Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pengukuran laju aliran multifase merupakan hal yang krusial dalam industri minyak dan gas. Pengukuran laju aliran menjadi sangat penting untuk optimalisasi produksi dan flow assurance sistem produksi minyak. Multiphase Flow meter (MPFM) merupakan alat yang digunakan untuk melakukan pengukuran laju aliran multifase sehingga memiliki keunggulan dapat melakukan pengukuran dan mendapatkan hasil laju aliran dalam waktu singkat. Semakin berkembangnya kecerdasan buatan, pengukuran dapat juga dilakukan secara virtual. Virtual Flow Metering (VFM) merupakan salah satu cara pengukuran laju aliran multifase dengan menggunakan data sensor yang ada di ESP, dan pengukuran MPFM. Pada penelitian ini telah dirancang model machine learning untuk estimasi laju aliran menggunakan metode super learner dengan base learner XGBoost, AdaBoost, Bagging, Random Forest, dan Extra Trees. Estimasi laju aliran yang didapat dievaluasi dan divalidasi dengan menggunakan MAE, MAPE, R squared, dan cumulative deviation plot. Berdasarkan hasil evaluasi tersebut, model super learner menunjukkan hasil yang lebih baik dibandingkan model base learner yang digunakan, dengan hasil MAE 0,63, MAPE 1,60%, R squared 97,43%, dan maksimal deviasi 12,5%.

---

Multiphase flow rate measurement is crucial in the oil and gas industry. Flow rate measurement is very important for optimization of production and flow assurance of oil production systems. Multiphase Flow meter (MPFM) is a tool used to measure multiphase flow rates so that it has the advantage of being able to take measurements and get flow rate results in a short time. As artificial intelligence develops, measurement can also be done virtually. Virtual Flow Metering (VFM) is a way of measuring multiphase flow rates using sensor data in the ESP and MPFM measurements. In this study, a machine learning model for flow rate estimation has been designed using the super learner method with the base learner XGBoost, AdaBoost, Bagging, Random Forest, and Extra Trees. The flow rate estimates obtained were evaluated and validated using the MAE, MAPE, R squared, and cumulative deviation plots. Based on the results of this evaluation, the super learner model shows better results than the base learner model used, with MAE 0.63, MAPE 1.60%, R squared 97.43%, and a maximum deviation of 12.5%."

"Dalam industri migas, proses perhitungan transaksi (custody transfer) banyak dilakukan menggunakan sistem metering. Pada setiap transaksi harus dipastikan sistem metering memiliki performa yang baik dan mampu melakukan pengukuran dengan benar, yang dibuktikan dengan nilai repeatability yang didapat saat proving harus memenuhi standar yang telah disepakati. Di lapangan, terdapat permasalahan berupa variasi laju aliran dari bagian hulu, yang mengganggu proses proving dan mempengaruhi performa sistem metering. Pada penelitian ini dibahas mengenai pengendalian aliran untuk mengkompensasi permasalahan tersebut dan meningkatkan repeatability sistem metering. Sistem metering akan dimodelkan dan dilakukan perancangan pengendali PID menggunakan metode Tempat Kedudukan Akar. Pengujian kemampuan pengendali mengatasi gangguan dilakukan dengan simulasi dengan model yang telah diperoleh. Hasil simulasi menunjukkan sistem metering dengan pengendali PID mampu menghasilkan nilai repeatability yang baik, yaitu dengan variasi gangguan 5% dan 10% didapat nilai 0.0028 dan 0.0013. Sistem juga memiliki overshoot yang kecil, settling time yang cepat, dan steady-state error yang mendekati nol.

---

In the oil and gas industry, the process of calculating transaction (custody transfer) is mostly done using metering system. In each transaction must be ascertained that metering system has a good performance and is able to take measurements correctly, and it should be proven with the repeatability value that must meet agreed standard, when proving was carried out. On the field, there are problems from disturbances that caused by flow rate variation from upstream side of the meter, that must affect the proving process, and so the performance of metering system.

This report will discuss control of the flow to compensates the disturbances and improve the performance of metering, by improving its repeatability value. Metering system will be modeled and PID controller design will be done by root locus method. The ability of the controller on compensating the disturbances with the model will be simulated.

The simulation results show the metering system with PID controllers are able to produce good repeatability value, with the disturbance variation 5% and 10% obtained values 0.0028 and 0.0013. The system also has a small overshoot, fast settling time, and near zero steady-state error."

"Prediksi konsentrasi analit urin telah berhasil dikembangkan menggunakan kertas kolorimetri berbasis ponsel pintar Android dengan metode regresi ensemble learning. Beberapa pengembangan yang dilakukan pada penelitian ini meliputi segmentasi citra secara otomatis, koreksi citra menggunakan metode RPCC, dan pengembangan model regresi untuk prediksi 3 (tiga) analit urin, yaitu glukosa, pH dan protein. Model regresi tersebut selanjutnya divalidasi dengan performa terbaik pada sampel urin responden yang rentan terhadap perubahan warna. Pada penelitian ini, persiapan urin buatan dilakukan dengan membuat konsentrasi 0-2.000 mg/dl untuk analit glukosa dan protein. Selain itu, larutan pH buffer 5–9 juga digunakan untuk kepentingan analisa pH. Model regresi yang dikembangkan berbasis mesin pembelajaran ensemble dengan optimasi boosting. Selain itu, aplikasi berbasis server juga dikembangkan menggunakan aristektur RESTful API dengan 2 (dua) server, yaitu server unggah menggunakan Node.js dan server komputasi menggunakan MATLAB Production Server. Hasil yang diperoleh adalah performa R2 sebesar 0,98, 0,99 dan 0,98 serta nilai RMSRE sebesar 0,04, 0,03 dan 0,07 untuk masing-masing analit glukosa, pH dan protein. Tingkat keberhasilan aplikasi adalah 100% pada Samsung Galaxy A51 dan Huawei Nova 5T. Penelitian ini mampu memprediksi konsentrasi glukosa, pH dan protein dengan baik sehingga dapat dijadikan alternatif aplikasi pemantauan kesehatan.

---

Prediction of urine analyte concentration has been successfully developed based on an Android smartphone using colorimetric paper with the ensemble learning regression method. Some of the developments in our study include automatic image segmentation, image correction using the RPCC method, and the development of a regression model for the prediction of 3 (three) urine analytes, namely glucose, pH, and protein. Furthermore, the model was successfully validated for best performance in the respondent's urine susceptible to color change. We used artificial urine at a concentration of 0-2.000 mg/dl for glucose and protein samples for this study. In addition, pH buffer solutions 5–9 are also used for urine pH analysis. The regression model developed is based on ensemble learning with boosting optimization method. In addition, server-based applications are also developed using RESTful API architecture with (2) two servers, the upload server using Node.js and the computing server using the MATLAB Production Server. As a result, the R2 performance for glucose, pH and protein analytes were 0,98, 0,99 and 0,98 and RMSRE were 0,04, 0,03 dan 0,07, respectively. The Android application success rate was 100% on Samsung Galaxy A51 and Huawei Nova 5T. This study estimates that glucose, pH, and protein levels are good enough for health monitoring applications."

"Revolusi industri 4.0 ditandai dengan dimulainya era digitalisasi dunia usaha. Kondisi ini menuntut semua sektor industri bertransformasi melalui digitalisasi proses bisnis. Advanced Metering Infrastructure (AMI) adalah representasi dari transformasi digital teknologi peralatan dan layanan pelanggan yang disampaikan oleh perusahaan utilitas di industri kelistrikan dan sekaligus merupakan inti dari sistem Smart Grid. Dengan dimulainya tahap komersialisasi infrastruktur AMI ke pelanggan di Jakarta, Perusahaan Listrik Negara atau PT PLN (Persero) selaku perusahaan pengelola usaha penyediaan tenaga listrik di Indonesia telah berhasil membangun ekosistem infrastruktur AMI pada tahun 2021. Komersialisasi pembangunan infrastruktur AMI dilakukan secara bertahap sesuai dengan target dan kemampuan pendanaan perusahaan. Diperlukan metode yang tepat dalam fase pengembangan ekosistem AMI agar PT PLN dan pelanggan dapat memaksimalkan fitur dan manfaat teknologi AMI di masa mendatang. Oleh karena itu, perlu dilakukan pembuatan skala prioritas dalam hal pemilihan lokasi pembangunan ekosistem pelanggan AMI. Dengan menggunakan metode Analytic Hierarchy Process (AHP), ditemukan metode pemilihan lokasi pembangunan ekosistem AMI dengan memprioritaskan beberapa hal. Berdasarkan expert judgement dengan total rasio inkonsistensi gabungan sebesar 0,01 diketahui bahwa PLN dapat memprioritaskan lima kriteria penentuan lokasi yaitu permasalahan penyalahgunaan energi listrik (C12) sebesar 10,3%, permasalahan piutang (Bad Debt) (C13) dengan 9,7%, Ketepatan GIS Mapping Pelanggan (C44) sebesar 8,9%, jumlah pelanggan per gardu (C42) sebesar 5,9%, dan kondisi dan aksesibilitas infrastruktur komunikasi (C46) sebesar 5,9% untuk mengoptimalkan ekosistem pelanggan Advanced Metering Infrastructure (AMI).

---

The industrial revolution 4.0 is marked by the commencement of the digitalization era of the business sector. This condition requires all industrial sectors to transform through the digitalization of business processes. Advanced Metering Infrastructure (AMI) is a representation of the digital transformation of equipment technology and customer service delivered by utility companies in the electricity industry and is at the same time the core of the Smart Grid system. With the start of the commercialization phase of AMI infrastructure to customers in Jakarta, the State Electricity Company or PT PLN (a limited liability company) as the company managing the electricity supply business in Indonesia has successfully built an AMI infrastructure ecosystem in 2021. The commercialization of AMI infrastructures takes place in stages in accordance with the company's targets and funding capabilities. The right method is needed in the development phase of the AMI ecosystem so that PT PLN and customers can maximize the features and benefits of AMI technology in the future Therefore, it is necessary to make a priority scale in terms of choosing the location for the development of the AMI ecosystem. By using Analytic Hierarchy Process (AHP) method, a method for selecting AMI ecosystem development location was found by prioritizing several things. Based on expert judgment with a total overall inconsistency value of 0.01 it is known that Jakarta's PLN must prioritize five subcategories are theft loss’s chance (C12) with 10,3%, corporation's bad debt problems (C13) with 9.7%, Customer GIS Mapping Accuracy (C44) by 8.9%, the number of customers per substation (C42) by 5.9%, and the Condition-Accessibility of Communication Infrastructure (C46) of 5.9% to optimize the Advanced Metering Infrastructure (AMI) customer ecosystem"

"Sumber informasi di jejaring berita daring adalah instrumen yang memungkinkan individu membaca berita, menerbitkan berita, dan berkomunikasi. Hal ini sudah menjadi tren dalam masyarakat yang sangat mobile. Oleh karena itu, proses verifikasi fakta suatu pemberitaan menjadi sangat penting. Dengan pertimbangan tersebut, sebuah tools berbasis web service untuk verifikasi fakta menggunakan metode deep learning dengan teknik ensemble dibangun. Penggunaan teknik ensemble pada model deep learning adalah proses beberapa model pembelajaran mesin digabungkan secara strategis untuk menyelesaikan masalah menggunakan lebih dari satu model. Untuk melatih model, dibangun sebuah dataset. Dataset berisi pasangan klaim dan label. Klaim dibangun dengan data crawling di kanal berita berbahasa Indonesia. Tiga model deep learning dibangun dan dilatih menggunakan dataset yang dibuat, dengan arsitektur jaringan dan hyperparameter yang berbeda. Setelah model dilatih menggunakan dataset, ketiga model diagregasikan untuk membentuk sebuah model baru. Untuk memastikan bahwa model agregat berfungsi lebih baik daripada model tunggal, performa model deep learning ensemble dibandingkan dengan model deep learning dasar. Hasil penelitian menunjukkan bahwa model ensemble memiliki akurasi 85,18% sedangkan model tunggal memiliki akurasi 83,9%, 83,19%, dan 81,94%. Hasil ini menunjukkan bahwa model ensemble yang dibangun meningkatkan kinerja verifikasi fakta dari tiga model tunggal. Hasil penelitian juga menunjukkan bahwa metode deep learning mengungguli performa metode machine learning lain seperti naive bayes dan random forest. Untuk memvalidasi kinerja tools yang dibangun, response time dari web service diukur. Hasil pengukuran menunjukkan rata-rata response time 6.447,9 milidetik.

---

Information sources on social networks are instruments that allow individuals to read news, publish news, and communicate. This is a trend in a highly mobile society. Therefore, the process of verifying facts is very important. With these considerations, we built a web service-based tool for fact verification using deep learning methods with ensemble technique. The use of ensemble techniques in deep learning models is a process in which several machine learning models are combined to solve problems. To train the model, we created a dataset. Our dataset of Indonesian news contains pairs of claims along with labels. Claims are built by crawling data on Indonesian news channels. Three deep learning models have been built and trained using the previously created dataset with different network architectures and hyperparameters. After the model is trained, three models are aggregated to form a new model. To ensure that the aggregated model performs better than the single model, the deep learning ensemble model is compared to the single models. The results showed that the ensemble model has an accuracy of 85.18% while the single models have an accuracy of 83.9%, 83.19%, and 81.94% consecutively. These results indicate that the ensemble model built improves the fact-verification performance of the three single models. The results also show that by using the same dataset, deep learning methods outperform other machine learning methods such as naive bayes and random forest. To validate the performance of the tools we created, the response time of the web service is measured. The measurement result shows an average response time of 6447.9 milliseconds."

"ABSTRAKUntuk mencapai target penerimaan negara tiap-tiap Kontraktor Kontrak KerjaSama (KKKS) minyak dan gas bumi diberikan suatu target produksi sebagaipenilaian kinerja perusahaan oleh SKK Migas. Untuk perusahaan pengelola blokmigas yang memiliki lapangan-lapangan produksi tua memiliki kendala-kendalauntuk mencapai target tersebut salah satunya adalah adanya permasalahan crossflow pada reservoir sumur. Dengan menggunakan flow optimizer kontraktor dapatmengatasi permasalahan tersebut. Namun perlu dilihat secara keekonomianapakah tambahan produksi tersebut dapat mencapai expected return yangdipersyaratkan oleh perusahaan. Dengan menggunakan cost benefit analysis dapatdihitung tingkat pengembalian yang dihasilkan karena adanya treatment yangdilakukan perusahaan. Kemudian hasil perhitungan cost benefit analysis tersebutdilakukan perhitungan real option analysis untuk memperhitungkan adanyaopportunity yang diperoleh dari opsi karena adanya ketidakpastian dari hargaminyak dan keputusan-keputusan strategis yang dapat diambil oleh manajemen.Berdasarkan hasil perhitungan diketahui bahwa proyek tersebut memberikanimbal hasil yang positif sebesar 36.36% namun belum mencapai tingkat imbalhasil yang diharapkan oleh perusahaan sebesar 58.08%.

---

ABSTRACTTo achieve target revenue each of oil and gas Production Sharing Contractors(KKKS) is given production target as the corporate performance evaluation bySKK Migas. For companies managing oil and gas blocks that have the oldproduction fields have several problems to achieving these targets, one of which isthe problems with cross flow on the reservoir wells. By using flow optimizercontractor can resolve these problems. However, it should be evaluate whetheradditional production can achieve the expected return required by the company.By using cost benefit analysis, the company can calculated the return generatedfrom treatment performed by them self. The calculation results of the cost benefitanalysis will be used to calculate the real option analysis to calculate theopportunity generated from the option due to the uncertainty of oil prices and thestrategic decisions which can be taken by the management. Based on calculationsit is known that the project generate positive return amounting 36.36% but has notachieved the expected return that was set by the company amounting 58.08%."

"Dalam beberapa tahun terakhir, keamanan data pada sistem informasi organisasi telah menjadi perhatian serius. Banyak serangan menjadi kurang terdeteksi oleh firewall dan perangkat lunak antivirus. Untuk meningkatkan keamanan, intrusion detection systems (IDS) digunakan untuk mendeteksi serangan dalam lalu lintas jaringan. Saat ini, teknologi IDS memiliki masalah kinerja mengenai akurasi deteksi, waktu deteksi, pemberitahuan alarm palsu, dan deteksi jenis serangan baru atau belum diketahui. Beberapa studi telah menerapkan pendekatan pembelajaran mesin (machine learning) sebagai solusi, dan mendapat beberapa peningkatan. Penelitian ini menggunakan pendekatan pembelajaran ensemble (ensemble learning) yang dapat mengintegrasikan manfaat dari setiap algoritma pengklasifikasi tunggal. Pada penelitian ini, dibandingkan tujuh pengklasifikasi tunggal untuk mengidentifikasi pengklasifikasi dasar yang digunakan untuk model ensemble learning. Kemudian dataset IDS terbaru dari Canadian Institute for Cybersecurity yaitu CSE-CIC-IDS2018 digunakan untuk mengevaluasi model ensemble learning. Hasil percobaan menujukan bahwa implementasi metode ensemble learning khususnya majority voting dengan tiga algoritma dasar (gradient boosting, decision tree dan logistic regression) dapat meningkatkan nilai akurasi lebih baik dibandingkan implementasi algoritma klasifikasi tunggal, yaitu 0,988. Selanjutnya, implementasi teknik pemilihan fitur spearman-rank order correlation pada dataset CSE-CIC-IDS2018 menghasilkan 23 dari 80 fitur, dan dapat meningkatkan waktu pelatihan model, yaitu menjadi 11 menit 4 detik dibanding sebelumnya 34 menit 2 detik.

---

In recent years, data security in organizational information systems has become a serious concern. Many attacks are becoming less detectable by firewall and antivirus software. To improve security, intrusion detection systems (IDSs) are used to detect anomalies in network traffic. Currently, IDS technology has performance issues regarding detection accuracy, detection times, false alarm notifications, and unknown attack detection. Several studies have applied machine learning approaches as solutions. This study used an ensemble learning approach that integrates the benefits of each single classifier algorithms. We made comparisons with seven single classifiers to identify the most appropriate basic classifiers for ensemble learning. Then the latest IDS dataset from the Canadian Institute for Cybersecurity, CSE-CIC-IDS2018, was used to evaluate the ensemble learning model. The experimental results show that the implementation of the ensemble learning method, especially majority voting with three basic algorithms (gradient boosting, decision tree and logistic regression) can increase the accuracy rate better than the implementation of a single classification algorithm, which is 0.988. Furthermore, the implementation of the spearman-rank order correlation feature selection technique in the CSE-CIC-IDS2018 dataset produced 23 of the 80 features, and could increase the model training time, which was 11 minutes 4 seconds compared to 34 minutes 2 seconds before."

"Beras merupakan makanan pokok mayoritas masyarakat Indonesia. Jika dibandingkan dengan konsumsi tahun 2019, konsumsi beras nasional meningkat sekitar 4,67 persen pada tahun 2021. Hal ini menunjukan bahwa setiap tahun konsumsi beras nasional akan meningkat karena seiring dengan pertumbuhan jumlah penduduk Indonesia. Sehingga dibutuhkan data produksi beras yang akurat dan tepat waktu untuk dapat menjaga ketersediaan stok beras nasional. Data citra satelit bisa menjadi alternatif untuk memprediksi produksi padi dikarenakan kekurangan yang dimiliki oleh metode survei yang dilakukan oleh BPS yaitu biaya yang cukup tinggi dan terdapat tenggang waktu diseminasi data. Gabungan citra SAR dan Optik dapat meningkatkan akurasi dari model yang dibangun. Selain itu penggunaan model deep learning memiliki akurasi yang lebih baik jika dibandingkan metode machine learning konvensional salah satunya kombinasi CNN dan Bi-LSTM yang mampu mengekstraksi fitur serta memiliki kemampuan untuk memodelkan data temporal dengan baik. Output yang diperoleh dengan menggunakan metode CNNBiLSTM untuk mengklasifikasikan fase pertumbuhan padi, menghasilkan akurasi yang terbaik dengan nilai akurasi 79,57 pada data testing dan 98,20 pada data training serta F1-score 79,78. Dengan menggunakan kombinasi data citra sentinel 1 dan 2 akurasi dari model LSTM dapat ditingkatkan. Selanjutnya akurasi yang didapatkan untuk model regresi produktivitas padi masih kurang baik. Akurasi terbaik dihasilkan oleh model random forest dengan nilai MAPE 0.1336, dan RSME 0,6871.

---

Rice is the staple food of the majority of Indonesian people. When compared to consumption in 2019, national rice consumption will increase by around 4.67 percent in 2021. This shows that every year rice consumption will increase in line with the growth of Indonesia's population. So that accurate and timely rice production data is needed to be able to maintain the availability of national rice stocks. Satellite imagery data can be an alternative for predicting rice production due to the drawbacks of the survey method conducted by BPS, which relatively high cost and the time span for data dissemination. The combination of SAR and Optical images can increase the accuracy of the model built. In addition, the use of deep learning models has better accuracy when compared to classical machine learning methods, one of them is the combination of CNN and Bi-LSTM which are able to extract features and have the ability to model temporal data properly. The output obtained using the CNNBiLSTM method to classify rice growth phases, produces the best accuracy with an accuracy value of 79.57 on testing data and 98.20 on training data and an F1-score of 79.78. By using a combination of sentinel 1 and 2 image data, the accuracy of the LSTM model can be improved. Furthermore, the accuracy obtained for the rice production regression model is still not good. The best accuracy was produced by the random forest model with a MAPE value of 0.1336 and RSME of 0.6871."

"Pasar modal berkembang pesat di Indonesia dengan peningkatan 79 jumlah emiten saham baru dan peningkatan 17,9% jumlah investor baru. Perkembangan ini dipacu oleh Otoritas Jasa Keuangan yang meyakinkan bahwa setiap perusahaan terbuka selalu diawasi dengan cara mewajibkan perusahaan terbuka untuk menyampaikan laporan keuangan secara berkala. Akan tetapi pada kenyataannya, tindakan kecurangan laporan keuangan bukan menjadi hal yang langka. Association of Certified Fraud Examiner melaporkan bahwa 9,2% kecurangan di Indonesia merupakan kecurangan laporan keuangan dengan total kerugian hingga Rp242.260.000.000. Sementara, proses audit konvensional serta laporan yang menjadi 72% dari media deteksi saat ini membutuhkan 12 bulan untuk mendeteksi kasus kecurangan. Penelitian ini akan menggunakan metode ensemble learning berbasis optimasi metaheuristik untuk mengembangkan model deteksi kecurangan pada laporan keuangan. Beberapa metode klasifikasi digunakan untuk mengembangkan model, yaitu Random Forest dan XGBoost. Optimasi metaheuristik dengan metode Genetic Algorithm kemudian digunakan sebagai dasar dari proses hyperparameter tuning pada model tersebut. Hasil deteksi terbaik pada penelitian ini adalah model XGBoost dengan parameter teroptimasi yang menghasilkan akurasi sebesar 98,04% dan sensitivitas 99.02%.

---

The capital market is growing rapidly in Indonesia, gaining 79 new stock issuers and a 17.9% increase in the number of new investors in 2023. This development is driven by Otoritas Jasa Keuangan, which ensures that every public company is always monitored by requiring them to submit financial statements regularly. However, financial statement fraud is not uncommon. The Association of Certified Fraud Examiners reports that 9.2% of fraud cases in Indonesia involve financial statement fraud, with total losses amounting to Rp242,260,000,000. Meanwhile, conventional audit processes and reports, which account for 72% of current detection methods, take 12 months to detect fraud cases. This study will use an ensemble learning method based on metaheuristic optimization to develop a fraud detection model for financial statements. Several classification methods, namely Random Forest and XGBoost, are used to develop the model. Metaheuristic optimization using the Genetic Algorithm method is then applied as the basis for hyperparameter tuning in this model. The best detection result in this study is achieved by the XGBoost model with optimized parameters, yielding an accuracy of 98.04% and a sensitivity of 99.02%."

"This volume offers comprehensive coverage of state-of-the-art ensemble learning techniques, including the random forest skeleton tracking algorithm in the Xbox Kinect sensor, which bypasses the need for game controllers. At once a solid theoretical study and a practical guide, the volume is a windfall for researchers and practitioners alike. "