Hasil Pencarian  ::  Simpan CSV :: Kembali

"Bahan bakar merupakan salah satu komponen yang paling penting dalam struktur biaya operasional sebuah moda transportasi. Tidak terkecuali pada industri penerbangan, dimana bahan bakar pesawat (Jet Fuel) turut berpartisipasi sebesar 33.33% dari total biaya operasional sebuah maskapai penerbangan. Guna meningkatkan efisiensi biaya, maskapai penerbangan memerlukan sistem monitoring harga bahan bakar yang dapat memberikan peramalan dengan akurat sebagai upaya agar maskapai dapat menentukan strategi yang dapat dijalankan untuk meminimalisir biaya bahan bakar pesawat. Dalam penelitian ini, dicoba beberapa teknik predictive analytics berbasis multivariate time series untuk melakukan monitoring dan peramalan terhadap harga transaksi bahan bakar pesawat. Agar lebih akurat, model peramalan dibuat dengan mempertimbangkan harga minyak mentah dunia, harga bahan bakar pesawat yang berlaku di dunia dan di setiap lokasi bandara, serta terdapat tambahan variabel yaitu aspek ekonomi yang berlaku di lokasi bandara. Metode yang digunakan adalah 2 metode pengembangan Recurrent Neural Network (RNN) yaitu: Long Short Term Memory (LSTM) dan Gate Recurrent Unit (GRU). Untuk meminimalkan risiko yang merupakan kekurangan dari LSTM dan GRU, maka kedua metode tersebut akan diintegrasikan dengan metode Vector Autoregression (VAR). Hasil dari kombinasi VAR-LSTM dan VAR-GRU menujukkan hasil dengan akurasi yang baik, yaitu 98.98% dan 99.40% secara berturut-turut.

---

Fuel cost is the most contributed component in the operational cost of all transportation modes. In the aviation industry, jet fuel cost contributed to a percentage of 33.33% of the total airline operational costs. To increase efficiency in operational costs and the airline should have jet fuel price monitoring systems that can forecast the future price and give some strategy recommendations to airlines. In this research, we propose many multivariate time series-based predictive analytics as a tool for the airline to monitor and forecast the jet fuel price transaction based on jet fuel transaction price. We consider the global crude oil price and also global and local jet fuel prices in each airport. We also consider additional variables for the economical aspect that applied differently for each airport location. We examine two Recurrent Neural Network (RNN) algorithm, Long Short Term Memory (LSTM) and Gate Recurrent Units (GRU). For minimizing the weakness of LSTM and GRU, we combine each methods with Vector Autoregression (VAR). After forecasting results using VAR-LSTM and VAR-GRU, we get forecasting accuracy of 98.98% and 99.40% respectively."

"Dalam sistem industri modern, dengan majunya teknologi Internet of Things (IoT), pelaku industri dapat merekam data mesin dan sistem untuk kemudian dianalisa secara lebih komprehensif. Salah satu bentuk analisa yang dapat dilakukan adalah mendeteksi apakah ada anomali dari mesin atau sistem tsb. Aktivitas ini kemudian menjadi krusial bagi pelaku industri karena berdasarkan analisa ini, jika ditemukan anomali, maka secara dini dapat diambil tindakan yang diperlukan untuk melakukan pemeliharaan. Tetapi, sangat umum bagi pelaku industri tidak memiliki atau kekurangan data anomali, terutama pada sistem yang baru beroperasi. Dalam tesis ini, kami mengembangkan sebuah model untuk mendeteksi anomali pada data yang tidak berimbang dari sistem Secure Water Treatment (SWaT). Performa dari model ini kemudian dibandingkan dengan metode lain dari riset sebelumnya, mendemonstrasikan peningkatan dalam kapabilitas mendeteksi anomali.

---

In modern industrial systems, particularly with the advancement of the Internet of Things (IoT), industry players can record machine and system data for comprehensive analysis. One such analysis involves detecting anomalies in machines or systems. This activity becomes crucial because, if an anomaly is found in the data, corrective actions can be taken promptly. However, it is common for manufacturers to lack recorded anomaly datasets, especially for newly operational systems. In this paper, we develop a model to detect anomalies in an imbalanced dataset from the Secure Water Treatment (SWaT) system. The performance of the proposed model is compared with previous works, demonstrating significant improvements in anomaly detection capabilities."