Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKProtein merupakan bagian penting dari organisme dan memiliki fungsi yang berbeda. Fungsi dan sifat interaksi protein dapat diketahui dengan mengelompokkan protein-protein yang saling berinteraksi. Objek penelitian ini adalah interaksi antara protein HIV-1 dan manusia. Biclustering merupakan metode yang dapat digunakan untuk menyelesaikan permasalahan interaksi protein. Interaksi dibagi menjadi dua, yaitu interaksi positif dan negatif, selanjutnya diubah menjadi graf bipartit dengan simpul merupakan protein HIV-1 dan protein manusia, sedangkan busur merupakan jenis interaksi yang terjadi. Algoritma POLS merupakan algoritma biclustering yang menggunakan pendekatan teori graf. Hasil bicluster dianalisis menggunakan Gene Ontology (GO) untuk memperoleh fungsi protein pada satu bicluster. Proses terakhir adalah prediksi interaksi protein berdasarkan analisis fungsi-fungsi protein. Metode yang digunakan adalah Support Vector Machine (SVM) karena SVM merupakan metode prediksi machine learning yang robust. Berdasarkan hasil penelitian, dataset interaksi positif terdapat 297 bicluster dengan bicluster terbanyak berukuran 2 X 2 dan bicluster terbesar berukuran 7 X 7. Dataset interaksi negatif diperoleh 203 bicluster dengan 110 bicluster berukuran 2 X 2 dan satu bicluster berukuran 7 X 7. Berdasarkan hasil analisis GO, terdapat protein dalam satu bicluster yang belum diketahui fungsinya. Akurasi model prediksi untuk interaksi positif = 92% dan interaksi negatif = 88%.

---

ABSTRACTProtein is an important part of the organism. The function of protein can be known by grouping the interact proteins. This research discusses the interaction between HIV-1 and human protein. Biclustering is a method to solve protein interaction problem. The interaction is divided into two types, called positive and negative interactions The interaction is transformed into a bipartite graph with vertices are HIV-1 and human protein, while the edges are the interaction. POLS algorithm is a biclustering method based on graph theory. The result of a bicluster is analyzed using Gene Ontology (GO). The last process is the prediction of protein interactions based on analysis of GO. We used Support Vector Machine (SVM) because SVM is a robust machine learning method for perdiction. Based on the results, we get 297 biclusters, with 171 biclusters sized 2 X 2 and the largest bicluster sized 7 X 7 for the positive interactions. For the negative interaction, we get 203 biclusters, with 110 biclusters sized 2 X 2 and the largest bicluster sized 7 X 7. Based on GO analysis there were an unknown function in a bicluster. Accuracy of prediction models for positive and negative interaction are 92% and 88% respectively."

"Human Immunodeficiency Virus (HIV) merupakan virus yang menyerang sistem kekebalan tubuh manusia. Virus ini terdiri dari 23 protein dalam RNA untai tunggal. Interaksi protein HIV dan protein manusia dapat mengakibatkan penyakit AIDS. Dengan mempelajari interaksi protein dapat digunakan untuk mengembangkan obat antiviral. Untuk menganalisis interaksi protein dilakukan dengan proses biclustering. Algoritma LCM-MBC merupakan suatu algoritma biclustering yang digunakan untuk menganalisis interaksi protein. Hasil dari biclustering digunakan untuk memprediksi dengan association rule mining. Untuk mengetahui fungsi-fungsi biologis dari protein yang terdapat pada satu bicluster digunakan DAVID Gene Ontology. Terdapat 45 bicluster yang memiliki protein HIV dalam satu bicluster sebanyak lima. Dari bicluster yang diperoleh ini, Terdapat 11 protein HIV-1 yang diprediksi akan berinteraksi dengan 36 protein manusia. Jika protein manusia terhubung dengan protein HIV sesuai dengan tipe jenis interaksinya, artinya protein manusia tersebut berinteraksi dengan proten HIV-1.

---

Human Immunodeficiency Virus (HIV) is a virus w attacks the human immune system. This virus consists of 23 proteins in a single-stranded RNA. The protein interaction between HIV proteins and human proteins can impact to AIDS The research about HIV-1 proteins and human proteins interactions leads to the insight of drug target prediction. To analyze protein interactions carried out by biclustering process. The LCM-MBC algorithm is a biclustering algorithm that is used to analyze protein interactions.

The results of biclustering are used to predict with association rule mining. To find out the biological functions of proteins found in one cluster used DAVID Gene Ontology. There are 45 bicluster that have five HIV proteins in one bicluster. From the bicluster obtained, there are 11 HIV-1 proteins that are predicted to interact with 36 human proteins. If human protein interacts with HIV-1 protens, it means that human proteins will relate according to the interaction type by HIV proteins."

"Tugas akhir ini membahas mengenai Jeffrey prior dalam penaksiran parameter scale distribusi Weibull menggunakan data yang tersensor kanan maupun yang tidak tersensor. Pada Jeffrey prior, posterior yang akan didapatkan hanya berdasarkan data yang diketahui. Pada tugas akhir ini juga akan dibahas mengenai Bayesian Central Limit Theorem yang dapat dipakai untuk mencari credible interval. Sebagai pembanding untuk taksiran dengan Jeffrey prior, akan dicari juga taksiran parameter scale distribusi Weibull dengan conjugate prior. Sebagai ilustrasi, akan dilakukan simulasi dengan data yang berdistribusi Weibull. Setelah taksiran telah didapatkan, akan dihitung MSE dan MIL pada masing-masing taksiran. Hal tersebut dilakukan untuk mengetahui seberapa baik taksiran yang dihasilkan oleh Jeffrey prior.

---

This paper discusses about Jeffrey prior in estimating the scale parameter of Weibull distribution using right censored data well as exact data. In Jeffrey prior, the posterior will be obtained only based on data. This paper will also discuss about the Bayesian Central Limit Theorem that can be used to find a credible interval. As a comparison of the Jeffrey prior estimate,the estimator using conjugate prior will also be considered. For the illustration, simulation with Weibull distributed data (θ, τ) will be performed. Once the estimate have been obtained, MSE and MIL on each estimate will be calculated. This is done to measure the performace of the estimate produced by Jeffrey prior."

"ABSTRAKDi Indonesia, salah satu penyebab tingginya biaya BBM adalah adanya tindak pencuriandan penyelewengan BBM yang sering kali terjadi di tengah lautan. Hal ini bisa terjadikarena pada saat di tengah lautan, segala kegiatan kapal tersebut tidak bisa dipantau olehpusat operasional manajemen kapal. Selain upaya hukum, upaya pengawasan kapalmelalui teknologi terbaru juga terus dilakukan, salah satunya adalah teknologi VesselMonitoring System (VMS) berbasis Machine to machine (M2M). Perkembanganteknologi VMS dan telemetri telah memungkinkan pengawasan kondisi mesin danpemakaian BBM kapal yang sedang berlayar secara online dan real time. Denganmenambah perangkat pengukuran pemakaian bahan bakar tersebut, diharapkanmeningkatkan kecepatan koordinasi dan penanganan di lapangan saat terjadiketidakwajaran pemakaian BBM. Kecepatan dalam mengetahui adanya ketidakwajaranini sangat penting, karena proses pencurian minyak sering kali dilakukan dalam waktusingkat. Pencurian minyak dengan modus ilegal tapping di darat hanya memerlukanwaktu 15 menit untuk 2000 liter (2 ton) BBM, sementara di laut diperlukan sekitar 5 jamuntuk memindahkan 12 ton BBM, atau sekitar 2.4 ton per jam untuk sebuah kapal saja.Masalahnya untuk mengetahui ketidakwajaran tersebut masih tergantung pada analisatenaga ahli yang memerlukan waktu yang lama untuk melakukan analisa berbagaiparameter telemetri yang ada. Berdasarkan kondisi di atas, penelitian ini melakukananalisis statistik terhadap data telemetri terutama data pergerakan kapal dan aktivitasmesin untuk menentukan koefisien pergerakan kapal, lalu merancang sistempengklasifikasi kewajaran pemakaian BBM dengan metode Naive Bayes dan LogisticRegression. Metode ini dipilih karena bisa memberikan hasil yang baik untuk prediksidata-­data numerik maupun diskrit. Hasil penelitian ini menunjukkan bahwa data telemetridari sistem VMS dapat digunakan untuk mendeteksi adanya ketidakwajaran pemakaianBBM. Untuk kebutuhan klasifikasi kewajaran pemakaian BBM pada data telemetri kapal,algoritma pengklasifikasi Naive Bayes memiliki akurasi hingga 92% pada data sampeldan Logistic Regression mampu mendeteksi dengan akurasi hingga 96% pada datasampel.

---

ABSTRACTIn Indonesia, one of the causes of high fuel costs is the occurrence of theft and misuse offuel which often occurs in the middle of the ocean. This can happen because when in themiddle of the ocean, all the activities of the ship cannot be monitored by the shipmanagement operational center. In addition to legal efforts, efforts to monitor shipsthrough the latest technology are also being carried out, one of which is the Machine toMachine (M2M) Vessel Monitoring System (VMS) technology. The development ofVMS and telemetry technology has enabled monitoring of engine conditions and fuelconsumption of ships that are sailing online and real time. By adding the fuel consumptionmeasurement device, it is expected to increase the speed of coordination and handling inthe field when there is an irregularity in the use of fuel. Speed in knowing the existenceof this irregularity is very important, because the process of oil theft is often done in ashort time. Theft of oil by illegal tapping on land only takes 15 minutes for 2000 liters (2tons) of fuel, while at sea it takes around 5 hours to move 12 tons of fuel, or around 2.4tons per hour for a ship. The problem is to find out the irregularities that still depend onthe analysis of experts who need a long time to analyze various parameters of existingtelemetry. Based on the above conditions, this study conducted a statistical analysis oftelemetry data, especially ship movement data and machine activity to determine thecoefficient of ship movements, then designed the fuel usage irregularity classificationsystem with the Naive Bayes and Logistics Regression. This method was chosen becauseit can provide good results for predicting numerical and discrete data. The results of thisstudy indicate that telemetry data from the VMS system can be used to detect anyirregularities in using BBM. For the needs of the fairness classification of BBM usage onship telemetry data, the Naive Bayes classification algorithm has an accuracy of up to92% in sample data and Logistic Regression is able to detect with accuracy up to 96% insample data."

"Leadframe merupakan salah satu komponen penting dalam pembuatan sirkuit terpadu. Aplikasi ini membutuhkan spesifikasi kompleks seperti kekuatan tarik dan konduktivitas listrik yang tinggi serta koefisien ekspansi termal yang rendah untuk memastikan performa yang baik. Hal tersebut menjadikan kandidat material yang layak digunakan untuk aplikasi ini menjadi sangat terbatas. Salah satu material yang umum digunakan dalam pembuatan leadframe adalah paduan tembaga. Namun, pengembangan material tersebut untuk memenuhi spesifikasi yang dibutuhkan bukanlah hal yang mudah. Penemuan kandidat paduan tembaga ini membutuhkan banyak uji coba hingga ditemukan kombinasi unsur paduan dan jenis pemrosesan yang optimal. Oleh karena itu, dibutuhkan sebuah pendekatan baru yang dapat mempercepat proses penemuan paduan tembaga baru dengan kombinasi sifat mekanis, elektrik, dan termal yang optimal. Salah satu solusi yang ditawarkan untuk mengatasi permasalahan ini adalah menggunakan metode ML. Pada penelitian ini enam buah model yang terdiri atas lima model ML klasik dan satu model DL dibangun untuk melakukan prediksi struktur material (model P2S) dan prediksi properti material (model S2P). Berdasarkan nilai koefisien determinasi (R2 ) ditemukan dua model P2S dan S2P terbaik adalah BPNN dan XGB. Kemudian, masing-masing model tersebut diintegrasikan untuk membentuk MLDS. Hasil MLDS menunjukkan bahwa program yang dibangun menggunakan model XGB memiliki fluktuasi (standar deviasi) yang lebih rendah dan dapat digunakan untuk memberikan rekomendasi paduan tembaga baru untuk aplikasi leadframe yang sejalan dengan literatur.

---

The leadframe is one of the crucial components in the manufacturing of Integrated Circuits (ICs). This application requires complex specifications such as high tensile strength and electrical conductivity, as well as low thermal expansion coefficients to ensure optimal performance. These requirements significantly limit the potential materials suitable for this application. One of the materials commonly used in the production of leadframes is copper alloys. However, developing this material to meet the necessary specifications is not easy. Discovering a suitable copper alloy candidate involves a lot of trial and error to find the optimal combination of alloying elements and processing methods. Therefore, a new approach is needed to accelerate the discovery process of new copper alloys with an optimal combination of mechanical, electrical, and thermal properties. One proposed solution to address this issue is the use of machine learning methods. In this study, six models consisting of five classical machine learning models and one deep learning model were developed to predict material structure (P2S model) and material properties (S2P model). Based on the coefficient of determination (R²) values, the best P2S and S2P models were found to be BPNN and XGB, respectively. These models were then integrated to form a Machine Learning Design System (MLDS). The results of the MLDS showed that the program built using the XGB model has lower fluctuation (standard deviation) and could be used to recommend new copper alloys for leadframe applications in line with the literature."

"Pipa transmisi adalah cara teraman dan paling efektif untuk mengangkut gas alam dalam jumlah besar dalam jarak jauh. Meskipun transportasi menggunakan pipa adalah yang paling aman, kegagalan pipa transmisi dapat menyebabkan kerusakan, kerugian finansial, dan cedera. Kegagalan pipa perlu diprediksi untuk untuk menentukan prioritas pemeliharaan pipa sebagai salah satu strategi membuat jadwal pemeliharaan prefentif yang tepat sasaran dan efisien agar pipa dapat diperbarui atau direhabilitasi pipa sebelum terjadi kegagalan. Metode yang ditawarkan pada studi ini adalah machine learning, dimana metode merupakan bagian dari insiatif transformasi digital (Hajisadeh, 2019). Model dikembangkan berdasarkan data kegagalan historis dari jaringan pipa transmisi gas darat sekitar 2010-2020 yang dirilis oleh Departemen Transportasi AS dengan karakteristik data yang tidak terstruktur dan kompleks. Proses pembelajaran mesin dapat dibagi menjadi beberapa langkah: pra-pemrosesan data, pelatihan model, pengujian model, pengukuran kinerja, dan prediksi kegagalan. Pengembangan model pada studi ini dilakukan menggunakan dua algoritma yaitu regresi logistik dan random forest. Pola perilaku dari faktor-faktor yang paling berpengaruh adalah usia dan panjang segmen pipa meiliki korelasi positif terhadap kegagalan pipa. Kedalaman pipa, ketebalan, dan diameter pipa memiliki korelasi negatif. Kegagalan pipa paling sering terjadi pada pipa dengan class location 1 dan class location 4, pipa yang ditempatkan di bawah tanah, serta pipa dengan tipe pelapis coal tar. Hasil pengembangan model menggunakan machine learning menunjukan hasil performa model akurasi prediksi 0.949 dan AUC 0.950 untuk model dengan algoritma regresi logistik. Sedangkan akurasi prediksi 0.913 dan AUC 0.916 untuk model dengan algoritma random forest. Berdasrkan hasil uji performa kita dapat menyimpulkan bahwa machine learning adalah metode yang efektif untuk memprediksi kegagalan pipa. Berdasarkan model yang dilatih pada dataset nyata pipa transmisi gas, hasil prediksi pada studi kasus dapat menghindari 29% dari kegagalan pipa pada 2025, 53% kegagalan pipa pada tahun 2030, dan 64% pada tahun 2035.

---

Transmission pipe is the safest and most effective way to transport large amounts of natural gas over long distances. Although transportation using pipelines is the safest, transmission pipeline failures can cause damage, financial losses, and injuries. Pipeline failures need to be predicted to determine the priority of pipeline maintenance as one of the strategies to create a schedule of maintenance targets that is right on target and efficient so that the pipeline can be rehabilitated before a failure occur. The method offered in this study is machine learning, where the method is part of the digital transformation initiative (Hajisadeh, 2019). The model was developed based on historical failure data from the onshore gas transmission pipeline around 2010-2020 released by the US Department of Transportation with unstructured and complex data characteristics. The machine learning process can be divided into several steps: data pre-processing, model training, model testing, performance measurement, and failure prediction. The development of the model in this study was carried out using two algorithms namely logistic regression and random forest. The correaltion of the factors that most influence the failure of an onshore gas transmission pipeline is the age and length of the pipe segment has a positive correlation with pipe failure. Depth of cover, thickness, and diameter of pipes have a negative correlation with pipe failures. Pipe failures most often occur in pipes with class location 1 and class location 4, undersoil, and pipes with coal tar coating types. The results of the development of the model using machine learning showed the results of the model performance prediction accuracy is 0.949 and AUC is 0.950 for models with logistic regression algorithms. Whereas the accuracy of prediction is 0.913 and AUC is 0.916 for models using the random forest algorithm. Based on the results of performance tests we can conclude that machine learning is an effective method for predicting pipe failures. Based on the model trained on a real dataset of gas transmission pipelines, the prediction results in case studies can avoid 29% of pipe failures in 2025, 53% of pipe failures in 2030, and 64% in 2035. "

"ABSTRACTBig data or Data driven farming have been the latest improvement in agricultural sector. Data driven farming allows farmers to maximize the output of harvest by processing any significant data gathered regarding the crop. With the data of the crop available, it opens the possibility of evaluating the data to make a model for the crop. This model will allow predictions to be made which would improve the data driven farming to an extent. This project is based on improving Farmbot, a data driven farming tool, to allow the makings of a prediction based on sensor readings gathered by the tool. Several machine learning algorithms have been evaluated which takes account two sensor reading of the plant, and performances have been discussed. These parameters include soil moisture and light exposure level and the performance level gauged are predictability and interpretability. Based on the said parameters, Decision Tree Machine Learning Algorithm have been deemed the best method of prediction for a 2 class problem. This is based on its ability to make a prediction with relatively high confidence level with the addition of having high interpretability about how the algorithm come to the said conclusion. Decision Trees current state may be improved by implementing tree pruning method to omit unnecessary splits.

---

ABSTRACTBig-Data Farming atau pertanian berbasis data merupakan perkembangan mutakhir pada sektor agrikultur. Dengan berbasis data mengenai asupan cahaya dan tingkat kelembaban, petani dapat memaksimalkan hasil panen dari suatu tanaman dengan memproses data mengenai tanaman tersebut. Dengan menyediakan data mengenai tanaman, hal ini memungkinkan pengolahan data dan membuat model yang menggambarkan pengaruh data ndash; data yang diperoleh dengan hasil panen suatu tanaman. Proyek ini dilaksanakan atas dasar mengembangkan sistem Farmbot, sebuah alat tanam automatis berbasis data, untuk menyediakan prediksi tentang bagaimana hasil panen tanaman tersebut berdasarkan data yang diperoleh dari sensor yang terdapat pada alat tersebut. Kemampuan Farmbot untuk melakukan perdiksi tersebut bisa dilakukan dengan mengimplementasikan algoritma Machine Learning, Dengan adanya berbagai macam algoritma Machine Learning, pemilihan algoritma yang paling tepat untuk implementasi Farmbot juga merupakan salah satu bahan pembahasan. Berhubung 2 parameter yang telah disebutkan merupakan kunci dari pembuatan model prediksi, algoritma Decision Tree dianggap sebagai algoritma yang paling optimal untuk diimplementasikan. Keputusan ini berdasarkan kemampuan Decision Tree dalam membuat prediksi dengan tingkat keyakinan yang tinggi dan juga berkemampuan untuk menggambarkan langkah langkah yang ditempuh untuk mencapai suatu prediksi. Algoritma Decision Tree yang telah diimplementasikan pada Farmbot dapat ditingkatkan dengan mengimplementasikan metode Tree Pruning untuk menghilangkan perpisahan yang tidak dibutuhkan."

"Moda transportasi udara sangat bergantung pada keadaan dan perubahan cuaca, baik saat lepas landas, mengudara, maupun saat pendaratan, dengan lebih dari 50% kecelakaan pesawat diakibatkan oleh cuaca. Curah hujan yang tinggi dapat mengganggu aktivitas penerbangan dengan menurunkan visibilitas, meningkatkan massa pesawat, mengurangi akurasi instrumen pengukuran, serta menyebabkan turbulensi. Oleh karena itu, penting bagi manajemen bandara untuk memastikan kondisi cuaca aman bagi operasi pesawat. Penelitian ini bertujuan untuk mengembangkan model prediksi kategori hujan berdasarkan curah hujan untuk 1 jam, 3 jam, dan 9 jam ke depan, menggunakan data dari AWOS di Bandara Jenderal Ahmad Yani, Semarang. Algoritma yang digunakan adalah Random Forest dengan 100 pohon dan K-Nearest Neighbor (KNN) dengan k sebesar 5. Hasil analisis menunjukkan bahwa model KNN dan Random Forest memiliki performa yang cukup baik, dengan prediksi terbaik untuk periode 1 jam ke depan. Model KNN memiliki performa terbaik dengan akurasi 0,86, presisi 086, recall 0,86, F1-score 0,85, dan MCC 0,83.

---

Air transportation is highly dependent on weather conditions and changes, both during takeoff, flight, and landing, with more than 50% of aircraft accidents caused by weather. Heavy rainfall can disrupt flight activities by reducing visibility, increasing aircraft mass, decreasing the accuracy of onboard measurement instruments, and causing turbulence. Therefore, it is crucial for airport management to ensure that weather conditions are safe for aircraft operations. This study aims to develop a model to predict rain categories based on rainfall for 1 hour, 3 hours, and 9 hours ahead, using data from AWOS at Jenderal Ahmad Yani Airport, Semarang. The algorithms used are Random Forest with 100 trees and K-Nearest Neighbor (KNN) with k set to 5. The analysis results show that the KNN and Random Forest models perform reasonably well, with the best predictions made for the 1-hour ahead period. The KNN model demonstrated the best performance with an accuracy of 0.86, precision of 0.86, recall of 0.86, F1-score of 0.86, and MCC of 0.86."