Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKProgram Langit Biru Pertamina Unit Pengolahan VI Balongan adalah memproduksi bensin tanpa timbal yang dikenal dengan Super-TT 98. Langkah awal dalam memproduksi Super-TT 98 adalah melakukan running test dengan mengatur kondisi operasi pada Unit Catalytic Condensation agar spesifikasi produk Polygasoline dapat diarahkan menjadi spesifikasi Super-TT 98. Apabila hasil tersebut ditemui suatu limitasi atau hambatan dalam proses pembuatannya maka langkah selanjutnya adalah melakukan modifikasi peralatan pada Stabilizer C-103 dengan menarik produk cairan pada piringan atau tray tertentu yang sesuai dengan spesifikasi Super-TT 98. Keuntungan yang diperoleh jika melakukan modifikasi dibandingkan dengan melaksanakan hasil running test adalah dapat mengatasi limitasi/hambatan dan menekan kerugian sebesar US $9.196 per-hari. Berdasarkan pertimbangan kelayakan ekonomi menggunakan parameter Internal Rate of Return sebesar 220,8% diharapkan modifikasi ini layak untuk dilaksanakan

---

ABSTRACTBlue Sky Program of Pertamina Processing Unit 6 of Balongan is produce Unleaded Gasoline that recognized as Super-TT 98. The first step to produce Super-IT 98 is conduct running test with adjusting operation condition of Catalytic Condensation Unit in order that specification of Polygasoline product become Super-TT 98. if there are several limitations, however, the next step is making modification on Stabilizer C-103 equipment with pull out the liquid on certain tray that suitable with Super-TT 98 specification.Making modification have several advantages if compared with running test. The first is able to overcome limitations and the second is able to omit financial loss about US $9.196 per-day. Based on economic feasibility that use Internal Rate of Return about 220.8% this modification is feasible to implement"

"Efficiency energy and stream data mining on Wireless Sensor Networks (WSNs) are a very interesting issue to be discussed. Routing protocols technology and resource-aware can be done to improve energy efficiency. In this paper we try to merge routing protocol technology using routing Distance Vector and Resource-Aware (RA) framework on heterogeneity wireless sensor networks by combining sun-SPOT and Imote2 platform wireless sensor networks. RA perform resource monitoring process of the battery, memory and CPU load more optimally and efficiently. The process uses Light-Weight Clustering (LWC) and Light Weight Frequent Item (LWF). The results obtained that by adapting Resource-Aware in wireless sensor networks, the lifetime of wireless sensor improve up to ± 16.62%.

---

Efisiensi energi dan stream data mining pada Wireless Sensor Networks (WSN) adalah masalah yang sangat menarik untuk dibahas. Teknologi Routing Protocol dan Resource-Aware dapat dilakukan untuk meningkatkan efisiensi energi. Dalam penelitian ini peneliti mencoba untuk menggabungkan teknologi Routing Protocol menggunakan routing Distance Vector dan Resource-Aware (RA) framework pada Wireless Sensor Networks heterogen dengan menggabungkan sun-SPOT dan platform Imote2 Wireless Sensor Networks. RA melakukan proses pemantauan sumber daya dari memori, baterai, dan beban CPU lebih optimal dan efisien. Proses ini menggunakan Light-Weight Clustering (LWC) dan Light Weight Frequent Item (LWF). Hasil yang diperoleh bahwa dengan mengadaptasi Resource-Aware dalam Wireless Sensor Networks, masa pakai wireless sensor meningkatkan sampai ± 16,62%."

"Ketepatan waktu lulus mahasiswa memiliki dampak yang baik untuk perguruan tinggi dan mahasiswa itu sendiri. Kualitas perguruan tinggi dapat dilihat dengan persentase mahasiswa yang lulus tepat waktu. Selain itu, bagi mahasiswa ketepatan waktu lulus juga hal yang perlu diperhatikan jika ingin menerima beasiswa. Mahasiswa yang dapat dibilang tepat waktu lulusnya adalah mahasiswa yang berhasil lulus dari perguruan tinggi dengan masa waktu studi 3.5 sampai 4 tahun. Saat ini, belum terdapat Penelitian yang menggunakan data PDDikti untuk memprediksi ketepatan waktu lulus mahasiswa Universitas Indonesia. Selain itu, belum terdapat juga sistem berbasis website yang dapat melakukan prediksi ketepatan waktu lulus mahasiswa Universitas Indonesia dan visualisasi data terkait ketepatan waktu lulus mahasiswa dengan menggunakan data dari PDDikti. Penelitian ini akan membandingkan performa 4 model dalam 8 skenario berbeda. Penelitian berhasil menghasilkan model pembelajaran mesin untuk memprediksi ketepatan waktu lulus dan prediksi tahun kelulusan.Metrik yang digunakan pada performa kedua model adalah f1-score, dengan nilai akhir 92.75% untuk model prediksi ketepatan waktu lulus dan 88.86% untuk model prediksi tahun kelulusan. Di akhir, penelitian ini hanya memakai model prediksi tahun kelulusan yang dapat merepresentasikan prediksi ketepatan waktu lulus mahasiswa. Penelitian ini juga berhasil mengimplementasikan dua sistem berbasis website yaitu sistem prediksi ketepatan waktu lulus untuk mahasiswa dan prediksi ketepatan waktu lulus dashboard dosen yang dapat digunakan untuk melakukan prediksi ketepatan waktu lulus berdasarkan pemodelan machine learning, serta menyajikan visualisasi data berdasarkan data dari PDDikti. Visualisasi berhasil dilakukan dengan menggunakan line chart, pie chart, bar chart, dan geo chart.

---

The timely graduation of students has a positive impact on both the university and the students themselves. The quality of a university can be measured by the percentage of students who graduate on time. Additionally, for students, graduating on time is important if they want to receive scholarships. A student can be considered to have graduated on time if they successfully complete their studies at the university within a study period of 3.5 to 4 years. Currently, there is no research that utilizes PDDikti data to predict the timely graduation of students at the University of Indonesia. Furthermore, there is also no website-based system available that can predict the timely graduation of students at the University of Indonesia and visualize data related to the timely graduation using data from PDDikti. This research will compare the performance of four models in eight different scenarios. The research successfully produces a machine learning model to predict the timely graduation and the predicted year of graduation. The performance metric used for both models is the f1-score, with a final score of 92.75% for the timely graduation prediction model and 88.86% for the year of graduation prediction model. In the end, this research only utilizes the year of graduation prediction model, which can represent the prediction of timely graduation of students. The research also successfully implements two website-based systems, namely the timely graduation prediction system for students and the timely graduation prediction dashboard for faculty members, which can be used to predict the timely graduation based on machine learning modeling and provide data visualization based on PDDikti data. Visualization is successfully carried out using line charts, pie charts, bar charts, and geo charts."