Hasil Pencarian  ::  Simpan CSV :: Kembali

"Klasifikasi dokumen adalah sebuah metode untuk menentukan suatu dokumen termasuk ke suatu kategori secara otomatis berdasarkan isi dokumen. Metode Naïve Bayes dan ontologi merupakan metode klasifikasi dokumen teks yang digunakan dalam penelitian ini. Data yang digunakan dalam penelitian ini berupa artikel berita berbahasa Indonesia dari situs http://www.kompas.com. Dalam penelitian ini menggunakan lima kategori dalam domain olahraga untuk melakukan klasifikasi dokumen, yaitu kategori bulutangkis, basket, otomotif, sepakbola, dan tenis. Klasifikasi dokumen dengan menggunakan ontologi dilakukan dengan membandingkan nilai kemiripan diantara dokumen dan sebuah node yang ada di ontologi. Sebuah dokumen diklasifikasikan ke sebuah kategori atau node, jika memiliki nilai kemiripan paling tinggi diantara semua node yang ada di ontologi. Hasil penelitian menunjukkan bahwa ontologi dapat digunakan untuk melakukan klasifikasi dokumen. Nilai recall, precision, dan f-measure untuk klasifikasi dokumen menggunakan ontologi berturut-turut adalah 97.03%, 91.63%, dan 94.02%.

---

Document classification is a method for determine document category automatically based on contents of document. In this research, we use Naïve Bayes and Ontology method for document classification. Mass media in Bahasa Indonesia is used as data in this research. Data is taken from http//www.kompas.com. We uses five category in sports domain for document classification that comprise with bulutangkis, basketball, automotive, soccer, and tennis category. Document classification uses ontology can be done with compare similarity value between document and a node in ontology. A document can classified to a category or node, if a document has highest similarity value between all node in ontology. In this research indicate that ontology can used for document classification. Recall, precision, and f-measure value for document classification using ontology in a row are 97.03%, 91.63%, and 94.02%."

"Event Extraction merupakan salah satu tugas dalam sistem ekstraksi informasi yang bertujuan untuk menemukan kumpulan informasi event dari suatu dokumen. Informasi tersebut dapat berupa informasi pihak-pihak yang terlibat, tempat kejadian, waktu, dan segala informasi yang terkait dengan event. Penelitian ini bertujuan untuk melakukan proses ekstraksi event (event pertemuan) pada teks berbahasa Indonesia. Dari event pertemuan tersebut, informasi yang dicari adalah informasi pihak yang terlibat (person), tempat (location), serta waktu (time) terjadinya event. Ekstraksi dilakukan dengan menggunakan pendekatan machine learning. Sedangkan metode machine learning yang digunakan adalah association rules, decision tree, dan neural networks. Penelitian bertujuan untuk melihat perbandingan kinerja ketiga metode tersebut terhadap ekstraksi event. Uji coba dilakukan pada artikel-artikel media massa online dari Kompas, Jawa Pos, Republika, dan Sinar Harapan. Pada ekstraksi event, diketahui bahwa metode decision tree menunjukkan kinerja yang lebih baik dibandingkan metode association rules dan metode neural networks dengan F-measure mencapai 83,95%. Metode association rules menunjukkan kinerja yang lebih baik dibandingkan dengan metode neural networks dengan F-measure masing-masing sebesar 82,41% dan 81,57%."

"Paper ini mengeksplorasi penerapan teknik machine learning (ML) untuk memproyeksikan konsumsi energi biosolar di Indonesia di masa depan, yang bertujuan untuk memberikan informasi dan memandu pengambilan kebijakan di sektor energi. Transisi ke sumber energi terbarukan sangat penting bagi pembangunan berkelanjutan, terutama di negara-negara berkembang seperti Indonesia, yang telah menunjukkan peningkatan minat terhadap energi biosolar. Metode penelitian ini menggunakan Penelitian Kuantitatif dengan pendekatan Regresi Linier dan Sarima. Kami menggunakan beberapa model ML, menggunakan Phyton yang menganalisis dengan Multiple Linear Regression, Lasso Regression, dan Sarima, untuk menganalisis data historis mengenai konsumsi energi, indikator ekonomi, perubahan demografi, dan kemajuan teknologi. Temuan kami menunjukkan bahwa model ml dapat secara efektif memprediksi tren konsumsi biosolar, menyoroti pengaruh pertumbuhan ekonomi, urbanisasi, dan inovasi teknologi terhadap adopsi energi terbarukan. Model-model tersebut menunjukkan adanya peningkatan konsumsi biosolar, didorong oleh insentif kebijakan, kemajuan teknologi, dan meningkatnya kesadaran akan isuisu lingkungan. Keakuratan prediksi ml bergantung pada ketersediaan dan kualitas data. Selain itu, proyeksi tersebut mungkin tidak memperhitungkan perubahan ekonomi atau teknologi yang tidak terduga. Penelitian di masa depan harus fokus pada penggabungan sumber data yang lebih dinamis dan mengeksplorasi dampak perubahan kebijakan terhadap penerapan energi terbarukan. Kesimpulannya, pemanfaatan pembelajaran mesin untuk proyeksi kebijakan menawarkan pendekatan yang menjanjikan untuk mendukung pertumbuhan konsumsi biosolar di Indonesia. Studi ini memberikan landasan untuk penelitian di masa depan dan menyoroti potensi ml dalam menyusun kebijakan energi yang terinformasi dan efektif.

---

This paper explores the application of machine learning (ML) techniques to project the future consumption of bio solar energy in indonesia, aiming to inform and guide policy decisions in the energy sector. The transition to re-newable energy sources is crucial for sustainable development, especially in emerging economies like indonesia, which has shown a growing interest in bio solar energy. This research method uses Quantitative Research with Linear Regression and Sarima approaches. We employed several ML models, using Phyton which analyse with Multiple Linear Regression, Lasso Regres- sion and Sarima, to analyze historical data on energy consumption, economic indicators, demographic changes, and technological advancements. Our findings indicate that ml models can effectively predict bio solar consumption trends, highlighting the influence of economic growth, urbanization, and technological innovation on renewable energy adoption. The models suggest an increasing trajectory in bio solar consumption, driven by policy incentives, technological advancements, and a growing awareness of environmental is- sues. The accuracy of ml predictions is contingent upon the availability and quality of data. Furthermore, the projections may not account for unforeseen economic or technological changes. Future research should focus on incor- porating more dynamic data sources and exploring the impact of policy changes on renewable energy adoption. In conclusion, leveraging machine learning for policy projection offers a promising approach to support the growth of bio solar consumption in indonesia. This study provides a foundation for future research and highlights the potential of ml in crafting informed, effective energy policies."

"Alat pemecah kulit kerang yang ada di Departemen Teknik Mesin Fakultas Teknik Universias Indonesia kurang efisien. Salah satu penyebab tidak efisiennya alat tersebut adalah getaran yang terjadi pada poros sangat besar. Getaran ini disebabkan oleh gaya ketidakseimbangan (unbalanced forced) pada poros. Gaya ketidakseimbangan yang terjadi pada poros adalah dynamic unbalanced force, dan untuk mengatasinya dapat menggunakan counter weight. Gaya unbalanced merupakan gaya sentrifugal dan untuk mengatasinya dibutuhkan counter weight yang berputar, sehingga menimbulkan gaya sentrifugal untuk melawan gaya unbalanced tersebut. Gaya unbalanced yang terjadi pada poros dapat diketahui besar dan arahnya dengan mengukur tegangan dan reganan yang terjadi pada poros tersebut. Salah satu alat untuk mengukur regangan pada poros adalah strain gage.Hasil pengukuran gaya unbalanced yang terjadi pada poros tersebut akan menjadi input desain counter weight. Dengan penggunaan counter weight maka gaya-gaya unbalanced yang terjadi pada poros dapat dikurangi, sehingga getaran pada poros akan semakin berkurang dan menambah efisiensi alat.

---

Oyster shell crusher that was built in Mechanical Engineering Departmen University of Indonesia is lack of efficiency. The lack of efficiency is caused by many things, such as vibration, fiction, the slope of the cone, etc. The vibration can occur when two thinks collide each other or when ihe shaft is unbalanced are unbalanced force happened in the shaft is dynamic unbalanced like unbalanced force is a centrifugal force. In order to solve the problems, it has ro be added by counter weigh that act as a spinning mass and caused a centrifugal force either.

The unbalanced force can be found by measuring stress and strain of the shaft Sensor to measure the stress and strain of the shaft is strain gage. Output of the measurement can be used as input to design counier weight. By using counter weight the unbalanced force can be reduced this the vibration will decrease and tne efficiency will increase."

"Pesatnya perkembangan teknologi disertai dengan tingkat penggunaannya membawa dampak positif di berbagai bidang kehidupan manusia, namun juga dapat membawa dampak negatif jika tidak didukung dengan tanggung jawab pengguna teknologi itu sendiri. Bidang telekomunikasi adalah salah satu bidang yang perkembangannya sangat dirasakan oleh manusia. Salah satu dari perkembangan telekomunikasi adalah lahirnya media sosial. Manusia menggunakan media sosial untuk berbagi informasi apapun kepada siapapun. Namun yang menjadi masalah kemudian adalah apakah informasi yang tersebar merupakan informasi yang nilai kebenarannya telah teruji atau hanya sebuah rumor. Rumor dapat saja mengakibatkan tersebarnya informasi yang salah di suatu golongan atau komunitas manusia. Adapun topik yang terkait pada tugas akhir ini adalah siak-ng yang menjadi trending topic di media sosial twitter. l. Mengidentifikasi rumor pada media sosial online sangat krusial nilainya karena mudahnya informasi yang disebar oleh sumber yang tidak jelas. Pada tugas akhir ini akan ditunjukkan salah satu cara pengidentifikasian rumor dengan menggunakan kalkulasi graph edit distance. Graph edit distance merupakan salah satu langkah yang paling cocok untuk menentukan persamaan antar grafik dan pengenalan pola jaringan kompleks. Untuk mencapai tujuan akhir, langkahlangkah yang dilakukan adalah pengambilan data, konversi data, pengolahan data, dan visualisasi. Dengan pengolahan data didapat Sembilan padanan kata antara Parent Node dan Child Node serta 3 kategori edge label. Pada akhirnya ditemukan bahwa rumor sistem siak-ng sedang mengalami load tinggi merupakan rumor yang nilai kebenarannya tinggi.

---

Rapid development of technology coupled with the utilizing bring positive impact in many areas of human life, but also have negative impacts if not supported with the responsibility of the users. Telecommunications is one area in which development is perceived by humans. One of the development of telecommunications is social media established.Humans use social media to share any information with anyone. However, the issue then is whether the spread of information is information whose truth value has been tested or just a rumor. Rumors will lead to the spread of false information in a group or people's community.

The topics related to this thesis is the SIAK-NG become trending topic on social media Twitter. Identifying online rumors on social media is crucial value because of the information ease spread by unverified sources.

At the end of this assignment will be demonstrated one way of identifying the rumor by using graph edit distance calculations. Graph edit distance is one of the most appropriate steps to determine the similarities between graphs and pattern recognition of complex networks. To achieve the ultimate goal, the steps taken are data retrieval, data conversion, data processing, and visualization. By data processing obtain nine words comparison between Parent node and Child Node with three edge label category. Finally, the tweet that said the system has high range of load was the true rumor."

"ABSTRAKIndeks kompleksitas produk merupakan indikator dari suatu produk manufaktur yang menggambarkan produk didesain serta diproduksi dengan tingkat kerumitan atau kompleksitas tertentu. Pada penelitian ini dilakukan penilaian kompleksitas produk dan kompleksitas proses pemesinan terhadap dies panel roof, Produk yang akan dipakai untuk penelitian adalah 3 bagian utama dari dies drawing, yaitu punch, blank holder dan upper die, karena 3 bagian ini yang paling berpengaruh dari dies drawing. Selanjutnya produk ini akan dianalisa seberapa besar perubahan nilai kompleksitas produk dan nilai kompleksitas proses pemesinannya apabila ada perubahan desain pada produk panel roofnya. Penilaian dilakukan terhadap variabel kompleksitas produk berdasarkan aspek feature dan spesifikasi produk yaitu shape, geometri, tolerance, kekasaran permukaan dan kekerasan. Metode yang digunakan adalah metode yang diperkenalkan oleh ElMaraghy dan Urbanic dimana penilaian dilakukan berdasarkan atas jumlah informasi, variasi informasi dan isi informasi suatu produk. Hasil penilaian kompleksitas produk dan kompleksitas proses pemesinan menunjukkan perubahan pada bagian punch dan upper-die sebesar 2% . Perubahan ini kurang signifikan (yaitu dibawah 5%). Sehingga perubahan ini diabaikan jadi perubahan desain dari panel roof ini tidak mempengaruhi nilai kompleksitas diesnya.

---

AbstractProduct complexity index is an indicator product of manufacturing that describe the products designed and manufactured with a level of complexity or specified complexity. In this study an assessment of product complexity and the complexity of the machining process of the panel roof dies product, product to be used for research are the three main parts of the drawing dies, further products will be analized how much the change in value of product complexity and complexity of the machining process if there are changes in product design panel. Assessment conducted on the variable complexity of the product dies based on aspects of the product features and specifications of shape, geometry, tolerance, surface roughness and hardness. The method used was introduced by ElMaraghy and Urbanic where the assessment is based on the amount of information, variety of information and the information content of a product. The results of assessment of the product complexity and the machining process complexity showed the same changes for punch also for upper-die as big as 2%. These changes are less significant (ie below 5%). So that this change is negligible so the changes of panel roof design does not affect the complexty of the dies."

"ABSTRAKDengan berkembangnya teknologi mikrofabrikasi, maka mendorong industri manufaktur untuk memproduksi part ? part berskala mikro dengan waktu yang cepat dan murah, seperti proses injection molding. Sehingga dibutuhkan suatu mold yang berskala mikro untuk mendukung proses produksi tersebut. Pada penelitian ini dilakukan pemesinan produk ?micro mold? dengan material steel ST41 dan Aluminium AA 1100 menggunakan micro milling pergerakan tiga axis. Model produk yang di machining berupa sculptured surface dan logo Android dengan raw material berbentuk kubus berdimensi panjang 3 mm. Program finishing yang digunakan pada pemesinan model sculptured surface adalah contour area menggunakan tool path parallel zig ? zag dengan depth per cut 12.5 μm dan step over 5μm serta dua layer pemesinan. Cutting tool yang digunakan operasi tersebut, ball nose end mill 0.1 mm carbide coated. Setelah proses machining selesai, dilakukan pengambilan foto hasil pemesinan dengan SEM ( Scanning Electron Microscope) sehingga terlihat lebih detil permukaan pemesinan dan di analisa permukaan hasil pemesinan berdasarkan kesesuaian dengan designed surface pada CAD model. Selain itu, dianalisa pula banyaknya cutter location point (CL point) sebanyak 32 CL point per millimeter pada lintasan pahat yang bergerak di tengah sculptured surface pada proses finishing dan analisa machining tolerance pada lintasan pahat operasi finishing dengan lebar tolerance band sebesar 1 mikrometer untuk besarya setiap intol dan outol tolerance curve. Hasil analisa machining tolerance, menyatakan bahwa cutter contact point ( CC point ) dari lintasan pahat tersebut masih berada di dalam tolerance band. Sehingga perencanaan machining menggunakan CAM software dengan cutting parameter yang terkait dapat di gunakan untuk micro ? machining.

---

AbstractThe technology development of micro fabrications is encouraging manufacturers to produce micro-scaled industrial parts with a fast and cheap production, such as injection molding process. So it takes a micro-scale mold to support the production process. This research discusses about the results of micromilling in micro ? mold manufacturing which is using ST41 steel and aluminum AA 1100 materials with three axis machining. The model machined products are sculptured surface and android logo with a cubical raw material with 3 mm dimension length. The sculptured surface finishing program is used contour area with parallel zig tool ? path. The cutting tools were used 0.1 mm ball nose end mill carbide coated. The SEM (Scanning Electron Microscope) photograph was taken after the machining process, therefore the machined surface can be examined more detailed. From the SEM photograph, the geometry comparison between CAD model and machined surface was done. The analysis of the cutter location point (CL ? point) density was done on the center line of sculptured surface in finishing operation. The result of experiment and analysis shows that the density of CL ? point on observed too ? path segment is 32 CL ? point per millimeter. The width of tolerance band is 1 micrometer for each intol and outol tolerance. For the machining tolerance analysis, all the cutter contact points ( CC ? point ) are inside the tolerance band. It is concluded that the tool ? path designing with CAM software and its cutting parameter are capable for micro machining process."

"Penelitian ini menganalisis akurasi peramalan permintaan produk barang konsumsi cepat (FMCG) menggunakan model Machine Learning, yaitu LSTM (Long Short-Term Memory) dan SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors), dengan data sekunder dari April 2021 hingga April 2024 yang terdiri dari 36 observasi bulanan. Variabel dependen adalah total penjualan, sementara variabel eksogen mencakup pengeluaran per kapita, adopsi produk, proporsi penjualan dari promosi, jumlah toko yang menjual produk, dan pangsa pasar produk. Hasil menunjukkan model LSTM memiliki akurasi lebih tinggi dalam memprediksi nilai penjualan dibandingkan SARIMAX, dengan nilai Mean Absolute Percentage Error (MAPE) yang lebih rendah pada sebagian besar sampel. Analisis korelasi mengungkapkan variabel jumlah toko yang menjual produk dan adopsi produk berpengaruh signifikan terhadap nilai penjualan dalam model LSTM, sedangkan SARIMAX unggul dalam menangkap pola musiman namun memiliki MAPE lebih tinggi. Penelitian ini menyarankan penggunaan model LSTM untuk data time series yang kompleks dan tidak stasioner, sementara SARIMAX lebih cocok untuk data dengan komponen musiman yang kuat. Pemilihan model harus mempertimbangkan karakteristik data dan tujuan analisis.

---

This study analyzes the forecasting accuracy of fast-moving consumer goods (FMCG) demand using Machine Learning models, namely LSTM (Long Short-Term Memory) and SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors), utilizing secondary data from April 2021 to April 2024 with a total of 36 monthly observations. The dependent variable is sales value, while the exogenous variables include spend per buyer, product penetration, promo % of value, the number of stores selling, and market share. The results indicate that the LSTM model has higher accuracy in predicting sales value compared to the SARIMAX model, with a lower Mean Absolute Percentage Error (MAPE) for most samples. Correlation analysis reveals that the variables number of stores selling and product penetration significantly influence sales value in the LSTM model, whereas SARIMAX excels in capturing seasonal patterns but has a higher MAPE. This study recommends using the LSTM model for complex and non-stationary time series data, while SARIMAX is more suitable for data with strong seasonal components. Model selection should consider the characteristics of the data and the objectives of the analysis."

"Analisis sentimen merupakan bagian dari data mining text mining , yaitu proses memahami, mengekstrak, dan mengolah data tekstual secara otomatis untuk mendapatkan informasi. Pada penelitian ini, analisis sentimen diterapkan pada salah satu media sosial, yaitu Twitter. Analisis sentimen tergolong sebagai masalah klasifikasi yang dapat diselesaikan menggunakan salah satu metode machine learning, yaitu Neural Network. Pada machine learning, data dibagi menjadi data pelatihan dan data pengujian yang berasal dari domain yang sama. Permasalahan utama pada penelitian ini adalah data pelatihan dan data pengujian berasal dari dua domain yang berbeda, sehingga perlu diterapkan pembelajaran lain selain machine learning. Masalah tersebut dapat diselesaikan dengan menggunakan transfer learning. Transfer learning merupakan suatu pembelajaran model yang dibangun oleh suatu data pelatihan dari suatu domain dan diuji oleh suatu data pengujian dari domain yang berbeda dari domain data pelatihan. Simulasi dalam penelitian ini menghasilkan suatu akurasi transfer learning dengan metode Neural Network yang nantinya akan diuji dengan fitur n-gram bi-gram dan tri-gram serta satu metode seleksi fitur, yaitu Extra-Trees Classifier. Dalam penelitian ini, nilai akurasi transfer learning tertinggi didapat saat hidden layer berjumlah satu. Sebagian besar nilai akurasi tertinggi didapat saat penggunaan 250 neuron pada hidden layer. Fungsi aktivasi ReLU dan tanh menghasilkan nilai akurasi yang lebih tinggi dibandingkan fungsi aktivasi logistic sigmoid. Penggunakan metode seleksi fitur dapat meningkatkan kinerja transfer learning sehingga nilai akurasinya lebih tinggi dibandingkan simulasi tanpa penggunaan metode seleksi fitur.

---

Sentiment analysis is a part of data mining text mining , which is the process of understanding, extracting, and processing textual data automatically to obtain information. In this research, sentiment analysis is applied to one social media called Twitter. Sentiment analysis is categorized as a classification problem that can be solved using one of machine learning methods, namely Neural Network. In machine learning, data is divided into training data and test data from the same domain.

The main problem in this research is training data and test data come from two different domains, so it is necessary to apply other learning beside machine learning. The problem can be solved by using transfer learning. Transfer learning is a model learning constructed by a training data from a domain and tested by a test data from a different domain from the training data domain. The simulation in this research resulted in an accuracy of learning transfer with Neural Network method which will be tested using n grams bi grams and tri grams and one feature selection method called Extra Trees Classifier.

In this research, the highest value of transfer learning accuracy is obtained when one hidden layer is used. Most of the highest accuracy values are obtained from the use of 250 neurons on the hidden layer. The activation function of ReLU and tanh yield a higher accuracy value than the logical activation function sigmoid . The use of feature selection method can improve the transfer learning performance so that the accuracy value is higher than simulation without the use of feature selection method."