📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 67 dokumenPREDIKSI PERMINTAAN BERBASIS MACHINE LEARNING UNTUK PENENTUAN ORDER QUANTITY STUDI KASUS: BAHAGIA KOPI BANDUNG
Kedai kopi semakin populer di Indonesia, dan mereka dianggap sebagai salah satu sektor bisnis yang berkontribusi pada perkembangan industri negara. Kesulitan dalam memperkirakan penjualan dan permintaan, mengganggu manajemen inventaris biji kopi. Peramalan dengan model pembelajaran mesin dapat memberikan solusi untuk masalah-masalah ini. Data yang digunakan dalam penelitian ini adalah permintaan biji kopi dari sistem POS (Point-of-Sales), yang dihitung dengan mengonversi data penjualan menu kopi menjadi permintaan biji kopi. Data tersebut adalah deret waktu, mencakup dari. Untuk meningkatkan efektivitas model, beberapa variabel eksternal seperti cuaca dan acara dimasukkan. Analisis data eksploratif dari faktor-faktor ini mengungkapkan pengaruh dan pola yang mempengaruhi dinamika permintaan biji kopi. Model prediksi yang digunakan dalam studi ini termasuk Regresi Linier Berganda (MLR), Pohon Keputusan (DT), Regresi Vektor Dukungan (SVR), dan Jaringan Saraf. (NN). Hasil pelatihan model menunjukkan bahwa model dengan semua variabel mengungguli model dengan hanya variabel tanggal. Model DT menghasilkan ramalan terbaik berdasarkan pola dan pengukuran kesalahannya. Hasil prediksi dilaksanakan dengan membangun dasbor yang membantu pebisnis dalam menentukan jumlah biji kopi yang harus dipesan dalam beberapa bulan ke depan. Ini adalah implementasi yang dapat digunakan untuk meningkatkan manajemen inventaris.
DETEKSI AKUN PROSTITUSI ONLINE DI TWITTER DENGAN PENDEKATAN MACHINE LEARNING DAN BERT
Prostitusi online melalui media sosial, khususnya Twitter, telah menjadi permasalahan yang serius dengan dampak hukum dan sosial yang signifikan. Dalam penelitian ini, dikembangkan sebuah model untuk mendeteksi akun- akun yang terlibat dalam aktivitas prostitusi online menggunakan kombinasi algoritma machine learning dan representasi linguistik canggih dari model BERT (Bidirectional Encoder Representations from Transformers). Dataset yang digunakan diperoleh melalui scraping lebih dari 4.000 tweet dengan tagar yang berkaitan dengan prostitusi, yang kemudian diproses melalui pembersihan data, ekstraksi fitur, dan pelabelan manual untuk membedakan akun prostitusi dan non-prostitusi. Penelitian ini mengintegrasikan metode machine learning, seperti Random Forest, Decision Tree, dan Support Vector Machine (SVM), dengan kekuatan representasi semantik dari BERT, termasuk penerapan pendekatan zero-shot classification. Label probabilitas yang dihasilkan dari zero-shot classification berbasis BERT, berupa skor ”prostitusi” dan ”non-prostitusi,” ditambahkan sebagai fitur baru pada dataset numerik. Penambahan fitur ini memberikan kontribusi semantik tambahan yang tidak tersedia dalam data numerik, memungkinkan model untuk memahami konteks linguistik yang lebih kompleks. Hasil penelitian menunjukkan peningkatan kinerja model secara signifikan setelah menambahkan fitur BERT. Akurasi meningkat dari 71,21% menjadi 80%, presisi dari 67,64% menjadi 88,14%, dan F1-score dari 73,93% menjadi 83,87%. Temuan ini menunjukkan bahwa zero-shot classification berbasis BERT tidak hanya meningkatkan kinerja deteksi akun prostitusi online, tetapi juga memberikan keseimbangan yang lebih baik antara presisi dan sensitivitas, menjadikannya solusi yang efektif untuk menangani permasalahan pada platform media sosial.
PEMODELAN PREDIKSI KONSUMSI ENERGI LISTRIK PADA SEGMEN PELANGGAN RUMAH TANGGA MENGGUNAKAN MACHINE LEARNING : STUDI KASUS PT PLN (PERSERO)
Pertumbuhan ekonomi Indonesia yang pesat telah mendorong peningkatan signifikan dalam konsumsi energi listrik di berbagai segmen, termasuk rumah tangga, bisnis, dan industri. Konsumsi energi listrik yang terus meningkat menjadi tantangan bagi sektor energi dalam menjaga pasokan yang andal dan efisien, terutama untuk memenuhi kebutuhan rumah tangga sebagai salah satu segmen pengguna terbesar. Penelitian ini bertujuan untuk membangun model prediksi konsumsi listrik segmen rumah tangga menggunakan algoritma Long Short-Term Memory (LSTM), yang dikenal unggul dalam menganalisis data time series, khususnya dengan pendekatan multivariat. Dengan mempertimbangkan kompleksitas faktor-faktor yang memengaruhi konsumsi listrik, penelitian ini berfokus pada identifikasi kombinasi sliding window dan variabel dan yang paling relevan untuk meningkatkan akurasi prediksi. Penelitian ini menggunakan enam variabel utama, yaitu konsumsi listrik, penambahan pelanggan, penambahan daya tersambung, tingkat inflasi, Produk Domestik Bruto (PDB) konsumsi rumah tangga, dan suhu rata-rata. Data historis yang digunakan mencakup periode 2004–2023, yang dikumpulkan dari berbagai sumber resmi seperti PT PLN (Persero), Badan Pusat Statistik (BPS), Bank Indonesia (BI), dan Climate Change Knowledge Portal. Pendekatan analisis dimulai dengan eksplorasi korelasi antarvariabel untuk menentukan relevansi faktor-faktor tersebut terhadap konsumsi listrik rumah tangga. Selanjutnya, data tersebut diolah untuk melatih model LSTM dalam memprediksi konsumsi listrik berdasarkan berbagai skenario sliding window, yaitu 1 bulan, 3 bulan, 6 bulan, dan 12 bulan. Hasil penelitian menunjukkan bahwa kombinasi variabel yang dipilih berdasarkan analisis korelasi awal berpengaruh signifikan terhadap akurasi model prediksi. Dari keempat skenario sliding window yang diuji, skenario dengan window size 12 bulan memberikan hasil terbaik. Kombinasi variabel yang digunakan pada skenario ini adalah penambahan pelanggan, tingkat inflasi, PDB konsumsi rumah tangga, dan konsumsi energi listrik rumah tangga. Dengan konfigurasi ini, model LSTM menghasilkan Mean Absolute Percentage Error (MAPE) sebesar 2,44%, yang menunjukkan tingkat akurasi prediksi yang sangat baik namun cenderung kurang bisa menangkap pola fluktuatif bulanan. Penelitian ini juga memberikan wawasan penting tentang pengaruh window size dalam meningkatkan kemampuan model untuk mengenali pola musiman atau tren jangka panjang dalam data konsumsi listrik.. Kontribusi penelitian ini tidak hanya terletak pada pengembangan model prediksi yang akurat, tetapi juga pada implikasinya bagi perencanaan dan pengelolaan konsumsi energi di masa depan. Model yang diusulkan dapat digunakan sebagai alat bantu untuk mendukung pengambilan keputusan strategis, baik oleh pemerintah maupun perusahaan penyedia energi, guna memastikan ketersediaan listrik yang memadai bagi segmen rumah tangga. Lebih lanjut, temuan ini membuka peluang untuk pengembangan penelitian serupa pada segmen tarif lainnya, seperti bisnis, industri, sosial, dan publik. Dengan demikian, penelitian ini tidak hanya memperkaya literatur akademik tetapi juga memberikan manfaat praktis dalam mendukung transisi menuju sistem energi yang lebih berkelanjutan di Indonesia.
PENGEMBANGAN MODEL REKOMENDASI PENGADAAN SUKU CADANG PEMBANGKIT LISTRIK BERBASIS TIME-SERIES DENGAN MENGGUNAKAN MACHINE LEARNING
Dalam menghadapi tantangan pengadaan suku cadang yang tepat waktu dan efisien, PT PLN Nusantara Power (PLN NP) memerlukan pendekatan inovatif untuk mengoptimalkan proses pengadaan dan meminimalkan risiko operasional. Penelitian ini bertujuan mengembangkan model rekomendasi berbasis time-series dengan metode machine learning, seperti Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Prophet, dan Recurrent Neural Network (RNN). Model ini dirancang untuk memprediksi harga, kuantitas kebutuhan, dan waktu pembelian suku cadang secara akurat, yang diharapkan dapat mengurangi risiko trip atau derating pembangkit listrik. Penelitian ini menggunakan data historis dari sistem Enterprise Asset Management (EAM) PLN NP, mencakup purchase order dan transaksi gudang dari 2012 hingga 2023. Data diproses melalui tahap preprocessing yang melibatkan pembersihan, agregasi, normalisasi, dan pengisian nilai yang hilang. Model dievaluasi menggunakan metrik seperti MAE, RMSE, MAPE, R-squared untuk prediksi harga dan kuantitas, serta Accuracy, Precision, Recall, dan F1-Score untuk prediksi waktu pembelian. Hasil penelitian menunjukkan bahwa model LSTM dan GRU memiliki performa superior dibandingkan Prophet dan RNN dalam hal akurasi dan relevansi rekomendasi pengadaan. Dengan implementasi model rekomendasi ini, potensi keterlambatan pengadaan dapat dikurangi hingga 80%, yang dapat mengurangi kerugian hingga 44,8 miliar rupiah per tahun. Penelitian ini memberikan kontribusi signifikan dalam mendukung efisiensi operasional dan keberlanjutan PLN NP, serta menjadi referensi berharga untuk pengelolaan pengadaan suku cadang di sektor pembangkitan energi.
ANALISIS PERAN STUDI ASTRONOMI DALAM PENGEMBANGAN TEKNOLOGI DAN METODOLOGI RUKYAT SERTA PENELITIAN HILAL DI INDONESIA
Penentuan awal bulan Hijriyah, yang penting bagi umat Islam, mempengaruhi penjadwalan ibadah, perayaan, dan kegiatan keagamaan lainnya. Proses ini secara tradisional dilakukan melalui pengamatan hilal, yakni pengamatan bulan sabit pertama setelah terjadinya konjungsi antara matahari dan bulan. Akurasi dalam pengamatan hilal bergantung pada pemahaman yang mendalam mengenai teori astronomi. Konsep imkanur rukyat, yang menentukan awal bulan berdasarkan kemungkinan terlihatnya hilal, telah diadopsi oleh berbagai organisasi seperti Nahdatul Ulama, PERSIS dan Pemerintah . Penelitian ini bertujuan untuk menganalisis kebutuhan pelatihan atau workshop dalam bidang astronomi yang dapat mendukung pengembangan rukyatul hilal di Indonesia, serta mengidentifikasi topik-topik utama yang harus dimasukkan dalam pelatihan tersebut. Penelitian ini menggunakan metode campuran dengan pendekatan eksplorasi berurutan. Dimulai dengan pengumpulan data kualitatif melalui wawancara mendalam dengan 16 narasumber yang merupakan praktisi Hilal dari berbagai bidang . Selanjutnya, data kuantitatif dikumpulkan melalui kuesioner kepada 131 responden untuk mengukur konsensus dan persepsi terhadap pentingnya pelatihan. Data kuantitatif ini dianalisis untuk mendukung temuan kualitatif dan memberikan gambaran komprehensif tentang kebutuhan dan prioritas pelatihan. Hasil penelitian menunjukkan bahwa mayoritas responden (75,6%) menilai pelatihan pengamatan hilal sangat penting, dengan rata-rata nilai 4,72 dan simpangan baku 0,530. Temuan ini menggaris bawahi pentingnya pelatihan yang mencakup baik aspek teoritis maupun praktis. Rekomendasi utama meliputi pengembangan modul pelatihan tentang astronomi posisi, penggunaan instrumentasi astronomi yang canggih, serta penerapan teknologi modern seperti machine learning dan software pengolahan citra. Selain itu, diperlukan kolaborasi dengan lembaga pendidikan dan penelitian untuk memperbarui materi pelatihan sesuai dengan trend global dalam astronomi.
IMPLEMENTASI MACHINE LEARNING DALAM SISTEM PEMILAHAN SAMPAH CERDAS UNTUK KLASIFIKASI SAMPAH OTOMATIS DI AREA KAMPUS (STUDI KASUS: KAMPUS INSTITUT TEKNOLOGI BANDUNG)
Pengelolaan sampah merupakan salah satu isu lingkungan yang signifikan dihadapi oleh berbagai negara, termasuk Indonesia. Peningkatan jumlah penduduk dan aktivitas manusia menyebabkan peningkatan volume sampah, terutama di lingkungan dengan aktivitas tinggi seperti kampus. Institut Teknologi Bandung menghadapi tantangan dalam pemilahan sampah yang saat ini masih dilakukan secara manual sehingga memerlukan banyak tenaga dan waktu. Mahasiswa, sebagai salah satu pengguna tempat sampah, sering kali merasa pemilahan sampah merepotkan dan bingung dalam menentukan kategori sampah yang tepat. Hal ini menyebabkan sering terjadi kesalahan dalam penempatan sampah. Selain itu, data mengenai sampah yang terkumpul di suatu lokasi pada periode waktu tertentu diperlukan oleh Direktorat Sarana dan Prasarana untuk memetakan karakteristik sampah guna menambah kategori tempat sampah sesuai kebutuhan. Tugas akhir ini bertujuan untuk mengembangkan sistem pemilahan sampah cerdas yang dapat mengurangi ketercampuran sampah anorganik, menyediakan informasi data sampah, dan memisahkan sampah anorganik secara otomatis dan akurat di area Kampus ITB dengan memanfaatkan machine learning. Pengembangan sistem dilakukan menggunakan metodologi systems engineering, yaitu pada tahap concept development dan engineering development. Untuk membangun model machine learning dalam sistem pemilahan sampah cerdas, dilakukan perbandingan beberapa algoritma machine learning untuk object detection. Model machine learning yang dipilih adalah YOLOv5n dengan nilai precision sebesar 0,902, nilai recall sebesar 0,927, nilai F-score sebesar 0,914, nilai mAP50 sebesar 0,948, pre-process time sebesar 0,3 ms, dan inference time sebesar 6,3 ms. Implementasi sistem telah diuji berdasarkan komponen perangkat lunak, kebutuhan fungsional, serta spesifikasi akurasi dan kinerja terkait machine learning dengan kesimpulan hasil 100% berhasil. Hasil pengembangan ini memberikan rekomendasi untuk melakukan pelatihan model lebih lanjut dengan dataset yang lebih besar dan beragam serta mempertimbangkan penggunaan Teachable Machine dari Google sebagai alat bantu dalam pengembangan model machine learning.
PREDIKSI PENGHITUNGAN INDEKS PEMBANGUNAN DESA DENGAN MACHINE LEARNING, STUDI KASUS PENDATAAN P?TENSI DESA
Penelitian ini bertujuan untuk memperkirakan Indeks Pembangunan Desa (Village Devel?pment Index atau VDI) dengan menggunakan aplikasi pembelajaran mesin, memanfaatkan data yang diper?leh dari Survei P?tensi Desa (P?DES). P?DES menyediakan data yang kaya akan inf?rmasi terkait k?ndisi s?sial, ek?n?mi, dan infrastruktur desa-desa di seluruh Ind?nesia. Met?de yang digunakan dalam penelitian ini melibatkan m?del pembelajaran mesin untuk menganalisis fitur-fitur data P?DES yang memiliki k?relasi dengan indikat?r pembangunan desa. M?del pembelajaran mesin yang diusulkan menggabungkan tiga alg?ritma utama, yaitu Naive Bayes (NB), Multivariate Linier Regression, dan Random Forest, yang dipilih karena kemampuannya dalam menangani data yang k?mpleks dan menghasilkan prediksi yang akurat. Dengan pendekatan ini, m?del berhasil mencapai kesalahan kuadrat rata-rata (Mean Squared Err?r atau MSE) yang rendah, menunjukkan bahwa m?del tersebut memiliki p?tensi yang signifikan untuk digunakan dalam mendukung kebijakan pembangunan desa. Penelitian ini menggarisbawahi pentingnya penggunaan data eksternal dan tekn?l?gi pembelajaran mesin sebagai alat yang efisien dan skalabel untuk pemantauan dan evaluasi pembangunan desa secara rutin, yang sangat penting dalam k?nteks pengambilan keputusan yang berbasis data..
METODE GABUNGAN LSTM DAN RANDOM FOREST UNTUK PREDIKSI KEMACETAN LALU LINTAS
Kemacetan merupakan salah satu isu yang cukup krusial di beberapa kota di Indonesia, termasuk kota-kota di provinsi Jawa Barat. Kemacetan membuat banyak kerugian seperti hilangnya waktu, kurangnya produktivitas, meningkatkan stress bagi pengemudi, dan akan berdampak pada kegiatan-kegiatan selanjutnya. Kemacetan disebabkan karena pertumbuhan kendaraan bermotor yang meningkat cukup signifikan tidak sebanding dengan pertumbuhan jalan raya (Rahayu, 2018), selain itu kemacetan juga disebabkan karena perjalanan yang tidak terencana dengan baik. Penelitian ini mengusulkan sebuah metode untuk membuat model prediksi kemacetan, agar pengemudi dapat merencanakan perjalanan dengan baik dan mengurangi kemacetan jalan raya. Metode yang diajukan pada penelitian ini yaitu algoritma gabungan LSTM dan Random Forest. LSTM merupakan model deep learning yang dikenal baik untuk mengatasi isu temporal dan sekuensial, sedangkan Random Forest merupakan model machine learning yang sudah banyak digunakan oleh peneliti-peneliti sebelumnya untuk memprediksi kemacetan dan memberikan hasil yang sangat baik. Random Forest memiliki kelebihan kuat dan stabil, serta memiliki risiko overfitting yang rendah. Penelitian terkait sudah banyak dilakukan sebelumnya, namun belum ada yang melakukan eksperimen menggunakan gabungan algoritma LSTM dan Random Forest. Hasil dari penelitian ini berhasil membuktikan bahwa algoritma gabungan LSTM dan Random Forest memberikan hasil yang lebih baik dibandingkan model LSTM dan Random Forest yang berdiri sendiri untuk kasus ini. Model gabungan memberikan nilai akurasi 28% lebih tinggi dibandingkan model Random Forest dan 1% lebih tinggi dibandingkan model LSTM.
PENGGUNAAN ALGORITMA MACHINE LEARNING MODEL REGRESI UNTUK PREDIKSI COVERAGE PADA JARINGAN SELULER
Perkembangan teknologi telekomunikasi terus bergerak maju, dan salah satu terobosan signifikan adalah implementasi jaringan seluler 5G. Sinyal 5G menawarkan kecepatan dan kapasitas yang luar biasa, namun efektivitasnya tergantung pada penyebaran infrastruktur yang tepat. Masalah penting yang dihadapi dalam mengimplementasikan jaringan 5G adalah memprediksi cakupan sinyal dengan akusrasi tinggi untuk menetukan lokasi optimal pemasangan stasiun basis dan mengevaluasi efisiensi jaringan. Dengan meningkatnya kompleksitas lingkungan urban dan suburban, termasuk interferensi bangunan, topografi yang beragam, dan variasi kepadatan populasi, penting untuk mengembangkan metode prediktif yang dapat mengatasi tantangan ini. Hal ini sangat penting untuk memastikan ketersediaan layanan jaringan 5G yang andal dan berkualitas di berbagai area cakupan. Penelitian ini bertujuan untuk mengembangkan algoritma machine learning model regresi yang efektif untuk memprediksi cakupan sinyal pada jaringan seluler, mengidentifikasi kinerja algoritma machine learning model regresi terbaik dalam memprediksi cakupan sinyal pada jaringan seluler dan menganalisis kinerja algoritma machine learning model regresi dalam memprediksi cakupan sinyal di area urban dan suburban. Algoritma-algoritma regresi yang digunakan dalam penelitian ini meliputi Linear Regression, Ridge Regression, Lasso Regression, Decision Tree Regression, Random Forest Regression (dengan akurasi tertinggi), Gradient Boosting Regression, Support Vector Regression, K-Nearest Neighbors Regression dan XGBoost Regression. Penelitian ini menggunakan dataset lapangan yang dikumpulkan secara drive test menggunakan G-Net Track Pro dan data operator seluler. Data ini akan mencakup berbagai informasi seperti kekuatan sinyal, tinggi antena pemancar, jarak antena pemancar dan penerima (m), frekuensi, altitude, sudut elevasi, tilting offset angel, azimuth offset angel, LTERSSI (LTE Reference Signal Received Power), dan Qual. Model regresi akan dikembangkan dengan memanfaatkan data tersebut untuk memprediksi coverage pada jaringan seluler di berbagai lokasi. Evaluasi kinerja model akan dilakukan menggunakan metode relevan, seperti Mean Absolute Error (MAE), Root Mean Squared Error (RMSE) dan R-squared (R2 ), untuk menentukan algoritma machine learning model regresi yang paling akurat dalam memprediksi cakupan sinyal. Hasil penelitian menunjukan bahwa algoritma machine learning model regresi terbaik yang digunakan adalah adalah Random Forest Regression, dengan nilai RMSE dan MAE paling kecil, yaitu masing-masing sebesar 2.728740 dBm dan 1.724648 dBm, menunjukkan bahwa Random Forest Regression memiliki kemampuan yang luar biasa dalam meminimalisir kesalahan prediksi. Selain itu, Random Forest Regression juga memiliki nilai R2 terbaik sebesar 0.9182 menegaskan bahwa model ini dapat menjelaskan 91,82% variasi dalam data, yang merupakan pencapaian tertinggi dibandingkan model-model lainnya. Setelah proses Hyperparameter Tuning, Random Forest Regression tetap menjadi model unggulan dengan nilai RMSE dan MAE terbaik, yaitu masing-masing menjadi 2.737140 dBm dan 1.728487 dBm, serta nilai R2 sebesar 0.917675. Meskipun terdapat penurunan kecil dalam nilai R2 setelah Tuning, model ini menunjukkan stabilitas dan akurasi yang konsisten, menegaskan posisinya sebagai pilihan utama dalam memprediksi cakupan sinyal pada jaringan seluler. Dalam penelitian ini, Random Forest Regression terbukti menjadi algoritma machine learning model regresi terbaik dengan nilai yang signifikan dalam memprediksi coverage pada jaringan seluler. Penyesuaian Hyperparameter juga memperkuat stabilitas dan akurasi model, meskipun ada penurunan kecil dalam nilai R2. Keunggulan Random Forest Regression terletak pada kemampuannya untuk menangani data dengan kompleksitas tinggi dan variasi besar, serta adaptasinya yang baik terhadap perubahan dalam data input. Keberhasilan Random Forest Regression dalam penelitian ini menawarkan dasar yang kuat bagi penelitian dan pengembangan lebih lanjut dalam bidang telekomunikasi, khususnya dalam meningkatkan kualitas dan jangkauan layanan jaringan. Dengan demikian, penelitian ini tidak hanya memberikan kontribusi signifikan terhadap pengetahuan yang ada tetapi juga menetapkan standar bagi studi mendatang dan aplikasi praktis di lapangan.
IDENTIFIKASI SECONDARY POROSITY: VUGS PADA FORMASI BATUAN KARBONAT MENGGUNAKAN MACHINE LEARNING BERDASARKAN DATA LOG KONVENSIONAL
Dalam kebanyakan kasus, metode konvensional yang menggunakan analisis log sumur dan gambar dalam menentukan dan menggambarkan porositas sekunder membutuhkan waktu dan biaya yang tidak sedikit. Akibatnya, penelitian ini akan menggunakan metode machine learning untuk memproses dan menganalisis data log seperti gamma ray, neutron, density dan resistivity pada sumur-sumur yang tidak memiliki data log gambar, demi meningkatkan ketepatan dan kecepatan identifikasi jenis porositas sekunder pada formasi batuan karbonat dengan menggunakan dataset yang telah dianotasi dengan informasi porositas sekunder dari Formation Micro Imager (FMI). Penelitian ini dapat meningkatkan efisiensi dan akurasi proses identifikasi porositas sekunder pada formasi batuan karbonat, demi membuka peluang penemuan reservoir yang lebih baik dengan biaya yang minim. Dalam penelitian ini dibuat fitur tambahan berupa volume shale, porositas densitas, porositas total, dan porositas efektif, untuk meningkatkan kinerja model. Penelitian ini berhasil menemukan algoritma machine learning yang akurat dan efisien untuk menentukan jenis porositas sekunder, sehingga diharapkan dapat mengurangi waktu dan biaya untuk melakukan analisa dan karakterisasi reservoir.
INTEGRASI LOG SUMUR KONVENSIONAL DAN PENDEKATAN MACHINE LEARNING PADA JENIS REKAHAN: STUDI KASUS PADA RESERVOIR VULKANIK INDONESIA
Reservoir vulkanik berpotensi menjadi tempat penyimpanan hidrokarbon yang berharga dalam industri minyak dan gas. Porositas sekunder adalah faktor penting dalam kapasitas penyimpanan dan aliran fluida dalam reservoir ini. Memprediksi porositas sekunder sendiri di reservoir vulkanik merupakan tantangan karena kompleksitas proses geologi yang terlibat. Penelitian sebelumnya menunjukkan bahwa distribusi porositas sekunder dalam reservoir vulkanik cenderung kompleks dan heterogen. Metode yang diusulkan mencoba untuk melatih informasi yang dikumpulkan dari log sumur konvensional untuk memprediksi jenis rekahan yang mengindikasikan porositas sekunder. Metode ini menggunakan sejumlah besar data yang tersedia dari log sumur untuk menemukan dan mengisolasi fitur porositas, sehingga memberikan alternatif yang lebih hemat biaya dan efisien dibandingkan dengan formation micro imaging (FMI). Oleh karena itu, penelitian ini mengusulkan penggunaan pendekatan machine learning yang mengintegrasikan data logging sumur konvensional untuk memprediksi jenis rekahan yang mengindikasikan porositas sekunder. Pendekatan ini menggunakan teknik supervised machine learning dan unsupervised machine learning sebagai komparasi untuk meningkatkan akurasi identifikasi jenis rekahan. Hasil dari penelitian ini diharapkan dapat memberikan kontribusi penting dalam pemahaman dan karakterisasi reservoir vulkanik, khususnya pada sektor industri minyak dan gas.
ANALISIS PEMBENTUKAN HIDRAT PADA PIPA TRANSPORTASI MENGGUNAKAN PENDEKATAN MACHINE LEARNING PADA LAPANGAN “IAR”
Pembentukan gas hidrat dalam pipa transportasi hidrokarbon merupakan masalah kristis yang dapat mengganggu aliran dan menyebabkan penyumbatan, berpotensi menimubulkan risiko keamanan serta kerugian ekonomi. Hidrat adalah padatan kristal berbentuk es yang disebut klatrat dari sudut pandang struktural. Struktur senyawa dasarnya terdiri dari kristal molekul air yang berbentuk sangkar yang mengandung molekul tamu yang membentuk hidrat. Hidrat akan terbentuk ketika terdapat cukup air untuk membentuknya, dengan kondisi suhu rendah dan tekanan tinggi pada kondisi tertentu. Studi ini meneliti penerapan machine learning untuk memprediksi formasi hidrat dalam pipa transportasi. Penelitian menggunakan 3 case berbeda yaitu fluida case A, fluida case B dan Fluida Case C. ketiga case fluida akan di match pada kondisi lapangan IAR menggunakan dynamic multiphase flow simulator. Hasil luaran match yang dilakukan pada ketiga fluida akan digunakan sebagai dataset pembangunan model machine learning. Algoritma yang digunakan untuk memprediksi pembentukan hidrat seperti Random Forest, Gradient Boosting, Extreme Gradient Boosting, CatBoost dan Support Vector Machine. Model -model tersebut dilatih dan divalidasi menggunakan data set yang dibagi menjadi data pelatihan, data pengujian dan cross validasi. Kemudian data yang telah dibangun akan diuji terhadap data blind test. Pada penelitian ini fluida case A dan fluida case B merupakan dataset yang digunakan terhadap develop model dan fluida case C merupakan data blind test. Hasil evaluasi dari model yang telah dibangun menunjukkan bahwa Random Forest memberikan kinerja terbaik dengan akurasi prediksi 82%, diikuti dengan Extreme Gradient Boosting 60%, Gradient boosting 54%, CatBoost 53% dan SVM 0,57%.
SISTEM KONTROL DATA-DRIVEN BERBASIS LIGHTGBM PADA QUADCOPTER
Unmanned Aerial Vehicles (UAV), juga dikenal sebagai drone, adalah pesawat nirawak yang dapat terbang dan diprogram untuk melakukan tugas tertentu tanpa intervensi manusia. Salah satu dari jenis UAV ini adalah quadcopter. Sistem pengendalian pada quadcopter berkembang dengan sangat pesat seiring berjalannya waktu. Sistem kendali quadcopter dapat dilakukan salah satunya adalah dengan menggunakan machine learning. Light Gradient Boost Machine (LightGBM) merupakan algoritma pembelajaran berbasis tree gradient yang dapat mengoptimalkan penggunaan memori dan waktu pelatihan dengan teknik yang secara selektif mempertahankan objek dengan jumlah data yang banyak selama pelatihan. Penelitian ini akan dilakukan sebuah perancangan algoritma LightGBM yang akan dilakukan untuk menggantikan algoritma kendali Linear Quadratic Regulator (LQR). Skema dari penelitian ini adalah dengan mendapatkan data input dan output dari closed-loop sistem quadcopter menggunakan algoritma kendali LQR, maka akan dilakukan training untuk mendapatkan model dari algoritma kendali LightGBM yang akan digunakan. Algoritma kendali LightGBM diharapkan dapat menggantikan algoritma LQR sebagai pengendali untuk sistem quadcopter yang telah dirancang. Hasil dari simulasi yang dilakukan pada penelitian ini menunjukan bahwa dengan menggunakan hyperparameter (num leaves: 31, max depth: 7, learning rate: 0,09848640149856627 dan num iterations: 872) untuk data tanpa gangguan respon dari algoritma pengendali LQR dan LightGBM memiliki hasil respon yang hampir sama persis, dengan rise time, settling time, dan % overshoot dari algoritma LightGBM lebih rendah dibandingkan dengan algoritma LQR. Dan untuk data dengan gangguan dilakukan training dengan menggunakan hyperparameter sebagai berikut (n_estimators = 100, learning rate: 0,3764792620878137 dan num iterations: 880), dengan hasil yaitu respon yang dihasilkan oleh pengendali LightGBM memiliki rise time, settling time yang lebih lama dibandingkan dengan respon yang dihasilkan oleh algoritma LQR.
IMPLEMENTASI ALGORITMA MACHINE LEARNING UNTUK SISTEM KLASIFIKASI TRANSAKSI ANOMALI PADA AGEN PERBANKAN
Tugas akhir berjudul "Implementasi Algoritma Machine Learning untuk Sistem Klasifikasi Transaksi Anomali pada Agen Perbankan" berfokus pada penerapan algoritma Extreme Gradient Boosting (XGBoost), Random Forest, LightGBM, dan Artificial Neural Network dalam domain klasifikasi transaksi keuangan. Tujuannya adalah mengembangkan sistem yang mampu mengidentifikasi dan mengklasifikasikan transaksi yang anomali dalam jaringan agen perbankan. Pengembangan sistem ini mengikuti metodologi CRISP-DM (Cross-Industry Standard Process for Data Mining), yang memastikan langkah-langkah sistematis dalam pengembangan model. Sistem ini meningkatkan keamanan dan efisiensi operasi perbankan, terutama dalam mendeteksi transaksi yang berpotensi curang atau tidak teratur. Proyek ini melibatkan pra-pemrosesan data, rekayasa fitur, pelatihan model, penyetelan hyperparameter, hyperparameter tuning dan evaluasi kinerja model. Hasilnya menunjukkan efektivitas algoritma XGBoost, Random Forest, LightGBM, Artificial Neural Network dalam mendeteksi dan mengklasifikasikan transaksi yang anomali, sehingga berkontribusi pada integritas keseluruhan sistem perbankan.
PENERAPAN ALGORITMA MACHINE LEARNING DALAM PENILAIAN KREDIT SKOR: PERBANDINGAN KINERJA DAN EFISIENSI ALGORITMA-ALORIGME ENSEMBLE
Kredit memiliki peran yang krusial dalam perputaran ekonomi di sebuah negara. Perbankan dan lembaga kreditur lainnya kerap menggunakan dana yang stagnan untuk menjalankan perannya sebagai pemberi kredit kepada masyarakat atau lembaga. Sebelum melakukan pemberian kredit, pihak kreditur umumnya melakukan analisis penilaian risiko kredit untuk meminimalisir risiko kredit yang ada. Penilaian risiko kredit dapat dilakukan menggunakan asesmen seorang ahli kredit atau melalui otomasi model berdasarkan data-data pribadi dan riwayat transaksi calon debitur, atau dikenal dengan credit scoring. Salah satu metode untuk melakukan credit scoring adalah melalui machine learning. Terdapat banyak algoritma yang dapat digunakan untuk membangun model prediksi skor kredit yang baik. Penerapan algoritma machine learning dilakukan melalui enam tahap, yaitu pemahaman kebutuhan bisnis, pemahaman data yang digunakan, pra-proses data, pemodelan dan optimasi parameter, evaluasi, serta deployment. Pemahaman terhadap kebutuhan bisnis dan pemahaman data dilakukan melalui exploratory data analysis. Tahap ini memberikan insight mengenai fitur-fitur yang penting untuk digunakan pada tahap pembuatan model. Pada tahap pemodelan, dipilih beberapa algoritma ensemble learning untuk dibandingkan hasilnya. Pada setiap algoritma, akan dilakukan optimasi parameter menggunakan grid search dan k-fold cross validation. Hasil prediksi dari setiap algoritma akan dievaluasi melalui beberapa metrik klasifikasi, diantaranya AUC, accuracy, F1 score, precision, recall, dan training time dengan nilai AUC dan recall class bad sebagai metrik utamanya.