Hasil Pencarian  ::  Simpan CSV :: Kembali

"Daerah ekuator memiliki curah hujan yang tinggi karena terletak di dekat garis khatulistiwa, dimana matahari menghasilkan energi yang sangat tinggi sepanjang tahun. Ini berdampak pada habitat biologis, siklus air global, dan kehidupan sehari- hari manusia. Informasi curah hujan yang akurat penting untuk mitigasi bencana, pengelolaan sumber daya udara, dan pemodelan iklim. Pengukuran terhadap curah hujan dalapat dilakukan dengan berbagai metode, salah satunya dengan menggunakan metode jarak jauh yaitu radar (Radio Detecting and Ranging). Pada studi ini, dilakukan perhitungan radar cuara dengan menggunakan machine learning untuk mengkaji keakuratan perhitungan data radar cuaca terhadap nilai estimasi curah hujan di Pontianak. Produk dari radar cuaca merupakan data reflektifitas (Z). Penggunaan machine learning ini diterapkan pada data reflektifitas radar cuaca dimana data yang digunakan adalah C-MAX atau Column Maximum. Data curah hujan pada periode Desember 2021 sampai Februari 2022 di Pontianak diolah dengan metode perbandingan menggunakan empat algoritma tree-based machine learning: Decision Tree, Random Forest, Adaptive Boosting, dan Gradient Boosting. Perbandingan ini bertujuan untuk mendapatkan nilai estimasi curah hujan. Algoritma Decision Tree menghasilkan nilai akurasi RMSE sebesar 0,693 dan korelasi R2 sebesar 0,449; Random Forest menghasilkan RMSE 0,642 dan R2 0,527; Adaptive Boosting menghasilkan RMSE sebesar 0,725 dan R2 sebesar 0,395, serta Gradient Boosting menghasilkan RMSE sebesar 0,561 dan R2 sebesar 0,638. Disimpulkan bahwa algoritma Gradient Boosting dapat memberikan estimasi curah hujan terbaik di Pontianak, Kalimantan Barat, Indonesia.

---

Equatorial regions have high rainfall because they are located near the equator, where the sun produces very high energy throughout the year. This impacts biological habitats, the global water cycle, and people's daily lives. Accurate rainfall information is vital for disaster mitigation, air resource management, and climate modeling. Rainfall can be measured using various methods, one of which is a long- range method, namely radar (Radio Detecting and Ranging). In this study, weather radar calculations were carried out using machine learning to assess the accuracy of weather radar data calculations on estimated rainfall values in Pontianak. The product of weather radar is reflectivity data (Z). Machine learning is applied to weather radar reflectivity data where the data used is C-MAX or Column Maximum. Rainfall data from December 2021 to February 2022 in Pontianak was processed utilizing a comparative method using four tree-based machine learning algorithms: Decision Tree, Random Forest, Adaptive Boosting, and Gradient Boosting. This comparison aims to obtain estimated rainfall values. The Decision Tree algorithm produces an RMSE accuracy value of 0.693 and an R2 correlation of 0.449; Random Forest produces an RMSE of 0.642 and R2 0.527; Adaptive Boosting produces an RMSE of 0.725 and R2 of 0.395, and Gradient Boosting has an RMSE of 0.561 and an R2 of 0.638. It was concluded that the Gradient Boosting algorithm can provide the best rainfall estimates in Pontianak, West Kalimantan, Indonesia."

"Curah hujan merupakan unsur iklim yang memiliki keragaman dan fluktuasi yang tinggi di Indonesia. Hal ini membuat curah hujan merupakan unsur iklim yang paling dominan untuk mencirikan iklim di Indonesia. Berdasarkan gerakan udara naik untuk membentuk awan, terdapat tiga tipe hujan yaitu konvektif, orografik, dan gangguan. Pengukuran terhadap curah hujan dapat dilakukan dalam berbagai metode, salah satunya dengan menggunakan pengukuran jarak jauh yaitu radar (Radio Detecting and Ranging). Pada studi ini dilakukan perhitungan radar cuaca dengan menggunakan machine learninguntuk mengkaji keakuratan perhitungan data radar cuaca terhadap estimasi curah hujan di Pulau Biak, Indonesia. Produk dari radar cuaca merupakan data reflektifitas (Z). Penggunaan machine learning ini diterapkan pada data reflektifitas radar cuaca dimana data yang digunakan adalah C-MAX atau Column Maximum. Data curah hujan pada periode Desember 2021 sampai Februari 2022 di Kabupaten Biak diolah menggunakan algoritma yang berbeda, yaitu Decision Tree, Random Forest, Adaptive Boosting, Gradient Boosting Extreme Gradient Boosting. Hasil dari studi ini akan menunjukkan algoritma terbaik yang dapat digunakan untuk memprediksi estimasi curah hujan konvektif di Pulau Biak, Indonesia. Berdasarkan penelitian yang sudah dilakukan, didapatkan hasil R2 pada algoritma Decision Tree sebesar 0,70; Random Forest 0,60; Adaptive Boosting sebesar 0,42; Gradient Boosting sebesar 0,71 dan Extreme Gradient Boosting sebesar 0,73. Hasil analisis menunjukkan bahwa algoritma Extreme Gradient Boosting dapat memberikan estimasi curah hujan paling baik di Pulau Biak, Indonesia.

---

Rainfall is an element of climate with high diversity and fluctuation in Indonesia. This makes rainfall the most dominant climate element to characterize the climate in Indonesia. Based on the movement of rising air to form clouds, there are three types of rain: convective, orographic, and disturbance. Rainfall can be measured in various methods, one of which is by using remote measurement, namely radar (Radio Detecting and Ranging). In this study, weather radar calculations were carried out using machine learning to assess the accuracy of weather radar data calculations on the estimated rainfall value on Biak Island, Indonesia. The product of weather radar is reflectivity (Z) data. The use of machine learning is applied to weather radar reflectivity data where the data used is C-MAX or Column Maximum. Rainfall data from December 2021 to February 2022 in Biak Regency is processed using five different algorithms: Decision Tree, Random Forest, Adaptive Boosting, Gradient Boosting, and Extreme Gradient Boosting. The result of this study will show the best algorithm that can be used to predict convective rainfall estimation in Biak Island, Indonesia. Based on the research that has been done, the R2 results obtained on the Decision Tree algorithm of 0.70; Random Forest 0.60; Adaptive Boosting of 0.42; Gradient Boosting of 0.71 and Extreme Gradient Boosting of 0.73. The analysis shows that the Extreme Gradient Boosting algorithm can estimate the best rainfall in Biak Island, Indonesia."

"Curah hujan mempunyai dampak yang signifikan terhadap berbagai sektor kehidupan dan lingkungan. Misalnya, curah hujan membantu meningkatkan produktivitas pertanian, menjamin cadangan pangan dan air. Selain itu, curah hujan juga mempengaruhi kekeringan dan siklus air tanah. Oleh karena itu, mengetahui cara memperkirakan curah hujan di suatu daerah secara akurat sangat penting. Salah satu cara memperkirakan curah hujan adalah dengan menggunakan radar cuaca yang mengukur nilai reflektivitas, kemudian menggunakan persamaan Z-R untuk menghitung curah hujan yang terjadi. Namun, beberapa penelitian sebelumnya telah menggunakan model estimasi curah hujan kuantitatif dengan machine learning dari data radar hujan karena dapat memberikan prediksi yang lebih akurat dibandingkan persamaan Z-R. penelitian lain menyatakan bahwa gradient boosting menghasilkan estimasi curah hujan yang lebih akurat dibandingkan beberapa algoritma lainnya. Pada penelitian ini, estimasi curah hujan dilakukan pada satu wilayah dengan tipe curah hujan lokal di Kota Gorontalo. Estimasi ini dilakukan dengan membandingkan keakuratan dua metode: persamaan Z-R dan algoritma machine learning. Persamaan Z-R yang digunakan adalah persamaan Z-R oleh Marshall-Palmer (𝐴 = 200, 𝑏 = 1.6) dan Rosenfeld (𝐴 = 250, 𝑏 = 1.2), sedangkan algoritma machine learning yang digunakan adalah gradient boosting. Hasil perbandingan menunjukkan bahwa gradient boosting memberikan estimasi yang lebih akurat dibandingkan dengan kedua persamaan Z-R tersebut. Hasil estimasi algoritma gradient boosting memberikan nilai RMSE, MAE, dan R 2 masing-masing sebesar 0,61, 0,17, dan 0,86. Persamaan Marshall-Palmer Z-R menghasilkan nilai RMSE, MAE, dan R 2 sebesar 8,14, 3,66, dan -0,19. Estimasi persamaan Z-R Rosenfeld menghasilkan nilai RMSE, MAE, dan R 2 sebesar 8,18, 3,71, dan -0,20. Dari ketiga metrik tersebut, dapat disimpulkan bahwa gradient boosting memberikan estimasi yang paling akurat untuk curah hujan di wilayah dengan tipe hujan lokal di Kota Gorontalo.

---

Rainfall has a significant impact on various sectors of life and the environment. For example, rainfall helps increase productivity in agriculture, ensuring food reserves and water. In addition, rainfall also affects drought and the soil water cycle. Therefore, knowing how to estimate rainfall in an area accurately is essential. One way to estimate rainfall is to use a weather radar that measures reflectivity values, then use the Z-R equation to calculate the rainfall that occurs. However, Several previous studies have used machine learning quantitative rainfall estimation models from rain radar data because it can provide more accurate predictions than the Z-R equation. Another study state that gradient boosting provides more accurate rainfall estimation than several other algorithms. In this study, rainfall estimation was carried out in an area with local rainfall types in Gorontalo City. This estimation is done by comparing the accuracy of two methods: the Z-R equation and machine learning algorithms. The Z-R equation used is the Z-R Equation by Marshall-Palmer (𝐴 = 200, 𝑏 = 1.6) and Rosenfeld (𝐴 = 250, 𝑏 = 1.2), while the machine learning algorithm used is gradient boosting. The comparison results show that gradient boosting provides a more accurate estimation than the two ZR equations. The gradient boosting algorithm estimation results provide RMSE, MAE, and R 2 values of 0.61, 0.17 and 0.86, respectively. The Marshall-Palmer Z-R equation obtained RMSE, MAE, and R 2 values of 8.14, 3.66, and -0.19. The estimation of Rosenfeld's Z-R equation resulted in RMSE, MAE, and R 2 values of 8.18, 3.71, and - 0.20. From these three metrics, it is concluded that gradient boosting provides the most accurate estimate for rainfall in areas with localized rainfall types in Gorontalo City."

"ABSTRAKHujan menjadi salah satu parameter cuaca yang paling banyak diperhatikan karena fenomena kejadiannya secara signifikan dapat mempengaruhi aktivitas manusia, termasuk dalam bidang pertanian, perkebunan, perikanan, transportasi dan lain-lain. Selain itu informasi curah hujan sangat penting untuk melakukan analisis cuaca, khususnya dalam menganalisis kejadian banjir yang disebabkan oleh hujan lebat sehingga perlu adanya informasi terkait curah hujan yang tepat dan akurat. Penelitian ini bertujuan untuk mendapatkan model estimasi curah hujan yang optimal dengan beberapa metode machine learning. Machine learning merupakan aplikasi artificial intelligence (AI) yang menyediakan sistem pembelajaran bagi mesin untuk belajar secara otomatis tanpa diperintahkan secara eksplisit. Machine learning yang digunakan dalam penelitian ini adalah multi-layer perceptron (MLP), support vector regression (SVR) dan random forest (RF). Data radar dan jarak dari radar digunakan sebagai input model, untuk data target/validasi digunakakan data pengamatan hujan otomatis disekitar pengamatan Radar Polarisasi Tunggal di Yogyakarta. Hasil model akan dievaluasi nilai galat dan tingkat akurasinya, sehingga didapatkan metode machine learning yang optimal dalam mengestimasi curah hujan

---

ABSTRACTRain is one of the weather parameters that is the most widely considered because the phenomenon of its occurrence can significantly affect human activities, including in agriculture, plantations, fisheries, transportation and others. In addition, rainfall information is very important to do weather analysis, especially in analyzing the occurrence of floods caused by heavy rains so there is a need for accurate and accurate rainfall related information. This study aims to obtain an optimal rainfall estimation model with several machine learning methods. Machine learning is an artificial intelligence (AI) application that provides a learning system for machines to learn automatically without explicit instruction. The machine learning used in this study is multi-layer perceptron (MLP), support vector regression (SVR) and random forest (RF). Radar data and distance from the radar are used as input models, for target/validation data used automatic rain observation data around the Single Polarization Radar observation in Yogyakarta. The results of the model will be evaluated for error values ​​and their level of accuracy, so that an optimal machine learning method is obtained in estimating rainfall."

"Radio Detection and Ranging (Radar) cuaca merupakan instrumen meteorologi yang umum digunakan dalam mengidentifikasi curah hujan menggunakan prinsip kerja pulsa Doppler. Produk radar berupa data reflektifitas (Z) dengan satuan [dBZ] diyakini memiliki hasil yang sebanding dengan data tampungan air hujan oleh tipping bucket. Namun, hal ini dapat berbanding terbalik oleh adanya pengaruhi dari kecepatan angin yang berhembus secara horizontal, dimana dapat membawa sejumlah droplet hujan sehingga tidak bisa terekam oleh tipping bucket. Pada penelitian ini, dilakukan pengukuran curah hujan dan kecepatan angin pada Stasiun Meteorologi Kelas I Djalaluddin, Gorontalo, Indonesia pada bulan Desember 2021 sampai Februari 2022. Pengolahan data berbasis Machine Learning dengan jenis algoritma berupa Decision Tree, Random Forest, AdaBoost, dan Gradient Boosting. Pengolahan data menggunakan data reflektivitas radar dan data besar kecepatan angin sebagai input, serta data curah hujan oleh tipping bucket digunakan sebagai data target. Dalam penelitian ini digunakan metriks evaluasi untuk mengetahui nilai algoritma yang paling baik dengan nilai matriks kesalahan RMSE, MSE, dan MAE yang relatif rendah dan hasil Rooted Squared Error (R-squared) yang mendekati 1. Hasil penelitian ini digunakan untuk mengetahui pengaruh kecepatan angin terhadap estimasi curah hujan di Gorontalo, Indonesia, serta mengetahui jenis algoritma yang paling baik untuk mengestimasinya.

---

Weather Radio Detection and Ranging (Radar) is a meteorological instrument used in identifying rainfall using the working principle of Doppler pulses. Radar products in the form of reflectivity (Z) data with units of [dBZ] are believed to have comparable results with rainwater storage data by tipping buckets. However, this can be inversely affected by the horizontal wind speed, which can carry the rain droplets that cannot be recorded by the tipping bucket. In this study, rainfall and wind speed measurements were taken at the Djalaluddin Class I Meteorological Station, Gorontalo, Indonesia from December 2021 to February 2022. Based on Machine Learning data processing with algorithm types such as Decision Tree, Random Forest, AdaBoost, and Gradient Boosting. Data processing uses radar reflectivity data and wind speed data as input, and rainfall data by tipping bucket is used as target data. In this study, an evaluation metric is used to determine the best algorithm value with relatively low RMSE, MSE, and MAE error matrix values and Rooted Squared Error (R-squared) results. The results of this study are used to determine the effect of wind speed on rainfall estimation in Gorontalo, Indonesia, and to determine the best type of algorithm to estimate it."

"Just like electricity, Machine Learning will revolutionize our life in many ways-some of which are not even conceivable today. This book provides a thorough conceptual understanding of Machine Learning techniques and algorithms. Many of the mathematical concepts are explained in an intuitive manner. The book starts with an overview of machine learning and the underlying Mathematical and Statistical concepts before moving onto machine learning topics. It gradually builds up the depth, covering many of the present day machine learning algorithms, ending in Deep Learning and Reinforcement Learning algorithms. The book also covers some of the popular Machine Learning applications. The material in this book is agnostic to any specific programming language or hardware so that readers can try these concepts on whichever platforms they are already familiar with."

"Bejana tekan merupakan peralatan yang sebagai penampung fluida cair maupun gas dengan temperatur yang memiliki perbedaan dengan lingkungan yang ada di sekitarnya yang memiliki kemungkinan kegagalan yang tinggi yang dapat berpengaruh pada banyak faktor. Kegagalan bejana tekan dapat disebabkan karena adanya fenomena korosi seragam yang menyebabkan keluarnya fluida berbahaya dari peralatan yang memiliki tekanan karena adanya penipisan pada dinding bejana tekan. Hal ini dapat dihindari dengan melakukan inspeksi menggunakan risk-based inspection (RBI) yang mampu meningkatkan keamanan bejana tekan berbasis risiko yang dilakukan pada suatu peralatan berdasarkan prioritas risiko yang mempermudah dalam melakukan inspeksi dengan memperhatikan Probability of Failure dan Consequence of Failure. Salah satu metode untuk menganalisis risiko pada bejana tekan adalah dengan menggunakan metode pembelajaran mesin berbasis deep learning yang akan mengembangkan model penilaian risiko kegagalan bejana tekan minyak dan gas akibat korosi seragam yang dapat mempersingkat waktu, meningkatkan akurasi, efisien dalam melakukan pengolahan data, serta lebih lebih hemat biaya dengan menawarkan akurasi perhitungan yang tinggi. Penelitian menghasilkan program prediksi risiko bejana tekan dengan menggunakan klasifikasi pembelajaran mesin berbasis deep learning untuk memprediksi kegagalan pada peralatan bejana tekan akibat korosi seragam dengan menggunakan metode Risk Based Inspection dengan beberapa parameter model seperti random state senilai 25, learning rate sebesar 0.001, dengan layer berjumlah 3 dan dense 64,32,16, test size sebesar 20% dan batch size sebesar 32, dan epoch dengan nilai 150 menghasilkan akurasi model sebesar 93% yang didapatkan dari validasi confusion matrix. Nilai akurasi 93% bersumber dari 300 data yang didapatkan dari pembuatan dataset dengan berlandaskan standard API RBI 581.

---

A pressure vessel is an equipment that acts as a container for a liquid or gas with a different temperature from the surrounding environment, a high probability of failure, which can affect many factors. Pressure vessel failure can be caused by uniform corrosion, causing the dangerous liquid to be discharged from the pressure vessel due to thinning the pressure vessel wall. Pressure vessel failure can prevent failure by performing Risk Based Inspection (RBI), improving the safety and reliability of pressure vessels based on the risk performed on the equipment are based on risk priority. RBI facilitates the execution of tests that consider the probability of failure and the consequences of failure. One risk analysis method in pressure vessels is to use deep learning based machine learning to develop a failure risk assessment of pressure vessels due to uniform corrosion. This method can shorten the time, increase accuracy, be efficient in data processing, and be more cost-effective by offering high calculation accuracy. In this study, a risk prediction program of a pressure vessel is completed using a deep learning based machine learning classification to predict failure of pressure vessel using the Risk based Inspection method. This program which obtained the following model parameters such as random state of 25, a learning rate of 0.001, with three layers and dense 64,32,16, test size of 20% and batch size of 32, and an epoch with a value of 150, resulted in a model accuracy of 93% obtained from the validation of the confusion matrix. Program with accuracy of 93% comes from 300 dataset based on the RBI 581 API standard."

"Rumah menjadi tempat tinggal yang memiliki fungsi untuk memberikan rasa aman dan nyaman bagi penghuninya. Oleh sebab itu, pemilihan lokasi tempat tinggal menjadi penting, terutama bagi penduduk Jakarta, dimana Jakarta termasuk daerah rawan terhadap banjir. Banjir di Jakarta berdampak pada keamanan dan keselamatan hingga memberikan kerugian secara materil. Oleh karena itu, penelitian ini mengestimasikan property value harga rumah dengan mempertimbangkan lokasi tempat tinggal. Namun, penelitian ini juga akan menggunakan faktor penentu lokasi dalam pemilihan rumah lainnya, seperti atribut aksesibilitas dan atribut struktutal. Dalam pembuatan model estimasi ini akan menggunakan machine learning (ML) sebagai metodenya, yaitu Gradient Boosting Decision Trees (GBDT) dan Random Forest (RF), dengan optimasi Genetic Algorithm (GA) untuk meningkatkan kinerja model. Hasil penelitian ini menunjukkan GBDT dan RF memiliki performa sama baiknya dalam mengestimasi model property value rumah. Serta, penggunaan GA untuk meningkatkan kinerja model berhasil dengan meningkatnya nilai R², serta menurunnya nilai MAPE dan RMSE. Penelitian ini juga melihat faktor – faktor yang berpengaruh terhadap model, dengan luas tanah dan luas bangunan menjadi faktor paling berpengaruh, yang diikuti oleh MRT, rumah sakit, pusat perbelanjaan, tol, SMP, dan lokasi rawan.

---

A home serves as a place of residence that provides a sense of safety and comfort for its occupants. Therefore, the selection of the location for a residence is crucial, especially for residents of Jakarta, as Jakarta is prone to flooding. Flooding in Jakarta impacts security, safety, and even material losses. Hence, this research aims to estimate the property value of houses by considering the location of the residence. Additionally, the research will incorporate other factors that influence housing selection, such as accessibility attributes and structural attributes. The estimation model will utilize machine learning (ML) techniques, specifically Gradient Boosting Decision Trees (GBDT) and Random Forest (RF), with Genetic Algorithm (GA) optimization to enhance the model's performance. The research findings indicate that both GBDT and RF perform equally well in estimating the property value model. Moreover, the use of GA to improve the model's performance is successful, as evidenced by an increase in the R2 value and a decrease in the MAPE and RMSE values. The research also examines the factors that influence the model, with land area and building area being the most influential factors, followed by proximity to the MRT, hospitals, shopping centres, toll roads, junior high schools, and flood-prone areas."

"Tujuan utama penggunaan peralatan Pressure Relief Device (PRD) adalah untuk memastikan keamanan bejana tekan dalam sistem bertekanan. Seiring berjalannya waktu, peralatan PRD dapat mengalami penurunan kualitas dan gagal menjalankan fungsi yang diharapkan, sehingga harus diidentifikasi sebagai mode kegagalan. Untuk memitigasi potensi risiko yang terkait dengan hal ini, direkomendasikan agar pendekatan seperti inspeksi berbasis risiko (RBI) diterapkan. Meskipun RBI telah diadopsi secara luas, metode ini bergantung pada teknik kualitatif, sehingga menyebabkan variasi yang signifikan dalam penilaian risiko peralatan. Studi ini mengusulkan metode analisis risiko baru yang menggunakan pembelajaran mesin berbasis pembelajaran mendalam untuk mengembangkan model penilaian risiko untuk peralatan PRD terkait dengan mode kegagalan failure on leakage. Pendekatan inovatif ini akan mengurangi waktu penilaian, meningkatkan akurasi, dan menurunkan biaya pemrosesan dengan memberikan hasil penghitungan yang tepat. Penelitian ini mengembangkan program prediksi risiko yang menggunakan pembelajaran mesin berbasis deep learning yang dirancang secara eksplisit untuk mode kegagalan failure on leakage pada peralatan pelepas tekanan. Dataset yang digunakan dalam proses pengembangan model mengikuti standar API 581 dan berisi 168 dataset. Berbagai parameter model digunakan, antara lain test size 20%, nilai random state 0, 150 epoch, learning rate 0,001, dan 3 layers dengan nilai dense 128, 64, dan 32. Performa model dievaluasi menggunakan validation confusion matrix, yang menunjukkan akurasi 94%.

---

The primary objective of deploying Pressure Relief Device (PRD) equipment is to ensure the safety of pressure vessels within a pressurized system. Over time, PRD equipment may degrade and fail to perform its intended function, which must be identified as a failure mode. To mitigate potential risks associated with this, it is recommended that an approach such as risk-based inspection (RBI) be implemented. Despite the widespread adoption of RBI, the method relies on qualitative techniques, leading to significant variations in equipment risk assessments. This study proposes a novel risk analysis method that uses deep learning-based machine learning to develop a risk assessment model for PRD equipment related to the fail-on-leakage failure mode. This innovative approach will reduce assessment times, improve accuracy, and lower processing costs by providing precise calculation results. The research develops a risk prediction program that uses deep learning-based machine learning designed explicitly for failure-on-leakage failure mode in pressure relief equipment. The dataset used in the model development process adheres to API 581 standards and comprises 168 data points. Various model parameters are employed, including a test size of 20%, a random state value of 0, 150 epochs, a learning rate of 0.001, and 3 layers with dense values of 128, 64, and 32. The model's performance is evaluated using a validation confusion matrix, which indicates an accuracy of 94%."