Ditemukan 120039 dokumen yang sesuai dengan query
Resha Rafizqi Bramasta
"
ABSTRAKPembangkit listrik tenaga panas bumi adalah sumber energi bersih terbarukan dengan potensi besar yang dimiliki Indonesia. Sistem deteksi kesalahan manual pada mesin kritis adalah salah satu masalah dalam pengoperasian pembangkit listrik tenaga panas bumi di Indonesia. Kesalahan rentan dalam menentukan kondisi mesin dan keterlambatan dalam mengetahui peringatan adalah dua masalah utama yang muncul. Penerapan algoritma pembelajaran mesin dalam membuat model deteksi kesalahan telah digunakan di berbagai industri dan objek. Penelitian ini adalah penerapan algoritma pembelajaran mesin untuk membuat model klasifikasi deteksi kesalahan pada mesin kritis pembangkit listrik tenaga panas bumi. Algoritma yang digunakan adalah classifier dasar dan ensemble classifier untuk membandingkan algoritma mana yang menghasilkan indikator klasifikasi terbaik. Penelitian ini dapat memberikan wawasan tentang industri pembangkit listrik tenaga panas bumi di Indonesia untuk mengatasi sistem deteksi kesalahan yang ada dengan memanfaatkan data sensor menggunakan algoritma pembelajaran mesin.
ABSTRACTGeothermal power plants are a renewable clean energy source with great potential that Indonesia has. The manual fault detection system at the critical machine is one of the problems in the operation of geothermal power plants in Indonesia. Vulnerable errors in determining engine conditions and delays in knowing alerts are two major problems that arise. The application of machine learning algorithms in making fault detection models has been used in various industries and objects. This research is the application of machine learning algorithms to create fault detection classification models on critical engines of geothermal power plants. The algorithm used is the basic classifier and ensemble classifier to compare which algorithms produce the best classification indicators of classifications. This research can provide insight into the geothermal power plant industry in Indonesia to overcome existing fault detection system by utilizing sensor data using machine learning algorithm."
2019
S-Pdf
UI - Skripsi Membership Universitas Indonesia Library
Helmi Qosim
"
ABSTRAKSynthesis loop merupakan salah satu sistem kritis di pabrik amoniak. Oleh karena itu, ada urgensi untuk menjaga reliability dan availability pada sistem ini. Sebagian besar peristiwa shutdown di pabrik amoniak terjadi tiba-tiba setelah alarm tercapai. Jadi, perlu ada sistem deteksi dini untuk memastikan masalah anomali ditangkap oleh operator sebelum menyentuh set point alarm. Implementasi algoritma machine learning dalam membuat model deteksi potensi kegagalan telah digunakan di berbagai industri dan objek sebagai penelitian. Algoritma yang digunakan adalah classifier dasar dan ensemble untuk membandingkan algoritma mana yang menghasilkan hasil klasifikasi terbaik. Penelitian ini dapat memberikan ide dan perspektif baru ke dalam industri pabrik amoniak untuk mencegah terjadinya shutdown yang tidak terjadwal dengan memanfaatkan data menggunakan algoritma machine learning.
ABSTRACTSynthesis loop is one of the critical systems in ammonia plant. Therefore, there is urgency for maintaining the reliability and availability of this system. Most of the shutdown events occur suddenly after the alarm is reached. So, there needs to be an early detection system to ensure anomaly problem captured by the operator before
touching the alarm settings. The implementation of machine learning algorithms in making fault detection models has been used in various industries and objects. The algorithm used is the basic and ensemble classifier to compare which algorithms generate the best classification results. This research can provide a new idea and perspective into ammonia plant industry to prevent unscheduled shutdown by utilizing
data using machine learning algorithm."
Depok: Fakultas Teknik Universitas Indonesia , 2020
T-Pdf
UI - Tesis Membership Universitas Indonesia Library
Tania Mentari Desriyani
"Pemeliharaan merupakan hal terpenting dalam menjalankan sebuah sistem produksi yang melibatkan aset yang besar, termasuk pada Pembangkit Listrik Tenaga Panas Bumi. Pemeliharaan mesin berbasis kondisi mesin Condition-Based Maintenance dirasa efektif dalam menjaga performa mesin. Kondisi mesin dapat diketahui melalui data operasi yang ada. Salah satu pendekatan yang dapat mempelajari dan mengolah ribuan data operasi yang terekam oleh sensor-sensor parameter keseluruhan data operasi yang ada adalah dengan pendekatan machine learning. Data operasi tersebut kemudian akan dibagi menjadi beberapa kategori yaitu long, medium dan short dengan batasan berupa lama waktu aset tersebut beroperasi. Data tersebut kemudian akan menjalani proses training menggunakan aplikasi Classification Learner pada software MATLAB. Proses ini memungkinkan MATLAB mempelajari hubungan antar parameter, waktu dan kategori yang dibuat hingga menghasilkan sebuah model klasifikasi kondisi mesin. Model tersebut kemudian digunakan untuk memprediksi kondisi turbin terkini yang kemudian dapat diperkirakan berapa lama lagi turbin dapat beroperasi dengan baik sampai turbin membutuhkan kegiatan pemeliharaan kembali.
Maintenance is the most important thing in running a large production system that is using some machinery such as turbines, pumps and so on. This is also applied for a geothermal power plants that have so many assets to maintain. Condition based maintenance is considered to be the most effective maintenance management to be applied for a big scale industrial company. Machines condition could be known from the machines operation data that is continously recorded by the censors of some parameter. One of the most suitable approach to learn and process the big operation data is machine learning. The operation data will be classified into three categories, there are long category, medium category and short category, which has its limit based on the length of time the machine has been operating. Then, the operation data will be trained using Classification Learner toolbox of MATLAB. This process let MATLAB understands the relationship between each parameter, time and the categories until a classification model of machines condition has been produced. The model later could be used to predict the most recent machines condition so that we can also predict how long the machine could still operate well until it needs to be maintained again. "
Depok: Fakultas Teknik Universitas Indonesia, 2018
S-Pdf
UI - Skripsi Membership Universitas Indonesia Library
Suryo Utomo
"Ratifikasi United Nation Framework Convention on Climate Change (UNFCCC) dan Protokol Kyoto oleh Pemerintah Indonesia melalui Undang-Undang Nomor 6/1994 dan Undang-Undang Nomor 17/2004 memberikan peluang bagi Indonesia untuk dapat berpartisipasi dalam upaya dunia mengatasi masalah perubahan iklim akibat pemanasan global. Perwujudan dari partisipasi tersebut antara lain dengan terlibat dalam Clean Development Mechanism (CDM) di sektor energi melalui pengembangan pembangkit listrik tenaga panas bumi (PLTP) di sistem ketenagalistrikan Jawa-Madura-Bali (JAMALI). Tulisan ini menentukan kelayakan suatu PLTP untuk dijadikan proyek CDM dengan membandingkan IRR dari suatu PLTP dengan MARR-nya. Hasil analisis pada tulisan ini menghasilkan kesimpulan bahwa PLTP yang paling layak dikembangkan adalah PLTP Salak Tahap I dengan kapasitas 165 MW.
Ratification of UNFCCC and Kyoto Protocol by the Government of Indonesia trough Law Number 6/1994 and Law Number 17/2004 give the opportunity to Indonesia to participate with the world effort in solving the climate change problems caused by global warming. The form of that participation is by being involved on the Clean Development Mechanism (CDM) in energy sector trough the development of geothermal power plant in Jawa-Madura-Bali (JAMALI) power system. This writing determines the feasibility of geothermal power plant to be proposed as a CDM project by compare its IRR and MARR. The analysis resulted that Salak Phase I geothermal power plant is the most feasible to develop."
2009
T25910
UI - Tesis Open Universitas Indonesia Library
Muhammad Shaddam Muzaki
"
ABSTRAKIndonesia diberkahi dengan potensi cadangan energi panas bumi terbesar di dunia, setara dengan 28,61 Gigawatt electric (GWe). Namun, kapasitas terpasang pembangkit listrik tenaga panas bumi di Indonesia saat ini hanya sekitar 2,13 Gigawatt listrik (GWe), jauh dari potensi yang sebenarnya. Pengembangan pembangkit listrik tenaga panas bumi diperlukan bagi Indonesia untuk mencapai pemanfaatan energi berkelanjutan di Indonesia. Peningkatan pemanfaatan energi panas bumi tentu akan menjadi tujuan pemerintah di tahun-tahun mendatang untuk mewujudkan pembangunan yang berkelanjutan. Namun, pengembangan pembangkit listrik tenaga panas bumi adalah sistem yang kompleks dan dinamis, yang tentunya menjadi tantangan dalam mengembangkan energi panas bumi di Indonesia. Penelitian ini bertujuan untuk memahami struktur kompleks pengembangan pembangkit listrik tenaga panas bumi di Indonesia dan menganalisis kebijakan terkait pengembangan pembangkit listrik tenaga panas bumi di Indonesia. Maka dari itu, pendekatan holistik dan sistematis dengan sistem dinamis digunakan dalam penelitian ini.
ABSTRACTIndonesia is blessed with the largest potential geothermal energy reserves in the world, equivalent to 28.61 Gigawatt electric (GWe). However, the installed capacity of geothermal power plant in Indonesia is currently only around 2.13 Gigawatts of electricity (GWe), far from its true potential. The development of geothermal power plant is needed for Indonesia to achieve sustainable energy utilization in Indonesia. Increasing the utilization of geothermal energy will certainly be the aim of the government in the coming years to maintain sustainable development. However, the development of geothermal power plant is a complex and dynamic system, which is certainly a challenge in developing geothermal energy in Indonesia. This study aims to comprehend the complex structure of geothermal power plant development in Indonesia and analyze the geothermal power plant development-related policy in Indonesia. For this purpose, a holistic and systematic approach with a system dynamics approach is used."
Depok: Fakultas Teknik Universitas Indonesia, 2020
S-Pdf
UI - Skripsi Membership Universitas Indonesia Library
Eldisja Hadasa
"Peningkatan jumlah perangkat Internet of Things (IoT) dalam berbagai sektor in- dustri menyebabkan kebutuhan akan sistem keamanan jaringan yang andal men- jadi semakin mendesak. Penelitian ini mengembangkan model dengan pertama- tama mengevaluasi kinerja tiga arsitektur model algoritma Machine Learning (ML) dalam membangun sistem Intrusion Detection System (IDS) pada jaringan IoT. Tiga model yang digunakan adalah XGBoost, TabNet, dan FastAI, yang diuji pada tiga dataset berbeda, yaitu RT IoT 2022, CIC-IoT 2023, dan CIC-IoT DIAD. Evalu- asi dilakukan dengan metode Stratified K-Fold Cross-Validation dan metrik yang digunakan meliputi accuracy, F1-score, dan precision. Hasil eksperimen menun- jukkan bahwa model XGBoost menghasilkan nilai rata-rata F1-score tertinggi sebe- sar 0,9458, diikuti oleh FastAI dengan 0,9349, dan TabNet dengan 0,8973. Dataset CIC-IoT 2023 menunjukkan kompleksitas tertinggi, namun model XGBoost tetap mampu mempertahankan akurasi yang stabil di atas 92%. Uji ANOVA meng- hasilkan nilai p-value lebih dari 0,05 pada metrik accuracy dan F1-score, sedangkan precision memiliki nilai p-value kurang dari 0,05 yang mengindikasikan terdapat perbedaan performa yang signifikan antar model.
The increasing number of Internet of Things (IoT) devices across various industrial sectors has made the need for a reliable network security system more urgent. This study develops a model by first evaluating the performance of three machine learn- ing (ML) algorithm architectures in building an intrusion detection system (IDS) for IoT networks. The three models used are XGBoost, TabNet, and FastAI, which were tested on three different datasets: RT IoT 2022, CIC-IoT 2023, and CIC-IoT DIAD. The evaluation was carried out using the Stratified K-Fold Cross-Validation method, and the metrics used included accuracy, F1-score, and precision. The ex- perimental results showed that the XGBoost model achieved the highest average F1-score of 0.9458, followed by FastAI with 0.9349, and TabNet with 0.8973. The CIC-IoT 2023 dataset exhibited the highest level of complexity; however, the XG- Boost model was still able to maintain a stable accuracy above 92%. The ANOVA test produced a p-value greater than 0.05 for the accuracy and F1-score metrics, while the precision metric showed a p-value less than 0.05, indicating a statistically significant performance difference among the models. "
Depok: Fakultas Teknik Universitas Indonesia, 2025
S-pdf
UI - Skripsi Membership Universitas Indonesia Library
Sylvia Putri Larasati
"Istilah Sick Building Syndrome (SBS) digunakan untuk menjelaskan situasi dimana penghuni bangunan mengalami efek kesehatan dan kenyamanan akut yang berhubungan dengan waktu yang dihabiskan di dalam bangunan. Indoor Air Quality (IAQ) atau kualitas udara dalam ruangan menjadi perhatian karena rata-rata manusia menghabiskan waktunya 90% di dalam ruangan. Maka dari itu, diperlukan pertukaran udara yang memadai dalam sebuah bangunan. Sistem HVAC merupakan peralatan yang dapat memberikan pemanasan, pendinginan, penyaringan udara luar ruangan, dan kontrol kelembaban untuk menjaga kenyamanan. Perkembangan teknologi di era industri 4.0 semakin memudahkan manusia, tidak terkecuali pada bidang konstruksi. Pada penelitian ini, akan dipelajari pengembangan machine learning untuk memprediksi desain sistem HVAC agar memenuhi parameter IAQ pada bangunan sehat di Indonesia. Tinjauan literatur mengenai parameter IAQ pada bangunan sehat dari berbagai sumber dilakukan untuk mengidentifikasi kesamaan dan kesenjangan parameter pada bangunan sehat dengan parameter yang berlaku di Indonesia. Tinjauan literatur menghasilkan parameter kualitas udara dalam ruangan untuk konsep bangunan sehat di Indonesia. Rapidminer digunakan untuk pembuatan empat buah model dan model divalidasi dengan metode Mean Absolute Error (MAE) dan confusion matrix. Model prediksi beban pendingin memiliki kesalahan relatif sebesar 1,11%. Model prediksi jenis chiller memiliki kesalahan relatif sebesar 3,33%. Model prediksi jenis AHU memiliki kesalahan relatif sebesar 10%. Model prediksi luas filter memiliki kesalahan relatif sebesar 1,22%.
The term Sick Building Syndrome (SBS) is used to describe situations in which building occupants experience acute health and comfort effects related to time spent in a building. Indoor Air Quality (IAQ) is a concern because the average human spends 90% of his time indoors. Therefore, adequate air exchange is needed in a building. HVAC systems are equipment that can provide heating, cooling, outdoor air filtration, and humidity control to maintain comfort. Technological developments in the industrial era 4.0 have made it easier for humans, including the construction sector. In this study, we will study the development of machine learning to predict the design of the HVAC system to meet the IAQ parameters in healthy buildings in Indonesia. Literature review regarding IAQ parameters in healthy buildings from various sources was carried out to identify similarities and gaps in parameters in healthy buildings with parameters that apply in Indonesia. The literature review resulted in indoor air quality parameters for the concept of healthy buildings in Indonesia. Rapidminer is used for the manufacture of four models and the model is validated by the Mean Absolute Error (MAE) and confusion matrix methods. The cooling load prediction model has a relative error of 1.11%. The chiller type prediction model has a relative error of 3.33%. The AHU type prediction model has a relative error of 10%. The filter area prediction model has a relative error of 1.22%."
Depok: Fakultas Teknik Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership Universitas Indonesia Library
Darlene Damayanti
"Penelitian ini bertujuan untuk meningkatkan proses verifikasi dokumen untuk penagihan proyek EPC menggunakan pendekatan Business Process Reengineering (BPR). Berdasarkan hasil penelitian, solusi yang memungkinkan untuk mengatasi permasalahan yang ada adalah dengan mengembangkan sistem informasi yang memanfaatkan perangkat lunak CRM terintegrasi. Model To-Be yang dipilih menghasilkan pengurangan waktu pemrosesan sebesar 33% untuk fase engineering, 11% untuk fase procurement, dan 38% untuk fase construction. Solusi tersebut menghasilkan rancangan sistem informasi yang terdiri dari satu Entity Relationship Diagram, satu Relational Database, delapan Use Case Diagrams, lima Data Flow Diagrams, dan delapan Activity Diagrams, yang digunakan untuk membuat wireframe sebagai tahap akhir dalam Siklus Hidup Pengembangan Sistem (SDLC).
This study aims to improve the document verification process for EPC project billing using the Business Process Reengineering (BPR) approach. Based on the research findings, the feasible solution to address the existing problems is to develop an information system utilizing integrated CRM software. The chosen To-Be model resulted in a 33% reduction in processing time for the engineering phase, 11% for the procurement phase, and 38% for the construction phase. The solution produced an information system design consisting of one Entity Relationship Diagram, one Relational Database, eight Use Case Diagrams, five Data Flow Diagrams, and eight Activity Diagrams, which were utilized to create wireframes as the final stage of the Systems Development Life Cycle (SDLC). "
Depok: Fakultas Teknik Universitas Indonesia, 2025
S-pdf
UI - Skripsi Membership Universitas Indonesia Library
Zulfikar hadzalic
"Seiring berkembangnya teknologi, serangan siber menjadi semakin canggih dan beragam, sementara sistem keamanan jaringan tradisional menggunakan aturanaturan tetap yang sulit mendeteksi serangan baru. Penelitian ini bertujuan mengembangkan sistem deteksi serangan siber yang lebih pintar dengan menggunakan Machine Learning untuk meningkatkan kemampuan Zeek Network Security Monitor (NSM) dalam mendeteksi berbagai jenis serangan secara otomatis. Metodologi penelitian menggunakan dataset TOn_IOT yang dilakukan pengolahan data, kemudian membandingkan tiga algoritma Machine Learning yaitu Random Forest, XGBoost, dan LightGBM. Setelah dibandingkan, didapatkan model terbaik yaitu XGBoost dengan tingkat akurasi 93,28% dan F1-score 93,30% dalam mendeteksi sembilan jenis serangan siber seperti DoS, DDoS, scanning, dan ransomware. Model XGBoost kemudian digunakan untuk ekstraksi threshold menggunakan analisis kurva ROC dan presisi-recall untuk menemukan nilai batas optimal yang membedakan aktivitas normal dari mencurigakan, menghasilkan 31 threshold individual dengan rata-rata 3,4 threshold per serangan. Parameter threshold yang diekstrak berhasil diterapkan dalam script Zeek dan diuji pada lingkungan simulasi tiga komputer virtual dengan total 45 percobaan, terbukti mampu mendeteksi 39 dari 45 serangan dengan tingkat deteksi keseluruhan 86,7% dan memberikan peringatan otomatis melalui log Zeek. Penelitian ini membuktikan bahwa penerapan Machine Learning dapat secara signifikan meningkatkan kemampuan sistem keamanan jaringan dalam mendeteksi ancaman siber dibandingkan sistem konvensional, dengan ekstraksi threshold berbasis XGBoost menghasilkan parameter optimal untuk implementasi praktis pada Zeek NSM.
As technology advances, cyber attacks become increasingly sophisticated and diverse, while traditional network security systems use static rules that struggle to detect new attacks. This research aims to develop a smarter cyber attack detection system using Machine Learning to enhance Zeek Network Security Monitor (NSM) capabilities in automatically detecting various types of attacks. The research methodology uses the TOn_IOT dataset with data processing, then compares three Machine Learning algorithms: Random Forest, XGBoost, and LightGBM. After comparison, the best model was XGBoost with 93.28% accuracy and 93.30% F1- score in detecting nine types of cyber attacks such as DoS, DDoS, scanning, and ransomware. The XGBoost model was then used for threshold extraction using ROC curve and precision-recall analysis to find optimal boundary values that distinguish normal from suspicious activities, generating 31 individual thresholds with an average of 3.4 thresholds per attack. The extracted threshold parameters were successfully implemented in Zeek scripts and tested in a three virtual machine simulation environment with 45 total trials, proven capable of detecting 39 out of 45 attacks with an overall detection rate of 86.7% and providing automatic alerts through Zeek logs. This research proves that applying Machine Learning can significantly improve network security system capabilities in detecting cyber threats compared to conventional systems, with XGBoost-based threshold extraction producing optimal parameters for practical implementation on Zeek NSM."
Depok: Fakultas Teknik Universitas Indonesia, 2025
S-pdf
UI - Skripsi Membership Universitas Indonesia Library
Radyatama Nugraha
"Skripsi ini merupakan pengembangan dari teknologi video surveillance system atau sistem pengawasan video. Video surveillance system yang selama ini diterapkan untuk tujuan deteksi objek menggunakan suatu metode umum yaitu dual background model. Model tersebut bekerja dengan memisahkan latar depan dan latar belakang dari suatu video frame dan memposisikan target deteksi di latar depan sebagai output. Salah satu tujuan dari skripsi ini adalah melakukan pengembangan dari sistem tersebut agar dapat mengklasifikasikan objek yang terdeteksi menjadi abandoned, stolen, dan ghost region. Untuk mencapai tujuan tersebut, digunakan metode pemelajaran mesin Mask R – CNN yang dapat melakukan segmentasi objek berbasis pemaskeran. Selain dari Mask R – CNN, terdapat model pemelajaran mesin lain yang cukup umum digunakan untuk deteksi objek dan segmentasi objek yaitu model YOLACT. Penelitian ini menggunakan video situasi natural di tempat umum seperti stasiun atau jalanan yang akan diproses menggunakan dual background model dan kemudian disegmentasi menggunakan Mask R – CNN atau YOLACT. Hasil penelitian ini diharapkan bisa membuka wawasan tentang penggunaan model pemelajaran mesin dalam aplikasi object detection, sekaligus menganalisis model mana yang paling efektif dan efisien berupa hasil kuantitatif yaitu Frame Rate per Seccond ( FPS ), waktu segmentasi, serta Intersection Over Union ( IOU ).
This thesis is an advancement in video surveillance technology. The existing video surveillance system commonly employs a dual background model for object detection. This model functions by separating the foreground and background within a video frame and positions the detected target in the foreground as the output. One of the goals of this thesis is to enhance this system to classify detected objects into abandoned, stolen, and ghost regions. To achieve this, the Mask R-CNN machine learning method is used, which can perform object segmentation based on masking. Apart from Mask R-CNN, another commonly used machine learning model for object detection and segmentation is the YOLACT model. This research utilizes natural situation videos in public places like stations or streets, processed using the dual background model and then segmented using Mask R-CNN or YOLACT. The anticipated outcome of this study is to broaden insights into the use of machine learning models in object detection applications while analyzing which model is most effective and efficient for similar applications."
Depok: Fakultas Teknik Universitas Indonesia, 2024
S-Pdf
UI - Skripsi Membership Universitas Indonesia Library
