Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pipa transmisi adalah cara teraman dan paling efektif untuk mengangkut gas alam dalam jumlah besar dalam jarak jauh. Meskipun transportasi menggunakan pipa adalah yang paling aman, kegagalan pipa transmisi dapat menyebabkan kerusakan, kerugian finansial, dan cedera. Kegagalan pipa perlu diprediksi untuk untuk menentukan prioritas pemeliharaan pipa sebagai salah satu strategi membuat jadwal pemeliharaan prefentif yang tepat sasaran dan efisien agar pipa dapat diperbarui atau direhabilitasi pipa sebelum terjadi kegagalan. Metode yang ditawarkan pada studi ini adalah machine learning, dimana metode merupakan bagian dari insiatif transformasi digital (Hajisadeh, 2019). Model dikembangkan berdasarkan data kegagalan historis dari jaringan pipa transmisi gas darat sekitar 2010-2020 yang dirilis oleh Departemen Transportasi AS dengan karakteristik data yang tidak terstruktur dan kompleks. Proses pembelajaran mesin dapat dibagi menjadi beberapa langkah: pra-pemrosesan data, pelatihan model, pengujian model, pengukuran kinerja, dan prediksi kegagalan. Pengembangan model pada studi ini dilakukan menggunakan dua algoritma yaitu regresi logistik dan random forest. Pola perilaku dari faktor-faktor yang paling berpengaruh adalah usia dan panjang segmen pipa meiliki korelasi positif terhadap kegagalan pipa. Kedalaman pipa, ketebalan, dan diameter pipa memiliki korelasi negatif. Kegagalan pipa paling sering terjadi pada pipa dengan class location 1 dan class location 4, pipa yang ditempatkan di bawah tanah, serta pipa dengan tipe pelapis coal tar. Hasil pengembangan model menggunakan machine learning menunjukan hasil performa model akurasi prediksi 0.949 dan AUC 0.950 untuk model dengan algoritma regresi logistik. Sedangkan akurasi prediksi 0.913 dan AUC 0.916 untuk model dengan algoritma random forest. Berdasrkan hasil uji performa kita dapat menyimpulkan bahwa machine learning adalah metode yang efektif untuk memprediksi kegagalan pipa. Berdasarkan model yang dilatih pada dataset nyata pipa transmisi gas, hasil prediksi pada studi kasus dapat menghindari 29% dari kegagalan pipa pada 2025, 53% kegagalan pipa pada tahun 2030, dan 64% pada tahun 2035.

---

Transmission pipe is the safest and most effective way to transport large amounts of natural gas over long distances. Although transportation using pipelines is the safest, transmission pipeline failures can cause damage, financial losses, and injuries. Pipeline failures need to be predicted to determine the priority of pipeline maintenance as one of the strategies to create a schedule of maintenance targets that is right on target and efficient so that the pipeline can be rehabilitated before a failure occur. The method offered in this study is machine learning, where the method is part of the digital transformation initiative (Hajisadeh, 2019). The model was developed based on historical failure data from the onshore gas transmission pipeline around 2010-2020 released by the US Department of Transportation with unstructured and complex data characteristics. The machine learning process can be divided into several steps: data pre-processing, model training, model testing, performance measurement, and failure prediction. The development of the model in this study was carried out using two algorithms namely logistic regression and random forest. The correaltion of the factors that most influence the failure of an onshore gas transmission pipeline is the age and length of the pipe segment has a positive correlation with pipe failure. Depth of cover, thickness, and diameter of pipes have a negative correlation with pipe failures. Pipe failures most often occur in pipes with class location 1 and class location 4, undersoil, and pipes with coal tar coating types. The results of the development of the model using machine learning showed the results of the model performance prediction accuracy is 0.949 and AUC is 0.950 for models with logistic regression algorithms. Whereas the accuracy of prediction is 0.913 and AUC is 0.916 for models using the random forest algorithm. Based on the results of performance tests we can conclude that machine learning is an effective method for predicting pipe failures. Based on the model trained on a real dataset of gas transmission pipelines, the prediction results in case studies can avoid 29% of pipe failures in 2025, 53% of pipe failures in 2030, and 64% in 2035. "

"Jaringan optik adalah jaringan telekomunikasi berkapasitas tinggi dengan menggunakan teknologi dan komponen optik. Di Indonesia, CWDM biasanya digunakan pada jaringan optik di daerah urban, hal ini dikarenakan CWDM memiliki bandwidth yang lebar dan sesuai dengan kebutuhan daerah urban yang hanya butuh jarak yang pendek. Machine learning (ML) merupakan salah satu cabang kecerdasan buatan yang sangat cocok untuk menangani masalah kompleks yang sulit dijawab dalam waktu yang wajar. Prediksi Quality of Transmission (QoT) yang akurat sebelum pembentukan koneksi sangat penting untuk penyediaan layanan dan pemanfaatan sumber daya jaringan. Model Coarse Wavelength Division Multiplexing (CWDM) yang digunakan jaringan sesuai dengan standar ITU-T G.694.2 yaitu splitting sebesar 20nm, pada wavelength yang terdaftar pada standar yaitu 1551 nm, 1571 nm, 1591 nm, dan 1611 nm. Pendekatan yang digunakan adalah algoritma jenis linear regression dengan akurasi 82,47%, k-nearest neighbor regression dengan akurasi 77,18%, support vector regression dengan akurasi 83,88%, random forest regression 91,44%, dan deep learning ANN regression dengan akurasi 94,52%. Algoritma machine learning yang paling baik dalam memprediksi kualitas transmisi adalah random forest regressor. Algoritma ini tidak lebih baik dari deep learning yaitu, ANN regression. Namun waktu komputasi pada ANN regression cenderung lebih lama yaitu 12,451 ms sedangkan pada random forest regression hanya 1,9098 ms.

---

An optical network is a high-capacity telecommunications network using optical technology and components. In Indonesia, CWDM is usually used on optical networks in urban areas, this is because CWDM has a wide bandwidth and is in accordance with the needs of urban areas that only need a short distance. Machine learning (ML) is a branch of artificial intelligence that is very suitable for dealing with complex problems that are difficult to answer in a reasonable time. Accurate Quality of Transmission (QoT) prediction prior to connection establishment is critical for service provision and utilization of network resources. The Coarse Wavelength Division Multiplexing (CWDM) model used by the network complies with the ITU-T G.694.2 standard, which is 20nm splitting, the wavelengths registered in the standard are 1551 nm, 1571 nm, 1591 nm, and 1611 nm. The approach used is a linear regression type algorithm with an accuracy of 82.47%, k-nearest neighbor regression with an accuracy of 77.18%, support vector regression with an accuracy of 83.88%, random forest regression of 91.44%, and ANN deep learning regression. With an accuracy of 94.52%. The best machine learning algorithm for predicting transmission quality is the random forest regressor. This algorithm is no better than deep learning i.e., ANN regression. However, the computational time for ANN regression tends to be longer, namely 12.451 ms, while for random forest regression it is only 1.9098 ms. "

"Risk-Based Inspection (RBI) adalah metodologi untuk menentukan risiko pada peralatan sesuai dengan siklus hidupnya untuk mengoptimalkan rencana inspeksi yang membutuhkan penilaian kualitatif atau kuantitatif terhadap probabilitas kegagalan (POF) dan konsekuensi dari kegagalan (COF) yang terkait dengan masing-masing item peralatan, termasuk perpipaan, dalam unit proses tertentu dengan tujuan meningkatkan keselamatan operasional dan kehandalan fasilitas industri. Penelitian ini bertujuan untuk mengetahui prediksi risiko dataset infrastruktur transmisi gas di PT PGN Tbk, analisis perbandingan antara hasil penilaian risiko dengan machine learning dan penilaian RBI secara manual, serta optimalisasi program inspeksi RBI. Tahapan penelitian adalah pengumpulan data, rekayasa fitur, pelatihan model, evaluasi model, peningkatan model, analisis perbandingan, analisis risiko biaya dan optimalisasi program inspeksi. Hasil analisis perbandingan adalah dengan logistic regression (LR) sesuai 89,84%, support vector machine (SVM) sesuai 98,53%, k nearest neighbours (K-NN) sesuai 97,79%, decision tree (DT) sesuai 99,26% dan random forests (RF) sesuai 99,85% yang merupakan algoritma machine learning yang terbaik dengan menggunakan ukuran data test sebesar 10%. Berdasarkan analisis risiko biaya, biaya inspeksi dengan teknik RBI secara manual dan menggunakan machine learning memperoleh pengurangan biaya sebesar 60,83% daripada program inspeksi tidak berbasis risiko. Hasilnya menunjukkan bahwa dengan menggunakan machine learning dapat memprediksi tingkat risiko inspeksi berbasis risiko, mengoptimalkan rencana inspeksi, dan menurunkan biaya inspeksi.

---

Risk-Based Inspection (RBI) is a methodology for determining risks on equipment in accordance with its life cycle to optimize inspection plan that requires qualitative or quantitative assessment of the probability of failure (POF) and the consequences of failure (COF) associated with each item equipment, including piping, within a certain process unit with the aim of increasing the operational safety and reliability of industrial facilities. This study aims to determine the risk prediction of gas transmission infrastructure dataset at PT PGN Tbk, a comparison analysis between the results of the risk assessment of machine learning and the RBI assessment manually, as well as an optimization of RBI inspection program. Stages of research are data collection, feature engineering, model training, model evaluation, model enhancements, comparison analysis, cost risk analysis and optimization of inspection program. The results of comparison analysis are with logistic regression (LR) match 89.84%, support vector machine (SVM) match 98.53%, k-nearest neighbours (k-NN) match 97.79%, decision tree (DT) match 99.26% and random forests (RF) match 99.85% which is the best machine learning algorithm by using a data test size equal to 10%. Based on cost risk analysis, inspection costs with RBI techniques manually and using machine learning obtain a reduction in costs by 60.83% than inspection program not risk based. The result shows that using machine learning, it could predict the risk level of risk-based inspection, optimize the inspection plan, and lower the inspection cost."

"Penelitian ini menyelidiki kegagalan pada pipa pengangkut dalam tungku pemanas ulang tipe walking beam di PT. X, Kota Cilegon. Inspeksi visual, uji komposisi kimia, dan evaluasi laju korosi mengungkapkan kerusakan fisik seperti retakan, endapan kerak berwarna hitam dan putih, fenomena bulging, serta pengurangan ketebalan pipa sebesar 47% dari ketebalan asli (25 mm). Mekanisme kerusakan diawali oleh tingginya oksida Fe yang menyebabkan korosi dengan dominasi fasa wustite (FeO), serta unsur Ca, Mg, dan Si yang berkontribusi terhadap pembentukan kerak. Laju korosi yang tercatat (6.05 dan 6.20 mpy) melebihi standar perusahaan (< 5 mpy), dan kekerasan air yang tinggi (82.02 mg/L dalam sirkulasi pipa) mendukung pembentukan kerak. Indeks LSI dan RSI menunjukkan air sangat agresif dengan tingkat korosivitas tinggi. Kerusakan refraktori menyebabkan pipa terekspos langsung pada temperatur tinggi, yang meningkatkan laju creep pada material pipa. Pemanasan ini menyebabkan pembentukan kerak di dalam pipa, yang bertindak sebagai isolator termal dan menyebabkan pemanasan lokal (localized overheating). Akibatnya, deformasi seperti bulging terjadi pada pipa dan akhirnya pipa mengalami kebocoran. Analisis FMEA menunjukkan nilai RPN tertinggi adalah 486 untuk pemeliharaan pipa pengangkut, sehingga diperlukan peningkatan kontrol terhadap terak dalam tungku pemanas ulang, pembersihan rutin terhadap terak, serta peninjauan jadwal dan frekuensi pembersihan untuk mencegah kerusakan serupa.

---

This study investigates the failure of skid pipes within a walking beam reheating furnace at PT. X, Cilegon City. Visual inspection, chemical composition analysis, and corrosion rate evaluation revealed physical damages such as cracks, black and white scale deposits, bulging, and a 47% reduction in pipe thickness from the original 25 mm. The damage mechanism is initiated by high levels of Fe oxides causing corrosion with a dominant wustite (FeO) phase, and elements such as Ca, Mg, and Si contributing to scale formation. Recorded corrosion rates (6.05 and 6.20 mpy) exceed the company's standard (< 5 mpy), and high water hardness (82.02 mg/L in pipe circulation) supports scale formation. The LSI and RSI indices indicate highly aggressive water with high corrosiveness. Damage to refractories results in direct exposure of pipes to high temperatures, thereby accelerating the creep rate of pipe materials. This heating process induces scale formation within the pipes, which acts as a thermal insulator, promoting localized overheating. Consequently, this thermal stress leads to deformations such as bulging, ultimately resulting in pipe failure and leakage. FMEA analysis shows the highest RPN value of 486 for skid pipe maintenance, necessitating enhanced slag control within the reheating furnace, routine slag cleaning, and a review of cleaning schedules and frequencies to prevent similar failures."

"Kebocoran gas sepanJang jalur p1pa adalah hal yang sangat tidak diinginkan. Berbagai metoda untuk mendeteksi kebocoran sudah ditemukan namun penggunaannya sangat bergantung pada karakteristik masing-masing jaringan pipa. Penelitian ini menggunakan data sepanjang bulan Oktober 2011 di jaringan pipa PT X. Perhitungan kondisi kebocoran gas dilakukan oleh perangkat lunak simulasi pipa transmisi untuk melakukan pengujian terhadap metoda deteksi kebocoran pressure point analysis dan neraca massa. Lokasi kebocoran berjarak 49 km, 98 km, dan 147 km dari inlet dengan besarnya kebocoran 1 inchi, 3 inci, dan 5 inchi. Dari hasil simulasi didapatkan bahwa metoda yang lebih baik adalah metoda neraca massa karena mampu mendeteksi kebocoran dalam waktu terlama 39 menit dengan akurasi perkiraan laju alir kebocoran rata-rata sebesar -1,30%.

---

Gas leak along the pipeline is very undesirable. Various methods for detecting leaks are found, but their use depends on the characteristics of each pipeline. This study uses data throughout the month of October 2011 in the pipeline of PT X. Gas leak condition calculations performed by pipeline transmission simulation software for testing the leak detection method of pressure point analysis and mass balance. Leak locations are 49 km, 98 km, and 147 km from the inlet with the magnitude ofleakage 1 inch, 3 inches, and 5 inches respectively. From the simulation results showed that the mass balance method is better because is able to detect leaks in the longest 39 minutes with an accuracy estimated leak flow rate by an average of -1.30%."

"Budidaya udang vaname (Litopenaeus vannamei) sangat diminati sehingga permintaan udang ini meningkat setiap tahunnya. Masalah terberat para petambak adalah kegagalan panen yang berakibat kepada keberlangsungan usaha mereka. Perlu adanya usaha perbaikan untuk meningkatkan keberhasilan panen. Penelitian ini bertujuan untuk lebih menggali mengenai penggunaan machine learning dalam prediksi hasil panen dari data kualitas air. Hasil prediksi ini selanjutnya dipakai dan digunakan dalam proses bisnis sehingga dapat meningkatkan produktivitas. Analisis yang digunakan pada penelitian ini adalah analisis kuantitatif dan kualitatif serta perbaikan proses bisnis. Analisis kuantitatif dengan metode big data dan machine learning. Model yang dipakai adalah k-Nearest Neighbor (kNN), Decision Tree (DT) dan Logistic Regression (LR). Analisis kualitatif dilakukan dengan observasi dan interview untuk memperbaiki proses bisnis. Proses bisnis diperbaiki mengikuti BPM Lifecycle dengan memasukan hasil analisis kuantitatif. Dari penelitian ini didapatkan bahwa prediksi machine learning dengan model Decision Tree dari variabel rasio bakteri merugikan dan NH4+ memberikan akurasi tertinggi mencapai 96%. Setelah didapatkan model dan variabel dengan akurasi tertinggi, penelitian ini juga melakukan penerapan ke dalam proses bisnis dengan pendekatan BPM Lifecycle sehingga hasil tersebut dapat diimplementasi dan memberikan hasil yang lebih produktif.

---

Interest in Vaname shrimp (Litopenaeus vannamei) farming is growing every year. The biggest problem for shrimp farming was the unsuccessful harvest that affected their business sustainability. So, there should be an improvement made to increase the chance of a successful harvest and its productivity. Past research mentioned that vaname shrimp harvest result can be predicted by machine learning approach from water quality data. It gave good accuracy and can be used to have faster decision making. The objective of this research is to deep dive into the utilization of machine learning to predict the successful harvest from water quality data. The predicted result will be utilized in the business process to improve productivity. Analysis that used at this research are quantitative and qualitative with business process improvement. Quantitative analysis used big data methode and machine learning. Models that have been applied are k-Nearest Neighbor (kNN), Decision Tree (DT) dan Logistic Regression (LR). Data that is used for analysis are pH, salinity, NOx, NH4+, and harmful bacteria index. Qualitative analysis was applied by observation and interview with the focus to improve business process. Business processes will be improved using BPM Lifecycle with the utilization of quantitative result. This research showed that prediction machine learning with Decision Tree model from harmful bacteria index and NH4+ giving the best accuracy until 96%. The next step was utilizing the quantitative result at the business process with BPM Lifecycle approach so the result can be implemented and gave more productive result."

"Manajemen rumah sakit yang baik dapat meningkatkan kualitas pelayanan medis. Rumah sakit merupakan institusi pelayanan kesehatan yang menyelenggarakan pelayanan kesehatan perorangan secara paripurna yang menyediakan pelayanan rawat inap, rawat jalan, dan gawat darurat. Rumah sakit diharuskan untuk mengelola berbagai jenis sumber daya untuk meningkatkan efisiensi manajemen secara keseluruhan, seperti mengelola jadwal tim dan staf medis, manajemen tempat tidur, dan jalur perawatan. Penyakit jantung merupakan penyakit penyebab kematian tertinggi di dunia yang sangat membutuhkan penanganan medis dengan segera. Penyakit jantung membutuhkan salah satu pelayanan pada rumah sakit yaitu pelayanan rawat inap. Pelayanan rawat inap melibatkan sumber daya yang berkaitan dengan biaya dan waktu. Dengan adanya prediksi durasi rawat inap pada pasien penyakit jantung akan membantu pihak pasien dalam menyiapkan kebutuhan yang diperlukan serta pihak rumah sakit dalam manajemen tempat tidur rawat inap pasien penyakit jantung. Pada penelitian ini, dilakukan prediksi durasi rawat inap pasien penyakit jantung dengan menggunakan pendekatan ensemble machine learning dengan tujuan untuk mendapatkan metode terbaik dalam memprediksi dengan membandingkan dua metode ensemble machine learning yaitu random forest dan extreme gradient boosting, serta metode logistic regression sebagai baseline. Kemudian tujuan lainnya yaitu untuk mengetahui faktor yang paling berpengaruh terhadap durasi rawat inap. Ketiga metode yang digunakan merupakan bagian dari supervised machine learning. Selain itu, dilakukan optimasi hyperparameter untuk meningkatkan performa dari hasil model prediksi. Setelah membuat model prediksi dan melakukan evaluasi terhadap model, didapatkan metode terbaik yaitu random forest dengan optimasi hyperparameter yang mendapat hasil akurasi sebesar 83,9% dan nilai AUROC sebesar 92,86% serta faktor-faktor yang paling berpengaruh terhadap durasi rawat inap antara lain jumlah limfosit total, urea, trombosit, hemoglobin, glukosa, usia, kreatinin, peptida natriuretik otak, fraksi ejeksi dan hipertensi.

---

Good hospital management can improve the quality of medical services. The hospital is a health service institution that provides complete individual health services in inpatient, outpatient, and emergency services. Hospitals are required to manage various types of resources to improve overall management efficiency, such as managing medical team and staff schedules, bed management, and clinical pathways. Heart disease is the leading cause of death in the world and requires immediate medical treatment. Heart disease requires one of the services at the hospital, namely inpatient services. Inpatient services involve resources related to cost and time. Predicting the duration of hospitalization in heart disease patients will help the patient prepare for the necessary needs and the hospital in managing inpatient beds for heart disease patients. In this study, the prediction of the duration of hospitalization for heart disease patients using an ensemble machine learning approach was carried out with the aim of getting the best method of predicting by comparing two ensemble machine learning methods, namely random forest and extreme gradient boosting, as well as the logistic regression method as a baseline. Then another goal is to find out the most influential factors on the duration of hospitalization. The three methods used are part of supervised machine learning. In addition, hyperparameter optimization is carried out to improve the performance of the prediction model results. After making a predictive model and evaluating the model, the best method was obtained, namely random forest with hyperparameter optimization which obtained an accuracy of 83.9% and an AUROC value of 92.86% and the factors that most influence the duration of hospitalization include the number of total lymphocytes, urea, platelets, hemoglobin, glucose, age, creatinine, brain natriuretic peptide, ejection fraction and hypertension."

"ABSTRAKAnalisa terhadap pipa penyalur bawah tanah dengan spesifikasi API 5L PSL1 GradeB dan lapisan eksternal three layer polyethylene serta lapisan internal epoxypolyamide untuk mendistribusikan avtur dari Depot Pengisian Pesawat Udara keBandar Udara yang mengalami kegagalan beroperasi sesaat setelah prosescommissioning dinyatakan baik dan masih dalam masa pemeliharaan setahun.Analisa dilaksanakan dengan melakukan pengujian secara mekanik, kimia, dandilakukan pengamatan secara rinci pada produk karat dengan menggunakanScanning Electron Microscopy serta Energy Dispersive X-Ray. Uji polarisasidilakukan dalam medium Avtur dan medium air hasil proses Horizontal DirectDrilling. Kondisi lingkungan dan sistem elektrikal di lokasi berpengaruh besarterhadap percepatan korosi.

---

ABSTRACTAnalyze of underground pipeline with API 5L PSL1 Grade B and three layerpolyethylene external coating and epoxy polyamide internal coating to distributeaviation fuel from the Aircraft Filling Depot to the Airport that failed operateshortly after commissioning process is declared good and still under maintenancea year. The analysis was carried out by testing mechanical, chemical, and detailedobservation on rust by using Scanning Electron Microscopy and Energy DispersiveX-Ray. The polarization test was conducted on Avtur medium and horizontal DirectDrilling process water medium. Environmental and electrical system at the sitehave a major effect on corrosion acceleration."

"Pipa penyalur merupakan sarana transportasi hidrokarbon yang umum digunakan sebagai media transportasi hidrokarbon. Namun apabila terjadi kegagalan akan berdampak besar terhadap jalur yang dilalui terutama di daerah padat penduduk. Pipa penyalur yang digelar harus mempunyai hak guna jalan (right of way) untuk keperluan pengoperasian, perawatan, dan kondisi tanggap darurat. Di Indonesia, pipa penyalur harus mempunyai jarak dari bangunan tetap minimal adalah 9 meter. Namun, karena faktor sosial, ekonomi, dan petumbuhan penduduk serta tingkat urbanisasi kondisi tersebut sering tidak tercapai. Oleh karena itu tingkat risiko penduduk di sekitar pipa penyalur harus diketahui. Di beberapa negara penilaian risiko kuantitatif diwajibkan sebagai dasar pertimbangan pengambilan keputusan dan sebagai sistem kontrol bahaya yang terjadi. Penilaian risiko kuantitatif terdiri dari penilaian frekuensi dan konsekuensi. Penilaian frekuensi diperoleh dari nilai laju kegagalan pipa penyalur akibat cacat material dan cacat konstruksi, korosi internal, korosi eksternal, gangguan pihak ketiga, pergerakan tanah. Penilaian konsekuensi memperhitungkan tingkat keparahan apabila kebakaran crater fire, jet fire, dan flash fire berdasarkan pohon kejadian (event tree). Pemodelan konsekuensi berdasarkan data meteorologi, data populasi, data teknis pipa penyalur, data komposisi fluidan, data perawatan dan rekam jejak kegagalan. Berdasarkan hasil perhitungan dan pemodelan nilai risiko dalam bentuk kontur pada setiap skenario (crater fire, jet fire, dan flash fire) diperoleh nilai risiko paling besar adalah 1x10-5 terjadi pada skenario crater fire dan jet fire. Luas wilayah yang mempunyai nilai risiko 1x10-5 pada skenario crater fire lebih besar dibandingkan skenario jet fire. Berdasarkan klasifikasi ALARP (As Low As Reasonably Practicable) nilai tersebut masih dapat diterima apabila diberikan alat pengaman tambahan.

---

Pipeline is commonly used for hydrocarbon transportation. However, if a failure occurs, it will have a major impact on the route traveled, especially in densely populated areas. The pipeline must have a right of way for operation, maintenance, and emergency response. In Indonesia, pipelines must have a minimum distance from fixed buildings of 9 meters. However, due to social, economic and population growth factors as well as the level of urbanization this condition is often not achieved. Therefore, the risk level of the population around the pipeline must be known. In some countries, quantitative risk analysis is required as a basis for decision-making and as a control system for hazards. Quantitative risk analysis consists of frequency and consequence analysis. The frequency analysis is obtained from the failure rate of the pipeline due to material and construction defects, internal corrosion, external corrosion, third party interference, and ground movement. The consequence analysis takes into account the severity of crater fire, jet fire and flash fire based on the event tree. Consequence modeling is based on meteorological data, population data, pipeline technical data, fluid composition data, maintenance data and failure track record. Based on the results of the calculation and modeling of risk values in the form of contours in each scenario (crater fire, jet fire, and flash fire), the greatest risk value is 1x10-5 occurring in the crater fire and jet fire scenarios. The area that has a risk value of 1x10-5 in the crater fire scenario is greater than the jet fire scenario. Based on the ALARP (As Low As Reasonably Practicable) classification, this value is still acceptable if additional safety equipment is provided.Keywords: Workover Rig, Oil and Gas Accident, Systematic Cause Analysis Technique, Technical Guidelines."

"Leadframe merupakan salah satu komponen penting dalam pembuatan sirkuit terpadu. Aplikasi ini membutuhkan spesifikasi kompleks seperti kekuatan tarik dan konduktivitas listrik yang tinggi serta koefisien ekspansi termal yang rendah untuk memastikan performa yang baik. Hal tersebut menjadikan kandidat material yang layak digunakan untuk aplikasi ini menjadi sangat terbatas. Salah satu material yang umum digunakan dalam pembuatan leadframe adalah paduan tembaga. Namun, pengembangan material tersebut untuk memenuhi spesifikasi yang dibutuhkan bukanlah hal yang mudah. Penemuan kandidat paduan tembaga ini membutuhkan banyak uji coba hingga ditemukan kombinasi unsur paduan dan jenis pemrosesan yang optimal. Oleh karena itu, dibutuhkan sebuah pendekatan baru yang dapat mempercepat proses penemuan paduan tembaga baru dengan kombinasi sifat mekanis, elektrik, dan termal yang optimal. Salah satu solusi yang ditawarkan untuk mengatasi permasalahan ini adalah menggunakan metode ML. Pada penelitian ini enam buah model yang terdiri atas lima model ML klasik dan satu model DL dibangun untuk melakukan prediksi struktur material (model P2S) dan prediksi properti material (model S2P). Berdasarkan nilai koefisien determinasi (R2 ) ditemukan dua model P2S dan S2P terbaik adalah BPNN dan XGB. Kemudian, masing-masing model tersebut diintegrasikan untuk membentuk MLDS. Hasil MLDS menunjukkan bahwa program yang dibangun menggunakan model XGB memiliki fluktuasi (standar deviasi) yang lebih rendah dan dapat digunakan untuk memberikan rekomendasi paduan tembaga baru untuk aplikasi leadframe yang sejalan dengan literatur.

---

The leadframe is one of the crucial components in the manufacturing of Integrated Circuits (ICs). This application requires complex specifications such as high tensile strength and electrical conductivity, as well as low thermal expansion coefficients to ensure optimal performance. These requirements significantly limit the potential materials suitable for this application. One of the materials commonly used in the production of leadframes is copper alloys. However, developing this material to meet the necessary specifications is not easy. Discovering a suitable copper alloy candidate involves a lot of trial and error to find the optimal combination of alloying elements and processing methods. Therefore, a new approach is needed to accelerate the discovery process of new copper alloys with an optimal combination of mechanical, electrical, and thermal properties. One proposed solution to address this issue is the use of machine learning methods. In this study, six models consisting of five classical machine learning models and one deep learning model were developed to predict material structure (P2S model) and material properties (S2P model). Based on the coefficient of determination (R²) values, the best P2S and S2P models were found to be BPNN and XGB, respectively. These models were then integrated to form a Machine Learning Design System (MLDS). The results of the MLDS showed that the program built using the XGB model has lower fluctuation (standard deviation) and could be used to recommend new copper alloys for leadframe applications in line with the literature."