Hasil Pencarian  ::  Simpan CSV :: Kembali

"Durasi pemeliharaan merupakan hal yang penting dalam kegiatan dry docking kapal. Estimasi durasi pemeliharaan diperlukan untuk membuat jadwal pemeliharaan kapal pada suatu galangan. Sayangnya saat ini pihak galangan belum mempunyai standar yang baku dalam mengestimasi durasi pemeliharaan kapal. Penelitian ini bertujuan untuk memperoleh model matematis estimasi durasi pemeliharaan kapal dry docking menggunakan Artificial Neural Network dan Genetic Algorithm. Dengan melihat volume dan jenis pekerjaan dry docking sebagai input, diperoleh model estimasi durasi dengan nilai rata-rata error 5.12 hari. Hasil estimasi kemudian dibandingkan dengan metode Neural Network standar dan metode Decision Tree-Genetic Algorithm-Neural network. Hasil penelitian menunjukkan bahwa metode Decision Tree-Genetic Algorithm-Neural network mempunyai nilai estimasi yang lebih akurat dibandingkan dengan kedua metode lainnya.

---

Maintenance time duration is an important things in ship dry docking activities. Estimating the time duration is necessary for ship schedule arranging in dock. Unfortunately, the dock company doesn’t have a standard procedure in estimating ship maintenance duration. The purpose of this research is to get mathematic model of dry docking maintenance duration estimation using Artificial Neural Network and Genetic Algorithm. By considering the job volume and type as input variable, the research get estimation model with root mean square error (RMSE) 5.12 day. Then, the estimation result is compared with traditional Neural network and Decision Tree-Genetic Algorithm-Neural network method. The result shows that Decision Tree-Genetic Algorithm-Neural network is more accurate in estimating the ship maintenance duration than the other two methods."

"ABSTRAKKondisi cuaca merupakan faktor yang signifikan untuk berbagai sektor seperti keselamatan transportasi, pembangunan, kesehatan dan lain-lain oleh karena itu dibutuhkan akurasi yang tinggi dalam melakukan peramalan keadaan cuaca kedepannya. Banyak cara yang digunakan untuk memprakirakan kondisi cuaca, seiring berkembangnya teknologi, prakiraan Hujan dapat dilakukan dengan menggunakan teknologi Artificial Intelligence (AI) atau kecerdasan buatan sehingga hasil yang diperoleh lebih optimal. Dalam penelitian ini, jaringan saraf tiruan yang digunakan memiliki algoritma feedforward neural network dengan data pelatihan berupa suhu, tekanan udara, kelembaban udara, titik embun, kecepatan angin tiap 3 (tiga) jam di Stasiun pengamatan BMKG di Jawa Timur dari tahun 2019 dengan target adalah intensitas curah hujan. Data pelatihan dilakukan pada periode 1 Januari 2019 sampai 28 Februari 2019 dan selanjutnya, data diuji pada periode 1 sampai 31 Maret 2019. Berdasarkan hasil analisis, model Jaringan Saraf Tiruan memiliki performa yang cukup baik dalam prakiraan intensitas curah hujan di Jawa Timur. Model terbaik ditunjukkan oleh model dengan arsitektur 7-60-1 dengan tingkat korelasi yang dihasilkan sebesar 0,87 dengan nilai error sebesar -0.03 serta akurasi 76 persen dengan lokasi penelitian di Stasiun Meteorologi Bawean. Dengan adanya model ini, diharapkan dapat menjadi salah satu pertimbangan forecaster dalam membuat prakiraan hujan khususnya prakiraan jangka pendek dengan interval tiap 3 (tiga) jam.

---

ABSTRACTWeather conditions are a significant factor for various sectors such as transportation safety, development, health, etc. Therefore, high accuracy is needed in forecasting future weather conditions. Many methods are used to predict weather conditions, as technology develops, Rain forecast can be made using Artificial Intelligence (AI) technology so that the results obtained are more optimal. In this study, the artificial neural network used has a feedforward neural network algorithm with training data in the form of temperature, air pressure, humidity, dew point, wind speed every 3 (three) hours at the BMKG observation station in East Java from 2019 with the target being rainfall intensity. The training data was conducted in the period January 1 2019 to February 28 2019 and subsequently, the data were tested in the period 1 to 31 March 2019. Based on the results of the analysis, the Artificial Neural Network model performed reasonably well in the forecast of rainfall intensity in East Java. The best model is shown by a model with 7-60-1 architecture with a resulting correlation level of 0,87 with an error value of -0.03 and an accuracy of 76 percent with the research location at the Bawean Meteorological Station. With this model, it is expected to become one of the forecaster considerations in making rain forecasts, especially short-term forecasts at intervals of every 3 (three) hours."

"Perencanaan persediaan material pesawat adalah aspek penting dalam proses perawatan pesawat, guna meningkatkan efisiensi dan mengurangi biaya penyimpanan, perusahaan perlu melakukan peramalan berdasarkan data historis permintaan material. Studi ini diawali dengan klasifikasi material menggunakan sistem klasifikasi FSN, dimana 14 material penting teridentifikasi dalam kategori F. Selanjutnya, analisis permintaan terhadap 14 material tersebut menunjukkan bahwa semua memiliki karakteristik permintaan intermiten, yang merupakan tantangan dalam peramalan. Dalam upaya mengatasi tantangan ini, penelitian membandingkan beberapa metode peramalan yaitu Moving Average, Exponential Smoothing, Syntetos-Boylan Approximation (SBA), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU). Hasil analisis menunjukkan bahwa metode berbasis Recurrent Neural Network (RNN), khususnya LSTM dan GRU, memberikan akurasi peramalan yang paling baik dibandingkan dengan metode lainnya. Hal ini menegaskan keefektifan Artificial Neural Network, khususnya arsitektur RNN, dalam menghadapi tantangan peramalan untuk permintaan material intermiten.

---

Aircraft material inventory planning is an important aspect in the aircraft maintenance process. In order to increase efficiency and reduce storage costs, companies need to forecast based on historical material demand data. This study begins with material classification using the FSN classification system, where 14 important materials are identified in category F. Furthermore, demand analysis for these 14 materials shows that all of them have intermittent demand characteristics, which is a challenge in forecasting. In an effort to overcome this challenge, research compares several forecasting methods, namely Moving Average, Exponential Smoothing, Syntetos-Boylan Approximation (SBA), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU). The analysis results show that Recurrent Neural Network (RNN) based methods, especially LSTM and GRU, provide the best forecasting accuracy compared to other methods. This confirms the effectiveness of Artificial Neural Networks, especially RNN architectures, in dealing with forecasting challenges for intermittent material demand."

"Sistem deteksi aritmia otomatis sangat diperlukan karena keterbatsan dokter spesialis jantung di Indinesia. Paper ini akan mendiskusikan secara lengkap tentang studi dan implementasi dari sistem tersebut. Kami menggunakan berbagai macam metode pengolahan sinyal untuk mengenali aritmia berdasarkan sinyal ekg. Bagian utama dari sistem adalah klasifikasi. Kami menggukanakn jaringan syaraf tiruan berbasis LVQ yang meliputi LVQ1, LVQ2, LVQ2.1, FNLVQ, FNLVQ MSA, FNLVQ-PSO, GLVQ dan FNGLVQ. Hasil eksperimen menunjukkan untuk data non round robin tingkat akurasi sistem mencapai 94.07%, 92.54%, 88.09% , 86.55% , 83.66%, 82.29 %, 82.25%, dan 74.62%d berturut-turut untuk FNGLVQ, FNLVQ-PSO, GLVQ, LVQ2.1, FNLVQ-MSA, LVQ2, FNLVQ dan LVQ1. Sedangkan untuk data round robin tingkat akurasi sistem mencapai 98.12%, 98.04%, 94.31%, 90.43%, 86.75%, 86.12 %, 84.50%, dan 74.78% berturut-turut untuk GLVQ, LVQ2.1, FNGLVQ, FNLVQ-PSO, LVQ2, FNLVQ-MSA, FNLVQ dan LVQ1.

---

An automatic Arrythmias detection system is urgently required due to small number of cardiologits in Indonesia. This paper discusses only about the study and implementation of the system. We use several kinds of signal processing methods to recognize arrythmias from ecg signal. The core of the system is classification. Our LVQ based artificial neural network classifiers based on LVQ, which includes LVQ1, LVQ2, LVQ2.1, FNLVQ, FNLVQ MSA, FNLVQ-PSO, GLVQ and FNGLVQ. Experiment result show that for non round robin dataset, the system could reach accuracy of 94.07%, 92.54%, 88.09% , 86.55% , 83.66%, 82.29 %, 82.25%, and 74.62% respectively for FNGLVQ, FNLVQ-PSO, GLVQ, LVQ2.1, FNLVQ-MSA, LVQ2, FNLVQ and LVQ1. Whereas for round robin dataset, system reached accuracy of 98.12%, 98.04%, 94.31%, 90.43%, 86.75%, 86.12 %, 84.50%, and 74.78% respectively for GLVQ, LVQ2.1, FNGLVQ, FNLVQ-PSO, LVQ2, FNLVQ-MSA, FNLVQ and LVQ1."

"Debu vulkanik merupakan partikel yang sangat berbahaya bagi aktivitas penerbangan. Objek tersebut dapat diamati secara spasial melalui pengamatan satelit. 8. Namun, satelit ini memiliki kelemahan berupa pergeseran akibat kesalahan sudut baca ketika objek yang diamati jauh dari posisi nadir satelit. Data target output debu vulkanik yang digunakan merupakan hasil interpretasi forecaster berdasarkan pengamatan satelit Terra/Aqua (MODIS) yang memiliki orbit polar sehingga pengamatan dilakukan tepat diatas objek. Algoritma sampel yang dilakukan untuk membuat model adalah dengan variasi sampel berupa data piksel tunggal dan data rata-rata piksel pada citra satelit Himawari Untuk menentukan lokasi debu vulkanik berdasarkan citra satelit, dibutuhkan interpretasi dari forecaster. Pada penelitian ini, dibuat sebuah sistem pemodelan berbasis artificial neural network untuk menghasilkan output sebaran debu vulkanik secara otomatis berdasarkan training data dari citra satelit Himawari 8. Namun, satelit ini memiliki kelemahan berupa pergeseran akibat kesalahan sudut baca ketika objek yang diamati jauh dari posisi nadir satelit. Data target output debu vulkanik yang digunakan merupakan hasil interpretasi forecaster berdasarkan pengamatan satelit Terra Aqua (MODIS) yang memiliki orbit polar sehingga pengamatan dilakukan tepat diatas objek. Algoritma sampel yang dilakukan untuk membuat model adalah dengan variasi sampel berupa data piksel tunggal dan data rata-rata piksel pada citra satelit Himawari Sedangkan variasi data input yang digunakan terdiri dari 3 input, 16 input, dan 4 input kanal satelit. Metode pengujian performa dari model dilakukan dengan melihat citra sebaran debu yang dihasilkan model yang diverifikasi di setiap titik piksel. Berdasarkan hasil penelitian, model dengan menggunakan 3 input kanal satelit dapat mendeteksi sebaran debu vulkanik dengan baik pada data training maupun testing. Untuk koreksi kesalahan paralaks satelit Himawari memiliki dampak yang cukup signifikan terhadap hasil output model. Akurasi dari output model meningkat signifikan setelah dilakukan koreksi spasial akibat kesalahan paralaks yang menghasilkan akurasi model pada saat testing mencapai 95 persen "

"Biomassa merupakan salah satu potensi energi alternatif untuk mengurangi ketergantungan penggunaan energi fosil. Indonesia memiliki potensi energi biomassa sebesar 49.810 MW yang berasal dari limbah dan tanaman. Pemanfaatan energi tersebut dapat dilakukan melalui proses gasifikasi yang mengubah biomassa menjadi gas sintetik. Salah satu metode untuk memodelkan proses tersebut adalah dengan menggunakan kecerdasan buatan atau artificial intelligence (AI). Studi literatur yang dilakukan menunjukkan bahwa metode artificial neural network (ANN) adalah pendekatan AI yang sering dipakai untuk melakukan pemodelan proses gasifikasi. Namun, ANN memiliki beberapa kekurangan dalam pemodelan dinamis yang kemudian disempurnakan melalui salah satu pengembangannya yang dinamakan recurrent neural network (RNN) yang mampu memodelkan variabel dependen terhadap waktu. Kesimpulan dari penelitian ini menyarankan agar pengembangan RNN dapat dijadikan acuan untuk membuat sistem kontrol pintar pada prototipe gasifier yang akan datang.

---

Biomass is one of the alternative energy sources to reduce the usage of fossil energy. The potential of biomass energy in Indonesia reaches 49,810 MW, which comes from organic wastes and plants. Gasification is a process to convert biomass to synthetic gas, which is one of the utilizations of biomass energy. Artificial Intelligence (AI) implemented to model the complex process of gasification. Artificial Neural Network (ANN) is a common approach in AI to model the process in the gasifier. Yet, ANN is still inferior in modeling dynamic process that leads to an improvement of ANN called recurrent neural network (RNN). The result of this study suggests that RNN could be the foundation for the development of smart control for the next prototypes."

"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."

"Sebagai negara kepulauan tropis, Indonesia menjadi salah satu negara yang terkena dampak akibat perubahan iklim cukup signifikan. Peningkatan suhu dan intensitas curah hujan yang cukup besar, dapat menyebabkan terjadinya keruntuhan lereng. Secara umum, fenomena keruntuhan lereng pada jenis tanah residual, disebabkan oleh pengaruh dari kenaikan tekanan air pori. Adapun karakteristik utama pada jenis tanah residual ialah sifat heterogenitasnya, dengan pola distribusi ukuran butir yang cukup beragam dan tidak terbatas. Tanah residual sering dijumpai pada daerah tropis, khususnya dalam kondisi tak jenuh, dengan ketinggian muka air tanah yang relatif cukup rendah. Adanya proses infiltrasi pada saat musim penghujan, maka zona tak jenuh membentuk suatu cekungan air tanah, sehingga dapat mengurangi besaran dari hisapan tanah. Sifat hidraulik tanah menjadi faktor penentu dalam memahami setiap perilaku aliran air di bawah tanah, sangat dipengaruhi oleh distribusi ukuran butirnya. Semakin kecil ukuran butir yang terkandung pada suatu jenis tanah, maka semakin tinggi kemampuannya dalam melakukan penyerapan ataupun penyimpanan air di bawah tanah. Akan tetapi, sangat berbanding terbalik terhadap kemampuan pengaliran air di bawah tanah yang cukup rendah. Oleh karena itu, penelitian ini dilakukan dengan tujuan untuk mengetahui karakteristik dari sifat hidraulik tanah residual dan sampel RCA, akibat pengaruh distribusi ukuran butir yang berbeda. Pada penelitian ini, pengukuran hisapan tanah dilakukan secara aktual dengan menggunakan alat HSPS dan Tempe Cell, secara akhir akan menghasilkan kurva karakteristik air-tanah. Adapun kurva karakteristik air-tanah beserta hasil pengujian permeabilitas jenuh, digunakan pada estimasi terhadap fungsi permeabilitas tanah, sehingga sifat hidraulik tanah dapat diketahui secara pasti dan juga spesifik.

---

As a tropical island country, Indonesia is one of the countries significantly affected by climate change. A large increase in temperature and rainfall intensity can cause slope collapse. In general, the phenomenon of slope failure in residual soil types is caused by the influence of increasing pore water pressure. The main characteristic of residual soil types is their heterogeneity, with diverse and unlimited grain size distribution patterns. Residual soil is often found in tropical areas, especially in unsaturated conditions, with relatively low groundwater levels. With the infiltration process during the rainy season, the unsaturated zone forms a perched water table, thereby reducing the amount of soil suction. Soil hydraulic properties are a determining factor in understanding the behavior of groundwater flow, which is strongly influenced by the grain size distribution. The smaller the grain size of a type of soil, the higher its ability to absorb or store groundwater. However, this is inversely proportional to the low ability of groundwater to flow. Therefore, this research was carried out with the aim of determining the characteristics of the hydraulic properties of residual soil and RCA samples, due to the influence of different grain size distributions. In this research, actual measurements of soil suction were carried out using HSPS and Tempe Cell, ultimately producing a soil – water characteristic curve. The soil – water characteristic curve and the results of the saturated permeability test are used to estimate the soil permeability function, so that the hydraulic properties of the soil can be known predictably and specifically."