Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPemantauan getaran vibration monitoring merupakan metode yang masih digunakan sampai sekarang bahkan selalu berkembang dari waktu kewaktu. Metode ini sangat dibutuhkan di industri karena dengan metode ini dapat mengurangi biaya jika terjadi kerusakan pada mesin di industri serta dengan metode ini perawatan pada mesin lebih baik. Pada penelitian ini, telah dikembangkan sebuah sistem untuk mendeteksi kerusakan komponen pada mesin pompa air diantaranya komponen kapasitor, bearing dan impeller. Kerusakan dideteksi dengan mengambil data getaran menggunakan akselerometer MEMS. Data keluaran akselerometer diakuisisi dengan menggunakan mikrokomputer Raspberry Pi kemudian data tersebut diubah dalam bentuk Relative Power Ratio RPR dimana data dalam bentuk ini akan dipelajari oleh Artificial Neural Network ANN dengan begitu kerusakan dapat dideteksi dimana hasil pengujian kerusakan akan dikirim melalui pesan text menggunakan modul GSM. Hasil pengujian dari penelitian ini, dengan pembacaan kerusakan selama 10 kali dalam 10 menit, semua kasus kecuali kasus kapasitor rusak menghasilkan 100 sedangkan untuk kasus kapasitor rusak menghasilkan 90 akurasi kerusakan. Pengujian dilakukan pada mesin pompa air Shimizu PS-128 BT dan dilakukan di Universitas Indonesia.

---

ABSTRACTVibration monitoring is a method that is still used today even always evolving from time to time. This method is very needed in the industry because with this method can reduce the cost if there is damage to the machine in the industry as well as with this method of maintenance on the machine more better. In this research, a system has been developed to detect the damage of components in water pump machine such as capacitor, bearing and impeller . Damage detected by taking vibration data using MEMS accelerometer. The accelerometer output data is acquired using Raspberry Pi microcomputer then the data is converted in the form of Relative Power Ratio RPR where the data in this form will be studied by Artificial Neural Network ANN so detectable damage where the damage test result will be sent via text message using GSM module. Test results from this study, with a 10 times damage reading in 10 minutes, all cases except the case of defective capacitor yield 100 while for the case the defective capacitor yields 90 damage accuracy. The test was performed on the Shimizu PS 128 BT water pump machine and performed at the University of Indonesia."

"Dalam sebuah instalasi pembangkit terdapat peralatan yang mempunyai peranan masing-masing. Pada instalasi PLTGU ada dua komponen pembangkit utama yaitu turbin gas dan turbin uap. Masing-masing dari turbin tersebut tentunya memiliki komponen pendukung. Salah satu komponen pendukung yang penting untuk turbin uap di Instalasi PLTGU UPJP Priok adalah make up water pump dimana pompa ini memegang peran untuk distribusi air ke turbin uap. Jika distribusi ini terhenti maka turbin uap tidak dapat beroperasi. Turbin uap itu sendiri dapat membangkitkan daya sebesar 40 dari tiap turbin gas. Dalam satu blok terdapat satu turbin uap dan tiga turbin gas yang berkapasitas 125 MW masing-masing, sehingga tiap blok turbin uap sendiri dapat menghasilkan daya maksimal 150 MW. Signifikansi fungsi dari make up water pump itu mengharuskan komponen tersebut selalu dalam kondisi prima. Untuk menjaga kondisi prima itu sendiri perlu dilaksanakan metode pemeliharaan. Salah satu metode pemeliharaan yang paling efektif dan efisien adalah metode predictive maintenance. Dengan mengandalkan getaran sebagai indikator dapat dihasilkan sebuah analisis kecenderungan yang disesuaikan dengan standar yang berlaku untuk memprediksi waktu pemeliharaan yang paling efisien, selain itu dapat dihasilkan pula diagnosis dari spektrum frekuensi untuk mengetahui sumber getaran yang juga menunjukan sumber kerusakan. Penelitian dilakukan dengan pengambilan data getaran menggunakan transduser di titik tertentu yang kemudian dianalisis kecenderungan pertumbuhan getaran berlebihnya berdasarkan ISO 10816 lalu dilakukan diagnosis spektrum pada titik dengan getaran berlebih tersebut agar sumber kerusakan dapat diketahui. Analisis kecenderungan yang dilakukan menghasilkan prediksi waktu kerusakan yang beragam tiap titiknya. Sedangkan diagnosa spektrum menunjukan kerusakan terjadi karena adanya unbalance pada poros pompa, turbulance, dan kerusakan pada sudu pompa.

---

In a plant installation there are equipment that have their respective roles. In the Combined Gas and Steam Power Plant installation there are two main power components, namely gas turbine and steam turbine. Each of these turbines must have a supporting component. One of the important supporting components for steam turbines in the UPJP Priok Installation is the make up water pump where it plays a role for the distribution of water to steam turbines. If this distribution stops then the steam turbine can not operate. The steam turbine itself can generate power by 40 of each gas turbine. In one block there is one steam turbine and three gas turbines with a capacity of 125 MW each, so that each steam turbine block alone can produce a maximum power of 150 MW. The significance of the make up water pump function requires that the component is always in top condition. To maintain the prime condition itself needs to be implemented maintenance method. One of the most effective and efficient maintenance methods is the predictive maintenance method. Relying on vibration as an indicator can be generated an analysis of trends adjusted to the prevailing standards for predicting the most efficient maintenance time, but also a diagnosis of the frequency spectrum to determine the source of the vibration that also indicates the source of the damage. The research was conducted by taking vibration data using transducer at certain point which then analyzed the tendency of growth of excessive vibration based on ISO 10816 then made the spectrum diagnosis at the point with the excessive vibration so that the source of damage can be known. Trend analysis is performed to predict the time of varying damage each point. While the spectrum diagnoses show the damage occurred due to the unbalance on the pump shaft, turbulence, and damage to the pump blade. "

"Peralatan Perangkat Pelepas Tekanan (PRD) dioperasikan dengan tujuan untuk melindungi kehidupan dan keselamatan dalam suatu sistem bertekanan. Peralatan akan mengalami penurunan kondisi seiring berjalannya waktu pemakaian. Ketidakmampuan PRD untuk melakukan fungsinya perlu diidentifikasi sebagai mode kegagalan. Untuk mengurangi risiko apabila terjadi kegagalan, suatu pendekatan seperti Risk Based Inspection (RBI) dapat dilakukan. Metode RBI yang umum digunakan masih menggunakan pendekatan kualitatif, sehingga menghasilkan variasi yang cukup besar. Penelitian ini mengusulkan metode analisa risiko dengan menggunakan pembelajaran mesin berbasis deep learning untuk mengembangkan suatu model penilaian risiko pada PRD akibat mode kegagalan fail on demand (POFOD) yang diharapakan dapat mempersingkat waktu, meningkatkan akurasi, efisiensi dalam pengolahan data hasil inspeksi, serta biaya; dengan menawarkan hasil akurasi perhitungan yang tinggi. Penelitian ini menghasilkan program prediksi risiko dengan menggunakan metode klasifikasi pembelajaran mesin berbasis deep learning akibat mode kegagalan fail on demand pada peralatan perangkat pelepas tekanan. Pembuatan dataset yang digunakan pada model bersumber dari 160 data yang diolah dengan menggunakan standar API 581. Penelitian ini menggunakan beberapa parameter model seperti test size sebesar 20%, random state bernilai 0, penggunaan jumlah epoch sebesar 150, learning rate sebesar 0.001, dan layer berjumlah 3 dengan dense 64,64,8; yang menghasilkan akurasi model sebesar 91%, dari validasi confusion matrix.

---

Pressure Relief Device (PRD) equipment is operated with the aim of protecting the lives and safety within a pressurized system. An equipment experiences deterioration over time. The inability of PRD equipment to perform its design function needs to be identified as a failure mode. To reduce the risk in case of failure, an approach such as Risk Based Inspection (RBI) can be implemented. The commonly used RBI methods still rely on qualitative approaches, leading to significant variations. This research proposes a method using deep learning to develop a risk assessment model for PRD due to the failure on demand. This is expected to shorten the assessment time, improve accuracy, efficiency, and reduce costs by offering highly accurate calculation results. This research produces a risk prediction program using a deep learning classification method for POFOD in pressure relief device equipment. The dataset used in the model consists of 160 data processed according to API 581 standards. This research utilizes several model parameters, including a test size of 20%, 0 value of random state, 150 epochs, a learning rate of 0.001, and 3 layers with dense of 64, 64, 8. The model achieves an accuracy of 91% from the validation confusion matrix."

"Kanker kandung kemih pada citra Computed Tomography Scanner (CT-Scan) memiliki bentuk, lokasi dan tekstur yang berbeda untuk setiap citra. Kandung kemih setiap orang memiliki ukuran yang berbeda saat pengambilan gambar. Gambar kontras dan non-kontras yang diambil pada CT scan kandung kemih dapat digunakan untuk menentukan struktur dan bentuk kandung kemih. Namun, perbedaan gambar kontras antara kelainan dan kandung kemih yang sehat seringkali tidak terlihat secara visual, sehingga sulit untuk mengevaluasi. Walaupun sudah banyak penelitian tentang deteksi kanker kandung kemih berdasarkan citra CT yang telah dilakukan, namun dilaporkan bahwa tingkat keberhasilan pendeteksian kanker kandung kemih masih tergolong rendah. Dalam penelitian ini, Computer-Aided Diagnosis (CAD) digunakan untuk membantu mengevaluasi kelainan kandung kemih menggunakan metode segmentasi berdasarkan algoritma Active Contour. Fitur citra berbasis Gray Level Co-Occurrence Matrix (GLCM) digunakan sebagai masukan dari Artificial Neural Network (ANN) untuk mengklasifikasikan citra normal dan citra abnormal. Penelitian CAD ini menggunakan MATLAB. Sampel yang digunakan berjumlah 320 citra dengan ketentuan 200 citra abnormal (25 pasien) dan 120 citra normal (8 pasien) digunakan sebagai data latih dan pengujian. Hasil pengujian berdasarkan Receiver Operating Characteristic (ROC) didapatkan akurasi pelatihan sebesar 90.2 ± 2.68% dan akurasi pengujian sebesar 89.2 ± 2.95%. Hasil ini berarti bahwa sistem CAD yang dikembangkan ini dapat mengenali citra kandung kemih yang normal dan abnormal.

---

Bladder cancer on a Computed Tomography Scanner (CT-Scan) image has a different shape, location and texture for each image. Each person's bladder is different in size when the image is taken. Contrast and non-contrast image captured on a CT scan of the bladder can be used to determine the structure and shape of the bladder. However, the difference in contrast images between an abnormality and a healthy bladder is often not visually obvious, making the evaluation is difficult. In this study, Computer-Aided Diagnosis (CAD) is used to help evaluating bladder abnormalities using the segmentation method based on an active contour algorithm. The Gray Level Co-Occurrence Matrix (GLCM)-based features of the images are used as the inputs of the Artificial Neural Network (ANN) to classify the normal and abnormal images. The research CAD in this study using MATLAB. A total number of samples were 320 images with 200 abnormal (25 patient) and 120 normal (8 patient) images were used as training and testing data. The result based on Receiver Operating Characteristic (ROC) illustrated that the training accuracy was 90,2 ± 2.68% and the test accuracy was 89,2 ± 2,95%. These results mean that this developed CAD system can recognize normal and abnormal bladder images"

"Biomassa merupakan salah satu potensi energi alternatif untuk mengurangi ketergantungan penggunaan energi fosil. Indonesia memiliki potensi energi biomassa sebesar 49.810 MW yang berasal dari limbah dan tanaman. Pemanfaatan energi tersebut dapat dilakukan melalui proses gasifikasi yang mengubah biomassa menjadi gas sintetik. Salah satu metode untuk memodelkan proses tersebut adalah dengan menggunakan kecerdasan buatan atau artificial intelligence (AI). Studi literatur yang dilakukan menunjukkan bahwa metode artificial neural network (ANN) adalah pendekatan AI yang sering dipakai untuk melakukan pemodelan proses gasifikasi. Namun, ANN memiliki beberapa kekurangan dalam pemodelan dinamis yang kemudian disempurnakan melalui salah satu pengembangannya yang dinamakan recurrent neural network (RNN) yang mampu memodelkan variabel dependen terhadap waktu. Kesimpulan dari penelitian ini menyarankan agar pengembangan RNN dapat dijadikan acuan untuk membuat sistem kontrol pintar pada prototipe gasifier yang akan datang.

---

Biomass is one of the alternative energy sources to reduce the usage of fossil energy. The potential of biomass energy in Indonesia reaches 49,810 MW, which comes from organic wastes and plants. Gasification is a process to convert biomass to synthetic gas, which is one of the utilizations of biomass energy. Artificial Intelligence (AI) implemented to model the complex process of gasification. Artificial Neural Network (ANN) is a common approach in AI to model the process in the gasifier. Yet, ANN is still inferior in modeling dynamic process that leads to an improvement of ANN called recurrent neural network (RNN). The result of this study suggests that RNN could be the foundation for the development of smart control for the next prototypes."

"Bejana tekan  merupakan peralatan yang sebagai penampung fluida cair maupun gas dengan temperatur yang memiliki perbedaan dengan lingkungan yang ada di sekitarnya yang memiliki kemungkinan kegagalan yang tinggi yang dapat berpengaruh pada banyak faktor. Kegagalan bejana tekan dapat disebabkan karena adanya fenomena korosi seragam yang menyebabkan keluarnya fluida berbahaya dari peralatan yang memiliki tekanan karena adanya penipisan pada dinding bejana tekan. Hal ini dapat dihindari dengan melakukan inspeksi menggunakan risk-based inspection (RBI) yang mampu meningkatkan keamanan bejana tekan berbasis risiko yang dilakukan pada suatu peralatan berdasarkan prioritas risiko yang mempermudah dalam melakukan inspeksi dengan memperhatikan Probability of Failure dan Consequence of Failure. Salah satu metode untuk menganalisis risiko pada bejana tekan adalah dengan menggunakan metode pembelajaran mesin berbasis deep learning yang akan mengembangkan model penilaian risiko kegagalan bejana tekan minyak dan gas akibat korosi seragam yang dapat mempersingkat waktu, meningkatkan akurasi, efisien dalam melakukan pengolahan data, serta lebih lebih hemat biaya dengan menawarkan akurasi perhitungan yang tinggi. Penelitian menghasilkan program prediksi risiko bejana tekan dengan menggunakan klasifikasi pembelajaran mesin berbasis deep learning untuk memprediksi kegagalan pada peralatan bejana tekan akibat korosi seragam dengan menggunakan metode Risk Based Inspection dengan beberapa parameter model seperti random state senilai 25, learning rate sebesar 0.001, dengan layer berjumlah 3 dan dense 64,32,16, test size sebesar 20% dan batch size sebesar 32, dan epoch dengan nilai 150 menghasilkan akurasi model sebesar 93% yang didapatkan dari validasi confusion matrix. Nilai akurasi 93% bersumber dari 300 data yang didapatkan dari pembuatan dataset dengan berlandaskan standard API RBI 581.

---

A pressure vessel is an equipment that acts as a container for a liquid or gas with a different temperature from the surrounding environment, a high probability of failure, which can affect many factors. Pressure vessel failure can be caused by uniform corrosion, causing the dangerous liquid to be discharged from the pressure vessel due to thinning the pressure vessel wall. Pressure vessel failure can prevent failure by performing Risk Based Inspection (RBI), improving the safety and reliability of pressure vessels based on the risk performed on the equipment are based on risk priority. RBI facilitates the execution of tests that consider the probability of failure and the consequences of failure. One risk analysis method in pressure vessels is to use deep learning based machine learning to develop a failure risk assessment of pressure vessels due to uniform corrosion. This method can shorten the time, increase accuracy, be efficient in data processing, and be more cost-effective by offering high calculation accuracy. In this study, a risk prediction program of a pressure vessel is completed using a deep learning based machine learning classification to predict failure of pressure vessel using the Risk based Inspection method. This program which obtained the following model parameters such as random state of 25, a learning rate of 0.001, with three layers and dense 64,32,16, test size of 20% and batch size of 32, and an epoch with a value of 150, resulted in a model accuracy of 93% obtained from the validation of the confusion matrix. Program with accuracy of 93% comes from 300 dataset based on the RBI 581 API standard."

"Bejana tekan merupakan peralatan yang sebagai penampung fluida cair maupun gas dengan temperatur yang memiliki perbedaan dengan lingkungan yang ada di sekitarnya yang memiliki kemungkinan kegagalan yang tinggi yang dapat berpengaruh pada banyak faktor. Kegagalan bejana tekan dapat disebabkan karena adanya fenomena korosi seragam yang menyebabkan keluarnya fluida berbahaya dari peralatan yang memiliki tekanan karena adanya penipisan pada dinding bejana tekan. Hal ini dapat dihindari dengan melakukan inspeksi menggunakan risk-based inspection (RBI) yang mampu meningkatkan keamanan bejana tekan berbasis risiko yang dilakukan pada suatu peralatan berdasarkan prioritas risiko yang mempermudah dalam melakukan inspeksi dengan memperhatikan Probability of Failure dan Consequence of Failure. Salah satu metode untuk menganalisis risiko pada bejana tekan adalah dengan menggunakan metode pembelajaran mesin berbasis deep learning yang akan mengembangkan model penilaian risiko kegagalan bejana tekan minyak dan gas akibat korosi seragam yang dapat mempersingkat waktu, meningkatkan akurasi, efisien dalam melakukan pengolahan data, serta lebih lebih hemat biaya dengan menawarkan akurasi perhitungan yang tinggi. Penelitian menghasilkan program prediksi risiko bejana tekan dengan menggunakan klasifikasi pembelajaran mesin berbasis deep learning untuk memprediksi kegagalan pada peralatan bejana tekan akibat korosi seragam dengan menggunakan metode Risk Based Inspection dengan beberapa parameter model seperti random state senilai 25, learning rate sebesar 0.001, dengan layer berjumlah 3 dan dense 64,32,16, test size sebesar 20% dan batch size sebesar 32, dan epoch dengan nilai 150 menghasilkan akurasi model sebesar 93% yang didapatkan dari validasi confusion matrix. Nilai akurasi 93% bersumber dari 300 data yang didapatkan dari pembuatan dataset dengan berlandaskan standard API RBI 581.

---

A pressure vessel is an equipment that acts as a container for a liquid or gas with a different temperature from the surrounding environment, a high probability of failure, which can affect many factors. Pressure vessel failure can be caused by uniform corrosion, causing the dangerous liquid to be discharged from the pressure vessel due to thinning the pressure vessel wall. Pressure vessel failure can prevent failure by performing Risk Based Inspection (RBI), improving the safety and reliability of pressure vessels based on the risk performed on the equipment are based on risk priority. RBI facilitates the execution of tests that consider the probability of failure and the consequences of failure. One risk analysis method in pressure vessels is to use deep learning based machine learning to develop a failure risk assessment of pressure vessels due to uniform corrosion. This method can shorten the time, increase accuracy, be efficient in data processing, and be more cost-effective by offering high calculation accuracy. In this study, a risk prediction program of a pressure vessel is completed using a deep learning based machine learning classification to predict failure of pressure vessel using the Risk based Inspection method. This program which obtained the following model parameters such as random state of 25, a learning rate of 0.001, with three layers and dense 64,32,16, test size of 20% and batch size of 32, and an epoch with a value of 150, resulted in a model accuracy of 93% obtained from the validation of the confusion matrix. Program with accuracy of 93% comes from 300 dataset based on the RBI 581 API standard."

"ABSTRAKKondisi cuaca merupakan faktor yang signifikan untuk berbagai sektor seperti keselamatan transportasi, pembangunan, kesehatan dan lain-lain oleh karena itu dibutuhkan akurasi yang tinggi dalam melakukan peramalan keadaan cuaca kedepannya. Banyak cara yang digunakan untuk memprakirakan kondisi cuaca, seiring berkembangnya teknologi, prakiraan Hujan dapat dilakukan dengan menggunakan teknologi Artificial Intelligence (AI) atau kecerdasan buatan sehingga hasil yang diperoleh lebih optimal. Dalam penelitian ini, jaringan saraf tiruan yang digunakan memiliki algoritma feedforward neural network dengan data pelatihan berupa suhu, tekanan udara, kelembaban udara, titik embun, kecepatan angin tiap 3 (tiga) jam di Stasiun pengamatan BMKG di Jawa Timur dari tahun 2019 dengan target adalah intensitas curah hujan. Data pelatihan dilakukan pada periode 1 Januari 2019 sampai 28 Februari 2019 dan selanjutnya, data diuji pada periode 1 sampai 31 Maret 2019. Berdasarkan hasil analisis, model Jaringan Saraf Tiruan memiliki performa yang cukup baik dalam prakiraan intensitas curah hujan di Jawa Timur. Model terbaik ditunjukkan oleh model dengan arsitektur 7-60-1 dengan tingkat korelasi yang dihasilkan sebesar 0,87 dengan nilai error sebesar -0.03 serta akurasi 76 persen dengan lokasi penelitian di Stasiun Meteorologi Bawean. Dengan adanya model ini, diharapkan dapat menjadi salah satu pertimbangan forecaster dalam membuat prakiraan hujan khususnya prakiraan jangka pendek dengan interval tiap 3 (tiga) jam.

---

ABSTRACTWeather conditions are a significant factor for various sectors such as transportation safety, development, health, etc. Therefore, high accuracy is needed in forecasting future weather conditions. Many methods are used to predict weather conditions, as technology develops, Rain forecast can be made using Artificial Intelligence (AI) technology so that the results obtained are more optimal. In this study, the artificial neural network used has a feedforward neural network algorithm with training data in the form of temperature, air pressure, humidity, dew point, wind speed every 3 (three) hours at the BMKG observation station in East Java from 2019 with the target being rainfall intensity. The training data was conducted in the period January 1 2019 to February 28 2019 and subsequently, the data were tested in the period 1 to 31 March 2019. Based on the results of the analysis, the Artificial Neural Network model performed reasonably well in the forecast of rainfall intensity in East Java. The best model is shown by a model with 7-60-1 architecture with a resulting correlation level of 0,87 with an error value of -0.03 and an accuracy of 76 percent with the research location at the Bawean Meteorological Station. With this model, it is expected to become one of the forecaster considerations in making rain forecasts, especially short-term forecasts at intervals of every 3 (three) hours."

"Kebutuhan energi untuk rumah tangga atau bangunan di Indonesia sedang tumbuh secara signifikan. Oleh karena itu, efisiensi energi dalam energi pendingin sangat dibutuhkan. Penelitian ini bertujuan untuk mengembangkan sistem kontrol yang dapat menentukan setpoint paling optimal untuk laju aliran air massa untuk meminimalkan energi dari sistem pendingin. Bangunan dimodelkan oleh perangkat lunak Sketchup dan energi pendingin dimodelkan dengan menggunakan teknik co-simulasi antara EnergyPlus dan Matlab melalui BCVTB (Building Controls Virtual Test). Menggunakan Artificial Neural Network (ANN) dan optimisasi Genetic Algorithm (GA) untuk membuat prediksi optimasi titik yang akurat. Penelitian ini mendapatkan penghematan konsumsi listrik chiller HVAC yang sudah menggunakan sistem part load terutama pada daya pompa chiller sebesar 67,675% penghematan dari kondisi aslinya.

---

Energy needs for households or buildings in Indonesia are growing significantly. Therefore, energy efficiency in cooling energy is needed. This study aims to develop a Control Algorithm that can determine the most optimal set point for the mass flow rate of air to drain energy from the cooling system. Buildings are modeled by Sketchup software and cooling energy is modeled using co-simulation techniques between EnergyPlus and Matlab through BCVTB (Building Controls Virtual Test). Use dynamic neural networks (ANN) and genetics algorithm (GA) optimization to make accurate point optimization predictions. This study found the saving of HVAC chiller electricity consumption that already use part load systems, especially on the power of the chiller pump by 67,675% savings from its original condition."

"Perencanaan persediaan material pesawat adalah aspek penting dalam proses perawatan pesawat, guna meningkatkan efisiensi dan mengurangi biaya penyimpanan, perusahaan perlu melakukan peramalan berdasarkan data historis permintaan material. Studi ini diawali dengan klasifikasi material menggunakan sistem klasifikasi FSN, dimana 14 material penting teridentifikasi dalam kategori F. Selanjutnya, analisis permintaan terhadap 14 material tersebut menunjukkan bahwa semua memiliki karakteristik permintaan intermiten, yang merupakan tantangan dalam peramalan. Dalam upaya mengatasi tantangan ini, penelitian membandingkan beberapa metode peramalan yaitu Moving Average, Exponential Smoothing, Syntetos-Boylan Approximation (SBA), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU). Hasil analisis menunjukkan bahwa metode berbasis Recurrent Neural Network (RNN), khususnya LSTM dan GRU, memberikan akurasi peramalan yang paling baik dibandingkan dengan metode lainnya. Hal ini menegaskan keefektifan Artificial Neural Network, khususnya arsitektur RNN, dalam menghadapi tantangan peramalan untuk permintaan material intermiten.

---

Aircraft material inventory planning is an important aspect in the aircraft maintenance process. In order to increase efficiency and reduce storage costs, companies need to forecast based on historical material demand data. This study begins with material classification using the FSN classification system, where 14 important materials are identified in category F. Furthermore, demand analysis for these 14 materials shows that all of them have intermittent demand characteristics, which is a challenge in forecasting. In an effort to overcome this challenge, research compares several forecasting methods, namely Moving Average, Exponential Smoothing, Syntetos-Boylan Approximation (SBA), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU). The analysis results show that Recurrent Neural Network (RNN) based methods, especially LSTM and GRU, provide the best forecasting accuracy compared to other methods. This confirms the effectiveness of Artificial Neural Networks, especially RNN architectures, in dealing with forecasting challenges for intermittent material demand."