Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kebutuhan energi untuk rumah tangga atau bangunan di Indonesia sedang tumbuh secara signifikan. Oleh karena itu, efisiensi energi dalam energi pendingin sangat dibutuhkan. Penelitian ini bertujuan untuk mengembangkan sistem kontrol yang dapat menentukan setpoint paling optimal untuk laju aliran air massa untuk meminimalkan energi dari sistem pendingin. Bangunan dimodelkan oleh perangkat lunak Sketchup dan energi pendingin dimodelkan dengan menggunakan teknik co-simulasi antara EnergyPlus dan Matlab melalui BCVTB (Building Controls Virtual Test). Menggunakan Artificial Neural Network (ANN) dan optimisasi Genetic Algorithm (GA) untuk membuat prediksi optimasi titik yang akurat. Penelitian ini mendapatkan penghematan konsumsi listrik chiller HVAC yang sudah menggunakan sistem part load terutama pada daya pompa chiller sebesar 67,675% penghematan dari kondisi aslinya.

---

Energy needs for households or buildings in Indonesia are growing significantly. Therefore, energy efficiency in cooling energy is needed. This study aims to develop a Control Algorithm that can determine the most optimal set point for the mass flow rate of air to drain energy from the cooling system. Buildings are modeled by Sketchup software and cooling energy is modeled using co-simulation techniques between EnergyPlus and Matlab through BCVTB (Building Controls Virtual Test). Use dynamic neural networks (ANN) and genetics algorithm (GA) optimization to make accurate point optimization predictions. This study found the saving of HVAC chiller electricity consumption that already use part load systems, especially on the power of the chiller pump by 67,675% savings from its original condition."

"ABSTRAKPemantauan getaran vibration monitoring merupakan metode yang masih digunakan sampai sekarang bahkan selalu berkembang dari waktu kewaktu. Metode ini sangat dibutuhkan di industri karena dengan metode ini dapat mengurangi biaya jika terjadi kerusakan pada mesin di industri serta dengan metode ini perawatan pada mesin lebih baik. Pada penelitian ini, telah dikembangkan sebuah sistem untuk mendeteksi kerusakan komponen pada mesin pompa air diantaranya komponen kapasitor, bearing dan impeller. Kerusakan dideteksi dengan mengambil data getaran menggunakan akselerometer MEMS. Data keluaran akselerometer diakuisisi dengan menggunakan mikrokomputer Raspberry Pi kemudian data tersebut diubah dalam bentuk Relative Power Ratio RPR dimana data dalam bentuk ini akan dipelajari oleh Artificial Neural Network ANN dengan begitu kerusakan dapat dideteksi dimana hasil pengujian kerusakan akan dikirim melalui pesan text menggunakan modul GSM. Hasil pengujian dari penelitian ini, dengan pembacaan kerusakan selama 10 kali dalam 10 menit, semua kasus kecuali kasus kapasitor rusak menghasilkan 100 sedangkan untuk kasus kapasitor rusak menghasilkan 90 akurasi kerusakan. Pengujian dilakukan pada mesin pompa air Shimizu PS-128 BT dan dilakukan di Universitas Indonesia.

---

ABSTRACTVibration monitoring is a method that is still used today even always evolving from time to time. This method is very needed in the industry because with this method can reduce the cost if there is damage to the machine in the industry as well as with this method of maintenance on the machine more better. In this research, a system has been developed to detect the damage of components in water pump machine such as capacitor, bearing and impeller . Damage detected by taking vibration data using MEMS accelerometer. The accelerometer output data is acquired using Raspberry Pi microcomputer then the data is converted in the form of Relative Power Ratio RPR where the data in this form will be studied by Artificial Neural Network ANN so detectable damage where the damage test result will be sent via text message using GSM module. Test results from this study, with a 10 times damage reading in 10 minutes, all cases except the case of defective capacitor yield 100 while for the case the defective capacitor yields 90 damage accuracy. The test was performed on the Shimizu PS 128 BT water pump machine and performed at the University of Indonesia."

"Makalah ini menjelaskan metode pelacakan objek bergerak berdasarkan prediksi 1 hingga 5 langkah di depan. Prediksi menggunakan jaringan syaraf tiruan dengan metode propagasi balik untuk melatih jaringan. Objek bergerak yang digunakan dalam percobaan adalah bola tenis meja kecil. Struktur JST memiliki enam neuron input dan lima neuron output dengan sepuluh neuron di lapisan tersembunyi. Menggunakan data 70 dari posisi pergerakan objek untuk pelatihan, dan 30 data untuk menguji prediksi posisi bola. Itu menunjukkan bahwa pelatihan ANN dapat mencapai berarti kesalahan persegi MSE sekecil 0,0091 untuk koordinat X dan 0,0012 untuk koordinat Y. Pada pengujian prediksi posisi bola, ditunjukkan bahwa metode dapat mencapai MSE sebesar 4,72 untuk koordinat X dan MSE sebesar 2,48 untuk koordinat Y.

---

This paper described a method of tracking a moving object based on 1 to 5 step ahead prediction. The prediction was using the artificial neural network with back propagation method for training the network. The moving object used in the experiments is a small table tennis ball. The ANN structures have six inputs neurons and five outputs neurons with ten neurons in the hidden layer. Using 70 data of the object movement positions for training, and 30 data for testing the prediction of the ball positions. It was shown that the training of the ANN can achieved means square error MSE as small as 0.0091 for the X coordinate and 0.0012 for the Y coordinate. At the ball position prediction testing, it was shown that the method can achieved the MSE of 4.72 for X coordinate and MSE of 2.48 for Y coordinate."

"ABSTRACTFinancial distress merupakan kondisi kesulitan keuangan yang pada umumnya dialami oleh perusahaan sebelum perusahaan tersebut dapat dinyatakan bangkrut. Dengan menggunakan laporan keuangan, kondisi tersebut pada dasarnya dapat diprediksi. Prediksi dari financial distress sangat berguna bagi manajemen perusahaan untuk melakukan tindakan korektif dalam antisipasinya menghadapi kebangkrutan. Model prediksi dari financial distress sendiri telah berkembang dari penggunaan statistik tradisional hingga artificial intelligence atau machine learning. Penelitian ini bertujuan untuk menganalisis model prediksi financial distress dengan menerapkan machine learning dan membandingkan tiga algoritma dari data mining yaitu decision tree, support vector machine, dan artificial neural network. Sampel dalam penelitian ini menggunakan 115 perusahaan distressed dan 115 perusahaan non-distressed yang aktif di Bursa Efek Indonesia selama periode 2011 hingga 2016 yang diteliti untuk dua tahun yaitu l-t dan t-1. Dalam penelitian ini, dari sebanyak 29 rasio keuangan akan dipilih rasio yang paling sesuai dengan menggunakan feature selection. Hasil dari penelitian menunjukkan bahwa algoritma decision tree dengan tingkat akurasi sebesar 86,37 untuk tahun l-t dan decision tree dengan tingkat akurasi sebesar 88,98 untuk tahun l t-1 memiliki tingkat akurasi yang paling tinggi dalam mengantisipasi financial distress di Indonesia.

---

ABSTRACTFinancial distress is a condition of financial difficulties that generally a firm would have first go through before the company can be declared bankrupt. By using financial statements, this condition basically could be predicted. Prediction of financial distress is very useful as it could help firms rsquo management to take corrective actions in anticipation of bankruptcy. The predictive model of financial distress itself has evolved from the use of traditional statistics to artificial intelligence or machine learning. This study aims to analyze financial distress prediction model by applying machine learning and comparing three algorithms from data mining namely decision tree, support vector machine, and artificial neural network. The sample in this study used 115 distressed companies and 115 non distressed companies active on the Indonesia Stock Exchange during the period 2011 to 2016 studied for two years ie t and t-1 . In this research, from 29 financial ratios will be selected the most appropriate ratios by using feature selection. The result of this research shows that decision tree algorithm with 86.37 accuracy for year t and decision tree with accuracy of 88.98 for year t-1 has the highest accuracy in anticipating financial distress in Indonesia. "

"Dewasa ini pengembangan teknologi penyimpanan gas Hidrogen sebagai energi tanpa emisi terus dilakukan, terutama sebagai bahan bakar kendaraan ringan. Penggunaan material Boron Triazine sebagai modifikasi Carbon Nano Tube CNT untuk menyimpan gas Hidrogen secara adsorpsi merupakan salah satu pilihan untuk meningkatkan kapasitas CNT dalam menyimpan gas Hidrogen dan ringan sehingga mengurangi berat sistem secara keseluruhan dalam tangki penyimpanan. Penelitian ini menggunakan 2 metode sebagai perbandingan yaitu metode simulasi dinamika molekul dengan struktur modifikasi CNT pada ruang penyebaran hidrogen VMD, Packmol, Lammps yang kemudian diikuti dengan analisa termodinamika molekuler, dan metode Artificial Neural Network dengan menggunakan MATLAB. Kedua metode ini dilakukan untuk mengetahui kapasitas CNT yang sudah dimodifikasi untuk menyimpan gas Hidrogen. Wt yang tinggi dimiliki oleh Boron-Triazin CNT dengan temperatur 77 Kelvin yaitu 7.81. Konversi penggunaan Hidrogen pada 1 CNT material Boron Triazin menjadi listrik sebesar 0.17182 kWh/kg.

---

Nowadays the development of storage technology for Hydrogen as energy without emissions continues to be done, especially as light vehicle fuel. The use of Boron Triazine material as a modified Carbon Nano Tube CNT to store Hydrogen by adsorption is one of options to increase CNT capacity in storing Hydrogen and also light weight thereby reducing the overall system weight in storage tanks. This research uses two methods as comparison which are molecular dynamics simulation method with CNT modification structure on hydrogen dispersion chamber VMD, Packmol, Lammps followed by molecular thermodynamic analysis, and Artificial Neural Network method using Matlab. Both methods are performed to determine the capacity of CNT that have been modified to store Hydrogen. Highest wt is owned to Boron Triazine CNT with temperature 77 Kelvin which is 7.81 . So conversion of Hydrogen usage on 1 CNT of Boron Triazin material into electricity is 0.17182 kWh kg."

"

Madu sangat bermanfaat untuk tubuh. Madu dijadikan obat alternatif oleh masyarakat dalam menyembuhkan berbagai jenis penyakit dikarenakan kandungan senyawa di dalamnya. Tingginya permintaan pasar dikarenakan meningkatnya konsumsi madu oleh masyarakat memberikan peluang kepada oknum-oknum tidak bertanggung jawab untuk memalsukan madu. Oleh sebab itu diperlukan suatu teknologi canggih yang bisa mendeteksi keaslian madu beserta klasifikasikasi dan sifatnya secara cepat dan akurat. Identifikasi dan klasifikasi madu dilakukan pada madu asli yang berasal dari lebah Apis sp. dan juga stingless bees serta madu palsu buatan yang dibuat dengan percampuran madu asli dengan penambahan air gula (Fruktosa) dan NaHCO_3.  Dalam melakukan identifikasi madu dengan metode Artificial Neural Network (ANNs) digunakan software berupa MATLAB. Metode Artificial Neural Network (ANNs) yang digunakan adalah alogaritma backpropagation dengan arsitektur jaringan multilayer. Hasil dari peneitian ini adalah pengidentifikasian madu menggunakan metode Artificial Neural Network untuk percobaan 2 kelas memiliki hasil tranning dan testing yang lebih tinggi dibandingkan dengan percobaan dengan 6 kelas. Hal tersebut disebabkan karena semakin banyak kelas maka jumlah data setiap kelas harus semakin banyak dan sama rata dikarenakan jumlah data mempengaruhi hasil tranning dan testing dari Artificial Neural Network.

 

---

Honey is very beneficial for body. It can be used as an alternative medicine by humans for curing various types of diseases due to the compound contained in honey. The high market demand due to increasing consumption of honey by consumers provides opportunities for unscrupulous individuals to falsify honey. In order to prevent consumers from fake honey, we need a sophisticated technology that can detect the authenticity of honey along with its classification and nature quickly and accurately. In this study, a method for identifying and classifying the authenticity of honey using Artificial Intelligence (AI), the type of artificial intelligence that is used in this study is Artificial Neural Network (ANNs). The identification and classification of honey is performed using honey Apis sp bees, stingless bees and fake honey. Fake honey is made by adding sugar (Fructose) and NaHCO₃ to the honey. For identifying honey with the Artificial Neural Network (ANNs) method, the author used MATLAB software. The Artificial Neural Network (ANNs) method used is a backpropagation algorithm with multilayer network architecture. The result of this research is the identification of honey using the Artificial Neural Network method for the 2-class experiment which has higher tranning and testing results compared with experiments with 6 classes. This is because the amount of data per class must be more and equal because the amount of data affects the results of tranning and testing of Artificial Neural Network.

"

"Demam Berdarah termasuk penyakit yang paling umum terjadi di negara tropis seperti Indonesia dan sering berakibat fatal dalam kesehatan. Prediksi dini terhadap jumlah kasus Demam Berdarah merupakan salah satu kunci untuk menanggulangi risiko penyebarannya dalam masyarakat dan dapat membantu pihak-pihak yang terkait seperti Dinas Kesehatan Daerah dalam membuat kebijakan dan rencana pencegahan. Pada tugas akhir ini, untuk angka insiden DBD diprediksi menggunakan metode Artificial Neural Network dengan dua algoritma berbeda untuk proses training ANN, yaitu Backpropagation (ANN-BP) dan Genetic Algorithm (ANN-GA). Penggunaan GA dalam training ANN bertujuan untuk membandingkan dengan BP yang cenderung tidak menemukan minimum global dari fungsi errornya. Variabel prediktor yang digunakan adalah jumlah insiden dan variabel cuaca sebelumnya yang terdiri dari temperatur, kelembapan, dan curah hujan. Variabel prediktor ditentukan dengan mencari time lag dari masing-masing variabel prediktor terhadap jumlah insiden menggunakan korelasi silang. Model yang dibentuk dievaluasi dengan Mean Squared Error, dan hasil prediksi dievaluasi menggunakan Mean Squared Error, Root Mean Squarred Error, dan Mean Absolut Error. Pada tugas akhir ini metode ANN-BP menghasilkan hasil prediksi jumlah insiden DBD kumulatif lebih baik dibandingkan metode ANN-GA pada kota madya Jakarta Pusat, Jakarta Selatan, dan Jakarta Utara, dengan selisih MSE berturut-turut 3,966; 50,162; 23,933; selisih RMSE masing-masing 0,232; 1,742; 1,304; dan selisih MAE masing-masing 0,496; 0,901; 0,734. Sedangkan pada Jakarta Barat dan Jakarta Timur metode ANN-GA menghasilkan hasil prediksi jumlah insiden DBD kumulatif lebih baik dibandingkan metode ANN-BP, dengan selisih MSE berturut-turut 16,915; 37,621; selisih RMSE masing-masing 0,484; 1,44; dan selisih MAE masing-masing 0,319; 0,739.

---

Dengue Fever is one of the most common diseases in tropical countries like Indonesia and is often fatal in health. Early prediction of the number of Dengue Fever cases is one of the keys to overcoming the risk of its spread in the community and can assist related parties such as the District Health Office in making policies and prevention plans. In this final project, the DHF incidence rate is predicted using the Artificial Neural Network method with two different algorithms for the ANN training process, namely Backpropagation (ANN-BP) and Genetic Algorithm (ANN-GA). The use of GA in ANN training aims to compare with BP which tends not to find a global minimum of its error function. The predictor variables used are the number of incidents and previous weather variables consisting of temperature, humidity, and rainfall. Predictor variables are determined by finding the time lag of each predictor variable to the number of incidents using cross correlation. The model formed was evaluated with Mean Squared Error, and the predicted results were evaluated using Mean Squared Error, Root Mean Squared Error, and Mean Absolute Error. In this final project, the ANN-BP method produces a prediction of cumulative DHF incidents that is better than the ANN-GA method in the cities of Central Jakarta, South Jakarta, and North Jakarta, with a MSE difference 3.966, 50.162, 23.933, respectively, the difference in RMSE each city is 0.232, 1.742, 1.304, respectively and the MAE difference 0.496, 0.901, 0.734, respectively. Whereas in West Jakarta and East Jakarta the ANN-GA method produces a better prediction of cumulative DHF incidents compared to the ANN-BP method, with a MSE difference 16.915, 37.621, respectively, the difference in RMSE each city is 0.484, 1.44, respectively, and the MAE difference of each city is 0.319, 0.739, respectively."

"Keberadaan COVID-19 di Indonesia saat ini bukanlah satu-satunya wabah penyakit yang harus diwaspadai. Menteri Kesehatan mengatakan ada penyakit yang tidak kalah  berbahaya dan juga tidak kalah mematikan dibandingkan dengan wabah penyakit COVID-19, yaitu Demam Berdarah Dengue. Penyakit ini sudah sepatutnya untuk diwaspadai mengingat jumlah kasusnya yang semakin meningkat dan melebihi jumlah kasus penyakit COVID-19. Faktor cuaca seperti curah hujan, temperatur, dan kelembapan merupakan faktor yang sangat berpengaruh dalam penyebaran parasit dan vektor penular DBD. Untuk mengoptimalkan upaya pencegahan dan penanganan DBD, perlu dilakukannya prediksi terkait jumlah insiden DBD. Dalam tugas akhir ini dilakukan proses prediksi jumlah insiden DBD di DKI Jakarta dengan memperhitungkan faktor iklim (curah hujan, kelembapan, dan temperatur) menggunakan metode Extreme Learning Machine dan metode Artificial Neural Network-Back Propagation serta membandingkan kinerja dari kedua metode tersebut.  Berbeda dari Artificial Neural Network-Back Propagation, Extreme Learning Machine tidak membutuhkan proses iterasi untuk update parameter. Dengan menggunakan data variabel cuaca dan data jumlah insiden DBD kumulatif, Extreme Learning Machine dapat memberikan hasil prediksi yang lebih akurat dibandingkan dengan  Artificial Neural Network - Back Propagation. Extreme Learning Machine dengan persentase data training sebesar 90% menunjukkan hasil prediksi yang lebih baik dibandingkan dengan persentase data training lainnya yang digunakan dalam tugas akhir ini yaitu sebesar 80% dan 70%.

---

The existence of COVID-19 currently in Indonesia is not the only disease which must be watched out. The Health Ministry has said that there was a disease that is as dangerous as COVID-19. That disease is Dengue Fever. Dengue Fever also must be given an extra caution because it is noted that until now the number of dengue cases continues to increase and exceeds COVID-19 cases. The weather factors, such as rainfall, temperature, and humidity, are a very influential factor in the spread of parasites and infectious vectors of dengue fever.  To optimize the dengue handling and prevention effort, it is important to make the dengue cases prediction.

In this final paper, the number of dengue incidences will be predicted by involving weather factors (rainfall, temperature, and humidity) using Extreme Learning Machine and Artificial Neural Network-Back Propagation and also comparing the both of their performance. Unlike the Artificial Neural Network-Back Propagation, Extreme Learning Machine does not need the iteration process to update the parameter.

The result shows that Extreme Learning Machine can give the dengue incidences prediction  which is more accurate than the dengue incidences prediction that is given by using Artificial Neural Network-Back Propagation. Extreme Learning Machine by using 90% training data can show the better prediction result than other training data percentage which is used in this final paper, 80% and 70%."

"Luasnya dampak negatif gangguan depresi terhadap kehidupan seseorang membawa urgensi akan pentingnya metode diagnosis yang akurat dan objektif agar bisa menerapkan langkah pengobatan yang cepat pada pasien yang depresi. Metode diagnosis gangguan depresi yang berbasis kuesioner atau wawancara berpotensi subyektif, karena pasien bisa saja tidak menceritakan dengan detail kondisi yang dialaminya. EEG dapat menjadi sarana alternatif untuk mencapai diagnosis yang akurat dan objektif tersebut. Sinyal EEG mengandung banyak fitur yang dapat diekstrak dengan mudah, contohnya Relative Power Ratio (RPR). Penelitian ini mengekstrak fitur RPR dari sinyal EEG dengan menggunakan dua metode, yaitu STFT (Short-Time Fourier Transform) dan PSD (Power Spectral Density) dari 14 elektroda EEG yang tersedia. Fitur RPR yang diekstrak akan direduksi menggunakan algoritma PCA (Principal Component Analysis) ke dalam dimensi yang lebih rendah dengan tetap mempertahankan variansi (informasi) fitur sebesar 90%. Model ANN (Artificial Neural Network) dengan jenis FNN (Feedforward Neural Network) digunakan untuk klasifikasi pasien yang sehat dengan yang depresi. Dampak dari algoritma PCA akan dilihat pada performa model FNN dan lama waktu pelatihan yang dibutuhkan model FNN. Performa model yang akan diukur adalah akurasi, sensitivitas dan spesifisitas. Performa model akan divalidasi menggunakan 10-Fold Validation yang dijalankan sebanyak 10 iterasi. PCA berhasil mereduksi dimensi fitur RPR sebesar 57.1% dengan metode PSD dan 57.1% dengan metode STFT. Akurasi tertinggi yang didapatkan model FNN adalah 69.5% ketika menerapkan algoritma PCA pada RPR metode PSD, dan 68% ketika menerapkan algoritma PCA pada fitur RPR metode STFT. Penerapan PCA pada fitur RPR menurunkan waktu pelatihan model sebesar 6.33% dengan metode PSD dan sebesar 42.56% dengan metode STFT. Performa model FNN lebih baik setelah penerapan PCA dibandingkan dengan menggunakan fitur RPR langsung ke dalam model FNN. Hal ini menunjukkan bahwa PCA memiliki potensi untuk menurunkan waktu pelatihan model FNN dengan tetap mempertahankan performa model FNN.

---

The extent of the negative impact of depressive disorder on a person’s life raises the urgency of the importance of an accurate and objective diagnostic method to quickly apply treatment steps for depressive patients. Diagnostic method that based on questionnaire and interview has the potential to be subjective, because the patient might be not fully explain his condition. EEG or Electroencephalography could be an alternative way to achieve the accurate and objective diagnostic. EEG signal has many features that can be extracted easily, for example the Relative Power Ratio. This research extracted RPR features from EEG signal by implementing two methods, STFT (Short-Time Fourier Transform) and PSD (Power Spectral Density) from 14 available EEG electrodes. The extracted RPR features will be reduced by using PCA algorithm to a lower dimension while still retaining 90% variance (information) from the features. ANN (Artificial Neural Network) with the type of FNN (Feedforward Neural Network) will be used to classify healthy patients with depressed patients. The effect of PCA algorithm will be seen on the FNN model’s performances and on the training duration of the FNN model. Model’s performances that will be measured are accuracy, sensitivity, and specificity. Model’s performances will be validated by using 10-Fold Validation which will be executed for 10 iterations. PCA managed to reduce 57.1% RPR features’ dimensions by using PSD method and 57.1% by using STFT method. The highest accuracy achieved by FNN model is 69.5% when implementing PCA algorithm to the RPR features from the PSD method, and 68% when implementing PCA algorithm to the RPR features from STFT method. The implementation of PCA to the RPR features managed to reduce 6.33% training duration of FNN model for the PSD method and 42.56% for the STFT method. Better FNN model’s performances are shown after the implementation of PCA algorithm compared to when using the RPR features directly to the FNN model. This shows that PCA has a potential of reducing the training duration of the FNN model while still retaining FNN model’s performances."

"Penelitian mengenai optimasi multiobjektif terhadap pertumbuhan populasi Synechococcus HS-9 telah dilakukan. Pada penelitian digunakan Synechococcus HS-9 yang merupakan koleksi dari Laboratorium Taksonomi Tumbuhan Departemen Biologi FMIPA UI, Depok. Penelitian bertujuan untuk mengetahui hasil simulasi hidrodinamika Synechococcus HS-9 pada program Computational Fluid Dynamics (CFD) dan mengetahui kondisi hidrodinamika yang optimum untuk pertumbuhan Synechococcus HS-9. Penelitian dilakukan dengan mensimulasikan photobioreactor dengan menggunakan program CFD. Penelitian juga melakukan optimasi untuk mengetahui kondisi optimum untuk pertumbuhan Synechococcus HS-9 menggunakan Artificial Neural Network (ANN). Hasil penelitian menunjukkan kondisi optimum untuk pertumbuhan Synechococcus HS-9 dicapai dengan kondisi, yaitu suhu (T) sebesar 30,30C; derajat keasaman (pH) sebesar 9,4; Dissolved oxygen (DO) sebesar 1,4 mg/l, oxidation reduction potential (ORP) sebesar 34,7 mV; intensitas cahaya (I) sebesar 291,2 µmol m-2s-1; turbulance eddy dissipasion (TED) sebesar 0,00135 m2s-2; dan turbulance kinetic energy (TKE) sebesar 0,000238 m2s-2.

---

Research on the Multiobjective Optimization of Synechococcus HS-9 Population Growth using Artificial Neural Network has been carried out. Research using Synechococcus HS-9, which is the collection of the Plant Taxonomy Laboratory, FMIPA UI, Depok. This research purposes are to find out the results of the hydrodynamic simulation of Synechococcus HS-9 in the Computational Fluid Dynamics (CFD) and to find out the optimum hydrodynamic conditions for the growth of Synechococcus HS-9. The research was conducted by simulating a photobioreactor using CFD program. The study also carried out optimization to determine the optimum conditions for the growth of Synechococcus HS-9 using Artificial Neural Network (ANN). The results showed that the optimum conditions for the growth of Synechococcus HS-9 were achived with the following conditions, i.e. Temperature (T) of 30.3 0C, acidity (pH) 9.4, dissolved oxygen (DO) 1.4 mg/l, oxidation reduction potential (ORP) sebesar 34.7 mV, intensity (I) 291.2 µmol m-2s-1, turbulance eddy dissipasion (TED) 0.00135 m2s-2 and turbulance kinetic energy (TKE) 0.00023872 m2s-2."