Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPada masa sekarang ini, teknologi semakin berkembang dan terus berkembang dengan cepat. Terutama kebutuhan adanya teknologi prediksi yang memerlukan pengembangan lebih dalam lagi sehingga dapat menghasilkan teknologi yang dapat memprediksi masa depan Multi-Step Ahead MSA secara lebih akurat. Salah satunya untuk teknologi prediksi peramalan cuaca sistem Chaos yang dapat membantu masyarakat dalam mempersiapkan aktifitas yang akan dilakukan. Penelitian ini melakukan simulasi percobaan penerapan Jaringan Saraf Tiruan berbasis Radial Basis Function RBF pada sistem prediksi data Chaos, data Lorenz dan data Mackey-Glass. Berdasarkan hasil percobaan dapat dilihat dari nilai bahwa penerapan jaringan saraf tiruan berbasis Radial Basis Function RBF memiliki tingkat keakuratan yang baik untuk memprediksi lebih dari 100 langkah kedepan.

---

ABSTRACT Recently, technologies have been growing and growing fast. Especially, the need of prediction technology that need to be developed more so that it could create a technology that is capable to predict the future Multi Step Ahead MSA more accurate. One of the applied field of this prediction method is for forecasting Chaotic System which help the society in order to prepare their activity that will be scheduled. This research performs simulation experiments in applying the Artificial Neural Network based on Radial Basis Function RBF of prediction system for chaotic data, Mackey Glass equation and Lorenz rsquo s system. As can be seen from the values of the experimental results, applying Artificial Neural Network based on Radial Basis Function results high accuracy for predicting more than 100 steps ahead. "

"Green building merupakan suatu konsep bangunan yang memperhatikan dampak suatu bangunan terhadap lingkungannya, sedangkan healthy building merupakan konsep yang berfokus pada dampak yang ditimbulkan dari suatu bangunan terhadap kesehatan penghuni di dalamnya. Pertimbangan terhadap aspek kelestarian lingkungan dan kesehatan manusia ini telah menjadi urgensi dalam proses perencanaan bangunan. Namun dengan adanya berbagai kinerja yang dilingkupi pada dua konsep bangunan tersebut, proses perencanaan green building dan healthy building cenderung membutuhkan proses perencanaan yang ekstensif, sehingga waktu perencanaan yang dibutuhkan menjadi lebih lama dibandingkan waktu perencanaan bangunan konvensional. Untuk mengatasi hal itu, penelitian ini bertujuan untuk mengembangkan suatu sistem prediksi berbasis pendekatan machine learning berbasis data yang diintegrasikan dengan Building Information Modeling (BIM). Kombinasi metode kuantitatif dan kualitatif melalui analisis arsip, benchmarking, studi kasus, validasi pakar, dan uji coba sistem digunakan untuk mencapai tujuan tersebut. Penelitian ini menghasilkan dua model machine learning dengan nilai akurasi yang terbaik untuk memprediksi kinerja green building dan healthy building dari desain suatu bangunan. Kedua model machine learning tersebut diintegrasikan ke dalam BIM agar dapat langsung diaplikasikan pada alur kerja proses perencanaan. Dengan sistem prediksi yang dikembangkan pada penelitian ini, efisiensi waktu perencanaan bangunan sebesar 20% dapat diperoleh melalui minimalisasi proses analisis kinerja bangunan untuk mewujudkan konsep green building dan healthy building.

---

Green building is a building concept that focuses on the impact of a building on its environment, while a healthy building pays more attention to the impact of a building on the health of the occupants. Considering these environmental sustainability and human health aspects has become urgent in the building planning process. However, with the various performances covered by the two building concepts, the planning process for green buildings and healthy buildings tends to require a relatively extensive process, affecting the length of time required for the planning process. This study aims to develop a prediction system based on a machine learning computational approach integrated into Building Information Modeling (BIM) to address this issue. The combination of quantitative and qualitative methods through literature review, benchmarking, case studies, expert validation, and system testing was used to achieve the research objectives. This research produces two machine learning models with the best level of accuracy for predicting the performance parameters of green buildings and healthy buildings from the conceptual design of a building. Both machine learning models are integrated into BIM to directly apply to the planning process workflow. With the prediction system proposed in this study, a time efficiency of 20% can be obtained from the building planning process by minimizing the building performance analysis process to implement green building and healthy building concepts. "

"Low- Level Wind Shear (LLWS) adalah fenomena yang mana arah dan atau kecepatan angin pada lapisan bawah atmosfer berubah secara drastis dan tiba-tiba. Fenomena ini cukup signifikan dalam dunia penerbangan karena sering menimbulkan kecelakaan pada pesawat terbang yang akan mendarat maupun lepas landas. Untuk mencegah dampak buruk yang dapat terjadi, LLWS perlu diprediksi kejadiannya. LLWS sangat sulit diprediksi karena kejadiannya yang mendadak dan terjadi cenderung dalam waktu singkat. Sampai saat ini, di Indonesia masih belum ada sistem yang berjalan secara operasional yang dapat memprediksi kejadian LLWS. Pada penelitian terdahulu, model prediksi yang digunakan memanfaatkan data dari peralatan pendeteksi LLWS. Kebanyakan dari penelitian tersebut memprediksi LLWS untuk beberapa langkah waktu terbatas periode pengukuran peralatan yang digunakan datanya tersebut. Sementara itu, kejadian LLWS dapat terjadi dalam durasi singkat namun terkadang juga kejadiannya dapat terjadi dalam durasi yang lama. Oleh karena itu, terkadang model yang digunakan tidak dapat mengakomodir beberapa kejadian LLWS yang durasinya lebih panjang daripada panjang kerangka waktu periode prediksi. Pada penelitian ini, diusulkan suatu sistem untuk memprediksi kejadian LLWS menggunakan model Machine Learning (ML). Sistem yang diusulkan pada penelitian ini dapat mengakomodir seluruh kemungkinan panjang durasi kejadian LLWS. Data yang digunakan adalah data jaringan anemometer dari LLWAS berupa arah dan kecepatan angin dalam bentuk data deret waktu. Model prediksi untuk rancangan sistem yang digunakan adalah Temporal Convolutional Network (TCN). Sebagai pembanding dari model yang diusulkan, digunakan juga Multi-Layer Perceptron (MLP) yang merupakan model prediksi yang paling banyak digunakan untuk memprediksi kejadian LLWS pada penelitian sebelumnya, regresi linear yang merupakan model regresi standar dan Long-Short Term Memory (LSTM) serta Gated Recurrect Unit (GRU) yang adalah model khusus data deret waktu yang umum digunakan. Hasil dari pengujian model didapatkan bahwa secara keseluruhan TCN dapat melampaui performa model pembandingnya baik dari segi prediksi kejadian maupun prediksi durasi. Nilai Root Mean Squared Error (RMSE) dari TCN dengan konfigurasi terbaiknya adalah 9.1 detik. Untuk akurasi, TCN dengan konfigurasi terbaiknya mendapatkan skor 0.93. Hasil ini menunjukkan bahwa rancangan sistem dengan model yang diusulkan dapat bekerja dengan baik dimana performanya dapat mengungguli model pembanding yang diujikan

---

Low-Level Wind Shear (LLWS) is a phenomenon in which the direction and/or speed of the wind in the lower layers of the atmosphere changes drastically and suddenly. This phenomenon is quite significant in the Aviation sector because it often causes accidents on landing or takeoff aircraft. To prevent the potentially harmful effect, LLWS needs to be predicted. LLWS is challenging to predict because its occurrence is sudden and tends to occur in a short time. Nowadays, in Indonesia, there is still no operating system that can predict LLWS events. In previous studies, the prediction model used utilized data from the LLWS detection equipment. Most of these studies predict LLWS for some time-limited time frame. Meanwhile, LLWS events sometimes occur in a short duration but sometimes also occur in a long duration. Therefore, sometimes the model used cannot accommodate some LLWS events whose duration is longer than the predicted timeframe. In this study, a system is proposed to predict LLWS events using a Machine Learning (ML) model. The system proposed in this study can accommodate all possible durations of LLWS events. The data used is anemometer network data from LLWAS in time-series wind direction and speed form. The prediction model for the system design used is the Temporal Convolutional Network (TCN). As criterion models, Multi-Layer Perceptron (MLP) is also used which is the most widely used predictive model to predict the incidence of LLWS in previous studies, linear regression which is a standard regression model, and Long-Short Term Memory (LSTM) and Gated Recurrent Unit (GRU) which is a model for time-series data which is commonly used. The experiment shows that overall TCN can exceed the performance of the criterion model bothin terms of occurrence prediction and duration prediction. The Root Mean Squared Error (RMSE) value of TCN with its best configuration is 9.1 seconds. For accuracy, the TCN with the best configuration gets a score of 0.93. These results indicate that the system design with the proposed model can work well where its performance can outperform the tested criterion models"