Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada penelitian ini berkaitan dengan penerapan kemajuan kecerdasan artifisial dengan menggunakan algoritma You Only Look Once (YOLO) dalam tugas deteksi dan segmentasi pada bidang geologi yaitu untuk identifikasi mineral dengan menggunakan data petrografi. Data yang digunakan untuk proses pelatihan model deteksi dan segmentasi berjumlah 500 gambar sayatan tipis batuan beku. 500 gambar sayatan tipis, dilakukan proses anotasi secara manual dan membagi data tersebut ke dalam set pelatihan, set validasi, dan set prediksi. Pada 3 set tersebut, jumlah kelas mineral yang teranotasi adalah 6 yaitu kelas mineral plagioklas, biotit, horblend, piroksen, alkali-feldspar, dan kuarsa. Teknik augmentaasi yang diterapkan untuk mengatasi keterbatasan dataset pada penelitian ini adalah augmentasi geometri (model 1) dan mosaik (model 2). Model dengan augmentasi mosaik, menjadikan model dengan kinerja yang baik dalam tugas deteksi dan segmentasi mineral, dikarenakan augmentasi mosaik menghasilkan 1 image patch memiliki 4 variasi gambar sayatan tipis, sehingga model tersebut memiliki nilai mAP = 82.3% sedangkan model dengan augmentasi geometri nilai mAP 67.5%. Empat kelas mineral yang memiliki nilai mAP diatas 70% pada mode pelatihan dan validasi adalah mineral plagioklas, biotit, alkali-feldspar, dan piroksen. Diharapkan dari penelitian ini dapat membantu identifikasi mineral dalam sayatan tipis dengan lebih efisien dan akurat.

---

This research is related to the application of advances in artificial intelligence using the You Only Look Once (YOLO) algorithm in detection and segmentation tasks in the field of geology, namely for mineral identification using petrographic data. The data used for the detection and segmentation model training process consisted of 500 thin section images of igneous rock. 500 thin section images were annotated manually and divided the data into a training set, validation set and prediction set. In these 3 sets, the number of annotated mineral classes is 6, namely the mineral classes plagioclase, biotite, horblend, pyroxene, alkali-feldspar, and quartz. The augmentation techniques applied to overcome the limitations of the dataset in this research are geometric augmentation (model 1) and mosaic (model 2). The model with mosaic augmentation is a model with good performance in mineral detection and segmentation tasks, because mosaic augmentation produces 1 image patch with 4 variations of thin section images, so the model has a mAP value = 82.3% while the model with geometric augmentation has a mAP value of 67.5%. The four mineral classes that have mAP values above 70% in training and validation mode are the minerals plagioclase, biotite, alkali-feldspar, and pyroxene. It is hoped that this research can help identify minerals in thin sections more efficiently and accurately."

"Pembelajaran mesin merupakan ilmu yang mempelajari cara membuat komputer dapat melakukan pembelajaran secara mandiri tanpa dilakukan pemrograman secara eksplisit. Proses identifikasi batuan melalui klasifikasi dan klasterisasi dapat dilakukan menggunakan pembelajaran mesin. Daerah penelitian dilakukan pada wilayah Manjimup, Australia Bagian Barat. Penelitian ini bertujuan untuk menentukan klasifikasi dan klasterisasi mineral batuan menggunakan pembelajaran mesin. berdasarkan data spektral yaitu Short-Wavelength Infrared (SWIR), dan Mid or Thermal Infrared (TIR) yang berasal dari pengukuran spektrum elektromagnetik untuk mengidentifikasi fitur-fitur mineral batuan. Klasifikasi dilakukan menggunakan pembelajaran mesin tersupervisi untuk menentukan akurasi terbaik dengan lima jenis metode, antara lain K-Nearest Neighbors (K-NN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), dan Multi-layer Perceptron (MLP). Metode SVM menjadi akurasi terbaik pada data SWIR dan metode MLP menjadi akurasi terbaik pada data TIR untuk klasifikasi mineral batuan. Klasterisasi dilakukan menggunakan pembelajaran mesin tidak tersupervisi metode K-Means untuk menentukan kelompok batuan teroptimal berdasarkan informasi geologi yang dimiliki. Tiga kelompok batuan menjadi jumlah kelompok batuan teroptimal berdasarkan informasi geologi yang dimiliki.

---

Machine Learning gives computers the ability to learn without being explicitly programmed. Classification and clustering method used in machine learning able to identifying rocks. The study area is located in the Manjimup region, Western Australia. This study aims to determine the classification and clustering of rock minerals using machine learning. based on spectral data namely Short-Wavelength Infrared (SWIR), and Mid or Thermal Infrared (TIR) collected from electromagnetic spectrum measurements to identify rock mineral features. Classification method used in supervised machine learning able to determine the best accuracy from five types of methods, which are K-Nearest Neighbors (K-NN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), and Multi-layer Perceptron (MLP). SVM method becomes the best accuracy on SWIR data and the MLP method becomes the best accuracy on TIR data for rock mineral classification. Clustering method used in unsupervised machine learning which is the K-means algorithm able to determine optimal rock clusters based on geological information they have. Three rock clusters become the most optimal number of rock clusters based on the geological information."

"Kawasan Gunung Endut merupakan kawasan yang tersusun atas batuan beku plutonik Tersier dan batuan beku vulkanik Kuarter yang diduga merupakan hasil proses subduksi tektonik yang terjadi di selatan Jawa. Penelitian ini bertujuan untuk mengetahui jenis batuan beku dan menginterpretasikan jenis magma, evolusi magma, dan tatanan tektonik yang membentuk batuan beku di daerah penelitian. Metode yang digunakan dalam penelitian ini adalah analisis petrologi, analisis petrografi, dan analisis geokimia batuan beku menggunakan XRF. Batuan beku Gunung Endut terdiri dari beberapa satuan batuan beku yaitu batuan beku lava basaltik/andesitik, batuan beku intrusi tanggul basaltik/andesitik, dan batuan beku intrusi stok basaltik/andesitik. Analisis petrografi batuan beku Gunung Endut menunjukkan bahwa batuan lava beku terdiri dari porfiri andesit, sedangkan batuan beku intrusi terdiri dari porfiri diorit dan porfiri dasit. Tekstur mikro dari plagioklas yang terdapat pada setiap sampel menunjukkan bahwa batuan beku Gunung Endut telah mengalami pencampuran magma dengan magma primitif. Berdasarkan diagram TAS, batuan lava beku tersusun atas andesit, dasit, traki-andesit, andesit basaltik, trakhdasit trakit, dan basaltik trachy-andesit. Batuan beku intrusi terdiri dari batuan beku andesit, trachy-andesite, basaltic andesite, dan trachy trachydacite. Deret magma pembentuk batuan beku Gunung Endut merupakan gugus magma kalk-alkali yang menopang lingkungan tektonik pembentuk batuan beku Gunung Endut yaitu batas kontinen aktif.

---

The Mount Endut area is an area composed of Tertiary plutonic igneous rocks and Quaternary volcanic igneous rocks which are thought to be the result of a tectonic subduction process that occurred in southern Java. This study aims to determine the types of igneous rocks and interpret the types of magma, magma evolution, and tectonic arrangements that form igneous rocks in the study area. The methods used in this research are petrological analysis, petrographic analysis, and geochemical analysis of igneous rocks using XRF. Mount Endut igneous rock consists of several igneous rock units, namely basaltic/andesitic lava igneous rock, basaltic/andesitic embankment intrusion igneous rock, and basaltic/andesitic stock intrusion igneous rock. Petrographic analysis of the Gunung Endut igneous rock shows that the igneous lava rock consists of andesite porphyry, while the intrusive igneous rock consists of diorite porphyry and dacite porphyry. The micro texture of the plagioclase contained in each sample shows that the igneous rock of Mount Endut has undergone magma mixing with primitive magma. Based on the TAS diagram, igneous lava rock is composed of andesite, dacite, trachy-andesite, basaltic andesite, trachyde-tracheal and basaltic trachy-andesite. Intrusion igneous rock consists of igneous andesite, trachy-andesite, basaltic andesite, and trachy trachydacite. The magma series that forms the igneous rocks of Mount Endut is a calc-alkaline magma group that supports the tectonic environment that forms the igneous rocks of Mount Endut, which is the active continent boundary."

"Kecerdasan Artifisial atau Artificial Intelligence (AI) merupakan teknologi yang memungkinkan mesin untuk menerima, mengolah, dan membuat keputusan berdasarkan data yang diterima. Kehadiran AI yang semakin menjamur di kehidupan masyarakat membuat pemerintah di berbagai negara berinisiatif untuk mengimplementasikan AI secara publik dengan mengeluarkan strategi AI nasional. Indonesia yang sudah mengeluarkan strategi AI nasional namun belum mengadopsi AI secara menyeluruh memiliki kesempatan untuk belajar dari negara lain agar adopsi AI di Indonesia berlangsung dengan efektif dan efisien. Penelitian ini berfokus untuk menemukan pelajaran atau hikmah yang dapat digunakan oleh Indonesia dalam mengadopsi AI di ranah publik. Hal ini dicapai dengan meninjau aspek sosioteknis dalam implementasi AI dengan membandingkan kerangka kultur Hofstede, indeks kesiapan AI pemerintah 2022, dan survei menyangkut sikap publik dan perusahaan terhadap AI dari negara-negara pembanding. Aspek strategi juga diteliti dengan melihat strategi AI nasional di negara-negara pembanding dalam kerangka yang sama. Adapun negara-negara yang dilibatkan dalam penelitian ini adalah Singapura, Malaysia, Jepang, Korea Selatan, Australia, dan Indonesia. Hal pertama yang dilakukan dalam penelitian ini adalah mengidentifikasi aspek-aspek yang diperlukan untuk memahami strategi AI nasional. Setelah itu, dilakukan literature review dengan metode 3C+2S (compare, contrast, criticize, synthesize, summary) terhadap semua data untuk menentukan apakah kondisi sosial dan teknologi dipertimbangkan dalam strategi AI nasional dan menemukan kesamaan serta perbedaan dari seluruh aspek. Semua jawaban dari penelitian ini kemudian ditarik kesimpulan untuk menemukan poin-poin penting yang perlu diperhatikan dalam implementasi AI di Indonesia.Hasil dari penelitian adalah kerangka kerja untuk memahami strategi AI nasional yang secara umum terdiri dari kondisi saat ini, strategi yang digunakan, dan komunikasi strategi kepada pihak lain. Dengan meneliti strategi AI nasional di keenam negara menggunakan kerangka kerja yang telah dibuat, ditemukan bahwa aspek sosial masih jarang dipertimbangkan dalam strategi AI nasional dibandingkan dengan aspek teknologi. Penelitian ini juga menunjukkan walaupun Indonesia memiliki beberapa kemiripan secara budaya dengan negara lain, Indonesia mengalami ketertinggalan jauh dalam kesiapannya untuk mengadopsi AI khususnya dari sektor teknologi. Kesamaan lain terlihat pada bidang yang diprioritaskan dalam strategi dan kesediaan setiap negara untuk membentuk ekosistem yang dapat mendukung perkembangan AI di negaranya masing-masing.Temuan dari penelitian ini mencakup beberapa poin, yaitu: penyatuan langkah strategis, berfokus untuk menyelesaikan permasalahan mendasar, dan penekanan pada pengembangan manusia.

---

Artificial Intelligence (AI) is technology that enables machine to accept, process, and make decisions based on data given. As AI becomes ubiquitous in the society, governments in multiple countries plan to implement AI in public sector through National AI Strategy. Indonesia as a country that hasn't fully adopt AI still has the chance to learn from other countries so that AI implementation in Indonesia's public sector could be done in an effective and efficient manner.

This study focuses on finding lesson learned that could be used by Indonesia in adopting AI in public. This study was done through reviewing sociotechnical aspect in AI implementation by comparing Hofstede's cultural framework, Government AI Readiness Index 2022, and surveys related to public and companies' attitude towards AI from compared countries. Strategy aspect is also studied by looking at national AI strategies in compared countries through the same lens. Countries that are involved in this study are Singapore, Malaysia, Japan, South Korea, Australia, and Indonesia.

The first step from this study is to identify aspects needed to understand national AI strategy. Afterwards, literature review with 3C+2S method (compare, contrast, criticize, synthesize, summary) is conducted to all data to determine whether social and technological condition is considered in national AI strategy and found similarities and differences from all aspects. All answers from the study then summarized to identify important points for AI implementation in Indonesia.

The result from this study is a newly created framework to understand national AI strategies that generally consists current condition, strategy used, and strategy communication to other parties. By using the framework to compare national AI strategies in six countries, it is found that social aspect is still rarely considered in national AI strategy comparing to the technology aspect.

This study also shows that despite the similarities in culture between Indonesia and other countries, Indonesia is lagging far behind in its readiness to adopt AI especially technology-wise. Other similarities are seen at national priorities in the strategy and each countries' willingness to build an ecosystem that supports AI development in their respective countries.

Findings from this study covers points as follows: strategic steps unity, focus to solve the root problems, and emphasis on human development."

"Proyek ini bertujuan untuk menentukan peringkat tahan api dari dinding baja ringan di bawah kondisi api menggunakan aplikasi kecerdasan buatan. Dua bagian bagian saluran yang diberi lipatan (LCS) dan bagian saluran berongga flange (HFC) grade 500 dan kelas 250 disajikan dalam penelitian ini. LCS adalah jenis konvensional yang digunakan dalam bingkai baja ringan, sementara HFC memperkenalkan memiliki kinerja api yang unggul. Baru-baru ini pemodelan elemen hingga dan uji skala penuh telah digunakan untuk menentukan kinerja api dinding LSF. Meskipun demikian, pemodelan elemen hingga ditemukan memiliki prosedur yang rumit, dan uji skala penuh adalah eksperimen yang memakan waktu. Oleh karena itu, opsi alternatif sebagai pembelajaran mesin diperlukan untuk mengatasi situasi ini. Pendekatan jaringan saraf pembelajaran mesin akan diadopsi untuk melatih data. Masukan akan menjadi data aktual dari FEA dan proyek uji penuh skala sebelumnya. Temperatur dan suhu flensa dan flensa dingin seksi dari suatu bagian diperoleh sebagai input. Kapasitas pengurangan rasio bertindak sebagai output yang akan diprediksi dalam pembelajaran yang diawasi. Pelatihan dan uji coba dilakukan melalui jaringan saraf tiruan dengan menggabungkan parameter yang berbeda seperti fungsi kehilangan, menjaga faktor probabilitas, tingkat pembelajaran, jumlah lapisan, dan neuron. Rasio pengurangan kapasitas yang diperoleh dari pelatihan mesin dapat diplot dan dibandingkan keakuratannya dengan hasil FEA sebelumnya.

---

This project aims to determine fire resistance rating of Light Gauge Steel Frame (LSF) walls under fire condition using artificial intelligence application. Two section of lipped channel section (LCS) and hollow flange channel section (HFC) grade 500 and grade 250 is presented in this research. LCS is a conventional section used in LSF framing, while HFC introduced having superior fire performance. Recently finite element modelling and a full-scale test have been employed to determine fire performance of LSF walls. Nonetheless, finite element modelling was found to have a complicated procedure, and the full-scale test was a time-consuming experiment. Therefore, an alternative option as machine learning is necessary to overcome this situation. A neural network approach of machine learning will be adopted to train the data. The input would be the actual data from FEA and full-scale test previous project. Hot flange and cold flange temperature and dimension of a section are obtained as the input. Capacity reduction ratio act as an output that will be predicted in supervised learning. Training and testing trialare done through the artificial neural network by combining different parameters such as loss function, keep probability factor, learning rate, the number of layers, and neurons. Capacity reduction ratio attained from machine training can be plotted and compared its accuracy with previous FEA results."

"Proses perhitungan persentase mineral berdasarkan jenisnya atau point counting, merupakan salah satu proses yang tidak mudah. Boleh jadi seorang ahli geologi pun membutuhkan waktu yang relatif tidak singkat untuk melakukannya. Kesulitan ini terkait ukuran, objek penelitian, maupun perbedaan dalam menginterpretasikan objek yang diteliti. Di sisi lain pembelajaran mendalam atau deep learning menggunakan sistem kecerdasan buatan (artificial intelligence) dapat meniru manusia dan bagaimana jaringan saraf bekerja untuk melakukan suatu kegiatan. Skripsi ini membahas mengenai bagaimana sistem kecerdasan buatan digunakan untuk membantu identifikasi dan point counting mineral kuarsa, berdasarkan sampel sayatan tipis mikroskop polarisasi bidang. Sampel yang digunakan berasal dari sebagian daerah Kecamatan Agrabinta, Cidadap dan sekitarnya. Sampel sayatan tipis PPL batuan yang didapatkan dianalisis dengan tiga metode, yakni metode point counting konvensional, pengiriman beberapa sampel ke laboratorium, dan menggunakan sistem kecerdasan buatan aplikasi yang diberi nama Quartz Point Count. Dari ketiga metode kemudian dibandingkan hasil dari persentase mineral kuarsa. Hasil dari penelitian ini menunjukan penggunaan sistem kecerdasan buatan untuk point counting mineral kuarsa pada sampel wilayah penelitian, memiliki nilai perbedaan yang tidak signifikan dibandingkan hasil point counting konvensional, maupun hasil uji laboratorium.

---

The process of calculating the percentage of minerals based on type or point counting is not an easy process. It may take a geologist a long time to do this. This difficulty is related to size, research object, and differences in interpreting the object. On the other hand, deep learning using an artificial intelligence system can imitate humans and the way neural networks work in carrying out many activities. This thesis explains how artificial intelligence systems are used to assist in the identification and point count of quartz mineral, based on thin section samples from a plane polarizing microscope (PPL). The samples used came from Agrabinta, Cidadap and surrounding areas. The PPL thin section rock samples obtained were analyzed using three methods, the conventional way of point counting, sending several samples to the laboratory, and using an artificial intelligence system application called Quartz Point Count. The three methods then compare the results of the percentage of quartz minerals. The research result shows that the use of an artificial intelligence system for calculating quartz mineral points in research location samples has no significant differences compared to conventional point counting results or laboratory test results."