Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perbandingan Standar Perancangan Amerika, Norwegia, dan Rusia dalam Menghitung Ketebalan Dinding Pipa Gas Bawah Laut. Salah satu parameter utama dalam perancangan jaringan pipa adalah perhitungan ketebalan dinding pipa. Studi ini membahas perbandingan metode perhitungan ketebalan dinding pipa untuk pipa gas bawah laut berdasarkan standar perancangan Norwegia (DNV-OS-F101), standar perancangan Indonesia (SNI 3474) yang mengacu pada standar Amerika (ASME B31.8), dan standar perancangan Rusia (VN39-1.9-005-98). Berdasarkan perhitungan terhadap pipa gas bawah laut di Indonesia (tekanan 12 Mpa, diameter eksternal 668 mm) didapatkan hasil ketebalan dinding pipa sebesar 18.2 mm (VN39-1.9-005-98), 16 mm (ASME B31.8), dan 13.5 mm (DNV-OS-F101). Untuk setiap standar, formula untuk hoop stress diintrepretasikan dengan metode yang berbeda. Hanya standar Norwegia yang menghitung hoop stress dari permukaan dalam pipa sehingga menghasilkan nilai ketebalan dinding pipa yang lebih kecil. Untuk perhitungan faktor collapse akibat tekanan luar, hanya standar Amerika dan Norwegia yang memperhitungkan faktor tersebut sedangkan standar Rusia hanya menggunakan faktor tersebut sebagai parameter antara untuk menghitung local buckling. Untuk propagation buckling, baik standar Rusia maupun Amerika menerapkan formula empiris tekanan hidrostatis kritis sebagai input dalam menghitung propagation buckling. Formula empiris ini hampir sama dengan formula empiris yang diterapkan pada standar Norwegia. Dari ketiga standar yang dibandingkan tersebut, standar Norwegia memberikan persyaratan desain yang lebih ketat dibandingkan yang lainnya.

---

One of the key issues in the pipeline design is wall thickness calculation. This paper highlights a comparison of wall thickness calculation methods of submarine gas pipeline based on Norwegian Standard (DNV-OS-F101), Indonesian Standard SNI 3474 which refers to American Standard (ASME B31.8), and Russian Standard (VN39-1.9-005-98). A calculation of wall thickness for a submarine gas pipeline in Indonesia (pressure 12 MPa, external diameter 668 mm) gives the results of 18.2 mm (VN39-1.9-005-98), 16 mm (ASME B31.8), and 13.5 mm (DNV-OS-F101).The design formula of hoop stress due to internal pressure is interpreted in different ways for every standard. Only Norwegian Standard requires calculating hoop stresses in the inner surface, which leads to a decreased value of the wall thickness. Furthermore, the calculation of collapse factor due to external pressure is only regulated in American and Norwegian Standards while Russian Standard uses that factor as an intermediate parameter in calculating local buckling. For propagation buckling, either Russian or American Standard explains empirical formula of critical hydrostatics pressure as the input in propagation buckling calculation. This formula is almost similar to the empirical formula of Norwegian Standard. From the comparison of these standards, DNV OS-F101 gives more stringent requirements than others."

"A successful understanding on how to make computers learn would open up many new uses of computers and new levels of competence and customization. A detailed understanding on inform-ation- processing algorithms for machine learning might lead to a better understanding of human learning abilities and disabilities. There are many type of machine learning that we know, which includes Backpropagation (BP), Extreme Learning Machine (ELM), and Support Vector Machine (SVM). This research uses five data that have several characteristics. The result of this research is all the three investigated models offer comparable classification accuracies. This research has three type conclusions, the best performance in accuracy is BP, the best performance in stability is SVM and the best performance in CPU time is ELM for bioinformatics data.

---

Keberhasilan pemahaman tentang bagaimana membuat komputer belajar akan membuka banyak manfaat baru dari komputer. Sebuah pemahaman yang rinci tentang algoritma pengolahan informasi untuk pembelajaran mesin dapat membuat pemahaman yang sebaik kemampuan belajar manusia. Banyak jenis pembelajaran mesin yang kita tahu, beberapa diantaranya adalah Backpropagation (BP), Extreme Learning Machine (ELM), dan Support Vector Machine (SVM). Penelitian ini menggunakan lima data yang memiliki beberapa karakteristik. Hasil penelitian ini, dari ketiga model yang diamati memberikan akurasi klasifikasi yang sebanding. Penelitian ini memiliki tiga kesimpulan, yang terbaik dalam akurasi adalah BP, yang terbaik dalam stabilitas adalah SVM dan CPU time terbaik adalah ELM untuk data bioinformatika."

"Grammatical Error Correction (GEC) adalah salah satu task Natural Language Processing (NLP) yang mendeteksi dan mengoreksi kesalahan tata bahasa dalam sebuah teks. Task ini terus berkembang sampai saat ini dan telah diterapkan menggunakan berbagai metode, seperti rule-based, machine learning-based, dan sebagainya. Tugas akhir ini bertujuan membandingkan dua metode state-of-the-art Grammatical Error Correction yaitu metode T5 dan GECToR menggunakan dataset bahasa Inggris dan bahasa Indonesia. Untuk metode T5, akan dibandingkan model Flan-T5 dan mT5 dengan variasi ukuran base dan large. Adapun model yang dibandingkan untuk metode GECToR adalah model RoBERTa dan XLNet dengan variasi ukuran base dan large. Untuk dataset bahasa Inggris, akan digunakan dataset FCE untuk training dan dataset CoNLL-14 untuk testing. Sedangkan untuk dataset bahasa Indonesia, akan digunakan dataset Gramatika. Kemudian, untuk evaluasi digunakan metrik F0.5. Berdasarkan hasil uji coba, didapatkan bahwa untuk dataset bahasa Inggris FCE+CoNLL-14, metode T5 dengan varian model Flan-T5 unggul dari kedua varian metode GECToR dengan skor F0.5 sebesar 52,85%. Varian Flan-T5 ini unggul dengan margin sebesar 15,83% dari varian terbaik metode GECToR, yaitu RoBERTa. Sedangkan, metode GECToR dengan varian RoBERTa lebih unggul dengan margin 10,12% dari metode T5 dengan varian model mT5. Untuk dataset bahasa Indonesia Gramatika, kedua varian metode T5 lebih unggul dari metode GECToR. Varian terbaik metode T5 dengan skor F0.5 sebesar 45,38% dengan margin 31,05% dari varian terbaik metode GECToR, yaitu RoBERTa.

---

Grammatical Error Correction (GEC) is one of the Natural Language Processing (NLP) tasks that detect and correct grammatical errors in a text. This task continues to grow today and has been implemented using various methods, such as rule-based, machine learning-based, and so on. This final project aims to compare two state-of-the-art Grammatical Error Correction methods, namely the T5 and GECToR methods using English and Indonesian datasets. For the T5 method, Flan-T5 and mT5 models will be compared with base and large size variations. As for the GECToR method, RoBERTa and XLNet models will be compared with base and large size variations. For the English dataset, the FCE dataset will be used for training and the CoNLL-14 dataset for testing. As for the Indonesian dataset, the Grammatical dataset will be used. Then, the F0.5 metric is used for evaluation. Based on the experimental results, it is found that for the FCE+CoNLL-14 English dataset, the T5 method with the Flan-T5 model variant is superior to both variants of the GECToR method with an F0.5 score of 52.85%. The Flan-T5 variant is superior by a margin of 15.83% to the best variant of the GECToR method, RoBERTa. Meanwhile, the GECToR method with the RoBERTa variant is superior by a margin of 10.12% to the T5 method with the mT5 model variant. For the Indonesian Grammatical dataset, both variants of the T5 method are superior to the GECToR method. The best variant of the T5 method with an F0.5 score of 45.38% with a margin of 31.05% from the best variant of the GECToR method, which is RoBERTa."

"Emosi adalah perasaan yang muncul dalam diri seseorang sebagai respon dari situasi tertentu. Perasan ini dapat memengaruhi pikiran, perilaku, dan persepsi seseorang terhadap suatu peristiwa. Klasifikasi emosi adalah bagian dari analisis sentimen yang bertujuan untuk menganalisis dan memperoleh emosi dari suatu data. Penelitian klasifikasi emosi berbasis teks perlu dilakukan karena dapat diimplementasikan pada berbagai bidang, seperti kesehatan dan pendidikan. Bahasa Indonesia menduduki peringkat 11 bahasa dengan penutur terbanyak di dunia dengan 200 juta penutur. Namun, penelitian klasifikasi emosi berbasis teks bahasa Indonesia masih sedikit dilakukan. Algoritma machine learning dapat digunakan untuk mengatasi berbagai tantangan dalam penelitian klasifikasi emosi seperti memahami emosi dan menganalisis emosi dari data yang tidak terstruktur. Penelitian ini berfokus pada pengembangan model machine learning dengan teknik convolutional neural network (CNN), long short-term memory (LSTM), dan bidirectional encoder representation from transformer (BERT). Berdasarkan pengujian yang dilakukan, metode convolutional neural network (CNN) mendapatkan F1 score sebesar 84,2%, metode long short term memory mendapatkan F1 score sebesar 82%, metode BERT en uncased mendapatkan F1 score sebesar 22%, dan metode BERT multi cased mendapatkan F1 score sebesar 32%. Hasil pengujian ini menandakan metode CNN merupakan metode dengan hasil pengujian terbaik dan BERT en uncased merupakan metode dengan hasil pengujian terburuk dibanding ketiga metode lainnya.

---

Emotions are feelings that arise within a person in response to a particular situation. These feelings can affect a person's thoughts, behavior, and perception of an event. Emotion classification is a part of sentiment analysis that aims to analyze and derive emotions from data. Text-based emotion classification research needs to be done because it can be implemented in various fields, such as health and education. Indonesian is ranked the 11th most spoken language in the world with 200 million speakers. However, there is still little research on Indonesian text-based emotion classification. Machine learning algorithms can be used to overcome various challenges in emotion classification research such as understanding emotions and analyzing emotions from unstructured data. This research focuses on developing machine learning models with convolutional neural network (CNN), long short-term memory (LSTM), and bidirectional encoder representation from transformer (BERT) techniques. Based on the tests conducted, the convolutional neural network (CNN) method gets an F1 score of 84,2%, the long short term memroy method gets an F1 score of 82%, the BERT en uncased method gets an F1 score of 22%, and the BERT multi cased method gets an F1 score of 32%. These results indicate that the CNN is the bets method while the BERT en uncased is the worst method compared to the three other methods."

"Potensi sumber daya minyak dan gas Indonesia saat ini masih cukup besar, terutama di area lepas pantai. Salah satu metode transmisi dan distribusi yang efektif dan efisien adalah dengan menggunakan pipa bawah laut. Pada proyek pembangunan pipa bawah laut seringkali ditemui masalah-masalah yang dapat menyebabkan kegagalan sehingga mengakibatkan menurunnya kinerja proyek. Masalah-masalah yang timbul dapat diakibatkan oleh beberapa aspek, termasuk diantaranya aspek teknis dan lingkungan. Oleh karena itu analisa berbasis risiko akan dilakukan pada penelitian ini dan diharapkan dapat menghasilkan strategi pengelolaan risiko yang baik sehingga kinerja waktu dan biaya pada proyek pembangunan pipa bawah laut dapat dioptimalkan.

---

Oil and gas resources in Indonesia is still quite large, especially in offshore area. Subsea pipeline is one of the transmission and distribution method which effective and efficient. In subsea pipeline construction project often encountered problems that can cause a failure resulting in reduced performance of the project. The problems that arise can be caused by several aspects, including technical and environmental aspects. Therefore, a risk-based analysis will be carried out in this research study and is expected to produce a good risk management strategy so that the performance of the time and cost of the subsea pipeline construction project can be optimized."

"Penggunaan analisis sentimen semakin umum digunakan. Dalam pengembangan analisis sentimen ini banyak tantangan yang perlu dihadapi. Karena analisis ini termasuk Natural Language Processing NLP, hal yang perlu dimengerti adalah kompleksitas bahasa. Dengan berkembangnya teknologi Artificial Neural Network, ANN semakin banyak permasalahan yang bisa diselesaikan. Ada banyak contoh struktur ANN dan untuk penelitian ini yang digunakan adalah Convolutional Neural Network CNN dan Recurrent Neural Network RNN. Kedua jenis ANN tersebut sudah menunjukkan performa yang baik untuk beberapa tugas NLP. Maka akan dilakukan analisis sentimen dengan menggunakan kedua jenis ANN tersebut dan dibandingkan kedua performa ANN tersebut. Untuk data yang akan digunakan diambil dari publikasi stanford dan untuk mengubah data tersebut bisa digunakan pada ANN digunakan word2vec. Hasil dari analisis menunjukkan bahwa RNN menunjukkan hasil yang lebih baik dari CNN. Walaupun akurasi tidak terlalu terlihat perbedaan yaitu pada RNN yang mencapai 88.35 0.07 dan CNN 87.11 0.50, tetapi waktu pelatihan RNN hanya membutuhkan waktu 8.256 detik sedangkan CNN membutuhkan waktu 544.366 detik.

---

Term of sentiment analysis become popular lately. There are many challenges developing sentiment analysis that need to be addressed. Because this kind analysis is including Natural Language Processing, the thing need to understand is the complexity of the language. With the current development of Artificial Neural Network ANN, more problems can be solved.

There are many type of ANN and for this research Convolutional Neural Network CNN and Recurrent Neural Network will be used. Both already showing great result for several NLP tasks. Data taken from stanford publication and transform it with word2vec so could be used for ANN.

The result shows that RNN is better than CNN. Even the difference of accuracy is not significant with 88.35 0.07 for RNN and 87.11 0.50 for CNN, the training time for RNN only need 8.256 secods while CNN need 544.366 seconds."

"Pertambahan penduduk dan pertumbuhan ekonomi mengakibatkan kebutuhan gas masyarakat Kota Depok terus meningkat. Namun, infrastruktur gas di Kota Depok masih belum memadai padahal di Kota Depok terdapat pipa transmisi dan distribusi gas. Karena itu diperlukan pengembangan infrastruktur gas di Kota Depok untuk mendorong pemanfaatan gas secara lebih luas. Tujuan penyusunan skripsi mi adalah untuk menghasilkan suatu rancangan sistem perpipaan distribusi gas di Kota Depok. Perancangan sistem distribusi gas ini dimulai dengan pengumpulan data teknis dan data suplai-permintaan gas di Kota Depok, dilanjutkan dengan analisis data, pembuatan rute, simulasi dengan piranti lunak, perhitungan keekonomian serta analisis dampak sosial dan lingkungan. Standar desain yang digunakan dalam perancangan sistem perpipaan distribusi gas ini adalah ASME B31.8-1995. Kondisi optimal dari rancangan dicari dengan melakukan simulasi menggunakan piranti lunak Piping Systems FLUID FLOW versi2.1. Kebutuhan gas Kota Depok hingga tahun 2025 mencapai 3,51 MMSCFD. Dari simulasi, diperoleh panjang total rute altematif A sebesar 118,29 km dan panjang rute altematif B sebesar 127,86 km. Diameter pipa polyethylene yang digunakan berkisar antara 63 mm sampai 280 mm. Tekanan suplai gas yang digunakan adalah 8 barg dengan batasan tekanan minimum ditetapkan sebesar 500 mbarg dan kecepatan gas maksimum sebesar 100 ft/s. Pada altematif A, diperoleh tekanan gas terkecil sebesar 585 mbarg dan kecepatan gas terbesar sebesar 79,75 ft/s, sedangkan pada altematif B diperoleh tekanan gas terkecil sebesar 553 mbarg dengan kecepatan gas terbesar sebesar 78,82 ft/s. Total biaya investasi yang telah ditambahkan dengan bunga untuk altematif A mencapai US$ 12,14 juta sedangkan untuk altematif B mencapai US$ 11,89 juta. Pada kasus dasar dimana margin harga jual gas ditetapkan sebesar 3$/MMBtu, didapat NPV pada tahun 2025 untuk altematif A sebesar US$ 0,57 juta dengan IRR 12,95%, payback period 7,6 tahun, dan rasio B/C 1,68. Sementara altematif B, NPV sebesar US$ 0,73 juta dengan IRR 13,23%, payback period 7,5 tahun, dan rasio B/C 1,63. Dilihat dari parameter-parameter tersebut, kedua altematif layak dibangun secara ekonomi."