Hasil Pencarian  ::  Simpan CSV :: Kembali

"Studi ini mengevaluasi kinerja seismik dari dua struktur jembatan, yaitu jembatan baja dan beton bertulang tipe Super-T, menggunakan data gempa bumi nyata. Data diproses melalui kerangka kerja berbasis Python dengan memanfaatkan pustaka ObsPy. Sebanyak lima puluh rekaman gempa dari stasiun seismik AYR State High School di Queensland dianalisis, dengan riwayat waktu percepatan yang diseragamkan dalam durasi 10 detik. Dua metrik utama diekstraksi dari setiap kejadian: percepatan spektral puncak dan durasi guncangan signifikan. Input seismik kemudian diterapkan pada arah kritis masing-masing model jembatan melalui analisis riwayat waktu menggunakan perangkat lunak SPACE GASS. Hasil menunjukkan bahwa jembatan baja mengalami perpindahan puncak yang lebih besar (43 mm) dibandingkan dengan jembatan beton Super-T (26 mm), terutama karena tinggi dan konfigurasi strukturalnya. Meskipun baja memiliki sifat daktilitas yang tinggi, jembatan Super-T menunjukkan kinerja yang lebih baik secara keseluruhan terhadap kondisi gempa nyata yang diamati. Temuan ini menekankan pentingnya geometrik struktur, durasi guncangan, dan pemodelan berbasis data dalam evaluasi kerentanan seismik.

---

This study assessed the seismic performance of two bridge structures, a steel bridge and a Super-T reinforced concrete bridge using real earthquake ground motion data. This is processed through a Python-based framework by utilising the ObsPy library. Fifty earthquake records from the AYR State High School seismic station in Queensland were analysed with acceleration time histories extracted into uniform 10-second durations. The two key metrics, peak spectral acceleration and significant shaking duration were computed for each event. Time history analysis was conducted using SPACE GASS, applying the seismic inputs in the critical direction of each bridge model. Results showed that the steel bridge experienced greater peak displacement (43 mm) than the Super-T reinforced concrete bridge (26 mm), primarily due to its height and structural configuration. Despite steel’s characteristic ductility, the concrete model demonstrated better overall performance under the real-life seismic conditions obtained from the seismic station in Queensland. The study highlights the importance of structural geometry, duration of shaking, and data-driven modelling in accurate seismic vulnerability assessments."

"Gedung auditorium adalah sebuah bangunan besar yang digunakan untuk pertemuan umum, pertunjukan dan sebagainya. Atap gedung auditorium Universitas Negeri X direncanakan menggunakan empat pasang kolom miring beton bertulang bentang panjang yang bertemu pada satu titik sehingga membentuk bangun ruang prisma (pyramid). Menurut SNI-1726-2002, lokasi bangunan yang terletak di Manado berada pada zona gempa wilayah 5 yang merupakan wilayah gempa dengan resiko tinggi. Oleh karena itu, dalam merencanakan struktur kolom miring beton bertulang bentang panjang pada bangunan tersebut, perlu kiranya mengetahui perilaku kolom tersebut terhadap beban gempa.Dari gambar arsitektur yang tersedia, dilakukan pemodelan struktur dan analisa menggunakan software komputer SAP V11.0.0 dengan memodelkan struktur menjadi empat varian. Perbedaan antar keempat kolom tersebut terletak pada penampang kolom dan jenis pengaku yang digunakan. Dari analisa diperoleh keuntungan dan kerugian masing-masing varian kolom.Jika dievaluasi berdasarkan volume beton dan luas tulangan penampang, maka varian 1 lebih menguntungkan. Jika dievaluasi berdasarkan aspek arsitektural bangunan, maka varian 1 dan varian 3 lebih menguntungkan. Jika dievaluasi berdasarkan kemudahan pengerjaan di lapangan, maka varian 1 dan varian 2 lebih menguntungkan. Jika dievaluasi berdasarkan struktur bawah yang akan digunakan, maka varian 1 dan varian 2 lebih menguntungkan. Jika dievaluasi berdasarkan lendutan puncak terkecil, maka varian 4 lebih menguntungkan. Berdasarkan semua pertimbangan tersebut, maka dipilihlah varian 1.

---

Auditorium is a large building that used for public gatherings, performances and etc. State University auditorium X's roof is planned to use four pairs of columns reinforced concrete long spans sloping that meet at one point so as to form up space pyramid. According to SNI 1726-2002, building location (Manado) is in earthquake zone region 5, which is a region of high seismic risk. That's why in planning long-span sloping reinforced concrete columns structure is important to know columns behavioral towards the earthquake loads.From the available architectural drawings, structure modeling and analysis using computer software has needed to be done to model the structure of SAP V11.0.0 into four variants. Differences between the four variants are on the column cross-section and type of bracing that used. From the analysis obtained the advantages and disadvantages of each variant column.If it evaluated based on the volume of concrete and reinforcing crosssectional area, the variant 1 is more favorable. If evaluated on the architectural aspects of buildings, variant 1 and variant 3 is more favorable. If evaluated based on ease of workmanship in the field, the variant 1 and variant 2 is more favorable. If evaluated base on the substructure to be used, variant 1 and variant 2 is more favorable. If evaluated on the smallest peak deflection, variant 4 is more favorable. Based on all these considerations, the chosen is variant 1."

"Gempabumi yang terjadi akibat pelepasan energi di dalam permukaan bumi akan menghasilkan penjalaran gelombang seismik. Gelombang tersebut akan terekam oleh stasiun penerima yang nantinya dilakukan pemrosesan data sebagai kebutuhan interpretasi dari seismogram. Pada proses pengolahan data salah satunya yaitu penentuan waktu tiba gelombang. Penentuan waktu tiba dari gelombang primer dan sekunder masih dilakukan dengan cara manual oleh operator sehingga memiliki kekurangan seperti waktu yang lama, tingkat subjektivitas yang tinggi dan hasil akurasi yang rendah. Pada penelitian ini dilakukan inovasi dalam penentuan arrival time dengan pendekatan deep learning yaitu menggunakan algoritma Convolutional Neural Network (CNN) dan Long Short Term Memory (LSTM). Program yang dibuat dengan menerapkan kedua algoritma ini akan dilakukan pengujian terhadap data lain. Hasil uji pada program yang sudah dibuat kemudian dilakukan komparasi pada hasil picking dari IRIS Wilber. Uji yang dilakukan menggunakan data dari gempa Palu 28 September 2018. Hasil uji dari program komputer yang dibuat dengan perbandingan picking hasil IRIS Wilber memberikan rata-rata eror sekitar 0.005 dan komparasi waktu dari origin time memiliki perbedaan sekitar 2 detik. Program ini sudah menghasilkan hasil prediksi yang cukup akurat.

---

Earthquakes that occur due to the release of energy in the earth's surface will result in the propagation of seismic waves. These waves will be recorded by the receiving station which will later be processed as a result of the interpretation of the seismogram. One of the data processing processes is determining the arrival time of the waves. The determination of the arrival time of the primary and secondary waves is still done manually by the operator so that it has drawbacks such as a long time, a high degree of subjectivity and low accuracy. In this study, innovation was carried out in determining arrival time with a deep learning approach, namely using the Convolutional Neural Network (CNN) and Long Short Term Memory (LSTM) algorithms. Programs created by applying these two algorithms will be tested on other data. The test results on the program that has been made are then compared to the picking results from IRIS Wilber. The test was carried out using data from the Palu earthquake on 28 September 2018. The test results from a computer program made with a comparison of IRIS Wilber's picking results give an average error of around 0.005 and a comparison of the time from the origin time has a difference of about 2 seconds. This program has produced predictive results that are quite accurate."

"ABSTRAKPada umumnya Bangunan yang ada di Indonesia telah dibangun denganacuan pedoman SNI 1726-1989-F dan SNI 03-1726-2002, telah lahir peraturanbaru SNI 03-1726-2010. Bangunan yang telah ada boleh jadi tidak memenuhistandar baru, sehingga harus diperkuat (retrofitting). untuk mendapatkan sistemstruktur dengan respon yang paling baik terhadap gempa dilakukan studipengembangan analisis mengenai perilaku BRB. Bresing tipe ini diaplikasikanpada bangunan tinggi struktur beton bertulang. Penelitian terlingkup mengenai,mekanisme, kinerja, dan parameter-parameter aktualnya terkait dengan adanyapengaruh gempa rencana sesuai FEMA 356. Hal-hal tersebut diteliti denganmembandingkan antara struktur eksisting, dengan struktur hasil retrofitting-nya.Hasil penelitian menunjukkan bahwa hasil analisa statik nonlinier (pushoveranalysis) untuk struktur sistem ganda (DS) dengan BRBS sampai pada targetperalihan (performance point) yang dihitung berdasarkan FEMA 356 strukturgedung yang didesain masih memiliki taraf kinerja Life safety.

---

ABSTRACTIn general, the existing building in Indonesia has been constructed withreference to the guidelines SNI 1726-1989-F and SNI 03-1726-2002, along withexpanding knowledge of the new regulations have been born SNI 03-1726-2010.Existing buildings may be not meeting the new standards, so the buildings arevulnerable to safety and rigidity of the structure. To that end, should bestrengthened (retrofitting). To get the system structure with the best response tothe earthquake made the development of analytical studies on the behavior ofBRB. Bracing is applied to the type of reinforced concrete structures in tallbuildings. The study included about mechanisms, performance and actualparameters associated with the influence of earthquake plans with FEMA 356.Those things are investigated by comparing the existing structure with itsretrofitting the structure. The results showed that the results of nonlinear staticanalysis (pushover analysis) for the structure of the dual system (DS) with BRBSto the intermediate targets (performance point) are calculated based on FEMA356, designed the building structure still has the Life Safety performance level.This indicates that the building is designed according to the performance alreadyqualified FEMA 356 because the building is designed as an office building.

---

"

"ABSTRAKPada umumnya Bangunan yang ada di Indonesia telah dibangun denganacuan pedoman SNI 1726-1989-F dan SNI 03-1726-2002, telah lahir peraturanbaru SNI 03-1726-2010. Bangunan yang telah ada boleh jadi tidak memenuhistandar baru, sehingga harus diperkuat (retrofitting). untuk mendapatkan sistemstruktur dengan respon yang paling baik terhadap gempa dilakukan studipengembangan analisis mengenai perilaku BRB. Bresing tipe ini diaplikasikanpada bangunan tinggi struktur beton bertulang. Penelitian terlingkup mengenai,mekanisme, kinerja, dan parameter-parameter aktualnya terkait dengan adanyapengaruh gempa rencana sesuai FEMA 356. Hal-hal tersebut diteliti denganmembandingkan antara struktur eksisting, dengan struktur hasil retrofitting-nya.Hasil penelitian menunjukkan bahwa hasil analisa statik nonlinier (pushoveranalysis) untuk struktur sistem ganda (DS) dengan BRBS sampai pada targetperalihan (performance point) yang dihitung berdasarkan FEMA 356 strukturgedung yang didesain masih memiliki taraf kinerja Life safety.

---

Abstract In general, the existing building in Indonesia has been constructed withreference to the guidelines SNI 1726-1989-F and SNI 03-1726-2002, along withexpanding knowledge of the new regulations have been born SNI 03-1726-2010.Existing buildings may be not meeting the new standards, so the buildings arevulnerable to safety and rigidity of the structure. To that end, should bestrengthened (retrofitting). To get the system structure with the best response tothe earthquake made the development of analytical studies on the behavior ofBRB. Bracing is applied to the type of reinforced concrete structures in tallbuildings. The study included about mechanisms, performance and actualparameters associated with the influence of earthquake plans with FEMA 356.Those things are investigated by comparing the existing structure with itsretrofitting the structure. The results showed that the results of nonlinear staticanalysis (pushover analysis) for the structure of the dual system (DS) with BRBSto the intermediate targets (performance point) are calculated based on FEMA356, designed the building structure still has the Life Safety performance level.This indicates that the building is designed according to the performance alreadyqualified FEMA 356 because the building is designed as an office building."

"Pencegahan kerusakan infrastruktur merupakan hal yang penting dalam meningkatkan factor keselamatan selama pemakaian, salah satunya pencegahan dari fenomena reaksi korosi pada struktur baja. Fenomena korosi merupakan reaksi reduksi-oksidasi yang mengakibatkan degradasi pada material sehingga dapat menimbulkan kegagalan. Oleh karena itu, berbagai penelitian dilakukan untuk mencegah korosi pada struktur baja, salah satunya yaitu pengurangan laju korosi menggunakan inhibitor organic berbasis senyawa phenyl phthalimide. Namun, terdapat berbagai jenis senyawa turunan phenyl phthalimide sehingga dibutuhkan waktu yang lama untuk melakukan pengujian secara langsung di laboratorium. Salah satu solusi yang dapat digunakan yaitu menggunakan metode DFT dan dinamika molekuler untuk menghitung sifat elektronik yang berhubungan dengan efisiensi kerja senyawa inhibitor, yaitu EHOMO, ELUMO, band gap, transfer elektron, dan energi adsorpsi molekul. Namun, proses simulasi dengan metode DFT dan dinamika molekuler juga masih membutuhkan waktu yang cukup lama. Oleh karena itu, dilakukan prediksi sifat elektronik menggunakan metode deep learning. Dikembangkan salah satu model deep learning, yaitu Artificial Neural Network. Agar model dapat menjelaskan sifat elektronik senyawa inhibitor organic, digunakan deskriptor SMILES dan Alvadesc. Dari model yang dikembangkan, didapatkan hasil berupa akurasi serta tingkat kestabilan dalam pelatihan model. Kemudian, dilakukan perbandingan model berdasarkan jenis deskriptor dan target sifat elektronik yang digunakan. Hasil penelitian menunjukkan bahwa deskriptor Alvadesc memiliki akurasi yang lebih tinggi dibandingkan dengan deskriptor SMILES. Model Artificial Neural Network dengan deskriptor Alvadesc dan target sifat energi adsorpsi molekul memiliki performa terbaik dengan akurasi 94,49% dan tingkat kestabilan model terbaik (standar deviasi akurasi setelah loop run 10 kali sebesar 0,97%.

---

Infrastructure damage preventions is crucial to enhance safety factor during service, one of them is preventing corrosion reaction phenomenon on steel structure. Corrosion phenomenon itself is a reduction-oxidation reaction that cause material degradation, hence promotes material failure. Therefore, many researches discuss to prevent corrosion on steel structure, one of them is using phenyl phthalimide-based organic inhibitor to decrease corrosion rate. However, there are many phenyl phthalimide derivatives to be tested inside laboratory that require a lot of time. One of the solutions that can be conducted is using DFT and molecular dynamics to calculate electronic properties that correlate with inhibitor efficiency, such as EHOMO, ELUMO, band gap, electron transfers, and molecular adsorption energy. Yet, DFT and molecular dynamics still require quite a long time. According to it, electronic properties prediction is conducted using deep learning method. One of the deep learning models, Artificial Neural Network, is developed. In order to enable the model to describe the molecular electronic properties, SMILES and Alvadesc descriptors are used. Model’s accuracy and stability are obtained from model training. After that, each models are compared based on descriptor types and each electronic properties as a target. Reseach result shown that Alvadesc descriptors provide better accuracy that SMILES descriptors. Also, the Artificial Neural Network model with Alvadesc descriptors and molecular adsorption energy as target achieve the highest performance with 94,49% accuracy and best model stability (standard deviation value of model accuracy after 10 times loop run was only 0,97%)."

""Deep learning is a form of machine learning that enables computers to learn from experience and understand the world in terms of a hierarchy of concepts. Because the computer gathers knowledge from experience, there is no need for a human computer operator to formally specify all the knowledge that the computer needs. The hierarchy of concepts allows the computer to learn complicated concepts by building them out of simpler ones; a graph of these hierarchies would be many layers deep. This book introduces a broad range of topics in deep learning. The text offers mathematical and conceptual background, covering relevant concepts in linear algebra, probability theory and information theory, numerical computation, and machine learning. It describes deep learning techniques used by practitioners in industry, including deep feedforward networks, regularization, optimization algorithms, convolutional networks, sequence modeling, and practical methodology; and it surveys such applications as natural language processing, speech recognition, computer vision, online recommendation systems, bioinformatics, and video games. Finally, the book offers research perspectives, covering such theoretical topics as linear factor models, autoencoders, representation learning, structured probabilistic models, Monte Carlo methods, the partition function, approximate inference, and deep generative models. Deep Learning can be used by undergraduate or graduate students planning careers in either industry or research, and by software engineers who want to begin using deep learning in their products or platforms. A website offers supplementary material for both readers and instructors"--Page 4 of cover."

"Pemilihan metode machine learning atau deep learning menjadi suatu permasalahan dalam klasifikasi. Hal ini didapatkan dari penelitian yang menunjukkan bahwa deep learning kinerjanya lebih baik daripada machine learning, namun terdapat penelitian bahwa kedua metode tersebut kinerjanya tidak menentu tergantung dataset yang digunakan. Oleh karena itu, penelitian ini membandingkan kinerja dari machine learning dan deep learning untuk permasalahan klasifikasi teks dan analisis sentimen terhadap dampak Covid-19 di Indonesia. Hasil penelitian ini menunjukkan bahwa kinerja pada klasifikasi teks dan analisis sentimen menggunakan metode machine learning lebih baik dibandingkan dengan deep learning. Hasil penelitian mengenai klasifikasi teks menunjukkan bahwa kinerja metode machine learning yaitu Label Powerset dan Random Forest menghasilkan akurasi 77 % sedangkan kinerja metode deep learning yaitu Long Short-Term Memory (LSTM) dan Gate Reccurent Unit (GRU) menghasilkan akurasi 48%. Hasil penelitian mengenai analisis sentimen menunjukkan bahwa kinerja metode machine learning yaitu Label Powerset dan Random Forest menghasilkan akurasi 63 % sedangkan kinerja metode deep learning yaitu Long Short-Term Memory (LSTM) dan Gate Reccurent Unit (GRU) menghasilkan akurasi 55% dan 54%. Keseimbangan jumlah label pada semua label mempengaruhi hasil dari klasifikasi. Oleh karena itu, disarankan untuk menggunakan metode untuk menyeimbangkan jumlah label yang digunakan untuk klasifikasi.

---

The choice of machine learning or deep learning methods becomes a problem in classification. This is obtained from research which shows that deep learning performs better than machine learning, but there is research that the two methods perform erratically depending on the dataset used. Therefore, this study compares the performance of machine learning and deep learning for text classification problems and sentiment analysis on the impact of Covid-19 in Indonesia. The results of this study indicate that the performance of text classification and sentiment analysis using machine learning methods is better than deep learning. The results of research on text classification show that the performance of machine learning methods, namely Label Power and Random Forest, produces an accuracy of 77%, while the performance of deep learning methods, namely Long Short-Term Memory (LSTM) and Gate Recurrent Unit (GRU), produces an accuracy of 48%. The results of the research on sentiment analysis show that the performance of machine learning methods, namely Label Power and Random Forest, produces an accuracy of 63%, while the performance of deep learning methods, namely Long Short-Term Memory (LSTM) and Gate Recurrent Unit (GRU), produces 55% and 54% accuracy. The balance of the number of labels on all labels affects the results of the classification. Therefore, it is advisable to use a method to balance the number of labels used for classification."

"Bangunan hotel merupakan suatu bangunan dengan peruntukan komersil yang dapat terbilang memiliki kompleksitas terhadap desain perancangan dalam memenuhi aspek yang dibutuhkan. Oleh karena itu, dapat dilakukan penelitian secara ilmiah untuk memberikan hasil yang lebih optimal dari segi perancangan dan biaya yang dikeluarkan, tanpa mengabaikan kekuatan dari struktur bangunan. Sistem struktur yang dibandingkan dalam penelitian ini adalah post-tensioned flat slab dan sistem ganda dinding geser beton dengan rangka pemikul momen khusus. Tujuan dari penulisan ini adalah untuk mengetahui perbandingan kelayakan struktur antara kedua sistem bangunan akibat gaya gempa yang diberikan, serta efektivitas biaya pekerjaan. Analisis pada penelitian ini menggunakan gempa respon spektrum depok dan riwayat waktu linear, dengan software analisis yang digunakan adalah ETABS. Dari denah arsitektur hotel yang diberikan, penulis mendesain ulang struktur pada kedua sistem hingga mendapatkan hasil yang paling optimal untuk dibandingkan. Dengan segala keunggulanya, sistem post-tensioned flat slab memberikan hasil yang lebih baik dari segi efesiensi volume material dan biaya, walaupun diperlukan beberapa optimasi desain struktural untuk mendekati performa ketahanan lateral akibat gaya gempa seperti sistem ganda konvensional.

---

The hotel building is a commercial structure that possesses complexity in its design to meet the required aspects. Therefore, scientific research can be conducted to provide more optimal results in terms of design and cost without neglecting the strength of the building structure. The structural systems compared in this study are the post-tensioned flat slab system and the dual system of concrete shear walls with special moment-resisting frames. The purpose of this writing is to determine the structural feasibility comparison between the two building systems due to the given earthquake forces, as well as the cost-effectiveness of the work. The analysis in this study uses the Depok response spectrum earthquake and linear time history, with the analysis software used being ETABS. From the given architectural plan of the hotel, the author redesigned the structure in both systems to obtain the most optimal results for comparison. With all its advantages, the post-tensioned flat slab system provides better results in terms of material volume efficiency and cost, although some structural design optimizations are needed to approach the lateral resistance performance due to earthquake forces like the conventional dual system."

"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."