Hasil Pencarian  ::  Simpan CSV :: Kembali

"Operasi penerbangan yang tepat waktu adalah esensial untuk memastikan kepuasan pelanggan dan efisiensi operasional. Penelitian ini menggunakan teknik pemodelan prediktif terdepan yang menggabungkan algoritma LightGBM dengan optimisasi Artificial Bee Colony. Fokus penelitian adalah mengungkap faktor-faktor rumit yang menyebabkan keterlambatan penerbangan baik pada Low Cost Carriers maupun pada Maskapai Pelayanan Full Service Carrier. Studi ini mengidentifikasi bahwa propagasi delay dari penerbangan sebelumnya berdampak dalam penjadwalan maskapai dan sebagai faktor kunci. Selain itu, kendala teknis dan otoritas juga menjadi faktor kunci keterlambatan untuk kedua tipe maskapai. Efektivitas model ini semakin diperkuat oleh precision recall curve yang menunjukkan akurasi prediksi yang tinggi. Dengan presisi yang luar biasa dan recall yang signifikan, model ini bisa diandalkan dalam mendeteksi insiden keterlambatan yang nyata secara akurat. Penelitian ini menawarkan wawasan berbasis data yang berharga untuk LCC dan FSC, membimbing mereka untuk meningkatkan ketepatan waktu dan memperkuat kekokohan operasional dengan fokus pada faktor-faktor utama yang menyumbang pada keterlambatan penerbangan.

---

Timely flight operations are essential for ensuring both customer satisfaction and operational efficiency. This research employs a cutting-edge predictive modeling technique that combines the LightGBM algorithm with Artificial Bee Colony (ABC) optimization. The focus is on unraveling the intricate factors leading to flight delays in both Low-Cost Carriers (LCC) and Full-Service Carriers (FSC). The study identifies 'Propagation' of delays, which reflects the chain reaction effect in airline scheduling, as a key factor, particularly for LCC. Additionally, 'Technical Problems' and 'Authority' are found to be major predictors of delays for both types of airlines. The model's effectiveness is further corroborated by the precision-recall curve, which demonstrates its high predictive accuracy. Boasting remarkable precision and considerable recall, the model is adept at accurately detecting real delay instances. This research offers valuable, data-driven insights for LCC and FSC, guiding them to improve their timekeeping and strengthen operational robustness by focusing on the primary factors contributing to flight delays."

"

Pemanfaatan Intrusion Detection System (IDS) untuk mengamankan infrastruktur jaringan internet masih memiliki masalah yang belum terselesaikan, yaitu kurangnya akurasi deteksi serangan sehingga mengakibatkan terjadinya permasalahan false positif dan banyaknya alarm palsu. Salah satu pendekatan yang banyak digunakan untuk mengatasi permasalahan yang terjadi dalam implementasi IDS adalah dengan menggunakan pendekatan machine learning. Pada penelitian ini, penulis mengusulkan sistem yang menggunakan pendekatan machine learning untuk mendeteksi serangan jaringan dan mengirim peringatan serangan. Dataset CSE-CICIDS2018 dan Model-Based Feature Selection digunakan untuk mengevaluasi kinerja delapan algoritma klasifikasi dalam mengidentifikasi serangan jaringan guna menentukan algoritma terbaik. Hasilnya, Model XGBoost dipilih sebagai model yang memberikan hasil kinerja algoritma terbaik dalam perbandingan model machine learning ini, dengan tingkat akurasi untuk klasifikasi two-class sebesar 99%, dan multi-class sebesar 98,4%.

---

Utilization of the Intrusion Detection System (IDS) to secure internet network infrastructure still has unresolved problems, namely the lack of attack detection accuracy, resulting in false positives and many false alarms. One approach that is widely used to overcome the problems that occur in the implementation of IDS is to use a machine learning approach. In this study, the authors propose a system that uses a machine learning approach to detect network attacks and send attack warnings. The CSE-CICIDS2018 dataset and Model-Based Feature Selection were used to evaluate the performance of eight classifier algorithms in identifying network attacks to determine the best algorithm. As a result, the XGBoost model was chosen as the model that gives the best algorithm performance results in this machine learning model comparison, with an accuracy rate of 99% for two-class classification and 98.4% for multi-class.

"

"Warung kopi atau coffee shop kian mengalami peningkatan dalam tren dan permintaan di Indonesia. Pandemi Covid-19 membuat pemberlakuan pembatasan sosial yang membuat penjualan dan permintaan menjadi susah diprediksi sehingga pengelolaan stok biji kopi menjadi masalah. Melakukan peprediksi menggunakan model machine learning dapat menjadi solusi untuk mengatasi masalah tersebut. Data yang digunakan adalah permintaan biji kopi yang didapatkan dari sistem POS (Point-of-Sales). Untuk membuat performa model yang lebih baik, ditambahkan beberapa variabel eksternal seperti cuaca, hari raya dan pembatasan sosial. Model prediksi yang digunakan adalah Multiple Linear Regression (MLR), Decision Tree (DT), Support Vector Regressor (SVR) dan Neural Network (NN). Hasil pelatihan model menunjukan model-model yang menggunakan semua variabel menghasilkan hasil prediksi yang lebih baik dibandingkan dengan model-model dengan menggunakan hanya variabel tanggal. Model DT menunjukan hasil prediksi yang terbaik berdasarkan pola prediksi dan error yang dihasilkan. Implementasi hasil prediksi dapat diterapkan dengan perhitungan Reorder Point (ROP) yang ditampilkan dalam dashboard, Expected Value Analysis untuk penentuan tingkat pemesanan, danpencatatan pemesanan bahan baku untuk perkiraan biaya yang dibutuhkan dihitung menggunakan metode FIFO (First in First Out).

---

The trend of Coffee shops in Indonesia keeps increasing as well as its. COVID-19 pandemic has caused the establishment of social restriction which creates hindrance in predicting the sales and demand, as a result disrupts the coffee beans inventory management. Forecasting using machine learning models could offer a solution to overcome those problems. The data used in this research is the coffee beans demand from POS (Point-of-Sales) system. Various external variables such as weather, event and social restrictions are added to increase model performance. Predictions models used are Multiple Linear Regression (MLR), Decision Tree (DT), Support Vector Regressor (SVR) and Neural Network (NN). The result of model training shows that models that use all variables produce better prediction than models that use date variables only. DT model generates the best prediction based on its pattern and error measurement. The prediction result from the chosen model is implemented to calculate the Reorder Point (ROP)  and visualized using  dashboard, Expected Value Analysis to determine the stock level estimation. Subsequently, material stock register calculated using FIFO (First in First Out). "

"Mahasiswa drop out memiliki dampak negatif untuk mahasiswa serta perguruan tinggi. Mahasiswa dikatakan drop out apabila mahasiswa tersebut belumdapat menyelesaikan masa studinya dalam rentang waktu yang telah ditentukan. Data mengenai status penyelesaian serta data akademis mahasiswa terekappada Pangkalan Data Pendidikan Tinggi (PDDikti). Berdasarkan data tersebut, mahasiswa drop out pada tahun 2019 mencapai 602.208 mahasiswa atau 7% dari total mahasiswa. Penelitian menggunakan data PDDikti untuk memprediksi drop out telah dilakukan untuk mahasiswa yang telah mencapai tujuh tahun masastudi. Namun, belum terdapat sistem berbasis web yang dapat memprediksi mahasiswa drop out menggunakan data semester yang lebih sedikit dan visualisasi yang menggambarkan mahasiswa drop out berdasarkan data yang diperoleh dari PDDikti melalui API tertentu. Penelitian ini membandingkan empatmodel pembelajaran mesin untuk memprediksi drop out dimana model CatBoost dengan teknik undersampling edited nearest neighbors merupakan classifierterbaik untuk memprediksi drop out dengan f1-score sebesar 64.23%. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat digunakan untuk melakukan visualisasi data berdasarkan API yang digunakan untuk memperoleh data dari PDDikti dan juga prediksi mahasiswa yang berpotensi drop out berdasarkan data dari PDDikti. Visualisasi mahasiswa drop out berhasil divisualisasi dengan menggunakan diagram sankey, diagram geo, dan diagram bar. Perolehan data dapat dilakukan menggunakan query data dengan API yang dibuat menggunakan Express.js dan Flask.

---

Dropped out student giving negative impact to the student itself and also university. A student is said to have dropped out if they can’t complete their studies within the specified timeframe. Data regarding completion status as well as student academic data are recorded in Higher Education Database (PDDikti). Based on these data, the drop out students in 2019 reached 602,208 students or 7% of the total student. Research using PDDikti data to predict drop out has been conducted for students who have reached seven years of study. However, there is no web-based system that could predict drop out student using data with fewer semesters and visualizations portraying dropout students based on PDDikti data through particular API. This study compares four machine learning models to predict drop outs where CatBoost model with undersampling edited nearest neighbors technique is the best classifier to predict drop outs with an f1-score of 64.23%. Other than that, this study succeeded to implement web-based system that could visualize PDDikti data through API and to predict potential students dropping out based on PDDikti data. The visualization of drop out students was successfully visualized using Sankey diagrams, geo diagrams, and bar charts. Data retrieval can be done using data

queries with APIs created using Express.js and Flask."

"Perusahaan IAPS telah meluncurkan berbagai aplikasi, salah satunya ialah aplikasi Indosat Imkas dan Pede (Ponsel Duit) (berikutnya disebut aplikasi). Permasalahannya ialah masih terdapat sembilan belas persen pengguna valid yang tidak bertransaksi tiap bulan di aplikasi untuk mencapai target yaitu dua puluh persen pengguna valid bertransaksi tiap bulan di aplikasi. Dapat terjadi perubahan strategi bisnis apabila gagal mencapai target dan mengalami kerugian secara finansial. Peneliti menemukan satu masalah yang berdampak paling signifikan yaitu pemberian informasi dan promosi yang tidak berjalan efektif. Diperlukan teknik data mining dan klasifikasi churn yang menggunakan pemelajaran mesin untuk memprediksi pengguna yang tepat untuk pemberian informasi dan promosi. Pertanyaan penelitian ini adalah apa model pemelajaran mesin terbaik dalam melakukan prediksi pengguna yang churn dan loyal. Selain itu, apa faktor-faktor yang mempengaruhi keputusan pelanggan untuk churn dan loyal. Penelitian ini menghasilkan model yang dikembangkan menggunakan mesin pemelajaran dengan pengawasan menggunakan classifier Random Forest merupakan model pemelajaran mesin dengan performa terbaik untuk melakukan klasifikasi dan prediksi pengguna yang churn dan loyal. Selain itu, data ulasan pelanggan Google playstore yang di klasifikasikan kedalam push-pull classification dapat meningkatkan performa classifier. Beberapa fitur yang memengaruhi keputusan churn pelanggan yaitu “debetKreditRatio”, “push_service”. Kedua fitur itu berkaitan erat dengan tingkat layanan di aplikasi, semakin tinggi tingkat layanan yang diterima pengguna maka peluang akan churn rendah. Organisasi hendaknya membuat strategi untuk meningkatkan nilai “debetKreditRatio” dan “push service”. Selanjutnya organisasi dapat mengembangkan strategi retensi untuk pemberian informasi dan promosi yang berbeda untuk pelanggan yang akan churn dan loyal.

---

The IAPS company has has launched various applications, including the Indosat Imkas and Pede (Ponsel Duit) applications (from now on referred to as applications). The problem is that there is still nineteen percent of valid users who do not transact every month on the application to achieve the target, which is twenty percent of valid users who transact every month on the application. There can be a change in business strategy if it fails to achieve the target and suffers a financial loss. The researcher found one problem that had the most significant impact, namely promotions that did not work effectively. Data mining and churn classification techniques are required that use machines learning to predict the right users for targeted promotions or other strategies. The research question is what is the best machine learning model in predicting churn and loyal users. In addition, another research question is what are the factors that influence the customer's decision to churn and be loyal. This study resulted in a model developed using a supervised learning machine using the Random Forest classifier, which is the best-performing machine learning model for classifying and predicting churn and loyal users. In addition, customer reviews from Google play store data classified into a push-pull classification can also improve the classifier's performance. Several features affect customer churn decisions, namely "debetKreditRatio," "push_service." Both features are closely related to the level of service in the application. The higher the level of service the user receives, the lower the chance of churn. Organizations should develop strategies to increase the value of the "debit credit ratio" and "push service." Furthermore, the organization can develop different promotional approaches for customers who will churn and be loyal."

"ABSTRAKPembangkit listrik tenaga panas bumi adalah sumber energi bersih terbarukan dengan potensi besar yang dimiliki Indonesia. Sistem deteksi kesalahan manual pada mesin kritis adalah salah satu masalah dalam pengoperasian pembangkit listrik tenaga panas bumi di Indonesia. Kesalahan rentan dalam menentukan kondisi mesin dan keterlambatan dalam mengetahui peringatan adalah dua masalah utama yang muncul. Penerapan algoritma pembelajaran mesin dalam membuat model deteksi kesalahan telah digunakan di berbagai industri dan objek. Penelitian ini adalah penerapan algoritma pembelajaran mesin untuk membuat model klasifikasi deteksi kesalahan pada mesin kritis pembangkit listrik tenaga panas bumi. Algoritma yang digunakan adalah classifier dasar dan ensemble classifier untuk membandingkan algoritma mana yang menghasilkan indikator klasifikasi terbaik. Penelitian ini dapat memberikan wawasan tentang industri pembangkit listrik tenaga panas bumi di Indonesia untuk mengatasi sistem deteksi kesalahan yang ada dengan memanfaatkan data sensor menggunakan algoritma pembelajaran mesin.

---

ABSTRACTGeothermal power plants are a renewable clean energy source with great potential that Indonesia has. The manual fault detection system at the critical machine is one of the problems in the operation of geothermal power plants in Indonesia. Vulnerable errors in determining engine conditions and delays in knowing alerts are two major problems that arise. The application of machine learning algorithms in making fault detection models has been used in various industries and objects. This research is the application of machine learning algorithms to create fault detection classification models on critical engines of geothermal power plants. The algorithm used is the basic classifier and ensemble classifier to compare which algorithms produce the best classification indicators of classifications. This research can provide insight into the geothermal power plant industry in Indonesia to overcome existing fault detection system by utilizing sensor data using machine learning algorithm."

"Aktivitas produksi dan ekspor komoditas kelapa sawit terus mengalami ekspansi dan peningkatan. Indonesia memiliki perkebunan kelapa sawit dengan luas mencapai 12.761.586 Hektar. menjadikan Indonesia sebagai salah satu penghasil CPO (Crude Palm Oil) terbesar di dunia. Keberhasilan produksi dari kelapa sawit tidak terlepas dari kegiatan perencanaan dan pengawasan sehingga diperlukan pemantauan secara cepat dan efektif. Penelitian ini dilakukan dengan tujuan untuk mengetahui karakteristik dan pola persebaran umur kelapa sawit berdasarkan nilai backscatter pada citra radar Sentinel-1. Data berupa citra radar Sentinel-1 digunakakan untuk dapat melakukan estimasi terhadap umur kelapa sawit berdasarkan nilai backscatter menggunakan pendekatan machine learning. Hasil pemodelan menunjukan bahwa tren nilai backscatter terhadap umur kelapa sawit memiliki karakter berbanding lurus dengan umur kelapa sawit. Estimasi umur kelapa sawit berdasarkan nilai backscatter pada Sentinel-1 GRD menghasilkan 3 kelas umur kelapa sawit dengan tingkat overall accuracy sebesar 93.3% pada anlisis yang dilakukan secara Single Time, sedangkan pada analisis time series diperoleh nilai overall accuracy sebesar 94.5% Hasil menunjukkan bahwa kelas umur dewasa memiliki nilai z score sebesar - 4.190963 dengan pola persebaran clustered (mengelompok), kelas umur taruna dengan z score -8.388942 berpola clustered (mengelompok), dan kelas umur remaja dengan perolehan nilai z score 7.801667 dengan pola persebaran dispersed (seragam).

---

Production and export activities of palm oil commodities continue to expand and increase. Indonesia has oil palm plantations with an area of 12,761,586 hectares. making Indonesia one of the largest CPO (Crude Palm Oil) producers in the world. The success of production from oil palm cannot be separated from planning and monitoring activities so that it is necessary to monitor quickly and effectively. This study was conducted with the aim of knowing the characteristics and patterns of age distribution of oil palms based on the backscatter value on Sentinel-1 radar images. Data in the form of Sentinel-1 radar images are used to estimate the age of oil palms based on the backscatter value using a machine learning approach. The modeling results show that the trend of the backscatter value of the age of the oil palm has a character that is directly proportional to the age of the oil palm. Oil palm age estimation based on the backscatter value on Sentinel-1 GRD resulted in 3 oil palm age classes with an overall accuracy rate of 93.3% in the Single Time analysis, while the time series analysis obtained an overall accuracy value of 94.5%. adults have a z score of -4.190963 with a clustered distribution pattern, the cadet age class with a z score of -8.388942 with a clustered pattern, and the adolescent age class with a z score of 7.801667 with a dispersed distribution pattern (uniform)."

"Masuknya industri 4.0 di Indonesia membuat mesin dapat terintegrasi dengan komputer melalui perangkat IoT sehingga membuat proses produksi lebih efisien. Salah satu upaya untuk mempertahankan hal tersebut adalah dengan melakukan maintenance menggunakan metode predictive maintenance. Kegagalan mesin dalam predictive maintenance dapat diprediksi menggunakan machine learning. Metode sequence processing adalah algoritma machine learning yang cocok digunakan dalam predictive maintenance berbasis timeseries. Penelitian ini mencoba berbagai macam cara penerapan sequence processing untuk memprediksi kegagalan pada mesin. LSTM merupakan metode sequence processing yang populer digunakan untuk predictive maintenance. Terdapat tiga cara penerapan model LSTM yang diuji pada penelitian ini, yaitu model klasifikasi, regresi, dan regresi menggunakan sequence to sequence Ketiga model tersebut akan diuji menggunakan data yang didapat dari database terbuka. Setiap model akan dievaluasi dan dikomparasi untuk mengetahui model yang terbaik. Penelitian ini menunjukkan bahwa model klasifikasi memiliki kinerja yang buruk karena mengalami overfitting. Sementara itu, model regresi sequence to sequence memiliki kinerja yang paling baik, yaitu dengan nilai f-1 score mencapai 57.45%.

---

The implementation of Industry 4.0 in Indonesia enables machines to be integrated with computers through IoT devices, resulting in more efficient production processes. One of the efforts to maintain this is by performing maintenance using predictive maintenance methods. Machine learning can be used to predict machine failures in predictive maintenance. Sequence processing is a suitable machine learning algorithm for predictive maintenance based on timeseries data. This research explores various ways to apply sequence processing for predicting machine failures. LSTM is a popular sequence processing method used in predictive maintenance. Three approaches for implementing LSTM models were tested in this study: classification, regression, and sequence to sequence regression. These models were tested using data obtained from an open database. Each model was evaluated and compared to determine the best-performing model. The research findings indicate that the classification model performed poorly due to overfitting. On the other hand, the sequence to sequence regression model achieved the best performance, with an f-1 score of 57.45%."

"Penelitian ini membahas mengenai risiko operasional yang muncul akibat ditetapkanya peraturan menteri yang mengatur keterlambatan penerbangan lebih dari 4 jam. Sebagai peraturan yang baru diterapkan maka setiap maskapai tidak dapat menghitung risiko secara langsung karena belum adanya data historis mengenai kerugian atas kegiatan tersebut. Namun, dengan menggunakan data historis data keterlambatan dan jumlah penumpang maka peneliti mencoba untuk menghitung kerugian yang timbul akibat peraturan tersebut. Dengan melakukan pengujian chi square, kolmogorov smirnov dan anderson darling didapatkan bahwa data frekuensi terdistribusi secara geomet dan data severitas terdistribusi lognormal. Dan dengan menggunakan aggregation method melalui pendekatan loss distribution didapatkan nilai VaR pada tingkat keyakinan 95% sebesar 83.306.690 untuk skenario tanpa penumpang re-route serta nilai VaR pada tingkat keyakinan 95% Rp 80.933.100 untuk skenario penumpang re-route. Setelah dilakukan pengujian dengan menggunakan kupiec test maka diketahui bahwa perhitungan VaR menggunakan metode tersebut adalah valid dan dapat digunakan untuk perhitungan selanjutnya.

---

This study discusses about operational risks arising from the establishment of ministerial regulations which regulates flight delay of more than 4 hours. As the new regulations, each airline can not directly calculate the risk. It is because of the lack of historical data from these activities. However, using historical delay frequency and number of passengers, the researcher tried to calculate the losses resulting from these regulations. By chi-square test, Kolmogorov smirnov and anderson darling test, researcher found that the frequency of delay distributed geometrically and the severity data distributed lognormal. And by using the aggregation method through the loss distribution approach (LDA), Value at Risk ​​using 95% confidence level is Rp 83,306,690 for the scenario without re-route passengers, and the value of VaR at 95% confidence level is Rp 80,933,100 for re-route passengers scenario. After testing by using kupiec test, it is known that the VaR calculation method is valid and can be used for further calculations."

"Kelapa sawit merupakan tanaman budidaya penghasil minyak nabati yang mempunyai nilai ekonomis tinggi. Di Indonesia, Provinsi Riau tercatat sebagai provinsi yang memiliki luas perkebunan terbesar. Dengan luas lahan kelapa sawit di Provinsi Riau yang begitu besar, maka penting untuk mengetahui kondisi terkini umur dari tanaman kelapa sawit. Tujuan dari penelitian ini adalah untuk mengestimasi umur tanaman dengan metode regresi polinomial kuadratik serta menganalisis pola spasial sebaran umur tanaman kelapa sawit di Provinsi Riau. Penelitian ini menggunakan transformasi indeks vegetasi NDVI dan EVI yang diekstraksi dari Citra Landsat 8 – OLI Surface Reflectance. Proses akuisisi data, pengolahan data, analisis data hingga pemetaan menggunakan platform Google Earth Engine (GEE). Metode klasifikasi menggunakan Machine Learning, seperti; SVM, Random Forest dan CART untuk kemudian dibandingkan tingkat akurasinya. Estimasi umur tanaman didapatkan dari hasil pemodelan regresi polinomial kuadratik. Hasil penelitian menggunakan Machine Learning didapatkan hasil berupa tingkat akurasi yang berbeda, yakni: SVM untuk akurasi keseluruhan sebesar 98,6 % dan akurasi kappa sebesar 0,979, Random Forest untuk akurasi sebesar 97,43 % dan 0.96, CART akurasi sebesar 97,43 % dan 0.96. Sebaran umur berdasarkan faktor fisik ketinggian didominasi oleh kelompok umur dewasa terutama pada ketinggian 0-5 mdpl. Begitu pula dengan faktor fisik kemiringan lereng yang di dominasi oleh kelompok umur dewasa dan muda terutama pada kemiringan lereng 0-8 % dan 15-30 %. Sementara pada faktor fisik jarak dari sungai setiap jarak 2000meter secara keseluruhan didominasi oleh kelompok umur dewasa namun pada jarak terdekat dengan sungai yakni 0-2000meter didominasi oleh kelompok umur muda.

---

Oil palm is a cultivated plant that produces vegetable oil that has high economic value. In Indonesia, Riau Province is listed as the province with the largest plantation area. With the large area of ​​oil palm in Riau Province, it is important to know the current condition of the age of the oil palm plantation. The purpose of this study was to estimate the age of the plant by using quadratic polynomial regression method and to analyze the spatial pattern of the age distribution of oil palm plants in Riau Province. This study uses the transformation of the NDVI and EVI vegetation indices extracted from Landsat 8 – OLI Surface Reflectance Imagery. The process of data acquisition, data processing, data analysis to mapping using the Google Earth Engine (GEE) platform. The classification method uses Machine Learning, such as; SVM, Random Forest and CART to then compare the level of accuracy. The estimated age of the plant was obtained from the results of quadratic polynomial regression modeling. The results of the research using Machine Learning obtained results in the form of different levels of accuracy, namely: SVM for an overall accuracy of 98.6% and kappa accuracy of 0.979, Random Forest for an accuracy of 97.43% and 0.96, CART accuracy of 97.43% and 0.96. The age distribution based on the physical height factor is dominated by the adult age group, especially at an altitude of 0-5 meters above sea level. Likewise with the physical factor of the slope which is dominated by the adult and young age groups, especially on the slopes of 0-8% and 15-30%. Meanwhile, on the physical factor, the distance from the river every 2000 meters is dominated by the adult age group, but at the closest distance to the river, 0-2000 meters, it is dominated by the young age group. "