Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
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.

Abstrak :
Penelitian mengenai klasifikasi emosi manusia sudah berlangsung lama. Pada umumnya yang dikembangkan adalah algoritma pengklasifikasiannya dengan menggunakan dataset EEG laboratory-grade yang sudah tersedia secara bebas. Penelitian ini bertujuan membuat dataset klasifikasi emosi manusia berbasis peranngkat EEG komersil. Responden direkrut secara online dan yang memenuhi kriteria diminta  untuk menonton 6 video stimuli emosi sambil direkam aktivitas kelistrikan otaknya menggunakan perangkat EEG komersil. Tiap video stimuli diperuntukkan untuk memancing emosi yang berbeda, yaknik emosi sedih, takut, jijik, marah, tenang, dan senang. Responden juga diminta unutk mengisi kuesioner untuk tiap video stimuli yang ditonton. Dari 27 responden yang direkam data EEG-nya, hasil rekam dari 3 responden harus dieliminasi karena kualitas hasil rekam yang buruk. Hasil analisa kuesioner menunjukkan bahwa sebagian besar video stimuli sudah berhasil memancing emosi responden sesuai dengan tujuannya. Sedangkan hasil rekam signal EEG dibuat dataset untuk melatih algoritma Deep Learning model Recurrent Neural Network (RNN) untuk klasifikasi emosi manusia. Setelah melewati 16 epoch dan tidak ada perbaikan sampai epoch ke-46, nilai akurasi yang dicapai adalah sebesar 33%. ......The majority of studies on the classification of human emotions have relied on the analysis of pre-existing datasets. We generated a dataset using consumer-grade EEG devices, which could be a big step forward for EEG research. Respondents were recruited online based on specific criteria and asked to watch a series of six videos while recording their brain's electrical activity using an EEG device and asked to complete a questionnaire for each video they watched. Out of the 27 respondents whose EEG data were recorded, the recordings from 3 respondents had to be eliminated due to the poor quality of the recordings. The results of the questionnaire analysis show that most of the video stimuli have succeeded in evoking the intended respondents’ emotions. Meanwhile, the EEG signal recording results are made into a dataset to train the Deep Learning algorithm using Recurrent Neural Network (RNN) method for the classification of human emotions. After passing 16 epochs and no improvement until the 46th epoch, the accuracy value achieved is 33%.

Abstrak :

Air minum yang aman menjadi salah satu kebutuhan yang krusial bagi manusia. Air tanah merupakan salah satu sumber utama untuk memperoleh air minum. Kualitas air dapat bervariasi berdasarkan sumber kontaminan dan waktu atau musim pada tahun tersebut, sehingga diperlukan langkah tambahan untuk memastikan kualitas air. Data penelitian diperoleh dari data historis parameter kimia pH dan konduktivitas untuk sumber air pada salah satu perusahaan Fast Moving Consumer Goods (FMCG) di Indonesia dari bulan Januari 2021 hingga Februari 2023. Data dibagi menjadi dua bagian, training set dan testing set yang kemudian digunakan untuk memprediksi kualitas sumber air menggunakan pendekatan Recurrent Neural Network (RNN) dengan arsitektur Long Short-Term Memory (LSTM) dan Gated Recurrent Units (GRU). Dari penelitian ini, didapatkan pendekatan terbaik yang dapat digunakan untuk mendapatkan akurasi tertinggi pada setiap model yang dibangun. Secara keseluruhan, pendekatan RNN dengan arsitektur LSTM dan GRU dapat digunakan untuk memprediksi kualitas sumber air dengan akurasi yang tinggi. ......Safe drinking water is a crucial need for humans. Groundwater is one of the main sources to get drinking water. Water quality varies based on contaminants and time or season of the year, therefore extra steps to ensure water quality are needed. This research used pH and conductivity chemical parameters historical data for source water at one of Fast Moving Consumer Goods (FMCG) companies in Indonesia from January 2021 until March 2023. Data is divided into two sections, the training set and testing set which were used to predict source water quality using Recurrent Neural Network (RNN) with Long Short-Term Memory (LSTM) and Gated Recurrent Units (GRU) architectures. This research aims to know the best approach to use to get the highest accuracy for each developed model. Overall, the RNN approach with LSTM and GRU architectures can be used to predict source water quality with high accuracy.

Abstrak :

Banjir merupakan bencana alam yang sering terjadi di Indonesia, menimbulkan kerusakan dan mengakibatkan kerugian ekonomi. Hingga saat ini pun, ibukota negara, Jakarta, tak lepas dari banjir akibat luapan dari Sungai Ciliwung. Untuk itu, diperlukan langkah preventif seperti peringatan dini banjir untuk mengurangi kerugian akibat banjir. Namun, sistem peringatan dini banjir yang saat ini dimiliki oleh Balai Besar Wilayah Sungai Ciliwung-Cisadane masih memiliki beberapa kekurangan, seperti model hidrologi yang tidak cocok untuk prediksi jangka pendek dan akurasinya yang belum optimal dan waktu yang belum efisien untuk tahap simulasi berikutnya. Untuk mengatasi kekurangan tersebut, pendekatan machine learning dikembangkan untuk mendapatkan model prediksi tinggi muka air dengan tingkat galat yang rendah dan waktu komputasi yang efisien. Model prediksi banjir diwakilkan oleh tinggi muka air berdasarkan limpasan air hujan dan limpasan dari aliran air ruas hulunya melalui 4 ruas Sungai Ciliwung. Dilakukan perbandingan dua metode berbasis neural network, yaitu Adaptive Neuro-Fuzzy Inference System (ANFIS) dan Recurrent Neural Network-Long Short Term Memory (RNN-LSTM). Model yang unggul secara umum adalah RNN-LSTM dengan tingkat galat yang lebih rendah dan waktu komputasi yang lebih cepat. Pada RMSE dan MAPE, RNN-LSTM unggul pada 3 dari 4 ruas. Waktu komputasi RNN-LSTM selalu lebih cepat dibandingkan dengan ANFIS. Sedangkan dilihat dari R², baik ANFIS maupun RNN-LSTM memiliki kemampuan yang cukup baik kecuali untuk RNN-LSTM pada ruas ketiga. Sehingga secara keseluruhan RNN-LSTM lebih unggul dalam memprediksi tinggi muka air Sungai Ciliwung dilihat dari tingkat galatnya yang lebih rendah dan efisiensi waktunya. RNN-LSTM juga lebih unggul dalam memprediksi tinggi muka air yang fluktuasi dan standar deviasinya lebih besar. ......Floods are natural disasters that often occur in Indonesia, causing damage and economic losses. Until now, the nation's capital, Jakarta, has not been free from flooding due to the overflow of the Ciliwung River. Therefore, preventive action like early warning of floods is needed, to reduce losses due to flooding. However, the flood early warning system currently done by the Ciliwung-Cisadane River Center still has several drawbacks, such as hydrological models that are not suitable for short-term predictions in which resulting their accuracy is not optimal and efficient computing time is needed. To overcome these deficiencies, a machine learning approach is developed to obtain a water level prediction model with a low error and efficient computing time. The model is predicting water level based on rainwater and upstream segment of the river runoff through the 4 segments of the river. Two neural network-based methods, Adaptive Neuro-Fuzzy Inference System (ANFIS) and Recurrent Neural Network-Long Short Term Memory (RNN-LSTM) are compared. Generally, the RNN-LSTM outperformed with a lower error rate and faster computation time. On the RMSE and MAPE, RNN-LSTM excels on 3 out of 4 segments. Based on computing time, RNN-LSTM is always faster than ANFIS. Meanwhile, seen from the R², both ANFIS and RNN-LSTM have decent capabilities except for RNN-LSTM on the third segment. Hence, the RNN-LSTM is superior in predicting the water level of the river based on its lower error and time efficiency. RNN-LSTM is also superior in predicting water level fluctuations with a larger standard deviation.