Hasil Pencarian  ::  Simpan CSV :: Kembali

"AIS sebagai alat yang diwajibkan digunakan kapal menurut SOLAS sebagai pencegah tabrakan antar kapal memiliki potensi yang lebih besar dalam penerapan ruang lingkup data analytics. Data posisi kapal dapat membantu menggambarkan perilaku kapal di lautan. Aplikasi data AIS bisa membantu mengoptimalkan operasional kapal. Penelitian ini akan menjelaskan tentang sebuah metode penerapan data AIS untuk menghasilkan prediksi waktu tunggu kapal. Algoritma Extreme Gradient Boosting (Xgboost) akan digunakan sebagai pendekatan melakukan prediksi dari data historis. Dengan xgboost, prediksi yang dihasilkan mendapatkan nilai RMSE sebesar 268.47 dan R2 sekitar 0.3 setelah dioptimalkan dengan hyperparameter tuning. Hasil prediksi ini dapat digunakan sebagai pertimbangan penerapan green steaming ataupun bahan evaluasi pelabuhan untuk mengembangkan pelayanannya.

---

AIS as a tool, according to SOLAS, used as a prevention of collisions between ships has more significant potential in the application of the scope of data analytics. Ship position data can help describe ship behavior at sea. AIS data applications can help optimize ship operations. This research will describe a method of applying AIS data to generate predictions of ship waiting times. The Extreme Gradient Boosting (Xgboost) algorithm will be used to make predictions from historical data. With xgboost, the resulting prediction gets an RMSE value of 268.47 and an R2 of about 0.3 after being optimized with hyperparameter tuning. The results of this prediction can be used as consideration for implementing green steaming or evaluating port evaluation materials to develop their services."

"Fase kuning lampu lalu lintas menimbulkan zona dilema yang mempengaruhi reaksi pengemudi dalam menentukan sikap untuk berhenti atau meneruskan perjalanan. Kendaraan yang berada dalam zona dilema dapat terlibat melakukan pelanggaran lampu lalu lintas karena terlambat merespon fase kuning lampu lalu lintas. Penelitian ini mengembangkan algoritma IBR dalam sistem pelacakan nirkabel diskrit (DWT system) untuk pemantau pergerakan kendaraan di persimpangan yang dilengkapi lampu lalu-lintas. Algoritma IBR dipergunakan untuk memprediksi pelanggaran lampu lalu-lintas. Prediksi dilakukan berdasar waktu pindai oleh tiga sensor pencacah kendaraan untuk mendapatkan besaran parameter kecepatan, percepatan. Parameter kecepatan dan percepatan dipergunakan untuk mendapatkan batas-batas zona dilema. Hasil simulasi menunjukkan bahwa algoritma IBR dapat meningkatkan keberhasilan prediksi pelanggaran lampu lalu lintas pada sisa nyala lampu kuning antara 1 sampai 4 detik. Diperoleh peningkatan ketepatan prediksi pelanggaran lampu lalu lintas mencapai 6,87% lebih tinggi dibanding dengan hasil penelitian sejenis yang dilakukan oleh peneliti terdahulu.

---

Yellow phase of traffic lights cause a dilemma zone that affects the driver reaction to determine attitude to stop or to go on. The vehicles that are in a dilemma zone able to engage red light running since late response to the yellow phase of traffic light. This research develop a IBR algorithms on the discrete wireless tracking system (the DWT system) to monitor the movement of vehicles at intersections.

The IBR algorithm is used to predict the red light runnings. Predictions made based on detection time of the three vehicle counter sensors to obstain the magnitudes of speed and acceleration parameters. Velocity and acceleration parameters used to obtain the dilemma zone boundaries.

Simulation results show that the IBR algorithm improves the success of violation prediction during the period of the yellow light between 1 to 4 seconds. The experiments also exhibits that the accuracy of the red light running prediction increases up to 6.87% is higher than previous research works that have been studied during this work."

"Prediksi dengan model mesin learning regresi telah banyak digunakan untuk penelitian. Salah satu model mesin learning yang digunakan untuk prediksi adalah random forest regressor. Mesin learning membutuhkan data training untuk mempelajari pola dan hubungan antar data. Model regressor yang sedangkan dikembangkan dalam bidang medis saat ini adalah model yang dapat memprediksi dosis pada perencanaan IMRT. Data perencanaan dalam format DICOM (format asli data) dieksport ke bentuk CVS (Comma Separated Values). Kemudian data dibagi menjadi data training dan testing yang dipilih secara random. Algoritma yang digunakan untuk memprediksi adalah random forest yang akan di training menggunakan 7-fold validation dan kemudian model akan di uji dengan data baru yaitu data testing yang belum pernah dilihat oleh model. Data yang dievaluasi yaitu parameter untuk mendapat HI (Homogenety Index) untuk organ target, dan dosis mean dan max untuk OAR (Organ At Risk). Random forest mampu memprediksi nilai sebenarnya dengan kesalahan dievaluasi menggunakan MAE pada fitur PTV D2 (0,012), D50 (0,015) dan D98 (0,018) serta pada fitur OAR (mean dan  max) paru kanan (0,104 dan 0,228), paru kiri (0,094 dan 0,27), jantung (0,088 dan 0,267), spinal cord (0,069 dan 0,121) dan (V95) Body (0,094).

---

Predictions with machine learning regression models have been widely used for research. One of the machine learning models used for prediction is the random forest regressor. Machine learning requires training data to determine patterns and relationships between data. Nowadays, the regressor model that being developed in the medical field is able to predict dose in IMRT planning. Planning data in DICOM format (original data format) was exported to CVS (Comma Separated Values) format. Then, the data was divided into training and testing data which were selected randomly. The algorithm used to predict is a random forest that was trained using 7-fold validation and the model was evaluated with new data, namely testing data that have not been seen by the model. The evaluated data are parameters to obtain HI (Homogenety Index) for target organs, and mean and max doses for OAR (Organ At Risk). Random forest was able to predict the true value with errors and it was evaluated using MAE for PTV D2 (0,012), D50 (0,015) and D98 (0,018), for OAR (mean and  max) right lung (0,104 and 0,228), left lung (0,094 and 0,27), heart (0,088 and 0,267), spinal cord (0,069 and 0,121) and (V95) Body (0,094)."

"In this study, a fuzzy-based expert system called the Pain Intensity Prediction Expert System (PIPES) was developed to predict pain severity risk (PSR) in shoveling-related tasks. The primary objective was to develop a non-changing rating risk assessment ergonomics tool that both efficient and comparable with those obtained from human ergonomics experts in the field of application. PIPES used fuzzy set theory (FST) to make decisions about the level of pain associated with a selected worker base on the measured task variables, namely scooping rate, scooping time, shovel load, and throw distance as input and PSR as the result. Values obtained from variable measurements from a sand shoveling task were run with PIPES, and the results were compared with the workers’ self-reported pain (WSRP) intensity using a numeric rating scale (NRS) tool. The result of validation showed that there was a strong positive relationship between WSRP NRS and PIPES NRS, with a correlation coefficient of 0.70. The independent sample t-test for mean difference showed that WSRP had a statistically significantly lower level of NRS (4.35 ± 2.1) compared to PIPES (4.75 ± 2.2), t (38) = - 0.591, p = 0.558. With a significance level of 0.001 at 95% confidence, the groups’ means were not significantly different. The study developed an expert system, PIPES, which can be used as a computerized representation of ergonomics experts, who are scarce. PIPES can be applied to construction industries, sand mine locations, and any workplace where materials are manually moved using a shovel."

"Pengukuran tinggi badan dilakukan untuk memantau status gizi dan pertumbuhan anak, namun kadang-kadang tidak dapat dilakukan secara langsung pada kondisi tertentu. Tujuan dari penelitian ini adalah mengembangkan model prediksi tinggi badan pada anak usia 6-9 tahun berdasarkan tinggi lutut dan panjang depa. Penelitian dilaksanakan di SD Negeri 03 Pondok Cina pada bulan Maret-Mei tahun 2015 dengan jumlah responden sebanyak 61 anak laki-laki dan 82 anak perempuan. Desain studi yang digunakan adalah cross-sectional dengan mengukur variabel bebas berupa tinggi lutut, panjang depa, usia dan jenis kelamin, serta variabel terikat berupa tinggi badan.Hasil penelitian menunjukkan bahwa terdapat korelasi yang kuat antara usia dengan tinggi badan (r = 0,622), dan korelasi yang sangat kuat/sempurna antara tinggi lutut dengan tinggi badan (r = 0,949), panjang depa dengan tinggi badan (r = 0,884). Model prediksi tinggi badan yang didapatkan dalam penelitian ini adalah tinggi badan (cm) = 31,354 + [2,417 x tinggi lutut (cm)] dan tinggi badan (cm) = 26,2 + [0,695 x panjang depa (cm)] + [0,123 x usia (bulan)]. Tinggi lutut dan panjang depa merupakan prediktor tinggi badan yang baik, namun model prediksi berdasarkan tinggi lutut memiliki akurasi yang lebih baik dan mudah digunakan jika dibandingkan dengan model prediksi berdasarkan panjang depa.

---

Measuring stature was usually carried out to monitor nutrition and growth in children, but sometimes can?t be done directly on certain conditions. The purpose of this study was to develop prediction models of children stature aged 6-9 years based on knee height and arm span. This study was held in Pondok Cina 03 Public Elementary School in March until May 2015 with total respondents 61 boys and 82 girls. The design of this study was cross-sectional with independent variabel: knee height, arm span, age, and gender, and stature as the dependent variabel.The result of this study showed that there were a strong correlation between age and stature (r = 0.622), and a perfect correlation between knee height and stature (r = 0.949), and arm span with stature (r = 0.884). Prediction models of stature which obtained in this study was: Stature (cm) = 31.354 + [2.417 x knee height (cm)] and Stature (cm) = 26.2 + [0.695 x arm span (cm)] + [0.123 x age (month)]. Knee height and arm span are good predictors, however the prediction model based on knee height is more accurate and easier to use than prediction model based on arm span."

"ABSTRAKPada masa sekarang ini, teknologi semakin berkembang dan terus berkembang dengan cepat. Terutama kebutuhan adanya teknologi prediksi yang memerlukan pengembangan lebih dalam lagi sehingga dapat menghasilkan teknologi yang dapat memprediksi masa depan Multi-Step Ahead MSA secara lebih akurat. Salah satunya untuk teknologi prediksi peramalan cuaca sistem Chaos yang dapat membantu masyarakat dalam mempersiapkan aktifitas yang akan dilakukan. Penelitian ini melakukan simulasi percobaan penerapan Jaringan Saraf Tiruan berbasis Radial Basis Function RBF pada sistem prediksi data Chaos, data Lorenz dan data Mackey-Glass. Berdasarkan hasil percobaan dapat dilihat dari nilai bahwa penerapan jaringan saraf tiruan berbasis Radial Basis Function RBF memiliki tingkat keakuratan yang baik untuk memprediksi lebih dari 100 langkah kedepan.

---

ABSTRACT Recently, technologies have been growing and growing fast. Especially, the need of prediction technology that need to be developed more so that it could create a technology that is capable to predict the future Multi Step Ahead MSA more accurate. One of the applied field of this prediction method is for forecasting Chaotic System which help the society in order to prepare their activity that will be scheduled. This research performs simulation experiments in applying the Artificial Neural Network based on Radial Basis Function RBF of prediction system for chaotic data, Mackey Glass equation and Lorenz rsquo s system. As can be seen from the values of the experimental results, applying Artificial Neural Network based on Radial Basis Function results high accuracy for predicting more than 100 steps ahead. "

"ABSTRAKAda kecenderungan bagi orang untuk melakukan regresi ke arah mean dalam melakukan prediksi (Kahneman 8. Tversky, 1973). Tetapi kadang hal ini tidak terjadi. Dalam suatu situasi dimana ada informasi yang berurutan (series)kadang prediksi yang dilakukan regresif kadang anti-regresif. Andreassen (1987) menemukan bahwa dalam suatu series (urutan) perdagangan saham munculnya berita (news) akan menyebabkan orang mengatribusikan perubahan harga saham dengan berita tersebut. Akibatnya prediksi yang diiakukan menjadi anti- regresif.Di Fonzo & Bordia (1997) menemukan jika berita itu diberi label rumor akan menghasilkan efek yang sama. Rumor menyebabkan prediksi yang anti regresif. Penelitian ini memodifikasi penelitian Di Fonzo & Bordia (1997) dan mencoba untuk mengetahui manakah bentuk informasi yang paling berpengaruh dalam penggunaan prediksi regresif. Diajukan pemikiran bahwa nomor akan memberikan pengaruh yang paling besar terhadap penggunaan prediksi regresif menjadi prediksi yang anti regresif.Penelitian ini menggunakan meiode simulasi komputer, dimana satu orang partisipan menghadapi sebuah komputer. Yang akan dilihat adalah besarnya koefisien tracking (tc) yang dipergunakan sebagai acuan untuk mengukur besarnya prediksi regresif yang dilakukan. Hasil kemudian dianalisis menggunakan metode Anova kemudian dilakukan analisa Contrast.Dari 4 hipotesa yang didirikan, 1 hipotesa diterima dan 3 hipotesa Iainnya ditolak. Penelitian ini menunjukkan bahwa informasi (baik dalam bentuk Berita, Rumor yang dipublikasikan serta Rumor) memberikan pengaruh terhadap penggunaan prediksi partisipan sehingga prediksi yang digunakan berubah dan regresif menjadi anti-regresif. Berita memberikan pengaruh yang paling kecil terhadap penggunaan prediksi regresif dibandingkan Rumor (baik yang dipublikasikan maupun tidak dipublikasikan). memberi pengaruh yang terbesar terhadap perubahan penggunaan prediksi regresif menjadi anti-regresif.Saran-saran yang diberikan mencakup saran-saran untuk penelitian selanjutnya, terutama dalam mengembangkan bidang psikologl ekonomi. Untuk pelaku pasar modal dapat diberikan masukan bahwa informasi apapun bentuknya sekalipun itu rumor tetap akan diproses dalam kognisi manusia. Sehingga informasi tersebut akan mempengaruhi keputusan seseorang dalam berinvestasi."

"Estimasi jarak episentrum gempa bumi merupakan proses yang penting dalam analisis seismik. Secara khusus, jarak episentrum merupakan salah satu parameter dasar dalam analisis gempa bumi yang berperan penting dalam sistem peringatan dini tsunami. Penelitian ini membahas tantangan dalam memperkirakan jarak episentrum dengan menggunakan data minimal dari stasiun tunggal, yang bertujuan untuk menyederhanakan proses tersebut untuk lingkungan dengan cakupan jaringan seismik yang terbatas. Pada penelitian ini, penulis mengusulkan model deep learning baru sebagai metode estimasi berdasarkan blok residual dengan memanfaatkan data dari stasiun tunggal dengan variasi input 3 saluran (ENZ), 2 saluran (EN), 1 saluran (Z) dan menghitung amplitudo absolut maksimum dari input gelombang sebagai input tambahan untuk meningkatkan keakuratan estimasi jarak episentrum. Model yang dikembangkan didasarkan pada arsitektur Convolutional Recurrent Neural Network (CRNN) untuk ekstraksi fitur spasial dan temporal dengan time window 1 menit dan berdasarkan dataset seismik akselerometer dari KiK-net, Jepang. Hasil estimasi jarak episentrum dari model FELINN yang baru dirancang mencapai Mean Absolute Error (MAE) sebesar 8,16 km dan standar deviasi sebesar 14,25 km, yang menunjukkan hasil terbaik dibandingkan dengan model-model yang sudah ada seperti CRNN dan Deeper CRNN. Model FELINN, dengan menggunakan arsitektur residual dan input amplitudo absolut maksimum tambahan, mencapai akurasi tertinggi dalam estimasi jarak episentrum di antara model-model yang diuji, terutama dengan konfigurasi tiga saluran (ENZ), dengan R2 = 0,89 dan MAE = 8,16 km. Mengintegrasikan saluran vertikal dan horizontal serta menambahkan blok residu dapat mengoptimalkan kinerja model, dan penelitian di masa depan dapat meningkatkan kemampuan generalisasi dengan menggunakan dataset yang beragam dan mengevaluasi ketahanan dalam berbagai tingkat noise.

---

Estimating the epicentral distance of an earthquake is an important process in seismic analysis. In particular, epicentral distance is one of the basic parameters in earthquake analysis that plays an important role for tsunami warning systems. This study addresses the challenge of estimating epicentral distance using minimal data from a single station, aiming to streamline the process for environments with limited seismic network coverage. In this study, the author propose a new deep learning model as an estimation method based on residual block by utilizing data from a single station with input variations of 3 channels (ENZ), 2 channels (EN), 1 channel (Z) and calculating the maximum absolute amplitude of the wave input as an auxiliary input to improve the accuracy of epicentral distance estimation. The developed model is based on the Convolutional Recurrent Neural Network (CRNN) architecture for spatial and temporal feature extraction with a time window of 1 minute and based on accelerometer seismic dataset from KiK-net, Japan. The epicenter distance estimation results from the newly-designed FELINN model achieved a Mean Absolute Error (MAE) of 8.16 km and a standard deviation of 14.25 km, showing the best results compared to existing models such as CRNN and Deeper CRNN. The FELINN model, using a residual architecture and an auxiliary maximum absolute amplitude input, achieved the highest accuracy in epicentral distance estimation among tested models, especially with the three-channel (ENZ) configuration, achieving R2 = 0.89 and MAE = 8.16 km. Integrating both vertical and horizontal channels and adding residual blocks optimized model performance, and future work could enhance generalizability by using diverse datasets and evaluating robustness under varying noise levels."