Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian tesis ini mengusulkan metode data mining untuk peramalan beban listrik jangka pendek dengan menggunakan kombinasi wavelet transform dan algoritma group method of data handling (WGMDH). Wavelet transform digunakan untuk mendekomposisi dan menganalisis sinyal beban listrik yang memiliki tren dan berfungsi sebagai proses penyaringan untuk meningkatkan kualitas data sebelum dilakukan peramalan menggunakan GMDH. Metode diuji pada data beban listrik yang terdapat pada sistem ketenagalistrikan Sumatera. Kinerja metode yang diusulkan dibandingkan dengan metode GMDH tanpa kombinasi wavelet dan metode koefisien. Metode yang diusulkan dapat memperbaiki akurasi peramalan beban listrik jangka pendek dibandingkan dengan model GMDH tanpa wavelet dan metode koefisien, yaitu menghasilkan MAPE lebih kecil dari 2%.

---

This thesis proposes a method of data mining for short-term load forecasting using a combination of wavelet transform and group methods of data handling (WGMDH). The wavelet transform is used to decompose, analyze and filter the signals trend of the electrical load to generate electricity load data into a higher quality before forecasting using GMDH. The proposed method is tested on the datasets of the power system of Sumatera. The performance of the proposed method compared with the GMDH method without the combination of wavelet transform and coefficient method. The proposed method can improve the accuracy in short-term load forecasting rather than GMDH without wavelet and coefficient method, the MAPE result is less than 2%."

"ABSTRAKDengan semakin banyaknya bidang keilmuan yang menggunakan bantuan eye-tracker untuk mencapai terobosan baru di masing-masing bagiannya, titik fiksasi sebagai lokasi responden menghentikan pergerakan mata dan kemungkinan besar dilakukan untuk mencoba mencerna informasi yang terdapat di area tersebut lalu dijadikan pertimbangan untuk pengambilan keputusan menjadi sangat penting untuk diketahui. Menjawab kebutuhan tersebut, penulis mengembangkan sebuah model Neural Network menggunakan bantuan MATLAB untuk memprediksi output dari proses yang dilakukan terhadap titik fiksasi asli hasil percobaan eye-tracking dengan cara melatih dan menguji berbagai jenis kombinasi fungsi transfer antar layer dan fungsi training yang ada pada Neural Network dengan tujuan mencari kombinasi fungsi yang memberikan nilai MAPE (Mean Absolute Percent Error) dan MSE (Mean Squared Error) terkecil, jumlah iterasi training terkecil, dan durasi training yang paling singkat

---

ABSTRACTWith the increasing number of scientific fields which use the eye-tracker to achieve new breakthroughs in their each part, the fixation point as the location of the respondent to stop the movement of their eyes and most likely done to try to digest the information contained in the area and taken that information into consideration for the decision making to be very important to know. Answering this need, the authors developed a model of Neural Network using the help of MATLAB to predict the output from the process undertaken to original fixation point results of eye-tracking experiment by training and test various types of combinations of transfer functions between the layers and training functions that exist in Neural Network with the purpose of seeking a combination of functions that give the smallest MAPE (Mean Absolute Percent Error) and MSE (Mean Squared Error) value, the smallest number of training iterations, and the shortest duration of the training"

"Beberapa perusahaan asuransi memiliki produk asuransi kesehatan yang menjamin pembayaran klaim atas penyakit tuberkulosis. Salah satu komponen penentu tarif premi adalah tingkat morbiditas sehingga peramalan tingkat morbiditas merupakan hal yang penting bagi perusahaan asuransi. Penelitian ini membahas peramalan tingkat morbiditas tuberkulosis di Indonesia dengan menggunakan model jaringan Recurrent Neural Network (RNN), yang merupakan bagian dari Deep Learning, dan grey model. Performa dari kedua model tersebut dibandingkan melalui nilai mean squared error (MSE) dan mean absolute percentage error (MAPE) yang dihasilkan. Hasilnya menunjukkan bahwa grey model memiliki akurasi yang lebih baik dibandingkan RNN.

---

Several insurance companies sell health insurance products that cover tuberculosis risk. One principal component to determine the insurance premium that must be paid by the insured is the morbidity rate. Therefore, morbidity rate forecasting is essential for an insurance company. In this research, we present the Indonesia tuberculosis morbidity rate forecasting using Recurrent Neural Network (RNN), which is part of deep learning, and grey model. The performance of two models is compared in term mean squared error (MSE) and mean absolute percentage error (MAPE). The results show that the grey model outperform the RNN."

"Meningkatnya kebutuhan akan energi terbarukan di mana salah satunya adalah tenaga angin, menimbulkan masalah baru, yaitu terjadinya fluktuasi dalam produksi energi angin tersebut. Untuk mengembangkan potensi energi angin, persiapan untuk pembangkitan ke jaringan memerlukan model prediksi potensi daya angin pada PLTBayu yang akan dihasilkan dari ladang angin. Dalam kondisi seperti ini, dibutuhkan model prediksi yang dapat memprediksi pola intermittent pada hasil prediksi daya angin yang dihasilkan. Metode prediksi daya angin yang akan dikembangkan dalam penelitian ini menggunakan metode statistik, metode-metode mesin pembelajaran dan proses pembelajaran lebih lanjut (deep learning). Di dalam penelitian ini dikembangkan model prediksi output daya angin menggunakan metode Triple Exponential Smoothing (TES) dengan mengadaptasi parameter α, β dan γ. Parameter-parameter ini dapat beradaptasi terhadap pola intermittent yang terbaca dengan variasi berbeda untuk setiap set data deret waktu pada tiga lokasi pengamatan. Dalam model prediksi daya angin di PLTBayu ini, metode Adaptive Parameters Triple Exponential Smoothing (APTES) digunakan untuk memproses penghalusan data deret waktu kecepaan angin historis, sementara Multiplicative Long Short Term Memory (MLSTM) digunakan untuk menentukan nilai prediksi tenaga angin dengan mengikuti pola intermittent yang terjadi pada area pengamatan. Setelah dilakukan pengujian dan analisa, model prediksi APTES-MLSTM mampu membaca sangat baik pola intermittent dengan pola yang berubah-ubah dan memiliki banyak variasi. Dengan pola intermittent yang sering terjadi, model ini mampu memprediksi dalam waktu jangka pendek dengan beberapa step ke depan. Hasil analisa menunjukkan MAPE untuk dua lokasi luaran daya angin: Pandansimo dan Ciemas, masing-masing dengan rata-rata sebesar 12,93% dan 7,70%. Dari hasil pengujian model di lahan Harjobinangun tanpa melakukan training pada MLSTM menunjukkan pada tahun 2011 nilai MSE sebesar 0,11453, pada tahun 2012 nilai MSE sebesar 0,10509 dan pada tahun 2013 nilai MSE sebesar 0,0449. Akurasi prediksi yang dihasilkan dengan model ini cenderung memiliki MSE semakin mengecil di setiap term dibandingkan dengan model dengan kombinasi metode-metode konvensional seperti Kalman Filter, Wavelet Decomposition, Bayesian Hierarchy, dikombinasikan dengan pembelajaran Support Vector Machine dan Neural Network.

---

The increasing need for renewable energy where one of them is wind power, raises a new problem, namely the occurrence of fluctuations in the production of wind energy. To develop wind energy potential, preparation for generation to the network requires a prediction model of wind power potential on PLTBayu that will be produced from wind farms. Under these conditions, a predictive model is needed that can predict intermittent patterns on the results of the predicted wind power generated. The wind power prediction method that will be developed in this study uses statistical methods, machine learning methods and the process of further learning (deep learning). In this study a wind power output prediction model was developed using the Triple Exponential Smoothing (TES) method by adapting the parameters α, β and γ. These parameters can adapt to intermittent patterns that are read with different variations for each time series data set at the three observation locations. In this wind power prediction model in PLTBayu, the Adaptive Parameters Triple Exponential Smoothing (APTES) method is used to process refinement of historical wind speed data series, while Multiplicative Long Short Term Memory (MLSTM) is used to determine the predicted value of wind power by following intermittent patterns that follow occur in the observation area. After testing and analysis, the APTES-MLSTM prediction model is able to read very well intermittent patterns with changing patterns and has many variations. With intermittent patterns that often occur, this model is able to predict in the short term with several steps ahead (With the intermittent patterns that often occur, this model is able to predict in the short term with several steps ahead). The results of the analysis show MAPE for two locations of wind power output: Pandansimo and Ciemas, respectively with an average of 12.93% and 7.70%. From the results of testing the model in the Harjobinangun field without doing training in MLSTM shows that in 2011 the MSE value was 0.11453, in 2012 the MSE value was 0.10509 and in 2013 the MSE value was 0.0449. The accuracy of the predictions produced by this model tends to have MSE getting smaller in each term compared to the model with a combination of conventional methods such as Kalman Filter, Wavelet Decomposition, Bayesian Hierarchy, combined with learning Support Vector Machine and Neural Network."

"Pemodelan deret berkala (time series) kecelakaan lalu lintas jalan di Indonesia dapat membantu pengamatan variasi data, proyeksi ke depan, maupun evaluasi target penurunan kecelakaan. Dari pengamatan data kecelakaan selama 20 tahun antara tahun 1992 sampai dengan tahun 2011, diperoleh model peramalan dengan suai terbaik (best fitted model). Dalam penelitian ini dikaji 5 (lima) kelompok data, meliputi: jumlah kejadian kecelakaan, jumlah korban meninggal, jumlah korban luka berat, jumlah korban luka ringan, dan jumlah kerugian material akibat kecelakaan. Data deret berkala diolah dengan menggunakan piranti lunak SPSS 19.0. Dengan mempertimbangkan pola data pada tiap kelompok, maka metode pemutusan (smoothing) eksponensial digunakan, baik tunggal (Simple) maupun ganda (Brown)). Melalui model uji, dihasilkan nilai parameter a = 0,998, 0,434, 1,000, 0,405, dan 0,656 untuk proyeksi atas jumlah kejadian kecelakaan, korban meninggal, korban luka berat, korban luka ringan, dan kerugian material akibat kecelakaan. Model eksponensial ganda diterapkan untuk proyeksi jumlah korban meninggal, korban luka ringan, dan nilai kerugian material, sedangkan model eksponensial tunggal diterapkan untuk sisanya. Uji kesesuaian model dan perbandingan dengan model ARIMA (1,1,0) dan ARIMA (1,1,1) dengan menggunakan MAPE memperlihatkan model eksponensial adalah yang terbaik diterapkan. Dengan mengkaji indeks fatalitas kecelakaan pada tahun dengan data terbaru yang tersedia dengan data dasar dalam Rencana Umum Nasional Keselamatan Jalan (RUNK), model mengindikasikan diperlukannya upaya pengelolaan keselamatan jalan yang mampu menurunkan fatalitas kecelakaan secara signifikan."

"ABSTRAKPeramalan jumlah pasien pneumonia dapat membantu subjek medis untuk mempersiapkan keperluan obat, pekerja, atau dalam pencegahan dengan melakukan penyuluhan pada orang tua, lansia, dan perokok. Permasalahan ini menyangkut kehidupan banyak orang, maka dari itu akurasi yang baik diperlukan dalam proses peramalan. Fuzzy Time Series (FTS) merupakan salah satu metode alternative dalam melakukan peramalan. Dengan metode yang umum digunakan seperti ARIMA dan Exponential Smoothing, terdapat kesulitan dalam mendapatkan model terbaik. FTS pada penelitian ini, memodifikasi algoritma yang digunakan Cheng (2008), dengan menggunakan OrdeTinggi (dua atau lebih data historis) untuk meningkatkan akurasi peramalan dan dilihat dari nilai Mean Absolute Percentage Error (MAPE). Data diambil dari jumlah pasien pneumonia di Jakarta tahun 2008 hingga 2018. Penelitian ini menggunakan bantuan aplikasi R dan Microsoft Excel untuk perhitungan sederhana. Akurasi peramalan akan semakin berkurang apabila dilakukan untuk meramalkan periode yang jauh. Maka, penelitian ini hanya akan meramalkan 5 periode kedepan. Hasil yang diperoleh FTS dengan membandingkan 2 metode yang pada umumnya digunakan (ARIMA dan Exponential Smoothing) adalah nilai MAPE secara terurut, 9.70%, 16.85%, dan 18.55%.

---

ABSTRACTForecasting the amount of Pneumonia patients could help medical practitioners to prepare the required medicines, aid-workers, or even prevent it by sharing knowledge to parents, elders, and smokers. This problem poses great concerns on the lives of many people, therefore, adequate accuracy is required in forecasting. Fuzzy Time Series (FTS) is an alternative way to forecast data. By using ARIMA and Holts Exponential Smoothing, there are some problems that are difficult to obtain the best model. Using our FTS method, we modified the Cheng algorithm by using higher order (using two or more historical data) to make the accuracy better by seeing the Mean Absolute Percentage Error (MAPE). Data was selected from the amount of Pneumonia Patients in Jakarta from 2008 to 2018. We use R to carryout ARIMA and Holts Exponential Smoothing. Forecastings accuracy will decrease if theti meframe between these occurrences is lengthy. As a result of this, we made use of 5 periods which are January until May 2019. The result obtained was compared against ARIMA and Holts Exponential Smoothing, as well as the MAPE are 9.70%, 16.85%, and 18.55% respectively. "

"Fixation points, as the stopping location of eye movements, can be extracted to generate valuable information about a picture or an object. This information is valuable as it enables the identification of the area/part of the picture that attracts people’s attention, which can be used as a consideration when making decisions in the future, for example in marketing. For this reason, in this study, a Neural Network (NN) model was developed to predict the fixation points of a picture. Specifically, the authors experimented with various transfer and training functions in the NN in order to determine which causes the fewest errors. The results show that the method used is applicable in practice since it produces MAPE (Mean Absolute Percent Error) of around 13–15% and MSE (Mean Squared Error) of 0.9–1.1%."

"Tanaman kelapa sawit (Elaeis guineensis Jacq.) merupakan tanaman perkebunan yang memiliki nilai ekonomi yang tinggi bagi negara Indonesia, karena hasil dari perkebunan kelapa sawit dapat meningkatkan devisa negara.  Perkebunan kelapa sawit dapat menciptakan lapangan pekerjaan bagi masyarakat Indonesia, sehingga dapat mengurangi angka pengangguran di Indonesia. Perkebunan kelapa sawit di Indonesia telah menyebar ke berbagai daerah, selain terdapat di pulau Sumatera dan Kalimantan, kini perkebunan kelapa sawit hampir terdapat di berbagai daerah di Indonesia baik perkebunan berskala kecil maupun perkebunan berskala besar. Periode produksi kelapa sawit yang digunakan adalah dari Januari 1997 hingga Desember 2023 yang diperoleh dari website PT. X atau data dokumentasi di PT. X. Pada penelitian ini data dibagi menjadi 4 skenario data dengan menggunakan metode Time Series Cross Validation (TSCV). Hasil penelitian menunjukkan bahwa Model LSTM (Long Short-Term Memory) dengan skenario data 1 jumlah neuron 32, dan jumlah epoch 50 memiliki performa yang terbaik dengan nilai akurasi 85.91%. Model SARIMA (Seasonal Autoregressive Integrated Moving Average) dengan skenario data 4 dengan model ARIMA(0,1,1)×(1,1,1)₁₂ memiliki performa yang terbaik dengan nilai akurasi 93.72 %. Sehingga berdasarkan hasil penelitian, Model terbaik diperoleh pada penelitian ini adalah Metode SARIMA menunjukkan nilai MAPE (Mean Absolute Percentage Error) yang lebih kecil dibandingkan Metode LSTM. Secara keseluruhan, kedua metode (SARIMA dan LSTM) mendapatkan akurasi yang cukup baik karena kedua model menghasilkan akurasi yang lebih dari 85%.

---

Oil palm plant (Elaeis guineensis Jacq.) is a plantation cropthat has a high economic value forIndonesia, because  the results of oil palm plantations can increase the country's foreign exchange. Oil palm plantations can create jobs for the people of Indonesia, thus reducing unemployment in Indonesia. Oil palm plantations in Indonesia have spread tovarious regions, besides being found on the islands of Sumatra and Kalimantan, now oil palm plantations are almost found in various regions in Indonesia both small-scale plantations and  large-scale plantations. This research uses historical data in the form of monthly palm oil production to predict the price of strategic food commodities. The period of palm oil production used is from January 1997 to December 2023 obtained from the website of PT. X or documentation data at PT. X. In this study the data was  divided into 4 data scenarios using the Time  Series Cross Validation (TSCV) method. The results showed that the Long Short-Term Memory (LSTM) model with data scenario 1, the number of neurons 32, and the number of epochs 50 had the best performance with an accuracy value of 85.91%. The SARIMA (Seasonal Autoregressive Integrated Moving Average) model with data scenario 4 with the ARIMA (0,1,1)×(1,1,1)₁₂ model has the best performance with an accuracy value of 93.72%. So based on the research results, the best model obtained in this study is the SARIMA method which shows a smaller MAPE (Mean Absolute Percentage Error) value than the LSTM method. Overall, both methods (SARIMA and LSTM) get pretty good accuracy because both models produce more than 85% accuracy."

"Saat ini peramalan beban listrik hanya menggunakan acuan data historis sebagai masukan pada metode peramalan beban. Berbagai jenis metode digunakan untuk menghasilkan peramalan beban yang akurat dan presisi dengan harapan daya yang disalurkan tepat ukuran sesuai dengan kebutuhan beban listrik konsumen. Skripsi ini membahas teknik kombinasi metode permodelan Auto Regressive Integrated Moving Average (ARIMA) yang dikaitkan dengan metode regresi linear dari hubungan suhu dan beban listrik untuk menghasilkan metode peramalan yang lebih akurat dan presisi dari sekedar peramalan beban yang mengacu pada data historis saja. Berdasarkan hasil, terlihat bahwa MAPE kombinasi peramalan (4,19%) lebih baik dibanding menggunakan metode ARIMA (5,16%) dan Regresi Linear (5,28%) saja.

---

Nowadays electrical load forecasting uses historical data as a reference input on load forecasting method. Various types of this methods used to produce an accurate load forecasting and precision in the hope that appropriate resources are distributed according to the size of electrical load demand of consumers.

This research will discuss combination technique of Auto Regressive Integrated Moving Average (ARIMA), which is associated with linear regression method from the relationship of temperature and electrical load to produce a more accurate and precise than a load forecasting based on historical data only. The final results show that combination technique gives MAPE 4,19%, better than ARIMA (5,16) and Linear Regression (5,28%)."

"Seiring dengan perkembangan dunia industri menuju fase industri 5.0, asuransi memainkan peran krusial dalam mitigasi risiko kerugian yang dapat terjadi akibat berbagai kejadian yang tidak terduga. Untuk mendukung peran tersebut, penelitian ini bertujuan untuk menentukan cadangan klaim Incurred But Not Reported (IBNR), yaitu klaim yang telah terjadi namun belum dilaporkan kepada perusahaan asuransi, menggunakan metode Cape Cod parametrik. Metode Cape Cod parametrik dipilih karena mampu mengatasi kelemahan metode Chain Ladder, Bornhuetter-Ferguson, dan Cape Cod klasik, seperti sensitivitas terhadap outlier, ketidakstabilan estimasi, dan kurang optimalnya penggunaan informasi premi. Metode ini mengadaptasi pendekatan Cape Cod klasik dengan melibatkan informasi premi dan parameter distribusi dari data klaim untuk estimasi cadangan yang lebih akurat. Proses penerapannya diawali dengan penentuan distribusi parametrik yang tepat untuk memodelkan claim cost per unit exposure. Apabila model distribusi yang terpilih merupakan bagian dari keluarga exponensial dispersi, maka metode Cape Cod parametrik dapat diterapkan. Metode Cape Cod parametrik akan diimplementasikan pada data run-off triangle dari Institute of Actuaries of Australia. Hasil penelitian menunjukkan bahwa metode Cape Cod parametrik dapat memberikan estimasi cadangan klaim IBNR dengan tingkat akurasi yang baik. Akurasi prediksi diukur menggunakan Mean Absolute Percentage Error (MAPE) dengan hasil 2.047%.

---

As the industrial world progresses towards the Industry 5.0 phase, insurance plays a crucial role in mitigating the risks of losses that can occur due to various unforeseen events. To support this role, this study aims to determine the Incurred But Not Reported (IBNR) claim reserves, which are claims that have occurred but have not yet been reported to the insurance company, using the parametric Cape Cod method. The claim data used are run-off triangle data from the Institute of Actuaries of Australia. This method adapts the classical Cape Cod approach by incorporating premium information and the distribution parameters of claim data for more accurate estimates. The parametric Cape Cod method was chosen because it can address the shortcomings of the Chain Ladder, Bornhuetter-Ferguson, and classical Cape Cod methods, such as sensitivity to outliers, instability of estimates, and suboptimal use of premium information. The implementation process includes checking the distribution of claim cost per unit exposure using the Kolmogorov-Smirnov method and calculating dispersion parameters. The results show that the parametric Cape Cod method can provide more stable and accurate IBNR claim reserve estimates, especially in handling volatility and outliers in claim data. Prediction accuracy is measured using the Mean Absolute Percentage Error (MAPE), with results indicating a good level of accuracy of 2.047%."