Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kualitas berkas yang dinyatakan dalam besaran Half Value Layer (HVL) perlu diukur secara berkala pada saat proses uji jaminan mutu pesawat sinar-X. Penelitian ini mengembangkan sebuah model komputasi yang mampu memprediksi nilai HVL dari sebuah citra kosong radiografi umum untuk mengatasi permasalahan instalasi radiologi dalam pengadaan detektor radiasi. Model dibuat menggunakan teknik regresi Artificial Neural Network (ANN) dengan memanfaatkan nilai-nilai fitur yang dapat diekstrak dari sebuah citra medis sebagai masukan model. Tiga jenis model dibuat dengan memvariasikan jenis fitur masukan yang digunakan, yaitu fitur langsung, fitur tidak langsung atau properti Gray-Level Co-occurrence Matrix (GLCM), dan gabungan keduanya. Model dilatih menggunakan arsitektur dan hyper-parameters yang telah ditentukan hingga menghasilkan nilai galat terendah. Nilai HVL sebenarnya diukur menggunakan Solid-State Detector (SSD) dan digunakan untuk mengevaluasi performa model yang telah dilatih. Model Gabungan atau model dengan fitur masukan berupa gabungan antara jenis fitur langsung dan tidak langsung menghasilkan nilai performa terbaik. Pengujian performa Model Gabungan menggunakan data uji menghasilkan nilai mean absolute error, root mean squared error, dan mean absolute percentage error masing-masing sebesar 0,006, 0,009, dan 0,248%. Model harus diperlakukan sebagaimana detektor radasi pada umumnya sehingga proses akuisisi citra berulang perlu dilakukan. Perbedaan model pesawat sinar-X dan reseptor citra menghasilkan nilai dan pola fitur yang berbeda

---

The beam quality stated in Half Value Layer (HVL) value needs to be measured periodically during Quality Assurance (QA) X-rays device. This study develops a computational model that can predict the HVL value from a general radiography empty image to solve the problems of radiology installations in the procurement of radiation detectors. The model was created using Artificial Neural Network (ANN) regression technique by utilizing feature values that can be extracted from a medical image as model input. Three types of models were created by varying the type of used input features, those were direct features, indirect features or Gray-Level Co-occurrence Matrix (GLCM) properties, and combination of both. The model was trained using the predefined architecture and hyper-parameters until producing the lowest error value. The real HVL value was measured using a Solid-State Detector (SSD) and used to evaluate the performance of the trained model. Combined Model or a model with an input feature in the form of a combination of the types of direct features and indirect features produced the best performance value. The performance test of the Combined Model using the test data produced the mean absolute error, root mean squared error, and mean absolute percentage error value of 0,006, 0,009, and 0,248%, respectively. The model must be treated as a radiation detector in general so that the repeated image acquisition is necessary. Differences in the X-ray device and the image receptor model produce different feature values and patterns."

"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."

"Keberadaan Cumulonimbus dapat menyebabkan hujan lebat, tornado, badai petir dan peristiwa ekstrem lainnya. Pengamatan Radiosonde telah digunakan untuk memprediksi potensi keberadaan awan CB dalam periode prakiraan cuaca jangka pendek dengan menggunakan pendekatan machine learning. Salah satu metode machine learning yang populer dan handal digunakan untuk prediksi potensi pertumbuhan awan CB adalah Artificial Neural Network (ANN). Namun, ANN masih sensitif terhadap inisialisasi nilai awal pada parameter weight dan bias. Metode yang terbukti paling handal untuk mengatasi masalah tersebut adalah Grey Wolf Optimizer (GWO). Oleh sebab itu, studi ini menggunakan GWO untuk mengoptimalkan parameter weight dan bias pada ANN berdasarkan kinerja MSE di setiap iterasi sehingga dapat meningkatkan kinerja ANN dalam memprediksi keberadaan awan CB. Hasil studi menunjukkan bahwa GWO memberikan peningkatan kinerja ANN dengan rata rata peningkatan akurasiakurasi sebesar 14,88 %. Akurasi terbaik didapatkan dengan nilai 89.6% dengan menggunakan 5 input indeks Radiosonde SI, LI, TT, CAPE, SWEAT pada epoch 250, dengan nilai MSE 0.071, serta nilai koefisien korelasinya sebesar 0.86

---

The presence of Cumulonimbus can cause heavy rain, tornadoes, thunderstorms and other extreme events. Radiosonde observations have been used to predict the potential presence of CB clouds in the short-term weather forecast period using a machine learning approach. One of the popular and reliable machine learning methods used to predict the potential growth of CB clouds is Artificial Neural Network (ANN). However, ANN is still sensitive to initialization of initial values ​​in weight and bias parameters. The most reliable proven method to solve this problem is the Gray Wolf Optimizer (GWO). Therefore, this study uses GWO to optimize weight and bias parameters on ANN based on MSE performance in each iteration so as to improve ANN performance in predicting the presence of CB clouds. The results of the study show that GWO provides an increase in ANN performance with an average increase in accuracy of 14.88%. The best accuracy was obtained with a value of 89.6% using 5 inputs Radiosonde SI, LI, TT, CAPE, SWEAT at epoch 250, with an MSE value of 0.071, and the correlation coefficient value of 0.86"

"Luasnya dampak negatif gangguan depresi terhadap kehidupan seseorang membawa urgensi akan pentingnya metode diagnosis yang akurat dan objektif agar bisa menerapkan langkah pengobatan yang cepat pada pasien yang depresi. Metode diagnosis gangguan depresi yang berbasis kuesioner atau wawancara berpotensi subyektif, karena pasien bisa saja tidak menceritakan dengan detail kondisi yang dialaminya. EEG dapat menjadi sarana alternatif untuk mencapai diagnosis yang akurat dan objektif tersebut. Sinyal EEG mengandung banyak fitur yang dapat diekstrak dengan mudah, contohnya Relative Power Ratio (RPR). Penelitian ini mengekstrak fitur RPR dari sinyal EEG dengan menggunakan dua metode, yaitu STFT (Short-Time Fourier Transform) dan PSD (Power Spectral Density) dari 14 elektroda EEG yang tersedia. Fitur RPR yang diekstrak akan direduksi menggunakan algoritma PCA (Principal Component Analysis) ke dalam dimensi yang lebih rendah dengan tetap mempertahankan variansi (informasi) fitur sebesar 90%. Model ANN (Artificial Neural Network) dengan jenis FNN (Feedforward Neural Network) digunakan untuk klasifikasi pasien yang sehat dengan yang depresi. Dampak dari algoritma PCA akan dilihat pada performa model FNN dan lama waktu pelatihan yang dibutuhkan model FNN. Performa model yang akan diukur adalah akurasi, sensitivitas dan spesifisitas. Performa model akan divalidasi menggunakan 10-Fold Validation yang dijalankan sebanyak 10 iterasi. PCA berhasil mereduksi dimensi fitur RPR sebesar 57.1% dengan metode PSD dan 57.1% dengan metode STFT. Akurasi tertinggi yang didapatkan model FNN adalah 69.5% ketika menerapkan algoritma PCA pada RPR metode PSD, dan 68% ketika menerapkan algoritma PCA pada fitur RPR metode STFT. Penerapan PCA pada fitur RPR menurunkan waktu pelatihan model sebesar 6.33% dengan metode PSD dan sebesar 42.56% dengan metode STFT. Performa model FNN lebih baik setelah penerapan PCA dibandingkan dengan menggunakan fitur RPR langsung ke dalam model FNN. Hal ini menunjukkan bahwa PCA memiliki potensi untuk menurunkan waktu pelatihan model FNN dengan tetap mempertahankan performa model FNN.

---

The extent of the negative impact of depressive disorder on a person’s life raises the urgency of the importance of an accurate and objective diagnostic method to quickly apply treatment steps for depressive patients. Diagnostic method that based on questionnaire and interview has the potential to be subjective, because the patient might be not fully explain his condition. EEG or Electroencephalography could be an alternative way to achieve the accurate and objective diagnostic. EEG signal has many features that can be extracted easily, for example the Relative Power Ratio. This research extracted RPR features from EEG signal by implementing two methods, STFT (Short-Time Fourier Transform) and PSD (Power Spectral Density) from 14 available EEG electrodes. The extracted RPR features will be reduced by using PCA algorithm to a lower dimension while still retaining 90% variance (information) from the features. ANN (Artificial Neural Network) with the type of FNN (Feedforward Neural Network) will be used to classify healthy patients with depressed patients. The effect of PCA algorithm will be seen on the FNN model’s performances and on the training duration of the FNN model. Model’s performances that will be measured are accuracy, sensitivity, and specificity. Model’s performances will be validated by using 10-Fold Validation which will be executed for 10 iterations. PCA managed to reduce 57.1% RPR features’ dimensions by using PSD method and 57.1% by using STFT method. The highest accuracy achieved by FNN model is 69.5% when implementing PCA algorithm to the RPR features from the PSD method, and 68% when implementing PCA algorithm to the RPR features from STFT method. The implementation of PCA to the RPR features managed to reduce 6.33% training duration of FNN model for the PSD method and 42.56% for the STFT method. Better FNN model’s performances are shown after the implementation of PCA algorithm compared to when using the RPR features directly to the FNN model. This shows that PCA has a potential of reducing the training duration of the FNN model while still retaining FNN model’s performances."

"Tanah Longsor merupakan bencana geologi yang paling banyak dijumpai di Kota dan Kabupaten Bogor. Berdasarkan data yang dirilis oleh Badan Nasional Penanggulangan Bencana (BNPB), pada tahun 2013 – 2018 telah terjadi 44 bencana tanah longsor di Kota Bogor dan 139 bencana tanah longsor di Kabupaten Bogor, mengakibatkan 68 orang meninggal dunia. Penelitian ini bertujuan untuk pengembangan studi bencana tanah longsor di Kota dan Kabupaten Bogor, sehingga dapat bermanfaat untuk meminimalisir jumlah keterjadian dan dampak yang dihasilkan dari bencana longsor didaerah tersebut. Pada penelitian ini, peta kerentanan bencana tanah longsor dari area studi dibuat menggunakan metode analytical hierarchy process (AHP) dan artificial neural network (ANN). Sebanyak 84 titik lokasi keterjadian bencana tanah longsor dan 84 titik lokasi yang tidak mengalami bencana tanah longsor diolah menjadi landslide inventory map. Faktor penyebab bencana tanah longsor yang digunakan dalam penelitian ini berjumlah 17 faktor, yaitu bentuk lereng, kemiringan lereng, topographic wetness index (TWI), aspek lereng, elevasi, stream power index (SPI), jarak terhadap sungai, kerapatan sungai, jarak terhadap kelurusan, kerapatan kelurusan, normalized differential vegetation index (NDVI), jenis litologi, jenis tanah, curah hujan, tutupan lahan, jarak terhadap jalan, dan kerapatan bangunan. Data yang diperlukan untuk membuat peta dari setiap faktor penyebab bencana tanah longsor yaitu, data digital elevation model (DEM), peta rupa bumi Indonesia (RBI), data Citra Landsat 8, peta geologi teknik, data curah hujan, dan peta Jenis Tanah. Landslide inventory map dan peta dari setiap faktor penyebab bencana tanah longsor diolah menjadi peta kerentananan bencana tanah longsor menggunakan kedua metode tersebut. Berdasarkan peta kerentanan bencana tanah longsor yang dihasilkan, wilayah selatan daerah penelitian memiliki tingkat kerentanan bencana tanah longsor yang lebih tinggi dibandingkan wilayah lainnya. Proses validasi dari peta kerentanan bencana tanah longsor yang dihasilkan dilakukan dengan menggunakan kurva receiver operating characteristic (ROC). Nilai area under curve (AUC) untuk tingkat keberhasilan metode AHP dan ANN masing-masing adalah 0,834 dan 0,818, hal tersebut menujukkan bahwa metode AHP lebih unggul dalam menjelaskan hubungan bencana tanah longsor dengan faktor penyebabnya. Kedua metode tersebut menghasilkan peta kerentanan bencana tanah longsor yang baik dengan tingkat akurasi lebih dari 81%.Landslide is one of the most common disaster in Bogor City and Bogor Regency. BNPB stated that between 2013-2018 there have been 44 landslides in Bogor City and 139 landslides in Bogor Regency with death toll of 68 persons. Therefore, it is important to generate map to identify landslide susceptibility in study area. In this study, landslide susceptibility map of study area was created using analytical hierarchy process (AHP) and artificial neural network (ANN) methods. A total of 84 points of landslide occurrence locations and 84 secure location points of landslides are processed into landslide inventory map. The landslide causative factors in this study amounted to 17 factors, including slope form, slope gradient, topographic wetness index (TWI), slope aspect, elevation, stream power index (SPI), distance to river, river density, distance to lineament, lineament density, normalized differential vegetation index (NDVI), lithology type, soil type, rain intensity, land cover, distance to road, and building density. The data used to create maps of each landslide causative factors, including digital elevation model (DEM), Bakosurtanal Map, Landsat 8 Imagery, engineering geology map, geological map, and soil type map. Landslide inventory map and maps of each landslide causative factors are processed into landslide susceptibility map using both methods. Based on landslide susceptibility maps obtained in this study, the southern region of the study area has a higher level of landslide susceptibility than other regions. To validate the result, Receiver Operating Characteristic (ROC) applied. The areas under the curve (AUC) for the success rate of the AHP and ANN methods were 0,834 and 0,818, respectively, indicating that the AHP method is superior in explaining the relationship of landslide with each causative factors. Both methods produce a good landslide susceptibility map with the accuracy being higher than 81%."

"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"

"Kemajuan teknologi telah memudahkan manusia untuk melakukan aktifitas kehidupan sehari-hari dengan lebih baik. Khususnya untuk bidang ilmu pengetahuan dan teknologi, kemajuan teknologi ini telah membantu teriaksananya penelitian-penelitian yang lebih kompleks sehingga dapat terselesaikan dalam jangka waktu yang relatif lebih cepat dengan biaya operasional yang relatif lebih rendah. Salah satu bentuk artificial intelligence yang memanfaatkan ilmu komputasi untuk mendapatkan hasil yang diinginkan tanpa memerlukan perhitungan matematis yang rumit adalah Artificial Neural Network (ANN). ANN merupakan suatu sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Keistimewaan ANN terletak pada proses pembelajarannya untuk mencapai hasil yang diinginkan sehingga ANN memiliki ketepatan hasil yang berbeda-beda untuk tiap input-nya, bergantung pada proses pembelajaran yang dialami. Selama ini, ANN telah banyak digunakan untuk sistem pengontrolan, pengenalan pola dan peramalan (prediksi). Pada penelitian ini ANN digunakan untuk menentukan bilangan oktana biogasoline dengan menggunakan software Matlab. Selain itujuga dilakukan percobaan untuk mengetahui pengaruh jumlah neuron dan jumlah lapisan tersembunyi pada jaringan ANN yang digunakan. Hasil yang diperoleh berupa pemodelan Artificial Neural Network (ANN) yang paling optimal berupa jaringan yang memiliki 1 lapisan tersembunyi dengan 4 buah neuron. Perbandingan hasil antara data masukan (target) dan keluaran jaringan ANN menunjukkan teriadnya kesalahan relatif sebesar 2,226 %. Hasil prediksi jaringan ANN untuk rasio jumlah minyak sawit/jumlah katalis sebesar 20 dansuhu reaksi sebesar 600°C adalah bilangan oktana sebesar 105,158. Dengan demikian, dapat disimpulkan bahwa jaringan ANN ini dapat digunakan untuk menentukan bilangan oktana biogasoline dengan tingkat ketepatan (akurasi) yang bergantung pada pola data masukan yang digunakan."

"

Di tengah maraknya wabah virus Corona, penyakit lain yang menjadi salah satu masalah kesehatan utama masyarakat Indonesia dan tidak dapat diabaikan adalah penyakit Demam Berdarah Dengue (DBD). DBD merupakan penyakit infeksi yang disebabkan oleh virus dengue dan ditularkan melalui gigitan nyamuk Aedes aegypti betina. Faktor lain yang berpengaruh dalam penyebaran DBD adalah faktor cuaca, seperti curah hujan yang tinggi, perubahan suhu dan iklim, serta kelembaban udara. Di Indonesia sendiri, peningkatan kasus DBD banyak terjadi pada masa pancaroba. Oleh karena itu, seiring dengan banyaknya kasus DBD yang terjadi saat ini, dibutuhkan upaya pencegahan dan penanganan dini untuk menanggulangi risiko persebarannya. Upaya yang dapat dilakukan antara lain dengan melakukan prediksi jumlah insiden DBD. Pada tugas akhir ini, jumlah insiden DBD diprediksi menggunakan salah satu metode dalam machine learning, yaitu metode Artificial Neural Network - Particle Swarm Optimization (ANN-PSO), di mana yang menjadi variabel prediktornya adalah jumlah insiden DBD dan faktor cuaca (temperatur, curah hujan, dan kelembaan relatif). Fungsi aktivasi yang digunakan pada tugas akhir ini adalah fungsi Tanh (pada hidden layer) dan fungsi ReLU (pada output layer), dengan memperhitungkan parameter jumlah hidden neuron dan ukuran populasi. Kinerja model ANN-PSO yang dibentuk kemudian dievaluasi berdasarkan Mean Squared Error (MSE). Pada tugas akhir ini, model ANN-PSO terbaik yang dihasilkan untuk masing-masing kotamadya di DKI Jakarta memiliki hasil yang berbeda-beda sesuai dengan parameter yang digunakannya, dengan MSE testing paling kecil bernilai 0,0215026 untuk wilayah Jakarta Pusat, sedangkan MSE testing paling besar bernilai 0,0438962 untuk wilayah Jakarta Utara.

---

During the Coronavirus outbreak, another disease that is also one of the main health problems for the Indonesian people and hence cannot be ignored is Dengue Hemorrhagic Fever (DHF). DHF is an infectious disease caused by dengue virus and is transmitted through the bite of female Aedes aegypti mosquitoes. Another factor that influences the spread of DHF is weather factors, such as high rainfall, changes in temperature and climate, and humidity. In Indonesia, the increase in dengue cases occurred during the transition period. Therefore, in line with the number of dengue cases currently occurring, prevention and early management are needed to mitigate the risk of its spread. Efforts that can be made include predicting the number of dengue incidents. In this final project, the number of dengue incidents is predicted using one of the methods in machine learning, namely the Artificial Neural Network - Particle Swarm Optimization (ANN-PSO) method, where the predictor variables are the number of dengue incidents and weather factors (temperature, rainfall, and relative humidity). The activation functions used in this final project are the Tanh Function (on the hidden layer) and the ReLU Function (on the output layer), and the tuning parameters are the number of hidden neurons and population size. The performance of the ANN-PSO model that was formed evaluated using the Mean Squared Error. In this final project, the best ANN-PSO model produced for each municipality in DKI Jakarta has different results according to the parameters it uses, with the smallest MSE testing value of 0,0215026 for the Central Jakarta area, while the largest MSE testing value was 0,0438962 for the North Jakarta area.

"

"Pengembangan produk baru merupakan hal yang sangat penting dalam menjagapertumbuhan perusahaan. Herbisida glyphosate dengan kemampuannya yangspesifik dan efektif dalam menghambat enzim 5-enolpyruvylshikimate-3-phosphate synthase (EPSPS) menjadi herbisida yang luas dipakai di seluruh duniatermasuk di Indonesia yaitu sebesar 51% pasar pada Maret 2013. Prosespembuatan produk baru ammonium glyphosate 400 g/L SL dilakukan melalui duametode optimasi yaitu Response Surface Method (RSM) dan Artificial NeuralNetwork-Genetic Algorithm (ANN-GA). Kemampuan prediksi respon RSM danANN dibandingkan melalui nilai root mean squared error (RMSE). Dari hasilprediksi RSM, RMSE untuk pembuatan ammonium glyphosate berbasa NH4OHdan berbasa NH4HCO3 secara berturut-turut adalah 44.37 dan 73.2. Sedangkandengan prediksi ANN RMSE untuk pembuatan ammonium glyphosate berbasaNH4OH dan berbasa NH4HCO3 secara berturut-turut adalah 122.04 dan 143.80.Pada penelitian ini juga ditunjukkan bahwa RSM memiliki kemampuan lebihbaik dalam menentukan kondisi optimal jika dibandingkan dengan ANN-GA.Berdasarkan hasil optimasi, formulasi ammonium glyphosate berbasa NH4OHdapat menurunkan biaya sebesar 3.71% dan dengan berbasa NH4HCO3 dapatmenurunkan biaya 11.08% dari komposisi yang sudah ada.

---

New product development is very important for the companies to maintain the

growth. Since its specificity and affectivity in inhibits 5-enolpyruvylshikimate-3-

phosphate synthase (EPSPS), glyphosate becomes a worldwide herbicide

including in Indonesia with 51% market size in March 2013. The making of the

proposed new product, ammonium glyphosate 400 SL, is optimized by the two

methodologies Response Surface Method (RSM) and hybrid of Artificial Neural

Network-Genetic Algorithm (ANN-GA). Prediction capability of the RSM and

ANN model were determined by comparing the root mean squared error (RMSE).

From the RSM prediction, the RMSE for the NH4OH and NH4HCO3 experiment

were 44.37 and 73.2, respectively. And from the ANN prediction, the RMSE for

the NH4OH and NH4HCO3 experiment were 122.04 and 143.80, respectively. In

this study, RSM also showed its superiority in determine the optimum condition

for making ammonium glyphosate compared to the ANN-GA. Based on the

optimization result, NH4OH base formulation gave the 3.71% cost saving and

NH4HCO3 base formulation gave 11.08% cost saving compared to the existing

product."

"Estimation of porosity (and other petrophysical parameters) from well logs are important yet difficult task encountered in geophysical formation evaluation and reservoir engineering. Motivated by recent result of artificial neural network (ANN) modelling offshore eastern Canada and North sea, we have developed neural nets for converting well logs in the Field-X, West Java, to porosity. We use back propagation artificial neural network (BPANN) to model porosity of the area. The porosity ANN is a simple three layer network using sonic, density and resistivity logs for input.Optimum network's parameters, like type of activation function, number of facts, and number of neurons also have been investigated through series of trials and errors of network. The network, initially developed for basin-scale problems, perform sufficiently accurate to meet normal requirements. There is strong similarity (R=0.964) between the predicted porosity from BPANN with density-derived porosity (which has been used as a substitute for core plug porosity due to not enought core data available). A major adventage is that no a priori knowledge of the rock material and pore fluids is required. Real-time conversion based on measurements while drilling (MWD) is thus an obvious application."