Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pembelajaran mesin telah mengubah berbagai industri dan aplikasi secara mendasar, membuka era baru dalam pemanfaatan data. Kemampuannya dalam mengenali pola dan menganalisis informasi dari data besar telah menciptakan revolusi dalam berbagai bidang. Namun, seiring dengan pertumbuhan cepat dalam ranah machine learning, model-model yang semakin berkembang menjadi lebih besar dan kompleks, yang pada akhirnya meningkatkan tantangan dalam proses pelatihan dan manajemennya. Hal ini menghadirkan tantangan tersendiri dalam implementasi operasi pembelajaran mesin dalam skala besar. Untuk memenuhi Service Level Objective (SLO) sebuah perusahaan, diperlukan algoritma penjadwalan (scheduling algorithm) yang mampu mempercepat proses tersebut. Selain itu, untuk mengukur efektivitas algoritma scheduling, diperlukan pengujian yang komprehensif. Dalam konteks ini, teknik chaos engineering mampu menguji seberapa baik sistem yang telah dibangun beserta algoritma penjadwalan yang diterapkan.

---

Machine learning has fundamentally transformed various industries and applications, ushering in a new era in data utilization. Its ability to recognize patterns and analyze information from large datasets has revolutionized numerous fields. However, with the rapid growth in the realm of machine learning, increasingly complex and larger models pose challenges in their training and management processes. This presents unique challenges in implementing MLOps on a large scale. To meet a company's Service Level Objective (SLO), a scheduling algorithm capable of expediting these processes is required. Moreover, comprehensive testing is necessary to measure the effectiveness of the scheduling algorithm. In this context, chaos engineering can assess the system's efficacy alongside the applied scheduling algorithm."

"Pembelajaran mesin telah mengubah berbagai industri dan aplikasi secara mendasar, membuka era baru dalam pemanfaatan data. Kemampuannya dalam mengenali pola dan menganalisis informasi dari data besar telah menciptakan revolusi dalam berbagai bidang. Namun, seiring dengan pertumbuhan cepat dalam ranah machine learning, model-model yang semakin berkembang menjadi lebih besar dan kompleks, yang pada akhirnya meningkatkan tantangan dalam proses pelatihan dan manajemennya. Hal ini menghadirkan tantangan tersendiri dalam implementasi operasi pembelajaran mesin dalam skala besar. Untuk memenuhi Service Level Objective (SLO) sebuah perusahaan, diperlukan algoritma penjadwalan (scheduling algorithm) yang mampu mempercepat proses tersebut. Selain itu, untuk mengukur efektivitas algoritma scheduling, diperlukan pengujian yang komprehensif. Dalam konteks ini, teknik chaos engineering mampu menguji seberapa baik sistem yang telah dibangun beserta algoritma penjadwalan yang diterapkan.

---

Machine learning has fundamentally transformed various industries and applications, ushering in a new era in data utilization. Its ability to recognize patterns and analyze information from large datasets has revolutionized numerous fields. However, with the rapid growth in the realm of machine learning, increasingly complex and larger models pose challenges in their training and management processes. This presents unique challenges in implementing MLOps on a large scale. To meet a company's Service Level Objective (SLO), a scheduling algorithm capable of expediting these processes is required. Moreover, comprehensive testing is necessary to measure the effectiveness of the scheduling algorithm. In this context, chaos engineering can assess the system's efficacy alongside the applied scheduling algorithm."

"Rancang campur beton merupakan proses bertahap dan kompleks untuk mencoba menemukan komposisi bahan terbaik guna menghasilkan beton dengan performa terbaik. Kuat tekan beton merupakan sifat terpenting dalam kualitas beton dibandingkan sifat-sifat lain. Dalam proses pembuatannya, banyak variabel terutama jumlah komposisi material penyusun yang dapat memengaruhi kuat tekan beton. Terdapat beberapa metode konvensional dalam memprediksi beton yang terkadang memberikan hasil prediksi lebih atau kurang dari kuat tekan yang ditargetkan. Diperlukan metode yang akurat dalam memprediksi kuat tekan beton agar dapat memberikan keuntungan secara signifikan terhadap penggunaan bahan. Oleh karena itu, penelitian ini menggunakan Deep Neural Network (DNN) sebagai subbidang dari Machine Learning (ML) dan Artificial Intelligence (AI), untuk memprediksi kuat tekan beton berdasarkan komposisi campuran dan properti materialnya. Penelitian ini menghasilkan formula matematika berupa persamaan yang dihasilkan dari model DNN terbaik dengan melihat aspek error model dan grafik model loss. Terdapat total 2048 model yang dianalisis dengan variasi jumlah variabel input (feature) yang berbeda-beda. Model 280 pada kasus 1 dan model 23 pada kasus 5 merupakan model terbaik yang dihasilkan penelitian ini, dengan masing-masing nilai error model 43,8028 dan 5778,5850 untuk Mean Squared Error (MSE) serta 5,0073 dan 59,8225 Maen Absolute Error (MAE).

---

Concrete mix design is a gradual and complex process of trying to find the best ingredient composition to produce the best performing concrete. The compressive strength of concrete is the most important property in concrete quality compared to other properties. In the manufacturing process, many variables, especially the amount of material composition, can affect the compressive strength of concrete. There are several conventional methods of predicting concrete that sometimes give predictive results more or less than the targeted compressive strength. An accurate method of predicting the compressive strength of concrete is needed in order to significantly benefit the use of materials. Therefore, this research utilizes Deep Neural Network (DNN), a subfield of Machine Learning (ML) and Artificial Intelligence (AI), to predict the compressive strength of concrete based on its mix composition and material properties. This research produces mathematical formulas in the form of equations generated from the best DNN model by looking at the aspects of model error and model loss graphs. There are a total of 2048 models analyzed with different variations in the number of input variables (features). Model 280 in case 1 and model 23 in case 5 are the best models produced by this study, with model error values of 43.8028 and 5778.5850 for Mean Squared Error (MSE) and 5.0073 and 59.8225 Maen Absolute Error (MAE), respectively."

"

Perkembangan teknologi pemrosesan ucapan sangat pesat akhir-akhir ini. Namun, fokus penelitian dalam Bahasa Indonesia masih terbilang sedikit, walaupun manfaat dan benefit yang dapat diperoleh sangat banyak dari pengembangan tersebut. Hal tersebut yang melatarbelakangi dilakukan penelitian ini. Pada penelitian ini digunakan model transfer learning (Inception dan ResNet) dan CNN untuk melakukan prediksi emosi terhadap suara manusia berbahasa Indonesia. Kumpulan data yang digunakan dalam penelitian ini, diperoleh dari berbagai film dalam Bahasa Indonesia. Film-film tersebut dipotong menjadi potongan yang lebih kecil dan dilakukan dua metode ekstraksi fitur dari potongan audio tersebut. Ekstraksi fitur yang digunakan adalah Mel-Spectrogram dan MelFrequency Cepstral Coefficient (MFCC). Data yang diperoleh dari kedua ekstraksi fitur tersebut dilatih pada tiga model yang digunakan (Inception, ResNet, serta CNN). Dari percobaan yang telah dilakukan, didapatkan bahwa model ResNet memiliki performa yang lebih baik dibanding Inception dan CNN, dengan rata-rata akurasi 49%. Pelatihan model menggunakan hyperparameter dengan batch size sebesar 16 dan dropout (0,2 untuk Mel-Spectrogram dan 0,4 untuk MFCC) demi mendapatkan performa terbaik.

---

Speech processing technology advancement has been snowballing for these several years. Nevertheless, research in the Indonesian language can be counted to be little compared to other technology research. Because of that, this research was done. In this research, the transfer learning models, focused on Inception and ResNet, were used to do the speech emotion recognition prediction based on human speech in the Indonesian language. The dataset that is used in this research was collected manually from several films and movies in Indonesian. The films were cut into several smaller parts and were extracted using the Mel-Spectrogram and Mel-frequency Cepstrum Coefficient (MFCC) feature extraction. The data, which is consist of the picture of Mel-spectrogram and MFCC, was trained on the models followed by testing. Based on the experiments done, the ResNet model has better accuracy and performance compared to the Inception and simple CNN, with 49% of accuracy. The experiments also showed that the best hyperparameter for this type of training is 16 batch size, 0.2 dropout sizes for Mel-spectrogram feature extraction, and 0.4 dropout sizes for MFCC to get the best performance out of the model used.

"

"Bejana tekan merupakan peralatan yang sebagai penampung fluida cair maupun gas dengan temperatur yang memiliki perbedaan dengan lingkungan yang ada di sekitarnya yang memiliki kemungkinan kegagalan yang tinggi yang dapat berpengaruh pada banyak faktor. Kegagalan bejana tekan dapat disebabkan karena adanya fenomena korosi seragam yang menyebabkan keluarnya fluida berbahaya dari peralatan yang memiliki tekanan karena adanya penipisan pada dinding bejana tekan. Hal ini dapat dihindari dengan melakukan inspeksi menggunakan risk-based inspection (RBI) yang mampu meningkatkan keamanan bejana tekan berbasis risiko yang dilakukan pada suatu peralatan berdasarkan prioritas risiko yang mempermudah dalam melakukan inspeksi dengan memperhatikan Probability of Failure dan Consequence of Failure. Salah satu metode untuk menganalisis risiko pada bejana tekan adalah dengan menggunakan metode pembelajaran mesin berbasis deep learning yang akan mengembangkan model penilaian risiko kegagalan bejana tekan minyak dan gas akibat korosi seragam yang dapat mempersingkat waktu, meningkatkan akurasi, efisien dalam melakukan pengolahan data, serta lebih lebih hemat biaya dengan menawarkan akurasi perhitungan yang tinggi. Penelitian menghasilkan program prediksi risiko bejana tekan dengan menggunakan klasifikasi pembelajaran mesin berbasis deep learning untuk memprediksi kegagalan pada peralatan bejana tekan akibat korosi seragam dengan menggunakan metode Risk Based Inspection dengan beberapa parameter model seperti random state senilai 25, learning rate sebesar 0.001, dengan layer berjumlah 3 dan dense 64,32,16, test size sebesar 20% dan batch size sebesar 32, dan epoch dengan nilai 150 menghasilkan akurasi model sebesar 93% yang didapatkan dari validasi confusion matrix. Nilai akurasi 93% bersumber dari 300 data yang didapatkan dari pembuatan dataset dengan berlandaskan standard API RBI 581.

---

A pressure vessel is an equipment that acts as a container for a liquid or gas with a different temperature from the surrounding environment, a high probability of failure, which can affect many factors. Pressure vessel failure can be caused by uniform corrosion, causing the dangerous liquid to be discharged from the pressure vessel due to thinning the pressure vessel wall. Pressure vessel failure can prevent failure by performing Risk Based Inspection (RBI), improving the safety and reliability of pressure vessels based on the risk performed on the equipment are based on risk priority. RBI facilitates the execution of tests that consider the probability of failure and the consequences of failure. One risk analysis method in pressure vessels is to use deep learning based machine learning to develop a failure risk assessment of pressure vessels due to uniform corrosion. This method can shorten the time, increase accuracy, be efficient in data processing, and be more cost-effective by offering high calculation accuracy. In this study, a risk prediction program of a pressure vessel is completed using a deep learning based machine learning classification to predict failure of pressure vessel using the Risk based Inspection method. This program which obtained the following model parameters such as random state of 25, a learning rate of 0.001, with three layers and dense 64,32,16, test size of 20% and batch size of 32, and an epoch with a value of 150, resulted in a model accuracy of 93% obtained from the validation of the confusion matrix. Program with accuracy of 93% comes from 300 dataset based on the RBI 581 API standard."

"Penelitian ini bertujuan untuk meningkatkan prediksi time series pada jaringan seluler dengan memasukkan variabel lagged ke dalam model peramalan yang berbeda. Penelitian ini berfokus pada memprediksi Total Traffic Volume (Payload) pada jaringan seluler menggunakan model statistik dan machine learning. Teknik feature engineering melibatkan pemilihan variabel lagged, termasuk beban PRB, CQI, dan pengguna RRC, bersama dengan variabel waktu. Model yang memasukkan variabel lagged tambahan, yaitu SARIMAX, LSTM Multi, dan SVR Multi, memiliki performa lebih baik daripada model sebanding univariat tambahan, dengan hasil RMSE yang lebih rendah, MAE yang lebih rendah, dan nilai R-squared yang lebih tinggi. Penelitian ini menekankan pentingnya memasukkan variabel lagged dan menghitung peningkatan akurasi peramalan pada model multi-variabel dibandingkan dengan model variabel tunggal. Temuan ini berkontribusi pada pemahaman tentang peramalan time series pada jaringan seluler dan memberikan panduan untuk prediksi traffic volume yang akurat.

---

This research aims to improve time series prediction in cellular networks by incorporating lagged variables into different forecasting models. The study focuses on predicting the Total Traffic Volume (Payload) in cellular networks using statistical and machine learning models. Feature engineering involves selecting lagged variables, including PRB load, CQI, and RRC users, along with time variables. The models incorporating additional lagged variables, namely SARIMAX, LSTM Multi, and SVR Multi, outperform their counterparts without additional variables, resulting in lower RMSE, MAE, and higher R-squared values. The study highlights the importance of incorporating lagged variable and calculates the improvement of forecasting accuracy at multi-variable models compared to single variable models. These findings contribute to the understanding of time series forecasting in cellular networks and provide insights for accurate traffic volume prediction."

"Kecelakaan lalu lintas merupakan masalah yang harus dihadapi dengan serius. Salah satu faktor yang menjadi penyebab terjadinya kecelakaan lalu lintas adalah kondisi kantuk dan kelelahan yang dialami oleh pengemudi. Seringkali pengemudi mengabaikan kondisi kantuk tersebut, namun hal itulah yang menyebabkan terjadinya kecelakaan akibat kelelahan. Salah satu indikator yang dapat diamati untuk mengetahui kondisi pengemudi adalah dengan melihat kondisi mata pengemudi. Dalam kondisi lelah, mata pengemudi akan berkedip dengan frekuensi yang lebih cepat dan sesekali akan memejamkan mata dengan rentang waktu yang lebih lama. Penelitian ini bertujuan untuk mengembangkan sebuah sistem yang dapat mengidentifikasi kondisi mata pengemudi, apakah mata pengemudi tersebut terbuka atau terpejam. Sistem yang dikembangkan dalam penelitian ini akan menggunakan teknologi deep learning dengan arsitektur MobileNet. Sistem akan diaplikasikan menggunakan divais yang kecil, yaitu Raspberry Pi, sehingga dapat digunakan dalam mobil.Penelitian ini menggunakan dataset “MRL Eye Dataset” yang terdiri atas ribuan gambar mata dari puluhan subjek, dengan keadaan mata tertutup dan terbuka. Dataset tersebut kemudian digunakan untuk melatih model deep learning yang akan digunakan untuk melakukan klasifikasi kondisi mata pengemudi.Hasil dari pengujian pada penelitian ini menunjukkan bahwa arsitektur Deep Learning MobileNetV1 dapat diaplikasikan dengan divais yang memiliki spesifikasi rendah seperti Raspberry Pi dan memiliki performa yang baik. Hasil penelitian ini juga menunjukkan adanya pengaruh intensitas cahaya serta penggunaan kacamata terhadap klasifikasi kondisi mata pengemudi oleh algoritma deep learning.Penelitian ini diharapkan dapat memberikan kontribusi dalam perkembangan penggunaan deep learning untuk meningkatkan keselamatan dalam berlalulintas, serta membuka ruang bagi penelitian yang akan datang terkait deep learning.

---

Traffic accidents are a serious issue that must be addressed with great concern. One of the factors contributing to traffic accidents is the condition of fatigue and drowsiness experienced by drivers. Often, drivers tend to overlook their drowsy state, but this is a leading cause of accidents due to fatigue. One observable indicator of a driver's condition is the state of their eyes. In a fatigued state, a driver's eyes tend to blink at a faster rate, and occasionally, they may close their eyes for a longer duration. This research aims to develop a system capable of identifying the condition of a driver's eyes, whether they are open or closed.

The system developed in this research utilizes deep learning technology with the MobileNet architecture. The research implements the system on a small device, specifically the Raspberry Pi, making it applicable for use in vehicles. The study utilizes the "MRL Eye Dataset," consisting of thousands of images of open and closed eyes from multiple subjects, to train the deep learning model for classifying the driver's eye conditions.

The results of the research indicate that the Deep Learning MobileNetV1 architecture can be applied successfully on low-spec devices such as the Raspberry Pi, demonstrating good performance. The study also reveals the influence of light intensity and the use of glasses on the classification of driver eye conditions by the deep learning algorithm.

This research is expected to contribute to the advancement of utilizing deep learning to enhance traffic safety and pave the way for future research in the field of deep learning. "

"Katarak merupakan salah satu jenis kelainan mata yang menyebabkan lensa mata menjadi berselaput dengan pandangan berawan, sehingga memungkinkan untuk mengalami kebutaan total. Penderita katarak dapat disembuhkan dengan operasi setelah sebelumnya dilakukan computed tomography (CT) scan dan magnetic resonance imaging (MRI) sebagai metode untuk mendapatkan citra digital mata. Namun, penggunaan metode ini tidak selalu memungkinkan, terutama untuk fasilitas kesehatan di negara berkembang, karena kurangnya rumah sakit atau klinik mata yang menyediakan fasilitas berteknologi lengkap. Penelitian ini bertujuan untuk membantu proses analisis citra mata agar lebih cepat dan akurat dengan menggunakan model deep learning untuk memprediksi mata katarak menggunakan arsitektur CNN dengan terlebih dahulu menganalisis performa model dan membandingkan akurasi/loss model dengan penelitian sebelumnya. Metode perancangan model deep learning ini dilakukan dimulai dari preprocessing, membangun arsitektur model, proses training, dan diakhiri dnegan evaluasi hasil model dengan mengguakan confusion matrix dan classification report. Dari perancangan ini, didapatkan hasil validasi akurasi model sebesar 92.97% dan hasil validasi loss 0.1539. Dari model yang penulis buat dihasilkan model deep learning dengan nilai evaluasi pendeteksian mata katarak dengan presisi 94.30%, recall 97.47%, dan f-1 score 95.85%. Hasil dari penelitian ini menunjukkan bahwa model yang penulis rancang telah dapat memprediksi gambar penyakit katarak dengan akurasi diatas 80 % dengan loss dibawah 30 % dengan hasil presisi, recall, dan f-1 score >90% dan menunjukkan tingkat overfitting yang minimal.

---

Cataract is an eye condition in which the lens of the eye becomes webbed and cloudy, resulting in total blindness. Cataract patients can be cured through surgery after undergoing computed tomography (CT) scans and magnetic resonance imaging (MRI) to obtain digital images of the eyes. However, due to a lack of hospitals or eye clinics that provide complete technology facilities, this method is not always feasible, particularly for health facilities in developing countries, particularly in Indonesia. By first examining the model's performance and comparing the model's accuracy/loss with prior research, this study intends to make the eye image analysis process faster and more accurate by employing a deep learning model to predict cataracts using the CNN architecture. Starting with preprocessing, designing the model architecture, training, and finally evaluating the model outcomes using a confusion matrix and classification report, this deep learning model design technique is followed. The model accuracy validation results from this design are 92.97 % and the loss validation results are 0.1539. A deep learning model with an evaluation value of cataract eye detection with a precision of 94.30 %, recall of 97.47 %, and an f-1 score of 95.85 % was produced from the author's model. According to the findings of this study, the author's model can predict cataract images with an accuracy of more than 80%, a loss of less than 30%, precision, recall, and f-1 score greater than 90%, and minimal overfitting.

"

"Tenaga kerja kesehatan pada masa pandemi bekerja sebagai garda terdepan yang memiliki resiko tertinggi tertular virus corona. Sampai pada hari ini, perawatan dan pemeriksaan kondisi vital pasien COVID-19 masih banyak dilakukan dengan kontak langsung minimal sebanyak empat kali dalam sehari. Hal ini berisiko meningkatkan penyebaran virus hingga menurunkan jumlah tenaga kerja kesehatan. Sampai pada saat ini, hampir seluruh rumah sakit masih menggunakan sphygmomanometer tradisional dengan cuff yang membutuhkan bantuan tenaga medis ataupun tanpa bantuan, namun pengukuran dilakukan secara invasif. Oleh karena itu, dibutuhkan suatu alat yang dapat memonitor kondisi vital pasien tanpa kontak langsung terutama dalam mengukur tekanan darah dan bersifat noninvasif. Penelitian ini bertujuan untuk membuat suatu algoritma pengolahan sinyal plethysmography berbasis ekstraksi fitur dan machine learning untuk prediksi tekanan darah. Dengan menggunakan sensor MAX30102 dan ESP32, sinyal PPG yang didapat dari jari akan dilakukan pre-processing dengan menenerapkan baseline fitting, kemudian deteksi puncak, hingga empat fitur utama sinyal PPG, yaitu systolic peak, diastolic peak, dicrotic notch, dan foot dapat diekstrak. Data ekstraksi fitur sinyal PPG secara ­real-time ini digabungkan menjadi satu dataset dan dimasukkan ke dalam machine learning untuk diprediksi nilai tekanan darahnya. Evaluasi hasil prediksi tekanan darah menunjukkan nilai Mean Absolute Error yang kecil, yaitu 1,56/2,35 yang masih diterima oleh standar ISO 81060-2:2013 sehingga dapat dijadikan fundamental untuk sistem pengukuran tekanan darah noninvasif.

---

Health workers during the pandemic act as the frontliner who have the highest risk of contracting the coronavirus. Most of the treatment and examination of the vital condition of COVID-19 patients is carried out with direct contact at least four times a day. This increases the risk of virus spreading, moreover reducing the number of health workers. To date, almost all hospitals still require medical assistance to measure blood pressure using the traditional cuff sphygmomanometer or without assistance however, the measurements are carried out invasively. Therefore, a device that can monitor the patient's vital condition without direct contact, especially in measuring blood pressure and non-invasive is needed. This thesis aims to develop a plethysmography signal processing algorithm based on feature extraction and machine learning for blood pressure prediction. By using the MAX30102 and ESP32 sensors, the PPG signal obtained from the finger will be preprocessed by applying a baseline fitting and peak detection, thus the four main features of the PPG signal, namely systolic peak, diastolic peak, dicrotic notch, and foot can be extracted. This real-time PPG signal feature extraction data is then combined into a single dataset and by using machine learning, blood pressure values are predicted. Evaluation of the blood pressure predictions shows a small Mean Absolute Error value, 1.56/2.35 which meets the ISO 81060-2:2013 standard. Hence, the results demonstrate the applicability of the proposed algorithm in predicting blood pressure and can be developed as a noninvasive real-time blood pressure measurement system in the future."

"Legal reasoning merupakan metode yang digunakan untuk menerapkan aturan atau Undang-Undang terhadap fakta yang dimiliki dengan tujuan untuk memperoleh argumentasi hukum. Salah satu metode legal reasoning adalah dengan penalaran induktif, yaitu didasarkan pada kasus-kasus terdahulu. Mahkamah Agung di Indonesia melalui situs Direktori Putusan Pengadilan, yang menyediakan dokumen hasil proses pengadilan yang saat ini menampung jumlah dokumen yang sangat besar. Kumpulan dokumen tersebut dapat dimanfaatkan untuk melakukan aktivitas legal reasoning, seperti klasifikasi jenis tindak pidana (criminal offense). Pada penelitian ini, penulis mengusulkan metode deep learning untuk mengklasifikasikan jenis tindak pidana. Hal ini dapat berguna untuk memberikan efisiensi dan referensi kepada praktisi hukum maupun memudahkan masyarakat untuk memahami dasar hukum dari suatu kasus. Secara spesifik, salah satu rancangan model yang diusulkan adalah dengan penerapan model LEAM (Label Embedding Attentive Model) dengan penambahan sejumlah keyword pada label embedding. Model ini secara konsisten memberikan performa yang baik dalam eksperimen, termasuk pada imbalanced dataset dengan perolehan f1-score 68%.

---

Legal reasoning is a sequence of activities to identify law rules and obtain legal arguments. One of the method in legal reasoning is by using inductive reasoning, which analyzes previous decided cases. Indonesia’s Supreme Court stores the court decision documents online in a large sum. These collections can be utilized to perform legal reasoning, where in this research we focus on the classification of criminal offense. We performed pre-processing tasks including conversion of document to text and cleaning text. We then compared deep learning models, such as LSTM, BiLSTM, CNN+LSTM, and LEAM (Label Embedding Attentive Model). Instead of using only the label name in LEAM, we also carried out experiments by adding related keywords for each label. The LEAM model with additional keywords obtained the best result in an imbalanced dataset with 68% macro average f1-score."