Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kereta hibrida merupakan kereta yang menggabungkan beberapa sumber energi dengan tujuan untuk meningkatkan efisiensi bahan bakar dan mengurangi emisi gas rumah kaca di kawasan minim infrastruktur jaringan distribusi listrik. Namun, jenis kereta ini memiliki tantangan dalam manajemen sumber energi agar biaya penggunaannya dapat diminimalkan. Maka dari itu, penelitian dilakukan untuk mengoptimalkan strategi manajemen energi atau yang biasa disebut dengan Energy Management System (EMS). Strategi manajemen energi pertama yang dikenalkan adalah Rule-Based dengan biaya komputasi yang kecil, namun belum optimal. Untuk mendapatkan hasil yang lebih optimal digunakan Model Predictive Control (MPC) yang terkenal sangat andal karena kemampuan prediksi, mampu menangani masalah yang kompleks, dan dapat disesuaikan secara real-time. Optimasi real-time dibatasi oleh waktu cuplik, sehingga optimasinya belum tentu sempurna. Maka, optimasi real-time dapat dikombinasikan dengan optimasi global yang dijalankan secara offline, salah satunya menggunakan strategi Pontryagin’s Minimum Principle (PMP) yang telah banyak digunakan oleh para peneliti karena waktu komputasinya yang cepat dan secara akurat dapat mempertimbangkan State of Charge (SOC) baterai agar tetap dalam range nominal. Penelitian ini bertujuan untuk mengembangkan strategi manajemen energi yang efisien untuk kereta hibrida, menggunakan Rule-Based Pontryagin’s Minimum Principle Model Predictive Control (RB-PMP-MPC). Pengujian dan evaluasi dilakukan dengan melakukan simulasi pada Matlab dan Simulink.

---

Hybrid trains combine multiple energy sources to improve fuel efficiency and reduce greenhouse gas emissions in areas with limited electrical distribution infrastructure. However, these trains face challenges in energy source management to minimize operational costs. Therefore, research is conducted to optimize energy management strategies, commonly known as the Energy Management System (EMS). The first introduced energy management strategy is Rule-Based, which has low computational costs but is not yet optimal. To achieve more optimal results, Model Predictive Control (MPC) is used, known for its high reliability due to its predictive capabilities, ability to handle complex problems, and real-time adaptability. Real-time optimization is limited by sampling time, so it may not be perfect. Therefore, real-time optimization can be combined with global optimization performed offline, one of which uses Pontryagin's Minimum Principle (PMP) strategy, widely used by researchers for its fast computation time and accurate consideration of the battery's State of Charge (SOC) to remain within the nominal range. This research aims to develop an efficient energy management strategy for hybrid trains using Rule-Based Pontryagin's Minimum Principle Model Predictive Control (RB-PMP-MPC). Testing and evaluation are conducted through simulations in Matlab and Simulink."

"Indonesia memiliki kekayaan warisan budaya yang berlimpah, salah satunya adalah aksara Pegon, sebuah modifikasi aksara Arab yang tumbuh dan berkembang pada zaman penyebaran agama Islam di Nusantara. Kekayaan tersebut tentu tak dapat dilepaskan pada keaktifan menulis para ulama sehingga terbentuklah kekayaan manuskrip Pegon yang kaya. Namun dikarenakan masyarakat Indonesia lebih paham aksara Latin, tidak banyak yang bisa membaca aksara Pegon, bahkan yang memahami aksara Arab pun belum tentu dapat mengerti Pegon. Oleh karena itu, dibutuhkan transliterasi antara aksara Pegon dan Latin. Penelitian ini berfokus pada peningkatan akurasi model transliterasi rule-based yang telah dikembangkan sebelumnya pada mata kuliah Proyek Perangkat Lunak (PPL) genap 2022/2023. Lalu, penelitian ini juga berfokus pada pengembangan transliterasi dengan model Naive Bayes berbasis tokenisasi bigram yang mengacu pada pedoman transliterasi Arab-Latin dari Kementerian Agama tahun 1987, Hasil Kongres Aksara Pegon 2022, dan SNI 9047:2023. Hasil uji coba model rule-based yang telah direvisi dengan perbaikan 15 rules dari total 87 rules menghasilkan akurasi 98.8%. Sedangkan model bigram yang telah dikembangkan menghasilkan akurasi 94%. Dua model tersebut terbukti memiliki hasil yang jauh lebih baik dibandingkan dengan model rule-based sebelumnya yang hanya memiliki akurasi 60% saja.

---

Indonesia is rich in cultural heritage, one of which is the Pegon script, a modification of the Arabic script that grew and developed during the spread of Islam in the archipelago. This wealth is undoubtedly linked to the writing activities of religious scholars, leading to the formation of a wealth of Pegon manuscripts. However, due to the Indonesian public’s better understanding of the Latin script, not many can read the Pegon script, and even those who understand the Arabic script may not necessarily understand Pegon. Therefore, a transliteration between the Pegon and Latin scripts is needed. This study focuses on improving the accuracy of a previously developed rule-based transliteration model in the Software Project (PPL) course in the even semester of 2022/2023. Then, this study also focuses on the development of transliteration with a Naive Bayes model based on bigram tokenization, referring to the Arabic-Latin transliteration guidelines from the Ministry of Religion in 1987, Kongres Aksara Pegon 2022 results, and SNI 9047:2023. The revised rule-based model, with corrections to 15 rules out of a total of 87, achieved an accuracy of 98.8%. Meanwhile, the developed bigram model achieved an accuracy of 94%. These two models have proven to yield much better results than the previous rule-based model, which only had an accuracy of 60%.

"

"Indonesia memiliki kekayaan warisan budaya yang berlimpah, salah satunya adalah aksara Pegon, sebuah modifikasi aksara Arab yang tumbuh dan berkembang pada zaman penyebaran agama Islam di Nusantara. Kekayaan tersebut tentu tak dapat dilepaskan pada keaktifan menulis para ulama sehingga terbentuklah kekayaan manuskrip Pegon yang kaya. Namun dikarenakan masyarakat Indonesia lebih paham aksara Latin, tidak banyak yang bisa membaca aksara Pegon, bahkan yang memahami aksara Arab pun belum tentu dapat mengerti Pegon. Oleh karena itu, dibutuhkan transliterasi antara aksara Pegon dan Latin. Penelitian ini berfokus pada peningkatan akurasi model transliterasi rule-based yang telah dikembangkan sebelumnya pada mata kuliah Proyek Perangkat Lunak (PPL) genap 2022/2023. Lalu, penelitian ini juga berfokus pada pengembangan transliterasi dengan model Naive Bayes berbasis tokenisasi bigram yang mengacu pada pedoman transliterasi Arab-Latin dari Kementerian Agama tahun 1987, Hasil Kongres Aksara Pegon 2022, dan SNI 9047:2023. Hasil uji coba model rule-based yang telah direvisi dengan perbaikan 15 rules dari total 87 rules menghasilkan akurasi 98.8%. Sedangkan model bigram yang telah dikembangkan menghasilkan akurasi 94%. Dua model tersebut terbukti memiliki hasil yang jauh lebih baik dibandingkan dengan model rule-based sebelumnya yang hanya memiliki akurasi 60% saja.

---

Indonesia is rich in cultural heritage, one of which is the Pegon script, a modification of the Arabic script that grew and developed during the spread of Islam in the archipelago. This wealth is undoubtedly linked to the writing activities of religious scholars, leading to the formation of a wealth of Pegon manuscripts. However, due to the Indonesian public’s better understanding of the Latin script, not many can read the Pegon script, and even those who understand the Arabic script may not necessarily understand Pegon. Therefore, a transliteration between the Pegon and Latin scripts is needed. This study focuses on improving the accuracy of a previously developed rule-based transliteration model in the Software Project (PPL) course in the even semester of 2022/2023. Then, this study also focuses on the development of transliteration with a Naive Bayes model based on bigram tokenization, referring to the Arabic-Latin transliteration guidelines from the Ministry of Religion in 1987, Kongres Aksara Pegon 2022 results, and SNI 9047:2023. The revised rule-based model, with corrections to 15 rules out of a total of 87, achieved an accuracy of 98.8%. Meanwhile, the developed bigram model achieved an accuracy of 94%. These

two models have proven to yield much better results than the previous rule-based model, which only had an accuracy of 60%.

"

"This book constitutes the refereed proceedings of the International RuleML Symposium, RuleML 2012, held in Montpellier, France, in August 2012 - collocated with the 20th biennial European Conference on Artificial Intelligence, ECAI 2012. The 14 full papers, 8 short papers and 2 track papers presented together with 2 keynote talks were carefully reviewed and selected from numerous submissions. The accepted papers address topics such as business rules and processes, rule-based event processing and reaction rules, rule-based policies and agents on the pragmatic web, rules and the semantic web, rule markup languages and rule interchange, and rule transformation, extraction and learning."

"Di dunia maritim sekarang, industri pembuatan kapal sangat kompetitif. untuk mengembangkan atau bahkan bertahan dalam persaingan pasar global, pembuat kapal perlu menemukan metode untuk memproduksi kapal secara efisien untuk memperbarui energi dalam bisnis pembuatan kapal dan menstabilkan biaya pembuatan kapal. Oleh karena itu, pengembangan metode baru seperti modul pembuatan kapal, desain optimisasi, dan konsep modularisasi diperlukan. makalah ini menyajikan pendekatan baru untuk desain sistem perpipaan pada ruang mesin di kapal berdasarkan konsep algoritma Berbasis Aturan. Karakteristik dari metode yang diusulkan adalah sebagai berikut: Pertama, Perhatian diberikan pada sistem perpipaan dari beberapa sistem perpipaan yang berbeda. kesamaan modul dan pengaturan dipertimbangkan dan biaya dan ukuran sistem perpipaan dan kesamaan. Kedua, proses desain sistem perpipaan akan dibagi menjadi dua tahap: definisi modul dan pengembangan desain. Ketiga, untuk mendefinisikan modul efektif yang dapat digunakan secara umum pada kapal yang berbeda, matriks struktur desain diadopsi. Dan keempat, Dalam perancangan pengembangan, sistem optimisasi dikembangkan menggunakan algoritma Rule Based untuk mendapatkan pola yang sama dalam pengembangan modul pada beberapa sistem perpipaan pada kapal dengan pertimbangan biaya dan kesamaan yang khusus. Studi ini membahas perincian metode yang diuraikan di atas. Selain itu, sistem perpipaan kapal dirancang menggunakan metode yang diusulkan dan efektivitasnya dievaluasi untuk mencapai efisiensi

---

In the maritime world now, the shipbuilding industry has been very competitive. to develop or even survive in global market competition, shipbuilders need to find methods to efficiently produce ships in order to renew energy in the shipbuilding business and stabilize shipbuilding costs. Therefore, the development of new methods like ship building modules, optimization design, and modularization concepts is necessary. This paper presents a new approach to the design of piping systems on engine room in ships based on the concept of Rule Based algorithms.

The characteristics of the proposed method are as follows:

First, Attention is given to piping systems from several different piping systems. similarity of modules and settings considered and costs and size of piping systems and similarities.

Second, the design process of the piping system will be divided into two stages: module definition and design development.

Third, to define effective modules that can be used in general on different ships, the design structure matrix is adopted.

And fourth, In the design of the development, the optimization system was developed using a Rule Based algorithm to obtain the same pattern in the development of modules on several piping systems on ships with special consideration of costs and similarities.

This study discusses the details of the method outlined above. In addition, the ship piping system is designed using the proposed method and its effectiveness is evaluated to achieve efficiency."

"Penggunaan huruf kapital merupakan aspek penting dalam menulis bahasa Indonesia yang baik dan benar. Aturan penggunaan huruf kapital dalam bahasa Indonesia telah dijelaskan dalam Pedoman Umum Ejaan Bahasa Indonesia (PUEBI) yang terdiri dari 23 aturan. Penelitian sebelumnya telah memulai mengembangkan pendeteksi dan pengoreksi kesalahan huruf kapital untuk bahasa Indonesia menggunakan pendekatan rule-based dengan kamus dan komponen Named Entity Recognition (NER). Namun, penelitian tersebut hanya mencakup 9 dari 23 aturan huruf kapital yang tercantum dalam PUEBI dan dataset uji yang digunakan tidak dipublikasikan sehingga tidak dapat digunakan untuk penelitian selanjutnya. Penelitian ini bertujuan untuk mengusulkan metode untuk mendeteksi dan mengoreksi 14 dari 23 aturan PUEBI menggunakan pendekatan yang mirip dengan penelitian sebelumnya. Model NER dikembangkan menggunakan pretrained language model IndoBERT yang dilakukan fine-tuning dengan dataset NER. Untuk menguji metode rule-based yang diusulkan, dibuat sebuah dataset sintesis yang terdiri dari 5.000 pasang kalimat. Setiap pasang terdiri dari kalimat benar secara aturan huruf kapital dan padanan kalimat salahnya. Kalimat salah dibuat dengan mengubah beberapa huruf kapital di kalimat yang awalnya benar. Sebelum dilakukan perbaikan terhadap kalimat yang salah, didapatkan akurasi sebesar 83,10%. Namun, setelah menggunakan metode ini, tingkat akurasi meningkat 12,35% menjadi 95,45%.

---

The correct use of capital letters plays a vital role in writing well-formed and accurate Indonesian sentences. Pedoman Umum Ejaan Bahasa Indonesia (PUEBI) provide a comprehensive set of 23 rules that explain how to use capital letters correctly. Previous research has attempted to develop a rule-based system to detect and correct capital letter errors in Indonesian text using dictionaries and Named Entity Recognition (NER). However, this study only covered 9 out of the 23 capital letter rules specified in PUEBI, and the test dataset used was not publicly available for further analysis. In this study, we aim to propose a method that can identify and rectify 14 out of the 23 PUEBI rules, following a similar approach to previous research. The NER model was trained using the IndoBERT pretrained language model and fine-tuned with a specific NER dataset. To evaluate the effectiveness of our rule-based method, we created a synthetic dataset comprising 5,000 sentence pairs. Each pair consists of a correctly capitalized sentence and an equivalent sentence with incorrect capitalization. Before applying our method, the baseline accuracy was 83.10%. However, after implementing our approach, the accuracy improved by 12.35% to reach 95.45%."

"This book constitutes the refereed proceedings of the 6th International Conference on Web Reasoning and Rule Systems, RR 2012, held in Vienna, Austria, in September 2012. The 27 revised research papers, presented together with 2 invited talks and 5 research summaries were carefully reviewed and selected from 42 submissions. The papers were organized in topical sections on technical communications, algorithms, design aspects of rule markup, design of ontology languages, engineering of engines, translators, and other tools, standardization efforts, such as the Rules Interchange Format activity at W3C, and applications."

"

Grammatical Error Correction (GEC) merupakan bagian dari Natural Language Processing yang membahas suatu task untuk mendeteksi dan setelahnya mengoreksi suatu teks. Pekerjaan tersebut mencakup pendeteksian dan pengoreksian kesalahan tata bahasa, kesalahan ortografi, dan semantik. Perkembangan GEC untuk bahasa Indonesia terkendala oleh sedikitnya dataset yang dapat digunakan untuk melatih model GEC. Penelitian ini mengusulkan pendekatan rule-based untuk membangun sebuah dataset sintetik yang mengandung kalimat salah secara tata bahasa baku bahasa Indonesia beserta koreksinya. Hal tersebut dapat dilakukan dengan memanfaatkan kamus tesaurus bahasa Indonesia dan alat bantuan NLP seperti tokenizer, part-of-speech tagger, morphological analyzer, dan dependency parser untuk mengekstrak informasi konteks dari kalimat. Kumpulan data sintetik dibangkitkan dengan menggunakan kalimat yang benar secara tata bahasa dari halaman0halaman situs Wikipedia sebagai kalimat input. Dataset ini menyediakan data dalam dua format yang berbeda, yaitu dalam format M2 dan dalam bentuk pasangan kalimat salah dan benar. Pembangkitan kesalahan tata bahasa akan memiliki 17 kemungkinan jenis kesalahan tata bahasa yang berbeda dengan total 16.898 kalimat salah yang dibentuk. Pengujian Gramatika dilakukan dengan melakukan evaluasi secara manual mengenai ketepatan pembangkitan tiap kesalahan pada kalimat. Pengujian manual dilakukan dengan melakukan stratified random sampling untuk mengambil sampel 100 kalimat. Sampel tersebut minimal memiliki 5 contoh untuk setiap jenis kesalahan tata bahasa. Dari pengevaluasian yang dilalukan oleh dua penguji, didapatkan nilai accuracy sebesar 91,1%.

---

Grammatical Error Correction (GEC) is a part of Natural Language Processing which deals with the task of detecting and correcting a text. This includes correcting grammatical errors, semantic errors, and orthographic errors. GEC development in Indonesian language has been hindered by the lack of suitable dataset that can be used to train GEC models. This research proposes a rule-based approach to develop a synthetic dataset that contains sentences in Indonesian with grammar errors and its corresponding corrections. It’s done with the help of dictionaries such as Indonesian thesaurus and NLP tools such as a tokenizer, part of speech tagger, morphological analyzer, and dependency parser to extract contextual information of sentences. The synthetic dataset is generated by using grammatically correct sentences from Wikipedia pages as the input. The resulting dataset is formatted to M2 format and pairs of correct and false sentences, containing 17 types of errors with a total of 16.898 sentences. The evaluation of Gramatika is done by manually assessing the accuracy of the sentence modifications. To do this, stratified random sampling is conducted to select 100 sentences with a minimum of 5 examples for each error type. From the manual evaluation by two evaluators, an average accuracy score of 91.1% is obtained.

"

"Grammatical Error Correction (GEC) merupakan bagian dari Natural Language Processing yang membahas suatu task untuk mendeteksi dan setelahnya mengoreksi suatu teks. Pekerjaan tersebut mencakup pendeteksian dan pengoreksian kesalahan tata bahasa, kesalahan ortografi, dan semantik. Perkembangan GEC untuk bahasa Indonesia terkendala oleh sedikitnya dataset yang dapat digunakan untuk melatih model GEC. Penelitian ini mengusulkan pendekatan rule-based untuk membangun sebuah dataset sintetik yang mengandung kalimat salah secara tata bahasa baku bahasa Indonesia beserta koreksinya. Hal tersebut dapat dilakukan dengan memanfaatkan kamus tesaurus bahasa Indonesia dan alat bantuan NLP seperti tokenizer, part-of-speech tagger, morphological analyzer, dan dependency parser untuk mengekstrak informasi konteks dari kalimat. Kumpulan data sintetik dibangkitkan dengan menggunakan kalimat yang benar secara tata bahasa dari halaman0halaman situs Wikipedia sebagai kalimat input. Dataset ini menyediakan data dalam dua format yang berbeda, yaitu dalam format M2 dan dalam bentuk pasangan kalimat salah dan benar. Pembangkitan kesalahan tata bahasa akan memiliki 17 kemungkinan jenis kesalahan tata bahasa yang berbeda dengan total 16.898 kalimat salah yang dibentuk. Pengujian Gramatika dilakukan dengan melakukan evaluasi secara manual mengenai ketepatan pembangkitan tiap kesalahan pada kalimat. Pengujian manual dilakukan dengan melakukan stratified random sampling untuk mengambil sampel 100 kalimat. Sampel tersebut minimal memiliki 5 contoh untuk setiap jenis kesalahan tata bahasa. Dari pengevaluasian yang dilalukan oleh dua penguji, didapatkan nilai accuracy sebesar 91,1%.

---

Grammatical Error Correction (GEC) is a part of Natural Language Processing which deals with the task of detecting and correcting a text. This includes correcting grammatical errors, semantic errors, and orthographic errors. GEC development in Indonesian language has been hindered by the lack of suitable dataset that can be used to train GEC models. This research proposes a rule-based approach to develop a synthetic dataset that contains sentences in Indonesian with grammar errors and its corresponding corrections. It’s done with the help of dictionaries such as Indonesian thesaurus and NLP tools such as a tokenizer, part of speech tagger, morphological analyzer, and dependency parser to extract contextual information of sentences. The synthetic dataset is generated by using grammatically correct sentences from Wikipedia pages as the input. The resulting dataset is formatted to M2 format and pairs of correct and false sentences, containing 17 types of errors with a total of 16.898 sentences. The evaluation of Gramatika is done by manually assessing the accuracy of the sentence modifications. To do this, stratified random sampling is conducted to select 100 sentences with a minimum of 5 examples for each error type. From the manual evaluation by two evaluators, an average accuracy score of 91.1% is obtained."

"Model faset STL merupakan salah satu format CAD yang sering dipakai dalam industri manufaktur, namun file STL tidak memiliki informasi hubungan bentuk atau topologi apapun terhadap fitur dari model tersebut. Dalam penelitian ini dikembangkan sebuah metode identifikasi fitur dan pengaplikasiannya dalam proses pembuatan toolpath dari model faset semi-open impeller. Dimulai dari membaca file STL, membuat struktur data, proses identifikasi fitur impeller, daerah ruang lingkup (bounded volume) hingga proses pembuatan toolpath secara otomatis menggunakan fitur tersebut. Metode yang dikembangkan telah diimplementasikan ke dalam program dalam bahasa C++ dan dapat mengidentifikasi berbagai fitur impeller seperti blade, shroud, hub dan lain-lain pada impeller dan menghasilkan toolpath secara otomatis.

---

STL file format is one of the most used CAD formats in manufacturing industry, but this format doesn’t contain any topological information about the relationships between features in it. This research developed a method to identify the features of semi-open impellers in such faceted models and to generate toolpath using that features. The method spans from reading the STL files, making data structure, identifying features, determining bounded volumes to generating toolpaths automatically using those features. The developed method is implemented to a program and able to reliably identify many features including blade, shroud, hub, etc of the impeller and able to generate toolpath automatically."