Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pemodelan kurva merupakan aspek penting dalam bidang pemodelan geometris. Pemodelan kurva original menghasilkan error yang besar karena jumlah titik data yang lebih banyak daripada jumlah simpul poligon kontrol. Penelitian ini berfokus pada pemodelan kurva b-spline. Metode optimasi knot vector pada kurva dilakukan berdasarkan algoritma yang terinspirasi dari alam yang bisa digunakan untuk memodelkan kurva b-spline dengan kesalahan minimum. Algoritma yang diilhami dari alam ini adalah Firefly Algorithm yang ditemukan Prof. Xin-She Yang (Cambridge University). Menurut Xin-She Yang (2013: 123-124) dalam bukunya yang berjudul Nature-Inspired Optimization Algorithms sendiri menyatakan bahwa Firefly Algorithm memiliki dua keunggulan utama dibandingkan algoritma lain. Dua keunggulan tersebut yaitu subdivisi otomatis dan kemampuan untuk menangani multimodalitas. Tujuan penelitan ini antara lain untuk mencari variasi derajat B-Spline yang efektif terhadap drag reduction pada kapal tanker ketika berlayar. Pengujian dilakukan pada model kapal tanker dengan Froude Number 0.2 – 0.35 dengan interval sebesar 0,05 dan derajat B-Spline 5° , 10°, 15°, dan 20°. Pengujian dilakukan secara numerik menggunakan software Computational Fluid Dynamic (CFD). Penelitian ini diharapkan mampu menunjukkan konfigurasi yang optimum pada kapal tanker menggunakan Firelfy Algorithm dengan variasi derajat B-spline terhadap besar nilai hambatan total. ......Curve modeling is an important aspect in the field of geometric modeling. The original curve modeling produces a large error because the number of data points is more than the number of control polygon vertices. This study focuses on modeling the b-spline curve. The knot vector optimization method on the curve is based on an algorithm inspired by nature which can be used to model the b-spline curve with minimum error. The algorithm inspired by this nature is the Firefly Algorithm which was discovered by Prof. Xin-She Yang (Cambridge University). According to Xin-She Yang (2013: 123-124) in his book entitled Nature-Inspired Optimization Algorithms himself states that the Firefly Algorithm has two main advantages over other algorithms. Those two advantages are automatic subdivision and the ability to handle multimodalities. The purpose of this research, among others, is to find variations in the degree of B-Spline that are effective against drag reduction on tankers when sailing. Tests were carried out on tanker models with Froude Number 0.2 – 0.35 with intervals of 0.05 and B-Spline degrees of 5°, 10°, 15°, and 20°. The test was performed numerically using Computational Fluid Dynamic (CFD) software. This research is expected to be able to show the optimum configuration on tankers using the Firefly Algorithm with variations in the degree of B-spline to the total resistance value.

Abstrak :
Perkembangan teknologi drone menyimpan beragam potensi bahaya bagi keamanan suatu wilayah. Dengan berkembangnya teknologi drone, sekelompok pihak dapat memantau secara ilegal atau bahkan melakukan penyerangan jarak jauh dengan mengendalikan drone menggunakan remote control maupun memprogram strategi pergerakan drone yang digunakan. Potensi bahaya teknologi drone menjadi semakin mengancam ketika drone yang digunakan untuk menyerang adalah bertipe drone berkelompok, yang memungkinkan terdapat sekelompok drone yang terkoordinasi secara sistematis untuk melakukan penyerangan terhadap suatu area. Meskipun saat ini telah berkembang beberapa teknologi penangkal drone, teknologi yang ada cenderung difokuskan untuk menangkal satu drone tunggal. Belum terdapat publikasi mendalam yang membahas kerangka kerja penangkal serangan drone berkelompok. Pada penelitian ini, dikembangkan suatu strategi pertahanan penangkal drone berkelompok (drone swarm) menggunakan pasukan autonomous-drone penjaga keamanan wilayah. Konsep usulan yang diajukan adalah dengan cara mengembangkan algoritma koordinasi yang memungkinkan suatu pasukan autonomous-drone penjaga keamanan wilayah untuk melakukan penangkapan atau penghentian secara terorganisir terhadap kelompok drone penyerang. Adapun dasar algoritma yang digunakan pada penelitian ini adalah Social Spider Optimization (SSO). Aspek utama kontribusi di dalam penelitian ini terdapat pada modifikasi algoritma SSO untuk mengatasi persoalan pencarian multi-target-bergerak berupa penangkapan atau penghentian serangan drone berkelompok. Penelitian ini telah diuji dalam simulator 3 dimensi, dengan konfigurasi pergerakan kelompok drone penyerang yang diujikan berbasis pendekatan penyerangan sekali jalan. Uji kinerja dilakukan dengan membandingkan kinerja usulan algoritma dengan 3 alternatif algoritma pergerakan kawanan drone pertahanan. Ketika dihadapkan dengan kelompok drone penyerang yang berkerumun, dibandingkan 3 alternatif algoritma pertahanan yang lain, usulan algoritma mampu mengurangi kerusakan hingga rasio 44% (terbaik), 67% (rata-rata), dan 97% (terburuk). ......Nowadays, drone technology development brings many dangerous possibilities for the security of an area. Because of the advanced development, many villains can conduct illegal surveillance or even long-distance attack on an area by remote controlling a drone or programming the drone movement strategy. Meanwhile, the dangerous impact of drone technology usage becomes higher when the technology used to attack an area is the type of drone swarm technology. In this kind of technology, every drone can coordinate and communicate while striking an area. Although there have been many anti-drone technologies developed at the moment, they tend to focus on targeting one single drone only. So far, no publication comprehensively proposes a framework to overcome the multi-drone attack. This research presents an anti-drone-swarm defense strategy to protect area safety by using the autonomous-drone unit. The proposed method concept is manifested by developing a coordination algorithm for an autonomous-drone army to communicate with each other while catching or stopping the invader drone swarm. The foundation of this research algorithm is Social Spider Optimization (SSO). This research's main contribution lies in modifying the SSO algorithm to handle the moving multiple-target searching problem, in this case, by catching or stopping the drone-swarm attack. This research has been tested in a 3D simulation environment where invader drone-swarm movement is developed based on a one-way-ticket approach. Performance evaluation is conducted by comparing the proposed method result with 3 other multiple defender drone movement algorithms. When facing an invader drone swarm with crowded formation, compared to the other 3 algorithms, the proposed method produces damage ratios up to 44% (best), 67% (average), and 97% (worst).

Abstrak :
Pandemi COVID-19 di kuartal awal 2020 mendorong Universitas Indonesia untuk menetapkan sistem pembelajaran daring dalam menjalankan aktivitas perkuliahan. Prediksi keberhasilan mahasiswa pada masa pembelajaran daring perlu dilakukan sebagai bahan evaluasi pemanfaatan sistem pembelajaran daring selanjutnya. Machine learning merupakan tools untuk melakukan prediksi. Terdapat berbagai model dalam machine learning, salah satu model yang sering digunakan adalah neural network. Multilayer Perceptron (MLP) merupakan salah satu model dari neural network. MLP terdiri dari input layer, hidden layer dan output layer. Nilai pada input layer diproses pada hidden layer dan hasil akhir dihasilkan di output layer. MLP bekerja dengan pembaruan bobot yang membutuhkan 2 fase yaitu forward pass dan backward pass. MLP dengan algoritma optimasi Levenberg-Marquardt digunakan untuk memprediksi keberhasilan akademis mahasiswa. Prediksi yang dilakukan berupa klasifikasi mahasiswa lulus dan tidak lulus. Data yang digunakan merupakan data rekapitulasi aktivitas perkuliahan mahasiswa Departemen Matematika FMIPA UI pada mata kuliah X. Terdapat 2 data yang digunakan untuk memprediksi keberhasilan akademis mahasiswa, yaitu data rekapitulasi aktivitas perkuliahan mahasiswa dari minggu ke-1 hingga ke-4 (periode 1) dan minggu ke-1 hingga ke-8 (periode 2). Hyperparameter yang digunakan adalah 8 buah input neuron, 30 buah hidden neuron untuk hidden layer pertama, 30 buah hidden neuron untuk hidden layer kedua, 1 buah output neuron, 2 buah fungsi aktivasi (tanh dan linear), dan damping factor dengan nilai 3. Evaluasi MLP dalam memprediksi keberhasilan akademis mahasiswa dilakukan dengan menentukan nilai G-mean terbaik. Nilai G-mean menunjukkan kemampuan model dalam mengklasifikasi kelas lulus maupun tidak lulus. Prediksi MLP dengan algoritma optimasi Levenberg-Marquardt menghasilkan G-mean terbesar untuk periode 1 sebesar 0,72 dan periode 2 sebesar 0,86 pada data training dan testing 90:10. Hasil perbandingan prediksi keberhasilan mahasiswa data periode 1 dan periode 2 menunjukkan periode 2 lebih baik digunakan untuk memprediksi keberhasilan akademis mahasiswa. ......COVID-19 pandemic on first quarter of 2020 urged Universitas Indonesia to distanced learning in doing lecture activities. Distance learning system may cause bad health to students, to such extent that student academic success may be affected. Student academic success prediction on distance learning need to be done as evaluation for future distance learning system. Machine learning is one of solution to perform prediction. There are many methods in machine learning, one of common used methods is neural network. There are many kinds of machine learning, one of the kinds is multilayer perceptron (MLP). MLP is consists of input layer, hidden layer and output layer. Values from input layer are processed in hidden layer and final output are yielded in output layer. MLP has 2 processing phase, which are forward pass and backward pass to do weight updating. MLP with Levenberg-Marquardt optimization algorithm is used for predicting student academic success. Performed prediction is classification of students who passed and failed. The data that is recapitulation of students course activity. Data consists of 2 sub- datas, which are recapitulation of course activity student from week 1 to week 4 (first period) and from week 1 to week 8 (second period). Hyperparameter that are used to bulid MLP are 2 hidden layer, 8 input neuron, 30 hidden neuron for each hidden layer, 1 output neuron, 2 activation function (tanh and linear), damping factor values 3. MLP evaluation of predicting student academic success is based on best G-mean result. G-Mean value shows how model performs in classifying passed students class and failed students class. MLP with Levenberg-Marquardt optimization algorithm implementation yields highest G-mean value, 0,72 and 0,86 from both periods, respectively, on 90:10 training and testing data split. Comparison between results of student academic success prediction with first period and second period indicate that second period is better to be used for predicting student academic success.