Hasil Pencarian  ::  Simpan CSV :: Kembali

"PM2.5 merupakan salah satu penyebab tingginya angka polusi di Jakarta. Skripsi ini akan membahas penerapan Recurrent Neural Network jenis Long Short-Term Memory (RNN-LSTM) dan Autoregressive Integrated Moving Average (ARIMA), dua metode yang dapat digunakan untuk melakukan prediksi pada dataset jenis time series, sebagai algoritma untuk melakukan prediksi pada kandungan polutan PM2.5 di Jakarta. Terdapat dua jenis preprocessing yang diujicoba pada pengujian ini, yaitu dengan imputation menggunakan mean dan linear interpolation. Saat pembuatan model pada ARIMA, dilakukan pengaturan order untuk mencari model terbaik yang dapat melakukan prediksi dengan akurasi tertinggi. Sementara untuk RNN-LSTM, pencarian model terbaik dilakukan dengan melakukan serangkaian ujicoba dengan perubahan pada beberapa parameter seperti ukuran dari rolling window, batch size, dan optimizer. Berdasarkan hasil akurasi, didapatkan model dengan ARIMA order (2,0,1) sebagai model paling baik ketika dilakukan ujicoba dengan imputation jenis mean dengan RMSE sebesar 17,84. Lebih baik dari hasil yang didapatkan RNN-LSTM pada metode imputation tersebut yang hanya mendapat RMSE 18,00. Namun RNN-LSTM memiliki hasil akurasi yang lebih baik ketika dilakukan ujicoba dengan metode imputation dengan linear interpolation dimana RMSE yang didapatkan sebesar 17,47. Lebih baik dari ARIMA yang hanya mendapat RMSE sebesar 17,66.

---

PM2.5 is one of the causes of Jakarta’s high pollution level. This thesis will discuss the implementation of Recurrent Neural Network type Long Short-Term Memory (RNN-LSTM) and Autoregressive Integrated Moving Average (ARIMA), two algorithm that are able to predict a time series dataset, as two algorithms used to do a forecasting in PM2.5 pollutant level in Jakarta. There are two preprocessing used in this test, mean imputation and linear interpolation. In ARIMA, tweaking to find

model with best accuracy was done by altering its order. While in RNN-LSTM, the search for the best model was done by tweaking several parameters such as the size of its rolling window, batch size, and optimizer. Based on its accuracy, an ARIMA model with order of (2,0,1) was found as the best model during the test with mean imputation with RMSE of 17,84 compared to RNN-LSTM’s 18,00. But RNNLSTM has better accuracy when tested with linear interpolation, where it got RMSE of 17,47. Where ARIMA only has RMSE of 17,66."

"Polusi udara terjadi ketika campuran gas beserta partikel lainnya mencapai konsentrasi berbahaya baik yang terjadi di dalam maupun luar ruangan. Polusi udara juga menjadi penyebab kematian di beberapa negara dengan tingkat polusi yang parah. Salah satu polutan yang berbahaya adalah Partikulat halus (PM_2.5/ Particulate Matter_2.5), dimana dengan diameter kurang dari 2,5 μm, kira-kira 3% dari diameter rambut manusia, partikulat halus ini menjadi perhatian utama dalam pengamatan kualitas udara, dikarenakan PM_2.5 dianggap sebagai agen pembunuh utama yang menyebabkan penyakit kardiovaskular, pernapasan dan kanker. Jakarta dinyatakan sebagai kota dengan tingkat polusi udara yang sangat signifikan, isu pencemaran udara menjadi topik pembicaraan banyak pihak, terutama kondisi kualitas udara di ibu kota. Dalam pengukuran kualitas udara di Provinsi DKI Jakarta jaringan pengamatan observasinya masih sangat terbatas. Sehingga dibutuhkan pemodelan dalam andil untuk melakukan pengukuran kualitas udara dalam hal ini adalah PM_2.5. Pemodelan menggunakan algoritma pemebelajaran mesin atau machine learning random forest digunakan dalam penelitian ini dengan memanfaatkan metode regresi spasial. Adapun variabel yang digunakan berupa unsur meteorologi, partikulat dan gas yang diperoleh dengan memanfaatkan penginderaan jauh. Didapatkan variabel yang paling berpengaruh pada pemodelan spatial temporal PM_2.5 ini adalah NO2 dan CO serta dengan fungsi berkebalikan pada variabel curah hujan dan Ozon. Dalam pemodelan yang telah dilakukan ini didapatkan nilai 0,90 dalam korelasi hasil prediksi dengan nilai observasi, dengan nilai ini maka prediksi yang dilakukan oleh Machine Learning Random Forest terbilang baik, serta nilai RMSE sebesar 7,83 µg/m3 juga memberikan gambaran yang baik bagi model yang dibentuk, serta nilai R² sebesar 0,825 mengisyaratkan akurasi variabel yang digunakan mencapai 82,5 persen. Adapun pasial yang terbentuk dalam pemodelan spasial ini mengikuti pola musim hujan dan musim kemarau, dimana nilai tertinggi dari pola spasial parameter PM_2.5 berada pada bulan JJA (Juni, Juli dan Agustus), serta mulai menurun di bulan SON (September, Oktober, dan November), dan pada akhirnya berada di nilai terendah pada bulan DJF (Desember, Januari dan Februari).

---

Air pollution occurs when a mixture of gases and other particles reach dangerous concentrations both indoors and outdoors. Air pollution is also a cause of death in some countries with severe pollution levels. One of the harmful pollutants is fine particulate matter (PM_2.5), which is less than 2.5 μm in diameter, approximately 3% of the diameter of a human hair. This fine particulate matter is a major concern in air quality observations, as PM_2.5 is considered a major killer agent that causes cardiovascular, respiratory diseases and cancer. Jakarta is declared as a city with a very significant level of air pollution, the issue of air pollution has become a topic of conversation for many parties, especially the condition of air quality in the capital city. In measuring air quality in DKI Jakarta Province, the observation network is still very limited. So that modeling is needed in order to measure air quality, in this case PM_2.5. Modeling using machine learning algorithms or machine learning random forest is used in this study by utilizing the spatial regression method. The variables used are meteorological elements, particulates and gases obtained by utilizing remote sensing. It was found that the most influential variables in the spatial temporal modeling of PM_2.5 were NO₂ and CO and with the opposite function in the rainfall and Ozone variables. In the modeling that has been done, a value of 0.90 is obtained in the correlation of the predicted results with the observed values, with this value, the prediction carried out by Machine Learning Random Forest is fairly good, and the RMSE value of 7.83 µg/m3 also provides a good description of the model formed, and the R² value of 0.825 implies that the accuracy of the variables used reaches 82.5 percent. The spatial pattern formed in this spatial modeling follows the pattern of the rainy season and dry season, where the highest value of the spatial pattern of the PM_2.5 parameter is in the JJA month (June, July and August), and begins to decrease in the SON month (September, October and November), and finally at the lowest value in the DJF month (December, January and February)."

"Particulate Matter (PM) merupakan material utama yang biasa digunakan untuk menunjukkan derajat polusi udara. Material PM yang terkandung pada polusi udara berdampak pada kesehatan manusia dan visibilitas atmosfer. Pengukuran gravimetri standar dan instrumen komersial saat ini untuk pengukuran lapangan masih mahal dan terbatas dibeberapa titik pengamatan yang tersebar di Indonesia. Pada penelitian ini dirancang sebuah instrumen ukur PM2.5 dan PM10 biaya rendah, dengan penerapan Internet of Things (IoT) sebagai pendukung monitoring secara real time yang dapat meningkatkan resolusi spasial dan temporal. Sistem menggunakan sensor ZH03A dengan komparasi yang menghasilkan korelasi yang sangat kuat diatas 0,75. Data sensor diproses oleh data logger yang terkoneksi dengan internet melalui modul ESP32 dengan 98 % data terkirim. Data hasil pantauan instrumen ditampilkan pada aplikasi web secara aktual dan dilengkapi dengan perhitungan komparasi sebagai representasi Urban Air Quality. Prediksi dengan metode LSTM menghasilkan nilai galat yang relatif kecil dibawah 35 dan korelasi diatas 0,50.

---

Particulate Matter (PM) is the main material commonly used to show the degree of air pollution. PM material contained in air pollution has an impact on human health and the visibility of the atmosphere. Standard gravimetric measurements and current commercial instruments for field measurements are still expensive and limited in several observation points spread across Indonesia. In this study, a low cost PM2.5 and PM10 measuring instrument was designed, with the application of the Internet of Things (IoT) as a support for real-time monitoring which can improve spatial and temporal resolution. The system uses a ZH03A sensor with comparisons that produce a very strong correlation above 0.75. Sensor data is processed by a data logger that is connected to the internet via the ESP32 module with 98% of the data sent. The data from the monitoring of the instrument is displayed on the web application in real time and is equipped with a comparison calculation as a representation of Urban Air Quality. Prediction using the LSTM method produces a relatively small error value below 35 and a correlation above 0.50."

"Ketidakpastian jumlah penumpang pesawat meningkat karena kenaikan tren penggunaan pesawat sebagai pilihan moda transportasi di Indonesia beberapa tahun kebelakang. Hal ini menyebabkan dibutuhkannya kemampuan untuk mengakomodasi kenaikan tersebut bagi perusahaan penerbangan untuk mempertahankan posisinya dalam industri. Pembuatan strategi sangat dipengaruhi oleh keakuratan prediksi. Karena itu, model prediksi yang akurat sangat dibutuhkan. Penelitian ini menggunakan metode neural networks yang telah teruji sebagai metode berbasis data mining dengan hasil akurasi lebih tinggi dibandingkan dengan metode tradisional untuk membuat model terbaik untuk memprediksi jumlah penumpang pesawa. Sebagai perbandingan, metode Autoregressive Integrated Moving average (ARIMA) akan digunakan. Objek dari penelitian ini adalah data jumlah penumpang bulanan dari salah satu perusahaan penerbangan di Indonesia, berfokus pada dua rute utama dengan keuntungan terbesar yaitu rute Jakarta-Yogyakarta (CGK-JOG) dan rute Jakarta-Singapura (CGK-SIN), dimana masing-masing rute ini merepresentasikan rute domestik dan rute internasional. Prediksi selama 12 periode ke depan akan dilakukan dengan model terbaik dari masing-masing metode. Nilai mean absolute percentage error (MAPE) akan dibandingkan dan Theil’s U Statistic akan dilihat untuk menilai apakah model sudah representatif. Pada kedua rute, dapat dilihat bahwa metode neural networks menghasilkan nilai error yang lebih baik daripada ARIMA dengan nilai MAPE sebesar 1.29% untuk rute CGK-JOG dan 1.66% untuk rute CGK-SIN.

---

Demand uncertainty has been increasing as a result of the rising trend of using airplanes as a transportation mode option in Indonesia over the years. This condition results in the need for the ability to accommodate the rise for airline companies to withstand within the industry. Strategy formulation is highly determined by the forecast accuracy. Thus, accurate forecasting models are highly required. In this study, neural network is proposed to create the best-fitted model to predict future values. Neural network is a data mining-based approach that has already been tested to result in more accurate predictions than traditional methods. As a comparison with the traditional model, Autoregressive Integrated Moving Average (ARIMA) model is applied. This study used monthly passenger data from Indonesian airlines, focused on Jakarta-Yogyakarta (CGK-JOG) and Jakarta-Singapore (CGK-SIN) routes which are the representatives of the most profitable route for both domestic and international flight. MAPE of both methods were then compared and Theil’s U Statistic were calculated to see whether the models are suitable. Forecasted future demand for the next 12 months were calculated, where in both routes neural network produced better value than ARIMA with MAPE of 1.29% for CGK-JOG route and 1.66% for CGK-SIN route.

"

"This study search for proper models to forecast Jakarta Composite Index (JCI) and then compare their forecasts. The stock index from strong markets, like Dow Jane Industrial Average (DJIA) and NIKKEL as well as the index from regional markets, like SEI are expected to have strong influences on JCI. More specyfcally, it is expected that SET will be able to explain the realocation of short term fund from Thailand to indonesia through capital market due to unfavour political situation in Thailand. Other than that, exchange rate is also expected to have eject on JCI movements, By using the daily data from January 3, 2005 to January 2, 2006, the stuajzfound that the proper models to be used to forecast JCI are GARCH (22) Model and ARIM4 (1,1,0) Model. The empirical results showed that the forecast from ARIM4 Model is superior to that of GARCH Model."

"Wilayah Kabupaten Lumajang adalah termasuk daerah tropis yang mempunyai perbedaan geografi, topografi, dan orografi di masing-masing lokasi. Maka kondisi cuaca/iklim di wilayah ini tidaklah selalu sama antara daerah satu dengan daerah lainnya. Dengan demikian perlu dibuat pewilayahan tipe iklim pada skala meso(kabupaten) yang sesuai dengan kondisi karakteristik iklim di daerah tersebut.Pada penelitian ini dilakukan pengelompokan pola hujan (tipe iklim) di Kabupaten Lumajang dengan menggunakan metoda statistik, yaitu : Analisis Komponen Utama (AKU) dan Metode Pengelompokan (Clustering). Data yang digunakan adalah curah hujan harian dari 25 stasiun tahun 1988 sampai dengan 2004 dan diolah menjadi jumlah curah hujan dasarian. Dari hasil pengolahan tersebut diperoleh tiga kelompok pola hujan (tipe iklim) di wilayah Kabupaten Lumajang kemudian sebagai dasar prakiraan musim.Prakiraan jangka panjang (musim) yang dibuat adalah Prakiraan Musim Kemarau 2004 dan Prakiraan Musim Hujan 2004/2005 serta materi yang diprakirakan adalah awal (permulaan) musim dan sifat hujan selama musim yang bersangkutan. Prakiraan musim tersebut dibuat berdasarkan analisis model ARIMA. Dengan menggunakan series data hujan dasarian mulai 1988 hingga 2003, pada setiap tipe iklim di daerah Lumajang.Verifikasi hasil prakiraan musim kemarau 2004 dan musim hujan 2004/2005 dengan model ARIMA baik prakiraan permulaan dan prakiraan sifat musim, umumnya kurang menunjukkan hasil yang optimal."

"Bertumbuhnya perkembangan transportasi udara, ekonomi dan fasilitas di daerah mengakibatkan kenaikan pada pemakaian avtur di Indonesia. Peningkatan permintaan avtur ini harus disesuaikan dengan perkembangan fasilitas dan pasokan avtur pada bandara di daerah seperti bandara Raja Hasi Fisabilillah di Tanjungpinang. Tetapi penyedia avtur belum mempunyai data awal untuk membuat kebijakan dan perencanaan. Untuk itu, dibutuhkanlah data awal berupa peramalan permintaan avtur. Terdapat banyak metode untuk melakukan peramalan, namum belum diketahui metode yang mampu memberikan hasil terbaik. Untuk itu dilakukan peramalan yang menggunakan metode peramalan ARIMA dan ANN pada penelitian ini. Metode ARIMA baik dalam mengestimasi data time series yang bersifat linear, serta metode ANN baik dalam mendeteksi pola non linear. Serta digunakan metode hybrid yang menggabungkan metode ARIMA dengan ANN yang diharapkan memberikan hasil yang baik. Dari penelitian yang dilakukan, hasil peramalan dibandingkan dengan metode tradisional dan SARIMA, dan didapatkan bahwa metode hybrid memberikan hasil yang terbaik dibandingkan dengan error MAPE sebesar 13.75 . Dengan jumlah permintaan pada periode selanjutnya sebesar 101.94 kl, 104.48 kl, 105.46 kl, 114.04 kl, 106.05 kl, 114.03 kl, 114.63 kl, 116.15 kl, 101.44 kl, 97.86 kl.

---

The growing of air transport, the economy and the facilities in the local area resulted in an increase in aviation fuel consumption in Indonesia. The increase of jet fuel demand is must be accompanied by the development of facilities and the supply of aviation fuel at airports in local areas such as Raja Haji Fisabilillah airports in Tanjungpinang. But aviation fuel providers not already have preliminary data for planning and policy making. Thus, required the initial data like forecasting demand for aviation fuel. There are many methods for forecasting, yet we don rsquo t know which method are capable of providing the best results. For that reason, we try to using ARIMA and ANN forecasting method.

ARIMA is one of the method which is good in estimating the linear data of time series, and ANN methods is good at detecting non linear pattern. And we used a hybrid method that combines ARIMA with ANN which expected to provide good results. This research shown the results of forecasting compared to traditional and SARIMA method, and found that the hybrid method gives the best result, with MAPE error is 13.75 . And the total demand in the next period is 101.94 kl, 104.48 kl, 105.46 kl, 114.04 kl, 106.05 kl, 114.03 kl, 114.63 kl, 116.15 kl, 101.44 kl, and 97.86 kl."

"Demam berdarah dengue (DBD) merupakan infeksi virus yang menyebar dari nyamuk ke tubuh manusia dan menjadi masalah kesehatan utama di berbagai negara, termasuk Indonesia. Pada tahun 2023, lebih dari 3,7 juta kasus infeksi DBD dilaporkan secara global, dengan lebih dari 2.000 kematian. Indonesia adalah salah satu negara dengan tingkat kasus DBD yang tinggi, khususnya di Provinsi DKI Jakarta. Mengingat tingginya angka kasus DBD di DKI Jakarta, skripsi ini bertujuan untuk memprediksi kasus DBD di lima Kota madya DKI Jakarta. Skripsi ini menggunakan model ARIMA-GRNN, yang merupakan gabungan dari model ARIMA (Autoregressive Integrated Moving Average) dan GRNN (General Regression Neural Network). Data yang digunakan dalam penelitian ini adalah data kasus bulanan demam berdarah di DKI Jakarta, yang dikumpulkan dari tanggal 1 Januari 2009 hingga 30 Agustus 2023. Hasil akurasi model ARIMA dan ARIMA-GRNN dalam memprediksi jumlah insiden demam berdarah di DKI Jakarta menunjukkan hasil prediksi model ARIMA lebih akurat untuk Jakarta Selatan dan Jakarta Timur, sedangkan hasil prediksi model ARIMA-GRNN memberikan hasil yang lebih baik untuk Jakarta Pusat, Jakarta Barat, dan Jakarta Utara. 

---

Dengue fever (DF) is a viral infection transmitted from mosquitoes to humans and has become a major health issue in various countries, including Indonesia. In 2023, more than 3.7 million cases of DF infection were reported globally, with over 2,000 deaths. Indonesia is one of the countries with a high rate of DF cases, particularly in the Province of DKI Jakarta. Given the high number of DF cases in DKI Jakarta, this final project aims to predict DF cases in the five municipalities of DKI Jakarta. This final project uses the ARIMA-GRNN model, which is a combination of the ARIMA (Autoregressive Integrated Moving Average) model and the GRNN (General Regression Neural Network). The data used in this research comprises monthly DF case data in DKI Jakarta, collected from January 1, 2009, to August 30, 2023. The accuracy results of ARIMA and ARIMA-GRNN models in predicting the number of dengue fever incidents in DKI Jakarta indicate that the ARIMA model is more accurate for South Jakarta and East Jakarta, while the ARIMA-GRNN model provides better results for Central Jakarta, West Jakarta, and North Jakarta. "

"Pajanan partikulat dapat menyebabkan gangguan kesehatan pada sistem pernapasan dan kardiovaskular serta kematian. Tujuan penelitian ini mengetahui konsentrasi pajanan partikulat di PKB Cilincing. Pengambilan data dilakukan dengan mengukur pajanan personal pada petugas uji mekanis dan area pada kantor dan pengujian. Rata-rata konsentrasi pajanan personal PM10, PM2.5, PM1, PM0.25 pada petugas uji mekanis : 342.26 g/m3; 232.23 g/m3; 190.58 g/m3; dan 140.10 g/m3, ruangan kantor : 208.05 g/m3; 168.87 g/m3; 149.18 g/m3; 110.42 g/m3, dan pengujian : 213,50 g/m3; 130.24 g/m3; 100,42 g/m3; 47,25 g/m3. Perbedaan konsentrasi pajanan partikulat dapat terjadi karena perbedaan ukuran dan jenis kendaraan, lokasi, serta jenis pengujian.

---

Exposure to vehicle emission particulates has been known to cause death and health effects on respiratory and cardiovascular systems. This study conducted to determine concentration of PM2.5 in Vehicle Emission Testing Centre, Cilincing unit, by collecting personal exposure on emission inspector, at office and testing area. Average personal exposure concentration of PM10, PM2.5, PM1, PM0.25 were 342.26 g m3 232.23 g m3 190.58 g m3 dan 140.10 g m3, office area 208.05 g m3 168.87 g m3 149.18 g m3 110.42 g m3 testing area 213,50 g m3 130.24 g m3 100,42 g m3 47,25 g m3. Concentration of particulate matter may different due to size and types of vehicles, location, and types of vehicle testing."