Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKKabut merupakan salah satu fenomena cuaca yang dapat mengurangi jarak pandang. Hal ini akan berdampak pada operasional penerbangan (taxiing, take-off, landing). Oleh karena itu, prakiraan kabut diperlukan untuk mendukung keselamatan penerbangan. Tantangan terbesar dalam membuat prakiraan kabut adalah proses atmosfer yang chaos dan tidak pernah sama dari waktu ke waktu. Oleh karena itu penelitian ini mencoba menggunakan metode Deep Learning untuk memprakirakan kejadian kabut di Bandara Wamena. Desain model prakiraan menggunakan data cuaca pengamatan sinoptik per-jam dari Januari 2015 hingga Mei 2018. Variabel cuaca seperti suhu bola kering, suhu bola basah, titik embun, kelembaban relatif, tutupan awan, arah angin, kecepatan angin, jarak pandang, cuaca saat ini, dan jam pengamatan digunakan untuk memprakirakan kejadian kabut atau tidak kabut untuk 3 jam ke depan. Hyperparameter tuning pada optimizer (SGD, Adam), learning rate (1, 0.1, 0.01, 0.001), dan epoch (25, 50, 100) dilakukan untuk proses trial and error mencari model terbaik. Hyperparameter tuning menunjukkan parameter terbaik adalah optimizer Adam, learning rate 0.001, dan epoch 100. Hasil menunjukkan Deep Learning menunjukkan performa yang baik dengan hasil testing mencapai akurasi 92.56% untuk prakiraan kejadian kabut 1 jam kedepan, 88.45% untuk prakiraan kejadian kabut 2 jam kedepan, dan 85.68% untuk prakiraan kejadian kabut 3 jam kedepan. Hasil prakiraan kejadian kabut dengan Deep Learning juga memberikan akurasi yang lebih baik dibandingkan prakiraan TAF yang dibuat oleh forecaster setempat.

---

ABSTRACTFog is one of the weather phenomena that can reduce visibility. This will have an impact on flight operations (taxiing, take-off, and landing). Therefore, fog forecasts are needed to support flight safety. The biggest challenge in making fog forecast is chaotic atmospheric processes that have never been the same over time. This study tries to use the Deep Learning method to predict the occurrence of fog at Wamena Airport. Design forecast models use hourly synoptic observational weather data from January 2015 to May 2018. Weather variables such as dry bulb temperature, wet bulb temperature, dew point, relative humidity, cloud cover, wind direction, wind speed, visibility, present weather, and the observation hours are used to forecast the occurrence of fog or no fog. Hyperparameter tuning of optimizer (SGD, Adam), learning rate (1, 0.1, 0.01, 0.001), and epoch (25, 50, 100) are used for the trial and error to find the best model. Hyperparameter tuning shows the best parameters are Adam optimizer, learning rate 0.001, and epoch 100. The results show Deep Learning has good performance with the results of testing 92.56% accuracy for forecasting the occurrence of fog for next 1 hour, 88.45% for next 2 hour, and 85.68% for next 3 hour. The results of the forecast fog event with Deep Learning also provide better accuracy than the TAF forecasts made by the local forecaster."

"Peramalan beban listrik, juga dikenal sebagai Probabilistic Load Forecasting (PLF), memiliki peran penting dalam industri tenaga listrik, terutama dalam merencanakan operasi sistem tenaga, menjaga stabilitas, dan memfasilitasi perdagangan energi. Di Bandar Udara Internasional Soekarno-Hatta yang merupakan sebuah entitas komersial besar, peramalan yang akurat dan andal sangat penting untuk optimalisasi layanan, kepatuhan terhadap regulasi dan meningkatkan akurasi perencanaan konsumsi energi. Tujuan penelitian ini adalah menentukan model peramalan yang akurat untuk digunakan di Bandar Udara Internasional Soekarno-Hatta. Dalam penelitian ini, empat model berbeda diuji: Seasonal Autoregressive Integrated Moving Average (SARIMA), Seasonal Autoregressive Integrated Moving Average with Exogenous (SARIMAX), serta dua model berbasis neural network, yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Units (GRU). Kemudian model ini diterapkan pada data historis harian yang dikumpulkan dari perusahaan operator bandar udara dengan rentang waktu 01 Januari 2022 hingga 31 Desember 2022. Hasil penelitian menunjukkan bahwa model LSTM mencapai performa terbaik dalam melakukan peramalan, dengan Mean Absolute Error (MAE) 12.79, Root Mean Square Error (RMSE) 15.47, dan Mean Absolute Percentage Error (MAPE) 1.91%. Sehingga berdasarkan hasil penelitian, model LSTM dapat digunakan untuk meningkatkan akurasi perencanaan konsumsi listrik harian di Bandar Udara Internasional Soekarno-Hatta dan fasilitas serupa lainnya.

---

Electric load forecasting, also known as Probabilistic Load Forecasting (PLF), plays a crucial role in the electricity industry, particularly in planning power system operations, maintaining stability, and facilitating energy trading. At Soekarno-Hatta International Airport, which is a large commercial entity, accurate and reliable forecasting is essential for service optimization, regulatory compliance, and improving the accuracy of energy consumption planning. The aim of this study is to identify an accurate forecasting model to be used at Soekarno-Hatta International Airport. In this study, four different models were tested: Seasonal Autoregressive Integrated Moving Average (SARIMA), SARIMA with Exogenous (SARIMAX), and two neural network-based models, Long Short-Term Memory (LSTM), and Gated Recurrent Units (GRU). The models were subsequently utilized on the daily historical data gathered by the airport operating firm from January 1, 2022, to December 31, 2022. The research findings demonstrated that the LSTM model was the most effective in terms of forecasting performance, with Mean Absolute Error (MAE) of 12.79, Root Mean Square Error (RMSE) of 15.47, and Mean Absolute Percentage Error (MAPE) of 1.91%. Therefore, based on the research findings, the LSTM model can be used to improve the accuracy of daily electricity consumption planning at Soekarno-Hatta International Airport and other similar facilities."

"Penelitian ini memprediksi kualitas air Sungai Ciliwung berdasarkan parameter pH hasil pemantauan Online Monitoring menggunakan dua model Deep Learning yaitu Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM). Parameter input adalah pH dengan tiga skenario kombinasi yaitu waktu ganjil (t, t-1, t-3, t-5), genap (t, t+2, t-4, t-6) dan waktu berurutan (t, t-1, t-2, t-3) dengan target pH pada t+1, t+2 dan t+3. Parameter model adalah Optimizer dengan Adaptive Moment (Adam) sebagai Optimizer, aktivasi menggunakan Rectified Linear Unit (ReLU) dengan jumlah Epoch 500, dan Loss menggunakan Mean Squared Error (MSE). Kriteria Evaluasi menggunakan Coefficient of Determination (R2 ), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil pemodelan menunjukkan selisih terendah antara pH riil dengan pH prediksi adalah 0 dan tertinggi 0,79. Pada model CNN, dari 9 nilai R2 ada 7 yang mendekati nilai 1, artinya persamaan regresi sesuai antara nilai variabel dependen dengan variabel independen, dan 2 mendekati nilai 0 yang artinya persamaan regresi tidak sesuai antara nilai variabel dependen dengan variabel independen. Selanjutnya, dari 9 nilai MAPE terdapat 5 nilai yang menunjukkan model prediksi baik, sisanya berada dalam rentang model prediksi cukup. Pada model LSTM, ada 8 dari 9 R2 yang memiliki nilai mendekati 1 dan hanya 1 yang mendekati 0. Selanjutnya, 6 dari 9 MAPE berada dalam rentang model prediksi baik, sisanya berada dalam rentang model prediksi cukup. Dari hasil penelitian diketahui bahwa semakin jauh titik prediksi yang di tuju maka relasi antara pH riil dengan pH prediksi semakin lemah. Ini ditunjukan oleh nilai R2 semakin kecil pada t+3 untuk semua parameter input. Dari hasil di atas disimpul bahwa Model LSTM dan CNN dapat digunakan untuk memprediksi kualitas air sungai Ciliwung berdasarkan parameter pH karena mayoritas nilai R2 mendekati 1, MAPE sebagian besar berada dalam model prediksi kelompok baik. Di antara dua model yang digunakan, model LSTM lebih baik dari pada model CNN karena memiliki nilai R2 yang mendekati 1 dan MAPE pada model prediksi baik lebih banyak.

---

This research predicts the water quality of the Ciliwung River based on pH parameters from Online Monitoring using two Deep Learning models, namely Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM). The input parameter is pH with three combination scenarios, namely odd times (t, t-1, t-3, t-5), even (t, t+2, t-4, t-6) and sequential times (t, t -1, t-2, t-3) with pH targets at t+1, t+2 and t+3. The model parameters are Optimizer with Adaptive Moment (Adam) as Optimizer, activation uses Rectified Linear Unit (ReLU) with a number of Epochs of 500, and Loss uses Mean Squared Error (MSE). Evaluation criteria use Coefficient of Determination (R2), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). The modeling results show that the lowest difference between real pH and predicted pH is 0 and the highest is 0.79. In the CNN model, of the 9 R2 values there are 7 that are close to 1, meaning that the regression equation matches the value of the dependent variable and the independent variable, and 2 are close to 0, which means that the regression equation does not match the value of the dependent variable and the independent variable. Furthermore, of the 9 MAPE values, there are 5 values that indicate a good prediction model, the rest are in the range of a sufficient prediction model. In the LSTM model, there are 8 out of 9 R2 which have values close to 1 and only 1 which is close to 0. Furthermore, 6 out of 9 MAPEs are in the good prediction model range, the rest are in the fair prediction model range. From the research results, it is known that the further away the prediction point is, the weaker the relationship between real pH and predicted pH. This is shown by the R2 value getting smaller at t+3 for all input parameters. From the results above, it can be concluded that the LSTM and CNN models can be used to predict the water quality of the Ciliwung River based on the pH parameter because the majority of R2 values are close to 1, the MAPE is mostly in the good group prediction model. Between the two models used, the LSTM model is better than the CNN model because it has an R2 value that is close to 1 and the MAPE in the good prediction model is higher."

""Deep learning is a form of machine learning that enables computers to learn from experience and understand the world in terms of a hierarchy of concepts. Because the computer gathers knowledge from experience, there is no need for a human computer operator to formally specify all the knowledge that the computer needs. The hierarchy of concepts allows the computer to learn complicated concepts by building them out of simpler ones; a graph of these hierarchies would be many layers deep. This book introduces a broad range of topics in deep learning. The text offers mathematical and conceptual background, covering relevant concepts in linear algebra, probability theory and information theory, numerical computation, and machine learning. It describes deep learning techniques used by practitioners in industry, including deep feedforward networks, regularization, optimization algorithms, convolutional networks, sequence modeling, and practical methodology; and it surveys such applications as natural language processing, speech recognition, computer vision, online recommendation systems, bioinformatics, and video games. Finally, the book offers research perspectives, covering such theoretical topics as linear factor models, autoencoders, representation learning, structured probabilistic models, Monte Carlo methods, the partition function, approximate inference, and deep generative models. Deep Learning can be used by undergraduate or graduate students planning careers in either industry or research, and by software engineers who want to begin using deep learning in their products or platforms. A website offers supplementary material for both readers and instructors"--Page 4 of cover."

"ABSTRAKMarketplace terus mengalami perkembangan yang ditunjukkan oleh jumlah pelanggan dan jumlah penjualan yang terus mengalami peningkatan. Namun, penjualan secara online seperti marketplace memiliki beberapa keterbatasan untuk memberikan pengalaman pembelian yang personal. Sistem rekomendasi dapat membantu marketplace untuk mengatasi keterbatasan tersebut, sehingga pelanggan dapat menemukan produk atau layanan berdasarkan preferensi mereka. Pada penelitian ini, kami mengusulkan untuk mengembangkan sistem rekomendasi produk menggunakan algoritma Neural Collaborative Filtering (NCF). NCF adalah algoritma collaborative filtering berbasis deep learning dan faktorisasi matriks. Sistem rekomendasi produk yang akan dibangun menggunakan data umpan balik implisit dalam bentuk data pembelian dari pelanggan. Umpan balik implisit adalah jenis data yang dapat diandalkan untuk membangun sistem rekomendasi. Hasil penelitian telah menunjukkan bahwa NCF mencapai kinerja terbaik dan paling unggul dibanding metode yang lain.

---

ABSTRACTMarketplace continuesly growth as indicated by the number of customers and the number of sales that continue to increase. However, online sales like a marketplace have several limitations to provide a personal purchasing experience. The recommendation system can help the online market to overcome these limitations, so that customers can find products or services based on their preferences. In this study, we propose to develop a product recommendation system using the Neural Collaborative Filtering (NCF) algorithm. NCF is a collaborative filtering algorithm based on deep learning and matrix factorization. The product recommendation system will be built using implicit feedback data in the form of customer purchase data. Implicit feedback is a type of data that can be relied upon to build a recommendation system. The results of the study have shown that NCF achieves the best performance compared to state-of-the-arts methods."

"Evaluasi distribusi reservoir minyak dan gas bumi pada cekungan Browse secara spasial sering dilakukan dengan memahami secara kritis arsitektur stratigrafi internal delta yang didominasi pasir. Arsitektur stratigrafi dari Jurassic awal-tengah utama diindikasikan sebagai sistem fluvio-delta (formasi Plover) di cekungan Browse - reservoar hidrokarbon yang terbukti menampung gas dengan kondensat terkait di North West Shelf Australia. Sementara itu, prediksi sebaran fasies secara umum berdasarkan pemahaman geologi, seperti stratigrafi sekuens dan lingkungan pengendapan dapat dilakukan dengan menghasilkan model fasies. Oleh karena itu, penelitian ini bertujuan untuk menghasilkan sifat fisik yang dapat memprediksi litologi dan mendeteksi distribusi fluida pori menggunakan Extended Elastic Inversion pada reservoir Jurassic awal, yang didukung oleh data seismik angle-stack dan sumur. Sifat fisis yang digunakan adalah Vp/Vs sebagai pendeteksi litologi dan lambda-rho sebagai pembeda fluida. Kisaran nilai cut-off Vp/Vs untuk reservoir batupasir yang didapatkan adalah 1,4-1,65 sedangkan kisaran nilai cut-off lambda rho (λρ ) pada reservoir gas adalah 0 – 40 GPa*(g/cc), keduanya ditunjukkan sebagai vp/vs rendah dan lambda rho rendah. Berdasarkan nilai-nilai tersebut, dilakukan kombinasi dengan algoritma deep learning, dengan menggunakan data sumur sebagai data training dan data seismik sebegai input data test. Hasil akhir penelitian ini berupa peta distribusi litho-fluid facies yang tervalidasi dengan lingkungan pengendapan area penelitian berupa reservoir fluvial-delta yang berarah Timur Laut-Barat Daya.

---

Assessing the extent and spatial distribution of petroleum reservoirs is often implemented carried out by understanding critically the internal stratigraphic architecture of sand-dominated deltas. The stratigraphic architecture of a major early–middle Jurassic was is indicated as fluvio-deltaic system (Plover formation) in the Browse basin — a proven hydrocarbon province hosting gas with associated condensate on North West Shelf of Australia. Meanwhile, predicting the general distribution of facies based on geological understanding, such as sequence stratigraphy and depositional environment could be possible by generating facies model. Therefore, this research was stood out to generate physical properties that can predict lithology and detect pore fluid distribution using extended elastic inversion in the early to middle Jurassic reservoir, which is supported by angle-stack seismic data and wells. The physical properties used are Vp/Vs as lithology detector and lambda-rho as fluid discriminator. The cut-off value range of Vp/Vs for sandstone reservoir is 1.4-1.6 while the range of cut-off value of lambda rho (λ ρ) on gas reservoirs is 0 – 40 GPa*(g/cc), both indicated as low vp/vs and low lambda rho. Based on those values, we implemented the combination with deep learning algorithm, while the wells data act as training data, the seismic data sets to data test. The result of this research is the distribution map of the litho-fluid facies model validated to depositional environment in research area as the form of fluvial-deltaic reservoir towards North East to South Eastern part of the research area."

"Ilmu Data adalah irisan dari matematika dan statistika, komputer, serta keahlian domain. Dalam beberapa tahun terakhir inovasi pada bidang ilmu data berkembang sangat pesat, seperti Artificial Intelligence (AI) yang telah banyak membantu kehidupan manusia. Deep Learning (DL) sebagai bagian dari AI merupakan pengembangan dari salah satu model machine learning yaitu neural network. Dengan banyaknya jumlah lapisan neural network, model deep learning mampu melakukan proses ekstrasi fitur dan klasifikasi dalam satu arsitektur. Model ini telah terbukti mengungguli teknik state-of-the-art machine learning di beberapa bidang seperti pengenalan pola, suara, citra, dan klasifikasi teks. Model deep learning telah melampaui pendekatan berbasis AI dalam berbagai tugas klasifikasi teks, termasuk analisis sentimen. Data teks dapat berasal dari berbagai sumber, seperti sumber dari media sosial. Analisis sentimen atau opinion mining merupakan salah satu studi komputasi yang menganalisis opini dan emosi yang diekspresikan pada teks. Pada penelitian ini analisis peforma machine learning dilakukan pada metode deep learning berbasis representasi data BERT dengan metode CNN dan LSTM serta metode hybrid deep learning CNN-LSTM dan LSTM-CNN. Implementasi model menggunakan data komentar youtube pada video politik dengan topik terkait Pilpres 2024, kemudian evaluasi peforma dilakukan menggunakan confusion metric berupa akurasi, presisi, dan recall.

---

Data Science is the intersection of mathematics and statistics, computing, and a domain of expertise. In recent years innovation in the field of data science has developed very rapidly, such as Artificial Intelligence (AI) which helped a lot in human life. Deep Learning (DL) as part of AI is the development of one of the machine learning models, namely neural network. With the large number of neural network layers, deep learning models are capable of performing feature extraction and classification processes in a single architecture. This model has proven to outperform state-of-the-art machine learning techniques in areas such as pattern recognition, speech, imagery, and text classification. Deep learning models have gone beyond AI-based approaches in a variety of text classification task, including sentiment analysis. Text data can come from various sources, such as source from social media. Sentiment analysis or opinion mining is a computational study that analyze opinions and emotions expressed in text. In this research, machine learning performance analysis is carried out on a deep learning method based on BERT data representation with the CNN and LSTM and hybrid deep learning CNN-LSTM and LSTM-CNN method. The implementation of the model uses YouTube commentary data on political videos related to the 2024 Indonesia presidential election, then performance analysis is carried out using confusion metrics in the form of accuracy, precision, and recall."

"Perkembangan teknologi yang terus berkembang mendorong penggunaan aplikasi web di berbagai layanan, namun terdapat berbagai kerentanan pada aplikasi web yang setiap saat dapat dimanfaatkan penyerang untuk melakukan serangan. Untuk menanggulangi hal ini, salah satu upaya yang dapat dilakukan ialah menerapkan Web Application Firewall (WAF) yang dapat melindungi aplikasi web. WAF umumnya bekerja berdasarkan aturan yang ditetapkan sebelumnya. Namun kelemahan sistem ini ialah serangan yang terus berkembang, serta dalam mengkonfigurasi aturan pada WAF, diperlukan pengetahuan mendalam terkait aplikasi yang ada. Teknologi kecerdasan buatan, baik machine learning (ML) atau deep learning (DL) memperlihatkan potensi yang baik dalam mengenali jenis serangan. Di dalam penelitian ini dibangun sebuah Real-time DL-based WAF untuk meningkatkan keamanan pada aplikasi web. Berbagai model ML dan DL diujicoba untuk melakukan tugas deteksi serangan web, mulai dari Support Vector Machine (SVM), Random Forest (RF), Convolutional Neural Network (CNN), dan Long Short-Term Memory (LSTM). Berdasarkan hasil pengujian, model CNN-LSTM meraih performa tertinggi yakni akurasi sebesar 98.61 %, presisi sebesar 99%, recall sebesar 98.08% dan f1-score sebesar 98.54%.. Dari hasil pengujian dengan web vulnerability scanner, performa DL-based WAF tidak kalah dengan ModSecurity WAF yang dijadikan sebagai pembanding. Dari hasil analisis, dapat disimpulkan bahwa penerapan DL-based WAF mampu meningkatkan keamanan pada aplikasi web.

---

The continuous development of technology drives the use of web applications in various services, but there are various vulnerabilities in web applications that can be exploited by attackers at any time. To overcome this, one effort that can be done is to implement a Web Application Firewall (WAF) that can protect web applications. WAF generally works based on pre-established rules. However, the weakness of this system is the evolving nature of attacks, and configuring rules on WAF requires in-depth knowledge related to existing applications. Artificial intelligence technology, both machine learning (ML) and deep learning (DL), shows good potential in recognizing types of attacks. In this research, a Real-time DL-based WAF was built to enhance security in web applications. Various ML and DL models were tested to perform the task of web attack detection, including Support Vector Machine (SVM), Random Forest (RF), Convolutional Neural Network (CNN), and Long Short-Term Memory (LSTM). Based on the test results, the CNN-LSTM model achieved the highest performance, namely an accuracy of 98.61%, precision of 99%, recall of 98.08%, and f1-score of 98.54%. From the testing results with a web vulnerability scanner, the performance of the DL-based WAF is not inferior to ModSecurity WAF, which is used as a comparison. From the analysis results, it can be concluded that the implementation of DL-based WAF can improve the security of web applications. "

"Pergerakan penumpang angkutan udara dari tahun ke tahun semakin meningkat sehingga diperlukan pengaturan pergerakan dan pelayanan penumpang yang tepat pada sistem operasional sisi darat bandar udara. Konsekuensi dengan adanya pelayanan yang harus dilalui oleh penumpang dalam suatu sistem operasional terminal bandar udara adalah terjadinya antrian (panjang antrian, lamanya waktu tunggu dan lain-lain). Antrian yang terjadi pada sistem operasional pemrosesan penumpang di terminal keberangkatan bandar udara terjadi karena pergerakan arus penumpang dan barang yang terganggu akibat dari kegiatan pelayanan yang harus dilalui. Tingkat kedatangan yang tidak sebanding dengan tingkat pelayanan menimbulkan masalah antrian seperti waktu tunggu. Sistem operasional yang efisien diharapkan dapat mengakomodasi peningkatan jumlah penumpang yang diproses dan dapat meminimalkan waktu pelayanan. Beberapa alternatif pengembangan optimasi sistem operasional keberangkatan terminal 1-A Bandar Udara Soekarno-Hatta seperti pengurangan waktu pelayanan, perubahan sistem antrian dan penyederhanaan proses pelayanan didapatkan hasil yang lebih baik dari kondisi eksisting, baik dari segi besarnya jumlah penumpang yang dapat diakomodasi maupun waktu yang dibutuhkan penumpang dalam sistem antrian yang terjadi.

---

A growing number of air transport passenger movements required a proper of setting movements and passenger services in the airport land side operational systems. The consequences of the existence of the services that must be passed the passengers in the airport terminal operational systems is the occurrence of queues (queue length, waiting time and eternity, etc.). Queues in the operational system of passenger processing at the airport departure terminal occurs because the movement of passengers and goods flows are disrupted due to the service activities that must be passed. Arrival rate that is not comparable with the level of service would cause problems like the queue waiting time. Efficient operational systems is expected to accomodate a growing number of passengers that can be processed adn minimize the service time. Several alternatives of optimization was developed in this study at terminal 1-A Soekarno-Hatta airport, as the reduction of service time, queuing system changes and the simplified of service processes obtained better result than the existing condition, both in terms of the number of passengers that can be accomodated as well as the time it takes by passengers to the queue system."

"ABSTRAKMetode desain perkerasan landasan bandar udara dibagi menjadi dua, yaitu metode empiris dan metode mekanistik. Terdapat pergeseran dalam sistematika mendesain landasan, yaitu dari sistem metode empiris ke metode mekanistik, perlu dilakukan kajian mengenai pengaruh dari pergeseran tersebut terhadap desain landasan bandar udara -bandar udara di Indonesia, baik terhadap bandar udara baru maupun bandar udara yangsudah beroperasi (overlay), begitu juga pengaruh pergeseran tersebut terhadapperhitungan nilai PCN (Pavement Classification Number). Metode empiris dilakukanperhitungan berdasarkan metode FAA dengan dokumen 150/5320-6D dan metodemekanistik berdasarkan dokumen 150/5320-6E yang diaplikasikan dengan programkomputer FAARFIELD (Federal Aviation Adminstration Rigid and Flexible IterativeLayer Design), sedangkan kajian perhitungan nilai PCN dengan metode teoritis ataumetode ICAO dan dengan program komputer COMFAA berdasarkan dokumen AC150/5335-5C. Kajian banding terhadap parameter desain yaitu tebal perkerasan dan biaya,analisis sensitivitas dan perhitungan PCN yang menghasilkan kriteria, pelayanan nilaiPCN terhadap ACN dan pelayanan nilai modul pesawat. Metode empiris adalah surfaceoriented sedangkan metode mekanistik adalah base oriented. Berdasarkan analisissensitivitas pada desain perkerasan baru maupun overlay, baik dengan metode empirismaupun metode mekanistik, struktur perkerasan metode mekanistik lebih tipis, denganpenumpang yang diangkut dengan pesawat modul 200 (kelas pesawat 5) dari pada denganpesawat modul 350 (kelas pesawat 6). Nilai PCN, yang dihitung dengan programCOMFAA lebih besar nilai nya dari pada yang dihitung dengan Metode ICAO, baikuntuk perkerasan baru maupun overlay

---

ABSTRACTMethod of runway pavement design is divided into two, namely empirical method andmechanistic method. There is a shift in the systematics of designing the runway, from asystem of empirical method to the mechanistic method, necessary to study about theeffect of the shift to the design of the runway - the airport in Indonesia, both to the newairport and the airport is already operating (overlay), as well as the effect of the shift tothe calculation of the value of PCN (Pavement Classification Number). Empirical calculation method based on the method of FAA documents 150/5320-6D andmechanistic method based document 150/5320-6E applied to computer programsFAARFIELD (Federal Aviation Adminstration Rigid and Flexible Layer IterativeDesign), whereas the study by PCN value calculation of theoretical methods or ICAOmethod and the computer program COMFAA based document AC 150/5335-5C.Assessment appeals against the design parameters are pavement thickness and cost,sensitivity analysis and calculations that generate criteria PCN, PCN value of the ACNservices and aircraft services module value. The empirical method is surface orientedwhile the mechanistic method is base oriented. Based on the sensitivity analysis onpavement design new or overlay, either by empirical methods and mechanistic method,pavement structure mechanistic method is thinner, with passengers transported by planemodule 200 (Aircraft grade 5) of the plane module 350 (Aircraft grade 6). PCN value,which is calculated by the program COMFAA its value is greater than that calculated bythe ICAO method, both for new pavement and overlay"