Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kegagalan korosi di bawah insulasi atau corrosion under insulation (CUI) masih terjadi di industri dan selain itu biaya untuk mengatasi CUI mencapai 40-60% total biaya perawatan. Di era revolusi industri 4.0, metode Machine Learning (ML) telah banyak diajukan dan diterapkan baik dalam prediksi maupun interpretasi data inspeksi untuk kasus CUI. Penerapan ML dapat bertujuan untuk memperbaiki ataupun meningkatkan akurasi prediksi CUI dari standar yang sudah ada. Pada penelitian ini, API RP 581 digunakan sebagai baseline asesmen kuantitatif penentuan probabilitas kegagalan dari CUI. Prediksi laju korosi CUI berdasarkan API RP 581 dan data laju korosi aktual di lapangan menunjukkan adanya perbedaan, Perbedaan laju korosi ini dapat mengakibatkan perbedaan nilai prediksi probabilitas kegagalan, oleh karena itu ML diterapkan untuk memperbaiki prediksi probabilitas kegagalan dengan mempelajari data inspeksi lapangan. K-Nearest Neighbor (KNN) dan Logistic Regression (LR) adalah dua model pilihan utama. Berdasarkan nilai akurasi dan R2, metode LR memiliki nilai tertingi sehingga dipilih untuk proses prediksi selanjutnya. Langkah selanjutnya adalah pemilihan variabel minimum untuk prediksi dimana secara nilai akurasi dan R2 diperlukan minimum 5 variabel untuk prediksi yaitu temperatur, tipe insulasi, tipe siklus temperatur, diameter, ketebalan aktual. Pengujian model terhadap data pengukuran terakhir menunjukkan nilai prediksi yang tepat terhadap nilai probabilitas kegagalan prediksi awal dengan nilai probabilitas diatas minimum 57%. Hasil menunjukkan bahwa LR dapat digunakan untuk melakukan prediksi kegagalan CUI berdasarkan data lapangan.

---

Failure due to Corrosion Under Insulation (CUI) is still recorded in the industry and CUI maintenance cost is expected up to 40-60% of overall maintenance cost. In the era of Industrial Revolution 4.0, Machine Learning (ML) has been proposed and implement for prediction and interpretation of inspection data for CUI cases. The purpose of ML implementation is to improve or refine accuracy CUI prediction based on available standard.

In this research, API RP 581 has been implemented as baseline of quantitative assessment for determination of CUI probability of failure. Based on observation, there were differences between CUI corrosion rate from API RP 581 and aktual CUI corrosion rate. These differences may result in value of predicted probability of failure; therefore implementation of ML is expected to enhance prediction based on aktual field data. KNearest Neighbor (KNN) and Logistic Regression (LR) are primary method selected for ML model development.

Based on accuracy value and R2, model developed by LR has higher values based on those criteria hence further model development is prepared using LR. In the next process, minimum variable selection for prediction shows that a minimum of 5 variable is required for prediction including temperatur, type of insulation, cyclic temperatur, pipe diameter, aktual pipe wall thickness. For the last step, testing of model indicates similarity of initial and prediction values with minimum prediction probability above 57%. Thus, research shows that LR can be utilized to predict CUI based on aktual field data in lieu of API RP 581."

"ABSTRACTPemodelan regresi telah diterapkan dalam perbankan ritel karena kemampuannya dalam menganalisis data kontinu maupun diskrit. Hal tersebut merupakan alat yang penting dalam penilaian risiko kredit, stress testing, serta evaluasi aset kredit. Pada tugas akhir ini, pendekatan yang digunakan adalah dengan menggunakan model regresi logistik multinomial untuk mengetahui faktor-faktor yang memengaruhi terjadinya default dan attrition pada suatu kredit. Selain itu, pada tugas akhir ini juga akan diperkenalkan pendekatan regresi spline dengan menggunakan truncated power basis untuk memodelkan fungsi hazard. Fleksibilitas dari fungsi spline memberikan kemampuan untuk memodelkan fungsi hazard yang berbentuk nonlinier dan tidak beraturan. Kemudian, dengan menggunakan regresi spline dan regresi logistik multinomial, akan diperoleh sebuah hasil dan interpretasi yang lebih baik. Terdapat beberapa kelebihan dari penggunaan kedua model tersebut. Pertama, dengan menggunakan fungsi regresi spline yang fleksibel, dapat dimodelkan fungsi hazard yang berbentuk nonlinier dan tidak beraturan. Kedua, mudah dipahami dan diterapkan, dan bentuk parametrik model regresi logistik multinomial yang sederhana dapat memudahkan dalam interpretasi model. Ketiga, memiliki kemampuan untuk prediksi. Pada akhir pembahasan, dengan menggunakan sebuah data kartu kredit akan dilakukan pengaplikasian dari model regresi logistik multinomial dan regresi spline, dilengkapi dengan penjelasan secara statistika dan akurasi prediksi.

---

ABSTRACTRegression modeling has been adapted in retail banking because of its capability to analyze the continuous and discrete data. It is an important tool for credit risk scoring, stress testing and credit asset evaluation. In this thesis, the approach used is multinomial logistic regression model to gain the information regarding the factors that affect the occurrence of default and attrition. In addition, this thesis will also introduce spline regression approach using truncated power basis to model the hazard function. The flexibility of spline function allows us to model the nonlinear and irregular shapes of the hazard functions. Then, by using spline regression and multinomial logistic regression model, there will be a better result and interpretation. There are several advantages by using those both models. First, by using the flexible spline regression function, it can model nonlinear and irregular shapes of the hazard functions. Second, it is easy to understand and implement, and its simple parametric form from multinomial logistic regression model can make it easy in model interpretation. Third, the model has the ability to do prediction. Furthermore, by using a credit card dataset, we will demonstrate how to build these model, and we also provide statistical explanatory and prediction accuracy."

"Meningkatnya standar keamanan dan ketatnya persaingan antar perusahaan meningkatkan kebutuhan bagi suatu perusahan untuk mengendalikan kegagalan pada peralatan. Inspeksi secara teratur dilakukan sebagai bagian dari rangkaian pemeliharaan dan manajemen integritas peralatan. Dalam merencanakan dan melakukan inspeksi, diperlukan strategi yang tepat agar inspeksi yang dilakukan tepat sasaran dan sesuai dengan kebutuhan. Risk-based inspection merupakan teknik pengambilan keputusan dalam perencanaan pemeliharaan yang berdasar pada risiko. Pada saat ini, penggunaan metode-metode kecerdasan buatan untuk kegiatan penilaian risiko, pemodelan konsekuensi, dan perencanaan pemeliharaan telah dilakukan. Penelitian ini bertujuan untuk mengembangkan suatu program yang memanfaatkan pembelajaran mesin dan kecerdasan buatan untuk melakukan penilaian salah satu komponen risiko yaitu probabilitas kegagalan (Probability of Failure, PoF) pada bagian cangkang dalam alat penukar panas menggunakan deep learning. Model ini dapat membantu operator yang bekerja di bidang minyak dan gas untuk menentukan tingkatan risiko sehingga inspeksi dapat dilakukan dengan lebih efisien dan terarah. Penelitian ini menghasilkan sebuah program dan disain program pembelajaran mesin berbasis deep learning yang digunakan untuk memprediksi risiko kegagalan akibat korosi seragam pada peralatan sisi dalam cangkang penukar panas cangkang dan buluh (shell-and-tube heat exchanger) berdasarkan standar API 581 dengan akurasi sebesar 89% yang didapatkan dengan parameter-parameter diantaranya learning rate sebesar 0.001, epoch sebesar 150, random state sebesar 60, tiga hidden layer, dan test size sebesar 0.2.

---

Increasing regulations and safety standards along with competition among companies increase the need for a company to control and predict failure on equipments. Planned inspections are carried out as a part of equipments’ maintenance and integrity management. Appropriate strategies are needed in planning and performing inspections so that the inspections are performed in an efficient manner according to the equipments’ needs. Risk-based inspection is a decision-making technique in maintenance planning which is based on the risk of each equipment. In recent years, incorporation of artificial intelligence methods for risk assessment, consequence modelling, and maintenance planning has been carried out. This research aims to develop a program which utilizes machine learning and artificial intelligence to perform assessment on one of the components of risk, namely the Probability of Failure (PoF), of a shell-and-tube heat exchanger’s inner shell component by using deep learning methods. This model may help operators working in oil and gas field to determine risk levels so that inspections can be done efficiently. This research produced a deep learning-based machine learning program and program design used to predict the risk of failure caused by uniform corrosion on the inner shell component in shell-and-tube heat exchangers based on API RBI 581 standards, yielding accuracy of 89% which is obtained using the following parameters; a learning rate of 0.001, an epoch of 150, random state of 60, three hidden layers, and a test size of 0.2.

Keywords: Inspection, Risk-Based Inspection, deep learning, heat exchanger, uniform corrosion."

"Industri asuransi jiwa di Indonesia belakangan ini sedang mengalami tren positif, dengan mencatat kenaikan laba sebesar 148,05 pada tahun 2017, dari tahun sebelumnya. Perusahaan asuransi sampai sekarang pun masih berfokus pada pertumbuhan bisnis, namun metode yang akan diambil bukan lagi melalui marketing dan saluran agen, namun melalui metode kalkulasi yang baru untuk jumlah manfaat bagi produk-produk asuransi jiwa. Penghitungan manfaat dihasilkan dengan mempertimbangkan dua hal yang penting, yakni risiko dari pemegang polis, dan kondisi keuangan perusahaan. Penelitian ini berfokus pada klasifikasi risiko dari pemegang polis yang dilakukan dengan dua metode yakni regresi logistik dan jaringan saraf tiruan, yang menghasilkan bahwa metode jaringan saraf tiruan menghasilkan performa yang lebih baik dalam mengklasifikasikan risiko dibandingkan regresi logistik.

---

Life insurance businesses in Indonesia are currently developing at a significant pace. Stated by Otoritas Jasa Keuangan, life insurance businesses in Indonesia recorded 148,05 increase in their total income from December 2016, while already gaining positive results life insurance companies still aiming to extent their businesses by marketing and agency strategies, however life insurance companies currently are looking to extent their profits by formulating new models to calculate to value the policyholder. The insured value calculated by assessing risk the policyholder would face and by considering the company rsquo s financial status. This research focused on the risk classification process to assess the risk faced by the policy holder, by using logistic regression methods and neural network, and resulting a slight favor to neural network for having better results in classifying risks of policyholder."

"Penyakit Jantung Koroner (PJK) merupakan penyebab utama kematian di seluruh dunia termasuk di Indonesia. Berdasarkan Sample Registration System (SRS), PJK menjadi penyebab kematian tertinggi di Indonesia pada semua umur pada tahun 2014 setelah stroke yaitu sebesar 12,9%. Terdapat beberapa faktor risiko yang menyebabkan PJK seperti merokok, umur, obesitas, jenis kelamin, diabetes, dan lain-lain. Penelitian ini menggunakan 3 model yaitu model Bootstrapping parametic regresi logistik, model Bootstrapping nonparametic regresi logistik dan model regresi logistik. Bootstrapping digunakan untuk meningkatkan akurasi hasil klasifikasi pada model. Metode Bootstrapping merupakan metode yang dilakukan dengan cara resampling dan replicate data awal. Data yang digunakan adalah data yang berasal dari Rumah Sakit Ibnu Sina Yarsi Padang pada bulan Januari tahun 2020. Berdasarkan penelitian ini, dapat disimpulkan bahwasannya akurasi, sensitivity, specivity pada model Bootstrapping parametic regresi logistic adalah 83.87%, 83.33%, dan 84.21% dan model Bootstrapping nonparametic regresi logistik adalah 74%, 72.72%, 75% lebih baik dibandingkan dengan model regresi logistic adalah 71%, 77.8%, dan 61.58%.

---

Coronary Heart Disease (CHD) is the leading cause of death worldwide, including in Indonesia. Based on the Sample Registration System (SRS), CHD is the leading cause of death in Indonesia at all ages in 2014 after stroke, amounting to 12.9%. There are several risk factors that cause CHD such as smoking, age, obesity, gender, diabetes, and others. This study used 3 models, namely the parametric Bootstrapping logistic regression model, the nonparametric Bootstrapping logistic regression

model and the logistic regression model. Then 3 models are compared to see the accuracy of each model. Bootstrapping method is a method that is done by resampling and replicating the initial data. The data used are data from the Ibnu Sina Yarsi Hospital Padang in January 2020. Based on this research, it can be concluded that the accuracy, sensitivity, specivity of the logistic regression parametric Bootstrapping model is 83.87%, 83.33%, and 84.21%, then nonparametric logistic regression Bootstrapping model 74%, 72.72%, 75%, both of them are better than the logistic regression model 71%, 77.8%, dan 61.58%."

"ABSTRAKRasio keuangan sebagai hasil pengolahan data laporan keuangan dapatdigunakan sebagai alat untuk memprediksi terjadinya kepailitan perusahaan jikadikombinasikan dengan metode prediksi yang tepat. Hasil prediksi ini bukanhanya dapat digunakan bagi manajemen perusahaan, namun pihak-pihak lain pundapat menggunakannya sebagai sarana untuk membantu pengambilan keputusan,misalnya keputusan investasi bagi investor, maupun keputusan berkenaan denganpembinaan perusahaan bagi regulator. Penelitian ini bertujuan untuk mendeteksirasio keuangan yang berfungsi sebagai prediktor kepailitan suatu perusahaan,khususnya industri perusahaan pembiayaan. Selain itu, penelitian ini berusahamenentukan model prediksi yang dapat digunakan regulator perusahaanpembiayaan untuk meningkatkan fungsi pembinaan dan pengawasan terhadapindustri tersebut.

---

ABSTRACTFinancial ratios from financial statement combined with the appropriate predictionmethod can be used as a tool to predict the occurence of bankruptcy. Bankruptcyprediction is not only usefull for company’s management, but also for otherstakeholders, such as in decision making investment for investor, or guidanceindustry’s regulator. The purpose of this research, is to determine ratios that canpredict the occurance of a company’s bankruptcy, particularly in the financecompanies industry. In addition, this study also aim to determine the predictionmodel that is appropriate to be apllied by the regulator of finance companiesindustry in Indonesia."

"Penelitian ini bertujuan untuk menganalisis apakah model analisis regresi logistik dapat digunakan dalam memprediksi kondisi financial distress perusahaan serta menganalisis rasio ? rasio keuangan apa saja yang paling dominan dalam memprediksi kondisi perusahaan financial distress perusahaan manufaktur. Sampel yang digunakan adalah perusahaan manufaktur yang terdaftar di BEI selama tahun 2004 ? 2010 sebanyak 46 perusahaan manufaktur di Indonesia. Hasil pertama yang didapat dari penelitian ini menunjukkan model analisis regresi logistik dapat digunakan dalam memprediksi kondisi financial distress perusahaan. Sedangkan hasil kedua menghasilkan 3 rasio keuangan dominan, yaitu Net Profit Margin yang memberikan pengaruh sebesar 28,012%, Growth to Sales yang memberikan pengaruh sebesar 16,0391%, kemudian Sales to Current Asset yang memberikan pengaruh sebesar 4,8264%. Ketiga rasio diatas memberikan pengaruh negatif dalam memprediksi kondisi financial distress perusahaan manufaktur.

---

This study aims to analyze whether the model of logistic regression analysis can be used in predicting the condition of financial distress as well as analyzing the ratio of the company - financial ratios are the most dominant in predicting corporate financial distress condition of the manufacturing company. The sample used is a manufacturing company listed on the Stock Exchange during the years 2004 - 2010 as many as 46 companies manufacturing in Indonesia.

The first results obtained from this study show the logistic regression analysis model can be used in predicting corporate financial distress condition. While the results of the two produced three dominant financial ratios, the Net Profit Margin influenced by 28.012%, Sales Growth to the influence of 16.0391%, and Sales to Current Assets to the influence of 4.8264%. The third ratio above have negative effect in predicting financial distress condition of the manufacturing company."

"

Kegagalan sistem perpipaan pada industri minyak bumi dan gas merupakan kondisi yang sangat dihindari dan diantisipasi karena kerugian yang dihasilkan dapat mencapai sangat tinggi. Salah satu penyebab yang mengakibatkan kegagalan sistem perpipaan adalah korosi internal. Korosi internal ini disebabkan oleh kandungan karbon dioksida dan zat-zat yang korosif di dalam minyak bumi dan gas. Untuk mengantisipasi kegagalan yang dapat terjadi, dibutuhkan sistem inspeksi yang optimal sehingga tidak hanya dapat mencegah terjadinya korosi yang mengakibatkan kegagalan sistem perpipaan namun juga overbudgetting akibat inspeksi yang terlalu sering. Risk Based Inspection (RBI) merupakan salah satu metode untuk menentukan sistem inspeksi secara optimal dengan menggunakan pendekatan risiko. Dalam pendekatan penghitungan risiko, simulasi monte carlo dapat digunakan untuk mendekati nilai risiko aktual pada kondisi lapangan dengan jumlah sampel yang sedikit. Dalam simulasi monte carlo ini digunakan dua jenis fungsi laju korosi yang sesuai dengan ASTM G-16 95. Dengan membandingkan jenis fungsi laju korosi linier yang umumnya digunakan dalam penghitungan laju korosi di lapangan dengan fungsi laju korosi non-linier akan menghasilkan pendekatan nilai risiko yang lebih akurat. Dengan pendekatan nilai risiko yang lebih akurat, sistem inspeksi yang dihasilkan dalam akan lebih optimal.

 

---

Failures in oil and gas piping system are a condition which may occur and resulting in high amount of loses. One of the main causes on pipeline system failure is Internal corrosion. This internal corrosion is occurred due to high content of carbon dioxide gasses and other corrosive substances inside crude oil and natural gasses. Therefore, an optimum inspection scheduling system will be needed not only to intercept the probability of pipeline failures caused by corrosion but also to prevent overbudgeting on excessive inspection scheduling. For this purpose, Risk-Based Inspection (RBI) is used based on API RP 581 document as a standard procedure of analysis. Also, in this paper Monte Carlo simulation will be applied using stochastic iteration to approximate the actual risk value of the pipeline system with limited amount of sample on site. In addition, the non-linear corrosion rate function is used as a comparison to the commonly used linear corrosion rate function based on the ASTM G-16 95 document. The results show non-linear corrosion rate function will generate more accurate approach on approximating the actual risk value and eventually resulting in more efficient inspection scheduling system during the lifetime of the pipe system.

 

"

"Tangki timbun merupakan peralatan yang digunakan sebagai kontainer untuk menyimpan liquid dalam volume yang sangat besar dalam temperatur dan tekanan mendekati atmosfir. Salah satu penyebab kegagalan tangki timbun adalah korosi. Penipisan pada dinding tangki timbun dapat akhirnya menimbulkan kebocoran liquid yang berada dalam tangki. Risk Based Inspection (RBI) adalah suatu prosedur untuk menentukan waktu pemeriksaan fasilitas berdasarkan tingkat risikonya. Level risiko pada metode RBI mengacu pada aspek probabilitas kegagalan (Probability of Failure) dan konsekuensi kegagalannya (Consequence of Failure). RBI digunakan untuk meningkatkan keefektifan biaya pemeliharaan dengan meniadakan perlunya pemeriksaan menyeluruh untuk semua peralatan. Namun perhitungan RBI memerlukan waktu yang lama dan biaya yang mahal. Deep Learning dapat dijadikan basis untuk membuat suatu program pengestimasi level risiko metode RBI yang lebih cepat, murah, dengan akurasi tinggi. Dalam penelitian ini dilakukan pembuatan dan pengotimasian program deep learning dengan analisis parameter test size, jumlah layer, dense, learning rate, ukuran batch, dan epoch. Hasil akhir didapatkan program yang memiliki akurasi tertinggi yaitu 79% untuk estimasi level Probability of Failure dan 92% untuk estimai level Consequence of Failure.

---

Storage tanks are equipment used as containers to store liquids in very large volumes at temperatures and pressures close to atmospheric. One of the causes of storage tank failure is corrosion. The thinning of the storage tank walls can eventually lead to liquid leakage in the tank. Risk-Based Inspection (RBI) is a procedure to determine the time of facility inspection based on the level of risk. The level of risk in the RBI method depends on two aspects: the Probability of Failure and the Consequences of Failure. RBI is used to increase the cost-effectiveness of maintenance by eliminating the need for a thorough inspection of all equipment. However, RBI calculations take a long time and are expensive. Deep Learning can be used as the basis for developing a program for estimating the risk level of the RBI method aster, cheaper, and with high accuracy. In this study, the creation and optimization of a deep learning program were carried out by analyzing the parameters of test size, the number of layers, density, learning rate, batch size, and epoch. The final result is a program that has the highest accuracy of 79% for the estimation of the Probability of Failure level and 92% for the Consequence of Failure level. "

"Penelitian ini bertujuan untuk mengevaluasi penerapan manajemen risiko serta memberikan usulan perbaikan bagi RSUD X sebagai objek penelitian, sesuai dengan regulasi dan penerapan best practice (ISO 31000:2018). RSUD X sebagai salah satu instansi publik tunduk pada Peraturan Pemerintah Nomor 60 Tahun 2008 tentang Sistem Pengendalian Intern Pemerintah (SPIP). Namun, penelitian tentang penerapan manajemen risiko pada institusi pelayanan kesehatan masih belum banyak dilakukan di Indonesia. RSUD X tentunya menghadapi risiko internal dan eksternal, sehingga memerlukan manajemen risiko agar organisasi dapat memitigasi risiko yang dapat menghambat pencapaian tujuan organisasi. Penelitian ini menggunakan metode deskriptif kualitatif dengan instrumen data berupa analisis dokumentasi dan wawancara. Penelitian ini menggunakan kerangka konseptual manajemen risiko dari International Standard ISO 31000:2018 untuk melengkapi aturan tentang manajemen risiko yang ada pada PP Nomor 60 Tahun 2008. Hasil penelitian ini adalah sebuah evaluasi terhadap penerapan manajemen risiko dan juga usulan perbaikan manajemen risiko RSUD X yang lebih sesuai dengan regulasi dan penerapan best practice (ISO 31000:2018). Berdasarkan penelitian ini, RSUD X telah melaksanakan proses identifikasi dan analisis risiko, tetapi belum melaksanakan proses evaluasi dan mitigasi risiko. Usulan perbaikan yang diajukan berupa usulan beberapa risiko baru pada daftar risiko, penghitungan ulang skor risiko, penyusunan prioritas risiko, penetapan selera risiko, dan penyusunan mitigasi risiko. Seluruh usulan perbaikan yang diajukan telah disetujui dan dapat diaplikasikan pada RSUD X.

---

This study aims to evaluate the implementation of risk management and provide suggestions for improvements to RSUD X as an object of research, in accordance with regulations and application of best practice (ISO 31000:2018). RSUD X as a public institution is subject to Government Regulation Number 60 of 2008 concerning the Government Internal Control System (SPIP). However, the research on the application of risk management in health care institutions has not been widely carried out in Indonesia. RSUD X certainly faces internal and external risks, so it requires risk management so that the organization can mitigate risks that can hinder the achievement of organizational goals. This study used a qualitative descriptive method with data instruments in the form of documentation analysis and interviews. This study uses a risk management conceptual framework from International Standard ISO 31000: 2018 to complement the existing risk management rules in Government Regulation Number 60 of 2008. The results of this study are an evaluation of the implementation of risk management and also suggestions for improving risk management at RSUD X which is more appropriate with regulations and implementation of best practices (ISO 31000:2018). Based on this research, RSUD X has implemented a risk identification and analysis process, but has not implemented a risk evaluation and mitigation process. Proposed improvements are in the form of several new risks proposed in the risk register, recalculating the risk scores, developing risk priorities, determining risk appetite, and preparing risk mitigation. All proposed improvements have been approved and can be applied to RSUD X."