Hasil Pencarian  ::  Simpan CSV :: Kembali

"Stylometry merupakan teknik analisa terhadap kepengarangan menggunakan statistik. Melalui stylometry, identitas kepengarangan dari suatu dokumen dapat dianalisis dengan tingkat akurasi yang tinggi. Hal ini menyebabkan adanya ancaman terhadap privasi penulis. Namun terdapat salah satu jenis metode dari stylometry yaitu penghapusan identitas kepengarangan yang dapat memberikan perlindungan privasi bagi penulis. Penelitian ini menggunakan metode penghapusan identitas kepengarangan yang diterapkan pada korpus Federalist Paper. Federalist Paper merupakan korpus terkenal yang telah banyak diteliti terutama pada metode identifikasi kepengarangan karena di dalam korpus tersebut terdapat 12 artikel yang tidak diketahui identitas penulisnya, salah satu metode identifikasinya adalah menggunakan algoritma Support Vector Machine. Melalui algoritma tersebut didapatkan identitas penulis dari artikel yang tidak diketahui pengarangnya dengan tingkat akurasi sebesar 86%. Tantangan dari metode penghapusan identitas kepengarangan adalah harus mampu mengubah gaya penulisan dengan tetap mempertahankan makna. Long-Short Term Memory (LSTM) merupakan algoritma berbasis Deep Learning yang mampu melakukan prediksi kata secara baik. Melalui model yang dibentuk dari algoritma LSTM, artikel-artikel dalam Federalist Paper diubah gaya penulisannya. Hasilnya, 30% dari artikel yang diklasifikasi dapat diubah identitas kepengarangannya dari satu penulis menjadi penulis lainnya. Tingkat kemiripan dokumen hasil ubahan berkisar antara 40-57% menandakan perubahan makna yang tidak signifikan dari dokumen aslinya. Hasil tersebut menyimpulkan bahwa metode yang diajukan mampu melakukan penghapusan identitas kepengarangan dengan baik.

---

Stylometry is an authorship analysis technique using statistics. Through stylometry, authorship identity of a document can be analyzed with a high degree of accuracy. This causes a threat to the privacy of the author. But there is one type of method of stylometry, namely the elimination of authorship identity which can provide privacy protection for writers. This study uses the authorship method of eliminating the method applied to the Federalist Paper corpus. Federalist Paper is a well-known corpus that has been extensively studied especially in authorship identification methods because there are 12 disputed texts in the corpus, one of the identification

methods is using the Support Vector Machine algorithm. Through this algorithm the author's identity of disputed text is obtained with an accuracy of 86%. The challenge of the authorship identity elimination method is that it must be able to change the writing style while maintaining its meaning. Long-Short Term Memory (LSTM) is a Deep Learning based algorithm that is able to predict words well.

Through a model formed from the LSTM algorithm, the disputed articles in the Federalist Paper are changed in their writing style. As a result, 30% of classified articles can be changed from one author identity to another identity. The level of similarity of the changed documents ranges from 40-57%, which indicates a change in meaning that is not significant from the original document. These results conclude that the proposed method is able to perform authorship identity deletion properly."

"Kemajuan teknologi di era digital telah mempermudah akses informasi melalui internet, namun juga meningkatkan risiko penipuan digital. WhatsApp menjadi salah satu platform utama yang rawan terhadap penyebaran pesan penipuan. Dalam konteks ini, penelitian bertujuan untuk mengembangkan sistem klasifikasi pesan WhatsApp yang efektif dan efisien dalam Bahasa Indonesia guna melindungi pengguna dari penipuan digital. Model yang digunakan dalam penelitian ini adalah LSTM, Bi-LSTM, dan Bi-LSTM dengan Optimasi Bayesian. Data yang digunakan adalah dataset pesan dalam Bahasa Indonesia yang telah melalui proses pre-processing dan dibagi menjadi data training dan validation dengan rasio 15%, 20%, dan 30%. Seluruh model dilatih menggunakan parameter batch size 64, epochs 30, dan optimizer Adam. Hasil penelitian menunjukkan bahwa model Bi-LSTM dengan Optimasi Bayesian memiliki akurasi terbaik pada data split 15% sebesar 93%, sementara Bi-LSTM dan LSTM masing-masing mencapai akurasi terbaik sebesar 92% dan 91%. Pengembangan prototype sistem berhasil diintegrasikan dengan WhatsApp Web Client menggunakan library whatsapp-web.js, memungkinkan prediksi tipe pesan dan tingkat akurasi ditampilkan langsung di terminal command. Penelitian ini memberikan kontribusi signifikan dalam meningkatkan keamanan digital dan efisiensi komunikasi dengan mengidentifikasi pesan penipuan secara efektif

---

Technological advancements in the digital era have facilitated access to information via the internet but have also increased the risk of digital fraud. WhatsApp has become one of the primary platforms vulnerable to the spread of fraudulent messages. In this context, this study aims to develop an effective and efficient WhatsApp message classification system in Indonesian to protect users from digital fraud. The models used in this study are LSTM, Bi-LSTM, and Bi-LSTM with Bayesian Optimization. The data used is a dataset of messages in Indonesian that have undergone pre-processing and split into training and validation data with ratios of 15%, 20%, and 30%. All models were trained using a batch size of 64, 30 epochs, and the Adam optimizer. The results showed that the Bi-LSTM model with Bayesian Optimization achieved the highest accuracy with a 15% data split at 93%, while the best Bi-LSTM and LSTM models achieved 92% and 91% accuracy, respectively. The prototype system development successfully integrated with the WhatsApp Web Client using the whatsapp-web.js library, allowing message type predictions and accuracy levels to be displayed directly in the command terminal. This study provides a significant contribution to enhancing digital security and communication efficiency by effectively identifying fraudulent messages."

"Net Zero Emission sudah menjadi hal yang penting bagi setiap negara, salah satu yang dilakukan adalah dengan cara melakukan efisiensi energi. Dalam sebuah laporan yang dirilis oleh International Energy Agency (IEA) pada September 2022 menyebutkan bahwa efisiensi energi dan elektrifikasi adalah prioritas utama bagi Negara Indonesia dalam mencapai Net Zero Emission. Direktorat Jenderal Energi Baru Terbarukan dan Konservasi Energi Indonesia mengungkapkan bahwa peningkatan efisiensi energi harus menjadi prioritas dan menetapkan target penurunan konsumsi energi final sebesar 17% dibandingkan business as usual pada 2025. Saat ini, lebih dari 50% konsumsi energi pada gedung diperuntukan untuk sistem pendinginan (Chiller Plant). Sehingga efisiensi energi dalam sistem pendinginan sangat potensial untuk membantu menekan Net Zero Emission dan mendukung SDG. Maka dari itu dalam penelitian ini diajukan beberapa Framework Sistem Optimisasi Kinerja Sistem Pendingin Berbasis Multi Stack LSTM dan Deep Learning Neural Network. Hasil variabel prediksi keluaran dari Framework yang dikembangkan antara lain chilled water supply temperature, chilled water flow, condenser water supply temperature, condenser water flow dan cooling tower frequency. Hasil dari framework tersebut kemudian dilakukan uji simulasi dengan menggunakan model chiller plant. Dari hasil pengujian didapatkan bahwa framework terbaik yakni dengan menggunakan model Framework tipe 1. Framework 1 merupakan model paralel antara Multi Stack LSTM untuk Wet Bulb Temperature (Twb) dan kinerja yang kemudian diserikan dengan Deep Learning Neural Network Multi Output untuk mendapatkan variabel keluaran parameter setting. Hasil pengujian menunjukkan metriks evaluasi MAE, MSE, RMSE secara berurutan adalah 0.8079, 0.6527, 0.8079 dan dapat menurunkan konsumsi energi sebesar 10.72%.

---

Net Zero Emission has become important for every country, one way to do this is by implementing energy efficiency. In a report released by the International Energy Agency (IEA) in September 2022, it was stated that energy efficiency and electrification are the main priorities for Indonesia in achieving Net Zero Emissions. The Directorate General of New, Renewable Energy and Energy Conservation Indonesia stated that increasing energy efficiency must be a priority and set a target of reducing final energy consumption by 17% compared to business as usual in 2025. Currently, more than 50% of energy consumption in buildings is intended for cooling systems (chillers plants). So energy efficiency in cooling systems has great potential to help reduce Net Zero Emissions and support the SDGs. Therefore, in this research, several Frameworks for Optimization Control System for Chiller Plant Based on Multi Stack LSTM and Deep Learning Neural Network are proposed. The output prediction variables from the developed Framework are chilled water supply temperature, chilled water flow, condenser water supply temperature, condenser water flow and cooling tower frequency. The results of the framework are then carried out in simulation test using a chiller plant model. From the test results, it was found that the best framework is using the Framework type 1. Framework 1 is a parallel model between Multi Stack LSTM for Wet Bulb Temperature (Twb) and performance which is then serialized with Deep Learning Neural Network Multi Output to obtain the parameter setting output variables. The test results show that the evaluation metrics MAE, MSE, RMSE are 0.8079, 0.6527, 0.8079 respectively and can reduce energy consumption by 10.72%."

"ABSTRAKHuman Activity Recognition merupakan sebuah teknologi yang penting karena dapat diimplementasikan dalam berbagai kebutuhan manusia sehari-hari, seperti mengenai kesehatan manusia. Tujuan dari Human Activity Recognition adalah untuk mengidentifikasi aktivitas manusia yang umum, dimana data yang diterima dapat diteliti lebih lanjut. Seiring perkembangan teknologi, keberadaan komputer dan smartphone sudah tidak dapat dipisahkan lagi dalam kehidupan dan aktivitas manusia. Perkembangan teknologi ini membuat sebuah smartphone dapat memiliki berbagai jenis sensor. Sensor-sensor yang terdapat pada smartphone dapat digunakan untuk melakukan Human Activity Recognition dengan mudah. Contoh sensor pada smartphone yang dapat digunakan untuk melakukan Human Activity Recognition adalah sensor accelerometer untuk mengukur perpindahan. Penelitian ini membuat sebuah aplikasi berbasis Android untuk membaca input dari sensor, diolah dengan library neural network Long Short-Term Memory, lalu menghasilkan output yang sesuai. Hasil output yang dimaksud adalah kondisi dari aktivitas manusia yang diteliti, yaitu kondisi berdiri, berjalan, berlari, duduk, menaiki tangga, dan menuruni tangga.

---

ABSTRACTHuman Activity Recognition is an important technology because it can be implemented to many human problems, such as healthcare. The main purpose for Human Activity Recognition is to recognize common, simple human activities, where the data received can be researched further. With the development of technology these days, the presence of computer and smartphone cant be removed from daily human activities. This technology development made a smartphone that has been integrated with all kind of sensors. An example of sensor that can be used to do a Human Activity Recognition are accelerometer to measure movement. This research made an Android-based application that will read input from these sensors, processed by neural network Long Short-Term Memor y library, and finally produced the intended output. The outputs are the current activity of user thats been researched on, such as standing, walking, running, sitting, walking upstair, or walking downstair."

"Dalam era revolusi industri 4.0, integrasi teknologi menjadi kunci untuk meningkatkan produktivitas di sektor manufaktur. Dalam konteks ini, penggunaan Cloud Computing, Internet of Things (IoT), dan Machine Learning (ML) memainkan peran penting. IoT dan Cloud Computing digunakan untuk mengelola proses pengumpulan dan pengolahan data, terutama dari sensor mesin. Data ini kemudian dapat digunakan untuk pelatihan model ML, khususnya dalam kasus Predictive Maintenance. Predictive Maintenance bertujuan untuk memprediksi kapan suatu mesin memerlukan perawatan. Dalam penelitian sebelumnya, pendekatan masalah hanya memilih satu metode (klasifikasi atau regresi). Oleh karena itu, penelitian ini menciptakan metode Predictive Maintenance yang menggabungkan keduanya. Model yang dikembangkan menggunakan dua jenis pendekatan: Random Forest Tree untuk klasifikasi dan LSTM (Long Short-Term Memory) dengan Fully Connected layer untuk prediksi. Hasil pengujian menunjukkan bahwa model yang menggunakan LSTM untuk klasifikasi dan regresi mencapai akurasi 100%. Diikuti dengan hasil recall, precission, dan F-1 score yang mencapai 1.00. Oleh karena itu, LSTM dapat dianggap sebagai algoritma terbaik untuk Predictive Maintenance dalam industri manufaktur.

---

In the era of the 4th industrial revolution, technology integration is key to improving productivity in the manufacturing sector. In this context, the use of Cloud Computing, Internet of Things (IoT), and Machine Learning (ML) plays a crucial role. IoT and Cloud Computing are used to manage the process of data collection and processing, especially from machine sensors. This data can then be used for ML model training, particularly in the case of Predictive Maintenance. Predictive Maintenance aims to predict when a machine requires maintenance. In previous research, the problem approach often involved choosing only one method (classification or regression). Therefore, this study created a Predictive Maintenance method that combines both approaches. The developed model uses two types of approaches: Random Forest Tree for classification and LSTM (Long Short-Term Memory) with a Fully Connected layer for prediction. Test results show that the model using LSTM for both classification and regression achieves 100% accuracy. Additionally, the recall, precision, and F-1 score results also reach 1.00. Therefore, LSTM can be considered the best algorithm for Predictive Maintenance in the manufacturing industry."