Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 147151 dokumen yang sesuai dengan query
cover
Muhammad Pandu Rizkhi Prasetyo
Studi analisis peramalan kebutuhan energi jangka panjang menggunakan metode neural network pada wilayah Jamali = Study analysis of long term demand forecasting using neural network in Jamali
"Pertumbuhan ekonomi dan populasi menyebabkan peningkatan konsumsi energi listrik. Oleh karena itu, konsumsi energi dan penyediaan daya di masa mendatang perlu diprakirakan sejak dini. Terdapat beberapa metode yang telah diterapkan, namun dalam hal ini penulis melakukan peramalan kebutuhan energi menggunakan metode Neural Network (NN) berdasarkan data-data meliputi rasio elektrifikasi, energi terjual pelanggan, PDRB (Produk Domestik Regional Bruto) serta jumlah penduduk pada wilayah Jamali (Jawa Madura Bali). Adapun simulasi NN dilakukan pada software Matlab. Walaupun demikian, peramalan kebutuhan energi kali ini hanya dapat dilakukan pada waktu yang terbatas, karena tingkat kepercayaan ramalan menurun mengikuti kenaikan tahun dimana tingkat kepercayaan maksimum R2 = 0,9852 diperoleh pada peramalan kebutuhan energi selama 6 tahun ke depan.
Economic and population growth led to increased consumption of electrical energy. Therefore, energy consumption and power supply in the future need to be predicted early on. There are several methods that can be applied, but this study will use artificial Neural Network (ANN) for demand forecasting based on data that consist of electrification ratio, energy-sold customers, GDP (Gross Domestic Product) and the number of residents in the area of Jamali. The simulation is done by using Matlab. However, the peak demand forecasting can only be done in a limited time, because the confidence level forecast to decline following the year in which the increase in the maximum confidence level R2 = 0.9852 is obtained on demand forecasting for the next 6 years."
Depok: Universitas Indonesia, 2015
S58442
UI - Skripsi Membership  Universitas Indonesia Library
cover
Arief Heru Kuncoro
Model peramalan pola beban jangka panjang sistem ketenagalistrikan Jawa-Madura-Bali menggunakan metode jaringan syaraf tiruan untuk analisis keandalan dalam perencanaan pengembangan sistem pembangkitan = A long-term load pattern forecasting model on the Java-Madura-Bali electricity power system using artificial neural network method for relibility analyzing on the generating system expansion planning
"Pola beban sistem tenaga listrik yaitu pola permintaan beban puncak dan kurva lama beban (KLB) sangat berpengaruh dalam perencanaan pengembangan sistem pembangkitan jangka panjang. Pola beban tersebut mempengaruhi: nilai total biaya kumulanf pengembangan sxstem koniigurasn optnmum vanabel kandidat pembangkit, total tambahan kapasitas pembangkit terpasang, Jumlah energi yang diproduksi dan keandalan sistem (indeks LOLP (Loss Of Load Probability) & ENS (Energy Not Served)). Beberapa model telah digunakan untuk peramalan permintaan beban puncak dan untuk merepresentasikan KLB. KLB merupakan parameter yang sangat penting untuk analisis sistem ketenagalistrikan seperti estimasi biaya operasi sistem pembangkitan prediksi jumlah energi yang diproduksi dan untuk perhitungan tingkat keandalan. Dalam disertasi ini telah dikembangkan model peramalan beban puncak jangka panjang dan model KLB dengan menggunakan metode Jaringan Syaraf Tiruan (JST). Model yang dikembangkan mampu melakukan komputasi secara paralel melalul pembelajaran dari pola pola yang diajarkan sehingga mampu menemukan hubungan non-linear antara beban dan faktor-faktor ekonomi populasi, konsumsi energi listrik dan faktor faktor Iainnya serta dapat melakukan penyesuaian terhadap perubahan-perubahan yang terjadi. Model tersebut diaplikasikan pada sistem ketenagalistrikan Jawa-Madura-Bali (Jamali) dan hasil output peramalan beban puncak dan KLB nya digunakan sebagai masukan dalam optimasi perencanaan pengembangan sistem pembangkltan dengan program WASP (Wien Automatic System Planning). Selanjutnya dilakukan analisis keandalan sistem berdasarkan hasil optimasi. Untuk mengetahui keakuratan model yang dikembangkan maka output hasil dan model yang dikembangkan dibandingkan dengan model lain. Hasil ramalan beban puncak pada tahun 2025 dengan metode JST tidak berbeda jauh dengan model ekonometrik Simple E yang digunakan untuk Rencana Umum Ketenagalistrikan Nasional (Simple E-RUKN) yaitu masing-masing sebesar 57.030 MW dan 59.107 MW (perbedaannya sekitar 3,58%). Berdasarkan metode JST, laju pertumbuhan beban tahunan rata-rata sekitar 7,1 % selama periode tahun studi 2006-2025, sementara itu menurut Simple E-RUKN laju pertumbuhan diperkirakan sekitar 7,3%per tahun. Representasi pola model KLB-RJST yang dikembangkan lebih mendekati pola KLB-Aktual, dibandingkan dengan pola model KLB-Synder. Berdasarkan hasil analisis keandalan dalam optimasi perencanaan pengembangan sistem pembangkitan diperoleh kesimpulan bahwa perbedaan hasil perhitungan keandalan antara model KLB-JST dibandingkan pola KLB-Aktul mempunyai perbedaan yang relatif kecil (sekitar 0,94% untuk perbedaan LOLP dan 4,44% untuk perbedaan ENS). Untuk model proyeksi KLB berdasarkan metode JST, hasilnya cukup bagus.
Load pattern on the electricity system (i. e. demand pattern of peak load and load duration curve (LDC)) has an effect on the long term generating system expansion planning The load pattern affects of' cumulative total cost value of system development, optimum configuration of generating candidate variable, total addition of generating installed capacity amount of energy produced and system realibility (index of LOLP (Loss Of Load Probability) & ENS (Energy Not Served)) Several models have been used to forecast peak load demand and to express LDC An LDC is one of the most important parameters to analyze the electric power systems. It is used in estimating the operating cost of a power system predicting the amount of energy delivered by each unit, and calculating reliability measures. In this dissertation an intelligence model to forecast long-load and to express LDC using Artificial Neural Networks (ANN) method has been developed The model has ability to conduct parallel computing through training from taught patterns so that it is able to find non-linear relations between load economic thetors population electric energy consumption and other factors. The model can also conduct adjustment in response to any changes that happenes. The model is applied on the Jawa Madura Bali (Jamali) electricity system and the output result of the forecasted peak load and its LDC are used as input on the optimazation of expansion planning for electrical generating system using WASP (Wien Automatic System Planning) program. Hercinafter the system reliability is analyzed based on the optimization result. The developed model output is compared to other model output to verify the accuracy. The result of the forecasted peak load in 2025 by ANN method does not differ far from that of Simple E model used National Electricity General Planning (Simple E-NEGP) of which 57.030 MW and 59.107 MW respectively(its difference about 3,58%) Based in the ANN model, mean annual load growth rate is about 7,1% during study period of 2006-2025, meanwhile according to Simple E-NEGP, the growth rate is estimated about 7,3 % per year. The develop LDC model based on ANN approximates the actual-LDC, if compared to LDC model based on the Synder. Based on the reliability analysis on the optimization of generating system expansion planning, the reliability calculation result by LDC-ANN model is almost similar to LDC-Actual model (differs about 0,94% or LOLP and about 4,44% for ENS). Meanwhile for LDC projection based on ANN, the result is fine."
Depok: Fakultas Teknik Universitas Indonesia, 2008
D1210
UI - Disertasi Open  Universitas Indonesia Library
cover
Fajar Alya RahmanFajar Alya Rahman
Peramalan beban listrik jangka pendek menggunakan jaringan syaraf tiruan = Short term electrical load forecasting using artificial neural network
"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."
Depok: Fakultas Teknik Universitas Indonesia, 2012
S54227
UI - Skripsi Open  Universitas Indonesia Library
cover
Indira Untari
Peramalan beban jangka pendek pada sistem distribusi dengan penetrasi PV rooftop di Jakarta menggunakan teknik jaringan syaraf tiruan (artificial neural network) = Short term load forecasting in distribution systems with PV rooftop penetration in Jakarta using artificial neural network techniques
"Perkembangan teknologi yang sangat pesat di bidang kelistrikan saat ini adalah pemanfaatan distributed generation khususnya PLTS Atap atau dikenal dengan PV Rooftop. Pelanggan memanfaatkan energi listrik dari PV Rooftop untuk kebutuhan listriknya dan juga dapat mentransfer energinya (eksport) ke system kelistrikan PLN jika energi dari PV Rooftop berlebih. Sedangkan PLN tetap mengirimkan energi ke pelanggan jika energi dari PV tidak memenuhi konsumsi listriknya (import). Dengan ketersediaan data smart-meter orde jam beban pelanggan PV Rooftop, maka optimalisasi data untuk keperluan data scientist, data analyst, dan data engineer sehingga informasi data ini dapat dignakan untuk manajemen energi yang efisien dan andal. Peralaman beban untuk pelanggan PV menjadi masalah yang sulit dipecahkan dikarenakan beragamnya tipe penggunaan listrik (konsumsi listrik) dan ketidakpastian faktor eksternal (cuaca) karena penggunaan sumber energi terbarukan (energi matahari) sehingga menimbulkan celah dalam akurasinya. Untuk memecahkan masalah tersebut, penelitian ini menggunakan pendekatan machine-learning yaitu Jaringan Syaraf Tiruan (Artificial Neural Network-ANN) pada MATLAB® dengan algoritma pembelajaran backpropagation dan fungsi aktivasi sigmoid untuk menghasilkan model peramalan beban  orde jam meliputi hari kerja dan hari libur pada pelanggan PV per segment tarif (Pelanggan Rumah Tangga, Pelanggan Bisnis, Pelanggan Industri, Pelanggan Sosial dan Pelanggan Pemerintah). dengan mempertimbangkan variasi konsumsi listrik dan temperatur. Lingkup pengambilan data penelitian dibatasi beban listrik pada pelanggan di Jakarta dan sampling dilakukan selama bulan Juli s/d Oktober 2019. Hasil penelitian ini memperlihatkan bahwa prediksi ANN menghasilkan kinerja dengan Mean Square Error (MSE) sebesar 2%. Prediksi beban listrik tanggal 21 s/d 27 Oktober 2019 memperlihatkan rata-rata error ANN adalah 21%, sedangkan rata-rata error metode regresi adalah 39%. Dengan demikian dapat disimpulkan bahwa prediksi beban listrik menggunakan ANN lebih akurat sebesar 20% dibandingkan dengan metode regresi oleh PLN. Berdasarkan analisis keekonomian, pelanggan mendapatkan efisiensi biaya listrik sebesar 21%, sedangkan PLN berkurang pendapatan sebesar ± Rp. 300 juta/bulan. Strategi manajemen yang diusulkan dengan mempertimbangkan benefit kedua pihak (PLN dan Konsumen) adalah dengan keterlibatan PLN sebagai integrator (sisi hulu dan sales), ketelibatan Pemerintah dan keterlibatan dukungan Bank sebagai
The very rapid technological development in the electricity sector at present is the use of special distributed PLTS known as PV Rooftop. Customers use energy from the PV for their electricity needs and can also transfer their energy (export) to the PLN electricity system if the energy from their PV is excessive. While PLN continues to send energy to customers if using energy from PV does not meet its electricity consumption (imports). While the avaibility of fine-grained smart meter data for PV customers load, optimization could be done for the needs of data scientists, data analysts and data engineers makes this data information usable for efficient and reliable energy management. Forecasting the PV Customer load, however, can be an intractable problem. These loads are characterized by uncertainty and variations due to the use of renewable energy sources (solar energy), leaving much room to improve accuracy. To improve the PV customer load forecast accuracy, this paper advocates a machine-learning tool called Artificial Neural Network (ANN) on MATLAB® with backpropagation learning algorithm and sigmoid activation, include load forecasting per tariff segment (Household Customers, Business Customers, Industrial Customers, Social Customers and Government Customers). The scope of the study took data on electricity loads to customers in Jakarta and sampling was conducted from July to October 2019. The test results show that ANN deterministic load forecasting model can achieve satisfactory performance with the mean square error (MSE) of 2% . Electricity load predictions from 21 to 27 October 2019 have an average error of ANN is 21%, while the average error of the regression method is 39%. Thus it can be concluded that the estimated cost of using ANN electricity is more accurate by 20% compared to the regression method by PLN. Based on economic analysis, customers get electricity cost efficiencies of  21%, while PLN reduces revenue by ±Rp. 300 million/month. The proposed management strategy by considering the benefits of both parties (PLN and Consumers) is to involve PLN as an integrator (upstream and sales side), Government involvement and involvement of Bank supporters as lenders."
Depok: Fakultas Teknik Universitas Indonesia, 2020
T54037
UI - Tesis Membership  Universitas Indonesia Library
cover
Farhatun Nurhaniifah
Analisis kinerja lifelong learning menggunakan model gabungan convolutional neural network dan long short-term memory pada permasalahan analisis sentimen = Analysis of performance lifelong learning using the combined convolutional neural network and long short-term memory model on sentiment analysis in indonesian language
"Analisis sentimen dilakukan untuk menganalisis pendapat atau pandangan seseorang terhadap suatu masalah tertentu. Analisis sentimen dapat dilakukan secara manual, tetapi jika menggunakan data berskala besar akan lebih mudah dilakukan secara otomatis yaitu dengan menggunakan machine learning. Namun, machine learning hanya efektif digunakan pada satu domain saja sehingga dikembangkanlah lifelong learning. Lifelong learning merupakan machine learning yang dapat melakukan pembelajaran secara berkelanjutan. Pada penelitian ini, model yang digunakan adalah model CNN-LSTM dan LSTM-CNN. Pada kinerja transfer of knowledge, model CNN-LSTM dan LSTM-CNN menunjukkan hasil lebih baik dibanding model LSTM, tetapi kedua model gabungan tersebut kinerjanya lebih buruk dibanding model CNN. Sedangkan, pada kinerja loss of knowledge, model model CNN-LSTM dan LSTM-CNN menunjukkan hasil lebih baik dibanding model CNN, tetapi lebih buruk dibanding model LSTM. Pada penelitian ini, diimplementasikan juga lifelong learning dengan pembaruan vocabulary. Penambahan pembaruan vocabulary pada lifelong learning meningkatkan kinerja model CNN, LSTM, CNN-LSTM, dan LSTM-CNN pada transfer of knowledge dan loss of knowledge
Sentiment analysis is done to analyze a person's opinion or views on a particular problem. Sentiment analysis can be done manually, but if you use large-scale data it will be easier to do it automatically by using machine learning. However, machine learning is only effective in one domain, so lifelong learning is developed. Lifelong learning is machine learning that can carry out continuous learning. In this study, the models used are the CNN-LSTM and LSTM-CNN models. In the transfer of knowledge performance, the CNN-LSTM and LSTM-CNN models showed better results than the LSTM model, but the two combined models performed worse than the CNN model. Meanwhile, for the loss of knowledge performance, the CNN-LSTM and LSTM-CNN models showed better results than the CNN model, but worse than the LSTM model. In this study, lifelong learning with vocabulary updates was also implemented. The addition of vocabulary updates to lifelong learning improves the performance of the CNN, LSTM, CNN-LSTM, and LSTM-CNN models on transfer of knowledge and loss of knowledge"
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Muhammad Riefqi
Analisis Peramalan Permintaan Barang Consumer Goods dengan Menggunakan Neural network dan ARIMA = Forecast Analysis of Consumer Goods Demand Using Neural network and ARIMA
"Pertumbuhan ekonomi mengakibatkan tingkat konsumsi masyarakat meningkat, termasuk didalamnya adalah tingkat konsumsi barang consumer goods. Peningkatan tingkat konsumsi memberikan peluang bagi perusahaan-perusahaan untuk meingkatkan margin keuntungannya. Dengan persaingan dengan kompetitor yang begitu ketat, perencanaan produksi menjadi hal yang sangat vital bagi perusahaan. Peramalan jumlah permintaan barang yang akurat dibutuhkan untuk memperoleh operasi produksi yang efektif dan efisien. Metode ARIMA merupakan metode peramalan yang cukup populer untuk peramalan data time series dan terbukti memberikan hasil peramalan yang cukup akurat pada beberapa penelitian yang telah dilakukan sebelumnya. Sedangkan metode neural network memiliki keunggulan untuk mendeteksi pola nonlinear yang ada di dalam data sehingga memiliki performa yang baik saat digunakan untuk melakukan peramalan untuk data yang sifatnya nonlinear. Metode hybrid yang mengkombinasikan ARIMA dengan neural network juga diajukan dalam penelitian ini untuk menganalisis performa kombinasi model gabungan dalam melakukan peramalan. Dalam penelitian ini, neural network menjadi model dengan tingkat akurasi yang lebih baik dibandingkan metode lain.
Economic growth results in increased consumptions levels of the citizen, including the consumption level of consumer goods. An increased level of consumption provides opportunity for companies to raise the profit margin. With tight competition against the competitor, production planning is very vital for the company. Forecasting an accurate number of demands is required to obtain production operation which are efficient and effective. ARIMA is one of the forecasting method which is a fairly popular for forecasting time series data and proven to give a fairly accurate forecasting result based on some researches that has been done before. While neural network method has advantages for detecting nonlinear patterns in the data, resulting a good performance when forecasting for the nonlinear nature of data. Hybrid method which combines the ARIMA with neural network also proposed in this study to analyze the performance of combination forecasting models. In this study, the neural network model with a better accuracy than other methods.
Economic growth results in increased consumptions levels of the citizen, including the consumption level of consumer goods. An increased level of consumption provides opportunity for companies to raise the profit margin. With tight competition against the competitor, production planning is very vital for the company. Forecasting an accurate number of demands is required to obtain production operation which are efficient and effective. ARIMA is one of the forecasting method which is a fairly popular for forecasting time series data and proven to give a fairly accurate forecasting result based on some researches that has been done before. While neural network method has advantages for detecting nonlinear patterns in the data, resulting a good performance when forecasting for the nonlinear nature of data. Hybrid method which combines the ARIMA with neural network also proposed in this study to analyze the performance of combination forecasting models. In this study, the neural network. "
Depok: Fakultas Teknik Universitas Indonesia, 2013
S46090
UI - Skripsi Membership  Universitas Indonesia Library
cover
Hutama Dwantara
Peramalan permintaan produk service parts menggunakan metode single exponential smoothing, croston S method dan artificial neural network = Demand forecasting of car service parts using single exponential smoothing croston S method and artificial neural network
"Perencanaan produksi pada sebuah industri, membutuhkan keputusan yang tepat untuk menentukan jumlah produksi agar dapat memenuhi permintaan konsumen tanpa menghasilkan stok berlebih. Peramalan permintaan merupakan salah satu faktor penting dalam perencanaan produksi yang mampu membantu menghasilkan keputusan produksi yang tepat.
Pada industri otomotif mobil, peramalan yang akurat sangat dibutuhkan untuk mengatasi permintaan yang tidak menentu, khususnya untuk produk service parts, yang pada kenyataannya memiliki permintaan yang tidak menentu dari konsumen dan seringkali membuat perusahaan mobil yang memproduksinya mengalami kerugian karena backorder atau overstock. Artificial neural network ANN merupakan suatu metode berbasis machine learning dengan cara kerja seperti otak manusia yang juga mampu melakukan peramalan untuk data dengan pola non-linier.
Pada penelitian kali ini, dilakukan peramalan dengan objek 10 jenis service parts berbeda dengan menggunakan metode artificial neural network yang kemudian dilakukan perbandingan dengan peramalan metode single exponential smoothing dan croston rsquo;s method untuk dapat membandingkan tingkat akurasi dari peramalan tersebut dan menghasilkan peramalan dengan metode yang paling akurat. Hasil perhitungan pada penelitian ini menunjukkan peramalan metode artifcial neural network mampu menghasilkan peramalan yang lebih akurat dibanding dua metode lain.
Production planning in an industry, required precise decisions to made in order to determine the amount of product that will be produced to fulfill the customer's demand without produce excess stock. Demand forecasting is one of the most important factor in production planning process that able to generate precise production decision.
The automotive industry like car manufacturer, always need an accurate demand forecast serve the uncertain demand of their products, especially the service parts product, that in fact always has uncertainity in it's demand and frequently causing the manufacturer company lose their profit due to tha backorder and overstock occurence. Artificial neural network is a machine learning computation method that could work similarly like human brain that also can forecast a non linier data.
In this research, the data is gained from the demand of 10 car's service parts in a car manufacturer and forecasted with artificial neural network and also two other methods, single exponential smoothing and croston's method to generate a forecasting with the most accurate method. The result of the calculation in this research shows that forecasting with artificial neural networks produce the most accurate forecast for the car's service parts demand."
Depok: Fakultas Teknik Universitas Indonesia, 2017
S67829
UI - Skripsi Membership  Universitas Indonesia Library
cover
Hadi Al Rasyid
Peramalan permintaan konsumsi BBM Premium di Indonesia dengan metode multi linear regresi dan neural network = Forecasting of Premium Fuel demand in Indonesia with using multi linear regression and neural neetwork methode
"Semakin meningkatnya kebutuhan masyarakat pada energi semakin mendorong berkembangnya teori manajemen permintaan energi. Indonesia sebagai negarayang mengalami peningkatan kebutuhan konsumsi premium masih membutuhkan perbaikan dalam tata kelolakebijakan energinya. Salahsatunya dalam melakukan peramalan. Oleh karena itu,Dibutuhkan suatu cara agar dapat melakukan peramalan konsumsi BBM premium di Indonesia.Dalam penelitian ini, peramalan dilakukandengan dua cara. Yaitu dengan menggunakan Multi Linear Regrresi dan Neural network. Hasil yang didapat menunjukkan bahwa metode Multi linear regresi memperoleh keakuratan yang lebih baik dibanding Neural network.
The increasing of energy consumption encouraging the development of energy demand management theory. Indonesia as a country which have increasing consumption premium fuel in few years is need to improve their energy policy, especially in forecasting. Therefore, there are need a methode to forecast premium demand in Indonesia. In this research, forecasting is done with using Multi Linear Regression and Neural Network. The result is the accuration of Multi Linear Regression methode better than the accuration of Neural network methode."
Depok: Fakultas Teknik Universitas Indonesia, 2016
T45434
UI - Tesis Membership  Universitas Indonesia Library
cover
Rehan Hawari
Deteksi Aktivitas Jatuh Pada Dataset Multimodal Menggunakan Arsitektur Convolutional Neural Network Dan Long Short Term Memory = Fall Detection on Multimodal Dataset using Convolutional Neural Netwok and Long Short Term Memory
"Jatuh merupakan penyebab utama kedua cedera dan kematian yang tidak disengaja di seluruh dunia. Kejadian ini sering terjadi pada lansia dan frekuensinya meningkat setiap tahun. Sistem pendeteksi aktivitas jatuh yang reliabel dapat mengurangi risiko cedera yang dialami. Mengingat jatuh adalah kejadian yang tidak dikehendaki atau terjadi secara tiba-tiba, sulit untuk mengumpulkan data jatuh yang sebenarnya. Deteksi jatuh juga sulit karena kemiripannya dengan beberapa aktivitas seperti jongkok, dan mengambil objek dari lantai. Selain itu, beberapa tahun belakangan dataset mengenai aktivitas jatuh yang tersedia secara publik juga terbatas. Oleh karena itu, di tahun 2019, beberapa peneliti mencoba membuat dataset jatuh yang komprehensif yang mensimulasikan kejadian yang sebenarnya dengan menggunakan perangkat kamera dan sensor. Dataset yang dihasilkan dataset multimodal bernama UP-Fall. Menggunakan dataset tersebut, penelitian ini mencoba mendeteksi aktivitas jatuh dengan pendekatan Convolutional Neural Network (CNN) dan Long Short Term Memory (LSTM). CNN digunakan untuk mendeteksi informasi spasial dari data citra, sedangakan LSTM digunakan untuk mengeksploitasi informasi temporal dari data sinyal. Kemudian, hasil dari kedua model digabungkan dengan strategi majority voting. Berdasarkan hasil evaluasi, CNN memperoleh akurasi sebesar 98,49% dan LSTM 98,88%. Kedua model berkontribusi kepada performa strategi majority voting sehingga mendapatkan akurasi (98,31%) yang melebihi akurasi baseline (96,4%). Metrik evaluasi lain juga meningkat seperti precision naik 11%, recall 14%, dan F1-score 12% jika dibandingan dengan baseline
.Fall is the second leading cause of accidental injury and death worldwide. This event often occurs in the elderly and the frequency is increasing every year. Reliable fall activity detection system can reduce the risk of injuries suffered. Since falls are unwanted events or occur suddenly, it is difficult to collect actual fall data. It is also difficult because of the similarity to some activities such as squatting, and picking up objects from the floor. In addition, in recent years the fall dataset that is publicly available is limited. Therefore, in 2019, some researchers tried to create a comprehensive fall dataset that simulates the actual events using camera and sensor devices. The experiment produced a multimodal dataset UP-Fall. Using this dataset, this study tries to detect falling activity using Convolutional Neural Network and Long Short Term Memory approaches. CNN is used to detect spatial information from image data, while LSTM is used to exploit temporal information from signal data. Then, the results of the two models are combined with the majority voting strategy. Based on the evaluation results, CNN obtained an accuracy of 98.49% and LSTM 98.88%. Both models contribute to the performance of the majority voting strategy with the result that the accuracy (98.31%) exceeds baseline accuracy (96.4%). Other evaluation metrics also improved such as precision goes up to 11%, recall 14%, and F1-score 12% in comparison with baseline."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Dwiky Nugraha
Peramalan permintaan bahan bakar minyak jenis avtur di Tanjungpinang dengan metode arima dan neural network = Forecasting demand of avtur in Tanjungpinang with arima method and neural network
"Bertumbuhnya perkembangan transportasi udara, ekonomi dan fasilitas di daerah mengakibatkan kenaikan pada pemakaian avtur di Indonesia. Peningkatan permintaan avtur ini harus disesuaikan dengan perkembangan fasilitas dan pasokan avtur pada bandara di daerah seperti bandara Raja Hasi Fisabilillah di Tanjungpinang. Tetapi penyedia avtur belum mempunyai data awal untuk membuat kebijakan dan perencanaan. Untuk itu, dibutuhkanlah data awal berupa peramalan permintaan avtur. Terdapat banyak metode untuk melakukan peramalan, namum belum diketahui metode yang mampu memberikan hasil terbaik. Untuk itu dilakukan peramalan yang menggunakan metode peramalan ARIMA dan ANN pada penelitian ini.
Metode ARIMA baik dalam mengestimasi data time series yang bersifat linear, serta metode ANN baik dalam mendeteksi pola non linear. Serta digunakan metode hybrid yang menggabungkan metode ARIMA dengan ANN yang diharapkan memberikan hasil yang baik. Dari penelitian yang dilakukan, hasil peramalan dibandingkan dengan metode tradisional dan SARIMA, dan didapatkan bahwa metode hybrid memberikan hasil yang terbaik dibandingkan dengan error MAPE sebesar 13.75 . Dengan jumlah permintaan pada periode selanjutnya sebesar 101.94 kl, 104.48 kl, 105.46 kl, 114.04 kl, 106.05 kl, 114.03 kl, 114.63 kl, 116.15 kl, 101.44 kl, 97.86 kl.
The growing of air transport, the economy and the facilities in the local area resulted in an increase in aviation fuel consumption in Indonesia. The increase of jet fuel demand is must be accompanied by the development of facilities and the supply of aviation fuel at airports in local areas such as Raja Haji Fisabilillah airports in Tanjungpinang. But aviation fuel providers not already have preliminary data for planning and policy making. Thus, required the initial data like forecasting demand for aviation fuel. There are many methods for forecasting, yet we don rsquo t know which method are capable of providing the best results. For that reason, we try to using ARIMA and ANN forecasting method.
ARIMA is one of the method which is good in estimating the linear data of time series, and ANN methods is good at detecting non linear pattern. And we used a hybrid method that combines ARIMA with ANN which expected to provide good results. This research shown the results of forecasting compared to traditional and SARIMA method, and found that the hybrid method gives the best result, with MAPE error is 13.75 . And the total demand in the next period is 101.94 kl, 104.48 kl, 105.46 kl, 114.04 kl, 106.05 kl, 114.03 kl, 114.63 kl, 116.15 kl, 101.44 kl, and 97.86 kl."
Depok: Fakultas Teknik Universitas Indonesia, 2016
S66594
UI - Skripsi Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>