Hasil Pencarian  ::  Simpan CSV :: Kembali

"Boron triazin dengan doping lithium serta karbon nitride merupakan material modifikasi dari CNT, lebih baik dari massa zat maupun kemampuan mengadsorp hidrogen. Penelitian mengenai adsorpsi hidrogen oleh material nanostruktur seperti CNT yang dilakukan secara eksperimental serta simulasi memilki banyak kekurangan. Artificial Neural Network dimodelkan sebagai alat prediksi kapasitas adsorpsi hidrogen yang menjadi solusi kekurangan metode penelitian yang ada. Tujuan penelitian ini mencari pengkonfigurasian terbaik untuk ANN sehingga dapat menjadi alat prediksi yang presisi dan teruji jalan cepat mendapatkan data adsorpsi hidrogen tanpa melakukan simulasi. Goal dari penelitian ini ialah mendukung percepatan pengimplementasian hidrogen sebagai renewable energy untuk kapal masa depan. Penelitian dilakukan dengan simulasi struktur nano pada ruang penyebaran hidrogen (VMD, Packmol, Lammps), pengolahan data banyak (Ms.Excel), dan training data (NN). Pemodelan fungsi prediksi ANN pada adsorpsi Hidrogen oleh Boron triazin dengan doping Lithium menghasilkan konfigurasi nn terbaik yakni pada varian pemilihan pertama dengan neuron 10. Sementara untuk Material Triazin pada temperature 77 menghasilkan konfigurasi nn terbaik pada skala 100-1000, pemilihan pertama, neuron 10. Sedangkan pada temperature 233 konfigurasi nn terbaik ditunjukan pada 100-10000 dengan neuron yang sama yakni 10.

---

Boron triazine with lithium doping and carbon nitride is a material modification of the CNT, better than the mass of a substance as well as the ability adsorbing hydrogen. Research on hydrogen adsorption by nanostructured materials such as CNT conducted experimental and simulation has many shortcomings. Artificial Neural Network is modeled as predictors of hydrogen adsorption capacity of the solution to be no shortage of research methods.

The purpose of this study look for the best configuration to ANN that can be a predictor of precision and proven fast way to get hydrogen adsorption data without doing simulations. Goal of this study is to support the accelerated implementation of hydrogen as a renewable energy for future ships. The study was conducted with a simulation of nanostructures in space deployment of hydrogen (VMD, Packmol, Lammps), many data processing (Ms.Excel), and the training of data (NN).

ANN predictive modeling function on hydrogen adsorption by Boron doping triazine with Lithium produce the best nn configuration variant first election to the neuron 10. While for Material Triazines at temperatures of 77 to produce the best nn configuration on a scale of 100-1000, the first election, the neuron 10. Meanwhile, at temperatures of 233 nn configuration best shown in 100-10000 the same neurons that is 10."

"Energi Surya merupakan Sumber Energi Terbarukan yang sangat potensial sebagai alternatif sumber energi khususnya kelistrikan, baik untuk mengurangi dampak lingkungan, maupun meningkatkan pelistrikan di daerah terpencil. Penelitian ini dilakukan untuk membangun Model Prediksi Sumber Energi Terbarukan Tenaga Surya di Indonesia. Dalam Studi ini diajukan prosedur optimalisasi Jaringan Syaraf Tiruan berdasarkan Theorema Cybenko tentang universalitas JST dengan 1-hidden layer, dan algoritma Neural Network Construction with Cross-validation Samples (N2C2S) dalam optimalisasi jumlah neuron pada hidden layer. Pemodelan dilakukan pada wilayah Indonesia menggunakan gabungan data meteorologi dan Radiasi Global Surya Bulanan dari SSE NASA dan BMKG selama 4 tahun di 14 lokasi untuk proses training JST, dan 6 lokasi sebagai target prediksi. Pola JST Feed forward multi layer digunakan dalam model ini dengan menerapkan metoda pembelajaran back propagation. Hasil modeling menunjukkan bahwa model JST dengan 1 hidden layer menghasilkan model kriteria akurasi yang sangat baik dengan MAPE 4,1% dan R2 0,82, dibandingkan dengan MAPE 7,52% dan R2 0,48 pada teknik regresi sebagai metoda yang umum digunakan dalam modeling prediksi. Penelitian ini juga mendemonstrasikan bahwa model JST dapat merepresentasikan prediksi lebih akurat dari teknik regresi, khususnya di mana terjadi dinamika yang tinggi pada variabel prediktornya. Hal ini menyimpulkan tidak saja bahwa dengan prosedur optimisasi JST dapat disusun secara optimal untuk memberikan struktur yang lebih sederhana, namun JST yang dihasilkan memberikan piranti prediksi yang akurat dan responsif terhadap dinamika data, dengan akurasi yang dapat dipertanggungjawabkan.

---

This study is focused on modeling the Global Solar Radiation using Artificial Neural Network to predict GSR in a location in Indonesia which is available with meteorological data but lack with radiation measurement data. In this study, an optimalisation of ANN development is proposed based on Cybenko Theorem on universal approximator of single-hidden layer Multi Layer Perceptor combined Neural Network Construction with Cross-validation Samples (N2C2S) algorithm for optimum number of hidden neuron. Data for weather and solar radiation parameter are taken from NASA and BMKG (Indonesian Meterological and Climatology Agency) for 20 cities in Indonesia during the period for 4 year, divided into two groups of 14 cities for model development and 6 cities for model validation. The developed model provides much better performance with MAPE of 4,1% and of R2 0,82, as to compare with the widely used regression technique with MAPE of 7,52% and R2 of 0,48. The simulation shows that an ANN with single-hidden layer is an excellent approximator for the solar radiation function in the targeted area, in particular in the periode where high dynamics is present in predictor variables. This shows that not only the model is able to predict the solar radiation in a good agreement with the actual data, but more importantly that the high dynamics fluctuation of parameter is successfully captured."

"Durasi pemeliharaan merupakan hal yang penting dalam kegiatan dry docking kapal. Estimasi durasi pemeliharaan diperlukan untuk membuat jadwal pemeliharaan kapal pada suatu galangan. Sayangnya saat ini pihak galangan belum mempunyai standar yang baku dalam mengestimasi durasi pemeliharaan kapal. Penelitian ini bertujuan untuk memperoleh model matematis estimasi durasi pemeliharaan kapal dry docking menggunakan Artificial Neural Network dan Genetic Algorithm. Dengan melihat volume dan jenis pekerjaan dry docking sebagai input, diperoleh model estimasi durasi dengan nilai rata-rata error 5.12 hari. Hasil estimasi kemudian dibandingkan dengan metode Neural Network standar dan metode Decision Tree-Genetic Algorithm-Neural network. Hasil penelitian menunjukkan bahwa metode Decision Tree-Genetic Algorithm-Neural network mempunyai nilai estimasi yang lebih akurat dibandingkan dengan kedua metode lainnya.

---

Maintenance time duration is an important things in ship dry docking activities. Estimating the time duration is necessary for ship schedule arranging in dock. Unfortunately, the dock company doesn’t have a standard procedure in estimating ship maintenance duration. The purpose of this research is to get mathematic model of dry docking maintenance duration estimation using Artificial Neural Network and Genetic Algorithm. By considering the job volume and type as input variable, the research get estimation model with root mean square error (RMSE) 5.12 day. Then, the estimation result is compared with traditional Neural network and Decision Tree-Genetic Algorithm-Neural network method. The result shows that Decision Tree-Genetic Algorithm-Neural network is more accurate in estimating the ship maintenance duration than the other two methods."

"Salah satu metode deteksi penyakit Diabetes mellitus ialah dengan mengukur kadar glukosa pada darah dengan mengambil sejumlah darah untuk dilakukan pengukuran. Selain itu, metode pengukuran bersifat non-invasif juga sedang mengalami perkembangan, di antaranya ialah iridologi. Penelitian ini memfokuskan pada perancangan suatu sistem prediksi Diabetes mellitus melalui citra iris (iridologi) yang bersifat non-invasif. Pemetaan organ yang berkorespondensi pada wilayah iris dapat dimanfaatkan untuk memprediksi kerusakan jaringan organ, khususnya pada pankreas sebagai penghasil insulin. Sistem yang dikembangkan terdiri atas instrumen akuisisi citra iris dan algoritma pengolahan citra yang berbasis pada ciri tekstur. Pemrosesan citra yang dilakukan ialah peningkatan kualitas melalui metode FFT filtering dan grayscaling, lokalisasi iris dengan circular hough transform (CHT), dan normalisasi dengan rubber-sheet normalization. Kemudian dilakukan segmentasi daerah pankreas pada iris sejumlah satu ROI di mata kanan dan dua ROI di mata kiri. Akuisisi citra iris dilakukan sebanyak tiga kali pada 15 subjek tidak Diabetes dan 11 subjek Diabetes. Ekstraksi ciri yang dilakukan menggunakan filter Gabor pada bagian ROI tersebut. Model ANN digunakan untuk klasifikasi kelas Diabetes dan non-Diabetes menggunakan metode SCG dan cross validation menghasilkan akurasi sebesar 87.6%, misclassification error (MR) 12.4%, false positive rate (FPR) 8.26%, false negative rate (FNR) 18.8%, sensitivity 81.2% dan specificity 91.7%. Nilai tersebut menggambarkan bahwa sistem secara umum dapat bekerja untuk membantu prediksi seseorang berpenyakit Diabetes.

---

One of Diabetes mellitus detection method is to measure the blood glucose by drawing small amount of blood. Other than that, some non-invasive methods also have been developed, one of the alternative methods is iridology. This research focus on development of non-invasive Diabetes mellitus prediction system through iris image. The mapping of organs that corresponded in iris image can be used to detect damaged tissues of an organ, particularly in pancreas where insulin hormone is made.

The developed system consists of image acquisition instrument and image processing algorithm using texture characteristics. The processing starts with image enhancement using filter FFT and grayscaling, iris localization using circular hough transform (CHT), and normalization using rubber-sheet normalization. Segmentation on pancreas in iris image then resulted as followed, one ROI of right eye image and two ROIs of left eye image.

Image acquisition was done with maximum of three images taken and used from 15 health subjects and 11 Diabetes subjects. Feature extraction method that used is Gabor filter. Classification model ANN is used to classify between Diabetes and health subjects with SCG function and cross validation results in accuracy number of 87.6%, misclassification error (MR) 12.4%, false positive rate (FPR) 8.26%, false negative rate (FNR) 18.8%, sensitivity 81.2% and specificity 91.7­­%. Those results show that, system in general has worked to help in prediction of Diabetes."

"Atribut seismik merupakan informasi yang diperoleh dari data seismik yang dapat digunakan untuk memprediksi suatu target petrofisika baik secara numerik maupun analitik. Walaupun hubungan antara atribut seismik dengan karakteristik suatu batuan dan reservoar tidak dapat didefinisikan secara spesifik, banyak sumber yang menunjukkan bahwa atribut seismik merupakan salah satu parameter untuk mengklasifikasikan karakter dari suatu batuan. Skripsi ini menunjukkan hasil proses yang dilakukan oleh ANN yang dapat membuat suatu hubungan antara atribut seismik dengan saturasi air (Sw). Tujuan utama penelitian ini adalah memprediksi penyebaran lateral saturasi air (Sw) yang diperoleh dari atribut seismik. Pada tahap awal, hubungan antara log saturasi air (Sw) dengan satu tras seismik yang berhimpit ditentukan dengan menggunakan metode ANN. Setelah jaringan terbentuk, metode tersebut diterapkan untuk seluruh tras seismik yang ada pada suatu volume seismik. Atribut seismik yang dijadikan masukan adalah amplitudo, impedansi akustik, frekuensi sesaat, dan kuat refleksi (amplitudo sesaat). Jaringan yang digunakan adalah Backpropagation dengan 5 lapisan yang masing-masing memiliki 40, 30, 20, 10 dan 1 neuron. Metode pelatihannya menggunakan metode resilent backpropagation. Hasil proses jaringan ini memiliki nilai korelasi 96 % dengan nilai validasi sebesar 60 % dan nilai rata-rata error kuadrat (rmse) 3.01 %.

---

A seismic attribute information, which is obtained from seismic data, can be used to predict petrophysical properties analytically as well as numerically. Although the relationship between seismic attributes with rock properties can not be specifically defined, many papers indicated that seismic attributes can be used to characterize the rock.

This work shows the application of ANN algorithm to generate the relationship between seismic attributes and water saturation (Sw). The main objective of this study is to predict the lateral distribution of water saturation (Sw), which is derived from seismic data. The first step, the relationship between water saturation (Sw) and a trace seismic, which coincide with well log data, is determined using the ANN. After the network is defined, the method can then be applied to all existing seismic traces in a seismic volume. The input of seismic attributes is amplitude, acoustic impedance, instantaneous frequency, and reflection strength (amplitude envelope).

We use bacpropagation network with 5 layers each having 40, 30, 20, 10 and 1 neuron. The training method is resilent backpropagation. This network produces good agreement between predicted water saturation (Sw) and targeted water saturation (Sw), which is indicated by correlation coefficient of 96 %, validation coefficient of 60 % and root mean square error (rmse) of 3.01 %."

"Estimation of porosity (and other petrophysical parameters) from well logs are important yet difficult task encountered in geophysical formation evaluation and reservoir engineering. Motivated by recent result of artificial neural network (ANN) modelling offshore eastern Canada and North sea, we have developed neural nets for converting well logs in the Field-X, West Java, to porosity. We use back propagation artificial neural network (BPANN) to model porosity of the area. The porosity ANN is a simple three layer network using sonic, density and resistivity logs for input.Optimum network's parameters, like type of activation function, number of facts, and number of neurons also have been investigated through series of trials and errors of network. The network, initially developed for basin-scale problems, perform sufficiently accurate to meet normal requirements. There is strong similarity (R=0.964) between the predicted porosity from BPANN with density-derived porosity (which has been used as a substitute for core plug porosity due to not enought core data available). A major adventage is that no a priori knowledge of the rock material and pore fluids is required. Real-time conversion based on measurements while drilling (MWD) is thus an obvious application."

"Emisi kendaraan terutama yang menggunakan mesin diesel merupakan masalah yang sudah tidak asing lagi. Nox, HC, O2, CO, CO2 dan asap yang merupakan zat- zat hasil pembakaran mesin diesel dapat di ukur melalui percobaan eksperimental. Tetapi tentunya percobaan eksperimental ini mempunyai beberapa kekurangan seperti pengoperasiannya yang mahal serta prosesnya yang memakan waktu cukup panjang. Untuk mengatasi masalah itu semua, maka dibuatlah suatu metode pemodelan matematika menggunakan Artificial Neural Network (ANN). Metode ANN yang digunakan dalam skripsi ini adalah Backpropagation. Dengan dilakukannya penelitian ini diharapkan karakter emisi kendaraan mesin diesel dapat diprediksi secara akurat. Hasil dari penelitian ini membuktikan bahwa ANN cukup handal dalam memprediksi emisi bahan bakar mesin diesel.

---

Vehicle emissions, especially using diesel engine is not a strange problem anymore. NOx, HC, O2, CO, CO2 and smoke emissions comes from the combustion of substances in diesel engines can be measured through experimental test. Certainly this experimental test has several shortcomings such as the operation is expensive and time consuming process which is long enough.

To cope with this problem, then a mathematical modeling method using Artificial Neural Network (ANN) was made. ANN method used in this thesis is Backpropagation. This research expect to predict characters of diesel engine emissions accurately. The results of this study proves that ANN quite good to predict diesel engine emission."

"Pada masa pandemi akibat COVID-19, Kementerian Pendidikan dan Kebudayaan Republik Indonesia memberlakukan kebijakan pelaksanaan pembelajaran secara daring di lingkungan perguruan tinggi. Namun, pembelajaran daring dapat menyebabkan penurunan performa akademik hingga kegagalan akademik. Berdasarkan penelitian sebelumnya, prediksi performa akademik dapat dilakukan untuk mencegah hal tersebut, yaitu melalui identifikasi awal mahasiswa yang berisiko mengalami kegagalan akademik berdasarkan data aktivitas belajar. Prediksi dapat dilakukan menggunakan machine learning. Pada tugas akhir ini, salah satu metode machine learning, yaitu Artificial Neural Network (ANN) digunakan untuk memprediksi kelulusan mahasiswa pada suatu mata kuliah. ANN merupakan sistem pemrosesan informasi berupa jaringan saraf yang meniru cara kerja otak manusia. Prediksi dilakukan dengan mengimplementasikan ANN pada data aktivitas belajar yang tercatat dalam website EMAS selama tiga bulan. Data tersebut dikonversi menjadi data tiga periode waktu, yaitu data aktivitas belajar mahasiswa selama 1, 2, dan 3 bulan. Sebelum dilakukan implementasi, normalisasi, SMOTE, dan penentuan hyperparameter menggunakan grid search terlebih dahulu dilakukan pada data setiap periode. Hasil implementasi ANN, sebanyak 10 percobaan pada masing-masing periode, dievaluasi berdasarkan nilai rata-rata sensitivity, specificity, dan akurasi. Selanjutnya, dilakukan analisis hasil implementasi ANN pada ketiga periode untuk menentukan waktu terbaik dalam memprediksi mahasiswa yang tidak lulus dengan tepat menggunakan nilai rata-rata sensitivity. Berdasarkan analisis tersebut, diperoleh bahwa prediksi dapat dilakukan pada periode 2 dengan menggunakan data aktivitas belajar selama dua bulan. Hasil implementasi model ANN menggunakan data dua bulan pembelajaran, menunjukkan bahwa model ANN yang dibangun dapat memprediksi kelulusan mahasiswa dengan nilai rata-rata sensitivity sebesar 80%, sementara kedua nilai rata-rata specificity dan akurasi model sebesar 84%. Dengan adanya penelitian ini, diharapkan dapat membantu pengajar maupun mahasiswa dalam melakukan tindakan preventif untuk meningkatkan efektivitas belajar.

---

During the COVID-19 pandemic, the Education and Culture Ministry of Indonesia enforced an online learning policy in the universities. However, online learning is inclined to causing failure for students’ academics. Based on the previous research, a prediction of academic performance can be made to prevent student failure, that is through early identification of student at-risk based on their learning activity data. Student academic predictions can be made using machine learning. In this research, one of the machine learning methods, which is the Artificial Neural Network (ANN) is used to predict student failure in a course. ANN is an information-processing system in the form of a neural network that imitates how the human brain works. In order to predict, ANN is implemented on their learning activity data recorded on the EMAS website. The data is converted into 3, that is student’s learning activity data for 1, 2, and 3 months. Before ANN is implemented, normalization, SMOTE, and hyperparameter tuning using grid search are conducted first on each data in each period. The results of ANN implementation within 10 trials each are evaluated using the average accuracy, sensitivity, and specificity values. Then, the results are analyzed each to determine the best period to predict unsuccessful students correctly using the average sensitivity value. Based on the analysis, it is found that the predictions can be made using learning interaction data of the second period. The implementation results of the best ANN model using the two months of learning data show that the ANN model can predict with the average sensitivity of 80%, while both average specificity and accuracy are 84%. Hopefully, the results of this research can help both teachers and students to take preventive actions to improve their learning effectiveness."

"Perkembangan Internet Of Things (IoT) pada era saat ini sudah semakin berkembang. Jumlah IoT device sudah mencapai 31 miliar perangkat yang tersebar di dunia. IoT adalah suatu objek yang memiliki kemampuan untuk mengirimkan data melalui jaringan tanpa memerlukan interaksi manusia ke manusia atau manusia ke computer. Dalam perkembangannya, dibutuhkannya teknologi Machine Learning untuk mendukung fitur-fitur yang ada pada IoT device, seperti prediksi konsumsi energi pada perangkat IoT. Machine learning diperlukan untuk mempelajari behaviour yang ada pada mesin yang diterjemahkan menjadi kondisi atau kata kata lain yang mencerminkan behaviour tersebut. Dalam implementasinya membutuhkan neural network yang didalamnya terdapat memory untuk mengingat behaviour tersebut sehingga proses learning dari alat menjadi cepat atau disebut dengan Recurrent Neural Network (RNN). Dengan tujuan dapat mengetahui dan memprediksi dari suatu nilai agar dapat memperkirakan besar konsumsi energi yang berakibat pada kenaikkan penggunaan listrik perkapita dalam negeri. Salah satu arsitektur dari RNN yaitu LSTM dapat digunakan untuk menjawab permasalahan. Data yang digunakan berasal dari sebuah alat dispenser. Hasil pengujian LSTM mencapai kategori baik dengan mendapatkan RMSE sebesar 3.9265.

---

The development of the Internet of Things (IoT) has increasingly developed many features. The number of IoT devices has reached 31 billion devices spread across the world. IoT is an object that has the ability to transfer data over a network without requiring human-to-human or human interaction to a computer. In its development, Machine Learning technology is needed to support features that exist on IoT devices, such as power predictions on IoT devices. Machine learning is needed to study the behaviors that exist on the machine which are translated into conditions or other words that reflect that behavior. For the implementation requires a neural network in which there is memory to remember the behavior so that the learning process of the tool becomes fast or called Recurrent Neural Network (RNN). The purpose of this research is to predict values from consumption energy, which related to average energy consumption on current country. One of the architectures of the RNN, namely LSTM can be used to answer the problem. The data comes from a smart dispenser. The LSTM test results reached a good category by getting RMSE of 3.9265."

"Sistem pendingin pada sebuah bangunan menyumbang energy yang cukup besar pada total energy dari bangunan tersebut. Pemilihan dan penghematan system pendingin yang tepat akan membantu untuk mengurangi konsumsi energy pada system pendingin bangunan. Salah satu cara penghematan pada system pendingin adalah dengan menggunakan bahan-bahan renewable energy sebagai sumber energinya. Gedung Mechanical Research Center yang berada di wilayah Fakultas Teknik Universitas Indonesia, Depok, Jawa Barat telah menggunakan system pendingin absorpsi tenaga matahari guna memanfaatkan sumber panas terbarukan yang dapat menghemat konsumsi energy pada suatu gedung. Tujuan penelitian ini mencoba untuk mengevaluasi besar konsumsi energy yang dikeluarkan oleh absorption chiller pada gedung MRC, evaluasi dilakukan dengan simulasi menggunakan perangkat lunak IES-VE, IES-VE adalah perangkat lunak yang membantu penggunanya untuk mendesain dan mengevaluasi fenomena-fenomena pada suatu bangunan hasil yang didapat dari simulasi ini akan digunakan sebagai perbandingan terhadap hasil artificial intelligence menggunakan metode artificial neural network dan fuzzy.

---

Cooling systems in a building contribute considerable energy to the total energy of the building. Choosing and saving the right cooling system will help to reduce energy consumption in building cooling system. One way of saving on the cooling system is to use renewable energy as a source of energy. Building Mechanical Research Center located in the Faculty of Engineering, University of Indonesia, Depok, West Java has been using solar energy absorption cooling system to utilize renewable heat sources that can save energy consumption in a building.

The purpose of this study was to evaluate the energy consumption of absorption chiller in the MRC building, the evaluation was done by simulation using IES VE software, IES VE is software that help its users to design and evaluate phenomena in a building result Obtained from this simulation will be used in comparison to artificial intelligence result using artificial neural network and fuzzy method."