Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pembangunan Ibu Kota Negara yang terletak di Kalimantan Timur menjadi proyek besar pemerintah dengan anggaran biaya Rp 466 Triliun. Untuk menjamin efisiensi biaya konstruksi dari proyek ini, diperlukan pendekatan estimasi biaya yang baik. Namun estimasi biaya dalam konstruksi di Indonesia saat ini masih didominasi metode konvensional yang masih memiliki kekurangan dalam hal akurasi maupun waktu pemantauan. Oleh karena itu, penelitian ini dilakukan dengan tujuan untuk mengembangkan model machine learning untuk memprediksi estimate at completion biaya konstruksi sebagai alternatif dari metode konvensional. Penelitian ini dilakukan dengan metode analisis studi literatur dan benchmarking dari penelitian yang telah ada untuk menjalankan simulasi model menggunakan perangkat lunak RapidMiner yang kemudian akan divalidasi oleh narasumber pakar melalui wawancara. Diperoleh hasil bahwa model terbaik didapat menggunakan algoritma neural network. Dari simulasi model tersebut dengan menggunakan data dari salah satu proyek pembangunan jalan raya di Ibu Kota Negara, didapat hasil output berupa prediksi penghematan sebesar 17,8% dari nilai budget at completion proyek. Hasil dari prediksi model tersebut menghasilkan output yang lebih konservatif apabila diperbandingkan dengan metode konvension menggunakan formula estimate at completion biaya.

---

The development of the National Capital City located in East Kalimantan has become a major government project with a budget of IDR 466 trillion. To ensure cost efficiency in the construction of this project, a good cost estimation approach is required. However, cost estimation in construction in Indonesia is currently dominated by conventional methods that still have shortcomings in terms of accuracy and monitoring time. Therefore, this research is conducted with the aim of developing a machine learning model to predict the estimate at completion of construction costs as an alternative to conventional methods. The research is carried out through the analysis of literature studies and benchmarking from existing research to execute a simulation model using the RapidMiner software, which will then be validated by expert informants through interviews. The results indicate that the best model is obtained by using neural network algorithm. From the simulation model using data from one of the road construction projects in the National Capital City, the output shows a predicted savings of 17.8% from the project’s budget at completion value. This model prediction produce a more conservative result than conventional methods of estimating costs at completion."

"Tahap desain yang merupakan tahap yang paling kompleks untuk dipahami, dijalankan dan dikelola membuat industri konstruksi mengalami penurunan produktivitasnya. Selain masalah desain, bangunan memiliki masalahnya tersendiri yaitu kegiatan pembangunanya yang memiliki dampak negatif pada lingkungan. Hal ini membuat pentingnya menerapkan konsep green building pada tahap desain. Proses desain green building yang memakan waktu lebih lama daripada bangunan konvensional membuat industri konstruksi diharapkan mampu mengambil langkah yang inisiatif dalam menemukan cara alternatif dalam membuat tahapan desain green building dengan cara yang lebih efektif. Salah satunya dengan penerapan teknologi dengan menggunakan machine learning. Berdasarkan masalah tersebut penelitian ini akan menggabungkan solusi atas kedua masalah dari industri bangunan, dengan membangun model machine learning untuk perencanaan desain green building. Variabel green building yang digunakan dalam mengembangkan model machine learning adalah efisiensi energi, kualitas ligkungan dalam ruangan, efisiensi air dan perencanaan lokasi. Metode yang diambil sebagai model terbaik dalam penelitian ini adalah model dengan pengganbungan algoritma IF/ELSE dan artificial neural network dengan nilai mean square error sebesar 1.3.

---

The design stage is the most complex stage to understand, carry out and manage, causes the construction industry has experienced declining productivity. Apart from design issues, buildings have their own problems, their construction activities have a negative impact on the environment. It is important to apply green building concepts at the design stage. The green building design process takes longer than conventional buildings makes the construction industry expected to be able to take initiative steps in finding alternative ways to make green building design stages more effective. Based on these problems, this research will combine solutions to the two problems of the building industry, by building machine learning models for green building designs. Green building variables used in developing machine learning models are energy efficiency, indoor environmental quality, water efficiency and site planning. The method taken as the best model in this study is a model by combining the IF/ELSE algorithm and artificial neural network with a mean square error of 1.3. "

"

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

---

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

"

"Seiring dengan kemajuan teknologi, fase konstruksi dan pembangunan mengalami perkembangan yang cukup pesat secara signifikan dalam mempersingkat waktu desain konstruksi. Proses desain bangunan hijau yang memakan waktu lebih lama daripada bangunan konvensional membuat industri konstruksi diharapkan mampu menemukan cara alternatif dengan alat desain terkomputerisasi yang efisien. Salah satunya dengan penerapan teknologi dengan menggunakan pembelajaran mesin. Tujuan dari penelitian ini adalah untuk menyelidiki persiapan data bangunan hijau untuk digunakan dalam alat desain berbasis pembelajaran mesin yang diusulkan agar lebih akurat dalam memprediksi variabel bangunan hijau khususnya kualitas lingkungan dalam ruangan daripada metode desain konvensional. Tinjauan literatur tentang bangunan hijau, serta pembelajaran mesin dalam konstruksi dilakukan untuk mengidentifikasi topik penelitian yang sedang dilakukan. Data umum tersebut dikuantifikasi, dianalisis, dan diproses untuk digunakan dalam model desain bangunan hijau yang dikembangkan menggunakan algoritma dan pemrograman artificial neural network dan support vector regression. Konsep pengembangan model ini menunjukkan bahwa alat desain akan membantu mengambil keputusan dalam memprediksi variabel bangunan hijau secara kuantitatif dengan akurasi yang memadai. Metode yang diambil sebagai model terbaik dalam penelitian ini adalah model dengan algoritma support vector regression.

---

Along with technological advances, the construction and development phases have developed quite rapidly, significantly shortening the construction design time. The green building design process which takes longer than conventional buildings makes the construction industry expected to be able to find alternative ways with efficient computerized design tools. One of them is by applying technology using machine learning. The aim of this study is to investigate the preparation of green building data for use in a machine learning-based design tool which is proposed to be more accurate in predicting green building variables especially indoor environmental quality than conventional design methods. A review of the literature on green building, as well as machine learning in construction was conducted to identify the topic of the research being carried out. The general data is quantified, analyzed, and processed to be used in a green building design model developed using algorithms and programming artificial neural networks and support vector regression. The concept of developing this model shows that design tools will help make decisions in predicting green building variables quantitatively with sufficient accuracy. The method taken as the best model in this study is a model with a support vector regression algorithm."

"Proses training model membutuhkan sumber daya komputasi yang akan terus meningkat seiring dengan bertambahnya jumlah data dan jumlah iterasi yang telah dicapai. Hal ini dapat menimbulkan masalah ketika proses training model dilakukan pada lingkungan komputasi yang berbagi sumber daya seperti pada infrastruktur komputasi berbasis klaster. Masalah yang ditimbulkan terutama terkait dengan efisiensi, konkurensi, dan tingkat utilisasi sumber daya komputasi. Persoalan efisiensi muncul ketika sumber daya komputasi telah tersedia, tetapi belum mencukupi untuk kebutuhan job pada antrian ter- atas. Akibatnya sumber daya komputasi tersebut menganggur. Penggunaan sumber daya tersebut menjadi tidak efisien karena terdapat kemungkinan sumber daya tersebut cukup untuk mengeksekusi job lain pada antrian. Selain itu, pada cluster computing juga mem- butuhkan sistem monitoring untuk mengawasi dan menganalisis penggunaan sumber daya pada klaster. Penelitian ini bertujuan untuk menemukan resource manager yang sesuai untuk digunakan pada klaster komputasi yang memiliki GPU agar dapat meningkatkan efisiensi, implementasi sistem monitoring yang dapat membantu analisis penggunaan sumber daya sekaligus monitoring proses komputasi yang sedang dijalankan pada klaster, dan melayani inference untuk model machine learning. Penelitian dilakukan dengan cara menjalankan eksperimen penggunaan Slurm dan Kubernetes. Hasil yang diperoleh adalah Slurm dapat memenuhi kebutuhan untuk job scheduling dan mengatur penggunaan GPU dan resources lainnya pada klaster dapat digunakan oleh banyak pengguna sekaligus. Sedangkan untuk sistem monitoring, sistem yang dipilih adalah Prometheus, Grafana, dan Open OnDemand. Sementara itu, sistem yang digunakan untuk inference model adalah Flask dan Docker.

---

The amount of computational power needed for the model training process will keep rising along with the volume of data and the number of successful iterations. When the model training process is conducted in computing environments that share resources, such as on cluster-based computing infrastructure, this might lead to issues. Efficiency, competition, and the level of resource use are the three key issues discussed.Efficiency problems occur when there are already computing resources available, yet they are insufficient to meet the demands of high-level workloads. The power of the machine is subsequently wasted. The utilization of such resources becomes inefficient because it’s possible that they would be adequate to complete other tasks on the front lines. A monitoring system is also necessary for cluster computing in order to track and assess how resources are used on clusters. The project seeks to set up a monitoring system that can assist in analyzing the usage of resources while monitoring the com- puting processes running on the cluster and locate a suitable resource manager to be utilized on a computing cluster that has a GPU in order to increase efficiency, also serve inference model in production. Slurm and Kubernetes experiments were used to conduct the investigation. The findings show that Slurm can handle the demands of job scheduling, manage the utilization of GPUs, and allow for concurrent use of other cluster resources. Prometheus, Grafana, and Open OnDemand are the chosen moni- toring systems. Else, inference model is using Flask and Docker as its system constructor."

"Proses training model membutuhkan sumber daya komputasi yang akan terus meningkat seiring dengan bertambahnya jumlah data dan jumlah iterasi yang telah dicapai. Hal ini dapat menimbulkan masalah ketika proses training model dilakukan pada lingkungan komputasi yang berbagi sumber daya seperti pada infrastruktur komputasi berbasis klaster. Masalah yang ditimbulkan terutama terkait dengan efisiensi, konkurensi, dan tingkat utilisasi sumber daya komputasi. Persoalan efisiensi muncul ketika sumber daya komputasi telah tersedia, tetapi belum mencukupi untuk kebutuhan job pada antrian ter- atas. Akibatnya sumber daya komputasi tersebut menganggur. Penggunaan sumber daya tersebut menjadi tidak efisien karena terdapat kemungkinan sumber daya tersebut cukup untuk mengeksekusi job lain pada antrian. Selain itu, pada cluster computing juga mem- butuhkan sistem monitoring untuk mengawasi dan menganalisis penggunaan sumber daya pada klaster. Penelitian ini bertujuan untuk menemukan resource manager yang sesuai untuk digunakan pada klaster komputasi yang memiliki GPU agar dapat meningkatkan efisiensi, implementasi sistem monitoring yang dapat membantu analisis penggunaan sumber daya sekaligus monitoring proses komputasi yang sedang dijalankan pada klaster, dan melayani inference untuk model machine learning. Penelitian dilakukan dengan cara menjalankan eksperimen penggunaan Slurm dan Kubernetes. Hasil yang diperoleh adalah Slurm dapat memenuhi kebutuhan untuk job scheduling dan mengatur penggunaan GPU dan resources lainnya pada klaster dapat digunakan oleh banyak pengguna sekaligus. Sedangkan untuk sistem monitoring, sistem yang dipilih adalah Prometheus, Grafana, dan Open OnDemand. Sementara itu, sistem yang digunakan untuk inference model adalah Flask dan Docker.

---

The amount of computational power needed for the model training process will keep rising along with the volume of data and the number of successful iterations. When the model training process is conducted in computing environments that share resources, such as on cluster-based computing infrastructure, this might lead to issues. Efficiency, competition, and the level of resource use are the three key issues discussed.Efficiency problems occur when there are already computing resources available, yet they are insufficient to meet the demands of high-level workloads. The power of the machine is subsequently wasted. The utilization of such resources becomes inefficient because it’s possible that they would be adequate to complete other tasks on the front lines. A monitoring system is also necessary for cluster computing in order to track and assess how resources are used on clusters. The project seeks to set up a monitoring system that can assist in analyzing the usage of resources while monitoring the com- puting processes running on the cluster and locate a suitable resource manager to be utilized on a computing cluster that has a GPU in order to increase efficiency, also serve inference model in production. Slurm and Kubernetes experiments were used to conduct the investigation. The findings show that Slurm can handle the demands of job scheduling, manage the utilization of GPUs, and allow for concurrent use of other cluster resources. Prometheus, Grafana, and Open OnDemand are the chosen moni- toring systems. Else, inference model is using Flask and Docker as its system constructor."

"Rancang campur beton merupakan proses bertahap dan kompleks untuk mencoba menemukan komposisi bahan terbaik guna menghasilkan beton dengan performa terbaik. Kuat tekan beton merupakan sifat terpenting dalam kualitas beton dibandingkan sifat-sifat lain. Dalam proses pembuatannya, banyak variabel terutama jumlah komposisi material penyusun yang dapat memengaruhi kuat tekan beton. Terdapat beberapa metode konvensional dalam memprediksi beton yang terkadang memberikan hasil prediksi lebih atau kurang dari kuat tekan yang ditargetkan. Diperlukan metode yang akurat dalam memprediksi kuat tekan beton agar dapat memberikan keuntungan secara signifikan terhadap penggunaan bahan. Oleh karena itu, penelitian ini menggunakan Deep Neural Network (DNN) sebagai subbidang dari Machine Learning (ML) dan Artificial Intelligence (AI), untuk memprediksi kuat tekan beton berdasarkan komposisi campuran dan properti materialnya. Penelitian ini menghasilkan formula matematika berupa persamaan yang dihasilkan dari model DNN terbaik dengan melihat aspek error model dan grafik model loss. Terdapat total 2048 model yang dianalisis dengan variasi jumlah variabel input (feature) yang berbeda-beda. Model 280 pada kasus 1 dan model 23 pada kasus 5 merupakan model terbaik yang dihasilkan penelitian ini, dengan masing-masing nilai error model 43,8028 dan 5778,5850 untuk Mean Squared Error (MSE) serta 5,0073 dan 59,8225 Maen Absolute Error (MAE).

---

Concrete mix design is a gradual and complex process of trying to find the best ingredient composition to produce the best performing concrete. The compressive strength of concrete is the most important property in concrete quality compared to other properties. In the manufacturing process, many variables, especially the amount of material composition, can affect the compressive strength of concrete. There are several conventional methods of predicting concrete that sometimes give predictive results more or less than the targeted compressive strength. An accurate method of predicting the compressive strength of concrete is needed in order to significantly benefit the use of materials. Therefore, this research utilizes Deep Neural Network (DNN), a subfield of Machine Learning (ML) and Artificial Intelligence (AI), to predict the compressive strength of concrete based on its mix composition and material properties. This research produces mathematical formulas in the form of equations generated from the best DNN model by looking at the aspects of model error and model loss graphs. There are a total of 2048 models analyzed with different variations in the number of input variables (features). Model 280 in case 1 and model 23 in case 5 are the best models produced by this study, with model error values of 43.8028 and 5778.5850 for Mean Squared Error (MSE) and 5.0073 and 59.8225 Maen Absolute Error (MAE), respectively."

"Salah satu faktor yang membatasi produksi minyak dan gas adalah isu flow assurance seperti gas hidrat, yang dapat menyebabkan penyumbatan pada pipa sehingga mengakibatkan kehilangan kesempatan produksi. Metode pencegahan pembentukan hidrat yang paling umum adalah dengan menginjeksi bahan kimia seperti mono etilen glikol (MEG). Namun, beberapa permasalahan sering dihadapi oleh operator, seperti contoh kasus yang terjadi di Lapangan M, Indonesia dimana penggunaan glikol berlebih sering menyebabkan kekurangan stok glikol serta masalah penyumbatan pada pipa injeksi lean MEG akibat senyawa padatan yang terlarut dan terbawa dalam air terproduksi. Hal ini dapat menyebabkan sistem injeksi MEG berhenti dan berpotensi terjadi pembentukan hidrat gas di dalam pipa transportasi. Makalah ini membahas upaya optimasi pada sistem injeksi dan regenerasi MEG dengan memanfaatkan perkembangan teknologi seperti Python. Perhitungan big data dengan metode machine learning akan membantu dalam mengoptimasi penggunaan inhibitor berlebih serta memprediksi terjadinya penyumbatan pada sistem injeksi dengan mengorelasikan parameter proses dari instrumentasi lapangan dan hasil analisis laboratorium. Pada Lapangan M, injeksi MEG secara aktual dapat mencapai 8.133 m3 tiap tahunnya, sedangkan estimasi kebutuhan injeksi sebesar 4.585 m3. Adapun permasalahan penyumbatan yang ditandai dengan tingkat kebersihan pada lean MEG yang melebihi spesifikasi perusahaan dapat diidentifikasi dengan model Random Forest dengan keakurasian sebesar 70-90%.

---

One of the limiting factors in oil and gas production is flow assurance issues such as gas hydrates, which can cause blockages in pipelines and result in loss of production opportunity (LPO). The most common method to prevent hydrate formation is by injecting monoethylene glycol (MEG). However, operators often face several challenges, as seen in the case of Field M in Indonesia, where excessive use of glycol leads to stock shortages and piping blockages due to dissolved solid compounds in the produced water. This can cause the MEG injection system to stop and potentially result in hydrate formation within the pipeline. This paper discusses the optimization in MEG injection and regeneration systems by utilizing advancements in technology such as Python. Big data calculations using machine learning methods will aid in optimizing the excessive inhibitor usage and predicting blockage occurrences in the injection system by correlating process parameters from field instrumentation and laboratory analysis results. In Field M, the actual injected MEG can reach 8,133 m3 anually, while the estimated injection requirement is 4,585 m3. The blockage issue, indicated by the cleanliness level exceeding the company's specifications, can be identified using the Random Forest model with an accuracy of 70-90%."

"

Pembangunan Ibu Kota Negara yang terletak di Kalimantan Timur mengusung konsep Future Smart Forest City. Untuk mendukung pembangunan konsep kota ini diperlukan integrasi antara konstruksi dengan digitalisasi seperti teknologi Digital Twin. Namun konsep Digital Twin ini masih dalam tahapan pengembangan di seluruh dunia dan belum banyak diketahui efek dan manfaatnya pada tahapan konstruksi terutama pekerjaan monitoring. Oleh karena ini, penelitian ini dilakukan dengan tujuan mengetahui apa saja perbedaan yang terdapat pada monitoring konvensional dengan monitoring digital untuk kemudian dilihat seberapa besar efektivitas waktu dan efisiensi biaya yang digunakan. Penelitian ini dilakukan dengan metode analisis studi literatur dari penelitian yang telah ada dan penyesuaiannya dengan pembangunan IKN yang kemudian didiskusikan dan validasi oleh pakar/ahli melalui wawancara. Diperoleh hasil bahwa terdapat beberapa perbedaan yang terdapat antara kedua jenis monitoring ditinjau dari tahapan Construction Progess Monitoring. Dari perbedaan tersebut juga diperoleh daftar tenaga ahli atau SDM yang digunakan serta peralatannya. Tenaga ahli dan peralatan yang digunakan pada kedua jenis monitoring kemudian di analisis dengan hasil yaitu efektivitas waktu sebesar 68.97-78.57% serta efisiensi biaya sebesar 58.55-71.60%.

---

The development of the Ibukota Negara which is located in East Kalimantan carries the concept of the Future Smart Forest City. To support the development of this city concept, integration between construction and digitalization is needed, such as Digital Twin technology. However, the Digital Twin concept is still under development throughout the world and not much is known about its effects and benefits at the construction stage, especially monitoring work. Because of this, this research was conducted with the aim of finding out what are the differences between conventional monitoring and digital monitoring and then seeing how much time effectiveness and cost efficiency are used. This research was carried out using the method of analysis of literature studies from existing research and its adjustments to the development of IKN which were then discussed and validated by experts through interviews. The results show that there are several differences between the two types of monitoring in terms of the Construction Progress Monitoring stage.. From these differences also obtained a list of experts or human resources used and the equipment. The experts and equipment used in both types of monitoring were then analyzed with the results of time effectiveness of 68.97-78.57% and cost efficiency of 58.55-71.60%.

"

"Menurut EEB Laboratory Jakarta, pada tahun 2016 sektor bangunan memiliki mengkonsumsi 18-20% dari total penggunaan energi di Indonesia, dan terus menerus meningkat seiring perkembangan teknologi yang membutuhkan sumber energi dalam upaya peningkatan kualitas hidup penghuni bangunan. Bangunan pintar merupakan sebuah konsep pemanfaatan teknologi yang tidak hanya bertujuan meningkatkan kenyamanan penghuni, tetapi juga dapat membantu dalam upaya efisiensi energi pada operasional bangunan. Maka dari itu, penelitian ini akan membantu upaya perancangan efisiensi energi pada sebuah bangunan dengan meninjau fitur dan karakteristik yang berpotensi dalam mendukung efisiensi energi dengan penerapan konsep bangunan pintar. Selain itu, akan dibuat sebuah model dengan pemanfaatan machine learning yang mampu memberikan prediksi tingkat penggunaan energi berdasarkan fitur-fitur yang diberikan. Model machine learning yang dihasilkan memiliki rata-rata nilai kesalahan relatif sebesar 17,76%, serta didapatkan tingkat efisiensi dengan penerapan seluruh fitur yang diidentifikasi pada rentang 34,5% hingga 45,3% tergantung pada lantai yang ditinjau.

---

According to EEB Laboratory Jakarta, Indonesian building sector accounts for 18- 20% energy consumption in 2016, and this trend will continuously increase as technology needed to increase housing residents' quality keeps advancing. Smart building is a concept to utilise technology that does not only help increase occupants' comfort inside the building, but it can also help increase energy usage efficiency in building operations. This research aims to help the effort in designing energy efficiency planning for a building by reviewing potential features and characteristics that could help improves energy efficiency with implementation of the smart building concept. A model based on machine learning that could give prediction on the level of energy consumption based on given features will also be discussed here. This model of machine learning has a 17,76% average of relative error, as well as 34,5% until 45,3% efficienct level that includes implementation of all features, depending on analysed floor."