Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."

"Mengembangkan onsite-EEW (Earthquake Early Warning) merupakan masalah yang menantang karena keterbatasan waktu dan jumlah informasi yang dapat dikumpulkan sebelum peringatan dikeluarkan. Pendekatan yang dapat dilakukan untuk mencegah bencana akibat gempabumi adalah dengan memprediksi tingkat percepatan tanah di suatu lokasi menggunakan sinyal gelombang-P awal dan memberikan peringatan sebelum puncak percepatan tanah yang besar terjadi. Dalam kondisi sebenarnya, keakuratan prediksi merupakan masalah yang paling penting untuk sistem peringatan dini gempabumi. Pada penelitian ini mengimplementasi metode berbasis kecerdasan buatan untuk memprediksi tingkat getaran gempabumi secara dini, ketika gelombang P tiba di stasiun seismik. Sebuah model CNN dibangun untuk membuat prediksi dengan menggunakan small window 3 detik awal gelombang P dari rekaman accelerometer. Model ini dibangun dengan dataset dengan input gelombang seismik dengan variasi 3,2 dan 1 detik data gempabumi di wilayah Jawa Barat 2017 hingga 2023 dengan pembagian 80% data latih,, 10% data validasi dan 10% data uji . Dari evaluasi model terbaik, skema yang diusulkan mendapatkan akurasi 99.30%±0.63% dengan data uji.

---

Developing onsite-EEW (Earthquake Early Warning) is a challenging problem due to the limited time and amount of information that can be gathered before a warning is issued. A possible approach to preventing earthquake-induced disasters is to predict the level of ground acceleration at a site using early P-wave signals and provide warnings before large ground acceleration peaks occur. In actual conditions, the accuracy of prediction is the most important issue for earthquake early warning systems. This study implements an artificial intelligence-based method to predict the level of earthquake tremors early, when P-waves arrive at seismic stations. A CNN model is built to make predictions using a small window of the first 3 seconds of P-waves from accelerometer recordings. The model was built with a dataset with seismic wave input with 3,2 and 1 second variations of earthquake data in the West Java region from 2017 to 2023 with a division of 80% training data, 10% validation data and 10% test data. From the evaluation of the best model, the proposed scheme obtained an accuracy of 99.30%±0.63% with test data."

"[ABSTRAKPerkembangan sistem informasi saat ini menyebabkan sistem informasi yang digunakan dalam sebuah organisasi terus bertambah dan semakin kompleks. Halini juga memunculkan fenomena meningkatnya jumlah data yang diolah dandihasilkan oleh sistem informasi. Kondisi ini membawa tantangan baru dalampengawasan operasional sistem informasi, seperti keterlambatan peringatankesalahan atau membanjirnya jumlah peringatan yang tidak tepat sasaran. Penelitian ini bertujuan membangun sebuah sistem pengawasan aplikasi padasistem informasi di PT. XYZ menggunakan Event Driven Architecture dan Machine Learning. Pengembangan ini menggunakan perangkat lunak R dan TIBCO StreamBase.

---

ABSTRACTAdvancement in information system nowadays has generated more quantities and complexities of an organization?s information system. This factalso leads to a phenomenon of the increase of data volume being processed andalso generated by any information system. This condition has brought a newchallenge in the operation and monitoring of the information systems, such asdelays in failure alert and also floods of incorrect alerts. This research aims to build a monitoring system for applications in the PT. XYZ information systems, using Event Driven Architecture and Machine Learning techniques. This development is done using R software and also TIBCO StreamBase. , Advancement in information system nowadays has generated more quantities and complexities of an organization’s information system. This factalso leads to a phenomenon of the increase of data volume being processed andalso generated by any information system. This condition has brought a newchallenge in the operation and monitoring of the information systems, such asdelays in failure alert and also floods of incorrect alerts. This research aims to build a monitoring system for applications in the PT. XYZ information systems, using Event Driven Architecture and Machine Learning techniques. This development is done using R software and also TIBCO StreamBase. ]"

"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."

"Sistem pengenalan wajah (face recognition system) merupakan salah satu sistem yang dibangun berdasarkan pre-trained model. Sistem ini memanfaatkan teknik biometrik yang menggunakan wajah sebagai pengenalan atau identifikasi seseorang. Implementasi sistem pengenalan wajah dapat diaplikasikan dalam berbagai macam aplikasi seperti sistem absensi untuk mengecek kehadiran, sistem monitoring pengunjung di tempat wisata ataupun tempat-tempat publik, hingga dapat digunakan untuk mengenali tingkah laku seseorang untuk analisis-analisis yang dibutuhkan di berbagai bidang. Dalam penelitian ini, akan diimplementasikan sistem pengenalan wajah untuk sistem absensi menggunakan metode pembelajaran deep learning. Proses training data dan validasi hasil pengenalan wajah akan dibandingkan antara model CNN (Convolutional Neural Network) berarsitektur ResNet-50 dengan VGG16 yang telah dilatih sebelumnya menggunakan dataset Open Data Science (ODSC) untuk mendapatkan model perancangan sistem wajah terbaik. Simulasi real-time dilakukan dengan menggunakan model latih dengan validasi akurasi tertinggi sebesar 98.2%. Model latih yang digunakan dalam simulasi adalah ResNet-50 dengan dataset B sebagai data training serta learning rate sebesar 0.01. Hasil analisis menunjukkan bahwa proses training menggunakan model ResNet-50 jauh lebih ringan dan memberikan hasil model pelatihan dengan validasi akurasi yang lebih tinggi dibanding dengan model VGG16 yang membutuhkan banyak resource selama proses training berlangsung. Pengujian real-time yang dilakukan menunjukkan bahwa model ResNet-50 akan akurat jika memperhatikan beberapa kondisi yang diperlukan seperti jarak deteksi harus 50 hingga 100 cm dari kamera deteksi dan posisi wajah harus lurus menghadap kamera deteksi.

---

The face recognition system is a system that is built based on a pre-trained model. This system utilizes biometric techniques that use the face as an identification or authentication of a person. The facial recognition system can be applied in various applications such as attendance systems to check attendance, visitor monitoring systems at tourist attractions or public places, and to identify a person's behavior for the analyzes needed in various fields. In this study, a facial recognition system will be implemented for the attendance system using deep learning methods. To obtain the best system design, training, and validation of facial recognition results will be compared between the CNN (Convolutional Neural Network) model with the ResNet-50 and VGG16, which has been previously trained using the Open Data Science (ODSC) dataset. Real-time simulations were carried out using a training model with the highest validation accuracy of 98.2%. The training model used in the simulation is ResNet-50 with dataset B as training data and a learning rate of 0.01. The analysis results show that the training process using the ResNet-50 model is much lighter and provides results with higher accuracy validation than the VGG16 model, which requires a lot of resources during the training process. Real-time testing has shown that the ResNet-50 model will be accurate if it considers several conditions, such as the detection distance must be 50 to 100 cm from the detection camera, and the face position must be in a straight facing towards the detection camera."

"Quadcopter adalah sebuah wahana terbang yang terdiri dari empat motor terhubung dengan baling-baling. Sistem pengendalian wahana ini memiliki kompleksitas yang cukup tinggi akibat kemampuannya yang memiliki enam derajat kebebasan, tetapi hanya memiliki empat jenis pergerakan, yaitu roll, pitch, yaw, dan thrust. Kompleksitas ini menyebabkan pengendalian quadcopter bersifat underactuated karena jumlah pergerakannya yang lebih sedikit dari derajat kebebasannya. Pengendalian empat pergerakan tersebut membutuhkan proses tambahan untuk menggerakkan masing-masing motor pada quadcopter yang disebut sebagai control mixer. Penelitian yang bertujuan untuk mengembangkan sistem kendali quadcopter berdasarkan ekosistem PX4 Autopilot membutuhkan sebuah control mixer yang dapat digunakan terlepas dari sistem pengendali bawaan dari PX4 Autopilot. Akan tetapi, control mixer yang terdapat di PX4 Autopilot hanya terikat pada sistem pengendali bawaannya dan persamaan matematisnya tidak terdapat di dokumentasi resminya. Oleh karena itu, penelitian ini bertujuan untuk membuat sistem control mixer berbasis ekosistem PX4 Autopilot tanpa perlu mengetahui persamaan matematis dari model tersebut menggunakan model Deep Learning berbasis Back Propagation Neural Network yang akan diujikan pada program simulasi Gazebo untuk melakukan evaluasi model.

---

The quadcopter is an aircraft composed of four motors connected to propellers. The control system of this vehicle is quite complex due to its capability of six degrees of freedom, but it only has four types of movements: roll, pitch, yaw, and thrust. This complexity makes quadcopter control underactuated because the number of movements is fewer than its degrees of freedom. Controlling these four movements requires an additional process to manipulate each motor on the quadcopter, known as a control mixer. Research aimed at developing a quadcopter control system based on the PX4 Autopilot ecosystem requires a control mixer that can be used independently of PX4 Autopilot's built-in control system. However, the control mixer in PX4 Autopilot is only tied to its built-in control system, and its mathematical equations are not documented officially. Therefore, this research aims to create a control mixer system based on the PX4 Autopilot ecosystem without needing to know the mathematical equations of the model, using a Deep Learning model based on Back Propagation Neural Network that will be tested in the Gazebo simulation program to evaluate the model."

"Net Zero Emission sudah menjadi hal yang penting bagi setiap negara, salah satu yang dilakukan adalah dengan cara melakukan efisiensi energi. Dalam sebuah laporan yang dirilis oleh International Energy Agency (IEA) pada September 2022 menyebutkan bahwa efisiensi energi dan elektrifikasi adalah prioritas utama bagi Negara Indonesia dalam mencapai Net Zero Emission. Direktorat Jenderal Energi Baru Terbarukan dan Konservasi Energi Indonesia mengungkapkan bahwa peningkatan efisiensi energi harus menjadi prioritas dan menetapkan target penurunan konsumsi energi final sebesar 17% dibandingkan business as usual pada 2025. Saat ini, lebih dari 50% konsumsi energi pada gedung diperuntukan untuk sistem pendinginan (Chiller Plant). Sehingga efisiensi energi dalam sistem pendinginan sangat potensial untuk membantu menekan Net Zero Emission dan mendukung SDG. Maka dari itu dalam penelitian ini diajukan beberapa Framework Sistem Optimisasi Kinerja Sistem Pendingin Berbasis Multi Stack LSTM dan Deep Learning Neural Network. Hasil variabel prediksi keluaran dari Framework yang dikembangkan antara lain chilled water supply temperature, chilled water flow, condenser water supply temperature, condenser water flow dan cooling tower frequency. Hasil dari framework tersebut kemudian dilakukan uji simulasi dengan menggunakan model chiller plant. Dari hasil pengujian didapatkan bahwa framework terbaik yakni dengan menggunakan model Framework tipe 1. Framework 1 merupakan model paralel antara Multi Stack LSTM untuk Wet Bulb Temperature (Twb) dan kinerja yang kemudian diserikan dengan Deep Learning Neural Network Multi Output untuk mendapatkan variabel keluaran parameter setting. Hasil pengujian menunjukkan metriks evaluasi MAE, MSE, RMSE secara berurutan adalah 0.8079, 0.6527, 0.8079 dan dapat menurunkan konsumsi energi sebesar 10.72%.

---

Net Zero Emission has become important for every country, one way to do this is by implementing energy efficiency. In a report released by the International Energy Agency (IEA) in September 2022, it was stated that energy efficiency and electrification are the main priorities for Indonesia in achieving Net Zero Emissions. The Directorate General of New, Renewable Energy and Energy Conservation Indonesia stated that increasing energy efficiency must be a priority and set a target of reducing final energy consumption by 17% compared to business as usual in 2025. Currently, more than 50% of energy consumption in buildings is intended for cooling systems (chillers plants). So energy efficiency in cooling systems has great potential to help reduce Net Zero Emissions and support the SDGs. Therefore, in this research, several Frameworks for Optimization Control System for Chiller Plant Based on Multi Stack LSTM and Deep Learning Neural Network are proposed. The output prediction variables from the developed Framework are chilled water supply temperature, chilled water flow, condenser water supply temperature, condenser water flow and cooling tower frequency. The results of the framework are then carried out in simulation test using a chiller plant model. From the test results, it was found that the best framework is using the Framework type 1. Framework 1 is a parallel model between Multi Stack LSTM for Wet Bulb Temperature (Twb) and performance which is then serialized with Deep Learning Neural Network Multi Output to obtain the parameter setting output variables. The test results show that the evaluation metrics MAE, MSE, RMSE are 0.8079, 0.6527, 0.8079 respectively and can reduce energy consumption by 10.72%."