Hasil Pencarian  ::  Simpan CSV :: Kembali

"Jaringan optik adalah jaringan telekomunikasi berkapasitas tinggi dengan menggunakan teknologi dan komponen optik. Di Indonesia, CWDM biasanya digunakan pada jaringan optik di daerah urban, hal ini dikarenakan CWDM memiliki bandwidth yang lebar dan sesuai dengan kebutuhan daerah urban yang hanya butuh jarak yang pendek. Machine learning (ML) merupakan salah satu cabang kecerdasan buatan yang sangat cocok untuk menangani masalah kompleks yang sulit dijawab dalam waktu yang wajar. Prediksi Quality of Transmission (QoT) yang akurat sebelum pembentukan koneksi sangat penting untuk penyediaan layanan dan pemanfaatan sumber daya jaringan. Model Coarse Wavelength Division Multiplexing (CWDM) yang digunakan jaringan sesuai dengan standar ITU-T G.694.2 yaitu splitting sebesar 20nm, pada wavelength yang terdaftar pada standar yaitu 1551 nm, 1571 nm, 1591 nm, dan 1611 nm. Pendekatan yang digunakan adalah algoritma jenis linear regression dengan akurasi 82,47%, k-nearest neighbor regression dengan akurasi 77,18%, support vector regression dengan akurasi 83,88%, random forest regression 91,44%, dan deep learning ANN regression dengan akurasi 94,52%. Algoritma machine learning yang paling baik dalam memprediksi kualitas transmisi adalah random forest regressor. Algoritma ini tidak lebih baik dari deep learning yaitu, ANN regression. Namun waktu komputasi pada ANN regression cenderung lebih lama yaitu 12,451 ms sedangkan pada random forest regression hanya 1,9098 ms.

---

An optical network is a high-capacity telecommunications network using optical technology and components. In Indonesia, CWDM is usually used on optical networks in urban areas, this is because CWDM has a wide bandwidth and is in accordance with the needs of urban areas that only need a short distance. Machine learning (ML) is a branch of artificial intelligence that is very suitable for dealing with complex problems that are difficult to answer in a reasonable time. Accurate Quality of Transmission (QoT) prediction prior to connection establishment is critical for service provision and utilization of network resources. The Coarse Wavelength Division Multiplexing (CWDM) model used by the network complies with the ITU-T G.694.2 standard, which is 20nm splitting, the wavelengths registered in the standard are 1551 nm, 1571 nm, 1591 nm, and 1611 nm. The approach used is a linear regression type algorithm with an accuracy of 82.47%, k-nearest neighbor regression with an accuracy of 77.18%, support vector regression with an accuracy of 83.88%, random forest regression of 91.44%, and ANN deep learning regression. With an accuracy of 94.52%. The best machine learning algorithm for predicting transmission quality is the random forest regressor. This algorithm is no better than deep learning i.e., ANN regression. However, the computational time for ANN regression tends to be longer, namely 12.451 ms, while for random forest regression it is only 1.9098 ms. "

"Pipa transmisi adalah cara teraman dan paling efektif untuk mengangkut gas alam dalam jumlah besar dalam jarak jauh. Meskipun transportasi menggunakan pipa adalah yang paling aman, kegagalan pipa transmisi dapat menyebabkan kerusakan, kerugian finansial, dan cedera. Kegagalan pipa perlu diprediksi untuk untuk menentukan prioritas pemeliharaan pipa sebagai salah satu strategi membuat jadwal pemeliharaan prefentif yang tepat sasaran dan efisien agar pipa dapat diperbarui atau direhabilitasi pipa sebelum terjadi kegagalan. Metode yang ditawarkan pada studi ini adalah machine learning, dimana metode merupakan bagian dari insiatif transformasi digital (Hajisadeh, 2019). Model dikembangkan berdasarkan data kegagalan historis dari jaringan pipa transmisi gas darat sekitar 2010-2020 yang dirilis oleh Departemen Transportasi AS dengan karakteristik data yang tidak terstruktur dan kompleks. Proses pembelajaran mesin dapat dibagi menjadi beberapa langkah: pra-pemrosesan data, pelatihan model, pengujian model, pengukuran kinerja, dan prediksi kegagalan. Pengembangan model pada studi ini dilakukan menggunakan dua algoritma yaitu regresi logistik dan random forest. Pola perilaku dari faktor-faktor yang paling berpengaruh adalah usia dan panjang segmen pipa meiliki korelasi positif terhadap kegagalan pipa. Kedalaman pipa, ketebalan, dan diameter pipa memiliki korelasi negatif. Kegagalan pipa paling sering terjadi pada pipa dengan class location 1 dan class location 4, pipa yang ditempatkan di bawah tanah, serta pipa dengan tipe pelapis coal tar. Hasil pengembangan model menggunakan machine learning menunjukan hasil performa model akurasi prediksi 0.949 dan AUC 0.950 untuk model dengan algoritma regresi logistik. Sedangkan akurasi prediksi 0.913 dan AUC 0.916 untuk model dengan algoritma random forest. Berdasrkan hasil uji performa kita dapat menyimpulkan bahwa machine learning adalah metode yang efektif untuk memprediksi kegagalan pipa. Berdasarkan model yang dilatih pada dataset nyata pipa transmisi gas, hasil prediksi pada studi kasus dapat menghindari 29% dari kegagalan pipa pada 2025, 53% kegagalan pipa pada tahun 2030, dan 64% pada tahun 2035.

---

Transmission pipe is the safest and most effective way to transport large amounts of natural gas over long distances. Although transportation using pipelines is the safest, transmission pipeline failures can cause damage, financial losses, and injuries. Pipeline failures need to be predicted to determine the priority of pipeline maintenance as one of the strategies to create a schedule of maintenance targets that is right on target and efficient so that the pipeline can be rehabilitated before a failure occur. The method offered in this study is machine learning, where the method is part of the digital transformation initiative (Hajisadeh, 2019). The model was developed based on historical failure data from the onshore gas transmission pipeline around 2010-2020 released by the US Department of Transportation with unstructured and complex data characteristics. The machine learning process can be divided into several steps: data pre-processing, model training, model testing, performance measurement, and failure prediction. The development of the model in this study was carried out using two algorithms namely logistic regression and random forest. The correaltion of the factors that most influence the failure of an onshore gas transmission pipeline is the age and length of the pipe segment has a positive correlation with pipe failure. Depth of cover, thickness, and diameter of pipes have a negative correlation with pipe failures. Pipe failures most often occur in pipes with class location 1 and class location 4, undersoil, and pipes with coal tar coating types. The results of the development of the model using machine learning showed the results of the model performance prediction accuracy is 0.949 and AUC is 0.950 for models with logistic regression algorithms. Whereas the accuracy of prediction is 0.913 and AUC is 0.916 for models using the random forest algorithm. Based on the results of performance tests we can conclude that machine learning is an effective method for predicting pipe failures. Based on the model trained on a real dataset of gas transmission pipelines, the prediction results in case studies can avoid 29% of pipe failures in 2025, 53% of pipe failures in 2030, and 64% in 2035. "

"Teknologi Dense Wavelength Division Multiplexing (DWDM) telah mengalami perkembangan pesat, di mana beberapa vendor telah meningkatkan kapasitas per frekuensi hingga mencapai 1 Tbps (Tera Bit Per Second). Dalam tesis ini, penelitian dilakukan untuk menentukan pola data yang digunakan oleh engineer guna mencapai hasil yang optimal dengan menggunakan kecerdasan buatan. Penelitian ini berfokus pada simulasi jaringan DWDM di Microsoft di Amerika Utara, yang melibatkan beberapa repeater dan mempertimbangkan berbagai faktor yang terjadi dalam jaringan tersebut. Dengan menggunakan data hasil performansi lapangan, ditemukan data yang paling optimal untuk jaringan DWDM tersebut. Dengan mencapai kinerja Q-Factor yang baik, diperoleh juga margin pada jaringan berdasarkan perhitungan kabel optiknya. Estimasi kinerja Q-Factor dapat diperoleh melalui fungsi regresi linear yang bergantung pada perangkat yang dilalui dalam jaringan, seperti Transponder, EDFA, dan media transmisi berupa serat optik. Data hasil pengukuran merupakan data perubahan daya transmisi pada sisi penguat, yang menyebabkan perubahan daya per kanal pada setiap transponder di sisi penerima. Setiap perubahan nilai kinerja Q-Factor pada setiap kanal dianalisis polanya menggunakan machine learning. Data tersebut akan dilakukan proses pelatihan berulang kali guna meminimalkan kesalahan dan mencapai kinerja Q-Factor yang lebih baik. Secara keseluruhan, hasil yang dicapai dalam tesis ini membentuk dasar bagi skema pemodelan kinerja Q-Factor yang akurat serta mendapatkan nilai Q-Factor yang optimal. Hasil penelitian ini memberikan wawasan tentang penggunaan machine learning di masa depan dalam perencanaan jaringan optik DWDM.

---

This research investigates the development of Dense

Wavelength Division Multiplexing (DWDM) technology in

conjunction with 6G technology to meet the growing demands for

high-speed data transmission. Vendors have significantly

increased the capacity per channel enabling speeds of up to 1 Tera Bit Per Second. The Q-Factor is one of the indicators that

determines the quality of the optical system. Q-Factor plays a

crucial role in evaluating these technological advancements. In

actual practice, engineers need to conduct manual field tests to

obtain the Q-factor value. Engineers must calibrate the equipment

manually onsite. This procedure is time consuming and inefficient. Machine learning can be used to calculate and forecast the Qfactor quickly and automatically. This study designs a machine learning algorithm to forecast the Q-factor value based on the equipment parameters in the field. This study evaluates 4 machine learning algorithms. The data used is obtained from the Microsoft optical network in North America. The Decision tree model archives the best results with an impressive accuracy of 99.5% and low mean squared error (MSE) of 0,00104. The proposed algorithm achieved better results than the previous research."

"Budidaya udang vaname (Litopenaeus vannamei) sangat diminati sehingga permintaan udang ini meningkat setiap tahunnya. Masalah terberat para petambak adalah kegagalan panen yang berakibat kepada keberlangsungan usaha mereka. Perlu adanya usaha perbaikan untuk meningkatkan keberhasilan panen. Penelitian ini bertujuan untuk lebih menggali mengenai penggunaan machine learning dalam prediksi hasil panen dari data kualitas air. Hasil prediksi ini selanjutnya dipakai dan digunakan dalam proses bisnis sehingga dapat meningkatkan produktivitas. Analisis yang digunakan pada penelitian ini adalah analisis kuantitatif dan kualitatif serta perbaikan proses bisnis. Analisis kuantitatif dengan metode big data dan machine learning. Model yang dipakai adalah k-Nearest Neighbor (kNN), Decision Tree (DT) dan Logistic Regression (LR). Analisis kualitatif dilakukan dengan observasi dan interview untuk memperbaiki proses bisnis. Proses bisnis diperbaiki mengikuti BPM Lifecycle dengan memasukan hasil analisis kuantitatif. Dari penelitian ini didapatkan bahwa prediksi machine learning dengan model Decision Tree dari variabel rasio bakteri merugikan dan NH4+ memberikan akurasi tertinggi mencapai 96%. Setelah didapatkan model dan variabel dengan akurasi tertinggi, penelitian ini juga melakukan penerapan ke dalam proses bisnis dengan pendekatan BPM Lifecycle sehingga hasil tersebut dapat diimplementasi dan memberikan hasil yang lebih produktif.

---

Interest in Vaname shrimp (Litopenaeus vannamei) farming is growing every year. The biggest problem for shrimp farming was the unsuccessful harvest that affected their business sustainability. So, there should be an improvement made to increase the chance of a successful harvest and its productivity. Past research mentioned that vaname shrimp harvest result can be predicted by machine learning approach from water quality data. It gave good accuracy and can be used to have faster decision making. The objective of this research is to deep dive into the utilization of machine learning to predict the successful harvest from water quality data. The predicted result will be utilized in the business process to improve productivity. Analysis that used at this research are quantitative and qualitative with business process improvement. Quantitative analysis used big data methode and machine learning. Models that have been applied are k-Nearest Neighbor (kNN), Decision Tree (DT) dan Logistic Regression (LR). Data that is used for analysis are pH, salinity, NOx, NH4+, and harmful bacteria index. Qualitative analysis was applied by observation and interview with the focus to improve business process. Business processes will be improved using BPM Lifecycle with the utilization of quantitative result. This research showed that prediction machine learning with Decision Tree model from harmful bacteria index and NH4+ giving the best accuracy until 96%. The next step was utilizing the quantitative result at the business process with BPM Lifecycle approach so the result can be implemented and gave more productive result."

"Manajemen rumah sakit yang baik dapat meningkatkan kualitas pelayanan medis. Rumah sakit merupakan institusi pelayanan kesehatan yang menyelenggarakan pelayanan kesehatan perorangan secara paripurna yang menyediakan pelayanan rawat inap, rawat jalan, dan gawat darurat. Rumah sakit diharuskan untuk mengelola berbagai jenis sumber daya untuk meningkatkan efisiensi manajemen secara keseluruhan, seperti mengelola jadwal tim dan staf medis, manajemen tempat tidur, dan jalur perawatan. Penyakit jantung merupakan penyakit penyebab kematian tertinggi di dunia yang sangat membutuhkan penanganan medis dengan segera. Penyakit jantung membutuhkan salah satu pelayanan pada rumah sakit yaitu pelayanan rawat inap. Pelayanan rawat inap melibatkan sumber daya yang berkaitan dengan biaya dan waktu. Dengan adanya prediksi durasi rawat inap pada pasien penyakit jantung akan membantu pihak pasien dalam menyiapkan kebutuhan yang diperlukan serta pihak rumah sakit dalam manajemen tempat tidur rawat inap pasien penyakit jantung. Pada penelitian ini, dilakukan prediksi durasi rawat inap pasien penyakit jantung dengan menggunakan pendekatan ensemble machine learning dengan tujuan untuk mendapatkan metode terbaik dalam memprediksi dengan membandingkan dua metode ensemble machine learning yaitu random forest dan extreme gradient boosting, serta metode logistic regression sebagai baseline. Kemudian tujuan lainnya yaitu untuk mengetahui faktor yang paling berpengaruh terhadap durasi rawat inap. Ketiga metode yang digunakan merupakan bagian dari supervised machine learning. Selain itu, dilakukan optimasi hyperparameter untuk meningkatkan performa dari hasil model prediksi. Setelah membuat model prediksi dan melakukan evaluasi terhadap model, didapatkan metode terbaik yaitu random forest dengan optimasi hyperparameter yang mendapat hasil akurasi sebesar 83,9% dan nilai AUROC sebesar 92,86% serta faktor-faktor yang paling berpengaruh terhadap durasi rawat inap antara lain jumlah limfosit total, urea, trombosit, hemoglobin, glukosa, usia, kreatinin, peptida natriuretik otak, fraksi ejeksi dan hipertensi.

---

Good hospital management can improve the quality of medical services. The hospital is a health service institution that provides complete individual health services in inpatient, outpatient, and emergency services. Hospitals are required to manage various types of resources to improve overall management efficiency, such as managing medical team and staff schedules, bed management, and clinical pathways. Heart disease is the leading cause of death in the world and requires immediate medical treatment. Heart disease requires one of the services at the hospital, namely inpatient services. Inpatient services involve resources related to cost and time. Predicting the duration of hospitalization in heart disease patients will help the patient prepare for the necessary needs and the hospital in managing inpatient beds for heart disease patients. In this study, the prediction of the duration of hospitalization for heart disease patients using an ensemble machine learning approach was carried out with the aim of getting the best method of predicting by comparing two ensemble machine learning methods, namely random forest and extreme gradient boosting, as well as the logistic regression method as a baseline. Then another goal is to find out the most influential factors on the duration of hospitalization. The three methods used are part of supervised machine learning. In addition, hyperparameter optimization is carried out to improve the performance of the prediction model results. After making a predictive model and evaluating the model, the best method was obtained, namely random forest with hyperparameter optimization which obtained an accuracy of 83.9% and an AUROC value of 92.86% and the factors that most influence the duration of hospitalization include the number of total lymphocytes, urea, platelets, hemoglobin, glucose, age, creatinine, brain natriuretic peptide, ejection fraction and hypertension."

"Peralatan Perangkat Pelepas Tekanan (PRD) dioperasikan dengan tujuan untuk melindungi kehidupan dan keselamatan dalam suatu sistem bertekanan. Peralatan akan mengalami penurunan kondisi seiring berjalannya waktu pemakaian. Ketidakmampuan PRD untuk melakukan fungsinya perlu diidentifikasi sebagai mode kegagalan. Untuk mengurangi risiko apabila terjadi kegagalan, suatu pendekatan seperti Risk Based Inspection (RBI) dapat dilakukan. Metode RBI yang umum digunakan masih menggunakan pendekatan kualitatif, sehingga menghasilkan variasi yang cukup besar. Penelitian ini mengusulkan metode analisa risiko dengan menggunakan pembelajaran mesin berbasis deep learning untuk mengembangkan suatu model penilaian risiko pada PRD akibat mode kegagalan fail on demand (POFOD) yang diharapakan dapat mempersingkat waktu, meningkatkan akurasi, efisiensi dalam pengolahan data hasil inspeksi, serta biaya; dengan menawarkan hasil akurasi perhitungan yang tinggi. Penelitian ini menghasilkan program prediksi risiko dengan menggunakan metode klasifikasi pembelajaran mesin berbasis deep learning akibat mode kegagalan fail on demand pada peralatan perangkat pelepas tekanan. Pembuatan dataset yang digunakan pada model bersumber dari 160 data yang diolah dengan menggunakan standar API 581. Penelitian ini menggunakan beberapa parameter model seperti test size sebesar 20%, random state bernilai 0, penggunaan jumlah epoch sebesar 150, learning rate sebesar 0.001, dan layer berjumlah 3 dengan dense 64,64,8; yang menghasilkan akurasi model sebesar 91%, dari validasi confusion matrix.

---

Pressure Relief Device (PRD) equipment is operated with the aim of protecting the lives and safety within a pressurized system. An equipment experiences deterioration over time. The inability of PRD equipment to perform its design function needs to be identified as a failure mode. To reduce the risk in case of failure, an approach such as Risk Based Inspection (RBI) can be implemented. The commonly used RBI methods still rely on qualitative approaches, leading to significant variations. This research proposes a method using deep learning to develop a risk assessment model for PRD due to the failure on demand. This is expected to shorten the assessment time, improve accuracy, efficiency, and reduce costs by offering highly accurate calculation results. This research produces a risk prediction program using a deep learning classification method for POFOD in pressure relief device equipment. The dataset used in the model consists of 160 data processed according to API 581 standards. This research utilizes several model parameters, including a test size of 20%, 0 value of random state, 150 epochs, a learning rate of 0.001, and 3 layers with dense of 64, 64, 8. The model achieves an accuracy of 91% from the validation confusion matrix."

"Banyaknya konferensi menyulitkan peneliti memilih konferensi berkualitas. Kemungkinan peneliti tertipu dengan konferensi predator merupakan ancaman nyata yang perlu diperhatikan. Penilaian konferensi umumnya menggunakan pakar yang membutuhkan waktu dan biaya yang tinggi. Penelitian ini fokus untuk menganalisis jika h-indeks, impact factor, jumlah dokumen, dan SJR dapat menghasilkan penilaian kualitas yang sesuai dengan penilaian manual pakar dari beberapa situs penilaian konferensi serta membandingkan hasil performanya dengan penilaian jurnal. Data yang digunakan dikumpulkan dari empat sumber situs web yang mengkalkulasi kualitas konferensi luar negeri, yaitu CORE, ERA/QUALIS, AMiner, dan ScimagoJR. Data untuk penilaian jurnal didapatkan dari Guide2Research. Variabel yang digunakan untuk penilaian adalah h-indeks, jumlah dokumen, impact factor, dan SJR. Penelitian ini menggunakan metode K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Naïve Bayes, dan Decision Tree (DT). KNN menghasilkan nilai akurasi tertinggi sebesar 72,22% dan f1 score senilai 63,06% menggunakan data Qualis dengan faktor h-indeks, IF, dan SJR.

---

The number of conferences makes it difficult for researchers to choose quality conferences. The possibility of researchers being fooled by predatory conferences is a real threat that deserves attention. Conference assessments generally use experts who require time and money to evaluate the conferences. This study focuses on analyzing whether h-index, impact factor, number of documents, and SJR can produce quality assessments in accordance with expert manual assessments from several conference assessment sites and compare the resulting performance with journal assessments. The data used were collected from four website sources that calculate the quality of overseas conferences, namely CORE, ERA/QUALIS, AMiner, and ScimagoJR. Data for journal assessments were obtained from Guide2Research. The variables used for the assessment are h-index, number of documents, impact factor, and SJR. This research used K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Naïve Bayes, and Decision Tree (DT). KNN produced the highest accuracy value of 72.22% and the f1 score of 63.06% using Qualis data with the h-index, IF, and SJR factors."

"Risk-Based Inspection (RBI) adalah metodologi untuk menentukan risiko pada peralatan sesuai dengan siklus hidupnya untuk mengoptimalkan rencana inspeksi yang membutuhkan penilaian kualitatif atau kuantitatif terhadap probabilitas kegagalan (POF) dan konsekuensi dari kegagalan (COF) yang terkait dengan masing-masing item peralatan, termasuk perpipaan, dalam unit proses tertentu dengan tujuan meningkatkan keselamatan operasional dan kehandalan fasilitas industri. Penelitian ini bertujuan untuk mengetahui prediksi risiko dataset infrastruktur transmisi gas di PT PGN Tbk, analisis perbandingan antara hasil penilaian risiko dengan machine learning dan penilaian RBI secara manual, serta optimalisasi program inspeksi RBI. Tahapan penelitian adalah pengumpulan data, rekayasa fitur, pelatihan model, evaluasi model, peningkatan model, analisis perbandingan, analisis risiko biaya dan optimalisasi program inspeksi. Hasil analisis perbandingan adalah dengan logistic regression (LR) sesuai 89,84%, support vector machine (SVM) sesuai 98,53%, k nearest neighbours (K-NN) sesuai 97,79%, decision tree (DT) sesuai 99,26% dan random forests (RF) sesuai 99,85% yang merupakan algoritma machine learning yang terbaik dengan menggunakan ukuran data test sebesar 10%. Berdasarkan analisis risiko biaya, biaya inspeksi dengan teknik RBI secara manual dan menggunakan machine learning memperoleh pengurangan biaya sebesar 60,83% daripada program inspeksi tidak berbasis risiko. Hasilnya menunjukkan bahwa dengan menggunakan machine learning dapat memprediksi tingkat risiko inspeksi berbasis risiko, mengoptimalkan rencana inspeksi, dan menurunkan biaya inspeksi.

---

Risk-Based Inspection (RBI) is a methodology for determining risks on equipment in accordance with its life cycle to optimize inspection plan that requires qualitative or quantitative assessment of the probability of failure (POF) and the consequences of failure (COF) associated with each item equipment, including piping, within a certain process unit with the aim of increasing the operational safety and reliability of industrial facilities. This study aims to determine the risk prediction of gas transmission infrastructure dataset at PT PGN Tbk, a comparison analysis between the results of the risk assessment of machine learning and the RBI assessment manually, as well as an optimization of RBI inspection program. Stages of research are data collection, feature engineering, model training, model evaluation, model enhancements, comparison analysis, cost risk analysis and optimization of inspection program. The results of comparison analysis are with logistic regression (LR) match 89.84%, support vector machine (SVM) match 98.53%, k-nearest neighbours (k-NN) match 97.79%, decision tree (DT) match 99.26% and random forests (RF) match 99.85% which is the best machine learning algorithm by using a data test size equal to 10%. Based on cost risk analysis, inspection costs with RBI techniques manually and using machine learning obtain a reduction in costs by 60.83% than inspection program not risk based. The result shows that using machine learning, it could predict the risk level of risk-based inspection, optimize the inspection plan, and lower the inspection cost."

"Paduan super merupakan jenis paduan yang dapat mempertahankan kekuatan mekanis dan kestabilan permukaannya pada temperatur yang sangat tinggi sehingga cocok diaplikasikan pada bidang kedirgantaraan, khususnya turbin gas. Jenis paduan super yang paling banyak digunakan adalah paduan super berbasis nikel karena memiliki struktur kristal FCC yang stabil di segala temperatur. Agar dapat digunakan dalam jangka waktu yang lama, kegagalan pada paduan super berbasis nikel dapat dicegah dengan mengetahui kekuatan tarik dari paduannya. Selain itu untuk mencegah terjadinya keausan pada komponen mesin, kekerasan pada paduan super berbasis nikel juga harus diketahui. Adapun titik leleh dari paduan super berbasis nikel juga harus dapat diketahui untuk mencegah terjadinya pelunakan paduan super pada temperatur yang sangat tinggi. Biaya produksi paduan super berbasis nikel tergolong mahal, karena dibuat berdasarkan pendekatan trial and error yang memakan waktu. Pada penelitian ini, dilakukan pembuatan sebuah program yang dapat memprediksi sifat mekanis paduan super berbasis nikel menggunakan pembelajaran mesin dengan metode deep learning. Melalui pembelajaran mesin, biaya produksi paduan super berbasis nikel dapat ditekan serta mempersingkat siklus perkembangan material. Penelitian ini menghasilkan suatu program deep learning dengan jenis model regresi yang dapat memprediksi kekuatan tarik, kekerasan, dan titik leleh paduan super berbasis nikel dengan keakurasian model menurut metrik R2 sebesar 98,77% berdasarkan variasi hyperparameter yang ditetapkan sebanyak tiga hidden layer dengan dense 256, 128, 64, test size sebesar 25%, random state dengan nilai 75, batch size sebesar 32, epoch sebanyak 300, dan learning rate sebesar 0,001.

---

A superalloy is a type of alloy that can maintain its mechanical strength and surface stability at very high temperatures so that it is suitable for application in the aerospace field, especially in gas turbines. The most widely used type of superalloy is Ni-based superalloy because it has a stable FCC crystal structure at all temperatures. The failure of Ni-based superalloys can be prevented by knowing the tensile strength of the alloy for a longer-term used. In addition, to prevent wear on the engine components, the hardness of Ni-based superalloys must also be known. The melting point of Ni-based superalloys must also be known to prevent softening of the superalloy at very high temperatures. The production cost of Ni-based superalloys is quite expensive because they are made based on a time-consuming trial and error approach. In this research, a program is developed that can predict the mechanical properties of Ni-based superalloys using machine learning with deep learning methods. Through machine learning, the production cost of Ni-based superalloys can be reduced, and the material development cycle can be shortened. The result of this research is a deep learning program with a regression model which can predict the tensile strength, hardness, and melting point of Ni-based superalloys with a model accuracy of 98.77% according to the R2 metric based on the hyperparameter variations set as three hidden layers wi"

"Seiring dengan kemajuan teknologi, fase konstruksi dan pembangunan mengalami perkembangan yang cukup pesat secara signifikan dalam mempersingkat waktu desain konstruksi. Proses desain bangunan hijau yang memakan waktu lebih lama daripada bangunan konvensional membuat industri konstruksi diharapkan mampu menemukan cara alternatif dengan alat desain terkomputerisasi yang efisien. Salah satunya dengan penerapan teknologi dengan menggunakan pembelajaran mesin. Tujuan dari penelitian ini adalah untuk menyelidiki persiapan data bangunan hijau untuk digunakan dalam alat desain berbasis pembelajaran mesin yang diusulkan agar lebih akurat dalam memprediksi variabel bangunan hijau khususnya kualitas lingkungan dalam ruangan daripada metode desain konvensional. Tinjauan literatur tentang bangunan hijau, serta pembelajaran mesin dalam konstruksi dilakukan untuk mengidentifikasi topik penelitian yang sedang dilakukan. Data umum tersebut dikuantifikasi, dianalisis, dan diproses untuk digunakan dalam model desain bangunan hijau yang dikembangkan menggunakan algoritma dan pemrograman artificial neural network dan support vector regression. Konsep pengembangan model ini menunjukkan bahwa alat desain akan membantu mengambil keputusan dalam memprediksi variabel bangunan hijau secara kuantitatif dengan akurasi yang memadai. Metode yang diambil sebagai model terbaik dalam penelitian ini adalah model dengan algoritma support vector regression.

---

Along with technological advances, the construction and development phases have developed quite rapidly, significantly shortening the construction design time. The green building design process which takes longer than conventional buildings makes the construction industry expected to be able to find alternative ways with efficient computerized design tools. One of them is by applying technology using machine learning. The aim of this study is to investigate the preparation of green building data for use in a machine learning-based design tool which is proposed to be more accurate in predicting green building variables especially indoor environmental quality than conventional design methods. A review of the literature on green building, as well as machine learning in construction was conducted to identify the topic of the research being carried out. The general data is quantified, analyzed, and processed to be used in a green building design model developed using algorithms and programming artificial neural networks and support vector regression. The concept of developing this model shows that design tools will help make decisions in predicting green building variables quantitatively with sufficient accuracy. The method taken as the best model in this study is a model with a support vector regression algorithm."