📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 192 dokumenPEMODELAN TSUNAMI SERAM BERDASARKAN SEJARAH TSUNAMI 1899 DAN KEJADIAN TSUNAMI 2021
Pada 16 Juni 2021, gempa bumi dengan kekuatan 6 SR berpusat di Tehoru, Teluk Taluti memicu terjadinya longsoran bawah laut sehingga menghasilkan kenaikan muka air sekitar 51 cm di Tehoru. Peristiwa tersebut relatif kecil dibandingkan peristiwa Tsunami Teluk Elpaputih (sebelah barat Teluk Taluti) dengan ketinggian gelombang maksimum 9 meter pada 20 September 1899 akibat longsoran bawah laut yang dipicu oleh gempa bumi berkekuatan 7,8 SR. Peristiwa tsunami 2021 tersebut menandakan kemungkinan dapat terbentuknya kembali tsunami akibat longsoran di masa depan. Dengan demikian, diperlukan tinjauan mekanisme pembangkitan tsunami Seram 1899 dan 2021 untuk mendukung studi potensi karakteristik tsunami di Pulau Seram bagian selatan di masa depan. Dilakukan simulasi tsunami menggunakan model COMCOT dengan menerapkan persamaan Non Linear Shallow Water Equation. Simulasi dilakukan menggunakan data topografi dan batimetri BATNAS dan DEMNAS yang divalidasi menggunakan Bilangan Aida terhadap data tide gauge di Stasiun Tehoru dan Amahai. Berdasarkan empat skenario longsoran Tsunami 2021 menurut keterangan dalam berita lokal, longsoran dengan dimensi 4000 × 4000 × 50 m3 menghasilkan gelombang dengan fase dan tinggi yang telah memenuhi selang kepercayaan 20% Bilangan Aida, dengan nilai K sebesar 1,19 dan ???? 1,19. Berdasarkan lima skenario longsoran Tsunami 1899 menurut catatan sejarah, longsoran dengan sumber di Desa Samasuru – Paulohi, Teluk Elpaputih dan di Desa Tehoru, Teluk Taluti merupakan skenario paling mendekati karakteristik tsunami menurut sejarah. Skenario ini menghasilkan tinggi tsunami maksimum mencapai 15,22 meter di Teluk Elpaputih dan 11,72 meter di Teluk Taluti dengan waktu tiba masing-masing 5 dan 1 menit. Kedalaman aliran maksimum mencapai 15 meter di sekitar Paulohi, Teluk Elpaputih dan 6 - 9 meter di sekitar Laimu, Teluk Taluti. Tsunami akibat longsoran hipotetik di Desa Saunulu, Teluk Taluti dengan parameter longsoran dibuat dua kali lipat peristiwa tsunami 2021 dan dengan jarak longsoran secara horizontal mencapai 800 meter dapat menghasilkan gelombang dengan amplitudo maksimum 21,74 meter dengan waktu tiba 2 menit serta kedalaman aliran dapat melebihi 15 meter di sekitar Tehoru, Teluk Taluti.
PENERAPAN ALGORITMA PENCOCOKAN FITUR BERBASIS DETEKTOR DAN TANPA DETEKTOR DALAM PENGEMBANGAN APLIKASI PELACAKAN OBJEK MULTI KAMERA
Pengawasan cerdas merupakan salah satu kebutuhan penting untuk keamanan di berbagai sektor, termasuk lingkungan publik, perkantoran, dan fasilitas industri. Sistem pengawasan tradisional seringkali menghadapi keterbatasan dalam hal cakupan area dan akurasi deteksi. Selain itu, sistem berbasis kamera tunggal tidak mampu memberikan gambaran menyeluruh dan sering kali memiliki titik buta. Pada proyek tugas akhir ini dikembangkan aplikasi pelacakan objek multi-kamera untuk pengawasan cerdas. Pengembangan aplikasi pelacakan objek multi-kamera menggunakan algoritma pencocokan fitur berbasis detektor dan tanpa detektor menjadi fokus utama dalam proyek tugas akhir ini. Tujuan dari tugas akhir ini adalah untuk mengembangkan aplikasi pelacakan objek multi-kamera yang mampu mengintegrasikan data dari beberapa kamera secara efektif dan akurat menggunakan algoritma pencocokan fitur berbasis detektor, yaitu SIFT dan Brute Force matcher, dan tanpa detektor, yaitu LoFTR. Metode yang digunakan dalam penelitian ini terdiri dari beberapa tahap, mulai dari pengumpulan data, pencocokan fitur, hingga integrasi data dari beberapa kamera. Hasil penelitian menunjukkan bahwa algoritma pencocokan fitur tanpa detektor memberikan performa yang lebih baik dibandingkan dengan algoritma pencocokan fitur berbasis detektor dalam hal akurasi pencocokan dan stabilitas homografi. Algoritma LoFTR menunjukkan stabilitas homografi yang lebih tinggi dengan nilai mean absolute error dan standar deviasi yang lebih rendah dibandingkan SIFT. Analisis lebih lanjut menunjukkan bahwa sistem yang dikembangkan mengalami penurunan performa pada sudut dan jarak yang ekstrem, terutama terlihat pada sudut 75° dan 90°, sertajarak di atas 3 meter, di mana akurasi pencocokan fitur dan stabilitas homografi menurun secara signifikan. Saran untuk penelitian lanjutan diantaranya, pengembangan algoritma pencocokan fitur yang lebih canggih, pengujian dalam lingkungan yang lebih dinamis, serta optimasi kinerja sistem untuk meningkatkan skalabilitas dan kecepatan pemrosesan. Penggunaan algoritma seperti deep learning LoFTR menunjukkan potensi besar dalam meningkatkan performa sistern pengawasan, sehingga membuka peluang untuk aplikasi yang lebih luas di masa depan.
PENGEMBANGAN SISTEM PREDIKSI KETERLAMBATAN PENERBANGAN MENGGUNAKAN PEMBELAJARAN MESIN TERLATIH
Keterlambatan penerbangan adalah masalah yang terus ada dan meningkat seiring dengan peningkatan jumlah penerbangan dan pertumbuhan sektor aviasi. Keterlambatan ini menimbulkan kerugian baik bagi pelanggan, maskapai penerbangan, maupun bandar udara. Walaupun telah banyak dibuat model prediksi keterlambatan penerbangan, namun akurasi prediksi belum cukup tinggi. Penelitian ini bertujuan untuk membuat model prediksi keterlambatan penerbangan dengan cara pembelajaran mesin yang dapat dijelaskan (explainable artificial intelligence). Metode yang digunakan adalah dengan merumuskan kategori keterlambatan, membandingkan beberapa metode pembelajaran mesin, memilih metode model terbaik, dan dilanjutkan dengan analisis fitur yang berpengaruh terhadap keterlambatan menggunakan metode SHAP (Shapley Additive Explanations). Data yang digunakan adalah data penerbangan domestik di Amerika Serikat pada tahun 2021-2022. Hasil penelitian adalah model prediksi dengan metode random forest yang mencapai akurasi sebesar 83% dan skor F1 sebesar 0,83. Analisis SHAP mengidentifikasikan faktor-faktor kunci yang mempengaruhi keterlambatan, yaitu waktu turnaround, durasi penundaan sebelumnya, maskapai penerbangan, penundaan bandara, dan jarak penerbangan. Hasil penelitian ini bermanfaat bagi maskapai penerbangan untuk meningkatkan kinerja tepat waktu (on-time performance) dan bagi bandar udara untuk meningkatkan pengelolaan slot.
PERANCANGAN DAN IMPLEMENTASI KENDALI PUSAT DAN ANTARMUKA UNTUK REAKTOR FILTER METAL ORGANIC FRAMEWORK (MOF) PORTABEL DENGAN SPEKTROFOTOMETER UNTUK SAMPEL LIMBAH TEKSTIL INDIGO CARMINE
Pengembangan filter Metal Organic Framework (MOF) untuk pengolahan air limbah tekstil hingga saat ini merupakan tugas yang rumit karena banyaknya sumber daya dan waktu yang dibutuhkan. Diperlukan subsistem yang dapat menerima dan meneruskan masukan dari pengguna serta mengendalikan komponen-komponen pada sistem reaktor filter portabel dengan spektrofotometer, sehingga dilakukan desain dan implementasi antarmuka pengguna dan sistem kendali pusat untuk produk yang dikembangkan untuk memecahkan masalah pengujian efisiensi filter Metal Organic Framework (MOF). Penulis mengimplementasikan modul antarmuka berupa layar sentuh LCD TFT 3,5 inci yang terhubung dengan mikrokontroler Arduino Mega 2560 sebagai sistem kendali pusat yang dapat mengintegrasikan tahapan pengujian filter air limbah. Pengujian subsistem antarmuka dilakukan dengan menavigasi semua menu yang ada pada antarmuka. Pengujian Finite State Machine dilakukan dengan mengevaluasi secara menyeluruh semua transisi menu pada antarmuka dan kondisi yang mungkin terjadi. Pengujian manajemen penyimpanan juga dilakukan untuk mengetahui kemampuan baca dan tulis modul kartu SD dengan cara menulis hasil percobaan ke dalam kartu SD. Hasil menunjukkan bahwa semua subsistem berfungsi sesuai dengan yang diharapkan dan memenuhi spesifikasi yang dibutuhkan.
SISTEM KLASIFIKASI JENIS TRAFIK JARINGAN 5G DENGAN METODE STACKING MACHINE LEARNING BERDASARKAN DATA NETWORK MONITORING TOOLS
Jaringan 5G membutuhkan sistem pengelolaan trafik yang mampu secara akurat mengklasifikasikan berbagai jenis trafik aplikasi dan layanan. Sistem klasifikasi berbasis perilaku protokol sering gagal menangani kompleksitas ini, menurunkan kinerja jaringan dan pengalaman pengguna. Untuk mengatasi masalah ini, penulis merancang sistem klasifikasi trafik jaringan 5G menggunakan metode stacking machine learning untuk meningkatkan akurasi dan efisiensi klasifikasi trafik. Dalam hal ini, metode machine learning yang digunakan adalah metode stacking machine learning yang terdiri dari kNN (k-Nearest Neighbor) & SVM (Support Vector Machine), serta stacking machine learning yang terdiri kNN (k-Nearest Neighbor), SVM (Support Vector Machine), dan Random Forest . Kedua stacking machine learning tersebut kemudian akan di-trained dengan menggunakan data yang diperoleh dari network monitoring tools agar menghasilkan satu kesatuan sistem berupa sistem klasifikasi jenis traffic 5G yang ditampilkan pada website melalui suatu interactive dashboard. Pada website tersebut, pengguna dapat memilih jika hanya ingin melihat visualisasi mengenai klasifikasi trafik data atau menggunakan website tersebut untuk sebagai tools untuk melihat hasil klasifikasi traffic 5G menggunakan data network traffic milik pengguna yang di-upload ke website. Hasil klasifikasi traffic yang ditampilkan oleh sistem yang dirancang adalah traffic network dari video, game, dan voice. Pengujian yang dilakukan terhadap masing-masing model stacking machine learning menampilkan bahwa akurasi yang diperoleh untuk setiap model sebesar 99.9%, sehingga sistem ini berhasil mengoptimalkan pengelompokan traffic berdasarkan karakteristiknya.
PERANCANGAN DAN IMPLEMENTASI KLASIFIKASI LANGKAH DAN MACHINE LEARNING UNTUK DETEKSI PELANGGARAN JALAN CEPAT
Perlombaan jalan cepat menurut definisi dari World Athletics adalah ketika seorang atlet melakukan gerakan langkah yang memenuhi beberapa syarat. Aturan pertama mengharuskan atlet selalu memiliki setidaknya satu kaki yang menyentuh tanah sehingga tidak boleh ada fase yang terlihat di mana kedua kaki melayang secara bersamaan, pelanggaran yang dikenal sebagai "loss of contact." Aturan kedua mengharuskan kaki yang menopang harus tetap lurus sejak saat menyentuh tanah hingga melewati bagian bawah tubuh, melarang adanya pembengkokan pada lutut selama fase ini, yang biasa disebut “knee bend.” Untuk mengatasi permasalahan ini, diusulkan solusi perangkat yang dapat dikenakan yang dirancang untuk membantu wasit dalam memantau gerakan atlet dengan lebih efektif. Perangkat ini menggunakan modul sensor inersia untuk melacak percepatan linear dan kecepatan sudut pada bagian betis atlet. Dengan mengumpulkan dan menganalisis data ini, perangkat tersebut dapat memberikan respons umpan balik secara realtime kepada wasit tentang gerakan atlet terhadap aturan perlombaan jalan cepat menggunakan sebuah perangkat dashboard. Dokumen tugas akhir ini berfokus pada pengembangan dan pengerjaan algoritma utama dan model machine learning untuk melakukan klasifikasi terhadap gerakan perlombaaan jalan cepat berdasarkan gerakan yang dihasilkan pada bagian betis kanan atlet. Sistem utama yang dikerjakan terdiri dari algoritma pada mikrokontroler yang digunakan untuk melakukan deteksi langkah menggunakan sensor inersia dan pembuatan model machine learning yang diaplikasilkan pada layanan cloud computing Amazon SageMaker. Sistem yang telah dirancang dan diimplementasikan dilakukan pengujian dan verifikasi untuk memenuhi spesifikasi produk yang telah dirancang sebelumnya. Algoritma klasifikasi langkah yang diimplementasikan telah diverifikasi dapat melakukan klasifikasi langkah dengan galat kurang dari 8%. Model machine learning yang dirancang telah diuji dan diverifikasi sehingga memiliki akurasi lebih tinggi daripada spesifikasi 70% yang telah ditetapkan. Berdasarkan hasil pengujian dan verifikasi terhadap sistem yang baik, menjadikannya alat yang dapat berfungsi untuk membantu wasit dalam mengklasifikasikan gerakan atlet secara akurat selama kompetisi. Untuk pengembangan lebih lanjut, akan bermanfaat apabila dilibatkan lebih banyak subjek dengan pengalaman nyata dalam kompetisi berjalan cepat, memastikan representasi gender yang seimbang, dan mencakup rentang tinggi peserta yang lebih luas.
STUDI PERBANDINGAN SUPPORT VECTOR MACHINE DAN RELEVANCE VECTOR MACHINE PADA MASALAH KLASIFIKASI BINER
Penelitian ini membahas perbandingan antara Support Vector Machine (SVM) dan Relevance Vector Machine (RVM) dalam konteks masalah klasifikasi. SVM merupakan algoritma pembelajaran mesin yang bekerja dengan mencari hyperplane yang memaksimalkan margin antara dua kelas data, sementara RVM menggunakan pendekatan Bayesian untuk menghasilkan model yang lebih jarang (sparse) dengan hanya beberapa relevance vectors. Relevance vectors adalah titik data dalam model RVM yang dipilih melalui proses pembelajaran Bayesian untuk membentuk model prediksi yang jarang dan efisien, mirip dengan Support vectors pada SVM namun dipilih berdasarkan kerangka probabilistik. Penelitian ini bertujuan untuk memberikan pemahaman mendalam tentang kedua algoritma ini, termasuk penurunan matematikanya, serta mengkaji kinerja dan efisiensi masing-masing metode. Melalui serangkaian simulasi pada berbagai dataset, penelitian ini menemukan bahwa RVM cenderung menghasilkan akurasi prediksi yang lebih baik dibandingkan SVM pada kebanyakan kernel yang digunakan, kecuali pada kernel radial basis function (RBF). Selain itu, jumlah vector yang dihasilkan oleh RVM relatif lebih sedikit dibandingkan dengan SVM, menunjukkan bahwa RVM lebih efisien dalam hal penggunaan sumber daya. Namun, proses pencocokkan model RVM lebih lambat dibandingkan dengan SVM karena pendekatan Bayesian yang memerlukan iterasi untuk mencari relevance vectors. Hasil penelitian ini menunjukkan bahwa meskipun RVM kurang populer dibandingkan SVM, ia memiliki keunggulan dalam menghasilkan model yang lebih jarang dan efisien, serta akurasi yang lebih baik dalam beberapa kasus. Oleh karena itu, RVM memiliki potensi besar untuk diterapkan dalam berbagai bidang, termasuk dunia medis di mana interpretasi probabilistik dan efisiensi komputasi sangat penting.
SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN PESERTA DIDIK BARU SMAS IT ULIL ALBAB BATAM MENGGUNAKAN METODE K-NEAREST NEIGHBOUR (K-NN) BERBASIS WEB DAN MYSQL
Penerimaan calon peserta didik baru merupakan salah satu proses yang ada di instansi pendidikan untuk menyaring calon peserta didik yang terpilih sesuai kriteria yang ditentukan. Pada umumnya proses penerimaan peserta didik baru dilakukan melalui tahap pendaftaran, seleksi berkas dan penerimaan peserta didik. Penelitian ini dilatarbelakangi kegiatan penerimaan peserta didik baru yang dilaksanakan oleh SMAS IT Ulil Albab Batam setiap tahunnya. Kenyataan di lapangan bahwa pihak sekolah dalam penyelenggaraan seleksi masih menggunakan cara manual yang mengakibatkan kurang efisiennya kegiatan seleksi peserta didik baru. Dari masalah tersebut muncul gagasan untuk membuat suatu sistem pendukung keputusan menggunakan metode k- Nearest Neighbour (k-NN). Sistem akan mengklasifikasikan ke dalam beberapa kriteria yaitu: penghasilan orang tua, skor TPA, asal sekolah, akreditasi sekolah asal, prestasi, program pilihan dan jumlah hafalan Al-Quran. Lebih jauh, sistem aplikasi ini dibuat di Microsoft excel dengan Visual Bacis for Application (VBA). Hasil dari aplikasi ini yaitu berupa suatu keputusan penerimaan calon peserta didik baru yang diklasifikasikan dalam kategori prioritas 1 ataupun prioritas 2.
PERANCANGAN DAN PENGEMBANGAN SISTEM DETEKSI PENIPU BERBASIS TELEPON DENGAN RANDOM FOREST CLASSIFIER PADA FITUR AUDIO MFCC DAN FORMANTS
Kemajuan teknologi informasi dan komunikasi harus diimbangi dengan peningkatan kualitas manusia. Penyalahgunaan teknologi marak terjadi, dan korbannya tidak lain adalah manusia juga. Walaupun telah dilakukan peningkatan terhadap sistem keamanan, manusia masih menjadi celah besar bagi serangan social engineering. Salah satu bentuk serangan social engineering adalah penipuan berbasis panggilan telepon, yang banyak terjadi di Indonesia. Banyak penelitian dengan metode yang beragam telah dilakukan untuk menghadapi penipuan berbasis telepon. Namun, masih ada celah yang dapat diangkat untuk penelitian baru. Dalam penelitian ini, dilakukan perancangan dan pengembangan sistem deteksi penipu berbasis telepon dengan menggunakan algoritma klasifikasi machine learning untuk mengenali penutur pada percakapan telepon. Untuk menentukan algoritma klasifikasi yang akan digunakan, terlebih dahulu dilakukan eksperimen terhadap empat algoritma klasifikasi, yaitu Support Vector Machine (SVM), Gaussian Naive Bayes (GNB), Random Forest (RF), dan Linear Discriminant Analysis (LDA). Dari keempat algoritma tersebut, RF menghasilkan performa tertinggi dalam melakukan klasifikasi penutur berdasarkan fitur Mel-Frequency Cepstral Coefficient (MFCC) dan Formants, dengan nilai akurasi, presisi, recall, dan F1 masing-masing sebesar 89,45%, 91,47%, 89,45%, dan 88,55%. Sistem yang dirancang dan dikembangkan dalam penelitian ini berhasil bekerja secara real time dengan tingkat keberhasilan mengenali penutur sebesar 92,73% pada rekaman suara penutur tunggal dan 87,27% pada rekaman percakapan yang berisi dari lebih dari satu penutur. Sistem juga berhasil membedakan antara penutur lama yang sudah tersimpan di dataset dan penutur baru yang belum tersimpan, menggunakan SVM pada probabilitas prediksi dengan tingkat keberhasilan 100%. Dengan penggunaan fitur suara sebagai objek untuk mengenali penutur, sistem yang diusulkan ini tidak terikat nomor telepon yang mudah diganti oleh siapapun.
QUESTION ANSWERING DOMAIN RELIGI-SIRAH NABAWIYAH BAHASA INDONESIA MENGGUNAKAN GENERATIVE-LLM
Indonesia adalah negara dengan populasi penganut agama Islam terbesar di dunia. Terdapat dua sumber informasi utama dalam Islam yaitu Al-Qur'an dan Al-Hadits, selain itu terdapat literatur penting lain yaitu Sirah Nabawiyah. Sirah Nabawiyah adalah literatur sejarah perjalanan kenabian dalam agama Islam yang merujuk kepada kedua sumber utama. Pada penelitian Question Answering (QA) saat ini, sudah ada penelitian tentang Al-Qur'an dan Al-Hadits namun belum ada yang menggunakan Sirah Nabawiyah, terutama untuk Bahasa Indonesia. Literatur Sirah Nabawiyah digunakan untuk membangun dataset baru untuk QA. Pembangunan dataset baru secara manual membutuhkan biaya dan tenaga manusia yang banyak, oleh karena itu digunakan bantuan Generative-LLM pada sebagian prosesnya. Hasilnya adalah Question Answering Sirah Nabawiyah (QASiNa) dataset untuk reading comprehension (QASiNa-RC), multiple choices (QASiNa- MC), dan corpus Sirah Nabawiyah (SiNaCorpus). Pengujian QASiNa-RC dilakukan untuk task reading comprehension menggunakan mBERT, XLM- RoBERTa, dan IndoBERT. Pengujian QASiNa-MC dilakukan untuk task multiple choices QA menggunakan open-source Generative-LLM yaitu mGPT, XGLM, BLOOM dan BLOOMZ. Model GPT-3.5 dan GPT-4 juga digunakan untuk menguji kedua dataset. Hasil evaluasi QASiNa-RC menunjukkan XLM-RoBERTa sebagai model terbaik dengan nilai EM 58.40%, sedangkan model GPT-3.5 dan GPT-4 kurang baik karena melakukan penafsiran berlebihan. Evaluasi QASiNa-MC menunjukkan BLOOMZ 1.7B sebagai model terbaik dengan accuracy 27.76% dan meningkat menjadi 28.62% setelah dilakukan corpus-tuning. Model GPT-3.5 dan GPT-4 mendapatkan hasil lebih baik secara berurutan yaitu 56.60% dan 72.40%.
STRATEGI UNTUK MENINGKATKAN PERFORMA DAN UMUR PAKAI PIPA BUBUR KONSENTRAT PT FREEPORT INDONESIA MENGGUNAKAN MACHINE LEARNING
Availability pipa slurry konsentrat tembaga sangat penting dalam mempertahankan produksi proses yang berkelanjutan untuk PT Freeport Indonesia. Namun, tren kebocoran pipa slurry akibat ketebalan pipa yang tipis dari tahun 2019 hingga 2023 meningkat, menunjukkan bahwa ketersediaan jalur lumpur konsentrat tembaga menjadi lebih rendah. Selain itu, segmen antara Mile Post 34 – Mile Post 6, yang biasanya diproyeksikan memiliki umur pemakaian sepuluh tahun, mengalami laju keausan yang lebih cepat, mengakibatkan perbedaan antara umur layanan yang diharapkan dan yang sebenarnya. Hal ini berdampak signifikan terhadap efisiensi sistem transportasi slurry konsentrat tembaga dan membutuhkan strategi pemeliharaan prediktif yang lebih baik. Penelitian ini bertujuan untuk memprediksi ketebalan pipa slurry menggunakan model Machine Learning dan menggunakan model tersebut untuk mengoptimalkan parameter operasional pemompaan. Variabel independen yang dipertimbangkan meliputi aliran slurry, densitas, jam operasi slurry, jam operasi air, aliran air, dan ukuran partikel (150 #). Dalam penelitian ini, dataset yang terdiri dari 58 sampel dibagi, dengan 70% dialokasikan untuk pelatihan dan 30% untuk pengujian. Model prediktif yang digunakan adalah Decision Tree Regression, Neural Network, dan Support Vector Regression. Model terbaik menghasilkan 0,114 MSE dan 4,3% MAPE tanpa overfit atau underfit adalah SVR. Dapat disimpulkan dari model bahwa aliran lumpur dan ukuran partikel bersama dengan jam operasi secara signifikan mempengaruhi ketebalan jalur. Hal ini sejalan dengan teori dan penelitian sebelumnya. Di sisi lain, densitas lumpur tidak berpengaruh signifikan terhadap ketebalan pipa. Optimasi menggunakan Solver dengan metode Gradien Tereduksi Umum (GRG) dapat meminimalkan pengurangan ketebalan jalur lumpur sambil memenuhi target produksi. Dari model yang dioptimalkan, rencana penggantian telah ditetapkan. Jalur lumpur dapat diganti setelah 8 tahun sejak pemasangan MP 33 – MP 29 dan 9 tahun sejak pemasangan MP 28 – MP 22. Penelitian selanjutnya harus mempertimbangkan untuk menggabungkan set data yang lebih besar dan lebih beragam dari operasi jalur lumpur.
PEMODELAN IKLAN ONLINE UNTUK MENINGKATKAN PENJUALAN (STUDI KASUS: LO TEXTILE BANDUNG)
Industri tekstil di Indonesia terus berkembang dengan pesat, dipengaruhi oleh tren fashion, perubahan gaya hidup, kesadaran akan kualitas produk, dan pengaruh media sosial. Dalam persaingan sengit di industri ini, perusahaan-perusahaan berusaha memenangkan pangsa pasar dengan berbagai strategi pemasaran, salah satunya adalah melalui iklan online. Iklan online telah menjadi elemen kunci dalam strategi pemasaran industri tekstil di Indonesia yang dinamis ini. Dalam lingkungan yang kompetitif, perusahaan seperti Lo Textile Bandung, salah satu pemain di ritel tekstil Indonesia, menghadapi tantangan untuk mempertahankan dan meningkatkan penjualan. Salah satu strategi yang digunakan oleh Lo Textile Bandung untuk mencapai pertumbuhan penjualan adalah dengan iklan online, khususnya iklan pencarian kata kunci. Untuk mencapai target penjualan yang diinginkan, Lo Textile Bandung memerlukan model prediksi iklan online yang dapat membantu dalam memproyeksikan penjualan dan mengidentifikasi variabel yang krusial untuk mencapai target tersebut. Penelitian ini memanfaatkan data historis dari iklan Lo Textile Bandung di platform online marketplace Shopee untuk mengembangkan sebuah model prediksi menggunakan metode Regresi Linear Berganda. Regresi Linear Berganda adalah metode statistik yang digunakan untuk menganalisis hubungan antara dua atau lebih variabel independen (prediktor) dengan satu variabel dependen untuk memprediksi hasil yang akan datang. Untuk membangun model prediktif iklan online, penulis melakukan empat tahapan yaitu pengumpulan data, pre-processing data, pengembangan model dan melakukan evaluasi terhadap hasil model. Proses pemodelan iklan online menggunakan Regresi Linear Berganda dibantu dengan aplikasi Orange, sebuah aplikasi open-source visualisasi data, machine learning, dan data-mining. Dengan aplikasi ini proses kalkulasi seperti gradient descent dilakukan secara otomatis. Model ini memungkinkan analisis korelasi antara variabel seperti Impresi, Rasio Klik Tayang, Rasio Konversi dan Omzet Penjualan. Hasil pengembangan model prediksi ini digunakan untuk memproyeksikan konversi penjualan dan merekomendasikan kata kunci dengan kinerja konversi yang baik. Kata kunci seperti “diamond premium”, “wollycrepe caltri”, dan “toyobo deluxe” merupakan beberapa kata kunci teratas yang direkomendasikan untuk ditingkatkan budget iklannya.