Hasil Pencarian  ::  Simpan CSV :: Kembali

"Stunting merupakan kondisi yang terjadi pada balita yang mengakibatkan gagal tumbuh akibat dari kurangnya pemenuhan gizi yang diterima di masa kandungan dan setelah bayi lahir. Prevalensi stunting adalah persentase balita yang mengalami kasus stunting dibandingkan dengan jumlah anak balita di daerah tersebut. WHO mengkategorikan prevalensi stunting menjadi 4 kategori yaitu low untuk prevalensi stunting < 20, medium untuk 20 ≤ prevalensi stunting < 30, high untuk 30 ≤ prevalensi stunting < 40 dan very high, untuk prevalensi stunting ≥ 40. Klasifikasi prevalensi stunting dilakukan untuk melihat faktor-faktor apa saja yang mempengaruhi tinggi rendahnya prevalensi stunting pada daerah tersebut. Random forest dan TabNet digunakan sebagai model klasifikasi. Sebelum melakukan klasifikasi, data dinormalisasikan terlebih dahulu jika menggunakan model random forest dan tidak dinormalisasikan jika menggunakan model TabNet. Kemudian pada data training dilakukan SMOTE dampak dari imbalance data. Hyperparameter pada random forest menggunakan Optuna. Model yang sudah dibuat, dievaluasi menggunakan confusion matrix dengan melihat nilai precision, recall, F1- Score, dan accuracy. Model dibandingkan dengan nilai rata-rata akurasi berdasarkan pembagian data training dan data testing di 70:30, 80:20 dan 90:10. Selain itu, dibandingkan hasil klasifikasi antara model random forest dan TabNet. Nilai rata-rata akurasi yang paling tinggi untuk random forest adalah 51% dan TabNet adalah 44,7% saat kedua model di proporsi data 70:30. Model yang paling terbaik adalah TabNet dengan akurasi 53% dibandingankan dengan random forest ketika random state sama dengan nol. Model TabNet memiliki bekerja optimal pada precision, recall dan F1-Score untuk target kelas low. Sedangkan model random forest bekerja optimal pada recall dan F1-Score untuk target kelas medium. Kedua model tidak bekerja dengan optimal di kelas target high dan very high.

---

Stunting is a condition that occurs in toddlers, resulting in failure to grow due to insufficient nutrition during pregnancy and after birth. The prevalence of stunting is the percentage of children under five who experience stunting compared to the total number of children in that area. The World Health Organization (WHO) categorizes the prevalence of stunting into four categories: low for prevalence < 20, medium for 20 ≤ prevalence < 30, high for 30 ≤ prevalence < 40, and very high for prevalence ≥ 40. The classification of stunting prevalence is done to identify factors that influence the high or low prevalence of stunting. Random forest and TabNet are used as classification models. Before performing the classification, the data is normalized, and SMOTE is applied to the training data. The hyperparameters of models are tuned using Optuna is used. The models are evaluated using a confusion matrix by examining precision, recall, F1-Score, and accuracy. The model are compared with the average accuracy value based on the distribution of training data and testing data at 70:30, 80:20 and 90:10. In addition, classification results will be compared between random forest and TabNet models. The highest average accuracy value for random forest is 51% and TabNet is 44.7% when the two models are in the proportion of data 70:30. The best model is TabNet with 53% accuracy compared to the random forest when the random state is zero. The TabNet model has optimal work on precision, recall and F1-Score for low class targets. While the random forest model works optimally on recall and F1-Score for medium class targets. The two models do not work optimally in the high and very high target classes."

"Peralatan putar memegang peranan penting dalam menjaga kesinambungan produksi di industri petrokimia. Meskipun kegagalan pada peralatan ini tergolong jarang terjadi, dampaknya dapat menimbulkan gangguan operasional yang signifikan, termasuk downtime produksi dan kerugian finansial yang besar. Penelitian ini bertujuan untuk mengembangkan kerangka kerja berbasis deep learning yang terintegrasi guna meningkatkan akurasi deteksi kegagalan pada kondisi data yang tidak seimbang dan input sensor yang kompleks. Permasalahan utama yang diangkat adalah ketidakseimbangan data kegagalan serta keterbatasan interpretabilitas pada metode machine learning konvensional. Pendekatan yang diusulkan menggabungkan Wasserstein Generative Adversarial Network (WGAN) untuk menghasilkan data sintetik pada kelas kegagalan, dan TabNet sebagai model klasifikasi deep learning yang dapat diinterpretasikan untuk data sensor terstruktur. Model ini dilatih menggunakan data historis sensor dari tahun 2015 hingga 2024, mencakup 147 variabel proses seperti suhu, tekanan, aliran, getaran, dan kecepatan. Model gabungan WGAN-TabNet menunjukkan kinerja yang unggul dibanding algoritma pembanding (Logistic Regression, SVM, dan XGBoost) dengan akurasi 96,01%, presisi 93,25%, recall 93,14%, F1-score 93,20%, dan AUC 93,13%. Untuk interpretasi model, digunakan SHAP (SHapley Additive exPlanations) yang berhasil mengidentifikasi variabel penting seperti suhu oli dan laju aliran gas. Keunggulan dalam fitur pembeda, kemampuan penyeimbangan data, akurasi prediksi yang tinggi, dan interpretabilitas model memungkinkan deteksi dini gejala kegagalan secara efektif. Model ini dinilai layak untuk diterapkan dalam sistem pemantauan waktu nyata guna mendukung perawatan prediktif di lingkungan industri yang kritis. Pendekatan ini juga berpotensi diterapkan pada jenis peralatan putar lainnya dan perlu divalidasi lebih lanjut dalam penelitian mendatang.

---

Rotating machinery plays a critical role in sustaining production continuity in the petrochemical industry. Although failures in such equipment are relatively rare, they can cause operational disruptions leading to significant production downtime and financial losses. The objective of this study is to develop an integrated deep learning-based framework to improve fault detection accuracy under conditions of data imbalance and complex sensor input. The research addresses the problem of imbalanced fault data and limited interpretability in conventional machine learning methods. An integrated model approach is proposed by combining Wasserstein Generative Adversarial Network (WGAN) to generate synthetic failure data, and TabNet as an interpretable deep learning classifier for structured sensor data. The model was trained using historical sensor readings collected from 2015 to 2024, comprising 147 process variables such as temperature, pressure, flow, vibration, and speed. The proposed WGAN-TabNet model outperformed benchmark algorithms (Logistic Regression, SVM, and XGBoost) with accuracy of 96.01%, precision of 93.25%, recall of 93.14%, F1-score of 93.20%, and AUC of 93.13%. SHAP (SHapley Additive exPlanations) was employed to interpret the model, identifying key contributing variables such as oil temperature and gas flow rate. These distinctive features, data balancing capability, high predictive performance, and model interpretability enabled effective detection of early failure symptoms. The model is suitable for practical deployment in real-time monitoring systems, supporting predictive maintenance in critical industrial environments. This approach also holds potential to be applied to other types of rotating equipment, which should be validated in future studies."