Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perencanaan produksi pada sebuah industri, membutuhkan keputusan yang tepat untuk menentukan jumlah produksi agar dapat memenuhi permintaan konsumen tanpa menghasilkan stok berlebih. Peramalan permintaan merupakan salah satu faktor penting dalam perencanaan produksi yang mampu membantu menghasilkan keputusan produksi yang tepat. Pada industri otomotif mobil, peramalan yang akurat sangat dibutuhkan untuk mengatasi permintaan yang tidak menentu, khususnya untuk produk service parts, yang pada kenyataannya memiliki permintaan yang tidak menentu dari konsumen dan seringkali membuat perusahaan mobil yang memproduksinya mengalami kerugian karena backorder atau overstock. Artificial neural network ANN merupakan suatu metode berbasis machine learning dengan cara kerja seperti otak manusia yang juga mampu melakukan peramalan untuk data dengan pola non-linier. Pada penelitian kali ini, dilakukan peramalan dengan objek 10 jenis service parts berbeda dengan menggunakan metode artificial neural network yang kemudian dilakukan perbandingan dengan peramalan metode single exponential smoothing dan croston rsquo;s method untuk dapat membandingkan tingkat akurasi dari peramalan tersebut dan menghasilkan peramalan dengan metode yang paling akurat. Hasil perhitungan pada penelitian ini menunjukkan peramalan metode artifcial neural network mampu menghasilkan peramalan yang lebih akurat dibanding dua metode lain.

---

Production planning in an industry, required precise decisions to made in order to determine the amount of product that will be produced to fulfill the customer's demand without produce excess stock. Demand forecasting is one of the most important factor in production planning process that able to generate precise production decision.

The automotive industry like car manufacturer, always need an accurate demand forecast serve the uncertain demand of their products, especially the service parts product, that in fact always has uncertainity in it's demand and frequently causing the manufacturer company lose their profit due to tha backorder and overstock occurence. Artificial neural network is a machine learning computation method that could work similarly like human brain that also can forecast a non linier data.

In this research, the data is gained from the demand of 10 car's service parts in a car manufacturer and forecasted with artificial neural network and also two other methods, single exponential smoothing and croston's method to generate a forecasting with the most accurate method. The result of the calculation in this research shows that forecasting with artificial neural networks produce the most accurate forecast for the car's service parts demand."

"Beberapa perusahaan asuransi memiliki produk asuransi kesehatan yang menjamin pembayaran klaim atas penyakit tuberkulosis. Salah satu komponen penentu tarif premi adalah tingkat morbiditas sehingga peramalan tingkat morbiditas merupakan hal yang penting bagi perusahaan asuransi. Penelitian ini membahas peramalan tingkat morbiditas tuberkulosis di Indonesia dengan menggunakan model jaringan Recurrent Neural Network (RNN), yang merupakan bagian dari Deep Learning, dan grey model. Performa dari kedua model tersebut dibandingkan melalui nilai mean squared error (MSE) dan mean absolute percentage error (MAPE) yang dihasilkan. Hasilnya menunjukkan bahwa grey model memiliki akurasi yang lebih baik dibandingkan RNN.

---

Several insurance companies sell health insurance products that cover tuberculosis risk. One principal component to determine the insurance premium that must be paid by the insured is the morbidity rate. Therefore, morbidity rate forecasting is essential for an insurance company. In this research, we present the Indonesia tuberculosis morbidity rate forecasting using Recurrent Neural Network (RNN), which is part of deep learning, and grey model. The performance of two models is compared in term mean squared error (MSE) and mean absolute percentage error (MAPE). The results show that the grey model outperform the RNN."

"Peramalan merupakan salah satu hal yang dibutuhkan untuk mencapai tingkat manajemen rantai pasok yang baik. Peramalan dapat mencegah kelebihan pembelian dan juga menjaga ketersediaan barang dengan baik. Peramalan dapat menjadi salah satu metode untuk melakukan menjaga ketersediaan obat di rumah sakit. Obat sendiri merupakan salah satu barang yang sensitif dan reaktif, hal ini menyebabkan obat harus memiliki penyimpanan khusus dan tidak bisa disimpan dalam waktu lama. Dilain pihak, pada industri rumah sakit, ketersediaan obat harus selalu ada. Hal tersebut membuat rumah sakit harus memiliki peramalan obat yang akurat untuk menjaga ketersediaan obat dan mengurangi kelebihan pembelian dan penyimpanan obat dalam waktu lama. Penelitian kali ini akan membandingkan metode tiga metode peramalan, yaitu single exponential smoothing, autoregressive integrated moving average (ARIMA), dan artificial neural network (ANN). Penelitian ini bertujuan untuk melihat dan menganalisa metode peramalan yang paling baik dari ketiga metode yang ada. Penelitian kali ini akan mengambil data penjualan sebanyak 62 periode dari 3 jenis obat dengan kategori obat fast-moving, yaitu Rhinofed, Simvastatin, dan Betahistin. Berdasarkan hasil penelitian, peramalan dengan metode artificial neural network (ANN) memiliki nilai error yang kecil, sehingga nilai ketepatannya cukup besar. Jika dibandingkan dengan kedua metode lainnya peramalan dengan menggunakan metode artificial neural network masih memiliki nilai error yang paling kecil sehingga nilai ketepatan peramalannya yang paling besar. Hal tersebut menyimpulkan bahwa peramalan dengan metode artificial neural network (ANN) merupakan metode peramalan paling baik dari ketiga metode peramalan yang ada dan baik diimplementasikan di rumah sakit.

---

A forecast is one of the important aspects of a company to achieve a good supply chain management system. The forecast could help a company to avoid overstock conditions and ensure the availability of the product. Based on that concept, forecasts could also be used to ensuring the availability of medicine stock in hospitals. The medicine itself is one of the sensitive and reactive materials that make medicines need a very intense inventory condition and couldn't keep in a long period of time. On the other hand, hospitals need to ensure the availability of each medicine. Based on that condition, it is undoubtedly true that the forecast is needed in the hospital supply chain to ensure medicine availability and avoid overstocking. This research will compare three different methods of forecasting, that is single exponential smoothing (SES), autoregressive integrated moving average (ARIMA), and artificial neural network (ANN). The goal of this research is to find and analyze the best forecasting method suitable for the hospital supply chain. Three medicines that will be analyzed in this research are Rhinofed, Simvastatin, and Betahistin based on their title as fast-moving drugs using 62 periods of historical sales. As a result, the artificial neural network method has the smallest error and creates a better accuracy compared to another two methods. Even if every single method has its own strengths and weaknesses, the artificial neural network is the best method among the three methods that been proposed and could be implemented in the hospital supply chain."

"ABSTRAK

Penelitian ini bertujuan untuk memprediksi tingkat konsumsi gas pipa domestik di

Indonesia menggunakan metode Neural Network, ARIMAX, dan Multiple Linear

Regression (MLR). Peramalan dilakukan hingga periode Desember 2025 dengan

menggunakan data historis tingkat konsumsi gas pipa domestik, inflasi, selisih

harga minyak dan gas, serta selisih harga batubara dan gas periode Januari 2007

sampai dengan September 2012 sebagai prediktor. Hasilnya metode ARIMAX

memberikan hasil yang paling akurat dengan nilai MAPE 3.89%. Metode Neural

Network memberikan hasil forecasting dengan nilai MAPE 6.34%, sedangkan

metode MLR mempunyai tingkat error terbesar dengan MAPE 8.39%. Kapasitas

produksi gas Indonesia cukup besar, tetapi jumlah gas yang dikonsumsi untuk

keperluan domestik masih tergolong sedikit. Hasil forecasting ketiga metode

menunjukkan ke depannya tingkat konsumsi gas akan terus meningkat.

Perbandingan antara hasil forecasting ketiga metode dan Neraca Gas Indonesia

cukup besar. Hal ini menunjukkan meskipun Indonesia memiliki potensi

cadangan gas alam yang sangat melimpah, tetapi permintaan domestik belum

terpenuhi secara maksimal.

---

ABSTRACT

This study aims to predict the level of domestic pipeline gas consumption in

Indonesia using Neural Network, ARIMAX, and Multiple Linear Regression

(MLR). Forecasting is done until the period of December 2025 using historical

data of domestic pipeline consumption rate, inflation, the difference price of oil

and gas, as well as the difference price of coal and gas from the period January

2007 until September 2012 as predictor. The result ARIMAX method gives the

most accurate results with the value of MAPE 3.89%. Neural Network method

gives forecasting result with MAPE 6.34%, while the MLR method has the largest

error rate with MAPE 8.39%. Indonesia gas production capacity is quite large, but

the amount of gas consumed for domestic use is still relatively small. The third

method of forecasting results indicate the future gas consumption will continue to

increase. Comparison between the results of the three forecasting methods and

Neraca Gas Indonesia is quite large. This shows even though Indonesia has very

abundant potential reserves of natural gas, but domestic demand has not been met

maximally."

"Tingkat morbiditas penyakit tuberkulosis pada suatu populasi wilayah dan waktu tertentu. Ukuran ini digunakan untuk membantu lembaga kesehatan dalam merencanakan kebijakan pencegahan penyakit tuberkulosis di Indonesia. Selain itu, tingkat morbiditas digunakan dalam menentukan premi asuransi yang tepat bagi perusahaan asuransi sehingga dapat memprediksi cadangan dana yang cukup untuk menutupi klaim dari tertanggung pada periode selanjutnya. Penentuan tingkat morbiditas pada periode yang akan datang dapat ditentukan dengan menggunakan teknik peramalan runtun waktu. Beberapa metode peramalan yang dapat meramalkan data runtun waktu diantaranya seperti metode Autoregressive Integrated Moving Average (ARIMA) dan metode Fuzzy Time Series (FTS). Kedua metode peramalan ini masing-masing memiliki kelemahan tersendiri dalam prakteknya. Kelemahan dari metode ARIMA adalah adanya asumsi klasik yang harus dipenuhi agar metode ARIMA dapat digunakan dengan baik. Berdasarkan penelitian terdahulu, kelemahan dari metode FTS adalah model peramalan yang dibentuk bergantung pada penentuan banyaknya subinterval dan terkadang akurasinya tidak sebaik metode ARIMA. Penelitian ini menggunakan metode peramalan dengan Error Variation-Fuzzy Time Series (EV-FTS) berdasarkan ARIMA untuk mengatasi kekurangan dari metode ARIMA dan FTS. Hasil dalam penelitian ini menunjukkan bahwa metode peramalan dengan EV-FTS berdasarkan ARIMA memberikan nilai Mean Absolute Percentage Error (MAPE) yang lebih kecil dibandingkan nilai MAPE yang dihasilkan dari metode ARIMA dan metode FTS. Selain itu, untuk nilai pengamatan yang ekstrim diperoleh bahwa nilai peramalan yang dihasilkan dari metode EV-FTS berdasarkan ARIMA dapat mendekati nilai aktualnya. Hasil dari penelitian ini menunjukkan bahwa tingkat morbiditas tuberkulosis dengan menggunakan EV-FTS berdasarkan ARIMA diramalkan meningkat dari periode tahun 2022 hingga tahun 2031.

---

The tuberculosis morbidity rate measures the rate of tuberculosis disease in a population in a particular area and time. This measure is used to assist health institutions in planning policies to prevent tuberculosis in Indonesia. In addition, the morbidity rate is used in determining the right insurance premium for the insurance company so that it can predict sufficient fund reserves to cover claims from the insured in the next period. Determination of the morbidity rate in the future period can be determined using time series forecasting techniques. Several forecasting methods that can predict time series data include the Autoregressive Integrated Moving verage (ARIMA) method and the Fuzzy Time Series (FTS) method. Both of these forecasting methods have their weaknesses in practice. The weakness of the ARIMA method is that there are classical assumptions that must be met so that the ARIMA method can be used properly. Based on a previous study, the weakness of the FTS method is that the forecasting model formed is dependent on determining the number of subintervals and sometimes the accuracy is not as good as the ARIMA method. This study uses a forecasting method with Error Variation-Fuzzy Time Series (EV-FTS) based on ARIMA to overcome the drawbacks of the ARIMA and FTS methods. The results of this study indicate that the EV-FTS forecasting method based on ARIMA provides a Mean Absolute Percentage Error (MAPE) value which is smaller than the MAPE value generated from the ARIMA method and the FTS method. In addition, the forecast value generated from the EV-FTS method based on ARIMA can approach the extreme actual value. This forecasting method can be an alternative forecasting method to obtain the tuberculosis morbidity rate from next year 2022 and 2031."

"Banjir di perkotaan merupakan bencana yang signifikan karena banyaknya penduduk yang terkena dampaknya. Dalam kebanyakan kasus, banjir terjadi bersamaan dengan hujan lebat, sehingga jika diamati dari satelit yang menggunakan sensor optik, daerah tersebut tertutup awan. Penelitan ini mengusulkan framework baru untuk klasifikasi banjir daerah perkotaan menggunakan sensor satelit penginderaan jauh Synthetic Aperture Radar (SAR) yang mempunyai kemampuan menembus awan. Framework ini dikembangkan untuk mengklasifikasi daerah banjir dengan mempertahankan variasi temporalnya. Studi kasus yang digunakan adalah wilayah Jakarta menggunakan metode 3D CNN multi-sensor pada data Sentinel-1 (S-1) multi-temporal dan curah hujan rata-rata Climate Hazard Infrared Precipitation Sensor (CHIRPS). Data terdiri atas 24 scene S-1 dengan polarisasi ganda VV dan VH antara bulan Maret 2019-Februari 2020 yang terdiri dari 20 citra co-polarized dan cross-polarized yang terdiri dari 2 citra co-event, 18 citra pre-event, dan 4 citra post-event sebagai testing data dan data curah hujan dari CHIRPS. Training dilakukan dengan menggunakan hyperparameter 150 epoch, batch size sebesar 100, learning rate sebesar 0,001 dan komposisi data set training/testing digunakan 80/20. Hasil pengujian 3D CNN memberikan rata-rata overall accuracy sebesar 70,3% dengan waktu pemrosesan 113 detik untuk setiap epoch. Dengan hasil tersebut metode 3D CNN diharapkan mampu membantu mengestimasi luas area banjir yang akurat dan mengidentifikasi daerah yang berpotensi mengalami banjir dalam rangka deteksi dini/pencegahan banjir kota-kota lain di masa mendatang.

---

Urban flooding is a significant catastrophe due to its widespread impact on the population. Typically, floods occur concurrently with heavy rainfall, rendering the affected area obscured by clouds when observed through optical sensors on satellites. To address this issue, a novel approach is proposed in this study, aiming to classify flooded urban areas using a remote sensing synthetic aperture radar (SAR) sensor on a satellite. Unlike optical sensors, SAR has the ability to penetrate clouds. The framework was developed by employing the 3D Convolutional Neural Network (CNN) method to preserve the temporal variability, which processed multi-temporal SAR data from Sentinel-1 (S-1) and average rainfall data from the Climate Hazards Infrared Precipitation Sensor (CHIRPS). The dataset used in this research comprised 24 S-1 scenes with Dual VV and VH polarization, covering the period between March 2019 and February 2020 divided into 2 co-event images, 18 pre-event images, and 4 post-event images, along with rainfall data from CHIRPS. The training phase employed hyperparameters of 150 epochs, batch size of 100, and learning rate at 0,001, with training/testing data split of 80/20. The 3D CNN achieved an average overall accuracy of 70.3%, with maximum accuracy at 71,4% and each epoch taking 113 seconds on average to process. These results demonstrate the potential of the 3D CNN method to accurately estimate the extent of flooding and identify areas at risk of flooding, thereby aiding early detection and flood prevention efforts in other cities in the future."

"Speech Emotion Recognition adalah teknologi yang mampu bisa mendeteksi emosi lewat data suara yang diproses oleh sebuah mesin. Media yang sering digunakan untuk menjadi media interaksi antara 2 orang atau lebih yang saat ini sedang digunakan oleh banyak orang adalah Podcast, dan Talkshow. Seiring berkembangya SER, penelitian terakhir menunjukkan bahwa penggunaan metode Deep Learning dapat memberikan hasil yang memuaskan terhadap sistem SER. Pada penelitian ini akan diimplementasikan model Deep Learning yaitu dengan Recurrent Neural Network (RNN) variasi Long Short Term Memory (LSTM) untuk mengenali 4 kelas emosi (marah, netral, sedih, senang). Penelitian ini menguji model yang digunakan untuk mengenali emosi dari fitur akustik pada data secara sekuensial. Skenario training dan testing dilakukan dengan metode one-against-all dan mendapatkan hasil (1) Dataset talkshow mengungguli dataset podcast untuk tipe 1 dan 2 dan untuk semua emosi yang dibandingkan; (2) Untuk dataset podcast pada emosi marah, senang, dan sedih didapatkan akurasi optimal pada dataset tipe 1 yaitu 67.67%, 71.43%, dan 68,29%, sedangkan untuk emosi netral didapatkan akurasi terbaik pada dataset tipe 2 dengan 77.91%; (3) Untuk dataset talkshow pada emosi marah, netral, dan sedih didapatkan akurasi terbaik pada dataset tipe 2 yaitu 78.13%, 92.0%, dan 100%. Dapat disimpulkan bahwa dataset talkshow secara garis besar memberikan hasil yang lebih optimal namun memiliki variasi data yang lebih sedikit dari dataset podcast. Dari sisi panjang data, pada penelitian ini didapatkan akurasi yang lebih optimum pada dataset dengan tipe 2.

---

Speech Emotion Recognition is a technology that is able to detect emotions through voice data that is processed by a machine. Media that is often used to be a medium of interaction between two or more people who are currently being used by many people are Podcasts, and Talkshows. As SER develops, recent research shows that the use of the Deep Learning method can provide satisfactory results on the SER system. In this study a Deep Learning model will be implemented, this study uses Long Short Term Memory (LSTM) as one of the variation of Recurrent Neural Network (RNN) to recognize 4 classes of emotions (angry, neutral, sad, happy). This study examines the model used to recognize emotions from acoustic features in sequential data. Training and testing scenarios are conducted using the one-against-all method and get results (1) The talkshow dataset outperforms the podcast dataset for types 1 and 2 and for all emotions compared; (2) For the podcast dataset on angry, happy, and sad emotions, the optimal accuracy in type 1 dataset is 67.67%, 71.43%, and 68.29%, while for neutral emotions the best accuracy is obtained in type 2 dataset with 77.91%; (3) For the talkshow dataset on angry, neutral, and sad emotions the best accuracy is obtained for type 2 datasets, namely 78.13%, 92.0%, and 100%. It can be concluded that the talkshow dataset in general gives more optimal results but has fewer data variations than the podcast dataset. In terms of data length, this study found more optimum accuracy in dataset with type 2."

"Tuberkulosis (TB) merupakan suatu penyakit menular yang sebagian besar menyerang paru-paru manusia. Penularan penyakit ini terjadi ketika pasien tuberkulosis paru mengeluarkan percikan dahak yang mengandung kuman tuberkulosis ke udara. Penularannya yang mudah menjadikan tuberkulosis sebagai masalah kesehatan masyarakat, baik di Indonesia maupun internasional. Deteksi dini tuberkulosis paru dapat mencegah penularan serta menyembuhkan pasien. Namun, adanya pandemi COVID-19 saat ini dapat menurunkan angka kasus tuberkulosis yang berhasil terdeteksi. Hal ini menunjukkan perlu adanya kemajuan dalam metode pendeteksian penyakit tuberkulosis paru. Kini, perkembangan teknologi dapat dimanfaatkan untuk membantu bidang kesehatan, salah satunya dengan machine learning. Machine learning dapat digunakan untuk mendeteksi adanya suatu penyakit berdasarkan data citra. Dalam penelitian ini, model machine learning, Convolutional Neural Network-Random Forest (CNN-Random Forest) dan Convolutional Neural Network-XGBoost (CNN-XGBoost), diimplementasikan untuk mendeteksi tuberkulosis paru berdasarkan citra radiografi toraks. Selanjutnya, kedua model tersebut dievaluasi dan dibandingkan kinerjanya berdasarkan nilai akurasi dan nilai luas wilayah di bawah kurva ROC, atau biasa disebut dengan area under the curve (AUC). Data yang digunakan sebanyak 6000 yang terdiri dari 3000 citra radiografi toraks tuberkulosis paru dan 3000 citra radiografi toraks normal. Berdasarkan hasil yang diperoleh, model CNN-Random Forest dan CNN-XGBoost memberikan kinerja yang baik dan dapat diterapkan untuk mendeteksi tuberkulosis paru, dimana CNN digunakan untuk mengekstraksi fitur pada citra, kemudian hasil ekstraksi fitur tersebut menjadi input bagi pengklasifikasi Random Forest dan XGBoost. Evaluasi kinerja berdasarkan rata-rata nilai akurasi dan rata-rata nilai AUC pada model CNN-Random Forest memberikan hasil terbaik masing-masing sebesar 98.667% dan 99.933%, sementara pada model CNN-XGBoost memberikan hasil terbaik masing-masing sebesar 98.367% dan 99.866%. Kemudian berdasarkan perbandingan kinerja yang dilakukan, model CNN-Random Forest memberikan kinerja yang lebih baik dalam mendeteksi tuberkulosis paru dibandingkan dengan model CNN-XGBoost.

---

Tuberculosis (TB) is an infectious disease that in most cases attacks the human lungs. Transmission of this disease occurs when a patient with pulmonary tuberculosis expels phlegm containing tuberculosis germs into the air. Its easy transmission makes tuberculosis a public health problem, both in Indonesia and internationally. Early detection of pulmonary tuberculosis can prevent transmission and cure patients. However, the current COVID-19 pandemic can reduce the number of successfully detected tuberculosis cases. This shows the need for progress in the detection method of pulmonary tuberculosis. Now, technological developments can be used to help the health sector, one of which is machine learning. Machine learning can be used to detect the presence of a disease based on image data. In this study, machine learning models, Convolutional Neural Network-Random Forest (CNN-Random Forest) and Convolutional Neural Network-XGBoost (CNN-XGBoost), were implemented to detect pulmonary tuberculosis based on thorax radiography images. Furthermore, the performances of the two models were evaluated and compared based on the values of accuracy and area under the ROC curve, or commonly called the area under the curve (AUC). The data used were 6000 consisting of 3000 thorax radiography images of pulmonary tuberculosis and 3000 normal thorax radiography images. Based on the results obtained, the CNN-Random Forest and CNN-XGBoost models provided good performances and can be applied to detect pulmonary tuberculosis, where CNN was used to extract features in the image, then the results of the feature extraction became input for the Random Forest and XGBoost classifiers. Performance evaluation based on the average values of accuracy and AUC in the CNN-Random Forest model gave the best results of 98.667% and 99.933%, respectively, while the CNN-XGBoost model gave the best results of 98.367% and 99.866, respectively. Then based on the performance comparison, the CNN-Random Forest model provided a better performance in detecting pulmonary tuberculosis compared to the CNN-XGBoost model."