Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sektor konstruksi merupakan salah satu dari tiga sektor terbesar yang menyumbang pada pendapatan nasional. Namun, sektor konstruksi juga merupakan salah satu sektor yang menyumbang kecelakaan terbesar dengan rata-rata 32% per tahunnya. 87% kecelakaan konstruksi yang terjadi disebabkan oleh faktor manusia yang sering kali melakukan perilaku yang tidak aman. Mengetahui kondisi asli tentang perilaku aman pekerja konstruksi dan faktor yang mempengaruhinya menjadi sangat penting untuk meningkatkan perilaku pekerja agar menjadi aman. Terdapat sembilan faktor yang diteliti, yaitu komitmen manajemen, lingkungan pendukung, manajemen sistem keselamatan, partisipasi, alokasi sumber daya, pengetahuan keselamatan, sikap keselamatan, motivasi, dan tekanan kerja. Studi ini menggunakan data sekunder berupa hasil kuisioner yang diambil dari studi serupa yang sesuai dengan indikator-indikator yang diteliti. Data kuisioner kemudian diproses menggunakan model bayesian network. Hasil menunjukkan bahwa saat ini pekerja konstruksi terkadang bahkan jarang mempertimbangkan peraturan, norma, dan regulasi keselamatan saat bekerja. Hasil juga menunjukkan bahwa tekanan kerja, sikap keselamatan, pengetahuan keselamatan, dan alokasi sumberdaya merupakan faktor yang paling berpengaruh terhadap perilaku aman pekerja. Selain itu, peningkatan dari faktor tekanan kerja dan pengetahuan keselamatan sangat dibutuhkan untuk meningkatkan keadaan perilaku aman dari pekerja konstruksi menjadi yang tertinggi. Kemudian, diusulkan strategi untuk meningkatkan proporsi perilaku aman para pekerja.

---

Construction sector is one of the three largest sectors that contribute to national GDP. However, the construction sector is also one of the sectors that contributes the largest workplace accidents with an average of 32% per year. 87% of construction accidents that occur are caused by human factors that oftentimes behave unsafely. Knowing the real conditions of construction workers’ safety behavior and the factors that influence them is very important to improve the safety behavior of workers. There are nine factors studied, including management commitment, supporting environment, safety management system, participation, resource allocation, safety knowledge, safety attitudes, motivation, and work pressure. This study uses secondary data of questionnaire result taken from the similar study which is in accordance with the indicators studied. Questionnaire data is then processed using bayesian network model. The results showed that construction workers are sometimes, even seldom, consider safety regulations, norms and regulations when working. The results also show that work pressure, safety knowledge, safety attitude, and resource allocation are the factors that highly influence safety behavior. Moreover, improving the proportion of work pressure and safety knowledge factors are needed to reach the highest proportion of safety behavior. Then, strategies are proposed to increase the proportion of safety behavior of construction workers."

"The shipbuilding industry is characterized by high-risk business activities; therefore, caution should be taken in its operational processes. From upstream to downstream, the shipbuilding industry depends on other industries. In this study, a risk assessment was conducted on the construction of new vessels using the Bayesian network approach; accordingly, the risk assessment was carried out using a probabilistic value at risk (VaR). The study was carried out by PT PAL Indonesia in association with the construction of a new tanker ship (building production codes M271 and M272). An analysis was conducted on three main components of new vessel construction—design components, material and production components, and subcomponents of the previous two components. From the study, we could conclude that the probability of delay for new vessel construction caused by design delay is 0.05; the probability of delay caused by material delay is 0.65; and the probability of delay caused by production delay is 0.3. For delays caused by design factors, a yard plan is the sub-component that contributes predominantly to delays (i.e., probability of 0.3). For delays caused by material factors, the sub-component with the greatest impact is hull and machinery outfitting, with a probability of 0.3. For delays caused by production factors, the sub-component with the biggest impact is hull construction, with a probability of 0.39. Thus, we could conclude that a project delay would occur if the material component and the hull construction sub-components were not handled properly."

"Knowledge discovery in databases (KDD) merupakan proses pencarian pengetahuan bermanfaat dari data menggunakan teknik komputasi. Salah satu langkah khusus dalam KDD adalah data mining , yaitu aplikasi algoritma spesifik untuk mengekstrak pola/model dari data...."

"Indonesia menempati peringkat ke-4 di dunia sebagai negara dengan kasus tuberkulosis terbanyak, setelah India, China, dan Afrika Selatan (WHO,2012). Upaya yang dilakukan untuk mengendalikan kasus tuberkulosis adalah menerapkan strategi pengobatan Direct Observed Treatment Shortcourse (DOTS) dalam waktu 6-9 bulan. Membangun sebuah model agar dapat memprediksi hasil pengobatan tuberkulosis sangat dibutuhkan untuk membantu para tenaga medis untuk mensupervisi setiap pasien berdasarkan kondisinya dan status resikonya. Penelitian ini menggunakan metode dynamic bayesian networks. Metode dynamic bayesian networks juga digunakan untuk mengidentifikasi independensi variabel pada penyakit tuberkulosis. Dalam penelitian software CaMML versi 1.4.1 digunakan untuk membangun struktur graf dynamic bayesian networks dan package Netica J-API yang berbasis Java untuk memvisualisasikan serta evaluasi graf. Evaluasi dilakukan dengan mengukur nilai akurasi dengan membentuk matriks konfusi dan menghitung logarithma loss. Tingkat akurasi struktur graf dalam memprediksi hasil pengobatan tuberkulosis sebesar 76,47% pada eksperimen 1 dan 100% pada eksperimen 2. Hal ini menunjukkan bahwa struktur graf yang terbangun dapat digunakan untuk model dalam mengidentifikasi keterkaitan variabel dalam data pengobatan TB. Selain itu, identifikasi hubungan variabel hasil pengobatan tuberkulosis dengan variabel data yang lain bersifat dependen atau indepeden dapat dilakukan melalui struktur dynamic bayesian networks dengan menggunakan algoritma d-separation.

---

Indonesia ranks 4th in the world as the country with the most cases of tuberculosis, after India, China, and South Africa (WHO, 2012). Efforts to control tuberculosis cases are implemented by the Direct Observed Treatment Shortcourse (DOTS) treatment strategy within 6-9 months. Building a model that can predict the outcome of tuberculosis treatment is needed to help the medical staff to supervise each patient based on the condition and status of the risk. This research use dynamic Bayesian networks method. Dynamic bayesian networks method is also used to identify independency of the variables on tuberculosis treatment data.

In this research, CaMML version 1.4.1 software is used to construct the graph of dynamic bayesian networks and Java based Netica-J API package is used to visualize and evaluate the graph. For evaluation, this research measure the value of accuracy obtained from a confusion matrix and calculate the logarithmic loss. In the first experiment, accuracy prediction of graph structure is 76,47% and in the second experiment the accuracy prediction is 100%. The result can be used as the model to identify the independency of variables in tuberculosis treatment data. In addition, identification of the relationship between tuberculosis treatment outcome variable and other variables are dependent or independent can be known using d-separation algorithm."

"Hipertensi merupakan salah satu penyebab utama kematian di Indonesia dan berkontribusi besar terhadap beban penyakit tidak menular. Identifikasi faktor-faktor risiko hipertensi secara menyeluruh sangat penting untuk mendukung intervensi kesehatan yang lebih terarah. Penelitian ini bertujuan untuk menganalisis faktor-faktor risiko kejadian hipertensi pada penduduk usia ≥18 tahun di Indonesia dengan pendekatan probabilistik menggunakan Bayesian Network. Penelitian ini merupakan studi kuantitatif menggunakan data sekunder Indonesia Family Life Survey (IFLS) Gelombang ke 5. Sampel terdiri dari 34.271 individu yang telah melewati tahap pembersihan data dan klasifikasi variabel. Struktur Bayesian Network disusun secara manual berdasarkan analisis bivariat dan referensi teoritis, kemudian divisualisasikan menggunakan perangkat lunak R (bnlearn) dan Python (CausalNex). Analisis probabilitas bersyarat dilakukan melalui perhitungan Conditional Probability Table (CPT) untuk mengidentifikasi jalur risiko langsung maupun tidak langsung. Hasil penelitian menunjukkan bahwa variabel merokok dan imt_kat (kategori Indeks Massa Tubuh tidak normal) merupakan dua faktor risiko utama yang secara langsung meningkatkan probabilitas kejadian hipertensi. Probabilitas hipertensi tertinggi ditemukan pada kombinasi individu yang merokok dan memiliki IMT tidak normal, yaitu sebesar 25,87%. Selain itu, jalur tidak langsung juga teridentifikasi, seperti pendapatan → pendidikan → stres → merokok → hipertensi, serta usia, aktivitas fisik, dan pola makan → IMT → hipertensi. Variabel perilaku dan sosial ekonomi terbukti saling terhubung dalam memengaruhi risiko hipertensi secara kumulatif. Kesimpulan dari penelitian ini menunjukkan bahwa pendekatan Bayesian Network mampu mengungkap hubungan probabilistik antar variabel risiko secara komprehensif. Temuan ini menggarisbawahi pentingnya intervensi kesehatan masyarakat yang bersifat holistik, dengan mempertimbangkan determinan sosial, perilaku, dan fisik sebagai satu kesatuan sistem risiko.

---

Hypertension is one of the leading causes of death in Indonesia and contributes significantly to the burden of non-communicable diseases. This study aims to analyze the risk factors associated with hypertension among individuals aged ≥18 years in Indonesia using a probabilistic approach through Bayesian Network modeling. This research is a quantitative study utilizing secondary data from the fifth wave of the Indonesia Family Life Survey (IFLS-5). The sample consisted of 34,271 individuals who met the inclusion criteria after data cleaning and variable classification. The Bayesian Network structure was constructed manually based on bivariate analysis and theoretical references, then visualized using R (bnlearn) and Python (CausalNex). Conditional Probability Tables (CPTs) were generated to identify both direct and indirect risk pathways. The results indicate that smoking and abnormal BMI (imt_kat) are two primary risk factors that directly increase the probability of hypertension. The highest probability of hypertension (25.87%) was found among individuals who both smoke and have an abnormal BMI. Additionally, indirect pathways were also identified, such as income → education → stress → smoking → hypertension, as well as age, physical activity, and dietary patterns → BMI → hypertension. Behavioral and socioeconomic variables were shown to be interconnected in influencing hypertension risk cumulatively. In conclusion, this study demonstrates that the Bayesian Network approach is effective in revealing the probabilistic relationships among various risk factors. These findings highlight the importance of holistic public health interventions that consider social, behavioral, and physiological determinants as an integrated risk system."

"Sistem kelistrikan Jamali (Jawa, Madura, Bali) merupakan sistem tenaga listrik terbesar dan paling krusial di Indonesia, menyumbang sekitar 70% dari total produksi energi nasional. Dengan beban puncak mencapai 28.094 MW dan total produksi energi sebesar 197 TWh per tahun, keandalan sistem ini sangat penting untuk menjamin kontinuitas layanan listrik kepada pelanggan. Gangguan pada sistem tenaga listrik dapat menimbulkan dampak teknis maupun ekonomi yang signifikan, mulai dari kerusakan perangkat elektronik sensitif hingga terhentinya aktivitas industri. Salah satu penyebab utama gangguan adalah sambaran petir, yang dapat memicu overvoltage dan gangguan tegangan lainnya yang berisiko merusak peralatan serta mengganggu proses operasional. Penelitian ini bertujuan mengembangkan model prediktif berbasis Bayesian Networks yang diintegrasikan dengan teknik machine learning untuk memprediksi risiko gangguan sistem kelistrikan akibat sambaran petir di wilayah Jamali. Data historis gangguan dan data sambaran petir dikumpulkan dan dianalisis untuk membangun model probabilistik yang mampu mengidentifikasi area gardu yang paling rentan terhadap gangguan petir. Evaluasi model menunjukkan performa yang cukup baik dengan akurasi sebesar 70%, recall 76%, dan presisi 75%, yang mengindikasikan kemampuan model dalam mendeteksi risiko gangguan secara efektif. Pendekatan ini memungkinkan pengambilan keputusan yang lebih tepat dalam manajemen risiko dan perencanaan pemeliharaan preventif pada sistem kelistrikan Jamali. Hasil penelitian ini memberikan kontribusi penting dalam prediksi gangguan kelistrikan berbasis data, yang dapat diadopsi oleh operator sistem tenaga untuk meningkatkan keandalan dan keamanan pasokan listrik.

---

The Java-Madura-Bali (Jamali) power system is the largest and most critical electricity network in Indonesia, contributing approximately 70% of the nation's total energy production. With a peak load of 28,094 MW and an annual energy production of 197 TWh, the reliability of this system is essential to ensure continuous electricity service to customers. Disruptions to the power system can lead to significant technical and economic impacts, ranging from damage to sensitive electronic devices to the suspension of industrial activities. One of the main causes of disturbances is lightning strikes, which can trigger overvoltages and other voltage disturbances that pose risks to equipment and operational processes. This study aims to develop a predictive model based on Bayesian Networks integrated with machine learning techniques to predict the risk of power system disturbances caused by lightning in the Jamali region. Historical disturbance data and lightning strike data were collected and analyzed to construct a probabilistic model capable of identifying substations most vulnerable to lightning disturbances. Model evaluation showed satisfactory performance with an accuracy of 70%, a recall of 76%, and a precision of 75%, indicating the model's capability to effectively detect disturbance risks. This approach enables more informed decision-making in risk management and preventive maintenance planning for the Jamali power system. The results of this study provide a significant contribution to data-driven power system disturbance prediction, which can be adopted by power system operators to enhance the reliability and security of electricity supply."

"Intelligent tutoring system is a tutor behaviour system which can be used as an alternative goal for interactive e-learning and distant learning. This system can provide an adaptive system to support student's learning and retention process based on their characteristic and needed."

"Efektivitas Wayfinding adalah kesuksesan interaksi antara faktor manusia dan faktor lingkungan yang mampu membuat seseorang berhasil berpindah dari posisi sekarang ke posisi yang ingin dituju dengan waktu yang sesuai dengan kebutuhan. Saat ini proses tersebut belum dimodelkan untuk menggambarkan hubungan dari kesuksesan efektivitas wayfinding tersebut. Penelitian ini bertujuan untuk memodelkan komplek sistem dari aktivita wayfinding dengan menggunakan Bayesian Network dan model tersebut menyesuaikan dengan factor faktor yang di aplikasikan di Terminal 2 Bandara Soekarno Hatta. Model menjelaskan bahwa faktor manusia memiliki dampak yang lebih besar dari faktor lingkungan dalam mempengaruhi efektivitas wayfinding. Untuk Faktor manusia sendiri faktor yang paling berpengaruh adalah previous familiarity diikuti dengan cognitive&spatial skill. Model ini juga memprediksi bahwa navigation pathway memiliki pengaruh lebih besar dari terminal design dalam memberikan dampak pada faktor lingkungan.

---

Wayfinding's effectiveness is the success of interactions between human factors and environmental factors that can make a person succeed in moving from the current position to the position they want to reach with the time that suits their needs. At present the process has not been modeled to illustrate the relationship between the success of the effectiveness of the wayfinding. This study aims to model the system complex of wayfinding activites using the Bayesian Network and the model adapts to the factor factors applied at Terminal 2 of Soekarno Hatta Airport. The model explains that human factors have a greater impact on environmental factors in influencing the effectiveness of wayfinding. For the human factor itself, the most influential factor is the previous familiarity followed by cognitive & spatial skills. This model also predicts that the navigation pathway has a greater influence than terminal design to have an impact on environmental factors."

"ABSTRAKRural Next Generation Networks (R-NGN) technology allows Internet Protocol (IP) based systems to be used in rural areas. This paper reports a testbed of R-NGN that uses low cost Ethernet radio links, combined with media gateways and a softwitch. The network consists of point-to-point IP Ethernet 2.4 GHz wireless link, IP switches and gateways in each community, standard copper wires and telephone sets for users. "

"Efektivitas Wayfinding adalah kesuksesan interaksi antara faktor manusia dan faktor lingkungan yang mampu membuat seseorang berhasil berpindah dari posisi sekarang ke posisi yang ingin dituju dengan waktu yang sesuai dengan kebutuhan. Saat ini proses tersebut belum dimodelkan untuk menggambarkan hubungan dari kesuksesan efektivitas wayfinding tersebut. Penelitian ini bertujuan untuk memodelkan komplek sistem dari aktivita wayfinding dengan menggunakan Bayesian Network, dan model tersebut menyesuaikan dengan faktor-faktor yang di aplikasikan di Terminal 2 Bandara Soekarno Hatta. Model menjelaskan bahwa faktor manusia memiliki dampak yang lebih besar dari faktor lingkungan dalam mempengaruhi efektivitas wayfinding. Untuk Faktor manusia sendiri faktor yang paling berpengaruh adalah previous familiarity diikuti dengan cognitive spatial skill. Model ini juga memprediksi bahwa navigation pathway memiliki pengaruh lebih besar dari terminal design dalam memberikan dampak pada faktor lingkungan.

---

Effective Wayfinding is the successful interplay of human and environmental factors resulting in a person successfully moving from their current position to a desired location in a timely manner. To date this process has not been modelled to reflect this interplay. This paper proposes a complex modelling system approach of wayfinding by using Bayesian Networks to model this process, and applies the model to airports. The model suggests that human factors have a greater impact on effective wayfinding in airports than environmental factors. The greatest influences on human factors are found to be the level of previous experienced by travellers and their cognitive and spatial skills. The model also predicted that the navigation pathway that a traveller must traverse has a larger impact on the effectiveness of an airport rsquo s environment in promoting effective wayfinding than the terminal design."