Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPembangkit listrik tenaga panas bumi adalah sumber energi bersih terbarukan dengan potensi besar yang dimiliki Indonesia. Sistem deteksi kesalahan manual pada mesin kritis adalah salah satu masalah dalam pengoperasian pembangkit listrik tenaga panas bumi di Indonesia. Kesalahan rentan dalam menentukan kondisi mesin dan keterlambatan dalam mengetahui peringatan adalah dua masalah utama yang muncul. Penerapan algoritma pembelajaran mesin dalam membuat model deteksi kesalahan telah digunakan di berbagai industri dan objek. Penelitian ini adalah penerapan algoritma pembelajaran mesin untuk membuat model klasifikasi deteksi kesalahan pada mesin kritis pembangkit listrik tenaga panas bumi. Algoritma yang digunakan adalah classifier dasar dan ensemble classifier untuk membandingkan algoritma mana yang menghasilkan indikator klasifikasi terbaik. Penelitian ini dapat memberikan wawasan tentang industri pembangkit listrik tenaga panas bumi di Indonesia untuk mengatasi sistem deteksi kesalahan yang ada dengan memanfaatkan data sensor menggunakan algoritma pembelajaran mesin.

---

ABSTRACTGeothermal power plants are a renewable clean energy source with great potential that Indonesia has. The manual fault detection system at the critical machine is one of the problems in the operation of geothermal power plants in Indonesia. Vulnerable errors in determining engine conditions and delays in knowing alerts are two major problems that arise. The application of machine learning algorithms in making fault detection models has been used in various industries and objects. This research is the application of machine learning algorithms to create fault detection classification models on critical engines of geothermal power plants. The algorithm used is the basic classifier and ensemble classifier to compare which algorithms produce the best classification indicators of classifications. This research can provide insight into the geothermal power plant industry in Indonesia to overcome existing fault detection system by utilizing sensor data using machine learning algorithm."

"ABSTRAKSynthesis loop merupakan salah satu sistem kritis di pabrik amoniak. Oleh karena itu, ada urgensi untuk menjaga reliability dan availability pada sistem ini. Sebagian besar peristiwa shutdown di pabrik amoniak terjadi tiba-tiba setelah alarm tercapai. Jadi, perlu ada sistem deteksi dini untuk memastikan masalah anomali ditangkap oleh operator sebelum menyentuh set point alarm. Implementasi algoritma machine learning dalam membuat model deteksi potensi kegagalan telah digunakan di berbagai industri dan objek sebagai penelitian. Algoritma yang digunakan adalah classifier dasar dan ensemble untuk membandingkan algoritma mana yang menghasilkan hasil klasifikasi terbaik. Penelitian ini dapat memberikan ide dan perspektif baru ke dalam industri pabrik amoniak untuk mencegah terjadinya shutdown yang tidak terjadwal dengan memanfaatkan data menggunakan algoritma machine learning.

---

ABSTRACTSynthesis loop is one of the critical systems in ammonia plant. Therefore, there is urgency for maintaining the reliability and availability of this system. Most of the shutdown events occur suddenly after the alarm is reached. So, there needs to be an early detection system to ensure anomaly problem captured by the operator beforetouching the alarm settings. The implementation of machine learning algorithms in making fault detection models has been used in various industries and objects. The algorithm used is the basic and ensemble classifier to compare which algorithms generate the best classification results. This research can provide a new idea and perspective into ammonia plant industry to prevent unscheduled shutdown by utilizingdata using machine learning algorithm."

"Pemeliharaan merupakan hal terpenting dalam menjalankan sebuah sistem produksi yang melibatkan aset yang besar, termasuk pada Pembangkit Listrik Tenaga Panas Bumi. Pemeliharaan mesin berbasis kondisi mesin Condition-Based Maintenance dirasa efektif dalam menjaga performa mesin. Kondisi mesin dapat diketahui melalui data operasi yang ada. Salah satu pendekatan yang dapat mempelajari dan mengolah ribuan data operasi yang terekam oleh sensor-sensor parameter keseluruhan data operasi yang ada adalah dengan pendekatan machine learning. Data operasi tersebut kemudian akan dibagi menjadi beberapa kategori yaitu long, medium dan short dengan batasan berupa lama waktu aset tersebut beroperasi. Data tersebut kemudian akan menjalani proses training menggunakan aplikasi Classification Learner pada software MATLAB. Proses ini memungkinkan MATLAB mempelajari hubungan antar parameter, waktu dan kategori yang dibuat hingga menghasilkan sebuah model klasifikasi kondisi mesin. Model tersebut kemudian digunakan untuk memprediksi kondisi turbin terkini yang kemudian dapat diperkirakan berapa lama lagi turbin dapat beroperasi dengan baik sampai turbin membutuhkan kegiatan pemeliharaan kembali.

---

Maintenance is the most important thing in running a large production system that is using some machinery such as turbines, pumps and so on. This is also applied for a geothermal power plants that have so many assets to maintain. Condition based maintenance is considered to be the most effective maintenance management to be applied for a big scale industrial company. Machines condition could be known from the machines operation data that is continously recorded by the censors of some parameter. One of the most suitable approach to learn and process the big operation data is machine learning. The operation data will be classified into three categories, there are long category, medium category and short category, which has its limit based on the length of time the machine has been operating. Then, the operation data will be trained using Classification Learner toolbox of MATLAB. This process let MATLAB understands the relationship between each parameter, time and the categories until a classification model of machines condition has been produced. The model later could be used to predict the most recent machines condition so that we can also predict how long the machine could still operate well until it needs to be maintained again. "

"Ratifikasi United Nation Framework Convention on Climate Change (UNFCCC) dan Protokol Kyoto oleh Pemerintah Indonesia melalui Undang-Undang Nomor 6/1994 dan Undang-Undang Nomor 17/2004 memberikan peluang bagi Indonesia untuk dapat berpartisipasi dalam upaya dunia mengatasi masalah perubahan iklim akibat pemanasan global. Perwujudan dari partisipasi tersebut antara lain dengan terlibat dalam Clean Development Mechanism (CDM) di sektor energi melalui pengembangan pembangkit listrik tenaga panas bumi (PLTP) di sistem ketenagalistrikan Jawa-Madura-Bali (JAMALI). Tulisan ini menentukan kelayakan suatu PLTP untuk dijadikan proyek CDM dengan membandingkan IRR dari suatu PLTP dengan MARR-nya. Hasil analisis pada tulisan ini menghasilkan kesimpulan bahwa PLTP yang paling layak dikembangkan adalah PLTP Salak Tahap I dengan kapasitas 165 MW.

---

Ratification of UNFCCC and Kyoto Protocol by the Government of Indonesia trough Law Number 6/1994 and Law Number 17/2004 give the opportunity to Indonesia to participate with the world effort in solving the climate change problems caused by global warming. The form of that participation is by being involved on the Clean Development Mechanism (CDM) in energy sector trough the development of geothermal power plant in Jawa-Madura-Bali (JAMALI) power system. This writing determines the feasibility of geothermal power plant to be proposed as a CDM project by compare its IRR and MARR. The analysis resulted that Salak Phase I geothermal power plant is the most feasible to develop."

"Istilah Sick Building Syndrome (SBS) digunakan untuk menjelaskan situasi dimana penghuni bangunan mengalami efek kesehatan dan kenyamanan akut yang berhubungan dengan waktu yang dihabiskan di dalam bangunan. Indoor Air Quality (IAQ) atau kualitas udara dalam ruangan menjadi perhatian karena rata-rata manusia menghabiskan waktunya 90% di dalam ruangan. Maka dari itu, diperlukan pertukaran udara yang memadai dalam sebuah bangunan. Sistem HVAC merupakan peralatan yang dapat memberikan pemanasan, pendinginan, penyaringan udara luar ruangan, dan kontrol kelembaban untuk menjaga kenyamanan. Perkembangan teknologi di era industri 4.0 semakin memudahkan manusia, tidak terkecuali pada bidang konstruksi. Pada penelitian ini, akan dipelajari pengembangan machine learning untuk memprediksi desain sistem HVAC agar memenuhi parameter IAQ pada bangunan sehat di Indonesia. Tinjauan literatur mengenai parameter IAQ pada bangunan sehat dari berbagai sumber dilakukan untuk mengidentifikasi kesamaan dan kesenjangan parameter pada bangunan sehat dengan parameter yang berlaku di Indonesia. Tinjauan literatur menghasilkan parameter kualitas udara dalam ruangan untuk konsep bangunan sehat di Indonesia. Rapidminer digunakan untuk pembuatan empat buah model dan model divalidasi dengan metode Mean Absolute Error (MAE) dan confusion matrix. Model prediksi beban pendingin memiliki kesalahan relatif sebesar 1,11%. Model prediksi jenis chiller memiliki kesalahan relatif sebesar 3,33%. Model prediksi jenis AHU memiliki kesalahan relatif sebesar 10%. Model prediksi luas filter memiliki kesalahan relatif sebesar 1,22%.

---

The term Sick Building Syndrome (SBS) is used to describe situations in which building occupants experience acute health and comfort effects related to time spent in a building. Indoor Air Quality (IAQ) is a concern because the average human spends 90% of his time indoors. Therefore, adequate air exchange is needed in a building. HVAC systems are equipment that can provide heating, cooling, outdoor air filtration, and humidity control to maintain comfort. Technological developments in the industrial era 4.0 have made it easier for humans, including the construction sector. In this study, we will study the development of machine learning to predict the design of the HVAC system to meet the IAQ parameters in healthy buildings in Indonesia. Literature review regarding IAQ parameters in healthy buildings from various sources was carried out to identify similarities and gaps in parameters in healthy buildings with parameters that apply in Indonesia. The literature review resulted in indoor air quality parameters for the concept of healthy buildings in Indonesia. Rapidminer is used for the manufacture of four models and the model is validated by the Mean Absolute Error (MAE) and confusion matrix methods. The cooling load prediction model has a relative error of 1.11%. The chiller type prediction model has a relative error of 3.33%. The AHU type prediction model has a relative error of 10%. The filter area prediction model has a relative error of 1.22%."

"Skripsi ini merupakan pengembangan dari teknologi video surveillance system atau sistem pengawasan video. Video surveillance system yang selama ini diterapkan untuk tujuan deteksi objek menggunakan suatu metode umum yaitu dual background model. Model tersebut bekerja dengan memisahkan latar depan dan latar belakang dari suatu video frame dan memposisikan target deteksi di latar depan sebagai output. Salah satu tujuan dari skripsi ini adalah melakukan pengembangan dari sistem tersebut agar dapat mengklasifikasikan objek yang terdeteksi menjadi abandoned, stolen, dan ghost region. Untuk mencapai tujuan tersebut, digunakan metode pemelajaran mesin Mask R – CNN yang dapat melakukan segmentasi objek berbasis pemaskeran. Selain dari Mask R – CNN, terdapat model pemelajaran mesin lain yang cukup umum digunakan untuk deteksi objek dan segmentasi objek yaitu model YOLACT. Penelitian ini menggunakan video situasi natural di tempat umum seperti stasiun atau jalanan yang akan diproses menggunakan dual background model dan kemudian disegmentasi menggunakan Mask R – CNN atau YOLACT. Hasil penelitian ini diharapkan bisa membuka wawasan tentang penggunaan model pemelajaran mesin dalam aplikasi object detection, sekaligus menganalisis model mana yang paling efektif dan efisien berupa hasil kuantitatif yaitu Frame Rate per Seccond ( FPS ), waktu segmentasi, serta Intersection Over Union ( IOU ).

---

This thesis is an advancement in video surveillance technology. The existing video surveillance system commonly employs a dual background model for object detection. This model functions by separating the foreground and background within a video frame and positions the detected target in the foreground as the output. One of the goals of this thesis is to enhance this system to classify detected objects into abandoned, stolen, and ghost regions. To achieve this, the Mask R-CNN machine learning method is used, which can perform object segmentation based on masking. Apart from Mask R-CNN, another commonly used machine learning model for object detection and segmentation is the YOLACT model. This research utilizes natural situation videos in public places like stations or streets, processed using the dual background model and then segmented using Mask R-CNN or YOLACT. The anticipated outcome of this study is to broaden insights into the use of machine learning models in object detection applications while analyzing which model is most effective and efficient for similar applications."

"Dalam pelaksanaan distribusi listrik yang dilakukan PT.”X” terhadap pelanggan PT. “X”, terdapat susut energi listrik yang terjadi baik secara teknis maupun non teknis. Susut energi listrik ini mengakibatkan kerugian yang cukup besar bagi PT.”X” setiap tahunnya. Dalam upaya untuk mengatasi dan mengurangi susut energi non teknis, PT.”X” mengadakan kegiatan P2TL dimana pada kegiatan ini, petugas P2TL akan melakukan pengecekan pada pelanggan PT.”X” yang terindikasi melakukan susut energi non teknis. Namun, dalam pelaksanaan kegiatan P2TL, PT.”X” masih melakukan proses penentuan target operasi P2TL secara manual. Untuk membantu kinerja PT.”X” dalam melakukan kegiatan P2TL, diperlukan pendekatan lain dalam melakukan penentuan target operasi P2TL. Penelitian ini akan melakukan pendekatan berbasis machine learning dengan metode supervised learning untuk melakukan deteksi pencurian tenaga listrik. Terdapat tiga algoritma yang akan digunakan dalam penelitian ini, yaitu: Naïve bayes, Naïve bayes dengan AdaBoost, dan logistic regression. Dalam penelitian ini, dataset yang digunakan adalah dataset pemakaian bulanan 423.216 pengguna listrik PT.”X” pascabayar selama 49 bulan yaitu sejak bulan Agustus tahun 2018 hingga bulan Agustus tahun 2022. Hasil penelitian ini menunjukkan rata-rata akurasi model yaitu Naïve bayes sebesar 53%, Naïve bayes dengan AdaBoost sebesar 64%, dan logistic regression sebesar 75%. Algoritma logistic regression menunjukkan performa paling baik dibandingkan dengan kedua algoritma lainnya yaitu rata-rata precision score 74%, rata-rata F1 score 59% dan rata-rata recall score adalah 60%.

---

In the implementation of electricity distribution carried out by PT. “X”-to-PT.”X” customers, there are losses in electrical energy that occur both technically and non-technically. This loss of electrical energy results in substantial losses for PT.”X” every year. To overcome and reduce non-technical energy losses, PT.”X” holds P2TL activities where in this activity, P2TL officers will check PT.”X” customers who are suspected of carrying out non-technical energy losses. However, in carrying out P2TL activities, PT.”X” is still carrying out the process of determining P2TL operational targets manually. To assist PT. “X”'s performance in carrying out P2TL activities, another approach is needed in determining P2TL operational targets. This research will use a machine learning-based approach using supervised learning method to detect electricity theft. There are three algorithms that will be used in this study, namely: naïve bayes, naïve bayes with AdaBoost, and logistic regression. In this study, the dataset used is the monthly usage dataset of 423,216 postpaid PT.”X” electricity users for 49 months, from August 2018 to August 2022. The results of this study show that the average accuracy of the model by naïve bayes is 53%, naïve bayes with AdaBoost is 64%, and logistic regression is 75%. The logistic regression algorithm shows the best performance compared to the other two algorithms, where the average precision score is 74%, the average F1 score is 59% and the average recall score is 60%."

"Direct contact condenser merupakan salah satu tipe dari berbagai jenis kondenser yang digunakan pada power plant. Kondenser ini tidak memiliki bagian shell dan tube seperti pada Steam Surface. Sehingga pada kondenser ini tercampur fluida dari bagian hot stream dan cold stream. Secara umum Direct Contact Condenser memiliki peranan yang sama seperti Steam Surface Condenser dalam suatu sistem power plant. Dalam menggunakan kondenser bertipe direct contact ini dibutuhkan jumlah (kapasitas) air yang sangat banyak untuk digunakan sebagai condensing water. Hal tersebut merupakan hal yang mendasari perlunya mendesain suatu formula yang cepat dan tepat dalam menghasilkan data-data yang berhubungan dengan air pendingin. Program yang akan dihasilkan merupakan program hitung yang memungkinkan pengguna lebih mudah dalam melakukan perhitungan terhadap desain air pendingin. Pengguna hanya melakukan input data pada variabel-variabel yang telah ditentukan untuk menghasilkan data-data yang cukup valid untuk digunakan sebagai desain.

---

Direct contact condenser is one of power plant condenser type. This condenser has no shell and tube part like Steam Surface type. Therefore, hot stream and cold stream are mixing on this condenser. Generally, direct contact condenser has same function as steam surface condenser at power plant system. Direct contact condenser needs a lot of water when it's operated.

Based on this condition, we ought to make a programme that can produce condensing water datas output quickly and accurately. Produced programme is a calculation programme which make user ease to use. User just input datas to defined variables to produce valid data that can be used on design."

"Rotating machinery dalam industri minyak dan gas merupakan aset kritis yang beroperasi dalam medan kerja yang berat, sehingga beberapa bagian umum rentan mengalami fault. Fault merupakan anomali yang menunjukkan penyimpangan dari kondisi operasi normal pada suatu sistem, sehingga perlu dideteksi lebih dini, secara akurat, dan terotomasi. Salah satu metode yang dapat digunakan adalah dengan machine learning. Data yang digunakan dalam penelitian ini adalah sensor condition monitoring aset rotating machinery yang diperoleh dari sebuah perusahaan minyak dan gas di Indonesia. Data sensor yang diperoleh mencakup 3 operation parameters yakni kecepatan, suhu, dan vibrasi. Algoritme klasifikasi pada penelitian ini menggunakan supervised learning yakni Support Vector Machine (SVM), Random Forest (RF), dan K-Nearest Neighbors (KNN). Kinerja model machine learning dievaluasi menggunakan metrik accuracy, precision, F1 score, dan matthews correlation coefficient (MCC). Hasil model klasifikasi random forest menunjukkan hasil yang sangat baik dengan akurasi 98,5%, presisi 98,6%, f1-score 98,5%, dan MCC sebesar 97,2%. Analisis SHAP Explainer secara global mampu menjelaskan feature importance dan secara lokal yang memperlihatkan kontribusi variabel-variabel operating parameter yang berkontribusi paling besar pada kelas normal, alert, dan fault.

---

Rotating machinery in the oil and gas industry is a critical asset that operates in a tough work environment, where some of the common parts are prone to faults. Fault is an anomaly that indicates a deviation from the normal operating conditions of a system, so it needs to be detected early, accurately, and automated. The data used in this study is obtained from a condition monitoring sensor of rotating machinery in an oil and gas company in Indonesia. The acquired sensor data includes 3 operating parameters: speed, temperature, and vibration. The classification algorithms used in this research are supervised learning methods, namely Support Vector Machine (SVM), Random Forest (RF), and K-Nearest Neighbors (KNN). The performance of the machine learning models is evaluated using metrics such as accuracy, precision, F1 score, and Matthews correlation coefficient (MCC). The results of the random forest classification model show very good results with an accuracy of 98.5%, a precision of 98.6%, an f1-score of 98.5%, and an MCC of 97.2%. SHAP Explainer in global explanation is able to explain the feature importance and also locally which shows the contribution of operating parameter variables that contribute the most to the normal, alert, and fault classes."

"Jakarta sebagai kota besar yang memiliki tingkat kepadatan yang tinggi pada saat jam-jam dan hari-hari kerja memiliki peraturan guna mengurangi kemacetan di jalan. Salah satu peraturannya adalah pemberlakukan plat nomor kendaraan ganjil genap sesuai dengan tanggal. Peraturan ini cukup efektif dalam mengurangi tingkat kemacetan di jalan-jalan protokol. Namun masih saja ada oknum-oknum yang melanggar peraturan ini dikarenakan kemampuan manusia yang terbatas sehingga tidak dapat selalu mengawasi plat nomor kendaraan secara maksimal. Dengan berkembangnya teknologi terutama di bidang computer vision masalah ini dapat dikurangi. Dengan menggunakan bantuan machine learning yaitu computer vision menggabungkan alat fisik yaitu kamera dengan komputer sehingga dapat mendeteksi dan membaca plat nomor pada kendaraan. Perkembangan teknologi membuat machine learning semakin berkembang sehingga proses melakukan deteksi dapat dilakukan dengan lebih cepat dan akurat. Untuk melakukan hal ini algoritma YOLOv7 dilatih untuk melakukan deteksi pada plat nomor kendaraan serta membacanya sehingga dapat diklasifikasian termasuk ganjil / genap sesuai dengan tanggal pendeteksian. Pada penelitian ini dilakukan pembangunan prototype sistem pendeteksi dan klasifikasi ini menggunakan machine learning dan computer vision untuk melakukan deteksi plat nomor pada kendaraan yang lewat di jalan-jalan protokol. Hasil dari penelitan ini adalah dengan menggunakan algoritma YOLOv7, model yang dihasilkan memiliki akurasi sebesar 86%, melakukan pembacaan plat nomor hasil deteksi dengan EeasyOCR memiliki tingkat kesalahan pembacaan per karakter 3.81% dan kesalahan pembacaan per kata sebesar 11.90%, sistem dapat melakukan deteksi dan pembacaan plat nomor secara real time dengan baik, melakukan identifikasi pada jenis tanggal (ganjil  genap) dan memberikan alert ketika ada plat nomor yang tidak sesuai ketentuan tanggal.

---

Jakarta as the big city and the capital of Indonesia that have high density rate in the work hours and days have a special rule to decrease the congestion rate in the road. One of the rules is the enforcement of odd even license plate rules that connect to the real time date. This rule is effective in decreasing the congestion rate in the major arterial roads. but there's still a loophole that makes people violate this rule, the human limited ability makes them can't always observe all the license plate. With the help of technology development in computer vision, can help to reduce the problem. Computer vision combines the video camera and computer to work side by side so it can read and detect the license plate number. Technology development also develops the computer vision ability so detection and recognition can be done with more accuracy and less time. To do this thing YOLOv7 algorithm trains a model to detect the license plate in a car and read the license plate so it can classify the license plate type (odd/even) and compare it with the research date type. This research build the prototype of detection and classifier system with machine learning and computer vision, to do the automatic odd /even license plate detection and recognition at the car in artery road. As the result of the research , the detection model made by YOLOv7 algorithm have a 86 % accuracy, and the character recognition with EasyOCR have a character error rate 3.81 %  and word error rate 11.90 % , the system prototype can run the detection and OCR in real time, the prototype can get the real time date and classified it as odd or even number, and give an alert when the detected license plate number violated the odd even rule."