Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kualitas air Sungai Bengawan Solo saat ini tidak memenuhi baku mutu yang berlaku sehingga berpotensi menimbulkan dampak kesehatan dan ekonomi bagi masyarakat. Untuk mengantisipasi hal tersebut, penelitian ini bertujuan membangun model prediksi terhadap delapan parameter utama kualitas air, yaitu total fosfat, pH, DO, COD, BOD, TSS, nitrat, dan bakteri koli tinja. Dua metode yang digunakan adalah Random Forest dan XGBoost, dengan dua skenario: skenario awal menggunakan seluruh parameter sebagai input, dan skenario kedua menggunakan parameter terpilih berdasarkan analisis interpretabilitas SHAP. Hasil evaluasi menunjukkan bahwa model dengan parameter terpilih menghasilkan prediksi yang lebih akurat. Secara umum, Random Forest menunjukkan performa lebih baik dibandingkan XGBoost, kecuali pada parameter total fosfat dan bakteri koli tinja. XGBoost lebih mampu menangkap pola interaksi kompleks, namun Random Forest memberikan hasil yang lebih stabil dan akurat secara keseluruhan. Temuan ini mendukung literatur sebelumnya yang menekankan pentingnya pemilihan fitur dalam meningkatkan kinerja model prediksi kualitas air secara jangka panjang. Selain itu, analisis SHAP juga mengungkap bahwa total fosfat merupakan parameter kunci yang memengaruhi banyak parameter lainnya sehingga perlu mendapat perhatian lebih dalam pengelolaan kualitas air sungai.

---

The water quality of the Bengawan Solo River currently does not meet established quality standards, potentially leading to adverse health and economic impacts for local communities. To address this issue, this study aims to develop a predictive model for eight key water quality parameters: total phosphate, pH, DO, COD, BOD, TSS, nitrate, and fecal coliform bacteria. Two methods are employed: Random Forest and XGBoost, under two scenarios. The first utilizing all parameters as input, and the second using selected parameters based on SHAP interpretability analysis. The evaluation results indicate that the model using selected parameters yields more accurate predictions. Overall, Random Forest outperforms XGBoost, except in predicting total phosphate and fecal coliform, where XGBoost shows better results. While XGBoost is more effective in capturing complex interaction patterns, Random Forest delivers more stable and accurate predictions overall. These findings reinforce previous literature emphasizing the importance of feature selection in enhancing the long-term performance of water quality prediction models. Furthermore, the SHAP analysis highlights total phosphate as a key parameter influencing several others, underscoring the need for greater attention to its management in river water quality monitoring.

"

"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."