Hasil Pencarian  ::  Simpan CSV :: Kembali

"Selain menggunakan mesin pencari dalam mengumpulkan informasi, individu juga dapat memanfaatkan jaringan sosialnya dalam mengumpulkan informasi. Namun, proses mencari informasi dalam jaringan sosial adalah hal yang melelahkan dan memakan waktu, dimana individu harus mengikuti rujukan dari koleganya sampai menemukan informasi yang dibutuhkannya. Agent-based referral network adalah suatu multiagent system yang digunakan untuk menemukan seseorang (misalnya, pakar dalam suatu bidang) dengan memanfaatkan proses merujuk. Dalam tugas akhir ini diajukan agentbased referral network yang diadaptasi untuk menemukan informasi dari jaringan sosial.Query dari pengguna akan dilihat oleh agent dan agent akan memulai proses merujuk dengan mengirimkan query kepada agent lain yang dinilai mampu menjawab atau mampu untuk memberikan referral yang baik. Jawaban yang diterima agent adalah query yang dinilai sesuai dengan query asal oleh agent lain beserta daftar dokumen yang telah dinilai relevansinya terhadap query tersebut. Ujicoba dilakukan pada koleksi query yang disimpan oleh www.excite.com. Hasil ujicoba menunjukkan bahwa agent mampu meningkatkan keberhasilan dalam menemukan informasi setelah melakukan pembelajaran."

"Sistem rekomendasi adalah sebuah teknik untuk menyediakan saran terkait suatu hal yang dapat dimanfaatkan oleh pengguna. Saran dapat berupa produk maupun jasa yang ditawarkan. Saran yang diberikan adalah produk atau jasa yang belum pernah digunakan atau dibeli oleh pengguna tersebut. Sistem rekomendasi, khususnya dengan menggunakan K-Nearest Neighbor KNN , mencapai kesuksesan pada beberapa akhir tahun ini.Penelitian ini akan diimplementasikan K-Nearest Neighbor pada komputasi terdistribusi yaitu MapReduce untuk merancang sistem rekomendasi dengan menggunakan Item Based Collaborative Filtering IBCF dan User Based Collaborative Filtering UBCF pada dataset Movielens 100k. Penelitian akan menggunakan beberapa komputasi penghitung kesamaan yaitu Cosine Based Similarity, Pearson Correlation Similarity dan Euclidean Distance.Hasil percobaan yang didapat adalah algoritma Euclidean Distance menghasilkan performa terbaik dalam waktu proses dan nilai keakuratan. Pada pendekatan IBCF, Euclidean Distance membutuhkan waktu proses dengan rata-rata 13 sekon dan nilai korelasi sebesar 0.84. Sedangkan pada UBCF, Euclidean Distance membutuhkan waktu proses dengan rata-rata 32 sekon dan nilai korelasi sebesar 0.84.

---

Recommender system is a technique to provide suggestions related to a thing that can be used for user. Suggestions can be products and services offered. The advice given is a product or service that has never been used or purchase by the user. The recommendation system, especially by using K Nearest Neighbor KNN , achieving success in several year.

This research will be implemented K Nearest Neighbor at distributed process that called MapReduce to arrange system by using Item Based Collaborative Filtering IBCF and User Based Collaborative Filtering UBCF on Movielens 100k dataset. The research will use several techniques to compute similarities such as Cosine Based Similarity, Pearson Correlation Similarity and Euclidean Distance.

The result of the experiment is Euclidean Distance algorithm give the best performance in process time and correlation. In the IBCF approach, Euclidean Distance takes process around 13 seconds and correlation value is 0.84. And at UBCF, Euclidean Distance takes processing time around 32 seconds and correlation value is 0.84."

"Fungsi pemeliharaan haruslah dianggap sebagai bagian yang terintegrasi dari semua komponen yang ada pada sistem perusahaan, baik dalam rangka kegiatan operasi maupun pelayanan kepada konsumen. Untuk itu diperlukan adanya peningkatan kualitas kegiatan pemeliharaan yang dilaksanakan baik dari segi personil maupun sistem yang dikembangkan. Oleh karenanya diperlukan pembakuan sistem dan prosedur kerja secara menyeluruh sehingga dalam pelaksanaannya dapat lebih terorganisir dengan rapi dan dapat dievaluasi tingkat perkembangannya. Dalam sistem pemeliharaan yang dilaksanakan di Departemen Engineering PT Texmaco Jaya Pemalang, prosedur kerja yang ada untuk setiap kegiatan hanya mengacu pada pola kerja yang telah biasa dilaksanakan. Tidak adanya sistem dan prosedur yang baku dalam kegiatan pemeliharaan ini mengakibatkan kurang terstrukturnya pola kerja setiap teknisi dalam penanganan suatu masalah yang berkaitan dengan pemeliharaan. Di samping itu manajemen data yang ada, yang diperlukan dalam rangka mendukung kegiatan pemeliharaan ini masih dilaksanakan secara manual dimana hal ini berakibat pada tingkat keefektifan waktu penyediaan informasi yang dibutuhkan. Berkaitan dengan masalah tersebut di atas, maka penulis mencoba untuk merancang sebuah sistem informasi manajemen pemeliharaan yang diarahkan kepada pelaksanaan TPM (Total Productive Maintenance) sebagai sarana dalam peningkatan kualitas pemeliharaan melalui penentuan standar sistem dan prosedur kegiatan pemeliharaan dengan mengacu pada kondisi yang telah ada. Selain itu sebagai pendukung penyediaan informasi yang dibutuhkan, maka dibuat pula sebuah manajemen database yang terkomputerisasi yang diharapkan mampu menjadi acuan dalam analisa kondisi pemeliharaan secara menyeluruh baik bagi teknisi maupun pihak menajemen perusahaan. Adapun pengolahan data dalam manajemen basis data yang dipakai pada skripsi ini adalah Microsoft Access 97 for Windows 95 dan sistem yang dirancang ini dibatasi hanya sampai tahap pengembangan. Dengan adanya sistem informasi menajemen pemeliharaan yang dikembangkan ini, maka diharapkan dapat meningkatkan efektivitas kegiatan pemeliharaan serta kualitas pelaksanaannya yang akhirnya akan dapat meningkatkan daya saing perusahaan secara umum sehingga mampu bertahan dalam persaingan dunia usaha yang semakin ketat dewasa ini."

"The advancement in computer-information technology nowdays has come to a revolutionary development which affect the current information sources. One of the latest forms of information source is the digital publishing/e-publishing which can be accessed from computer network. A number of changes have happened which leads is to a demand that librarians as information providers have to be able to create a system which is user friendly. This can be done by creating information architecture, database integration and human computer interaction systems or good user interface so that users are able to retrieve d=the desired information easily. The current changes of digital publishing have demanded users to be able to adapt with the existing system. In addition users also have to know about the online information retrieval system and have a good searching strategy. Towards these challenges, both librarians and users are expected to make innovations in order to create a system which is compatible with digital publishing/e-publishing and usable for them as well."

"ABSTRAK Kebutuhan akan data dan informasi tentang lulusan tenaga kesehatanpada Poltekkes Aceh sangat diperlukan dalam pengambilan kebijakan untukpengembangan institusi pendidikan kesehatan dimasa depan. Tujuan studi iniadalah untuk pengembangan sistim informasi penelusuran lulusan PoltekkesAceh yang nantinya dapat diakses secara online. Menggunakan pendekatankualitatif dengan metode pengembangan sistem SDLC. Penelitian dilakukanterhadap enam jurusan dibawah naungan Polekkes Aceh. Hasil penelitiandiketahui Poltekkes Aceh masih menggunakan cara manual dan semi manualdalam pengumpulan, penyimpanan, dan pengolahan datanya. Denganpengembangan sistim informasi ini diharapkan akan mampu membantuPoltekkes Aceh dalam melakukan penelusuran lulusannya secara online.

---

ABSTRACT The need of data and information about health human resource atPoltekkes Aceh are needed in policy making for institution development healtheducation in the future. The study aims is for information system development oftracer study in Poltekkes Aceh which can be access online. Qualitative approachusing with SDLC system development method. This study is performs towardsix departments under Poltekkes Aceh. The result shows that Poltekkes Acehstill using manual method and semi manual in collect, save, and data process.With this system information development, it is hope will support PoltekkesAceh in do it’s tracer study online."

"Teknologi Dense Wavelength Division Multiplexing (DWDM) telah mengalami perkembangan pesat, di mana beberapa vendor telah meningkatkan kapasitas per frekuensi hingga mencapai 1 Tbps (Tera Bit Per Second). Dalam tesis ini, penelitian dilakukan untuk menentukan pola data yang digunakan oleh engineer guna mencapai hasil yang optimal dengan menggunakan kecerdasan buatan. Penelitian ini berfokus pada simulasi jaringan DWDM di Microsoft di Amerika Utara, yang melibatkan beberapa repeater dan mempertimbangkan berbagai faktor yang terjadi dalam jaringan tersebut. Dengan menggunakan data hasil performansi lapangan, ditemukan data yang paling optimal untuk jaringan DWDM tersebut. Dengan mencapai kinerja Q-Factor yang baik, diperoleh juga margin pada jaringan berdasarkan perhitungan kabel optiknya. Estimasi kinerja Q-Factor dapat diperoleh melalui fungsi regresi linear yang bergantung pada perangkat yang dilalui dalam jaringan, seperti Transponder, EDFA, dan media transmisi berupa serat optik. Data hasil pengukuran merupakan data perubahan daya transmisi pada sisi penguat, yang menyebabkan perubahan daya per kanal pada setiap transponder di sisi penerima. Setiap perubahan nilai kinerja Q-Factor pada setiap kanal dianalisis polanya menggunakan machine learning. Data tersebut akan dilakukan proses pelatihan berulang kali guna meminimalkan kesalahan dan mencapai kinerja Q-Factor yang lebih baik. Secara keseluruhan, hasil yang dicapai dalam tesis ini membentuk dasar bagi skema pemodelan kinerja Q-Factor yang akurat serta mendapatkan nilai Q-Factor yang optimal. Hasil penelitian ini memberikan wawasan tentang penggunaan machine learning di masa depan dalam perencanaan jaringan optik DWDM.

---

This research investigates the development of Dense

Wavelength Division Multiplexing (DWDM) technology in

conjunction with 6G technology to meet the growing demands for

high-speed data transmission. Vendors have significantly

increased the capacity per channel enabling speeds of up to 1 Tera Bit Per Second. The Q-Factor is one of the indicators that

determines the quality of the optical system. Q-Factor plays a

crucial role in evaluating these technological advancements. In

actual practice, engineers need to conduct manual field tests to

obtain the Q-factor value. Engineers must calibrate the equipment

manually onsite. This procedure is time consuming and inefficient. Machine learning can be used to calculate and forecast the Qfactor quickly and automatically. This study designs a machine learning algorithm to forecast the Q-factor value based on the equipment parameters in the field. This study evaluates 4 machine learning algorithms. The data used is obtained from the Microsoft optical network in North America. The Decision tree model archives the best results with an impressive accuracy of 99.5% and low mean squared error (MSE) of 0,00104. The proposed algorithm achieved better results than the previous research."

"Rancang campur beton merupakan proses bertahap dan kompleks untuk mencoba menemukan komposisi bahan terbaik guna menghasilkan beton dengan performa terbaik. Kuat tekan beton merupakan sifat terpenting dalam kualitas beton dibandingkan sifat-sifat lain. Dalam proses pembuatannya, banyak variabel terutama jumlah komposisi material penyusun yang dapat memengaruhi kuat tekan beton. Terdapat beberapa metode konvensional dalam memprediksi beton yang terkadang memberikan hasil prediksi lebih atau kurang dari kuat tekan yang ditargetkan. Diperlukan metode yang akurat dalam memprediksi kuat tekan beton agar dapat memberikan keuntungan secara signifikan terhadap penggunaan bahan. Oleh karena itu, penelitian ini menggunakan Deep Neural Network (DNN) sebagai subbidang dari Machine Learning (ML) dan Artificial Intelligence (AI), untuk memprediksi kuat tekan beton berdasarkan komposisi campuran dan properti materialnya. Penelitian ini menghasilkan formula matematika berupa persamaan yang dihasilkan dari model DNN terbaik dengan melihat aspek error model dan grafik model loss. Terdapat total 2048 model yang dianalisis dengan variasi jumlah variabel input (feature) yang berbeda-beda. Model 280 pada kasus 1 dan model 23 pada kasus 5 merupakan model terbaik yang dihasilkan penelitian ini, dengan masing-masing nilai error model 43,8028 dan 5778,5850 untuk Mean Squared Error (MSE) serta 5,0073 dan 59,8225 Maen Absolute Error (MAE).

---

Concrete mix design is a gradual and complex process of trying to find the best ingredient composition to produce the best performing concrete. The compressive strength of concrete is the most important property in concrete quality compared to other properties. In the manufacturing process, many variables, especially the amount of material composition, can affect the compressive strength of concrete. There are several conventional methods of predicting concrete that sometimes give predictive results more or less than the targeted compressive strength. An accurate method of predicting the compressive strength of concrete is needed in order to significantly benefit the use of materials. Therefore, this research utilizes Deep Neural Network (DNN), a subfield of Machine Learning (ML) and Artificial Intelligence (AI), to predict the compressive strength of concrete based on its mix composition and material properties. This research produces mathematical formulas in the form of equations generated from the best DNN model by looking at the aspects of model error and model loss graphs. There are a total of 2048 models analyzed with different variations in the number of input variables (features). Model 280 in case 1 and model 23 in case 5 are the best models produced by this study, with model error values of 43.8028 and 5778.5850 for Mean Squared Error (MSE) and 5.0073 and 59.8225 Maen Absolute Error (MAE), respectively."

"Bejana tekan merupakan peralatan yang sebagai penampung fluida cair maupun gas dengan temperatur yang memiliki perbedaan dengan lingkungan yang ada di sekitarnya yang memiliki kemungkinan kegagalan yang tinggi yang dapat berpengaruh pada banyak faktor. Kegagalan bejana tekan dapat disebabkan karena adanya fenomena korosi seragam yang menyebabkan keluarnya fluida berbahaya dari peralatan yang memiliki tekanan karena adanya penipisan pada dinding bejana tekan. Hal ini dapat dihindari dengan melakukan inspeksi menggunakan risk-based inspection (RBI) yang mampu meningkatkan keamanan bejana tekan berbasis risiko yang dilakukan pada suatu peralatan berdasarkan prioritas risiko yang mempermudah dalam melakukan inspeksi dengan memperhatikan Probability of Failure dan Consequence of Failure. Salah satu metode untuk menganalisis risiko pada bejana tekan adalah dengan menggunakan metode pembelajaran mesin berbasis deep learning yang akan mengembangkan model penilaian risiko kegagalan bejana tekan minyak dan gas akibat korosi seragam yang dapat mempersingkat waktu, meningkatkan akurasi, efisien dalam melakukan pengolahan data, serta lebih lebih hemat biaya dengan menawarkan akurasi perhitungan yang tinggi. Penelitian menghasilkan program prediksi risiko bejana tekan dengan menggunakan klasifikasi pembelajaran mesin berbasis deep learning untuk memprediksi kegagalan pada peralatan bejana tekan akibat korosi seragam dengan menggunakan metode Risk Based Inspection dengan beberapa parameter model seperti random state senilai 25, learning rate sebesar 0.001, dengan layer berjumlah 3 dan dense 64,32,16, test size sebesar 20% dan batch size sebesar 32, dan epoch dengan nilai 150 menghasilkan akurasi model sebesar 93% yang didapatkan dari validasi confusion matrix. Nilai akurasi 93% bersumber dari 300 data yang didapatkan dari pembuatan dataset dengan berlandaskan standard API RBI 581.

---

A pressure vessel is an equipment that acts as a container for a liquid or gas with a different temperature from the surrounding environment, a high probability of failure, which can affect many factors. Pressure vessel failure can be caused by uniform corrosion, causing the dangerous liquid to be discharged from the pressure vessel due to thinning the pressure vessel wall. Pressure vessel failure can prevent failure by performing Risk Based Inspection (RBI), improving the safety and reliability of pressure vessels based on the risk performed on the equipment are based on risk priority. RBI facilitates the execution of tests that consider the probability of failure and the consequences of failure. One risk analysis method in pressure vessels is to use deep learning based machine learning to develop a failure risk assessment of pressure vessels due to uniform corrosion. This method can shorten the time, increase accuracy, be efficient in data processing, and be more cost-effective by offering high calculation accuracy. In this study, a risk prediction program of a pressure vessel is completed using a deep learning based machine learning classification to predict failure of pressure vessel using the Risk based Inspection method. This program which obtained the following model parameters such as random state of 25, a learning rate of 0.001, with three layers and dense 64,32,16, test size of 20% and batch size of 32, and an epoch with a value of 150, resulted in a model accuracy of 93% obtained from the validation of the confusion matrix. Program with accuracy of 93% comes from 300 dataset based on the RBI 581 API standard."

"Kemajuan umat manusia dalam penerbangan modern sangat bergantung pada kemampuan untuk melakukan pemodelan sistem idenifikasi penerbangan dari suatu wahana pernerbangan. Pemodelan suatu sistem identifikasi penerbangan bergantung dengan tingkat kualitas dan kuantitas dari data simulasi yang digunakan untuk mendapatkan pendekatan situasi dan kondisi penerbangan aktual yang seakurat mungkin. Akurasi dan presisi dari data simulasi yang digunakan dalam pemodelan sistem penerbangan akan mempengaruhi hasil algoritma yang digunakan dalam sistem identifikasi. Dalam pencapaian kualitas data tersebut, digunakanlah perangkat lunak X-Plane yang berfungsi sebagai simulator penerbangan ultra-realistis yang menyuplai set data yang memungkinkan pembelajaran mesin dari algoritma berbasis komputer. Data pembelajaran pesawat terbang terdiri dari attitude orientasi pesawat. Data yang diperoleh dari simulator tersebut akan diproseskan menggunakan metode preprocessing, sehingga layak digunakan untuk pelatihan sistem identifikasi. Suatu algoritma artificial neural network diterapkan untuk mengidentifikasi sistem pesawat dengan mempelajari dataset yang disebutkan di atas, yang kemudian akan digunakan dalam pengembangan perancangan sistem kontrol. Algoritma artificial neural network yang dirancang dalam penelitian ini telah menunjukkan keberhasilan dalam sistem identifikasi untuk sistem penerbangan pesawat, dan siap digunakan dalam percobaan dan pengujian sistem kontrol pada pesawat.

---

Humanitys progress in modern aviation is very dependent on the ability to model the flight identification system of a flight vehicle. Modeling a flight identification system depends on the quality and quantity of simulation data used to get the most accurate representation of the actual flight situation and condition. The accuracy and precision of the simulation data used in the flight system modeling will affect the results of the algorithm used in the identification system. In achieving this data quality, X-Plane software is used which functions as an ultra realistic flight simulator that supplies data sets that enable machine learning from computer based algorithms. Airplane learning data consists of airplane orientation attitude. Data obtained from the simulator will be processed using the preprocessing method, so it is feasible to use for identification system training. An artificial neural network algorithm is applied to identify aircraft systems by studying the dataset mentioned above, which will then be used in the development of control system design. The artificial neural network algorithm designed in this study has shown success in the identification system for aircraft flight systems, and is ready to be used in the testing and testing of control systems on aircraft."