Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Tahun 2018, U.S Departemen Energi (DOE) memilih lokasi bagian northeast dari Milford, yang sedang mengembangkan metode EGS adalah Utah Frontier Observatory for Research Geothermal Energy (FORGE). Utah FORGE merupakan zona aliran panas tinggi yang masih bagian dari margin tenggara Cekungan Great. Diketahui terdapat dua struktur utama yang mengkontrol lokasi ini, yaitu patahan Negro Mag dengan orientasi E-W, Patahan Opal Mound (OMF) yang berorientasi NE-SW, dan sistem patahan MM yang berorientasi N-S. OMF memanjang sejauh ~5 Km berarah NE-SW, bercabang di bagian paling utara. Kunci untuk EGS merupakan rasio dari temperatur ke laju suatu aliran (atau produksi dan tingkatan injeksi) harus memberikan hasil pada kondisi ekonomi. Walaupun ekonomi dapat berubah seiring berjalannya waktu, namun temperatur dan ekonomik harus berhubungan untuk definisi sistem geothermal yang moderen. Pada penelitian ini data yang digunakan berupa termal data dan data mentah MT di daerah Utah FORGE, Milford. Data digunakan merupakan data primer bersifat open source yang berlokasi di Utah FORGE. Didapatkan pada penelitian ini sebagai berikut dengan nilai resistivitas tinggi serta peningkatan nilai resistivitas terhadap kedalaman bisa mengartikan bahwa terdapatnya heat source. Sedangkan resistivitas kecil dapat menampakan suatu clay cap dan juga reservoir. Pada kedalaman 1000 m dikatakan bahwa batuan tersebut tergolong sebagai batuan granitik dengan gamma ray yang nilainya lebih tinggi dari 150 dengan kisaran nilai densitas sebesar 2.65. Pada prediksi temperatur dengan kedalaman tersebut didapat pada well 56-32 107ºC, pada well 58-32 memiliki suhu sebesar 102ºC, dan pada well 78-32 101ºC. Pada kedalaman 3000 m merupakan granitik dengan nilai gamma ray lebih tinggi dari 150 dan kisaran nilai densitas 2.7 - 3.0. Prediksi temperatur pada kedalaman tesebut didapatkan pada well 56-32 246ºC, pada well 58-32 memiliki sebesar 253ºC, dan pada well 78-32 225ºC. ......In 2018, the U.S. Department of Energy (DOE) chose the location of the northeast part of Milford, which is developing the EGS method is the Utah Frontier Observatory for Research Geothermal Energy (FORGE). In maximizing its potential, further studies need to be carried out, not only on the surface, but below the surface. Utah FORGE is a high heat flow zone that is still part of the southeastern margin of the Great Basin. It is known that there are two main structures that control this location, namely the Negro Mag fault with an E-W orientation, the NE-SW oriented Opal Mound Fault (OMF), and the MM fault system oriented N-S. The OMF extends for ~5 Km in the NE-SW direction, branching off at the northernmost part. The key to EGS is that the ratio of temperature to flow rate (or production and injection rate) should yield results under economic conditions. Although economics can change over time, temperature and economics must relate to the modern definition of geothermal systems. In this study, the data used were thermal data and raw MT data in the Utah FORGE area, Milford. The data used is open source primary data located in Utah FORGE. Obtained in this study as follows with a high resistivity value and an increase in resistivity value to depth can mean that there is a heat source. While small resistivity can show a clay cap and also a reservoir. At a depth of 1000 m it is said that the rock is classified as a granitic rock with gamma ray values higher than 150 with a density value range of 2.65. In the temperature prediction with this depth obtained at well 56-32 107ºC, at well 58-32 has 102ºC, and at well 78-32 101ºC. At a depth of 3000 m it is granitic with gamma ray values higher than 150 and a density value range of 2.7- 3.0. Temperature predictions at this depth are obtained at well 56-32 246ºC, at well 58-32 has 253ºC, and at well 78-32 225ºC.

Abstrak :
ABSTRACT
Osteoartritis adalah penyakit sendi kronis pada tulang rawan yang sering terjadi pada orang berusia lanjut. Penyaki ini umumnya terjadi pada tulang rawan sendi lutut Orang berusia lanjut sering menyepelekan perasaan sakit di sekitar sendi mereka atau tidak menyadari bahwa mereka telah terkena osteoartritis lutut, sehingga penyakit osteoartritis lutut yang mereka alami menjadi semakin kronis. Menurut beberapa penelitian, melakukan tindakan sejak stadium dini dapat mencegah penyakit. Salah satu tindakan untuk mencegah osteoartritis lutut agar tidak semakin kronis adalah mendeteksi penyakit tersebut sejak dini, sehingga pasien osteoartritis lutut dapat mendapatkan pengobatan yang tepat dan dapat memperbaiki kehidupan mereka di masa yang akan datang. Pada penelitian ini, osteoartritis lutut dideteksi dengan mengklasifikasikan stadium pasien osteoartritis lutut menggunakan AdaBoost Support Vector Machine dan AdaBoost Decision Tree. Klasifikasi osteoartritis lutut menggunakan AdaBoost Support Vector Machine dibandingkan dengan klasifikasi oteoartritis lutut menggunakan AdaBoost Decision Tree berdasarkan nilai akurasi klasifikasi yang dihasilkan dari kedua metode tersebut.

---

ABSTRACT
Osteoarthritis is a chronic joint disease of cartilage that often occurs in elderly people. One of the joints that can be infected is the knee. Older people often underestimate painful feeling around their joint or do not realize that they have been affected by knee osteoarthritis, so the knee osteoarthritis disease becomes more chronic. According to some studies, preventive measure from an early stage are very crucial to overcome the disease. One of the preventive measure to overcome knee osteoarthritis is to detect the current stage of the disease, so the knee osteoarthritis patient can have the right treatment and can improve their lives in the future. In this research, knee osteoarthritis was detected by classifying the stage of knee osteoarthritis patients by using AdaBoost Support Vector Machine and AdaBoost Decision Tree. The classification of knee osteoarthritis using AdaBoost Support Vector Machine was compared with the classification of knee osteoarthritis using AdaBoost Decision Tree based on the classification accuracy value generated from both methods.

Abstrak :
Kanker otak adalah pertumbuhan sel-sel abnormal di organ otak yang bersifat ganas. Salah satu cara untuk mengurangi perkembangan penyakit ini adalah melakukan pendeteksian dini menggunakan machine learning. Metode machine learning yang digunakan adalah AdaBoost Support Vector Machines untuk klasifikasi. AdaBoost Support Vector Machines adalah metode ensemble antara AdaBoost dengan base classifier Support Vector Machines. Data kanker otak direpresentasikan dalam bentuk matriks berupa ekspresi gen yang disebut DNA microarray. Data DNA microarray yang berdimensi tinggi akan direduksi dengan pemilihan fitur Signal-to-noise Ratio. Pemilihan fitur bekerja untuk menemukan fitur-fitur yang informatif dan membuang fitur-fitur yang tidak sesuai. Pertama, data diklasifikasi menggunakan AdaBoost Support Vector Machines tanpa pemilihan fitur, dilanjutkan klasifikasi menggunakan AdaBoost Support Vector Machines dengan pemilihan fitur. Pendekatan one vs one digunakan untuk menyelesaikan masalah multi kelas. Setelah melakukan pengujian, hasil akurasi terbaik adalah 91,111 pada data training 90 dengan menggunakan pemilihan fitur sebanyak 60 fitur. Hasil tersebut lebih baik dibandingkan klasifikasi tanpa pemilihan fitur yaitu 86,667 pada data training 90. ......Brain cancer is the growth of abnormal cells in the brain organ malignantly. One way to reduce the progression of this disease is to do early detection using machine learning. Machine learning method used is AdaBoost Support Vector Machines for classification. AdaBoost Support Vector Machines is an ensemble method between AdaBoost and base classifier Support Vector Machines. Brain cancer data is represented in the form of matrix of gene expression called DNA microarray. The high dimensional DNA microarray data will be reduced by Signal to noise Ratio feature selection. Feature selection works to find informative features and discard irrelevant features. Firts, the data is classified using AdaBoost Support Vector Machines without feature selection, further classified using AdaBoost Support Vector Machines with feature selection. The one vs one approach is used to solve multi class problems. After testing, the best accuracy result is 91,111 in 90 training data by using feature selection of 60 features. The result is better than the classification without feature selection that is 86,667 in 90 data training.

Abstrak :
Denial of Service adalah salah satu serangan siber yang dapat mengakibatkan gangguan layanan dan kerugian finansial. Akibat dari serangan DoS tentunya akan memberikan dampak buruk dan sangat merugikan. Untuk dapat menanggulangi dan meminimalisir dampak serangan DoS, dirancanglah sebuah sistem deteksi serangan DoS dan klasifikasi serangan yang terjadi menggunakan machine learning. Pada penelitian ini, akan dilakukan perancangan sistem deteksi serangan DOS melalui pengumpulan traffic data yang dikumpulkan oleh Wireshark dan dikonversi menggunakan CICFlowMeter. Serangan DoS dilancarkan oleh GoldenEye, HULK, dan SlowHTTPTest. Pengklasifikasian diterapkan pada salah satu dataset pada CICIDS2017, menggunakan algoritma Random Forest, AdaBoost, dan Multi-layer Perceptron. Hasil akurasi klasifikasi tertinggi adalah Random Forest sebesar 99,68%, hasil rata-rata Cross-Validation tertinggi juga dipegang oleh Random Forest sebesar 99,67%, dan untuk perbandingan performa antara hasil algoritma yang dilakukan oleh penulis dan paper konferensi DDOS Attack Identification using Machine Learning Techniques yang menjadi acuan, hasil yang paling mendekati adalah Random Forest dengan besar yang sama. ......Denial of Service is a cyberattack that can result in service disruption and financial loss. The consequences of a DoS attack will certainly have a bad and very detrimental impact. To be able to overcome and minimize the impact of DoS attacks, a DoS attack detection system and classification of attacks that occur using machine learning was designed. In this research, a DOS attack detection system will be designed by collecting traffic data collected by Wireshark and converted using CICFlowMeter. DoS attacks were launched by GoldenEye, HULK, and SlowHTTPTest. Classification was applied to one of the datasets in CICIDS2017, using the Random Forest, AdaBoost, and Multi-layer Perceptron algorithms. The highest classification accuracy result is Random Forest at 99.68%, the highest average Cross-Validation result is also held by Random Forest at 99.67%, and for performance comparison between the algorithm results carried out by the author and the conference paper DDOS Attack Identification using Machine Learning Techniques are the reference, the closest result is Random Forest with the same size.