Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPengendalian emisi gas buang mesin diesel (terutama smooke) sangat dipengaruhi dengan cara kerja pengendalian bahan bakar dalam pampa injeksL Salah satu perangkat pengendalian ternebut adalah governor. Dalam penelitian ini digunakan perangkat injection pump test skala laboratorium untuk mengctahui karakteristik pemompaan bahan bakar sebagai fungsi dari putaran dan pembukaan throttle. Tekanan injeksi maks. (160 bar) akan turun menjadi sekitar antara 15-40 bar pada rack setting antara 50-20 mm untuk putaran antara 1100 l800 rpm. Karakteristik governor berbentuk ekponensial sebagai fungsi dari pularan dan pembukaan throttle."

"Skripsi ini membahas tentang pengambilan keputusan untuk memilih alternatif pengganti lay out machine dan checking fixture. Kriteria dan sub kriteria pemilihan alat pengganti ditentukan berdasarkan fungsi dari alat tersebut. Dengan menggunakan metode AHP (analytic hierarchy process) kriteria dan sun kriteria disusun ke dalam hirarki kemudian dihitung bobot dari alternatif. Hasil akhir penelitian berupa alat yang tepat sebagai pengganti dan annual cost saving dari penggunaan alat tersebut. Alternatif dengan prioritas tertinggi menjadi pertimbangan dalam pengambilan keputusan.

---

The focus of this study is the decision making process to choose lay out the machine andchecking fixture. The criteria and sub criteria for the selection of replacementequipment is determined based on the function of the tool. By using the method of AHP (analytic hierarchy process) criteria and sub criteria organized into a hierarchy and then calculated the weight of the alternative. The final results of the research are the right tools in place and the annual cost savings from use of the tool. Alternatives with the highest priority consideration in the decision."

"ABSTRAKGovernor diperlukan pada mesin diesel untuk mengatur jumlah bahan bakar yang akan disuplai ke dalam mesin agar sesuai dengan daya yang diperlukan pada tingkat kecepatan mesin pada saat itu. Agar karakteristik governor yang sebenarnya (yang riil) dapat diketahui, untuk itu dilakukan suatu percobaan pada injection pump tester tipe INP-1-1000 Ogawa Seiki.Dalam tugas akhir ini, dilakukan analisa atas (1) jumlah bahan bakar yang keluar, (2) posisi rack governor dan (3) tekanan bahan bakar, yang semuanya berdasarkan data (1) putaran pompa dan (2) posisi throttle.Hasil dari penelitian ini, didapat hubungan antara putaran pompa dan posisi throttle dengan jumlah bahan bakar, posisi rack governor dan tekanan bahan bakar. Hubungan itu ditampilkan dalam bentuk grafik unjuk kerja. Salah satu kesimpulan yang didapat dalam penelitian ini tekanan pompa yang cukup stabil, yaitu +160 kg/cm2, mulai didapat putaran pompa sekita 400 rpm sampai 1400 rpm."

"Salah satu faktor yang membatasi produksi minyak dan gas adalah isu flow assurance seperti gas hidrat, yang dapat menyebabkan penyumbatan pada pipa sehingga mengakibatkan kehilangan kesempatan produksi. Metode pencegahan pembentukan hidrat yang paling umum adalah dengan menginjeksi bahan kimia seperti mono etilen glikol (MEG). Namun, beberapa permasalahan sering dihadapi oleh operator, seperti contoh kasus yang terjadi di Lapangan M, Indonesia dimana penggunaan glikol berlebih sering menyebabkan kekurangan stok glikol serta masalah penyumbatan pada pipa injeksi lean MEG akibat senyawa padatan yang terlarut dan terbawa dalam air terproduksi. Hal ini dapat menyebabkan sistem injeksi MEG berhenti dan berpotensi terjadi pembentukan hidrat gas di dalam pipa transportasi. Makalah ini membahas upaya optimasi pada sistem injeksi dan regenerasi MEG dengan memanfaatkan perkembangan teknologi seperti Python. Perhitungan big data dengan metode machine learning akan membantu dalam mengoptimasi penggunaan inhibitor berlebih serta memprediksi terjadinya penyumbatan pada sistem injeksi dengan mengorelasikan parameter proses dari instrumentasi lapangan dan hasil analisis laboratorium. Pada Lapangan M, injeksi MEG secara aktual dapat mencapai 8.133 m3 tiap tahunnya, sedangkan estimasi kebutuhan injeksi sebesar 4.585 m3. Adapun permasalahan penyumbatan yang ditandai dengan tingkat kebersihan pada lean MEG yang melebihi spesifikasi perusahaan dapat diidentifikasi dengan model Random Forest dengan keakurasian sebesar 70-90%.

---

One of the limiting factors in oil and gas production is flow assurance issues such as gas hydrates, which can cause blockages in pipelines and result in loss of production opportunity (LPO). The most common method to prevent hydrate formation is by injecting monoethylene glycol (MEG). However, operators often face several challenges, as seen in the case of Field M in Indonesia, where excessive use of glycol leads to stock shortages and piping blockages due to dissolved solid compounds in the produced water. This can cause the MEG injection system to stop and potentially result in hydrate formation within the pipeline. This paper discusses the optimization in MEG injection and regeneration systems by utilizing advancements in technology such as Python. Big data calculations using machine learning methods will aid in optimizing the excessive inhibitor usage and predicting blockage occurrences in the injection system by correlating process parameters from field instrumentation and laboratory analysis results. In Field M, the actual injected MEG can reach 8,133 m3 anually, while the estimated injection requirement is 4,585 m3. The blockage issue, indicated by the cleanliness level exceeding the company's specifications, can be identified using the Random Forest model with an accuracy of 70-90%."

"Penggunaan mesin deteksi ulir & packing selama ini mengakibatkan filter menjadi reject/rework. Filter reject/rework tersebut dibagi menjadi tiga jenis yaitu : sablon rusak, cat rusak dan body penyok. Setelah dilakukan penelitian dilapangan, ternyata ada dua faktor yang menjadi penyebab filter reject/rework yaitu : kapasitas mesin yang tidak sama sehingga mesin overload dan sistem rnekanik dari mesin deteksi ulir sendiri. Dari permasalahan tersebut dilakukan perancangan mesin deteksi ulir & packing baru untuk menyempumakan mesin deteksi ulir & packing sebelumnya. Desain dikembangkan dari dua faktor penyebab filter reject, prinsip kerjanya masih menggunakan sistem yang lama. Ada empat modiiikasi yang clibuat dimesin baru yaitu : mesin deteksi ulir digabung dengan oven pengering, mesin mengatur incoming filter, rod transfer dibuat atas dan bawah, clamp centering menggunakan sistem roll. Dengan pembuatan mesin sistem mekanik baru hasil modifikasi diharapkan, filter reject /rework bisa berkurang, kelebihan yang lain harganya lebih murah, hanya 44% dari harga mesin sebelumnya."

"Dalam menjalankan bisnisnya, perusahaan telekomunikasi di sektor fixed broadband seringkali mengalami kebocoran pendapatan signifikan. Diantara beberapa penyebab kebocoran pendapatan, fraud merupakan faktor kebocoran yang memiliki dampak terbesar terhadap finansial dan citra perusahaan. Salah satu upaya untuk meminimalkan fraud dengan mendeteksi fraud yang dilakukan oleh pelanggan. Oleh karena itu, tujuan penelitian ini merancang classification model menggunakan machine learning untuk diaplikasikan terhadap sistem fraud detection. Classification model akan dibangun menggunakan supervised machine learning yang bertujuan untuk memprediksi kelas tertentu berdasarkan data historis yang didapatkan. Dalam penelitian ini, beberapa beberapa algoritme machine learning akan dibandingkan diantaranya logistic regression, decision tree, random forest, dan backpropagation neural network. Selain itu, dalam kasus fraud detection, data historis yang didapatkan memiliki perbandingan antar kelas yang tidak seimbang sehingga dibutuhkan pra-proses data balancing. Pada penelitian ini, data balancing dilakukan dengan oversampling berbasis Adaptive Synthetic (ADASYN). Hasil penelitian ini menunjukkan backpropagation neural network memiliki performa terbaik diantara algoritma lainnya. Selain itu didapatkan seluruh algoritme memiliki indikator performa diatas 90% menunjukkan pada kasus fraud detection di sektor fixed broadband, machine learning bekerja dengan akurat.

---

In running their business, telecommunications companies in the fixed broadband sector often experience significant revenue leakage. Among several causes of revenue leakage, fraud is the leakage factor that has the most significant impact on finances and corporate image. One of the efforts to minimize fraud is to detect fraud committed by customers. Therefore, this study aims to design a classification model using machine learning to be applied to the fraud detection system. The classification model will be built using supervised machine learning, which aims to predict certain classes based on historical data. Several machine learning algorithms will be compared in this study, including logistic regression, decision tree, random forest, and backpropagation neural network. In addition, in fraud detection, the historical data obtained has an unbalanced comparison between classes, so pre-processing data balancing is needed. In this research, data balancing is done by using Adaptive Synthetic (ADASYN) based oversampling. The results of this study indicate that the backpropagation neural network has the best performance among other algorithms. In addition, it is found that all algorithms have performance indicators above 90%, indicating that in the case of fraud detection in fixed broadband sector, machine learning works accurately."

"Pembangunan Ibu Kota Negara yang terletak di Kalimantan Timur menjadi proyek besar pemerintah dengan anggaran biaya Rp 466 Triliun. Untuk menjamin efisiensi biaya konstruksi dari proyek ini, diperlukan pendekatan estimasi biaya yang baik. Namun estimasi biaya dalam konstruksi di Indonesia saat ini masih didominasi metode konvensional yang masih memiliki kekurangan dalam hal akurasi maupun waktu pemantauan. Oleh karena itu, penelitian ini dilakukan dengan tujuan untuk mengembangkan model machine learning untuk memprediksi estimate at completion biaya konstruksi sebagai alternatif dari metode konvensional. Penelitian ini dilakukan dengan metode analisis studi literatur dan benchmarking dari penelitian yang telah ada untuk menjalankan simulasi model menggunakan perangkat lunak RapidMiner yang kemudian akan divalidasi oleh narasumber pakar melalui wawancara. Diperoleh hasil bahwa model terbaik didapat menggunakan algoritma neural network. Dari simulasi model tersebut dengan menggunakan data dari salah satu proyek pembangunan jalan raya di Ibu Kota Negara, didapat hasil output berupa prediksi penghematan sebesar 17,8% dari nilai budget at completion proyek. Hasil dari prediksi model tersebut menghasilkan output yang lebih konservatif apabila diperbandingkan dengan metode konvension menggunakan formula estimate at completion biaya.

---

The development of the National Capital City located in East Kalimantan has become a major government project with a budget of IDR 466 trillion. To ensure cost efficiency in the construction of this project, a good cost estimation approach is required. However, cost estimation in construction in Indonesia is currently dominated by conventional methods that still have shortcomings in terms of accuracy and monitoring time. Therefore, this research is conducted with the aim of developing a machine learning model to predict the estimate at completion of construction costs as an alternative to conventional methods. The research is carried out through the analysis of literature studies and benchmarking from existing research to execute a simulation model using the RapidMiner software, which will then be validated by expert informants through interviews. The results indicate that the best model is obtained by using neural network algorithm. From the simulation model using data from one of the road construction projects in the National Capital City, the output shows a predicted savings of 17.8% from the project’s budget at completion value. This model prediction produce a more conservative result than conventional methods of estimating costs at completion."

"

Emosi merupakan hal penting yang dimiliki oleh manusia. Banyak riset yang sudah dilakukan untuk menganalisis emosi seseorang secara langsung maupun tidak langsung. Salah satu topik dari machine learning yang berkembang adalah sistem yang mampu mempelajari isi suara manusia untuk menentukan emosi seseorang yang dinamakan speech emotion recognition. Banyak riset yang sudah dilakukan masih menggunakan dataset berbahasa Inggris, untuk itu diperlukan penelitian speech emotion recognition dengan menggunakan dataset berbahasa Indonesia. Pada penelitian ini dilakukan analisa speech emotion recognition menggunakan  4 model berbeda yaitu Convolutional Neural Network (CNN), Support Vector Machines (SVM), K-Nearest Neighbor (KNN), dan Logistic Regression (LR). Penelitian ini dilakukan dengan menggunakan hasil ekstraksi dari Mel-frequency Cepstral Coefficient (MFCC) yang dimasukkan ke dalam bentuk matriks 2D sebagai input menuju model percobaan. Dataset yang digunakan merupakan cuplikan dialog berbahasa Indonesia dengan karakteristik emosi tertentu yang sudah dikelompokkan terlebih dahulu. Dari percobaan yang telah dilakukan, didapatkan hasil bahwa model SVM memiliki tingkat rata-rata akurasi tertinggi jika dibandingkan dengan model lainnya, yaitu sebesar 59%. Sedangkan untuk model LR, KNN, dan CNN didapatkan tingkat akurasi rata-rata secara berurutan sebesar 54,5%; 53,5%; dan 47,7%.

---

Emotions are important things in human life. A lot of research had been done to analyze persons' emotions directly or indirectly. One of the topics of machine learning that is developing is a system that could understand the content of the human voice to determine a person's emotions called speech emotion recognition. Much of the research that had been done still uses English datasets. Therefore, speech emotion recognition research using Indonesian language datasets is needed. In this study, Speech Emotion Recognition analysis was performed using 4 different models, such as Convolutional Neural Network (CNN), Support Vector Machines (SVM), K-Nearest Neighbor (KNN), and Logistic Regression (LR). This study was conducted using the extraction outputs from the Mel-frequency Cepstral Coefficient (MFCC) which was converted into a 2D matrix. The output would be used as an input to the model. The dataset used was a snippet of Indonesian dialogue with several emotional characteristics that had been grouped. Based on this study, the results showed that the SVM model had the highest average level of accuracy around 59%. Meanwhile, for the LR, KNN, and CNN models, the average accuracy rate were 54.5%; 53.5%; and 47.7%.

"

"

Supermarket merupakan tempat pilihan terbaik untuk berbelanja kebutuhan rumah saat ini karena pelanggan dapat memilih produk yang ingin dibelinya tanpa perlu mengantre. Namun untuk melakukan pembayaran saat ini pelanggan masih perlu mengantre di kasir. Oleh karena itu, penelitian ini akan mengimplementasikan sistem cashierless yang dapat melakukan checkout secara otomatis dan efisien sehingga pelanggan tidak perlu mengantre lagi di kasir. Sistem cashierless yang digunakan pada penelitian ini adalah smart trolley, sistem ini dapat melakukan deteksi produk yang masuk atau keluar dari troli pelanggan lalu melakukan checkout secara otomatis saat pelanggan keluar dari supermarket. Untuk dapat melakukan deteksi produk diperlukan model machine learning yang berjenis object detection. Model juga harus dapat diimplementasikan pada edge device karena deteksi akan dilakukan di troli yang memiliki keterbatasan ruang. Maka model yang digunakan adalah YOLOv5 karena memiliki akurasi serta performa tinggi supaya tetap dapat diimplementasikan pada edge device. Hasil pengujian variasi backbone menunjukkan backbone original lebih baik dari backbone Swin Transformer dengan nilai F1-Score sebesar 98.64%, ukuran model sebesar 7.7 MB, dan dapat berjalan dengan 3.87 FPS di komputer pengujian dan 0.74 FPS di Raspberry Pi 4B. Hasil pengujian variasi dataset menunjukkan kombinasi dataset bergerak dengan statis blur dapat menghasilkan model yang memiliki akurasi yang paling baik dengan nilai 99.53% pada fase pelatihan dan 99.44% pada fase testing. Hasil pengujian intensitas cahaya menunjukkan penggunaan lampu untuk meningkatkan pencahayaan di sekitar wilayah deteksi di dalam troli dapat meningkatkan F1-Score hasil deteksi yang dilakukan hingga 63.55%. Hasil pengujian variasi kecepatan produk menunjukkan kecepatan ideal yang dapat digunakan pada saat proses deteksi di komputer pengujian adalah hingga 36 cm/s dan untuk proses yang dilakukan di Raspberry Pi 4B adalah di bawah 7 cm/s. Hasil pengujian dengan penambahan sampling rate dapat mendeteksi produk di komputer pengujian dengan kecepatan hingga 124 cm/s pada produk-produk dengan ukuran yang cukup lebar.

---

Supermarkets are the best place to shop for home needs today because customers can choose what products they want to buy without the need to queue. However, today customers still need to queue at the cashier to make payments. Therefore, this research will implement a cashier-less system that can do checkout automatically and efficiently so that customers don't have to queue at the cashier anymore. The cashier-less system used in this study is a smart trolley, this system can detect products entering or leaving the customer's trolley and then checkout automatically when the customer leaves the supermarket. To be able to perform product detection, a machine learning model of the object detection type is needed. The model must be able implemented on edge devices because the detection will be done in the cart with limited space. So, the model used is YOLOv5 because it has high accuracy and performance so it can implement on edge devices. The backbone variation test results show that the original backbone is better than the Swin-Transformer backbone with an F1-Score value of 98.64%, a model size of 7.7 MB, and can run with 3.87 FPS on a test computer and 0.74 FPS on a Raspberry Pi 4B. The dataset variation test results show that the combination of moving datasets with static blur can produce a model with the best accuracy of 99.53% in the training phase and 99.44% in the testing phase. The light intensity variation test results show that the use of lamps to increase the lighting around the detection area in the trolley can increase the F1-Score of the detection results made up to 63.55%. The product speed variation results show that the ideal speed that can use during the detection process on the testing computer is up to 36 cm/s and for the process carried out on the Raspberry Pi 4B it is below 7 cm/s. The sampling rate addition results can detect products on the test computer at speeds up to 124 cm/s on products with a wide size

"