Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
PT Pauwels Trafo merupakan salah satu perusahaan produsen transformer daya dimana pada awal berdirinya perusahaan ini, kegiatan merancang suatu transformer adalah dengan menggunakan alat bantu manual berupa meja gambar yang kemudian sistem desain tersebut berkembang menggunakan teknologi komputer dengan software Autocad 2D. Mulanya dengan menggunakan kedua hal diatas masih cukup efektif dalam merancang suatu produk. Tetapi seiring dengan permintaan dari pelanggan yang terus meningkat dan kemajuan teknologi yang cukup pesat, maka dibutuhkan perbaikan atau pengembangan (improvement) dari proses desain transformer. Perancangan sistem clamping transformer merupakan salah satu proses perancangan mekanikal transformer, dimana pada tahap desain ini dilakukan perubahan dan perbaikan sistem perancangan yaitu dengan otomatisasi perancangan konstruksi menggunakan analisa perhitungan kekuatan bahan. Dalam hal ini otomasi desain berbasis pada desain template model 3D menggunakan software Solidworks dengan aplikasi API (Aplication Programming Interface). Dengan perbaikan dan perubahan sistem perancangan diharapkan dalam desain transformer khususnya perancangan clamping transformer menjadi mudah dilakdan mengalami kenaikan nilai efesiensi sebesar 20%. Sehingga menghasilkan produk transformer yang optimal dari segi kekuatan clamping dan dapat memenuhi seluruh permintaan pelanggan produk transformer dan bersaing dengan kompetitor pabrikan transformer lainnya. ......PT Pauwels Trafo is one of transformer company in Indonesia. PT Pauwels Trafo using manual tool such as drawing table to design its transformer when it was founded. PT Pauwels Trafo improved its designing system by using computer technology named Autocad software. Using both drawing table and Autocad 2D to design a product were still effective at the beginning. But during the increasing of customer demand and innovation in technology, PT Pauwels Trafo needed to make some modification or improvement to design a transformer. Clamping system design of transformer is one of a mechanical transformer design process. At this level, transformer design system needs to make some changes and modification by automation construction design using mechanical calculation analytic. This automation design system based on 3D model of template design by using Solidworks software with API (Application Programming Interface). With all changes and modification in transformer design system, hopefully can force the mechanical design process especially the transformer clamping design to become more effective and efficient. By produce an effective and optimal transformer, PT Pauwels Trafo can afford all customer demand and also can compete with others transformer company.

Abstrak :
Additive Manufacturing (AM) adalah metode manufaktur yang menciptakan komponen dengan bentuk kompleks melalui penambahan material layer-by-layer. Meskipun memiliki banyak keuntungan, AM juga memiliki keterbatasan seperti ruang kerja terbatas, yang tergantung pada ukuran bed printer, dan orientasi pencetakan yang memerlukan optimasi untuk mencapai dimensi yang akurat dan mechanical properties dari komponen yang dicetak. Salah satu solusi untuk masalah ini adalah dengan membagi komponen menjadi dua atau lebih bagian untuk dicetak. Hal ini memerlukan perancangan sambungan untuk bagian yang dicetak, sehingga dapat dirakit kembali menjadi bentuk aslinya. Tujuan dari penelitian ini adalah untuk mengidentifikasi metode dan desain terbaik untuk sambungan tersebut. Desain sambungan dioptimasi menggunakan finite element analysis (FEA) untuk memastikan integritas struktural. Penelitian ini juga mengeksplorasi penggunaan Inventor API untuk mengotomatisasi pembuatan bentuk sambungan berdasarkan desain yang dioptimisasi. Hasil penelitian menunjukkan bahwa desain sambungan yang dioptimalkan memiliki nilai maksimum stress yang lebih tinggi namun tetap berada dalam area safety factor, yang memiliki arti desain dapat untuk digunakan dalam manufaktur komponen berukuran besar dalamadditive manufacturing (AM). ......Additive Manufacturing (AM) is a manufacturing method that creates components with complex shapes by adding material layer by layer. Despite its advantages, AM has limitations such as a restricted working envelope, which is dependent on the printer bed size, and variable printing orientation that requires optimization to achieve accurate dimensions and mechanical properties of the printed components. One solution to these issues is to divide the component into two or more parts for printing, allowing the final printed component to match the original design. This requires designing joints for the printed parts, enabling them to be reassembled into the original shape. The objective of this research is to identify the best methods and designs for these joints. The joint designs are optimized using Finite Element Analysis (FEA) to ensure structural integrity. The study also explores the use of Inventor API for automating the generation of joint shapes based on the optimized designs. Results indicate that the optimized joint designs exhibit higher maximum stress but remain within the safety factor area, confirming their suitability for use in manufacturing large dimensional parts in additive manufacturing (AM).

Abstrak :
Streaming adalah metode untuk mengonsumsi musik terpopuler saat ini. Layanan streaming musik dengan jumlah pengguna yang paling banyak, Spotify, menyediakan banyak informasi mengenai musik yang tersedia di platform tersebut, termasuk fitur audio. Fitur audio di Spotify merupakan deskripsi dari sebuah musik yang menjelaskan mengenai sebuah lagu seperti danceability, durasi, dan tempo. Fitur ini dapat diakses menggunakan application programming interface (API). Selain itu, Spotify juga menyediakan tangga lagu yang berisi 200 lagu yang paling banyak di stream dan diperbaharui setiap harinya. Dengan menggabungkan informasi mengenai fitur audio dan tangga lagu harian dari Spotify, penelitian ini akan melakukan analisis mengenai tren dari musik menggunakan metode runtun waktu. Pertama, akan dilakukan dekomposisi runtun waktu untuk mengekstraksi komponen tren dari musik. Kedua, akan dilakukan pemodelan menggunakan Vector Autoregressive (VAR) yang akan dilanjutkan dengan forecasting. Terakhir, hasil prediksi dari model VAR akan dibandingkan dengan nilai asli. Hasil dari penelitian menunjukkan bahwa model VAR memiliki kemampuan yang baik untuk memprediksi tren fitur audio di masa depan pada jangka waktu tertentu. ......Streaming is the most popular music consumption method of the current times. As the biggest streaming platform based on subscriber number, Spotify stores miscellaneous information regarding the music in the platform, including audio features. Spotify’s audio features are descriptions of songs features in form of variables such as danceability, duration, and tempo. These features are accessible via Application Programming Interface (API). On the other hand, Spotify also publishes their own charts consisting of 200 most streamed songs on the platform (based on regions) which are updated daily. By combining Spotify’s song charts and the songs’ respective audio features, this research conducted analysis on musical trends using time series modeling. First, the combined data is decomposed to extract the trend features. Second, a Vector Autoregressive (VAR) model is built and followed by forecasting of the audio features. Lastly, the performance of forecasted values and the actual observations is evaluated. As a result, this research has proven that musical trends can be forecasted in the future for a short period by using VAR model with relatively low error.

Abstrak :
Streaming adalah metode untuk mengonsumsi musik terpopuler saat ini. Layanan streaming musik dengan jumlah pengguna yang paling banyak, Spotify, menyediakan banyak informasi mengenai musik yang tersedia di platform tersebut, termasuk fitur audio. Fitur audio di Spotify merupakan deskripsi dari sebuah musik yang menjelaskan mengenai sebuah lagu seperti danceability, durasi, dan tempo. Fitur ini dapat diakses menggunakan application programming interface (API). Selain itu, Spotify juga menyediakan tangga lagu yang berisi 200 lagu yang paling banyak di stream dan diperbaharui setiap harinya. Dengan menggabungkan informasi mengenai fitur audio dan tangga lagu harian dari Spotify, penelitian ini akan melakukan analisis mengenai tren dari musik menggunakan metode runtun waktu. Pertama, akan dilakukan dekomposisi runtun waktu untuk mengekstraksi komponen tren dari musik. Kedua, akan dilakukan pemodelan menggunakan Vector Autoregressive (VAR) yang akan dilanjutkan dengan forecasting. Terakhir, hasil prediksi dari model VAR akan dibandingkan dengan nilai asli. Hasil dari penelitian menunjukkan bahwa model VAR memiliki kemampuan yang baik untuk memprediksi tren fitur audio di masa depan pada jangka waktu tertentu. ......Streaming is the most popular music consumption method of the current times. As the biggest streaming platform based on subscriber number, Spotify stores miscellaneous information regarding the music in the platform, including audio features. Spotify’s audio features are descriptions of songs features in form of variables such as danceability, duration, and tempo. These features are accessible via Application Programming Interface (API). On the other hand, Spotify also publishes their own charts consisting of 200 most streamed songs on the platform (based on regions) which are updated daily. By combining Spotify’s song charts and the songs’ respective audio features, this research conducted analysis on musical trends using time series modeling. First, the combined data is decomposed to extract the trend features. Second, a Vector Autoregressive (VAR) model is built and followed by forecasting of the audio features. Lastly, the performance of forecasted values and the actual observations is evaluated. As a result, this research has proven that musical trends can be forecasted in the future for a short period by using VAR model with relatively low error.

Abstrak :
Dengan berkembangnya pengetahuan di bidang teknologi, kegiatan belajar mengajar tidak hanya dapat dilakukan secara tatap muka. Kegiatan belajar mengajar ini dapat didukung dengan memanfaatkan suatu learning management system (LMS) berbasis web. LMS biasanya mampu untuk menyimpan video pemelajaran baik itu rekaman kelas maupun rekaman materi yang disampaikan oleh pengajar. Video pemelajaran pada LMS ini dapat diakses oleh semua orang termasuk para pelajar tunarungu. Video pemelajaran biasanya terdiri atas kumpulan gambar dan suara. Suara ini sulit didengar oleh penyandang tunarungu sehingga mereka mengalami kesulitan dalam memahami isi video pemelajaran. Untuk melawan keterbatasan pendengaran, penyandang tunarungu kerap menggunakan komunikasi total dalam keseharian mereka. Komunikasi total adalah komunikasi yang tidak hanya melibatkan mulut dan telinga namun juga mata, gerakan bibir, gerakan tangan, dan lain-lain. Untuk menghadirkan komunikasi total pada video pemelajaran, dibutuhkan suatu sistem yang dapat mengubah video menjadi gerakan animasi bahasa isyarat. Fasilkom UI telah mengembangkan modul untuk mengubah teks menjadi animasi bahasa isyarat. Dengan demikian, diperlukan suatu sistem yang dapat mengubah video menjadi teks. Pada penelitian ini, dikembangkan sistem pengubah video menjadi teks yang dapat diintegrasikan dengan LMS khususnya Moodle. Pada penelitian ini juga dibahas mengenai perbandingan dua model Automatic Speech Recogniton (ASR), yakni: Google Speech-to-Text dan Wav2Vec2-Large-XLSRIndonesian. Pada penelitian ini didapatkan kesimpulan bahwa pengembang dapat membuat sebuah modul aktivitas Moodle yang dapat diintegrasikan dengan LMS Moodle dan layanan lain di luar LMS. Tak hanya itu, berdasarkan hasil analisis yang dilakukan pada penelitian ini, model Google Speech-to-Text terbukti mampu memberikan rata-rata hasil transkripsi video pemelajaran yang lebih akurat dan lebih cepat daripada model Wav2Vec2-Large-XLSR-Indonesian. ......With the growth of technology, teaching and learning activities are no longer limited to classroom. Now teaching and learning activities can be supported by utilizing Learning Management System (LMS). LMS often have the feature to store recordings, be it class session recordings or learning materials video. These recordings could be accessed by anyone, from normal students to students with hearing impairment. These learning videos are composed of images and sounds. Students with hearing impairment would have trouble with hearing those sounds. To combat their hearing problems, students with hearing impairment would use total communication in their everyday lives. Total communication is a communication that not only involves the mouth and the ears, but also eyes, lips, hand movements, and so on. To bring this total communication into the video, a system that could convert the video into sign language animation is needed. Fasilkom UI have developed a system that could convert text into a sign language animation. And so, a system that could convert the video into a text. In this research a system that could convert video into text that could be integrated with LMS, especially Moodle, will be developed. This research also discusses the comparison between two Automatic Speech Recognition (ASR) models, one from Google, and one being a community-developed open-source project. This research managed to develop a Moodle activity module that could be integrated with the LMS itself and other remote services. And also, this research founds that, based on our analysis, the Google Speech-to-text model could give better and faster transcription results of the learning videos compared to Wav2Vec2-Large-XLSR-Indonesian model.

Abstrak :

Dengan berkembangnya pengetahuan di bidang teknologi, kegiatan belajar mengajar tidak hanya dapat dilakukan secara tatap muka. Kegiatan belajar mengajar ini dapat didukung dengan memanfaatkan suatu learning management system (LMS) berbasis web. LMS biasanya mampu untuk menyimpan video pemelajaran baik itu rekaman kelas maupun rekaman materi yang disampaikan oleh pengajar. Video pemelajaran pada LMS ini dapat diakses oleh semua orang termasuk para pelajar tunarungu. Video pemelajaran biasanya terdiri atas kumpulan gambar dan suara. Suara ini sulit didengar oleh penyandang tunarungu sehingga mereka mengalami kesulitan dalam memahami isi video pemelajaran. Untuk melawan keterbatasan pendengaran, penyandang tunarungu kerap menggunakan komunikasi total dalam keseharian mereka. Komunikasi total adalah komunikasi yang tidak hanya melibatkan mulut dan telinga namun juga mata, gerakan bibir, gerakan tangan, dan lain-lain. Untuk menghadirkan komunikasi total pada video pemelajaran, dibutuhkan suatu sistem yang dapat mengubah video menjadi gerakan animasi bahasa isyarat. Fasilkom UI telah mengembangkan modul untuk mengubah teks menjadi animasi bahasa isyarat. Dengan demikian, diperlukan suatu sistem yang dapat mengubah video menjadi teks. Pada penelitian ini, dikembangkan sistem pengubah video menjadi teks yang dapat diintegrasikan dengan LMS khususnya Moodle. Pada penelitian ini juga dibahas mengenai perbandingan dua model Automatic Speech Recogniton (ASR), yakni: Google Speech-to-Text dan Wav2Vec2-Large-XLSRIndonesian. Pada penelitian ini didapatkan kesimpulan bahwa pengembang dapat membuat sebuah modul aktivitas Moodle yang dapat diintegrasikan dengan LMS Moodle dan layanan lain di luar LMS. Tak hanya itu, berdasarkan hasil analisis yang dilakukan pada penelitian ini, model Google Speech-to-Text terbukti mampu memberikan rata-rata hasil transkripsi video pemelajaran yang lebih akurat dan lebih cepat daripada model Wav2Vec2-Large-XLSR-Indonesian. ......With the growth of technology, teaching and learning activities are no longer limited to classroom. Now teaching and learning activities can be supported by utilizing Learning Management System (LMS). LMS often have the feature to store recordings, be it class session recordings or learning materials video. These recordings could be accessed by anyone, from normal students to students with hearing impairment. These learning videos are composed of images and sounds. Students with hearing impairment would have trouble with hearing those sounds. To combat their hearing problems, students with hearing impairment would use total communication in their everyday lives. Total communication is a communication that not only involves the mouth and the ears, but also eyes, lips, hand movements, and so on. To bring this total communication into the video, a system that could convert the video into sign language animation is needed. Fasilkom UI have developed a system that could convert text into a sign language animation. And so, a system that could convert the video into a text. In this research a system that could convert video into text that could be integrated with LMS, especially Moodle, will be developed. This research also discusses the comparison between two Automatic Speech Recognition (ASR) models, one from Google, and one being a community-developed open-source project. This research managed to develop a Moodle activity module that could be integrated with the LMS itself and other remote services. And also, this research founds that, based on our analysis, the Google Speech-to-text model could give better and faster transcription results of the learning videos compared to Wav2Vec2-Large-XLSR-Indonesian model.