Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tujuan penelitian ini adalah melakukan studi awal guna memprediksi nilai kerma udara dan half value layer (HVL) pesawat CT scan berdasarkan citra fantom homogen. Penelitian ini dilakukan dengan menggunakan citra homogen dari fantom standar CT scan yang dilakukan ekstraksi fitur GLCM (Gray Level Co-occurence Matrix), dengan data tambahan berupa nilai kVp pengambilan citra. Sebagai label output adalah hasil pengukuran kerma udara dan HVL. Model yang digunakan berbasis artificial neural network, dengan hyperparameter ditentukan berdasarkan teknik hyperparameter tuning dengan menggunakan Teknik Gridsearch. Pencarian hyperparameter berupa fungsi aktivasi, jumlah hidden layer, jumlah hidden unit, kernel initializer, dan optimizer dilakukan dengan Analisa performa hasil. Kualitas performa klasifikasi model artificial neural network menggunakan confusion matrix menunjukkan akurasi sebesar 84,4% pada model yang dilatih menggunakan input fitur GLCM, sedangkan pada model artificial neural network yang menggunakan input fitur GLCM dan kVp menunjukkan akurasi sebesar 100%. Hasil ini menunjukkan bahwa fitur GLCM mampu menghasilkan akurasi yang baik untuk melakukan prediksi kerma udara dan HVL. Namun, jika disertai dengan fitur kVp sebagai input, maka proses training akan menghasilkan akurasi yang sangat baik, dengan gejala dominasi fitur kVp terhadap fitur GLCM.

---

The goals of this research is to do preliminary study to predict air kerma and half value layer (HVL) of CT scan base on phantom image which has homogeneous characteristic. This research starts with GLCM (Gray Level Co-occurence Matrix) feature extraction process from the phantom image, the kVp value also extracted from the phantom image dicom information. While the target during training is air kerma and HVL measurement resulted from the dosimeter and solid state device. Machine learning model used for this research is artificial neural network (ANN) base Machine Learning model. However, the hyperparameter have not yet been found. Thus, this problem could be solved by using Hyperparameter tuning technique, specifically using Gridsearch with variety of activation function, hidden layers, hidden units, kernel initializer, and optimizer as the parameter guideline. The performance of classification model is measured using confusion matrix technique. The classification performance show that the model which trained using GLCM feature only has 84.4% accuracy to predict air kerma and HVL. While, the classification performance show that the model which trained using GLCM feature and kVp that extracted from the dicom information has 100% accuracy to predict air kerma and HVL. Although, the model that train using GLCM feature and kVp can predict much better than the model which trained using GLCM feature only, it shows that GLCM feature is dominated by kVp feature that extracted from the dicom information."

"Proses segmentasi organ secara manual memakan waktu dan hasilnya subyektif terhadap definisi batas-batas kontur. Pemanfaatan teknologi Machine Learning (ML) berjenis 3D convolutional neural network (3D CNN) untuk mensegmentasi organ secara otomatis dapat mempercepat dan menstandarisasi hasil segmentasi organ. Penelitian ini mengimplementasilan network ML berbasis VoxResNet dan memanfaatkan 60 dataset CT Scan toraks dari Grand Callenge AAPM 2017 untuk melatih, memvalidasi, dan menguji model-model ML dengan berbagai variasi hyperparameter. Pengaruh variasi hyperparameter terhadap hasil segmentasi model juga dipelajari. Dataset dibagi menjadi 3 yaitu, 36 untuk perlatihan, 12 untuk validasi, dan 12 untuk pengujian. Dalam penelitian ini paru-paru kiri dan paru-paru kanan dijadikan satu jenis OAR bernama paru-paru, esophagus dan spinal cord dijadikan satu OAR bernama ESP, sedangkan jantung tetap OAR tersendiri. Variasi hyperparameter adalah variasi ukuran patch, jumlah batch, dan weight class. Hasil segmentasi model-model dievaluasi dan diperbandingkan untuk mencari model terbaik dengan hyperparameter-nya yang mampu menghasilkan kualitas hasil segmentasi organ terbaik. Kemampuan network dalam proses perlatihan dan validasi dievaluasi menggunakan kurva pembelajaran. Kualitas hasil segmentasi model organ dievaluasi menggunakan boxplot distribusi populasi nilai metrik Dice Similiarity Coefficient (DSC) dan Housdorf Distance (HD) setiap slice. Peningkatan atau penurunan kinerja model akibat variasi hyperparameter dinilai menggunakan skor peningkatan metrik. Terakhir, metrik DSC dan HD95 secara 3D hasil segmentasi model terbaik dibandingkan dengan hasil segmentasi oleh interrater variability AAPM 2017 dan hasil segmentasi team virginia. Hasil kurva pembelajaran tidak mengalami underfitting menunjukkan bahwa network mampu mempelajari data perlatihan dengan baik. Overfitting terjadi pada model organ jantung dan ESP. Hasil eksperimen variasi ukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja moukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja model. Model ukuran patch tengah memberikan kualitas distribusi metrik dan skor paling baik dibandingkan model ukuran patch terkecil dan terbesar pada semua OAR dengan skor 11, 13, dan 13 dari 16. Hasil eksperimen variasi jumlah batch menunjukkan bahwa peningkatan jumlah batch tidak selalu berdampak positif terhadap kinerja model. Untuk model jantung ukuran patch terbesar, peningkatan batch dapat meningkatkan skor dari 2 menjadi 12. Untuk model ESP ukuran patch terbesar, peningkatan batch menurunkan skor dari 13 menjadi 2. Hasil eksperimen variasi weight class (W) menunjukkan bahwa baik model jantung maupun ESP cenderung memberikan distribusi metrik dan skor terbaik di sekitar W = [1,3.67] atau W = [1, C1 < 11]. Dibandingkan dengan interrater variability AAPM, model jantung terbaik menghasilkan nilai metrik yang comparable, yaitu untuk DSC 3D 0.932 ± 0.016 = 0.931 ± 0.015 dan untuk HD95 4.00 ± 0.25 < 6.42 ± 1.82. Sedangkan untuk model paru-paru memberikan metrik lebih baik, yaitu 0.964 ± 0.025 > 0.956 ± 0,019 dan 4,72± 0,21 < 6.71 ± 3,91. Dibandingkan dengan team virginia, model jantung terbaik berhasil memberikan nilai metrik yang lebih baik. yaitu 0.932 ± 0.016 > 0.925 ± 0.015 dan 4.00 ± 0.25 < 6.57 ± 1.50, sedangkan model ESP terbaik menghasilkan metrik yang comparable, yaitu 0.815 ± 0.049 = 0,810 ± 0,069 dan 4,68 ± 0,17 < 8,71 ± 10,59. Dari hasil-hasil ini memberikan potensi adanya perpaduan ukuran patch, jumlah batch, dan weight class tertentu yang dapat menyebabkan hasil segmentasi model ukuran patch lebih kecil dapat mengimbangi hasil segmentasi model ukuran patch lebih besar sehingga tuntutan akan perangkat dengan spesifikasi tinggi dan mahal dapat berkurang.

---

The process of manual organ segmentation is time consuming and the results are subjective in term of definition of contour boundaries. The utilization of Machine Learning (ML) technology using 3D convolutional neural network (3D CNN) to segment organs automatically can speed up the procces as well as standardizing the results of organ segmentation. This study implements a VoxResNet-based ML network and utilizes 60 thoracic CT scan datasets obtained from Grand Callenge AAPM 2017 to train, validate, and test ML models with various hyperparameter variations. The effects of hyperparameter variations on the segmentation results of models are also studied. The dataset is divided into 3 parts, namely 36 for training, 12 for validation, and 12 for testing. In this study the left lung and right lung were combined into one type of OAR called the lung, the esophagus and spinal cord were combined into one OAR called ESP, while the heart remained a separate OAR. Hyperparameter variations are variations in patch size, number of batches, and weight loss. The segmentation results of the models are evaluated and compared each other to find the best model and it’s hyperparameters which is able to produce the best segmentation’s quality. The ability of the network in training and validation procceses is evaluated using learning curve. The quality of the organ model’s segmentation results is evaluated using boxplot of population’s distribution of the Dice Similiarity Coefficient (DSC) and Housdorf Distance (HD) metrics for each slice. The increases or decreases in model performance due to variations in hyperparameters are assessed using the metric improvement score. Finally, the 3D DSC and HD95 metrics of the best model’s segmentation results are compared to the results of segmentation by the AAPM 2017’s interrater variability and to the segmentation results by team virginia. There is no underfitting of learning curve indicates that the network is able to learn the training data. Overfitting occurs in the heart and ESP models. The experimental results from patch size variations show that the size of the patch is not always linear with the performance of the model. The middle patch sized models give the best metric distribution’s quality as well as scores compared to the smallest and largest patch sized models for all OARs with scores of 11, 13, and 13 out of 16. The experimental results from batch number variations show that an increase in batch does not always have a positive impact on model performance. For the largest patch sized heart’s model, the increase increases the score from 2 to 12. For the largest patch sized ESP's model, the increase reduces the score from 13 to 2. The results from variations in weight loss (W) experiment show that both heart’s and ESP's models tend to provide the best distributions in term of metrics and scores around W = [1, 3.67] or W = [1, C1 < 11]. By comparing with AAPM's interrater’s variability, the best heart model produces comparable metric's result, that is 0.932 ± 0.016 = 0.931 ± 0.015 for DSC 3D and 4.00 ± 0.25 < 6.42 ± 1.82 for HD95. The best lungs model produces better metrics, that is 0.964 ± 0.025 > 0.956 ± 0,019 and 4,72 ± 0,21 < 6.71 ± 3,91. By comparing with team virginia's results, the best heart model produces better results that is 0.932 ± 0.016 > 0.925 ± 0.015 and 4.00 ± 0.25 < 6.57 ± 1.50. Meanwhile the best ESP model produces comparable results that is 0.815 ± 0.049 = 0,810 ± 0,069 and 4,68 ± 0,17 < 8,71 ± 10,59. The results of this study suggests that there is a certain combination of patch size, batch, and weight class by which enables smaller patch sized model to produce comparable metric's result produced by larger patch sized model thus decreasing the need to use higher specificationed and expensive computer."

"Emisi kendaraan terutama yang menggunakan mesin diesel merupakan masalah yang sudah tidak asing lagi. Nox, HC, O2, CO, CO2 dan asap yang merupakan zat- zat hasil pembakaran mesin diesel dapat di ukur melalui percobaan eksperimental. Tetapi tentunya percobaan eksperimental ini mempunyai beberapa kekurangan seperti pengoperasiannya yang mahal serta prosesnya yang memakan waktu cukup panjang. Untuk mengatasi masalah itu semua, maka dibuatlah suatu metode pemodelan matematika menggunakan Artificial Neural Network (ANN). Metode ANN yang digunakan dalam skripsi ini adalah Backpropagation. Dengan dilakukannya penelitian ini diharapkan karakter emisi kendaraan mesin diesel dapat diprediksi secara akurat. Hasil dari penelitian ini membuktikan bahwa ANN cukup handal dalam memprediksi emisi bahan bakar mesin diesel.

---

Vehicle emissions, especially using diesel engine is not a strange problem anymore. NOx, HC, O2, CO, CO2 and smoke emissions comes from the combustion of substances in diesel engines can be measured through experimental test. Certainly this experimental test has several shortcomings such as the operation is expensive and time consuming process which is long enough.

To cope with this problem, then a mathematical modeling method using Artificial Neural Network (ANN) was made. ANN method used in this thesis is Backpropagation. This research expect to predict characters of diesel engine emissions accurately. The results of this study proves that ANN quite good to predict diesel engine emission."

"Memprediksi Pergerakan Harga Saham selalu menjadi isu yang menarik dan memiliki implikasi yang signifikan dalam membuat keputusan investasi, khususnya di Bursa Efek Indonesia sebagai pasar yang menggeliat. Penelitian membahas prediksi pergerakan harga saham dengan menggunakan Artificial Neural Network (ANN) atau jaringan syaraf tiruan dan Box-Jenkins Autoregressive Integrated Moving Average (ARIMA) di Bursa Efek Indonesia. Penelitian ini menggunakan pendekatan kuantitatif dan tergolong dalam studi eksplanatif. Rentang waktu yang digunakan ialah dari Januari 2008 hingga Desember 2012. Penelitian ini berusaha menganalisis signifikansi dari metode ANN dalam peramalan harga saham LQ45 di Indonesia. Diharapkan hasil dari penelitian ini dapat membantu para investor dan pihak lain yang berkepentingan dalam memilih metode peramalan yang terbaik dan juga keputusan bisnis terbaik. Terdapat empat faktor yang dipilih sebagai variabel independen, yaitu Indeks Harga Saham Gabungan (IHSG), volume perdagangan harian tiap saham, kurs Rupiah terhadap Dollar Amerika dan harga minyak dunia. Penelitian ini menemukan bahwa metode ANN lebih signifikan dibandingkan dengan metode ARIMA dalam peramalan harga saham LQ45 di Indonesia.

---

Predicting Stock Price Movement is always considered as an interesting issues and has significant impacts in creating investment decision, particularly in the Indonesian Stock Exchange as an emerging market. This research discusses the prediction of stock price movements using Artificial Neural Networks (ANN) method and Box Jenkins Autoregressive Integrated Moving Average (ARIMA) in Indonesian Stock Exchange.

This research is quantitative and explanation in nature. The time scope of this research was from January 2008 up to December 2012. This research intends to analyze the significant of ANN method in forecasting Indonesian LQ45 Stock prices.

It is expected that the results of this research might assist the investors and other interested parties in selecting best forecasting methods and also best investment decision. There are four factors selected as independent variables, such as: Indonesian Composite Index, trading volume of each stocks, local currency exchange rate to USD and oil spot price. The research reveals that ANN is statistically more significant compared."

"Dalam skripsi ini dibuat perangkat lunak yang dapat mengenali tipe ABO golongan darah manusia melalui pengolahan citra berbasiskan Jaringan Syaraf Tiruan (JST). Pola sampel darah yang direaksikan dengan reagen akan memiliki hasil pasangan penggumpalan yang berbeda. Jenis reagen yang direaksikan adalah antigen-A dan antigen-B. Pola pasangan darah dan reagen serta bentuk penggumpalan citra darah menjadi ciri dan kombinasi yang unik untuk membedakan tipe-tipe darah yang ada.Data sampel darah berupa citra digital yang diperoleh menggunakan kamera digital. Sampel darah direaksikan dengan reagen di atas preparat dengan urutan reagen anti-A ditempatkan pada bagian kiri preparat dan reagen anti-B pada bagian kanan. Sebelum diolah dalam sistem JST, data melewati pra-proses, yaitu proses perbaikan citra digital yang terdiri dari proses pencuplikan, gray-level quantization, dan normalisasi dalam bentuk matriks. Hasil akhirnya berupa citra fitur hitam putih dalam matriks berukuran 5×5. Hasil pra-proses kemudian dihitung nilai parameter karakteristiknya, yaitu nilai rata-rata matriks tersebut. Nilai ini selanjutnya akan dijadikan input bagi proses pelatihan jaringan syaraf tiruan dengan metode backpropagation.Jumlah data sampel sebanyak 120 set, dimana 80 di antaranya digunakan untuk melatih JST, dan sisanya digunakan untuk menguji JST. Hasil simulasi menunjukkan sistem mampu mengenali golongan darah dengan tingkat akurasi hingga 90%.

---

In this research, an identification system of human blood type is designed using image processing techniques and the Artificial Neural Network (ANN) with backpropagation algorithms. The pattern of human blood type was formed using a chemical reaction between the blood and a reagent. The reagent that used in the reaction process are anti-A and anti-B reagent. Using a flat glass preparat as a media, the anti-A reagent is mixed to the blood sample on the left side and the anti-B reagent on the right side. Combination of blood coagulation pairs could distinguish the blood type.

The blood coagulation pair is converted into digital images after taken by a digital camera. The image is then pre-processed and normalized to 50×50 matrix size. The matrix is divided to different blocks and reduced to 5×5 grayscale image. The preprocessing involved sampling, gray-level quantization, and normalization. After preprocessing, the mean of 5×5 gray scale image will be calculated and used as the input for the ANN.

The total number of blood sample data is 140 pairs, 80 set of them are used for training process of the ANN and the rest are used for identification. The simulation result shows that the system is able to identify up to 90% level of accuracy."

"Saat ini banyak bermunculan jasa pengiriman paket barang. Hal ini memicu perusahaan pengiriman paket barang memberikan kualitas layanan yang baik kepada para konsumennya. PT Pos Indonesia merupakan BUMN yang bergerak di bidang jasa pengiriman surat dan paket. PT Pos Indonesia sedang berusaha meningkatkan kualitas layanannya untuk mengambil kembali pangsa pasar pengiriman paket barang. Dalam upaya meningkatkan kualitas layanannya diperlukan sebuah metode pengukuran kualitas layanan yang bisa memberikan gambaran secara akurat penilaian kualitas menurut persepsi pelanggan. Artificial Neural Network (ANN) merupakan salah satu bagian dari data mining yang dapat digunakan untuk pengukuran kualitas. Namun, ANN memiliki keterbatasan dalam penentuan nilai parameter yang digunakan. Penelitian ini bertujuan mengintegrasikan Genetic Algortihm dan ANN untuk mengoptimasi nilai paramater sehingga diperoleh hasil pengukuran kualitas yang akurat. Data penilaian kualitas menurut persepsi pelanggan diperoleh melalui survey menggunakan kuesioner. Hasil pengukuran kualitas menggunakan integrasi ANN-GA menunjukkan bahwa nilai kualitas layanan paket barang PT Pos Indonesia secara keseluruhan sudah baik. Selain itu, performa hasil pengukuran menggunakan integrasi ANN-GA lebih bagus daripada menggunakan metode ANN.

---

Today many emerging parcel delivery services. This triggers the parcel delivery company provide good quality service to its customers. PT Pos Indonesia is a state-owned enterprise engaged in mail and parcel delivery services. PT Pos Indonesia is trying to improve the quality of its services to take back market share package delivery goods.

In an effort to improve service quality required a method of measuring the quality of service that can give an accurate quality assessment according to customer perceptions. Artificial Neural Network (ANN) is one part of data mining that can be used to measure quality. However, ANN has limitations in determining value of the parameters used.

This research aims to integrate Genetic algorithm and ANN to optimize value of parameters in order to obtain an accurate quality measurement results. Data quality assessment according to customers' perceptions obtained through surveys using questionnaires.

Quality measurement results using ANN-GA integration shows that service quality of parcel delivery PT Pos Indonesia as a whole has been good. In addition, the performance measurement results using the integration ANN-GA better than using ANN."

"Dalam penelitian ini, algoritma in-house berbasis RED-CNN disusun dan dilatih menggunakan citra fantom PMMA silinder berdiameter 26 cm pada lima nilai fluks simulasi noise berbeda (5,00 x 10⁴, 7,50 x 10⁴, 1,00 x 10⁵, 1,50 x 10⁵, dan 2,00 x 10⁵). Model diuji pada citra fantom PMMA berbentuk ellips dengan ukuran 21 x 26 cm pada lima nilai fluks simulasi noise berbeda (5,00 x 10⁴, 1,00 x 10⁵, 1,50 x 10⁵, 2,50 x 10⁵, dan 5,00 x 10⁵) untuk mengevaluasi kemampuan denoising dari model dengan menggunakan nilai signal to noise ratio (SNR), peak signal to noise ratio-desibel (PSNR-dB), structural similarity (SSIM) index, dan noise power spectrum (NPS) sebagai parameter. Evaluasi terhadap kemungkinan penurunan kualitas citra juga dilakukan dengan menguji model menggunakan citra fantom homogen dan citra fantom kawat yang diperoleh menggunakan lima nilai mAs berbeda (155 mAs, 200 mAs, 250 mAs, 275 mAs, dan 300 mAs). Hasil menunjukkan bahwa model dapat secara konsisten meningkatkan nilai SNR, PSNR-dB, SSIM dan spektrum noise yang terukur. Hasil yang diperoleh juga menunjukkan adanya kemungkinan citra mengalami over-smoothing apabila model diaplikasikan pada citra dengan tingkat noise lebih rendah, ditandai dengan adanya pergeseran puncak kurva NPS menuju frekuensi spasial rendah dan peningkatan nilai SNR, PSNR-dB, dan SSIM secara terus-menerus. Selain itu, tingkat noise dari data latih yang digunakan dalam proses pelatihan juga mempengaruhi performa akhir dari model. Pada penggunaan data latih dengan tingkat noise lebih rendah, penurunan nilai SNR, PSNR-dB, dan SSIM dan kenaikan kurva NPS yang terukur mengindikasikan tingkat noise lebih tinggi pada citra hasil supresi. Sementara itu, penggunaan data latih dengan tingkat noise lebih tinggi menyebabkan penurunan pada ketajaman citra yang ditandai dengan penurunan nilai frekuensi cut-off dari modulation transfer function (MTF 10%) hingga 45,41% dari citra awal.

---

In this study, an in-house RED-CNN-based algorithm was composed and trained using cylindrical PMMA phantom images with a diameter of 26 cm on five different noise simulation flux values (5,00 x 10⁴, 7,50 x 10⁴, 1,00 x 10⁵, 1,50 x 10⁵, and 2,00 x 10⁵). The model was tested on 21 x 26 cm elliptical PMMA phantom images on five different simulated noise flux values (5,00 x 10⁴, 1,00 x 10⁵, 1,50 x 10⁵, 2,50 x 10⁵, and 5,00 x 10⁵) to evaluate its denoising capability using signal to noise ratio (SNR), peak signal to noise ratio-decibel (PSNR-dB), structural similarity (SSIM) index, and noise power spectra (NPS) values as parameters. Evaluation on possible decrease of image quality was also performed by testing the model using homogenous phantom and wire phantom images acquired using five different mAs values (155 mAs, 200 mAs, 250 mAs, 275 mAs, and 300 mAs). Results show that the model was able to consistently increase SNR, PSNR-dB, SSIM values and the measured noise spectra. It is also shown that there exists a possibility of image over-smoothing when the model was applied on images with less noise, marked by the shift of the NPS curves towards lower spatial frequencies and the continuous increase of SNR, PSNR-dB, and SSIM. Moreover, the noise level of training data used in model training is shown to affect the final performance of the model. On the use of training data with lower noise level, the decrease of SNR, PSNR-dB, and SSIM, and the increase of NPS curves indicate higher noise level in suppressed images. Meanwhile, the use of training data with higher noise resulted on the decrease of denoised images sharpness, as indicated by an up to 45,41% decrease of modulation transfer function cut-off frequency (MTF 10%) from the original images."

"PT.X telah memiliki pengalaman operasional dan reputasi yang balk selama berpuluh tahun dalam menggeluti bidang bisnis Percetakan Security khususnya uang kertas yang sangat vital dan memiliki pasar yang captive.PT.X secara teoritis memiliki kapasitas produksi diatas permintaan, namun masih memiliki permasalahan dalam hal ketepatan penyerahan produknya. Perrnasalahan ini diakibatkan terjadinya penyimpangan performa standar dari unit Flokulasi ( pengolah limbah tinta ) yang berdampak pada menurunnya kinerja permesinan di unit cetak Intaglio. Disisi lain PT.X berupaya untuk meningkatkan kemampulabaan dan kemamputumbuhan , oleh karena itu upaya yang diambil PT.X adalah memperbaiki sekaligus meningkatkan kinerja sistim produksinya.Untuk mengatasi permasalahan tersebut, maka dikembangkan suatu bentuk Strategi Manufaktur yang diimplementasikan melalui langkah - langkah perbaikan pada sistim pengendalian proses Flokulasi. Adapun langkah pertama yang dilakukan adalah untuk mengetahui kondisi aktual perusahaan termasuk kinerja dari lini permesinannya, dimana metode yang dipakai adalah analisa kuantitative atas laporan keuangan dan analisa kinerja bisnis yaitu analisa SWOT.Sedangkan kondisi kinerja Manufaktur dari unit Produksi diukur dengan memakai rasio MCE (Manufacturing Cycle Effectiveness) , rasio Machine Effectiveness dan sebagai pembanding dilakukan analisa Benchmarking atas dua Industri sejenis.Metode yang dipakai untuk meningkatkan mutu sistim pengendalian proses Flokulasi adalah dengan mengembangkan suatu bentuk teknologi berberbasis Artificial Neural Network, yang memiliki kemampuan untuk memprediksi hasil akhir/output dari proses Flokulasi yang sedang berlangsung.Semua ini akan menunjang usaha peningkatan kemampulabaan ,kemamputumbuhan terutama dari segi mutu produk dan ketepatan waktu penyerahan produk sesuai dengan tuntutan konsumen.

---

PT.X has many years of operational experience and a good reputation in the business of Security Printing especially paper money and has a Captive market.Theoretically PT.X has a production capacity exceeding the demand , but has problem in the delivery time. This in turn lowers the machinery performance in the Intaglio printing section, which is basically due to the deviation of the performance standard of the Flocculation unit from the water treatment plant.PT.X expect to increase profitability and growth by enhancing the performance of the production system.To solve this problem by developing a form of Manufacturing Strategy implemented through remedial steps taken in the process control system of the Flocculation unit. The first step is to know the actual condition of the company including the production line machinery . This is done through the quantitative analysis from the financial reports and qualitative analysis of business performances using a SWOT analysis. The next step is to measures the manufacturing performance from the capability of production facility by Manufacturing Cycle Effectiveness ratio, Machine Effectiveness ratio and Benchmarking analysis .The method used in order to enhance quality of the Flocculation process is through the development of technology based on Artificial Neural Network, which is to predict the output of Flocullation process.We concluded that new system will be useful to help improvement effort for the company to increase profitability and growth, such as product quality and delivery time in accordance with the requirement."

"Pilar adalah unit struktural penting yang digunakan untuk memastikan keselamatan penambangan di tambang batuan keras bawah tanah. Oleh karena itu, prediksi yang tepat mengenai stabilitas pilar bawah tanah sangat diperlukan. Salah satu indeks umum yang sering digunakan untuk menilai stabilitas pilar adalah Safety Factor (SF). Sayangnya, batasan penilaian stabilitas pilar menggunakan SF masih sangat kaku dan kurang dapat diandalkan. Penelitian ini menyajikan aplikasi baru dari Artificial Neural Network-Backpropagation (ANN-BP) dan Deep Ensemble Learning untuk klasifikasi stabilitas pilar. Terdapat tiga jenis ANN-BP yang digunakan untuk klasifikasi stabilitas pilar dibedakan berdasarkan activation function-nya, yaitu ANN-BP ReLU, ANN-BP ELU, dan ANN-BP GELU. Dalam penelitian ini juga disajikan alternatif pelabelan baru stabilitas pilar dengan mempertimbangkan kesesuaiannya dengan SF. Stabilitas pilar diperluas menjadi empat kategori, yaitu failed dengan safety factor yang sesuai, intact dengan safety factor yang sesuai, failed dengan safety factor yang tidak sesuai, dan intact dengan safety factor yang tidak sesuai. Terdapat lima input yang digunakan untuk setiap model, yaitu pillar width, mining height, bord width, depth to floor, dan ratio. Hasil penelitian menunjukkan bahwa model ANN-BP dengan Ensemble Learning dapat meningkatkan performa ANN-BP dengan average accuracy menjadi 86,48% dan nilai F2 menjadi 96,35% untuk kategori failed dengan safety factor yang tidak sesuai.

---

Pillars are important structural units used to ensure mining safety in underground hard rock mines. Therefore, precise predictions regarding the stability of underground pillars are required. One common index that is often used to assess pillar stability is the Safety Factor (SF). Unfortunately, such crisp boundaries in pillar stability assessment using SF are unreliable. This paper presents a novel application of Artificial Neural Network-Backpropagation (ANN-BP) and Deep Ensemble Learning for pillar stability classification. There are three types of ANN-BP used for the classification of pillar stability distinguished by their activation functions: ANN-BP ReLU, ANN-BP ELU, and ANN-BP GELU. This research also presents a new labeling alternative for pillar stability by considering its suitability with the SF. Thus, pillar stability is expanded into four categories: failed with a suitable safety factor, intact with a suitable safety factor, failed without a suitable safety factor, and intact without a suitable safety factor. There are five inputs used for each model: pillar width, mining height, bord width, depth to floor, and ratio. The results showed that the ANN-BP model with Ensemble Learning could improve ANN-BP performance with an average accuracy of 86.48% and an F2-score of 96.35% for the category of failed with a suitable safety factor."

"ABSTRAK

Kanker Payudara (KPD) merupakan salah satu penyakit penyebab kematian terbesar. Indonesia merupakan negara dengan jumlah KPD cukup besar. KPD ini merupakan benjolan. Benjolan ini dapat diperiksa menggunakan cara manual yaitu diraba bagian dekat dengan putting susu. Jika benjolan tidak kunjung mengecil dianjurkan untuk memeriksa ke dokter. Pendektesian KPD ini dapat dilakukan dengan menggunakan proses pencitraan. Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Pendektesian dilakukan dengan menganalisa gambar payudara (mammography) pasien dengan menggunakan metode Principal Component Analysis (PCA) mengubah gambar dalam bentuk matriks. Matriks ini akan digunakan sebagai data yang akan digunakan dalam Neural Network (jaringan saraf tiruan) dengan metode Backpropagation Neural Network (BNN). Dari hasil Percobaan dapat diketahui bahwa metode ini menghasilkan nilai akurasi pembelajaran dari deep learning supervised sebesar 98%.

---

ABSTRACTBreast Cancer is one of the biggest causes of death. Indonesia is a country with a large number of KPDs. This KPD is a lump. This lump can be examined using a manual method that is palpated near the nipple. If the lump does not go away it is recommended to see a doctor. This breast cancer assessment can be done using the imaging process. . The data used in this study was taken from the website of the Pilot European Image Processing Archive (PEIPA) namely the Mammographic Image Analysis Society (MIAS) dataset. The assessment is done by analyzing the breast image (mammography) of the patient using the Principal Component Analysis (PCA) method to change the image in the form of a matrix. This matrix will be used as data to be used in Neural Networks with the Backpropagation Neural Network (BNN) method. From the results of the Experiment it can be seen that this method produces the value of accuracy of learning from supervised deep learning about 98%.

"