Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKProses permesinan sangat bergantung pada model yang dibuat, semakin rumit model yang didesain makan semakin sulit dan mahal proses permesinannya. Pada penelitian ini dilakukan identifikasi dan rekognisi fitur prismatic dan fitur slab yang telah diklasifikasikan oleh Jong-Yun Jung.Metode identifikasi fitur hybrid graph dan rule-based yang memanfaatkan file dengan ekstensi .STL yang dikembangkan oleh Sunil dan Pande digunakan sebagai metode dasar untuk mengidentifikasi fitur. Hasil identifikasi fitur kemudian akan diekstrak datanya untuk digunakan dalam menghitung nilai indeks kompleksitas produk dari model yang diteliti. Indeks kompleksitas produk dihitung menggunakan model yang dikembangkan sebelumnya oleh ElMaraghy.Validasi dilakukan dengan membandingkan hasil hitungan dari perangkat lunak dengan metode penghitungan indeks kompleksitas dengan metode STEP oleh M. Sholeh, kemudian perangkat lunak ini diuji untuk menghitung nilai indeks kompleksitas fitur gabungan. Penggunaan 8 slot dan 8 pocket sebagai acuan pembobotan nilai bentuk memberikan nilai indeks kompleksitas produk yang lebih akurat

---

ABSTRACTThe machining process is very dependent on the model created, the more complicated models, designed dining increasingly difficult and expensive process of its machinery. In this research, identification and recognition prismatic features and features slab that has been classified by Jong-Yun Jung. Feature recognition method hybrid, graph and rule-based which used .STL extension file developed by Sunil and Pande is used as a basic method to identify features. The results will then be extracted from feature recognition data to be used in calculating the index values the complexity of products on the model that is being studied. This research used complexity index of product which is a model developed earlier by ElMaraghy. Validation is done by comparing the results of the count of the software with complexity index calculation method with STEP method by M. Sholeh, then this software is tested for calculating the index values the complexity of a combined features model. The use of 8 slots and 8 of pocket as a benchmark scoring on shapes give more accurate complexity index product."

"

Perkembangan teknologi pemrosesan ucapan sangat pesat akhir-akhir ini. Namun, fokus penelitian dalam Bahasa Indonesia masih terbilang sedikit, walaupun manfaat dan benefit yang dapat diperoleh sangat banyak dari pengembangan tersebut. Hal tersebut yang melatarbelakangi dilakukan penelitian ini. Pada penelitian ini digunakan model transfer learning (Inception dan ResNet) dan CNN untuk melakukan prediksi emosi terhadap suara manusia berbahasa Indonesia. Kumpulan data yang digunakan dalam penelitian ini, diperoleh dari berbagai film dalam Bahasa Indonesia. Film-film tersebut dipotong menjadi potongan yang lebih kecil dan dilakukan dua metode ekstraksi fitur dari potongan audio tersebut. Ekstraksi fitur yang digunakan adalah Mel-Spectrogram dan MelFrequency Cepstral Coefficient (MFCC). Data yang diperoleh dari kedua ekstraksi fitur tersebut dilatih pada tiga model yang digunakan (Inception, ResNet, serta CNN). Dari percobaan yang telah dilakukan, didapatkan bahwa model ResNet memiliki performa yang lebih baik dibanding Inception dan CNN, dengan rata-rata akurasi 49%. Pelatihan model menggunakan hyperparameter dengan batch size sebesar 16 dan dropout (0,2 untuk Mel-Spectrogram dan 0,4 untuk MFCC) demi mendapatkan performa terbaik.

---

Speech processing technology advancement has been snowballing for these several years. Nevertheless, research in the Indonesian language can be counted to be little compared to other technology research. Because of that, this research was done. In this research, the transfer learning models, focused on Inception and ResNet, were used to do the speech emotion recognition prediction based on human speech in the Indonesian language. The dataset that is used in this research was collected manually from several films and movies in Indonesian. The films were cut into several smaller parts and were extracted using the Mel-Spectrogram and Mel-frequency Cepstrum Coefficient (MFCC) feature extraction. The data, which is consist of the picture of Mel-spectrogram and MFCC, was trained on the models followed by testing. Based on the experiments done, the ResNet model has better accuracy and performance compared to the Inception and simple CNN, with 49% of accuracy. The experiments also showed that the best hyperparameter for this type of training is 16 batch size, 0.2 dropout sizes for Mel-spectrogram feature extraction, and 0.4 dropout sizes for MFCC to get the best performance out of the model used.

"

"ABSTRAKPenelitian ini bertujuan untuk menganalisis stakeholder beserta klasifikasinya pada Spare Part Division, yang merupakan salah satu divisi di sebuah perusahaan otomotif dan bertugas melaksanakan penjualan suku cadang, melalui stakeholder mapping. Selain itu, penelitian ini juga bertujuan untuk menganalisis tujuan dan penerapan metode stakeholder engagement yang digunakan Spare Part Division untuk melibatkan stakeholder-nya. Metode yang digunakan dalam penelitian ini adalah wawancara dengan pihak Spare Part Division sebagai data primer dan mengumpulkan data dan informasi yang diperoleh dari data market share, data penjualan suku cadang, dan informasi lain yang relevan dari publikasi yang dilakukan di media massa. Dari hasil penelitian ini, dapat diketahui bahwa Spare Part Division memiliki 17 stakeholder yang memiliki 4 klasifikasi stakeholder yang berbeda-beda. Secara umum, Spare Part Division telah melakukan praktik metode stakeholder engagement yang sesuai dengan tujuannya, namun masih terdapat beberapa ketidaksesuaian. Melalui penelitian ini, penulis memberikan saran mengenai metode yang sebaiknya digunakan oleh Spare Part Division agar dapat melibatkan stakeholder-nya dengan lebih optimal.

---

ABSTRACTThis study is aimed to analyze stakeholder and its classification on Spare Part Division, which is one of the divisions in an automotive company and it has responsibility to sell the spare part through stakeholder mapping. Beside, this study is also aimed to analyze the purpose and implementation of stakeholder engagement methods which Spare Part Division use to get its stakeholder to be involved. Research method used in this study is interview with the Spare Part Division management as the primary data and collecting data and information from market share, spare part sales data, and other relevant information from mass media publication. The analysis shows that Spare Part Division has done the implementation of stakeholder engagement methods appropriate with the purpose, but there are still some discrepancies in the implementation. There are some advices regarding to the methods that should be used by Spare Part Division so that it could involve its stakeholders optimally."

"

Emosi merupakan hal penting yang dimiliki oleh manusia. Banyak riset yang sudah dilakukan untuk menganalisis emosi seseorang secara langsung maupun tidak langsung. Salah satu topik dari machine learning yang berkembang adalah sistem yang mampu mempelajari isi suara manusia untuk menentukan emosi seseorang yang dinamakan speech emotion recognition. Banyak riset yang sudah dilakukan masih menggunakan dataset berbahasa Inggris, untuk itu diperlukan penelitian speech emotion recognition dengan menggunakan dataset berbahasa Indonesia. Pada penelitian ini dilakukan analisa speech emotion recognition menggunakan  4 model berbeda yaitu Convolutional Neural Network (CNN), Support Vector Machines (SVM), K-Nearest Neighbor (KNN), dan Logistic Regression (LR). Penelitian ini dilakukan dengan menggunakan hasil ekstraksi dari Mel-frequency Cepstral Coefficient (MFCC) yang dimasukkan ke dalam bentuk matriks 2D sebagai input menuju model percobaan. Dataset yang digunakan merupakan cuplikan dialog berbahasa Indonesia dengan karakteristik emosi tertentu yang sudah dikelompokkan terlebih dahulu. Dari percobaan yang telah dilakukan, didapatkan hasil bahwa model SVM memiliki tingkat rata-rata akurasi tertinggi jika dibandingkan dengan model lainnya, yaitu sebesar 59%. Sedangkan untuk model LR, KNN, dan CNN didapatkan tingkat akurasi rata-rata secara berurutan sebesar 54,5%; 53,5%; dan 47,7%.

---

Emotions are important things in human life. A lot of research had been done to analyze persons' emotions directly or indirectly. One of the topics of machine learning that is developing is a system that could understand the content of the human voice to determine a person's emotions called speech emotion recognition. Much of the research that had been done still uses English datasets. Therefore, speech emotion recognition research using Indonesian language datasets is needed. In this study, Speech Emotion Recognition analysis was performed using 4 different models, such as Convolutional Neural Network (CNN), Support Vector Machines (SVM), K-Nearest Neighbor (KNN), and Logistic Regression (LR). This study was conducted using the extraction outputs from the Mel-frequency Cepstral Coefficient (MFCC) which was converted into a 2D matrix. The output would be used as an input to the model. The dataset used was a snippet of Indonesian dialogue with several emotional characteristics that had been grouped. Based on this study, the results showed that the SVM model had the highest average level of accuracy around 59%. Meanwhile, for the LR, KNN, and CNN models, the average accuracy rate were 54.5%; 53.5%; and 47.7%.

"

"Penelitian ini menangani masalah pengenalan emosi dalam percakapan berbahasa Indonesia, yang penting untuk aplikasi seperti pengenalan ucapan, interaksi manusiamesin, dan analisis sentimen. Untuk mengatasi kompleksitas data suara dan teks, penelitian ini menggabungkan Word Embedding (Word2Vec) dan spektrum suara (MFCC) menggunakan Convolutional Neural Network (CNN). Word2Vec mengubah dataset suara menjadi representasi teks vektor, sementara MFCC digunakan untuk ekstraksi fitur dari spektrum suara. Model yang dikembangkan dievaluasi dengan dataset percobaan berbahasa Indonesia, dan pendekatan Weighted Average Ensemble yang mengintegrasikan kedua metode ini mencapai akurasi 70%. Hasil ini menunjukkan bahwa integrasi teknologi Word Embedding dan analisis spektrum suara dapat meningkatkan akurasi pengenalan emosi dalam bahasa Indonesia. Penelitian ini berkontribusi signifikan terhadap teknologi pengenalan emosi dan berpotensi meningkatkan interaksi manusia dengan teknologi serta aplikasi dalam analisis sentimen dan pengolahan bahasa alami.

---

This research addresses the issue of emotion recognition in Indonesian language conversations, which is crucial for applications such as speech recognition, humanmachine interaction, and sentiment analysis. To tackle the complexity of voice and text data, this study combines Word Embedding (Word2Vec) and sound spectrum analysis (MFCC) using Convolutional Neural Network (CNN). Word2Vec is used to convert voice datasets into vector text representations, while MFCC is employed for feature extraction from the sound spectrum. The developed models were evaluated using an experimental dataset in Indonesian, and the Weighted Average Ensemble approach, which integrates both methods, achieved an accuracy of 70%. These results indicate that integrating Word Embedding technology and sound spectrum analysis can significantly enhance the accuracy of emotion recognition in Indonesian conversations. This research contributes significantly to the development of emotion recognition technology and has the potential to improve human interaction with technology, as well as applications in sentiment analysis and natural language processing."

"Sistem rekomendasi dan pemelajaran mesin berbasis graf adalah bidang ilmu yang sedang berkembang dan populer. Sistem rekomendasi telah banyak digunakan sebagai alat yang dapat memberikan rekomendasi produk kepada pengguna. Sistem rekomendasi dapat digunakan untuk melakukan prediksi produk perbankan yang akan disarankan kepada pengguna, sehingga memudahkan pengguna untuk memilih produk perbankan yang tepat dan sudah dipersonalisasi. Perkembangan pemelajaran mesin berbasis graf dapat diimplementasikan dalam segala hal yang dapat direpresentasikan dalam bentuk graf. Rekomendasi produk perbankan dapat diterapkan dalam bentuk graf yaitu dengan menghubungkan nasabah yang pernah membeli produk ataupun nasabah yang memiliki profil yang mirip. Dari graf yang telah dibentuk, akan dilakukan prediksi sehingga nasabah baru dapat diklasifikasikan sebagai direkomendasikan dengan menghubungkan nasabah tersebut kedalam graf. Dalam penelitian ini, diterapkan tiga model rekomendasi berbasis graf dan tiga model rekomendasi berbasis pohon. Model berbasis graf yang digunakan adalah GraphSAGE, GAT dan GCN. Model berbasis pohon yang digunakan adalah Random Forest, LightGBM dan XGBoost. Dari keenam model yang dibuat, dilakukan perbandingan terhadap performa dan waktu inferensi. Hasil eksperimen menunjukkan bahwa model rekomendasi berbasis graf menghasilkan nilai AUC tertinggi 0,974 sedangkan untuk model rekomendasi berbasis pohon mendapatkan nilai AUC tertinggi 0,863 yang menunjukan bahwa model berbasis graf memiliki performa yang lebih baik dibandingkan model berbasis pohon. Pada penelitian ini juga didapatkan bahwa waktu inferensi dari model berbasis pohon lebih cepat 900 kali lipat dibandingkan waktu inferensi model berbasis graf.

---

Recommendation systems and graph-based machine learning are growing and popular fields nowadays. Recommendation system has been widely used as a tool that can provide product recommendations to users. Recommendation system can be used to predict banking products that will be suggested to users, making it easier for users to choose the right and personalized banking products. The development of graph-based machine learning can be implemented in everything that can be represented in the form of a graph. Recommendations for banking products can be applied in the form of graphs with connecting customers who have purchased the product or customers who have a similar profile to customers who have purchased the product. From the graph that has been formed, predictions will be made so that new customers can be classified as recommended by connecting these customers to the graph. In this study, three graph-based recommendation models and three tree-based recommendation models were applied. The graph-based models used are GraphSAGE, GAT and GCN. The tree-based models used are Random Forest, LightGBM and XGBoost. Comparison was made on the performance and inference time from the six models that have been made. The experiment results show that the graph-based recommendation model get highest AUC score 0.974 and tree-based recommendation model get highest AUC score 0.863 which indicates that graph-based recommendation model get better performace than tree-based recommendation model. It also fount that time inference of the tree-based model is 900 times faster than the inference time of the graph-based model."

"Salah satu masalah abadi yang tidak pernah habis untuk dibicarakan adalah pengelolaan persediaan suku cadang. Persediaan suku cadang erat kaitannya dengan produktivitas, pemeliharaan, dan keandalan fasilitas manufaktur di dunia industri. Kurangnya suku cadang dapat mengakibatkan hilangnya produksi jika peralatan rusak, namun bila nilai stok terlalu tinggi juga dapat mengakibatkan hilangnya peluang. Berdasarkan fakta tersebut, salah satu tugas terpentingnya adalah mengklasifikasikan komponen cadangan untuk menentukan mana yang stok atau non stok. Klasifikasi suku cadang multi-kriteria akan dibuat dengan mempertimbangkan penggunaan, keandalan pabrik, dan ketersediaan barang. Dengan menggunakan 11 kriteria yang ditentukan, kami akan menggunakan AHP untuk menghitung bobot setiap kriteria. Kemudian bobot tersebut akan digabungkan dengan skor pilihan alternatif untuk menghasilkan skor keputusan dan menentukan keputusan saham/non saham. Kajian ini akan dilakukan di sektor pupuk di Indonesia yang memiliki sekitar 200.000 SKU suku cadang. Hasil penelitian menunjukkan bahwa AHP dapat menciptakan model klasifikasi suku cadang yang sederhana, konsisten, dan selaras dengan kebutuhan perusahaan.

---

One timeless problem that never gets old to talk about is the management of spare parts inventory. Spare part inventory is intimately related to manufacturing facilities' productivity, maintenance, and reliability in the industrial world. The lack of spare parts can lead to the loss of production when equipment fails, but when the value of the stock is too high, it can also lead to opportunity loss. Based on this fact, one of the most critical tasks is classifying spare components to determine which stock or non-stock. A multi-criteria classification of spare parts will be made considering usage, factory dependability, and availability of goods. Using the 11 defined criteria, we will employ AHP to calculate the weight of each criterion. Then the weight will be combined with the score of the alternative options to generate a decision score and determine the stock/non-stock decision. The study will be conducted in the fertilizer sector of Indonesia, which has approximately 200,000 SKUs of spare parts. The research results indicate that AHP can create a straightforward, consistent spare parts classification model that aligns with the company's needs."