Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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%."

"Keberadaan lahan pertanian semakin hari semakin terancam karena adanya kebutuhan lahan untuk kegiatan manusia yang mendorong alih fungsi lahan. Kecamatan Karangtengah merupakan salah satu kecamatan dengan laju pertumbuhan penduduk terbesar kedua di Kabupaten Cianjur yaitu 2,3% dan berbatasan langsung dengan Kecamatan Cianjur yang merupakan inti (core) perkembangan kota di Kabupaten Cianjur. Faktor tersebut dapat mengancam alih fungsi lahan pertanian sawah di Kecamatan Karangtengah akibat adanya persaingan untuk memperoleh ruang untuk memenuhi berbagai kepentingan dan kebutuhan manusia. Penelitian ini bertujuan untuk menganalisis perubahan penggunaan lahan pertanian sawah tahun 2015, 2019, dan 2023 serta mengestimasi luas lahan pertanian sawah tahun 2031 di Kecamatan Karangtengah, Kabupaten Cianjur. Variabel yang digunakan pada penelitian ini adalah lereng, jarak dari jalan, jarak dari permukiman, jarak dari sungai, dan jarak dari pasar. Sedangkan Cellular Automata dan Artificial Neural Network dipilih sebagai metode untuk untuk mengestimasi luas lahan pertanian sawah pada tahun 2031. Hasil penelitian menunjukkan bahwa pada tahun 2015 hingga 2023 terus terjadi penurunan luas lahan pertanian sawah yang diiringi dengan peningkatan penggunaan lahan lainnya. Pada tahun 2031 lahan pertanian sawah di Kecamatan Karangtengah diestimasi juga akan mengalami penurunan dibandingkan pada tahun 2023 disertai adanya ketidaksesuaian LSD dan terjadi defisit beras di beberapa desa. Adapun faktor alih fungsi lahan sawah yang paling berpengaruh adalah jarak dari jalan dan jarak dari permukiman.

---

The existence of agricultural land is increasingly threatened day by day due to the need for land for human activities that drive land conversion. Karangtengah is one of the sub-districts with the second highest population growth rate in Cianjur Regency, which is 2.3 and directly adjacent to Cianjur Sub-district, the core of urban development in Cianjur Regency. These factors can endanger the conversion of paddy fields in Karangtengah Sub-district due to competition for space to meet various human interests and needs. The purpose of this research is to analyze the changes in paddy field agricultural land use in 2015, 2019, and 2023, as well as estimate the paddy field agricultural land area in 2031 in Karangtengah Sub-district, Cianjur Regency. The variables used in this study are slope, distance from roads, distance from settlements, distance from rivers, and distance from markets. Cellular Automata and Artificial Neural Network are chosen as the methods to estimate the paddy field agricultural land area in 2031. The research results show that from 2015 to 2023, there has been a continuous decrease in the area of paddy field agricultural land accompanied by an increase in the use of other types of land. In 2031, the paddy field agricultural land in Karangtengah Sub-district is also estimated to experience a decrease compared to 2023, along with a mismatch in rice self-sufficiency in several villages. The most influential factors in the conversion of paddy field land are the distance from roads and the distance from settlements."

"With rapid growth in the construction industry, Ready Mix Concrete (RMC) is playing a key role in offering customized quality of concrete to contractors and builders. The workability of concrete covers early age operations of concrete viz., placing, compaction and finishing. Since RMC is manufactured at a plant and transported to the construction site, hence the loss of workability is of prime concern due to the considerable time interval between mixing and placing of concrete. Workability of concrete measured using a slump test is an indicator to evaluate the life of RMC during its transportation phase and uniformity of concrete from batch to batch. The concrete mix proportions like cement, fly ash, coarse aggregates, fine aggregates, water and admixtures govern the workability or slump value of the concrete. Artificial Neural Networks (ANNs) learning from past examples gathered from RMC plant has been used to model the functional relationship between the input parameters and the slump value. The ANN model provided promising results compared to first order and second order regression techniques in modeling unknown and complex nature of relationships exhibited by the input parameters and the slump of concrete. The neural network synaptic weights which control the learning mechanism of ANN have been further used to compute the percentage relative importance of each constituent of RMC on the slump value."

"The objective of this study is to determine the solar energy potential in Indonesia using artificial neural networks (ANNs) method. In this study, the meteorological data during 2005 to 2009 collected from 3 cities (Jakarta, Manado, Bengkulu) are used for training the neural networks and the data from 1 city (Makasar) is used for testing the estimated values. The testing data were not used in the training of the network in order to give an indication of the performance of the system at unknown locations. Fifteen combinations of ANN models were developed and evaluated. The multi layer perceptron ANNs model, with 7 inputs variables (average temperature, average relative humidity, average sunshine duration, longitude, latitude, latitude, month of the year) are proposed to estimate the global solar irradiation as output. To evaluate the performance of ANN models, statistical error analysis in terms of mean absolute percentage error (MAPE), mean absolute bias error (MABE) and root mean square error (RMSE) are conducted for testing data. The best results of MAPE, MABE, RMSE are found to be 7.4%, 1.10 MJ/m2 and 0.17 MJ/m2 respectively as 7 neurons were set up in the hidden layer. The result demonstrates the capability of ANN model to generate the solar irradiation estimation in Indonesia."

"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."