Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Perkembangan aplikasi poliarrilin (PANI), dalam pemanfaatannya sebagai komponen aktif pada baterei sekunder merupakan salah satu aplikasi yang penting. Susunan baterei sekunder ini terdiri dari PANI (elektroda positif), elektrolit dan logam Zn (elektroda negatif). PANI (Polianilin) yang digunakan berupa film yang merupakan hasil polimerisasi elektrokimia larutan 0,3M ;0,4M ; 0,5M dan 0,6M anilin dalam asam aqueous 1M HCL. Logam yang digunakan sebagai elektroda negatif adalah logam Zn (stag) sedang elektrolit dalam susunan sel tersebut adalah larutan 1M ZnC12 dalam H2O. Telah diperoleh tegangan terbuka sel 1,7 - 2,1v. Karakteristik charge-discharge dilakukan dengan tegangan konstan 1,4v. Kapasitas charge 125. X 104 V h/kg dan kapasitas discharge 26 56 x 104 V h/kg.

Abstrak :
Proses training model membutuhkan sumber daya komputasi yang akan terus meningkat seiring dengan bertambahnya jumlah data dan jumlah iterasi yang telah dicapai. Hal ini dapat menimbulkan masalah ketika proses training model dilakukan pada lingkungan komputasi yang berbagi sumber daya seperti pada infrastruktur komputasi berbasis klaster. Masalah yang ditimbulkan terutama terkait dengan efisiensi, konkurensi, dan tingkat utilisasi sumber daya komputasi. Persoalan efisiensi muncul ketika sumber daya komputasi telah tersedia, tetapi belum mencukupi untuk kebutuhan job pada antrian ter- atas. Akibatnya sumber daya komputasi tersebut menganggur. Penggunaan sumber daya tersebut menjadi tidak efisien karena terdapat kemungkinan sumber daya tersebut cukup untuk mengeksekusi job lain pada antrian. Selain itu, pada cluster computing juga mem- butuhkan sistem monitoring untuk mengawasi dan menganalisis penggunaan sumber daya pada klaster. Penelitian ini bertujuan untuk menemukan resource manager yang sesuai untuk digunakan pada klaster komputasi yang memiliki GPU agar dapat meningkatkan efisiensi, implementasi sistem monitoring yang dapat membantu analisis penggunaan sumber daya sekaligus monitoring proses komputasi yang sedang dijalankan pada klaster, dan melayani inference untuk model machine learning. Penelitian dilakukan dengan cara menjalankan eksperimen penggunaan Slurm dan Kubernetes. Hasil yang diperoleh adalah Slurm dapat memenuhi kebutuhan untuk job scheduling dan mengatur penggunaan GPU dan resources lainnya pada klaster dapat digunakan oleh banyak pengguna sekaligus. Sedangkan untuk sistem monitoring, sistem yang dipilih adalah Prometheus, Grafana, dan Open OnDemand. Sementara itu, sistem yang digunakan untuk inference model adalah Flask dan Docker. ...... The amount of computational power needed for the model training process will keep rising along with the volume of data and the number of successful iterations. When the model training process is conducted in computing environments that share resources, such as on cluster-based computing infrastructure, this might lead to issues. Efficiency, competition, and the level of resource use are the three key issues discussed.Efficiency problems occur when there are already computing resources available, yet they are insufficient to meet the demands of high-level workloads. The power of the machine is subsequently wasted. The utilization of such resources becomes inefficient because it’s possible that they would be adequate to complete other tasks on the front lines. A monitoring system is also necessary for cluster computing in order to track and assess how resources are used on clusters. The project seeks to set up a monitoring system that can assist in analyzing the usage of resources while monitoring the com- puting processes running on the cluster and locate a suitable resource manager to be utilized on a computing cluster that has a GPU in order to increase efficiency, also serve inference model in production. Slurm and Kubernetes experiments were used to conduct the investigation. The findings show that Slurm can handle the demands of job scheduling, manage the utilization of GPUs, and allow for concurrent use of other cluster resources. Prometheus, Grafana, and Open OnDemand are the chosen moni- toring systems. Else, inference model is using Flask and Docker as its system constructor.

Abstrak :
ABSTRAK
Tooth loss is considered a major end point sequela of preventable oral diseases. In Malaysia, tooth mortality is a common oral health problem. Objective: To assess the impact of tooth loss, preferences for tooth replacement, and the relationship between impact of tooth loss and number of missing teeth. Methods: This descriptive crosssectional survey involved 244 patients attending a primary health center and dental clinic at a public university. The respondents completed self administered questionnaires on personal background, tooth replacement status, impact of tooth loss using a 12 item modified Geriatric Oral Health Assessment Index (GOHAI), and preferences for tooth replacement. A dental examination was performed to determine the number of missing teeth. Results: The mean age of the respondents was 56.2 years (standard deviation (SD), 8.1 years). The mean number of missing teeth was 8.3; 62.7% of patients had at least 20 natural teeth. The majority were not wearing a dental prosthesis. The mean GOHAI score was 16.3. Of the patients, 66.0% experienced some food biting difficulty, 59.4% worried about oral health, and 57.8% experienced eating discomfort. Dental implants were the most preferred replacement option (38.9%). The GOHAI scores were not related to the number of missing teeth. Conclusion: Tooth loss and use of dental prostheses had some impact on quality of life, although the impact was not high.