radiasi matahari di lokasi tertentu dengan menggunakan model ASHRAE Clear-Sky dan informasi cuaca lokal melalui algoritma Jaringan Syaraf Tiruan (JST). Model ASHRAE Clear-Sky digunakan sebagai dasar penyinaran maksimum yang akan dikalibrasi dengan mempertimbangkan informasi cuaca setempat. Model peramalan dikembangkan dengan menggunakan algoritma backpropagation dari JST. Metode yang diusulkan disimulasikan di Departemen Teknik Elektro Fakultas Teknik, Universitas Indonesia. Hasil penelitian menunjukkan bahwa metode yang diusulkan dapat memberikan estimasi akurat dari penyinaran matahari dengan rata-rata kesalahan absolut dalam tiga hari yang berbeda adalah 58,30."

"Penelitian ini membahas tentang perancangan sistem identifikasi pada sistem dinamik kapal Makara 03 dengan konfigurasi multi masukan dan multi keluaran. Penelitian ini merancang berbagai metode perombakan struktur Jaringan Saraf Tiruan (JST) baik metode sekuensial maupun fungsional untuk dapat menangkap dinamik yang ada pada dinamik kapal Makara 03. Metode-metode pada JST yang dibuat akan dibandingkan dengan hasil dari model matematika yaitu Transfer Function dan State Space untuk membuktikan keberhasilan dan keunggulan JST dalam membuat sistem identifikasi. Hasil dari perbandingan tersebut membuktikan semua metode yang dihasilkan pada penelitian ini mendapatkan hasil yang lebih baik dibandingkan dengan model matematika konvensional.

---

This research discusses the design of the identification system on the dynamic system of the Makara 03 ship with a multi-input and multi-output configuration. This study designed various structural reshuffle methods for sequensial and functional model of Artificial Neural Network (ANN) to be able to capture the dynamics of Makara 03. The methods in the ANN that were made will be compared with the results of mathematical models namely Transfer Function and State Space for prove the success and superiority of ANN in making identification systems. The results of this comparison prove that all the ANN methods produced in this study get better results compared to conventional mathematical models."

"Road infrastructure includes toll roads developed to support mobility and economic activity. The toll road is part of the road network and is an alternative that can save travelers time and give them better service. The level of service of the toll road is strongly connected to the level of satisfaction of toll road users; therefore, customer satisfaction needs to be included in development models.

The purpose of this study was to develop a model approach to customer satisfaction using an artificial neural network (ANN). Two models of customer satisfaction, SERVQUAL and Minimum Service Standards (SPM), have been used to modify the Toll Road Service Quality (TRSQ) model.

This study has been able to explain that TRSQ has a value of R2, meaning the result is better than that of the other two models. The TRSQ model itself consists of seven dimensions: information, accessibility, reliability, mobility, security, rest areas, and responsiveness. Reliability is the dimension with the greatest effect on customer satisfaction."