Hasil Pencarian  ::  Simpan CSV :: Kembali

"Saat ini peramalan beban listrik hanya menggunakan acuan data historis sebagai masukan pada metode peramalan beban. Berbagai jenis metode digunakan untuk menghasilkan peramalan beban yang akurat dan presisi dengan harapan daya yang disalurkan tepat ukuran sesuai dengan kebutuhan beban listrik konsumen. Skripsi ini membahas teknik kombinasi metode permodelan Auto Regressive Integrated Moving Average (ARIMA) yang dikaitkan dengan metode regresi linear dari hubungan suhu dan beban listrik untuk menghasilkan metode peramalan yang lebih akurat dan presisi dari sekedar peramalan beban yang mengacu pada data historis saja. Berdasarkan hasil, terlihat bahwa MAPE kombinasi peramalan (4,19%) lebih baik dibanding menggunakan metode ARIMA (5,16%) dan Regresi Linear (5,28%) saja.

---

Nowadays electrical load forecasting uses historical data as a reference input on load forecasting method. Various types of this methods used to produce an accurate load forecasting and precision in the hope that appropriate resources are distributed according to the size of electrical load demand of consumers.

This research will discuss combination technique of Auto Regressive Integrated Moving Average (ARIMA), which is associated with linear regression method from the relationship of temperature and electrical load to produce a more accurate and precise than a load forecasting based on historical data only. The final results show that combination technique gives MAPE 4,19%, better than ARIMA (5,16) and Linear Regression (5,28%)."

"Optimalisasi penggunaan teknologi berperan dalam industri manufaktur agar mampu mencapai potensi produktifitas yang penuh di era ekonomi digital. Adanya transformasi teknologi digital ini dapat memberikan kontribusi besar pada struktur pendapatan pekerja industri manufaktur. Sementara itu, industri manufaktur yang merupakan leading sector perekonomian nasional dalam kurun waktu 2014 hingga 2018. Namun didominasi dengan pekerja berkarakteristik vertical mismatch (ketidaksesuaian antara tingkat pendidikan dengan jenis pekerjaan) yakni diatas 90 persen dan Indonesia menempati posisi tertinggi diantara negara Asia Pasifik lainnya untuk proporsi pekerja vertical mismatch. Resiko tenaga kerja yang berkarakteristik vertical mismatch, khususnya bagi pekerja overqualified adalah upah di bawah standar yang dikarenakan investasi mereka pada tingkat pendidikan tidak dipakai secara optimal. Penelitian ini bertujuan mempelajari pengaruh teknologi digital dan vertical mismatch terhadap pendapatan pekerja industri manufaktur di Indoensia menggunakan data Survei Angkatan Kerja Nasional (Sakernas) Agustus 2019. Hasil regresi linier berganda menunjukkan bahwa teknologi digital dan vertical mismatch berpengaruh secara signifikan terhadap pendapatan. Pekerja underqualified cenderung memperoleh pendapatan lebih besar dibandingkan mereka yang tergolong well-matched sedangkan pekerja overqualified akan dihadapkan dengan wage penalthy atau upah yang rendah. Adanya kemampuan menguasai teknologi digital seperti komputer, smartphone, dan teknologi digital lainnya mampu menambah pendapatan pekerja vertical mismatch dengan kecenderungan lebih tinggi.

---

Optimizing the use of technology has a role in the manufacturing industry in order to be able to reach its full productivity potential at this digital economy era. The existence of this digital technology transformation impacts on a major contribution toward income structure of manufacturing industry labors. Meanwhile, the manufacturing industry was the leading sector of the national economy from 2014 to 2018. However, it is dominated by workers with vertical mismatch characteristics (the mismatch between the level of education and the type of work) which is above 90 percent. Furthermore, Indonesia occupied the highest position among other Asia Pacific countries in terms of vertical mismatch worker proportion. The risk of labor which is characterized by a vertical mismatch, especially for overqualified workers, is wages that are below standard because their investment in education level is not used optimally. This research aims to study the effect of digital technology and vertical mismatch on the income of manufacturing industry labors in Indonesia using data from the National Labor Force Survey (Sakernas) August 2019. The results of multiple linear regression indicate that digital technology and vertical mismatch have a significant effect on income. Underqualified labors tend to earn more than those who are classified as well-matched, while overqualified labors will be faced with wage penalthy or low wages. The ability to master digital technology such as computers, smartphones and other digital technologies is able to increase the income of vertical mismatch labors with a higher tendency."

"Skripsi ini membahas mengenai pengaruh lingkungan kerja terhadap pemipetan pada sebuah laboratorium pangan di bagian lab mikrobiologi. Pemipetan merupakan suatu kegiatan/pekerjaan pada sebuah laboratorium untuk mengambil larutan cair dengan jumlah/volume tertentu dan memindahkan larutan cair tersebut ke dalam media yang lainnya. Faktor lingkungan kerja yang dapat mempengaruhi pemipetan antara lain: cahaya, suhu ruang, tingkat kebisingan dari suara blower, dan kelembaban udara yang dapat mempengaruhi akurasi dari pipet tersebut. Penelitian ini menggunakan metode analisis regresi linier berganda. Dari penelitian ini diperoleh persamaan regresi linier Y = 351,099 + 0,696X1 + 0,609X2 - 1,181X3 - 0,274X4 dimana X1 merupakan cahaya dari lampu dengan daya lampu yang berbeda-beda, X2 merupakan suhu ruangan, X3 merupakan tingkat kebisingan yang dihasilkan oleh blower, dan X4 merupakan kelembaban udara. Dimana rumus tersebut diperoleh dari faktor lingkungan kerja sebagai berikut: Untuk faktor cahaya menggunakan lampu 18 W, 30 W, 36 W dan 58 W, sedangkan untuk faktor suhu berada di antara 18°C sampai 25°C, faktor kebisingan berada di antara 23 dB sampai 92 dB, dan faktor kelembaban di antara 51% sampai 84%. Dan dari hasil penelitian menunjukkan model regresi dapat menjelaskan sekitar 97,4% dari total variasi terhadap kinerja analis dalam pemipetan dan sisanya 2,6% dijelaskan oleh hal-hal lain.

---

This thesis discusses the influence of the work environment in a laboratory pipetting food in the microbiology lab. Pipetting is a work in a laboratory to take a liquid solution with the number/specific volume of liquid solution and move into other media. Work environment factors that can affect pipetting, include: light, temperature, noise level of the sound blowers, and air humidity can affect the accuracy of the pipette. This study uses the method of multiple linear regression analysis.

From this study obtained a linear regression equation Y = 351.099 + 0.696 X1 + 0.609 X2 - 1.181 X3 - 0.274 X4, where X1 is the light from the lamp with lamp power different, X2 be an air-conditioning, X3 is the noise level generated by the blower, and X4 is the air humidity. Where the formula is derived from the work environment factors as follows: for the factors of light using lamps 18 W, 30 W, 36 W and 58 W, while for the temperature factor is between 18°C to 25°C, the noise factor is between 23 dB to 92 dB, and the humidity factor of 51% to 84%. And the results showed regression model can explain about 97.4% of the total variation of the analyst's performance in pipetting and the rest 2.6% is explained by other things."

"Pemanasan global dan meningkatnya standar hidup manusia merupakan faktorpendorong yang menyebabkan naiknya konsumsi energi untuk sistem HVAC. Peningkatanteknologi HVAC yang mampu mengurangi konsumsi energi sektor bangunan, meskipunkecil akan memberikan dampak yang signifikan bagi konsumsi energi secara agregat absolut. Pendekatan bilinier dalam pemodelan dan kendali sistem HVAC sudah banyak dilakukan baik secara teori maupun praktis dan terbukti memiliki banyak kelebihan.Sistem HVAC berbasis Hammerstein-bilinear diturunkan secara matematis danberhasil diidentifikasi dengan struktur model linier OE sebagai dua buah sistem MISO dalamtesis ini. Metode identifikasi yang penulis gunakan adalah algoritma pseudo-linear regression dan least-square. Model linier tersebut kemudian digunakan sebagai plant model padadisain kendali model prediktif. Kinerja pengendali prediktif memberikan hasil yang memuaskan dan terbukti mampu memenuhi tujuan pengendalian yang diinginkan. Kinerja pengendali prediktif lebih baik daripada pengendali PI pada kasus lup kendali suhu, sebaliknya untuk kendali kelembaban kinerja pengendali PI lebih memuaskan.

---

Global warming and increasing human standard of living are the driving factors

leading to increased energy consumption for HVAC systems. Enhanced HVAC technology

that can reduce energy consumption in the building sector, despite of small amount, it will

have a significant impact on energy consumption’s absolute aggregate. The bilinear approach to modeling and control of HVAC systems has been done both theoretically and

practically and has proven to have many advantages.

An HVAC system based on Hammerstein-bilinear was derived mathematically and

was identified using an OE linear model structure as two MISO systems in this thesis. The

identification methods adopted by the author were pseudo-linear regression and least-square

algorithm. The linear models were subsequently used as plant models in the predictive model

control design. The predictive controllers’ performance gave satisfying results and was

proven being able to meet the desired control objectives. The predictive controller gave

better performance than the PI controller in the case of temperature control loop, on the contrary, for humidity control the PI’s performance was more satisfying."

"Penelitian ini menganalisis model permintaan perjalanan penumpang berbasis rumah tangga dengan tujuan berbelanja di Kabupaten Administrasi Kepulauan Seribu. Penelitian ini menjawab tiga pertanyaan utama: pola perjalanan belanja, faktor-faktor yang memengaruhi bangkitan dan tarikan perjalanan, serta pengembangan model matematis yang memprediksi bangkitan dan tarikan perjalanan tersebut. Pengumpulan data melibatkan sumber primer dan sekunder, dengan data primer dikumpulkan melalui survei di sebelas pulau berpenghuni Kepulauan Seribu. Penelitian ini menggunakan metode analisis regresi untuk memodelkan proses bangkitan dan tarikan perjalanan, dengan mempertimbangkan berbagai faktor sosial ekonomi. Hasil utama menunjukkan bahwa karakteristik rumah tangga, seperti jumlah anggota keluarga berdasarkan usia, dan karakteristik tempat perbelanjaan, seperti jumlah pedagang, berpengaruh signifikan terhadap frekuensi perjalanan berbelanja. Model regresi yang dikembangkan memberikan wawasan tentang hubungan antara variabel sosial ekonomi dan permintaan perjalanan yang berkontribusi pada pemahaman dinamika kompleks sistem transportasi kepulauan dan menawarkan dasar untuk perencanaan kebijakan pada masa depan guna meningkatkan kualitas hidup dan peluang ekonomi bagi penduduk Kabupaten Administrasi Kepulauan Seribu.

---

This research analyzes the household-based passenger travel demand model with the aim of shopping in the Administrative District of Kepulauan Seribu. It addresses three main questions: shopping travel patterns, factors influencing trip generation and attraction, and the development of a mathematical model to predict these trip generations and attractions. Data collection involved both primary and secondary sources, with primary data gathered through surveys across eleven inhabited islands in Kepulauan Seribu. The study employs regression analysis to model the trip generation and attraction processes, considering various socio-economic factors. Key findings indicate that household characteristics, such as family size, and shopping location characteristics, such as the number of vendors, significantly affect shopping trip frequency. The developed regression model provides insights into the relationship between socio-economic variables and travel demand, contributing to a better understanding of the complex dynamics of the island transportation system. This offers a foundation for future policy planning to enhance the quality of life and economic opportunities for the residents of the Administrative District of Kepulauan Seribu."

"Indonesia termasuk ke dalam kategori high burden countries untuk beban tertinggi TB dunia, menempati urutan ketiga setelah India dan Cina. Penanggulangan penyakit ini salah satunya dengan pemodelan kejadian TB Paru dengan faktor-faktor risikonya dengan analisis regresi linear. Namun, belum tentu cocok diterapkan disemua wilayah karena memiliki kondisi geografis yang berbeda, sehingga dapat menyebabkan adanya perbedaan kasus TB Paru antara wilayah satu dengan wilayah yang lainnya. Oleh karena itu, perlu dimasukkan unsur pengaruh geografis dengan pemodelan regresi linear spasial atau Geographically Weighted Regression (GWR), dalam penelitian ini untuk menilai hubungan kejadian TB Paru dengan faktor kondisi lingkungan fisik rumah, kondisi lingkungan rumah tinggal, karakteristik kependudukan, dan memanfaatkan pelayanan kesehatan terhadap kejadian TB Paru. Penelitian ini menggunakan desain studi potong lintang (cross sectional) dengan menggunakan data Riset Kesehatan Dasar (Riskesdas) 2010. Sampel penelitian ini adalah responden dalam Riskesdas 2010 berusia 15 tahun ke atas di Jawa Barat. Hasil penelitian menunjukkan bahwa memanfaatkan pelayanan kesehatan merupakan faktor dominan yang berhubungan dengan kejadian TB Paru di tiap Kabupaten/Kota Provinsi Jawa Barat kecuali Majalengka dan Pekerjaan juga berhubungan hanya di Kabupaten Bogor.

---

Indonesia is in the category of high-burden countries for the highest burden of Pulmonary Tuberculosis of the world, the third rank after India and China. The effort to overcome this disease is to do modeling the prevalence of Pulmonary Tuberculosis using linear regression model globally. However, it is not necessarily suitable to be applied in all areas because every area has different geographical condition, so it can lead to differences of TB cases between one region with another region. Therefore, the effect of geographic elements need to be incorporated with linear regression modeling spatial or Geographically Weighted Regression (GWR). This study applied GWR model to assess the association of Pulmonary Tuberculosis prevalence by the physical condition of the home environment, residential environment, demographic characteristics, and health care utilizing factors on the prevalence of Pulmonary Tuberculosis. This study used a cross-sectional study design using Riskesdas Data - 2010. Samples in this study were Riskesdas 2010 respondents aged 15 years and over in West Java. The results showed that utilize of health care is the dominant factor associated with the prevalence of Pulmonary Tuberculosis in each district/city of West Java except Majalengka, also related employement status only in Bogor Regency."

"Saham sektor properti dan real estate merupakan jalan bagi investor untuk berinvestasi di pasar properti dan real estate. Harga saham properti dan real esatate memiliki kecenderungan untuk mengalami pergerakkan yang fluktuatif. Untuk meningkatkan potensi perolehan capital gain serta untuk mengukur risiko investasi, harga saham dapat diprediksi menggunakan metode artificial neural network apabila faktor-faktor yang dapat mempengaruhinya diketahui. Variabel yang mempengaruhi harga saham properti dan real estate di Indonesia antara lain, Gross Domestic Product, inflasi, nilai Rupiah terhadap Dollar Amerika, uang beredar, harga minyak mentah, suku bunga jangka panjang, serta volume perdagangan saham.Hasil prediksi dan performa harga saham properti dan real estate Indonesia menggunakan artificial neural network kemudian dibandingkan dengan metode time series konvensional ARIMA dan regresi linier yang menunjukkan hasil berupa metode artificial neural network lebih unggul dibanding ARIMA dan regresi linier.

---

Property and real estate stocks facilitates investors to invest their fund in property and real estate market. Property and real estate stock price has a tendency to move fluctuatively. The price can be predicted using artificial neural network, if the variables which affect the price of property and real estate stock could be identified. The variables which affecting the Indonesian poperty and real estate stock price are Gross Domestc Product, inflation, exchange rate of Rupiah to US Dollar, money aggregates, crude oil price, long-term interest rate, and stock trading volume.

Predicticon results and the methods' performance then compared with the more conventional methods which are time series analysis ARIMA and linear regression. The result shows that performance of artificial neural network is better than ARIMA and linear regression."

"ABSTRAKKanker payudara merupakan penyebab kematian pertama akibat kanker pada wanita. Pria juga dapat terkena kanker payudara. Penanganan kanker payudara terdiri dari operasi, terapi radiasi, dan terapi sistemik yang menggunakan obat. World Health Organization WHO telah mendaftarkan tiga puluh cytotoxic dan obat antikanker untuk mencegah dan mengurangi kanker payudara. Para ilmuwan sudah berusaha untuk menemukan obat lain untuk membantu orang yang terkena kanker payudara. Oleh karena itu, desain obat menjadi penting dalam menemukan obat baru yang potensial untuk menangani kanker payudara. Pada skripsi ini diajukan pendekatan multiple linear regression MLR menggunakan metode quantitative structure activity relationship QSAR untuk memodelkan desain obat kanker payudara dengan pemilihan variabel menggunakan metode algoritma genetika GA . Data yang diperoleh dari bank protein umum lebih sedikit dibandingkan banyaknya variabel, yang menyebabkan asumsi Analisis MLR gagal dan menyebabkan multikolinearitas. Model QSAR diragukan saat terjadi multikolinearitas. Algoritma Genetika GA diimplementasikan untuk menghilangkan multikolinearitas. GA bertindak sebagai penyeleksi variabel untuk mencari variabel yang signifikan dan membantu mendapatkan model QSAR yang paling cocok. Hasil eksperimen menunjukkan bahwa GA dan MLR dapat diimplementasikan pada desain obat kanker payudara.

---

ABSTRACTBreast cancer is the first cause of death by cancer in women. Even so, men could have breast cancer. In the treatment of breast cancer there are surgery, radiation therapy and systemic therapy which treatments using drugs. World Health Organization WHO has listed thirty cytotoxic and anticancer drugs to prevent and reduce breast cancer risk. Researchers have been trying to find other drugs to help people with breast cancer. Thus, drug design becomes more important in discovering new potential drugs to treat breast cancer. In this study, we proposed multiple linear regression MLR approach using quantitative structure activity relationship QSAR method for modelling drug design of breast cancer with variable selection using genetic algorithm GA. The obtaining data from public protein bank leads to have lower number of compounds than the number of variables, it failed the assumptions of MLR analysis and led to multicollinearity. QSAR model appeared uncertain when multicollinearity arise. We implemented genetic algorithm GA to resolve multicollinearity. GA acted as a variable selector to obtain the most significant variables and helped getting the most fitted QSAR model. The experimental result shows that combining of GA and MLR can be implemented in breast cancers drug design."

"ABSTRAKPeningkatan jumlah kendaraan di Indonesia terbilang cukup tinggi dari tahun ke tahun memiliki dampak pada berbagai aspek seperti kemacetan, polusi udara, kecelakaan lalu lintas dll. Penelitian ini bertujuan untuk mendapatkan model terbaik dan hasil peramalan untuk pertumbuhan kendaraan bermotor berupa mobil dan motor dalam 11 tahun ke depan. Data yang digunakan dalam penelitian ini adalah datajumlah mobil dan jumlah motor dari tahun 2005 sampai 2019. Metode yang digunakan adalah metode Multi Linear Regression dan ARIMA. Variabel yang digunakan dalam metode Multi Linear Regression adalah jumlah mobil, jumlah motor, harga premium, harga solar, jumlah rumah tangga, indeks harga konsumen, produk domestik bruto, jumlah penduduk, pertumbuhan jalan, jumlah pekerja dan pendapatan perkapita Dengan menggunakan Multi Linear Regression didapatkannilai MAPE yang lebih kecil dibandingkan dengan nilai MAPE ARIMA.

---

ABSTRACTThe number of vehicles in Indonesia has increased quite high from year to year having an impact on various aspects such as traffic jams, air pollution, traffic accidents etc. The purpose of this study is to obtain the best model and the results of forecasting an increase in the number of cars and the number of motorcycles in the next 11 years. The data used in this study are data on the number of cars and the number of motorcycles from 2005 to 2019. The method used is the Multi LinearRegression and ARIMA methods. The variables used in the Multi Linear Regression method are the number of cars, number of motorcycles, premium prices, diesel prices, number of households, consumer price index, gross domestic product, population, road growth, number of workers and per capita income. By using Multi Linear Regression obtained MAPE value is smaller than the MAPE ARIMA value."

"

Skripsi ini bertujuan mengembangkan model konsumsi bahan bakar dump truck menggunakan machine learning untuk mengoptimalkan efisiensi dan mengurangi biaya operasional pada tahapan hauling dalam industri pertambangan dan penggalian batubara. Tahapan hauling merupakan sumber biaya terbesar, terutama dalam pengoperasian dump truck, di mana pembelian bahan bakar menjadi faktor biaya yang paling signifikan. Penelitian ini menggunakan algoritma Linear Regression (LR), Random Forest (RF), dan Support Vector Machine (SVM) untuk membangun model konsumsi bahan bakar dump truck. Data historis konsumsi bahan bakar dump truck diambil dari 6 area penambangan Perusahaan Kontraktor Penambangan. Hasil penelitian menunjukkan bahwa algoritma Random Forest (RF) memberikan performa terbaik dengan R² sebesar 0,9004, MAE sebesar 0,1909, dan RMSE sebesar 0,3159, serta tingkat akurasi yang lebih tinggi dibandingkan dengan algoritma lainnya. Selanjutnya, penelitian menganalisis variabel input yang paling berpengaruh terhadap model konsumsi bahan bakar dump truck menggunakan teknik permutation feature importance. Hasilnya, variabel input yang paling berpengaruh adalah "accel_pos" atau percepatan atau perlambatan gerakan (acceleration) dump truck yang menunjukkan pentingnya perilaku dan gaya mengemudi dump truck dalam mempengaruhi efisiensi penggunaan bahan bakar.

---

This thesis aims to develop a dump truck fuel consumption model using machine learning to optimize efficiency and reduce operational costs at the hauling stage in the coal mining and quarrying industry. The hauling stages are the largest source of expenses, especially in the operation of dump trucks, where fuel purchases are the most significant cost factor. This research uses Linear Regression (LR), Random Forest (RF), and Support Vector Machine (SVM) algorithms to build a fuel consumption model for dump trucks. Historical data on dump truck fuel consumption was taken from 6 mining areas of the Mining Contractor Company. The results showed that the Random Forest (RF) algorithm provided the best performance with R² of 0.9004, MAE of 0.1909, and RMSE of 0.3159, as well as a higher accuracy rate compared to other algorithms. Furthermore, the researchers analysed the most influential input variables on the dump truck fuel consumption model using the permutation feature importance technique. As a result, the most influential input variable is "accel_pos" or the acceleration or deceleration of the dump truck, which shows the importance of the dump truck's driving behaviour and style in influencing the efficiency of fuel use."