Hasil Pencarian  ::  Simpan CSV :: Kembali

"Program pemerintah perihal produksi satu juta barel minyak pada tahun 2030 harus didukung oleh berbagai sarana yang menunjang peningkatan, seperti contohnya kapal AHTS (Anchor Handling Tug & Supply) yang banyak membantu berbagai operasi di hulu migas. Bahan bakar mendapati persentase 50%-70% dari keseluruhan biaya operasional harian, maka dari itu diperlukan upaya untuk memprediksi konsumsi bahan bakar sebagai langkah untuk penghematan biaya. Metode statistik konvensional kurang akurat untuk memprediksi faktor eksternal dalam konsumsi bahan bakar seperti tinggi gelombang dan kecepatan angin saat berlayar. Black box model digunakan untuk memprediksi hal tersebut dan dipilih tiga algoritma machine learning yang banyak digunakan untuk dibandingkan, yaitu Artificial Neural Network (ANN), Extreme Gradient Boost (XGB), Random Forest (RF). Uji Ordinary Least Square (OLS) digunakan untuk mengetahui apakah setiap variabel independen memiliki signifikansi terhadap variabel dependen setelah itu dilakukan normalisasi data dengan metode min max. Data dibagi menjadi data training dan data testing dengan pembagian 70% dan 30%. Dilakukan evaluasi dengan empat matriks evaluasi diantaranya MSE,RMSE,MAE, dan MAPE. Didapati hasil terbaik dari Algoritma Random Forest dengan hasil evaluasi berturut-turut pada data training 0.04; 0.21 ;0.04; dan 0.03%. Sedangkan pada prediksi data testing, yaitu 0.41; 0.64; 0.04; dan 0.11%. Selanjutnya dibuat prototipe program sederhana berbasis Google Spreadsheet untuk memudahkan pengguna memprediksi data.

---

The Indonesia government's program to achieve one million barrels of oil production by 2030 requires support from various facilities that contribute to the enhancement, such as AHTS (Anchor Handling Tug & Supply) essels that play a significant role in various upstream oil and gas operations. As fuel accounts for 50%-70% of the total daily operational costs, efforts are needed to predict fuel consumption as a cost-saving measure. Conventional statistical methods are less accurate in predicting external factors affecting fuel consumption, such as wave height and wind speed during sailing. A black-box model is employed to predict these factors, and three widely used machine learning algorithms, namely Artificial Neural Network (ANN), Extreme Gradient Boost (XGB), and Random Forest (RF), are selected for comparison.Ordinary Least Squares (OLS) test is utilized to determine the significance of each independent variable on the dependent variable, followed by data normalization using the min-max method. The data is divided into training and testing sets, with a distribution of 70% and 30%, respectively. Evaluation is performed using four evaluation metrics: MSE, RMSE, MAE, and MAPE. The best results are obtained from the Random Forest algorithm, with consecutive evaluation results on the training data being 0.04, 0.21, 0.04, and 0.03%. For the testing data prediction, the results are 0.41, 0.64, 0.04, and 0.11%. Subsequently, a simple program prototype based on Google Spreadsheet is developed to facilitate users in predicting data.

"

"Pilar adalah unit struktural penting yang digunakan untuk memastikan keselamatan penambangan di tambang batuan keras bawah tanah. Oleh karena itu, prediksi yang tepat mengenai stabilitas pilar bawah tanah sangat diperlukan. Salah satu indeks umum yang sering digunakan untuk menilai stabilitas pilar adalah Safety Factor (SF). Sayangnya, batasan penilaian stabilitas pilar menggunakan SF masih sangat kaku dan kurang dapat diandalkan. Penelitian ini menyajikan aplikasi baru dari Artificial Neural Network-Backpropagation (ANN-BP) dan Deep Ensemble Learning untuk klasifikasi stabilitas pilar. Terdapat tiga jenis ANN-BP yang digunakan untuk klasifikasi stabilitas pilar dibedakan berdasarkan activation function-nya, yaitu ANN-BP ReLU, ANN-BP ELU, dan ANN-BP GELU. Dalam penelitian ini juga disajikan alternatif pelabelan baru stabilitas pilar dengan mempertimbangkan kesesuaiannya dengan SF. Stabilitas pilar diperluas menjadi empat kategori, yaitu failed dengan safety factor yang sesuai, intact dengan safety factor yang sesuai, failed dengan safety factor yang tidak sesuai, dan intact dengan safety factor yang tidak sesuai. Terdapat lima input yang digunakan untuk setiap model, yaitu pillar width, mining height, bord width, depth to floor, dan ratio. Hasil penelitian menunjukkan bahwa model ANN-BP dengan Ensemble Learning dapat meningkatkan performa ANN-BP dengan average accuracy menjadi 86,48% dan nilai F2 menjadi 96,35% untuk kategori failed dengan safety factor yang tidak sesuai.

---

Pillars are important structural units used to ensure mining safety in underground hard rock mines. Therefore, precise predictions regarding the stability of underground pillars are required. One common index that is often used to assess pillar stability is the Safety Factor (SF). Unfortunately, such crisp boundaries in pillar stability assessment using SF are unreliable. This paper presents a novel application of Artificial Neural Network-Backpropagation (ANN-BP) and Deep Ensemble Learning for pillar stability classification. There are three types of ANN-BP used for the classification of pillar stability distinguished by their activation functions: ANN-BP ReLU, ANN-BP ELU, and ANN-BP GELU. This research also presents a new labeling alternative for pillar stability by considering its suitability with the SF. Thus, pillar stability is expanded into four categories: failed with a suitable safety factor, intact with a suitable safety factor, failed without a suitable safety factor, and intact without a suitable safety factor. There are five inputs used for each model: pillar width, mining height, bord width, depth to floor, and ratio. The results showed that the ANN-BP model with Ensemble Learning could improve ANN-BP performance with an average accuracy of 86.48% and an F2-score of 96.35% for the category of failed with a suitable safety factor.

"

"ABSTRAKPenelitian ini membahas penerapan jaringan saraf tiruan untuk pengelolaan dala pengujian kinerja mesin diesel berbahan bakar campuran solar aditif. Jaringan digunakan untuk memprediksi pengaruh pemberian aditif terhadap kinerja mesin diesel. Asumsi diambil dimana pada kondisi pengujian yang sama maka kinerja mesin diesel hanya merupakan fungsi dari properti bahan bakar yaang digunakannya. Data pelatihan jaringan menggunakan data karakteristik bahan bakar dan kondisi operasi hasil pengujian aditif metil ester nitrat (MEN) dan Omega 903 dalam skala pengujian laboratorium di-departemen teknik mesin UI diolah dengan pendekatan teoritis dan korelasi statistik untuk menentukan variabel input jaringan. Pembuatan jaringan diiakukan dengan menentukan jumlah layer, iterasi maksimum, fungsi transfer dan error maksimum, Simulasi terhadap jaringan yang dipilih memberikan nilai kesalahan rata-rata daya keluaran sebesar 2,5-10% dan kousumsi bahan bakar sebesar 6-28%. Penerapan jaringan untuk memprediksi pengaruh konsentrasi aditif MEN dalam bahan bakar campuran solar-aditif terhadap konsumsi bahan bakar spesifik (BSFC) mesin menunjukkan konsentrasi aditif optimal sebesar 1% yang menghasilkan penurunan BSFC sebesar 0,337 L/kW-jam atau sekitar 13,8%

---

ABSTRACTThis research paper described a study of the neural networking artificial to predict the influence of blended diesel fuel with additives to the diesel engine performance. Based on the asumption that in the same condition of the experimental, the engine performance is only a function of the fuel properties used. The data experimental is the effects of methyl esther nitrate (MEN) and Omega 903 additives was conducted in the laboratory of ME Department University of Indonesia and analyzed using theoritical approach and statistic correlation to determine the input network variables. The simulation of network shows an average error of 2,5-10% in BHP and 6-28% in BFC output. The network application in predicting the effects of diesel fuel - MEN blends shows an optimum concetration of MEN at 1% which give a minimum brake specific fuel consumption (BSFC) of 0,337 L/kW-h or 13,8% decreasing comparing to the commercial diesel fuel."

"Di Indonesia, dengue telah menjadi salah satu penyakit yang bersifat hiperendemis. Dengue diderita oleh masyarakat dari berbagai kalangan usia, baik pria maupun wanita. Dengue memiliki manifestasi klinis yang terdiri dari tiga fase: fase demam, fase kritis, dan fase penyembuhan. Banyak pasien dengue meninggal pada fase kritis karena pengobatan yang tidak dilaksanakan tepat waktu. Oleh karena itu, dibangunlah model-model yang dapat memprediksi tingkat keparahan dengue berdasarkan hasil uji laboratorium dari pasien yang bersangkutan menggunakan Artificial Neural Network (ANN) dan Analisis Diskriminan (AD). Dalam pembangunan model-model tersebut, digunakan data dengan jumlah yang sangat kecil, yakni sebesar 77 data. Dalam data tersebut, terdapat informasi mengenai hasil uji laboratorium dan diagnosis dari pasien yang bersangkutan. Diagnosis tersebut dikelompokkan ke dalam tiga kategori keparahan dengue, yakni DF sebagai tingkat ringan, DHF grade 1 sebagai tingkat sedang, dan DHF grade 2 sebagai tingkat parah. Dalam penelitian ini, dilakukan tiga pemisahan data, yakni dengan rasio data training : data testing sebesar 70% : 30%, 80% : 20%, and 90% : 10%. Berdasarkan hasil yang diperoleh, model-model prediksi ANN yang dibangun menggunakan fungsi aktivasi logistik dan tangen hiperbolik dengan persentase data training sebesar 70% menghasilkan akurasi (90.91%), sensitivitas (91.11%), dan spesifisitas (95.51%) tertinggi. Model-model tersebutlah yang diajukan dalam penelitian ini. Model-model tersebut akan mampu membantu para dokter dalam memprediksi tingkat keparahan dengue dari pasien yang bersangkutan sebelum memasuki fase kritis. Lebih jauh, model-model tersebut dapat memudahkan para dokter dalam mengobati pasien dengue secara dini, sehingga kasus-kasus fatal atau kematian dapat dihindari.

---

In Indonesia, dengue has become one of the hyperendemic diseases. Dengue is being suffered by many people of all ages, both men and women. Dengue has clinical manifestations that are divided into three phases: febrile phase, critical phase, and convalescence phase. Many patients have died in the critical phase due to the lack of timely treatment. Therefore, I developed models that can predict the severity of dengue based on the corresponding patients’ laboratory test results using Artificial Neural Network (ANN) and Discriminant Analysis (DA). In developing the models, I used a very small dataset, which only consisted of 77 data. The data contains information regarding the laboratory test results and the diagnosis of each of the corresponding patients. The diagnoses were classified into three categories of dengue severity, which are DF as the mild level, DHF grade 1 as the intermediate level, and DHF grade 2 as the severe level. I conducted three different data split, that is, with the ratio of training : testing = 70% : 30%, 80% : 20%, and 90% : 10%. It is shown that ANN models developed using logistic and hyperbolic tangent activation function with 70% training data yielded the highest accuracy (90.91%), sensitivity (91.11%), and specificity (95.51%). These ANN models are the proposed models in this research. The proposed models will be able to help physicians predict the dengue severity of a corresponding patient before entering the critical phase. Furthermore, it will ease physicians in treating dengue patients early, so deaths or fatal cases can be avoided."

"Faktor tenaga kerja pada industri konstruksi mempunyai peranan penting, dikarenakan merupakan penggerak dari seluruh aktifitas proyek. Dalam manajemen tenaga kerja yang terpenting adalah pengendalian yang mempengaruhi biaya proyek, sehingga pada pelaksanaannya tidak terjadi penyimpangan/variance biaya negative.Dalam pengendalian proyek diperlukan alat bantu berupa software-software manajemen proyek. Software yang ada saat ini banyak merupakan alat untuk mengukur performance saja (quantitative), tetapi dalam pengendalian proyek seorang pengambil keputusan membutuhkan sebuah alat bantu dalam pengambilan keputusan, berupa rekomendasi dalam penentuan tindakan koreksi.Dalam pembuatan rekomendasi tindakan koreksi ini menggunakan pendekatan sistem jaringan probabilistik syaraf tiruan (probabilistic neural network). Software yang digunakan dalam pembuatannya adalah C++ yang sudah banyak dikenal dengan tampilan yang friendly memudahkan dalam penggunaannya. Sehingga sistem ini diharapkan dapat membantu mempercepat user dalam pengambilan keputusan."

"Jaringan Syaraf Tiruan memiliki kemampuan yang sangat baik dalam mengenali suatu pola (pattern recognition). Cara kerja JST dalam mengenali pola memiliki kesamaan dengan cara kerja otak manusia. Salah satu metode yang termasuk ke dalam JST adalah metode perambatan balik. Dengan kemampuannya dalam mengenali pola ini diharapkan metode JST - Perambatan Balik dapat memodelkan sistem Pressure Process Rig serta Unmanned Aerial Vehicle yang datanya digunakan pada Skripsi ini dan dapat merancang pengendali untuk sistem tersebut. Kode untuk algoritma perambatan balik pada Skripsi ini dikembangkan dengan menggunakan perangkat lunak MATLAB.

---

Artificial Neural Networks had a very good ability for pattern recognition. Artificial Neural Networks techniques in recognising pattern had something in common with the works of human brain. One of its method which included in is backpropagation method. With its ability to recognise these patterns, it was expected that artificial neural networks method can model Pressure Process Rig and Unmanned Aerial Vehicle systems which data had been used in this paper and can design controller for that systems. Backpropagation algorithm code in this paper developed using MATLAB software."

"Masalah terbesar dalam suatu proses Destilasi adalah sering berubahnya konfigurasi dari aliran masukan, dikarenakan aliran masukan tersebut tersebut berasal dari dari sumur minyak yang sudah pasti besarnya akan selalu berubah, sehingga akan berpengaruh terhadap konfigurasi unit-unit destilasi lainnya. Kebanyakan dari data yang dihasilkan dari proses distilasi merupakan data yang nonlinier dan kompleks jika menggunakan model yang konvensional. Jaringan syaraf tiruan adalah salah satu metode yang banyak dikembangkan untuk membuat sistem permodelan yang berasal dari pengambilan data secara langsung.. Sulitnya menemukan korelasi untuk memprediksi konfigurasi unit utilitas dan proses dengan aliran masukan yang selalu berubah dalam suatu proses distilasi menjadikan metode jaringan syaraf tiruan sebagai salah suatu solusi yang dapat digunakan untuk melakukan suatu prediksi setting kondisi operasi. Pada penelitian ini dilakukan pendefinisian model arsitektur jaringan saraf tiruan dengan menggunalkan backpropagation dan basis radial yang kemudian dilakukan proses pembelajaran dengan data pembelajaran berupa data historis yang didapat dari unit Debutanizer 16-C-104 selama periode April sampai 31 Agustus 2006. Unit ini merupakan unit proses distilasi kepunyaan PT. Pertamina (Persero) UP-VI Balongan. Penelitian ini menghasilkan sebuah perangkat lunak simulasi yang dapat memprediksikan setting temperatur feed, temperatur kondenser, temperatur reboiler, temperatur reflux, dan tekanan kondenser proses destilasi dengan tingkat kesalahan di bawah 1 % menggunakan kedua jenis JST. Sedangkan Jika menggunakan Hysis didapat hasil kesalahan diatas 5 %."

"Dalam beberapa tahun ini, telah banyak penelitian yang berhubungan dengan pengenalan pola dilakukan dengan menggunakan jaringan syaraf tiruan (artificial neural network). Skripsi ini membahas tentang sistem pengenal pola berbasis neural network ensemble (NNE), yang merupakan kumpulan dari beberapa neural network tunggal. Penelitian ini membandingkan antara NNE yang dilatih dengan fungsi eror kuadratis dan cross-entropy. Terdapat 12 dataset pola yang digunakan pada penelitian ini yaitu 9 dataset pola yang didapatkan dari ?UCI Repository of Machine Learning Database?, 2 dataset citra wajah dari kamera infra merah dan kamera cahaya tampak, dan 1 dataset campuran aroma. Prosedur kerja system terdiri dari tahap pra-pemrosesan, pelatihan, dan pengujian. Pada tahap pelatihan, diterapkan algoritma Negative Correlated Learning (NCL) yang merupakan pengembangan dari algoritma standar backpropagation. Hasil pengujian yang ditinjau dari recognition rate menunjukkan NNE yang dilatih dengan fungsi eror cross-entropy memberikan performa yang lebih baik dibandingkan dengan NNE yang dilatih dengan fungsi eror kuadratis.

---

In recent years, many people have been working on pattern recognition using artificial neural network. This bachelor thesis discuss about pattern recognition system based on neural network ensemble (NNE), which is a group of some individual neural networks. This research compares between NNE which is trained using mean-of-square and cross-entropy error function. There are 12 datasets used in this experiment, which are 9 pattern datasets obtained from ?UCI Repository of Machine Learning Database? and 2 dataset of frontal face images from infra red and visible-light camera, and 1 dataset of odor mixtures. The working procedures of the system consist of pre-processing, training and testing stages. In the training stage, Negative Correlated Learning (NCL) algorithm, a developed standard back propagation method, is applied and some parameters are varied to obtain the optimum performance. The testing result which is measured from recognition rate shows that NNE which is trained using cross-entropy error function has a better performance than the one with mean-of-square error function."