Hasil Pencarian  ::  Simpan CSV :: Kembali

"Analisis Kekuatan Sisa Penumpu Lambung Kapal Asimetris Pasca Rusak dengan Metode Beam Finite Element. Tujuan dari studi ini adalah untuk menganalisis kekuatan sisa dari penumpu lambung kapal rusak tidak simetris dalam pengaruh lentur memanjang. Metode Beam Finite Element diadopsi untuk pengujian dari kekuatan sisa dari dua kapal bulk carrier (Ship B1 dan Ship B4) dan sebuah model tiga-ruang-muat dari kapal bulk carrier dengan tipe Panamax berlambung tunggal pada kondisi hogging dan sagging. Suatu prosedur penyelesaian yang efisien dengan kata lain lambung kapal diasumsikan tetap pada bidang, momen lentur vertikal bekerja pada penampang dan model tiga-ruang- muat. Untuk kasus kerusakan, bagian yang rusak dibuat sederhana dengan menghilangkan elemen-elemen dari penampang, tegangan sisa pengelasan, dan ketidaksempurnaan awal diabaikan. Tidak ada perpanjangan retak yang dipertimbangkan. Hasil yang diperoleh dengan menggunakan metode Beam Finite Element disebut Beam-HULLST dibandingkan dengan analisis progressive collapse yang diperoleh dengan menggunakan HULLST untuk validasi dari metode yang digunakan. Kemudian, pada model tiga-ruang-muat, digunakan Beam-HULLST untuk menginvestigasi pengaruh rotasi sumbu netral pada kondisi intact dan damage dengan mempertimbangkan satu dan lima jarak gading.

---

The objective of the present study is to analyze the residual strength of asymmetrically damaged ship hull girder under longitudinal bending. Beam Finite Element Method is used for the assessment of the residual strength of two single hull bulk carriers (Ship B1 and Ship B4) and a three-cargo-hold model of a single-side Panamax Bulk Carrier in hogging and sagging conditions. The Smith?s method is adopted and implemented into Beam Finite Element Method. An efficient solution procedure is applied; i.e. by assuming the cross section remains plane, the vertical bending moment is applied to the cross section and three-cargo-hold model. As a fundamental case, the damage is simply created by removing the elements from the cross section, neglecting any welding residual stress and initial imperfection. Also no crack extension is considered. The result obtained by Beam Finite Element Method so-called Beam-HULLST is compared to the progressive collapse analysis obtained by HULLST for the validation of the present work. Then, for the three-hold-model, the Beam-HULLST is used to investigate the effect of the rotation of the netral axis both intact and damage condition taking the one and five frame spaces into account."

"Terdapat banyak metode pembelajaran mesin menggunakan jaringan saraf tiruan untuk mendeteksi atau mengenali aksi manusia, salah satunya adalah metode pengenalan aksi manusia berdasarkan kerangka (Skeleton-base Action Recognition) PoseC3D dengan arsitektur pembelajaran 3D-CNN (3D Convolutional Neural Network). Pada metode PoseC3D, dilakukan pengenalan aksi manusia berdasarkan kerangka manusia dari data visual RGB dengan mengambil aksi dalam bentuk heatmap 2D dan kemudian dibentuk hingga menjadi heatmap 3D. Heatmap 3D tersebut dilakukan pembelajaran dengan arsitektur 3D-CNN untuk didapatkan keluaran berupa klasifikasi dari aksi manusia. Metode PoseC3D diajukan karena dikatakan mampu untuk melakukan pengenalan aksi manusia yang lebih baik dibandingkan dengan metode lain. Metode ini dikatakan lebih efektif dalam pembelajaran fitur spatiotemporal, lebih mampu menghadapi gangguan estimasi pose, hingga dapat melakukan pengenalan aksi manusia dalam skenario banyak manusia dalam satu bingkai. Oleh karena itu, penelitian ini melakukan percobaan dan pengujian sistem pengenalan aksi manusia dengan metode PoseC3D karena dikatakan mampu memberikan hasil yang baik. Penelitian melakukan percobaan dan pengujian metode sistem menggunakan himpunan data buatan yang berisi video seseorang yang sedang melakukan suatu aksi dengan aksi manusia berbahaya dan tidak berbahaya. Dalam himpunan data aksi manusia buatan ini terdapat delapan aksi manusia yang terdiri dari lima aksi manusia yang tidak berbahaya, yaitu berjalan, duduk, menyapu, berbaring, dan melempar serta terdapat tiga aksi manusia yang berbahaya, yaitu aksi menggunakan pistol, senjata laras panjang, dan pisau. Pada penelitian, dilakukan percobaan dengan melakukan pelatihan model menggunakan himpunan data aksi manusia tadi untuk mendapatkan keluaran berupa model pelatihan dengan akurasi model tersebut dan pada pengujian akan dilakukan pengujian model pelatihan yang diperoleh menggunakan data video yang diujikan untuk mengetahui ketepatan pengenalan aksi manusia. Dari keluaran yang diperoleh, akan dilakukan analisis keberhasilan dan keakuratan metode PoseC3D dengan himpunan data buatan dalam mengenali aksi manusia.

---

There are many machine learning methods using an artificial neural network to detect or recognize human action, one of them is Skeleton-based Action Recognition using the PoseC3D method with 3D-CNN (3D Convolutional Neural Network) learning architecture. The PoseC3D method does action recognition based on a human skeleton from the RGB visual data by extracting the human pose or action on a 2D heatmap and then transforming it into a 3D heatmap. The 3D heatmap is done by learning with 3D-CNN architecture to obtain output in the form of classification from human action. The PoseC3D method is said to be able to do human action recognition better rather than other methods where this method is said to be more effective in learning spatiotemporal features, can perform human action recognition with multiple people, and is more robust with pose estimation noise. Therefore, this study experiment and testing of human action recognition with the PoseC3D method which is said to be able to obtain an output with a good result. The study experiment and tested human action recognition with a custom dataset of the video containing several humans doing some action with dangerous and harmless actions. In this custom dataset containing human actions, there are eight human actions consisting of five harmless human actions, namely walking, sitting, sweeping, lying down, and throwing and there are three dangerous human actions, namely using a gun, rifle, and knife. In the research, an experiment was carried out by conducting model training using the custom human action dataset earlier to get the output in the form of a training model with the accuracy of the model and in testing the training model obtained using video data was tested to determine the accuracy of recognition of human actions. From the output obtained, an analysis of the success and accuracy of the PoseC3D method with custom datasets will be carried out in recognizing human actions."

"Beberapa penelitian telah menunjukkan bahwa bakteri mampu melakukan pemesinan pada logam, salah satunya adalah Acidithiobacillus ferrooxidans. Keuntungan utama menggunakan bakteri untuk proses pemesinan adalah efisiensi energi yang digunakan. Penelitian sebelumnya telah membuktikan kemampuan Acidithiobacillus ferrooxidans dalam melakukan pemesinan termasuk karakterisasi pelepasan material dan hasil akhir pada benda kerja. Namun tidak satupun dari penelitian tersebut yang meneliti kemungkinan dari bakteri tersebut melakukan pemesinan multi-axis. Dalam penelitian ini akan dibahas mengenai kemungkinan dari Acidithiobacillus ferrooxidans dalam melakukan pemesinan multi axis dengan menggunakan total 15 buah sampel benda kerja. Beberapa benda kerja tersebut diletakkan dalam cairan medium kultur dengan diberikan sudut inklinasi 450 dengan menggunakan inklinator untuk membandingkan hasil pemesinan dengan benda kerja yang tidak diberi inklinasi. Hasil dari mikrografi SEM menunjukkan bahwa benda kerja yang diberi inklinasi memiliki kedalaman pelepasan material dan profil potongan yang berbeda dengan benda kerja yang tidak diberi inklinasi. Benda kerja yang diberi inklinasi memiliki perbedaan kedalaman pelepasan material sebesar 45% lebih banyak pada sisi yang lebih tinggi. Dengan adanya perbedaan karakteritik pemesinan, diharapkan dapat dijadikan acuan untuk pengembangan proses Biomachining multi-axis lebih lanjut.

---

Recent studies show that some bacteria have the ability to do machining process, and one of them is Acidithiobacillus ferrooxidans. The main purpose of using bacteria to do the machining process is the efficiency of energy used. Previous studies have already investigate the capability of Acidithiobacillus ferrooxidans to do the machining including the characterization of the material removed and surface finishing of the workpiece. However, none of them investigate the possibility for the bacteria to do the multi-axis machining.

In this research, the capability of Acidithiobacillus ferrooxidans to do the machining process was investigated. A total of 15 workpieces were used, and placed in the cultured medium with different conditions. Some of the workpieces were placed without inclination angle while some of them were placed with 450 of inclination angle.

The SEM micrograph result showed that there were differences in the cutting depth and cutting profile of the workpieces which were inclined and not inclined. The higher sides have 45% more depth of material removed. According to these result, there is a possibility it might led to the further development of multi-axis Biomachining."

"We have been successfully synthesized YAG :Ce3+nanoparticle (60 nm in sized) having High crystalinity by using low tenperature sol gel mwthod....."

"Pohon memiliki kerentanan tumbang terutama di musim tertentu. Seperti pohon Sengon (P.Falcataria) di lingkungan kampus Universitas Indonesia yang sangat rentan tumbang. Kayu dibagi menjadi 2 kategori berdasarkan kandungan air di dalamnya, yaitu kayu segar (Green Wood) dan kayu kering (Dried Wood). Masing – masing kayu memiliki kelebihan dan kekurangan dalam fungsi penggunaannya. Kayu segar (Green Wood) sendiri diartikan sebagai kayu yang baru saja dipotong dari pohon tanpa dilakukan pengeringan dengan moisture content-nya diatas 50%. Sedangkan kayu kering (Dried Wood) diartikan sebagai kayu dari pohon yang telah dipotong dan telah diberikan perlakuan pengeringan kayu. Berdasarkan sifat kayu diatas ketahanan pohon terhadap gaya-gaya mekanik berpengaruh terhadap perubahan kadar air di dalam pohon tersebut. Sayangnya data kerentanan dan kekuatan pohon dengan kadar kelembapan diatas 12% masih sangat langka dan menggunakan data mechanical properties dari kayu yang telah melalui proses pengeringan sebagai dasar untuk mencari kapasitas kerentanan tumbang pohon hidup akan berujung kepada suatu kekeliruan. Penilitian ini memiliki tujuan untuk mencari dan menganalisis kerentanan dan kekuatan pohon sengon dalam keadaan hidup dengan simulasi uji tarik dan tekan menggunakan software finite element analysis. Pada simulasi pohon dianggap sebagai material ortotropik dengan simplifikasi pada material data dan modelling. Model dari pohon mempunyai dimensi panjang 12 meter dan diameter 25 cm. Setelah dilakukan simulasi ditemukan bahwa pohon Sengon paling rentan terhadap beban kantilever dengan beban maksimum mencapai 2256 N. Sedangkan pada pembebanan tarik dan tekan beban maksimum mencapai 650000 N dan 900000 N secara berurutan.

---

Trees have collapsing vulnerability especially in certain seasons. Such as the Sengon tree (P. Falcataria) in the University of Indonesia campus environment that is very vulnerable to collapse. Wood are divided into 2 categories based on its moisture content, which are fresh wood (Green Wood) and dry wood (Dried Wood). Each wood has advantages and disadvantages in the function of its use. Fresh wood (Green Wood) itself is defined as wood that has just been cut from a tree without undergoing any drying process, where its moisture content is higher than 50%. Whereas dry wood (Dried Wood) is defined as wood from trees that have been cut and have been given wood drying treatment with moisture content below 12%. Based on the nature of the wood above the resistance of trees to mechanical forces fluctuating in response to moisture content in the tree. Unfortunately the data and research of tress vulnerability with moisture content above 12% is still scarce and using mechanical data properties from wood that has been through the process of drying as a basis for finding the vulnerability capacity of fallen live trees will lead to a mistake. This study aims to find and analyse the strength and vulnerability of green wood through tension and compression test simulation by using finite element analysis software. In the simulation, the tree is considered as an orthotropic material with few simplification on the material data and modelling. The model of the tree has the dimension of 12 m in length and 25 cm in diameter. After the model has been simulated through cantilever, tensile and compression test the it has been found that Sengon tree is mostly vulnerable with canliver load, with its maximum load at 2256 N. Whereas in tension and compression load the tree was able to hold until maximum load at 650000 N and 900000 N, respectively"

"Sistem pengenalan wajah (face recognition system) merupakan salah satu sistem yang dibangun berdasarkan pre-trained model. Sistem ini memanfaatkan teknik biometrik yang menggunakan wajah sebagai pengenalan atau identifikasi seseorang. Implementasi sistem pengenalan wajah dapat diaplikasikan dalam berbagai macam aplikasi seperti sistem absensi untuk mengecek kehadiran, sistem monitoring pengunjung di tempat wisata ataupun tempat-tempat publik, hingga dapat digunakan untuk mengenali tingkah laku seseorang untuk analisis-analisis yang dibutuhkan di berbagai bidang. Dalam penelitian ini, akan diimplementasikan sistem pengenalan wajah untuk sistem absensi menggunakan metode pembelajaran deep learning. Proses training data dan validasi hasil pengenalan wajah akan dibandingkan antara model CNN (Convolutional Neural Network) berarsitektur ResNet-50 dengan VGG16 yang telah dilatih sebelumnya menggunakan dataset Open Data Science (ODSC) untuk mendapatkan model perancangan sistem wajah terbaik. Simulasi real-time dilakukan dengan menggunakan model latih dengan validasi akurasi tertinggi sebesar 98.2%. Model latih yang digunakan dalam simulasi adalah ResNet-50 dengan dataset B sebagai data training serta learning rate sebesar 0.01. Hasil analisis menunjukkan bahwa proses training menggunakan model ResNet-50 jauh lebih ringan dan memberikan hasil model pelatihan dengan validasi akurasi yang lebih tinggi dibanding dengan model VGG16 yang membutuhkan banyak resource selama proses training berlangsung. Pengujian real-time yang dilakukan menunjukkan bahwa model ResNet-50 akan akurat jika memperhatikan beberapa kondisi yang diperlukan seperti jarak deteksi harus 50 hingga 100 cm dari kamera deteksi dan posisi wajah harus lurus menghadap kamera deteksi.

---

The face recognition system is a system that is built based on a pre-trained model. This system utilizes biometric techniques that use the face as an identification or authentication of a person. The facial recognition system can be applied in various applications such as attendance systems to check attendance, visitor monitoring systems at tourist attractions or public places, and to identify a person's behavior for the analyzes needed in various fields. In this study, a facial recognition system will be implemented for the attendance system using deep learning methods. To obtain the best system design, training, and validation of facial recognition results will be compared between the CNN (Convolutional Neural Network) model with the ResNet-50 and VGG16, which has been previously trained using the Open Data Science (ODSC) dataset. Real-time simulations were carried out using a training model with the highest validation accuracy of 98.2%. The training model used in the simulation is ResNet-50 with dataset B as training data and a learning rate of 0.01. The analysis results show that the training process using the ResNet-50 model is much lighter and provides results with higher accuracy validation than the VGG16 model, which requires a lot of resources during the training process. Real-time testing has shown that the ResNet-50 model will be accurate if it considers several conditions, such as the detection distance must be 50 to 100 cm from the detection camera, and the face position must be in a straight facing towards the detection camera."

"In this work, an effort has been made to first observe the effect of reinforcement corrosion on flexural behavior of reinforced concrete beams and the to develop a model based on the test data to predict their residual flexural strength. Test data were gathered from the testing of 56 reinforced concrete beam specimens that were subjected to a varying degree of accelerated corrosion . It has been observed that the product of corrosion current density and corrosion period I corr T is the most siginficant factor affecting the flexural strength of a corroded beam . Based of the experimental data, a two step approach is proposed to predict the residual flexural strength of a corroded beam. First, the flexural strength is calculated using the reduced area of corroded bars, and then this value is multiplied by a correction factor that is formulated through a regression analysis of test data to take into account bond, slip, and other applicable factors."

"Survei Kesehatan Indonesia (SKI) tahun 2023 yang dilakukan oleh Kementerian Kesehatan (Kemenkes) ada sekitar 70 juta perokok aktif di Indonesia. Apabila dihitung dari populasi penduduk Indonesia ada 28,62% penduduk yang merokok di tahun 2023 dan persentase ini meningkat dari tahun sebelumnya sebanyak 0,36%. Perilaku merokok ini menyebabkan berbagai penyakit seperti penyakit paru-paru kronis, kerusakan gigi, penyakit mulut, stroke, serangan jantung, kanker rahim, gangguan mata, dan kerusakan pada rambut. Untuk menekan jumlah perokok di Indonesia, diperlukan sistem untuk deteksi perokok. Deteksi perokok saat ini memakan biaya yang mahal, bantuan ahli, dan sistem yang kompleks. Oleh karena itu, deep learning dengan algoritma Convolutional Neural Network hadir sebagai solusi untuk mengatasi masalah tersebut. Skripsi ini membahas bagaimana merancang sistem deep learning dengan Convolutional Neural Network (CNN) untuk keperluan deteksi wajah perokok. Skripsi ini juga membahas bagaimana pengaruh berbagai skenario jumlah data pelatihan dan data pengujian serta penambahan ekstraksi fitur wajah terhadap metrik evaluasi . Hasil dari rancangan dievaluasi dengan metrik evaluasi kalkulasi loss function, akurasi, dan F1 score. Hasil simulasi menunjukan skenario data pelatihan 70% dan data pengujian 30% adalah skenario terbaik dengan nilai metrik evaluasi pengujian pada skenario ini sebesar 2.236 untuk loss, 54.5% untuk akurasi, dan 34.9% untuk F1 score. Skenario ini diimprovisasi dengan adanya penambahan ekstraksi fitur perokok pada awal preprocessing yang ditandai dari penurunan loss sebesar 65.65%, peningkatan akurasi sebesar 19%, dan peningkatan F1 score sebesar 24.08%.

---

The 2023 Indonesian Health Survey (SKI) conducted by the Ministry of Health (Kemenkes) reported that there are approximately 70 million active smokers in Indonesia. This accounts for 28.62% of the Indonesian population in 2023, representing a 0.36% increase from the previous year. Smoking behavior leads to various diseases such as chronic lung disease, tooth damage, oral diseases, stroke, heart attacks, uterine cancer, eye disorders, and hair damage. To reduce the number of smokers in Indonesia, a smoker detection system is necessary. Current smoker detection methods are expensive, require expert assistance, and involve complex systems. Therefore, deep learning with Convolutional Neural Network (CNN) algorithms presents a solution to address these issues. This thesis discusses how to design a deep learning system using Convolutional Neural Networks (CNN) for smoker face detection. It also examines the impact of different training and testing data scenarios and the addition of facial feature extraction on evaluation metrics. The designed system is evaluated using metrics such as loss function calculation, accuracy, and F1 score. The simulation results show that a scenario with 70% training data and 30% testing data is the best scenario, yielding evaluation metric values of 2.236 for loss, 54.5% for accuracy, and 34.9% for F1 score. This scenario was improved with the addition of smoker feature extraction in the preprocessing stage, resulting in a 65.65% reduction in loss, a 19% increase in accuracy, and a 24.08% increase in F1 score."

"ABSTRACTBackpropagation neural network merupakan salah satu algoritme machine learning yang mengizinkan sebuah mesin untuk melakukan pembelajaran dari sekumpulan data, sehingga tidak perlu diprogram secara eksplisit. Namun, backpropagation neural network yang baik memerlukan proses pembelajaran dengan waktu lama dengan data dalam jumlah banyak. Penelitian ini akan merancang sebuah program backpropagation neural network yang dapat dieksekusi secara paralel untuk mendapatkan waktu eksekusi yang lebih cepat. Pembuatan program ini dilakukan menggunakan OpenMP API dalam bahasa pemrograman C. Hasil pengujian membuktikan bahwa adanya pengurangan waktu eksekusi, yakni secara berurutan sebesar 2,2653 detik dan 0,5838 detik untuk masing-masing mesin pengujian yang digunakan, untuk pertambahan setiap jumlah thread yang bekerja pada program. Namun, program masih memiliki skalabilitas yang kurang bagus dikarenakan oleh terjadinya fenomena false sharing pada program. Program memiliki sifat kenaikan waktu eksekusi linier sebesar 0,9263 detik untuk setiap pertambahan jumlah sampel input. Hal ini dikarenakan oleh pertambahan jumlah sampel hanya menambah jumlah data yang harus diproses program saja. Sedangkan, program memiliki sifat kenaikan waktu eksponensial sebesar e0,0103 detik untuk setiap pertambahan jumlah dimensi sampel input. Hal ini dikarenakan oleh pertambahan jumlah dimensi tidak hanya menambah jumlah data yang harus diproses saja, melainkan juga menambah sejumlah variabel yang bekerja pada program yang menimbulkan pertambahan komputasi pada setiap sampel input.

---

ABSTRACTBackpropagation neural networks is one of many machine learning algorithms that allows a machine to do a learning process from a set of data, instead of programming it explicitly. However, a good backpropagation neural network program needs a lot amount of learning time and involves huge amount of data. This experiment made a backpropagation neural network program that can be executed in parallel fashion in order to reduce its execution time using OpenMP API in C programming language. The program rsquo s test results show that there are 2.2653 and 0.5838 second execution time decreases, each corresponds to each testing machine, for every thread added to the program. However, the program rsquo s scalability is not good enough due to false sharing phenomenon that appeared in time of execution. Program has a 0.9263 second linear execution time increase for every input samples added to the program. This is because of the addition will only effect on how much data the program needs to process. However, the program has an e0.0103 second exponential execution time increase for every input sample rsquo s feature added. This is because of the addition will not only effect on how much data that needs to be processed, but also generate some additional variables involved inside program which affects the computational process of each input sample."

"Proses identifikasi dan pengenalan emosi seseorang selama ini hanya dapat dilakukan secara langsung dengan melihat raut wajahnya secara langsung dan mengolah raut wajah dari orang tersebut untuk mengerti emosi yang sedang dirasakan. Emosi dari raut wajah seseorang merupakan sesuatu yang paling susah dimengerti dan manfaat dari aplikasi yang dapat mengenali emosi ini dari raut wajah seseorang sangat tinggi. Untuk memenuhi minat yang tinggi atas pengenalan emosi pada raut wajah seseorang, penulis berniat untuk mengembangkan sebuah aplikasi yang dapat mengenali emosi seseorang dari raut wajahnya dengan menggunakan machine learning face recognition. Penulis berniat menggunakan framework CNN sebagai algoritma untuk melakukan machine learning face emotion recognition karena algoritma ini yang paling cocok dan mudah untuk digunakan, serta menggunakan arsitektur EfficientNet karena arsitektur ini merupakan arsitektur pengembangan dari Google yang bersifat opensource dan mudah digunakan karena sudah terintegrasi langsung dengan Keras. Program face emotion recognition ini menggunakan arsitektur EfficientNetB2 dan menggunakan dataset FER2013 berhasil mendapatkan akurasi training di angka 95.55% dan akurasi validasi sebesar 63.71%. Walaupun terjadinya overfitting karena perbedaan akurasi validasi dan training yang besar, akurasi testing dari program ini mendapatkan angka 88.21% dan berhasil mendeteksi 7 kategori emosi yang dihasilkan oleh raut wajah manusia

---

The process of identifying and recognizing a person's emotions so far can only be done directly by looking at his face directly and processing the facial expressions of the person to understand the emotions that are being felt. The emotion of a person's facial expression is something that is the most difficult to understand and the benefits of an application that can recognize this emotion from a person's facial expression is very high. To meet the high interest in recognizing emotions on a person's facial expression, the author intends to develop an application that can recognize a person's emotions from his facial expression using machine learning face recognition. The author intends to use the CNN framework as an algorithm to perform machine learning face emotion recognition because this algorithm is the most suitable and easy to use and uses the EfficientNet architecture because this architecture is a development architecture from Google that is open source and easy to use because it is integrated directly with Keras. This face emotion recognition program using the EfficientNetB2 architecture and using the FER2013 dataset managed to get a training accuracy of 95.55% and a validation accuracy of 63.71%. Despite the occurrence of overfitting due to the large difference in validation and training accuracy, the testing accuracy of this program scored 88.21% and succeeded in detecting 7 categories of emotions generated by human facial expressions.

"