Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :

Vertical Roller Mill (VRM) merupakan tipe baru peralatan grinding, yang mengkombinasikan berbagai fungsi proses dalam pengoperasiannya termasuk proses grinding, proses pengeringan, dan proses pemisahan, dan merupakan peralatan grinding yang memiliki efisisensi energi yang tinggi. Stabilitas pengendalian operasi dan kehalusan raw meal yang sesuai dengan kualitas merupakan factor penting untuk mendapatkan kondisi operasi normal pada VRM.

Penelitian ini bertujuan mendapatkan metode pemodelan bagi VRM untuk memprediksi residu 90 mikron dan residu 200 mikron dari produk raw meal menggunakan Back Propagation Neural Network (BPNN). Pembuatan model BPNN dapat dilakukan dalam beberapa langkah, yaitu persiapan data input, menentukan sturuktur BPNN, pemilihan optimizer dan loss function, dan pelatihan BPNN serta evaluasi model yang dibuat.

Normalisasi data merupakan bagian dari persiapan data input, yang mana metode ini mengubah nilai output kedalam nilai kisaran baru. Sedangkan untuk arsitektur model, pada penelitian ini BPNN dirancang dengan menggunakan 4 variabel dan 6 variabel pada lapisan masukan, 4 lapisan tersembunyi dengan 52 neuron untuk setiap lapisannya. Sedangkan lapisan keluaran memiliki 2 variabel keluaran.

Pada penelitian ini menggunakan 3 tipe optimizer untuk mengoptimalkan parameter loss function, yaitu Adagrad, Adam, dan RMSprop. Dari hasil evaluasi pada model, penggunaan RMSprop optimizer dan MSE sebagai loss function memberikan hasil yang lebih baik dalam memprediksi data kualitas residu produk VRM dibandingkan optimizer lainnya.

 

---

Vertical Roller Mill (VRM) is a new type of grinding equipment, which combines multiple functions that include grinding, drying, and separating, and is energy efficient grinding equipmen. Stability of the process control and suitable raw meal fineness are the key factors to determine the normal operation of the VRM.

This study proposes a method for modeling the VRM to predict residue 90 micron and residue 200 micron of the raw meal product using Back Propagation Neural Network (BPNN). Making a neural network model in BPNN can be done in a few steps. The modelling step is input preparation, BPNN structure determination, optimizer and loss function selection, training BPNN and model evaluation.

Normalization is part of input preparation. This method resets the feature or output to a range of new values. For structure architecture, BPNN Modeling VRM Raw Meal uses one input layer with 4 and 6 input variables, with 4 hidden layers with 52 neuron for each hidden layers. While the output consists of one layer with 2 target output variables.

In this research, the modeling using 3 optimizers to optimize parameter of loss function. The optimizers are Adagrad, Adam, and RMSprop. From model evaluation, RMSprop optimizer and MSE loss function show better modelling results than others to predict residue data quality of the VRM raw meal products.

 

Abstrak :

Selama masa pandemi COVID-19, teknologi Automatic Speech Recognition (ASR) menjadi salah satu fitur yang sering digunakan pada komputer untuk mencatat di kelas online secara realtime. Teknologi ini akan bekerja dimana setiap suara yang muncul akan langsung dikenali dan dicatat pada halaman terminal. Dalam penelitian ini, model ASR Wav2Letter akan digunakan menggunakan CNN (Convolution Neural Network) dengan loss function CTC (Connectionist Temporal Classification) dan ASG (Auto Segmentation Criterion). Selama proses pembuatannya, berbagai hyperparameter acoustic model dan language model dari model ASR Wav2Letter terkait dengan implementasi batch normalization¸ learning-rate, window type, window size, n-gram language model, dan konten language model diuji pengaruh variasinya terhadap performa model Wav2Letter. Dari pengujian tersebut, ditemukan bahwa model ASR Wav2Letter menunjukkan performa paling baik ketika acoustic model menggunakan metode ASG dengan learning-rate 9 × 10−5 , window size 0.1, window type Blackman, serta 6-gram language model. Berdasarkan hasil akurasi WER CTC unggul 1,2% dengan 40,36% berbanding 42,11% dibandingkan ASG, namun jika dilihat lamanya epoch dan ukuran file model, loss function ASG memiliki keunggulan hampir dua kalinya CTC, dimana ASG hanya membutuhkan setengah dari jumlah epoch yang dibutuhkan oleh CTC yakni 24 epoch berbanding dengan 12 epoch dan ukuran file model ASG setengah lebih kecil dibandingkan CTC yakni 855,2 MB berbanding dengan 427,8 MB. Pada pengujian terakhir, model ASR Wav2Letter dengan loss function ASG mendapatkan hasil terbaik dengan nilai WER 29,30%. Berdasarkan hasil tersebut, model ASR Wav2Letter dengan loss function ASG menunjukkan perfoma yang lebih baik dibandingkan dengan CTC.

---

During the COVID-19 pandemic, Automatic Speech Recognition technology (ASR) became one of features that most widely used in computer to note down online class in real-time. This technology works by writing down every word in terminal from voice that is recognized by the system. ASR Wav2Letter model will use CNN (Convolutional Neural Network) with loss function CTC (Connectionist Temporal Classification) and ASG (Auto Segmentation Criterion). While developing Wav2Letter, various hyperparameter from acoustic model and language model is implemented such as batch normalization, learning rate, window type, window size, n-gram language model, and the content of language model are examined against the performance of Wav2Letter model. Based on those examination, Wav2Letter shows best performance when it uses ASG loss function learning rate 9 × 10−5 , window size 0.1, window type Blackman, and 6-gram language model. With that configuration, WER of CTC outplay ASG around 1.2% with 40.36% compare to 42,11%, but another parameter shows ASG are way more superior than CTC with less time epoch training which are 24 epoch for CTC against 12 epoch for ASG and the size of memory model shows CTC has bigger size than ASG with 855.2 MB against 427.8 MB. In the last test, ASR Wav2Letter model with ASG loss function get the best WER value around 29.3%. Based on those results, ASR Wav2Letter Model shows its best performance with ASG loss function than CTC.

Abstrak :
Distribusi Exponentiated Exponential (EE) adalah pengembangan dari distribusi Exponential dengan cara menambahkan sebuah parameter bentuk alpha. Distribusi ini digunakan untuk mengatasi masalah ketidakfleksibilitas dari distribusi Exponential. Untuk melakukan inferensi mengenai permasalahan yang dimodelkan dengan distribusi EE, perlu dilakukan penaksiran parameter. Pada skripsi ini akan dibahas mengenai penaksiran parameter distribusi dari distribusi Exponentiated Exponential pada data tersensor kiri menggunakan metode Bayesian. Prosedur penaksiran meliputi penentuan distribusi prior yaitu digunakan distribusi prior konjugat, pembentukan fungsi likelihood dari data tersensor kiri, dan pembentukan distribusi posterior. Penaksir Bayes kemudian diperoleh dengan cara meminimumkan risiko posterior berdasarkan fungsi loss Squared Error Loss Function (SELF) dan Precautionary Loss Function (PLF). Kemudian setelah diperoleh perumusan penaksir Bayes, simulasi data dilakukan untuk membandingkan hasil taksiran parameter menggunakan fungsi loss SELF dan PLF yang dilihat dari nilai Mean Square Error (MSE) yang dihasilkan. Fungsi loss dikatakan lebih efektif digunakan dalam merumuskan penaksir Bayes apabila penaksir Bayes yang diperoleh menghasilkan nilai MSE yang lebih kecil. Berdasarkan hasil simulasi, fungsi loss PLF lebih efektif digunakan untuk alpha≤1, sedangkan fungsi loss SELF lebih efektif digunakan untuk alpha>1. ......Exponentiated Exponential (EE) distribution is the development of Exponential Distribution by adding alpha as a shape parameter. This distribution can solve unflexibility issue in Exponential distribution. In order to make inferences about any cases modeled with EE distribution, parameter estimation is required. This thesis will discuss about parameter estimation of Exponentiated Exponential distribution for left censored data using Bayesian method. Parameter estimation procedure are selection of prior distribution which is conjugate prior, likelihood construction for left censored data, and then forming posterior distribution. Bayes estimator can be obtained by minimize posterior risk based on Squared Error Loss Function (SELF) and Precautionary Loss Function (PLF). After Bayes estimator is obtained, simulation is done to compare the results of Bayes estimator using SELF and PLF which are seen from the result of Mean Square Error (MSE). Loss function is said to be more effective to obtain Bayes estimator if the resulting Bayes estimator yield smaller MSE. Based on simulation, PLF more effective for alpha ≤ 1, while SELF more effective for alpha>1.

Abstrak :
Penelitian ini menjelaskan bagaimana optimasi dari setiap kombinasi faktor dalam proses laminasi dapat dicapai dengan menggunakan metode Taguchi yang ditopang oleh model simulasi neural network. Model yang dibangun dari neural network memudahkan pencarian data eksperimen tanpa melakukan eksperimen tersebut secara aktual. Penulis juga menghitung berapa biaya kualitas dari proses tersebut pada keadaan awal dan keadaan sesudah dilakukan pendekatan optimasi dengan dua metode di atas. Dengan analisa yang didasari kedua metode tadi, maka dapat dianalisa seberapa besar nilai Taguchi Expected Loss dari proses tersebut. Penulis menghitung biaya produksi ini dengan menggunakan pendekatan Taguchi Loss Function sebagai basis kriteria biaya kualitas. ......This study describes how the optimization of each combination in the process of lamination can be achieved by using the Taguchi method and combination with Neural Network. Model was built from neural network model to search for experimental data without performing the actual experiments. The author also calculates how much its quality costs of the process in the initial condition and circumstances after the optimization approach. With both methods of analysis, it can analyze how much the value of Taguchi Expected Loss of the process. The author calculates the production cost by using the approach of Taguchi Loss Function as the basis of criteria of quality costs.

Abstrak :
Dalam tesis ini dilakukan desain template pada klasifikasi bentuk lengkung gigi menggunakan regresi kuadratik. Desain template ini sangat diperlukan untuk membedakan 3 bentuk lengkung gigi yaitu Tapered, Ovoid, dan Square. Ketiga bentuk lengkung gigi tersebut mempunyai kemiripan sangat dekat sehingga dilakukan suatu desain template yang lebih spesifik agar didapat hasil klasifikasi yang baik. Dasar dari pembentukkan desain template bentuk lengkung gigi adalah lebar interkaninus, tinggi interkaninus, dan tinggi intennolar. Pengklasifikasian berdasarkan 3 variabel itu menjadi lebih baik dibandingkan hanya dengan template tunggal. Desain template dibagi dalam 4 skenario. Pertama, rahang atas dan rahang bawah. Kedua, rasio dari tinggi kaninus dan lebar kaninus. Ketiga, lebar kaninus dan keempat, rasio dari tinggi intennolar dan lebar interkaninus Metode yang digunakan pada desain template ini adalah metode regresi kuadratik. Sedangkan proses klasifikasi bentuk lengkung gigi menggunakan metode least square loss function. Uji coba dilakukan terhadap 120 citra gigi yang didapat dari beberapa klinik gigi di Jakarta. Hasil klasifikasi dari desain template yang diusulkan mempunyai akurasi 16,6% lebih baik dibandingkan dengan desain template tunggal. Desain template ini diharapkan dapat membantu dalam menentukan klasifikasi bentuk lengkung gigi dari citra model cetakan gigi sehingga dapat membuat diagnosa guna perencanaan perawatan yang tepat. ......In this thesis, template design of dental arch classification is accomplished using quadiatic regression. This template design is required to differ 3 types of dental arch, namely: Tapered, Ovoid, and Square. These 3 types of the dental arch has close similarity among them, therefore a more specific template design is needed in order to obtain the better classification result. The parameters of the dental arch template design are the width of intercanine, height of intercanine, and the height of intermolar. The classification based on those 3 variables yields better results than the classification based only single template. The template design is divided into 4 scenarios: (1) the upper jaw & mandible (2) height-width ratio of intercanine, (3) width of intercanine, and (4) ratio of intermolar height - width intercanine. The method used in this template design is quadratic regression method. Meanwhile, the classification of dental arch form uses least square loss fiinction method. An experiment involves 120 dental images obtained from several dental clinic in Jakarta. The classification results using proposed template design yield accuracy 16,6% better than the classification using single template. This template design is supposed to assist the decision process of classification dental arch fonn from the model image of dental mold, so the diagnosis can be obtained for convenient dental treatment.

Abstrak :
Penelitian dalam bidang asuransi masih jarang mempertimbangkan risiko yang akan ditanggung oleh perusahaan reasuransi. Secara teori, tanggungan risiko yang dapat diterima oleh reasuransi tidak terbatas. Tetapi, secara aplikasinya dalam industri asuransi, perusahaan reasuransi selalu menetapkan batas penerimaan risiko. Hal ini bertujuan untuk menghindari beban finansial yang sangat berat bila terjadi loss pada perusahaan asuransi. Pada skripsi ini, akan dibahas penggunaan metode pengukuran risiko Value-at-Risk VaR dalam penentuan reasuransi optimal. Untuk menganalisis VaR total tanggungan perusahaan asuransi maka akan didapat ceded loss function yang optimal. Melalui skripsi ini, diperoleh bahwa bentuk stop-loss reinsurance dengan pembatasan selalu merupakan reasuransi yang optimal. Penentuan reasuransi optimal bergantung kepada tingkat kepercayaan, safety loading dan hubungan diantaranya. Dalam skripsi ini akan dicari reasuransi optimal untuk produk Panin Premier Maxilinked berdasarkan data klaim yang ada.

---

Most researchers in insurance field have not been considering the reinsurer's risk. Theoretically, the quantity of reinsurer's risk is not limited. However, in the real world insurance industry reinsurer always place a limit on coverage, otherwise the reinsurer will be subjected to a heavy financial burden when the insurer suffers a large unexpected covered loss. In this paper, we revisit the optimal reinsurance problem under VaR risk measures framework when the limitation for reinsurer's risk exposure are presented by a constants. By analyzing the VaR of the insurer's total risk exposure, optimality can be fulfilled and end up in obtaining the expected reinsurance policy. Through the study, it is shown that the stop loss reinsurance with a policy limit is always the optimal reinsurance policy under VaR risk measures. The optimal quantity of ceded risk depends on the confidence level, the safety loading and the limitation of the constant. By using the Panin Premier Maxilinked product claims data, an optimal reinsurance will be found.

Abstrak :
Distribusi Burr Tipe XII atau yang biasa dikenal dengan distribusi Burr merupakan salah satu dari dua belas tipe distribusi kontinu dalam sistem Burr. Distribusi Burr mempunyai karakteristik menceng kanan dan mempunyai tail yang tebal. Distribusi Burr dapat diterapkan dalam berbagai masalah survival. Untuk mempelajari lebih lanjut, perlu dilakukan penaksiran parameter. Pada skripsi ini akan dibahas mengenai penaksiran parameter distribusi Burr pada data tersensor kanan dengan metode Bayes. Prosedur penaksiran adalah dengan menentukan distribusi prior yang digunakan, yaitu conjugate prior, pembentukan fungsi likelihood untuk data tersensor kanan dan pembentukan distribusi posterior. Penaksir Bayes didapatkan dengan cara meminimumkan fungsi risiko posterior berdasarkan fungsi loss. Fungsi loss yang digunakan adalah Square Error Loss Function (SELF) dan Precautionary Loss Function (PLF). Setelah didapatkan penaksir Bayes, dilakukan simulasi data untuk membandingkan keefektifan taksiran parameter dari kedua fungsi loss menurut Mean Square Error (MSE). Yang dimaksud penaksir yang efektif adalah penaksir yang mempunyai MSE lebih kecil. Selain itu dilihat juga pengaruh intensitas tersensor pada kedua fungsi loss menurut MSE. Berdasarkan hasil simulasi, penaksir Bayes dengan PLF lebih efektif daripada SELF dan semakin besar intensitas tersensor maka MSE yang dihasilkan semakin besar untuk kedua fungsi loss. ......Burr Type XII distribution is known as Burr distribution, is one of the twelve types continous distribution on Burr system. Burr distribution is heavy-tailed and right-skewed. Burr distribution has an important role in survival analysis. To learn more, parameter estimation is needed. This study will explain about parameter estimation of Burr distribution for right censored data with Bayes method. Procedure for estimating parameter are, determine which prior distribution to use, that is conjugate prior, likelihood function construction for right censored data and calculation of posterior distribution. Bayes estimator is obtained by minimize posterior risk function based on loss function. This study will use Square Error Loss Function (SELF) and Precautionary Loss Function (PLF). After Bayes estimator is obtained, simulation will be done to compare the effectiveness of Bayes estimator with both loss function according to Mean Square Error (MSE). What is meant by effective estimator is it has smaller MSE. Besides, this study is also explained the effect of the censored intensity according to MSE. Based on simulation results, Bayes estimator with PLF is more effective than SELF and greater censored intensity, greater MSE produced, for both loss function.