Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 2 dokumen yang sesuai dengan query
cover
Tansa Trisna Astono Putri
"ABSTRAK
Kebebasan berpendapat melalui media sosial untuk mengungkapkan pikiran, pendapat dan tanggapan terhadap suatu topik tertentu menimbulkan dampak negatif berupa konten yang menebarkan kebencian. Penelitian ini bertujuan untuk melakukan deteksi sebuah informasi yang merupakan ujaran kebencian di media sosial Twitter. Data yang digunakan berjumlah 4.002 data sentimen terkait topik politik, agama, suku dan ras di Indonesia. Pada pembangunan model, penelitian ini menggunakan metode klasifikasi sentimen dengan algoritma machine learning seperti Na ve Bayes, Multi Level Perceptron, AdaBoost Classifier, Random Forest Decision Tree dan Support Vector Machine SVM . Di samping itu, penelitian ini juga melakukan perbandingan performa model dengan menggunakan unigram, bigram dan unigram-bigram dalam proses fitur ekstraksi dan penggunaan SMOTE untuk mengatasi imbalanced data. Evaluasi dari percobaan yang dilakukan menunjukkan bahwa algoritma AdaBoost menghasilkan model terbaik dengan nilai recall tertinggi yaitu 99.5 yang memiliki nilai akurasi sebesar 70.0 dan nilai F1-score sebesar 82.2 untuk klasifikasi ujaran kebencian apabila menggunakan bigram.

ABSTRACT
Freedom of expression through social media to express idea, opinion and view about current topic causes negative impact as the rise of hateful content. This study aims to detect a hate speech information through Twitter. Dataset of this study consists of 4.002 sentiment data related to politic, race, religion and clan topic. The model development of this study conducted by sentiment classification method with machine learning algorithm such as Na ve Bayes, Multi Level Perceptron, AdaBoost Classifier, Random Forest Decision Tree and Support Vector Machine SVM . We also conduct a comparison of model performance that used unigram, bigram, unigram bigram feature and SMOTE to handle imbalanced data. Evaluation of this study showed that AdaBoost algorithm resulted the best classification model with the highest recall model which was 99.5 , accuracy score as much as 70.0 and F1 score 82.2 to classify hate speech when using bigram features."
2018
TA-Pdf
UI - Tugas Akhir  Universitas Indonesia Library
cover
Napitupulu, Haposan Yoga Pradika
"
Net Zero Emission sudah menjadi hal yang penting bagi setiap negara, salah satu yang dilakukan adalah dengan cara melakukan efisiensi energi. Dalam sebuah laporan yang dirilis oleh International Energy Agency (IEA) pada September 2022 menyebutkan bahwa efisiensi energi dan elektrifikasi adalah prioritas utama bagi Negara Indonesia dalam mencapai Net Zero Emission. Direktorat Jenderal Energi Baru Terbarukan dan Konservasi Energi Indonesia mengungkapkan bahwa peningkatan efisiensi energi harus menjadi prioritas dan menetapkan target penurunan konsumsi energi final sebesar 17% dibandingkan business as usual pada 2025. Saat ini, lebih dari 50% konsumsi energi pada gedung diperuntukan untuk sistem pendinginan (Chiller Plant). Sehingga efisiensi energi dalam sistem pendinginan sangat potensial untuk membantu menekan Net Zero Emission dan mendukung SDG. Maka dari itu dalam penelitian ini diajukan beberapa Framework Sistem Optimisasi Kinerja Sistem Pendingin Berbasis Multi Stack LSTM dan Deep Learning Neural Network. Hasil variabel prediksi keluaran dari Framework yang dikembangkan antara lain chilled water supply temperature, chilled water flow, condenser water supply temperature, condenser water flow dan cooling tower frequency. Hasil dari framework tersebut kemudian dilakukan uji simulasi dengan menggunakan model chiller plant. Dari hasil pengujian didapatkan bahwa framework terbaik yakni dengan menggunakan model Framework tipe 1. Framework 1 merupakan model paralel antara Multi Stack LSTM untuk Wet Bulb Temperature (Twb) dan kinerja yang kemudian diserikan dengan Deep Learning Neural Network Multi Output untuk mendapatkan variabel keluaran parameter setting. Hasil pengujian menunjukkan metriks evaluasi MAE, MSE, RMSE secara berurutan adalah 0.8079, 0.6527, 0.8079 dan dapat menurunkan konsumsi energi sebesar 10.72%.

Net Zero Emission has become important for every country, one way to do this is by implementing energy efficiency. In a report released by the International Energy Agency (IEA) in September 2022, it was stated that energy efficiency and electrification are the main priorities for Indonesia in achieving Net Zero Emissions. The Directorate General of New, Renewable Energy and Energy Conservation Indonesia stated that increasing energy efficiency must be a priority and set a target of reducing final energy consumption by 17% compared to business as usual in 2025. Currently, more than 50% of energy consumption in buildings is intended for cooling systems (chillers plants). So energy efficiency in cooling systems has great potential to help reduce Net Zero Emissions and support the SDGs. Therefore, in this research, several Frameworks for Optimization Control System for Chiller Plant Based on Multi Stack LSTM and Deep Learning Neural Network are proposed. The output prediction variables from the developed Framework are chilled water supply temperature, chilled water flow, condenser water supply temperature, condenser water flow and cooling tower frequency. The results of the framework are then carried out in simulation test using a chiller plant model. From the test results, it was found that the best framework is using the Framework type 1. Framework 1 is a parallel model between Multi Stack LSTM for Wet Bulb Temperature (Twb) and performance which is then serialized with Deep Learning Neural Network Multi Output to obtain the parameter setting output variables. The test results show that the evaluation metrics MAE, MSE, RMSE are 0.8079, 0.6527, 0.8079 respectively and can reduce energy consumption by 10.72%."
Depok: Fakultas Teknik Universitas Indonesia, 2024
T-pdf
UI - Tesis Membership  Universitas Indonesia Library