Hasil Pencarian  ::  Simpan CSV :: Kembali

"Di dalam kehidupan masyarakat yang dituntut untuk melakukan segala sesuatunya secara efisien, kendaraan bermotor menjadi salah satu alat bagi manusia untuk mencapai hal tersebut. Dengan kendaraan bermotor, perjalanan akan menjadi lebih cepat. Namun pada perjalanan yang relatif jauh. Pengguna akan berada di kendaraan pada waktu yang relatif lama. Hal ini membuat topik kenyamanan di dalam berkendaraan menjadi hal yang cukup penting. Kenyaman disini berpengaruh erat dengan keadaan lingkungan atau environment dalam kendaraan. Analisis topik tersebut merupakan sesuatu yang dapat berguna bagi para pengendara dimana jika kita dapat mengetahui tingkat kenyamanan dengan melihat environment dari kendaraan, maka hal ini akan menjadi tolak ukur bagi para pengguna kendaraan untuk mengoptimalkan kenyamanan dalam berkendara. Dalam pengujian ini menggunakan algoritma machine learning sebagai alat bantu untuk mengetahui tingkat kenyamanan dalam berkendara.

---

In people's lives that are required to do everything efficiently, motorized vehicles are one of the tools for humans to achieve this. With a motor vehicle, the trip will be faster. But on a relatively long journey. The user will be in the vehicle for a relatively long time. This makes the topic of comfort in driving become quite important. Comfort here is closely related to the state of the environment or the environment in the vehicle. Analysis of these topics is something that can be useful for motorists where if we can find out the level of comfort by looking at the environment of the vehicle, then this will be a benchmark for vehicle users to optimize driving comfort. In this test, machine learning algorithms are used as a tool to determine the level of comfort in driving."

"Tantangan komputasi dibutuhkan pada analisis data microarray dikarenakan karakteristik data tersebut yang memiliki ukuran yang sangat besar dan memiliki ekspresi gen yang bervariasi di setiap kondisi, seperti contohnya data microarray Human Immunodeficiency Virus-1. Penelitian sebelumnya telah menggunakan ukuran Multi Slope Measure pada algoritma Triclustering Genetic Based tetapi algoritma tersebut belum tersedia secara luas dan belum dapat digunakan semua orang. Penelitian ini bertujuan untuk membangun program Multi Slope Measure pada algoritma Triclustering Genetic Based menggunakan perangkat lunak R berbasis open source pada data microarray ekspresi gen Human Immunodeficiency Virus-1. Pada simulasi program yang dibangun digunakan pada data microarray ekspresi gen untuk melihat kesuksesan program yang telah dibangun. Teknik triclustering diperlukan untuk mengelompokkan data 3 Dimensi berdasarkan data yang memiliki kesamaan pola. Algoritma Triclustering Genetic Based merupakan algoritma yang berdasarkan teori evolusi yang dapat mengelompokkan data dengan ukuran kualitas yang  maksimum. Penelitian ini menargetkan mencari 10 tricluster dan berhasil didapatkan semua 10 tricluster nya. Dari 10 tricluster tersebut didapatkan 6 gen yang berkaitan dengan Human Immunodeficiency Virus-1 yaitu HLA-C, JUN, CCR5, ELF1, CX3CR1, dan GATA-3.

---

Computational challenges are needed in microarray data analysis because the characteristics of the data are very large and have gene expressions that vary in each condition, such as the microarray data for Human Immunodeficiency Virus-1 disease. Previous research used the Multi Slope Measure on the Genetic Based Triclustering algorithm, but the algorithm is not yet globally available and cannot be used by everyone. This study aims to build a Multi Slope Measure program on the Triclustering Genetic Based algorithm using open source-based R software on the microarray data of Human Immunodeficiency Virus-1 disease gene expression. In the simulation of the program that has been built, the program is tested on gene expression microarray data to see its success. The triclustering technique is needed to group 3-dimensional data based on data that has the same pattern. Genetic Based Triclustering Algorithm is an algorithm based on the theory of evolution that can classify data with maximum quality measure. This study aimed to find 10 triclusters and has successfully obtained all 10 triclusters. From the 10 triclusters, 6 genes were found related to Human Immunodeficiency Virus-1, namely HLA-C, JUN, CCR5, ELF1, CX3CR1, and GATA-3."

"Dalam era perkembangan teknologi, penerapan teknologi informasi menjadi kunci untuk meningkatkan efisiensi dan efektivitas operasional perusahaan. Data science memainkan peran penting dalam mengubah data besar menjadi pengetahuan yang berguna untuk pengambilan keputusan. Skripsi ini mengembangkan platform AutoML (Automated Machine Learning) pada aplikasi Lumba.ai yang dirancang untuk mempermudah proses prediksi tanpa memerlukan keterampilan teknis khusus. AutoML menawarkan tur otomatisasi untuk memilih model terbaik berdasarkan dataset yang diberikan, serta menyederhanakan proses pemrosesan data. AutoML diimplementasikan menggunakan message queuer dan worker secara asinkron. Prediksi pada tur AutoML dilakukan menggunakan tiga jenis metode prediksi, yaitu klasi kasi, regresi, dan klaster, dengan berbagai dataset untuk menilai kinerja model yang dihasilkan. Hasil penelitian menunjukkan bahwa Lumba.ai dapat memberikan hasil prediksi yang akurat dan e sien, serta memberikan visualisasi yang informatif untuk analisis lebih lanjut. Saran dan masukan dari pengguna juga diintegrasikan untuk meningkatkan fungsionalitas dan kegunaan platform.

---

In the era of technology development, the application of information technology is crucial for enhancing operational ef ciency and effectiveness. Data science plays a vital role in transforming big data into useful knowledge for decision-making. This thesis develops an AutoML (Automated Machine Learning) feature on Lumba.ai application, designed to facilitate prediction processes without requiring specialized technical skills. Lumba.ai offers automated features for selecting the best model based on the given dataset and simpli es data preprocessing. This feature is implemented by using asynchrnous worker and message queuer. Predictions from AutoML feature involves three types of prediction methods, that is classi cation, regression, and clustering, using various datasets to assess model performance. The results demonstrate that Lumba.ai provides accurate and ef cient predictions and offers informative visualizations for further analysis. User feedback is integrated to enhance the platform’s functionality and usability."

"Dalam era perkembangan teknologi, penerapan teknologi informasi menjadi kunci untuk meningkatkan efisiensi dan efektivitas operasional perusahaan. Data science memainkan peran penting dalam mengubah data besar menjadi pengetahuan yang berguna untuk pengambilan keputusan. Skripsi ini mengembangkan platform AutoML (Automated Machine Learning) pada aplikasi Lumba.ai yang dirancang untuk mempermudah proses prediksi tanpa memerlukan keterampilan teknis khusus. AutoML menawarkan tur otomatisasi untuk memilih model terbaik berdasarkan dataset yang diberikan, serta menyederhanakan proses pemrosesan data. AutoML diimplementasikan menggunakan message queuer dan worker secara asinkron. Prediksi pada tur AutoML dilakukan menggunakan tiga jenis metode prediksi, yaitu klasi kasi, regresi, dan klaster, dengan berbagai dataset untuk menilai kinerja model yang dihasilkan. Hasil penelitian menunjukkan bahwa Lumba.ai dapat memberikan hasil prediksi yang akurat dan e sien, serta memberikan visualisasi yang informatif untuk analisis lebih lanjut. Saran dan masukan dari pengguna juga diintegrasikan untuk meningkatkan fungsionalitas dan kegunaan platform.

---

In the era of technology development, the application of information technology is crucial for enhancing operational ef ciency and effectiveness. Data science plays a vital role in transforming big data into useful knowledge for decision-making. This thesis develops an AutoML (Automated Machine Learning) feature on Lumba.ai application, designed to facilitate prediction processes without requiring specialized technical skills. Lumba.ai offers automated features for selecting the best model based on the given dataset and simpli es data preprocessing. This feature is implemented by using asynchrnous worker and message queuer. Predictions from AutoML feature involves three types of prediction methods, that is classi cation, regression, and clustering, using various datasets to assess model performance. The results demonstrate that Lumba.ai provides accurate and ef cient predictions and offers informative visualizations for further analysis. User feedback is integrated to enhance the platform’s functionality and usability."

"Dalam era perkembangan teknologi, penerapan teknologi informasi menjadi kunci untuk meningkatkan efisiensi dan efektivitas operasional perusahaan. Data science memainkan peran penting dalam mengubah data besar menjadi pengetahuan yang berguna untuk pengambilan keputusan. Skripsi ini mengembangkan platform AutoML (Automated Machine Learning) pada aplikasi Lumba.ai yang dirancang untuk mempermudah proses prediksi tanpa memerlukan keterampilan teknis khusus. AutoML menawarkan tur otomatisasi untuk memilih model terbaik berdasarkan dataset yang diberikan, serta menyederhanakan proses pemrosesan data. AutoML diimplementasikan menggunakan message queuer dan worker secara asinkron. Prediksi pada tur AutoML dilakukan menggunakan tiga jenis metode prediksi, yaitu klasi kasi, regresi, dan klaster, dengan berbagai dataset untuk menilai kinerja model yang dihasilkan. Hasil penelitian menunjukkan bahwa Lumba.ai dapat memberikan hasil prediksi yang akurat dan e sien, serta memberikan visualisasi yang informatif untuk analisis lebih lanjut. Saran dan masukan dari pengguna juga diintegrasikan untuk meningkatkan fungsionalitas dan kegunaan platform.

---

In the era of technology development, the application of information technology is crucial for enhancing operational ef ciency and effectiveness. Data science plays a vital role in transforming big data into useful knowledge for decision-making. This thesis develops an AutoML (Automated Machine Learning) feature on Lumba.ai application, designed to facilitate prediction processes without requiring specialized technical skills. Lumba.ai offers automated features for selecting the best model based on the given dataset and simpli es data preprocessing. This feature is implemented by using asynchrnous worker and message queuer. Predictions from AutoML feature involves three types of prediction methods, that is classi cation, regression, and clustering, using various datasets to assess model performance. The results demonstrate that Lumba.ai provides accurate and ef cient predictions and offers informative visualizations for further analysis. User feedback is integrated to enhance the platform’s functionality and usability."

"Industri pengolahan feronikel menghadapi tantangan kompleksitas proses, efisiensi energi, dan variabilitas kualitas produk, yang sebagian besar masih dikelola secara manual. Pada praktiknya, kontrol proses ini masih mengandalkan intuisi dan pengalaman operator untuk melakukan penyesuaian parameter. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model prediksi sekuensial berbasis machine learning (ML) untuk mesin rotary kiln (RK) dan electric furnace (EF), guna meningkatkan akurasi prediksi dan interpretabilitas dalam optimasi proses. Data historis operasional digunakan dan melalui tahap pra-pemrosesan yang termasuk imputasi missing value dengan Random Forest Imputation dan penanganan outlier dengan Local Winsorizing, yang terbukti signifikan dalam meningkatkan stabilitas data dan performa model. Model prediksi dikembangkan dalam arsitektur dua tahap, di mana keluaran prediksi dari model RK menjadi masukan bagi model EF. Evaluasi komprehensif terhadap berbagai algoritma ML menunjukkan bahwa Support Vector Regressor (SVR) optimal untuk prediksi RK dan XGBoost unggul untuk prediksi EF, secara konsisten menghasilkan error prediksi terendah. Secara spesifik, pada prediksi suhu kalsinasi (t kalsin), model SVR mencapai nilai MAE 27.74, MSE 1288.59, dan RMSE 35.90. Sementara itu, pada prediksi suhu logam akhir (metal temp), model XGBoost mencapai nilai MAE 9.91, MSE 239.50, dan RMSE 15.48. Analisis sensitivitas lebih lanjut mengonfirmasi bahwa propagasi kesalahan dalam pipeline sekuensial dapat diminimalisasi, yang dibuktikan dengan perbedaan MAE rata-rata antara penggunaan input aktual dan prediksi RK yang kurang dari 0.005 untuk sebagian besar variabel output EF. Melalui analisis Explainable AI (SHAP), fitur-fitur dominan yang memengaruhi proses diidentifikasi, sekaligus mengungkap interaksi non-linear yang krusial untuk pemahaman dinamika proses. Secara keseluruhan, model yang dikembangkan menunjukkan akurasi, robustness, dan interpretabilitas tinggi, menjadikannya solusi yang layak untuk mendukung pengambilan keputusan berbasis data di industri pengolahan feronikel yang kompleks dan dinamis.

---

The ferronickel processing industry faces challenges related to process complexity, energy efficiency, and product quality variability, which are still largely managed manually. In practice, process control relies heavily on operator intuition and experience for parameter adjustments. This study aims to develop and evaluate a sequential prediction model based on machine learning (ML) for the rotary kiln (RK) and electric furnace (EF) machines to enhance prediction accuracy and interpretability for process optimization. Historical operational data were used and subjected to a pre-processing stage that included missing value imputation with Random Forest Imputation and outlier handling with Local Winsorizing, which proved significant in improving data stability and model performance. The prediction model was developed in a two-stage architecture, where the predicted output from the RK model serves as an input for the EF model. A comprehensive evaluation of various ML algorithms showed that Support Vector Regressor (SVR) is optimal for RK prediction and XGBoost excels for EF prediction, consistently yielding the lowest prediction errors. Specifically, for calcine temperature prediction (t kalsin), the SVR model achieved an MAE of 27.74, MSE of 1288.59, and RMSE of 35.90. Meanwhile, for final metal temperature prediction (metal temp), the XGBoost model achieved an MAE of 9.91, MSE of 239.50, and RMSE of 15.48. Further sensitivity analysis confirmed that error propagation in the sequential pipeline can be minimized, as evidenced by a mean absolute error difference of less than 0.005 for most EF output variables between using actual and predicted RK inputs. Through Explainable AI (SHAP) analysis, dominant features influencing the process were identified, while also uncovering crucial non-linear interactions for understanding process dynamics. Overall, the developed models demonstrate high accuracy, robustness, and interpretability, making them a viable solution to support data-driven decision-making in the complex and dynamic ferronickel processing industry. "

"Industri pengolahan feronikel menghadapi tantangan kompleksitas proses, efisiensi energi, dan variabilitas kualitas produk, yang sebagian besar masih dikelola secara manual. Pada praktiknya, kontrol proses ini masih mengandalkan intuisi dan pengalaman operator untuk melakukan penyesuaian parameter. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model prediksi sekuensial berbasis machine learning (ML) untuk mesin rotary kiln (RK) dan electric furnace (EF), guna meningkatkan akurasi prediksi dan interpretabilitas dalam optimasi proses. Data historis operasional digunakan dan melalui tahap pra-pemrosesan yang termasuk imputasi missing value dengan Random Forest Imputation dan penanganan outlier dengan Local Winsorizing, yang terbukti signifikan dalam meningkatkan stabilitas data dan performa model. Model prediksi dikembangkan dalam arsitektur dua tahap, di mana keluaran prediksi dari model RK menjadi masukan bagi model EF. Evaluasi komprehensif terhadap berbagai algoritma ML menunjukkan bahwa Support Vector Regressor (SVR) optimal untuk prediksi RK dan XGBoost unggul untuk prediksi EF, secara konsisten menghasilkan error prediksi terendah. Secara spesifik, pada prediksi suhu kalsinasi (t kalsin), model SVR mencapai nilai MAE 27.74, MSE 1288.59, dan RMSE 35.90. Sementara itu, pada prediksi suhu logam akhir (metal temp), model XGBoost mencapai nilai MAE 9.91, MSE 239.50, dan RMSE 15.48. Analisis sensitivitas lebih lanjut mengonfirmasi bahwa propagasi kesalahan dalam pipeline sekuensial dapat diminimalisasi, yang dibuktikan dengan perbedaan MAE rata-rata antara penggunaan input aktual dan prediksi RK yang kurang dari 0.005 untuk sebagian besar variabel output EF. Melalui analisis Explainable AI (SHAP), fitur-fitur dominan yang memengaruhi proses diidentifikasi, sekaligus mengungkap interaksi non-linear yang krusial untuk pemahaman dinamika proses. Secara keseluruhan, model yang dikembangkan menunjukkan akurasi, robustness, dan interpretabilitas tinggi, menjadikannya solusi yang layak untuk mendukung pengambilan keputusan berbasis data di industri pengolahan feronikel yang kompleks dan dinamis.

---

The ferronickel processing industry faces challenges related to process complexity, energy efficiency, and product quality variability, which are still largely managed manually. In practice, process control relies heavily on operator intuition and experience for parameter adjustments. This study aims to develop and evaluate a sequential prediction model based on machine learning (ML) for the rotary kiln (RK) and electric furnace (EF) machines to enhance prediction accuracy and interpretability for process optimization. Historical operational data were used and subjected to a pre-processing stage that included missing value imputation with Random Forest Imputation and outlier handling with Local Winsorizing, which proved significant in improving data stability and model performance. The prediction model was developed in a two-stage architecture, where the predicted output from the RK model serves as an input for the EF model. A comprehensive evaluation of various ML algorithms showed that Support Vector Regressor (SVR) is optimal for RK prediction and XGBoost excels for EF prediction, consistently yielding the lowest prediction errors. Specifically, for calcine temperature prediction (t kalsin), the SVR model achieved an MAE of 27.74, MSE of 1288.59, and RMSE of 35.90. Meanwhile, for final metal temperature prediction (metal temp), the XGBoost model achieved an MAE of 9.91, MSE of 239.50, and RMSE of 15.48. Further sensitivity analysis confirmed that error propagation in the sequential pipeline can be minimized, as evidenced by a mean absolute error difference of less than 0.005 for most EF output variables between using actual and predicted RK inputs. Through Explainable AI (SHAP) analysis, dominant features influencing the process were identified, while also uncovering crucial non-linear interactions for understanding process dynamics. Overall, the developed models demonstrate high accuracy, robustness, and interpretability, making them a viable solution to support data-driven decision-making in the complex and dynamic ferronickel processing industry. "