📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 192 dokumenANALISIS KLASIFIKASI DAN PRIORITISASI WILAYAH IMPLEMENTASI SMART METER AMI MENGGUNAKAN MACHINE LEARNING
Penelitian ini bertujuan untuk mengatasi ketidakseimbangan dalam penentuan unit prioritas implementasi smart meter Advanced Metering Infrastructure (AMI) di PT PLN (Persero) UIW Bangka Belitung. Metode berbasis demografis dan geografis yang digunakan saat ini sering kali tidak mencerminkan kebutuhan operasional, sehingga inefisien dalam alokasi sumber daya dan anggaran. Penelitian ini mengusulkan pendekatan berbasis machine learning dengan K-Means untuk klasifikasi wilayah dan Analytic Hierarchy Process (AHP) untuk prioritisasi klaster. Data yang dianalisis meliputi jumlah clear tamper, penggantian meter, dan pelanggaran per pelanggan dari tahun 2016 hingga 2023. Dataset dibagi ke dalam empat periode: keseluruhan data, sebelum COVID-19 (2016–Maret 2020), saat COVID-19 (Maret 2020–Maret 2022), dan setelah COVID-19 (April 2022– Desember 2023). Hasil penelitian menunjukkan bahwa metode ini mampu memberikan rekomendasi prioritas berbasis data yang lebih akurat pada setiap periode. Pendekatan ini diharapkan meningkatkan efisiensi alokasi sumber daya, mempercepat implementasi teknologi AMI, dan meningkatkan kepercayaan pelanggan terhadap transformasi digital di sektor energi.
ANALISIS PENDEKATAN MODEL LONG SHORT-TERM MEMORY (LSTM) DAN DEKOMPOSISI WAVELET UNTUK MEMPREDIKSI KEBUTUHAN TRAFO DISTRIBUSI DENGAN: STUDI KASUS PLN UP3 BALIKPAPAN
Dalam sistem kelistrikan, transformator (trafo) distribusi memiliki peran penting dalam menyalurkan energi listrik dari tegangan tinggi ke tegangan rendah sesuai kebutuhan pelanggan. Ketepatan perencanaan kebutuhan trafo distribusi menjadi krusial mengingat pola konsumsi energi yang dinamis dan fluktuatif. Penelitian ini bertujuan untuk mengembangkan model prediksi kebutuhan trafo distribusi berbasis algoritma Long Short-Term Memory (LSTM) dengan dan tanpa integrasi dekomposisi wavelet untuk meningkatkan akurasi prediksi. Data historis dari riwayat pemakaian trafo distribusi periode 2013–2023 yang diperoleh dari aplikasi SAP ERP dianalisis menggunakan pendekatan kuantitatif dan uji stasioneritas. Model LSTM digunakan untuk memprediksi kebutuhan trafo dengan berbagai kapasitas (50 kVA, 100 kVA, 160 kVA, dan 250 kVA). Integrasi dekomposisi wavelet dilakukan untuk memisahkan komponen tren utama (lowfrequency) dan fluktuasi (high-frequency), guna mengurangi noise pada data. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE), Relative Mean Absolute Error (RelMAE), dan Symmetric Mean Absolute Percentage Error (SMAPE). Hasil penelitian menunjukkan bahwa integrasi dekomposisi wavelet pada LSTM menghasilkan peningkatan akurasi signifikan, dengan MAE terbaik sebesar 3,00 pada kapasitas trafo 250 kVA. Model Stacked LSTM menunjukkan performa unggul pada kapasitas trafo 50 kVA (MAE 1,51) dan 100 kVA (MAE 3,19), sedangkan Simple LSTM memberikan hasil terbaik pada kapasitas trafo 160 kVA (MAE 2,14). Evaluasi menggunakan RelMAE menunjukkan bahwa model prediksi memiliki tingkat error yang lebih rendah dibandingkan standar deviasi data dengan nilai 0,61 (250 kVA), 0,63 (100 kVA), 0,69 (160 kVA), dan 0,89 (50 kVA). Han ini menegaskan bahwa model mampu menghasilkan prediksi yang baik dalam menanggulangi shortage trafo di PLN UP3 Balikpapan.
EVALUASI PENGGUNAAN ADITIF TERHADAP KINERJA BIODIESEL (B35) PADA KOMATSU HD785
Abstrak bisa dilihat di filenya
PERANCANGAN MODEL PREDIKSI LEAD-TO-WEBSITE WWW.MENANGGAMING DARI KANAL INSTAGRAM @MENANGGAMING BERDASARKAN ATRIBUT KONTEN POST INSTAGRAM
Inti bisnis Infia sebagai salah satu pemain di industri media dan periklanan adalah menyajikan berita/konten dalam berbagai bidang melalui sejumlah akun media sosial Instagram. Infia memperluas jangkauan bisnisnya dari hanya mengelola akun internal secara reguler dengan menambahkan bisnis kerja sama pengelolaan akun media sosial dengan brand lain. Sejak bulan Juli tahun 2019, Infia membentuk kerja sama dengan PT.X sebagai perusahaan produsen laptop terkemuka di Indonesia untuk membentuk akun Instagram white-label, @menanggaming, yang secara tidak langsung diharapkan mampu menarik minat pengguna Instagram untuk menggunakan laptop gaming terbaru PT.X. Akibat usia akun Instagram yang masih muda, Infia memiliki tantangan untuk mengoptimalkan konten yang dipublikasikan agar memicu pelanggan untuk mengunjungi situs web eksklusif untuk gaming bersama PT.X, menanggaming.com Penelitian ini bertujuan untuk merancang model kuantitatif yang dapat memprediksi jumlah lead-to-website menanggaming.com berdasarkan atribut konten dan akun instagram @menanggaming sehingga memudahkan Infia mengidentifikasi variabel yang mempengaruhi interaksi dengan pengguna Instagram. Model prediksi dibuat berdasarkan 456 data harian akun @menanggaming yang tersebar ke dalam lebih dari 2000 post. Model prediksi lead-to-website dibentuk menggunakan dua metode yang berbeda, yaitu regresi dan machine learning. Dari beberapa model prediksi yang digunakan, metode regresi linear berganda dan random forest (regressor) menghasilkan performansi terbaik dan interpretasi yang mudah. Nilai R2 set data training dan testing model prediksi lead-to-website dari metode regresi linear berganda dan random forest berturut- turut adalah 54.69%, 42.85%, 90.31%, dan 73.7%,. Variabel terpilih untuk perancangan model akhir adalah jumlah tipe post dalam bentuk image, jumlah tipe post dalam bentuk video, jumlah tipe post dalam bentuk carousel, tipe konten dalam kategori how, jumlah impresi post, dan waktu unggah konten dalam rentang 00.00 – 10.00 WIB. Penelitian diakhiri dengan saran strategi pemasaran konten Instagram @menanggaming berdasarkan variabel yang paling memengaruhi jumlah lead-to-website dan saran untuk meningkatkan efektivitas proses bisnis akun @menanggaming.
PERANCANGAN KEBIJAKAN INVENTORI SERVICE PARTS DENGAN MENYESUAIKAN MODEL P DAN Q UNTUK MEMAKSIMALKAN NILAI AFR DENGAN TETAP MEMINIMASI ONGKOS INVENTORI (STUDI KASUS: PT TOYOTA ASTRA MOTOR)
Salah satu industri besar di Indonesia yang memiliki kecenderungan untuk tumbuh dari tahun ke tahun adalah industri otomotif, khususnya mobil. Walaupun dengan adanya pandemi Covid-19, dengan adanya diskon PPnBM dari pemerintah, penjualan mobil dapat pulih dan naik kembali. Industri pendukung yang tidak kalah besarnya adalah industri penjualan suku cadang (service parts). PT Toyota Astra Motor (TAM) sebagai salah satu pemain terbesar di industri ini melalui Service Parts Logistic Division (SPLD) mengelola distribusi service parts untuk mobil Toyota di seluruh Indonesia. SPLD saat ini memiliki masalah yakni nilai Allocation Fill Rate (AFR) yang tidak maksimal. AFR merupakan tingkat pemenuhan permintaan pelanggan dalam bentuk lines. Nilai AFR berdasarkan data bulan Januari 2020 adalah 96,41%, sedangkan targetnya adalah 100%. Terdapat 3,59% GAP AFR yang menjadi masalah. Setelah didekomposisi, diketahui bahwa loss lines yang terjadi pada service parts kategori PCC A – pemasok lokal dan PCC C – pemasok impor menyumbang dampak paling signifikan. Melalui analisis akar masalah, diketahui bahwa penyebabnya adalah SPLD tidak memperhatikan biaya inventori, peramalan hanya menggunakan satu metode (MAD/DAD), perhitungan safety stock tidak konsisten serta perhitungan safety stock dan periode pemesanan ulang berdasarkan expert judgement. Berdasarkan kondisi tersebut, dibuat rencana penelitian untuk mengembangkan skema peramalan usulan dan kebijakan inventori untuk memaksimalkan nilai AFR dengan tetap meminimasi ongkos inventori total. Skema peramalan usulan akan terdiri dari uji statistik Augmented Dickey-Fuller, skema train-test split, dan tambahan metode peramalan ARMA, Holt’s, dan Winters’ disamping metode MAD dan DAD. Kebijakan inventori yang diusulkan adalah model P hasil penyesuaian dan model Q hasil penyesuaian. Terdapat tiga penyesuaian yang dilakukan terhadap kedua kebijakan inventori. Pertama adalah menggabungkan ongkos beli dan pesan menjadi ongkos pengadaan dengan adanya landed cost. Kedua dengan menggabungkan kondisi backorder dan lost sales dengan adanya konstanta ?. Ketiga menggunakan metode Hadley-Within hasil modifikasi untuk mencari solusi lokal optimal. Modifikasi yang dilakukan adalah mendahulukan iterasi untuk mencari solusi dengan nilai kekurangan inventori (N) paling kecil terlebih dahulu sehingga AFR dapat maksimal. Penelitian ini menghasilkan solusi untuk permasalahn di SPLD sebagai berikut: skema peramalan usulan akan menggantikan peramalan existing dan model P hasil penyesuaian akan digunakan untuk menghitung kebijakan inventori baik untuk service parts kategori PCC A – Lokal dan PCC C – Impor. Solusi ini menghasilkan nilai AFR dan ongkos inventori total untuk service parts kategori PCC A – Lokal sebesar 98,3% dan Rp 13.099.691.234,00. Untuk service parts kategori PCC C – Impor menghasilkan nilai AFR dan ongkos inventori total sebesar 95,44% dan Rp 78.898.679.851,00. Ongkos inventori untuk solusi ini dapat diturunkan dengan mengubah nilai batas bawah T saat proses pencarian solusi lokal optimal. Dari hasil penelitian ini didapatkan juga bahwa solusi ini tidak sensitif terhadap perubahan parameter lead time, ongkos simpan/unit/periode, ongkos backorder, dan ongkos lost sales.
PENINGKATAN SELF-SUPERVISED REPRESENTATION LEARNING PADA MOCO V2 MELALUI OPTIMASI QUEUE
Penelitian ini dilatarbelakangi oleh kebutuhan untuk meningkatkan kinerja model self-supervised learning, khususnya pada arsitektur Momentum Contrastive versi 2 (MoCo v2). Penelitian ini bertujuan untuk mengembangkan model MoCo v2 yang lebih robust dan akurat dengan menambahkan mekanisme K-Nearest Neighbors (KNN) pada queue. Metode penelitian yang digunakan adalah eksperimen dengan memodifikasi arsitektur MoCo v2 melalui integrasi KNN untuk memfilter queue dan memilih representasi positif yang lebih kuat. Hasil penelitian menunjukkan bahwa MoCo v2 + KNN memberikan peningkatan akurasi sebesar 5% yaitu menjadi 87.7% pada dataset CIFAR-10 dibandingkan dengan model baseline MoCo v2. Pemanfaatan KNN dalam memfilter queue terbukti efektif dalam memilih representasi positif yang lebih diskriminatif, sehingga meningkatkan kinerja model. Lebih lanjut, MoCo v2 + KNN menunjukkan resistensi yang lebih baik terhadap jumlah queue yang besar, mengatasi kelemahan MoCo v2 yang sensitif terhadap ukuran queue yang berlebihan. Penelitian ini juga memanfaatkan augmentasi data yang kuat, yang terbukti efektif dalam meningkatkan robustnes model berdasarkan penelitian sebelumnya. Kesimpulannya, penambahan KNN untuk filtering queue MoCo v2 berhasil meningkatkan akurasi sebesar 5% apabila dibandingkan dengan MoCo v2 baseline, resistensi terhadap ukuran queue, dan secara keseluruhan kinerja model self-supervised learning. Penelitian ini menekankan potensi penggabungan KNN ke dalam MoCo v2 pada pengembangan metode selfsupervised learning untuk deteksi objek.
PENGEMBANGAN SISTEM REKOMENDASI PENCARIAN KANDIDAT TIM PENGEMBANG BERBASIS REPOSITORI GITHUB
Pengembangan perangkat lunak yang efektif sangat bergantung pada kolaborasi dan komposisi tim pengembang yang tepat. Namun, pemilihan anggota tim yang sesuai dengan kebutuhan proyek sering menjadi tantangan. Penelitian ini bertujuan untuk merancang sistem rekomendasi berbasis data pengembang dari GitHub. Sistem rekomendasi tersebut diharapkan dapat membantu proses pencarian kandidat pengembang perangkat lunak. Beberapa pendekatan sistem rekomendasi yang diimplementasikan dalam penelitian ini yaitu sistem rekomendasi berbasis konten, berbasis pengetahuan, cascade hybridization, dan weighted hybridization. Hasil penelitian menunjukkan bahwa sistem rekomendasi berbasis konten memberikan hasil paling baik berdasarkan nilai precision, recall, F1-score, dan AUC yang dimiliki. Sistem ini mampu memberikan rekomendasi dengan menentukan kandidat terbaik berdasarkan tingkat similaritas kapabilitas pengembang terhadap kriteria yang diinginkan. Di sisi lain, weighted hybridization menawarkan perspektif baru dengan memberikan peluang bagi kandidat yang lebih memenuhi kriteria yang diberikan oleh pengguna untuk lebih direkomendasikan. Penambahan perspektif tersebut menunjukkan potensi untuk penelitian lebih lanjut terhadap weighted hybridization. Berdasarkan penelitian ini, sistem rekomendasi berbasis data GitHub memberikan solusi yang cukup baik dalam pencarian pengembang perangkat lunak dan setiap sistem rekomendasi memiliki kelebihan yang unik dalam mendukung keputusan pencarian pengembang.
PENGEMBANGAN NATURAL LANGUAGE GENERATION DAN PARAFRASE UNTUK PEMBANGKITAN LAPORAN DINAMIKA CLUSTER KOMPETENSI
Assessment Center adalah sarana penilaian yang dilakukan dengan penggunaan multi simulasi, multi asesor, serta proses agregasi penilaian yang seluruhnya bersifat mandatory dalam pelaksanaan asesmen. Kondisi saat ini, Laporan Dinamika Cluster Kompetensi, salah satu komponen laporan asesmen, dibuat oleh asesor. Hal ini menyebabkan asesor membutuhkan lebih banyak waktu dalam melaksanakan tugas. Dengan kondisi permintaan pelaksanaan Assessment Center yang semakin banyak dan jumlah asesor yang terbatas, perlu dilakukan upaya agar produktivitas pelaksanaan Assessment Center dapat ditingkatkan. Penelitian ini mengusulkan penggunaan Natural Language Generation (NLG) sebagai alternatif solusi untuk pembuatan Laporan Dinamika Cluster Kompetensi. NLG merupakan suatu sub task dalam Natural Language Processing (NLP) pembuatan teks bahasa alami dari data terstruktur, yang merupakan sumber data yang digunakan asesor dalam pembuatan laporan tersebut. Penelitian ini melakukan 3 pendekatan dalam pembuatan model NLG tersebut. Model template-based dapat membuat paragraf secara langsung dari data tabular, model dibuat dengan mendefinisikan kerangka kalimat kemudian mengisi kerangka tersebut dengan informasi yang relevan. Kemudian dilakukan juga pendekatan Data-to-Text dengan mentransformasikan data tabular menjadi format flat string (linearization) sebagai input model yang digunakan untuk melatih pre-trained language model. Terakhir pendekatan text-to-text yang merupakan model parafrase dengan melakukan pelatithan pada pre-trained language model dari input berupa data teks menggunakan output dari template-based sebagai input model. Dalam implemetasinya, model template-based dapat langsung diimplementasikan terhadap data, namun proses pembuatan model memakan waktu cukup lama dikarenakan pembuatannya secara manual. Pendekatan data-to-text relatif lebih mudah implementasinya, sementara itu, model text-to-text membutuhkan pipeline agar dapat digunakan sebagai pemroses data tabular menjadi data teks sehingga model dapat bekerja. Kedua metode tersebut sama-sama membutuhkan data yang banyak, sehingga dilakukan augmentasi untuk membuat data sintesis dengan tujuan agar model dapat bekerja lebih baik. iii Setelah melakukan evaluasi secara kuantitatif dan evaluasi secara kualitatif, model text-to-text menjadi model dengan output laporan terbaik. Hasil evaluasi kualitatif oleh asesor menunjukkan bahwa model text-to-text menghasilkan laporan yang dianggap lebih baik dibandingkan pendekatan lainnya. Dari sisi fluency (skor 3.60) model tersebut mendapatkan skor yang sama dengan laporan asli (skor 3.60), selain itu untuk kategori faithfulness (skor 3.31) dan coherence (skor 3.60) dapat melebihi skor evaluasi laporan asli (skor faithfulness 3.23 dan coherence 3.53). Sedangkan template-based (skor 3.33) mengungguli laporan oleh manusia dan model text-totext pada kategori faithfulness. Sedangkan pendekatan Data-to-Text mendapatkan skor evaluasi paling kecil dari semua model.
PENGEMBANGAN DETEKSI FRAUD BERBASIS ANOMALI PADA DATA PEMAKAIAN LISTRIK DARI ADVANCED METER INFRASTRUCTURE (AMI) DENGAN PENDEKATAN UNSUPERVISED LEARNING
Kerugian finansial akibat Non-Technical Losses (NTL), seperti pemakaian listrik secara ilegal, menjadi tantangan besar bagi PT PLN (Persero) di Indonesia, dengan tingkat akurasi program Penertiban Pemakaian Tenaga Listrik (P2TL) dalam mendeteksi fraud masih di bawah 20%. Penelitian ini bertujuan mengembangkan model deteksi fraud berbasis anomali menggunakan algoritma Unsupervised Learning, antara lain Local Outlier Factor (LOF), Isolation Forest (IF), dan One- Class Support Vector Machine (OCSVM) untuk meningkatkan akurasi dan efisiensi program P2TL saat ini. Metode penelitian mencakup pengembangan feature engineering dengan agregasi fitur secara temporal dan statistis (rolling, growth rate, load factor) serta seleksi fitur berbasis korelasi dan pembobotan fitur menggunakan Entropy Weight Method (EWM). Data pelanggan dipartisi berdasarkan kapasitas daya untuk mengurangi heterogenitas. Pemodelan menggunakan algoritma LOF, IF, dan OCSVM dilakukan untuk menghitung skor deteksi anomali, menentukan persentase anomali bulanan, dan mengklasifikasikannya menjadi fraud atau non-fraud berdasarkan nilai ambang batas tertentu. Kinerja model dievaluasi menggunakan data validasi. Hasil penelitian menunjukkan bahwa kombinasi clustering, algoritma LOF, IF, dan seleksi fitur berbasis matriks korelasi dan pembobotan fitur menggunakan EWM secara konsisten meningkatkan kinerja deteksi fraud. Namun, partisi data berdasarkan kapasitas daya menghasilkan kinerja terbaik, dengan model LOF mencatatkan F1-Score 72.78% dan Precision 65.71% pada pelanggan dengan kapasitas daya 450 VA. IF unggul dalam efisiensi waktu pemrosesan untuk daya lebih tinggi, sementara OCSVM unggul dalam Precision tetapi membutuhkan waktu pemrosesan yang lebih lama. Secara keseluruhan, model LOF yang diusulkan memberikan peningkatan yang signifikan dalam deteksi fraud dan mendukung efektivitas pelaksanaan program P2TL.
CO-REGULARIZATION FOR HANDLING NOISY LABELS IN INDONESIAN NAMED ENTITY RECOGNITION DATASETS
Named Entity Recognition (NER) aims to identify and classify entities in text, such as names of people, locations, organizations, and other categories. However, developing NER models faces significant challenges, particularly the presence of noisy labels in datasets. These noisy labels can affect model accuracy and generalization, especially when training data labels are inconsistent or incorrect. In the context of the Indonesian language, developing NER models presents even more complex challenges. Indonesian is known for its diverse contextual usage and the presence of homonyms, which often cause ambiguity in annotation. This makes it difficult for NER models to accurately learn patterns from training data. In the S&N dataset, 1,112 noisy labels (2.92%) were found in the training data, while the test dataset contained 579 noisy labels (5.46%). These errors can be classified into several types, such as LOC entities frequently mislabeled as ORG or O, and ORG entities sometimes mistakenly annotated as LOC or O. These inconsistencies in annotation patterns can significantly reduce model performance if not addressed. Manual re-annotation successfully corrected most of these errors; however, this process requires substantial human resources, time, and cost. To overcome this challenge, this thesis employs the Co-Regularization technique with inference modification based on soft voting. The Co-Regularization technique involves parallel training of multiple transformer models with a combination of task-specific loss and agreement loss to maintain consistency in predictions across models. Agreement loss helps models learn more relevant general patterns by reducing dependence on incorrectly labeled data. This approach enables the model to produce more stable and robust predictions, even when dealing with a dataset containing noisy labels. During the inference stage, prediction probabilities from multiple models are combined using the soft voting method. This method provides higher flexibility in capturing consensus across models and improves prediction accuracy, particularly in cases of long-phrase entities or ambiguous contexts. The IDNER News 2K dataset was used as the foundation for this research. A preprocessing phase was conducted to prepare the data, followed by feature extraction using embeddings such as FastText and pretrained transformers like IndoBERT and XLM-R. The NER model was then developed using the Co- v Regularization approach. Performance evaluation was carried out using precision, recall, and F1-score metrics to measure the effectiveness of the proposed approach. Experimental results show that the Co-Regularization technique improves the F1-score up to 0.9603. Furthermore, the inference modification using soft voting enhanced the F1-score to 0.9644. This approach demonstrated resilience against datasets with uneven label distributions and diverse annotation quality. The novelty of this research lies in the integration of the Co-Regularization technique with inference modification based on soft voting. This technique is not only effective in addressing the problem of noisy labels but also offers an innovative approach to handling error patterns in NER predictions. This approach covers handling ambiguous contexts, category transitions, and long-phrase entities. Although its computational complexity is higher due to the probability calculations from all models, the aggregated results are more stable and accurate. This approach contributes significantly to the development of robust NER techniques, particularly in languages with limited high-quality datasets. Additionally, the proposed method has the potential to be adapted for various other NLP tasks, such as text classification and relation extraction. This approach also opens opportunities for further research in addressing noisy labels across different linguistic domains.
DESAIN PEMROSESAN DATA SISTEM INFORMASI DAN PENDETEKSI WAJAH UNTUK SISTEM MANAJEMEN PERAWATAN PREVENTIF MESIN INDUSTRI
Manufaktur otomotif komersial merupakan salah satu sektor industri dengan persaingan yang ketat. PT. Toyota Motor Manufacturing Indonesia sebagai pemimpin pangsa pasar saat ini ingin tetap mempertahankan posisinya, di mana salah satu cara untuk tetap mempertahankan posisi ini adalah dengan memaksimumkan kapasitas manufaktur otomotif. Perawatan merupakan langkah penting untuk menjaga ketersediaan mesin dalam proses manufaktur otomotif. Perawatan perlu dilakukan secara berkala untuk memastikan seluruh mesin berfungsi tanpa kendala. Dibuatlah sistem manajemen perawatan preventif mesin industri untuk membantu mengurangi waktu yang dibutuhkan untuk melakukan kegiatan administratif dan meningkatkan waktu untuk melakukan kegiatan perawatan pada mesin, selain itu juga dapat menampilkan data mesin secara langsung. Kegiatan administrasi dari perawatan mesin termasuk pembuatan visualisasi jadwal pada papan informasi, pengisian serta pengecekan hasil kegiatan perawatan, dan visualisasi ketercapaian kegiatan perawatan. Sistem manajemen yang dibuat terdiri dari empat subsistem utama yaitu subsistem antarmuka, subsistem penyimpanan data, subsistem akuisisi data mesin, dan subsistem pendeteksi member pada area mesin. Pada buku ini penulis menjelaskan terkait desain, implementasi, serta pengujian dari subsistem antarmuka, khususnya backend, subsistem penyimpanan data, dan subsistem pendeteksi member. Seluruh subsistem dari sistem manajemen yang dibahas pada buku ini berhasil terimplementasi. Dengan subsistem backend dapat diakses oleh 36 pengguna bersamaan dengan rata-rata waktu respons server 771 mili detik. Subsistem penyimpanan data memiliki ruang kosong sebesar 177GB. Seluruh spesifikasi dari setiap subsistem berhasil dipenuhi.
EKSTRAKSI INFORMASI BERBASIS PEMROSESAN BAHASA ALAMI UNTUK KONSTRUKSI GRAF PENGETAHUAN MEDIS
Setiap harinya, rumah sakit menghasilkan data baru terkait pasien. Tantangan yang muncul adalah informasi tentang pasien sangat beragam dan masif, membuat beberapa tugas yang dilakukan oleh profesional kesehatan seperti mencari informasi tentang rekam medis pasien menjadi berulang dan panjang. Harnoune dkk. (2021) telah membuat solusi berupa graf pengetahuan untuk mengatasi masalah tersebut. Namun, graf pengetahuan yang dihasilkan menggunakan nama sisi yang sama untuk setiap sisi yang menjadi relasi antara 2 tipe entitas yang sama, sehingga tidak memberikan informasi yang kontekstual. Penelitian ini mengembangkan konstruksi graf pengetahuan medis dengan memanfaatkan Named Entity Recognition (NER) untuk mengidentifikasi entitas seperti nama penyakit, obat, atau prosedur medis. Part-of-Speech (POS) Tagging dan Dependency Parsing digunakan untuk menentukan kata yang berfungsi sebagai verb dan root. Kata ini kemudian digunakan sebagai relasi antar entitas dalam graf pengetahuan. Pendekatan ini bertujuan untuk menghasilkan struktur graf dengan relasi yang sesuai dengan konteks hubungan antar entitas dalam domain medis. Graf pengetahuan yang dihasilkan dievaluasi menggunakan metode kuantitatif dan kualitatif. Evaluasi kuantitatif dilakukan dengan mengukur metrik precision, recall, dan F1-score dengan hasil masing-masing 0.89, 0.93, dan 0.91. Sementara itu, evaluasi kualitatif dilakukan dengan melibatkan pakar domain medis dan ii informatika untuk menilai correctness dan informativeness dari graf pengetahuan yang dibangun, dengan hasil masing-masing 4.2 dari 5 dan 3.9 dari 5. Hasil penelitian menunjukkan bahwa pendekatan berbasis NER, POS Tagging, dan Dependency Parsing ini mampu membangun graf pengetahuan medis yang informatif dan valid, serta memperoleh hasil evaluasi yang baik secara kuantitatif maupun kualitatif.
INTEGRASI METODE SCORING-WEIGHTING DAN ALGORITMA MACHINE LEARNING DALAM PEMODELAN HEALTH INDEX TRANSFORMATOR PADA BERBAGAI JENIS TEGANGAN OPERASI
Transformator tenaga merupakan bagian vital dan mahal pada saluran tenaga listrik. Dalam memastikan kehandalan dan keamanan sistem kelistrikan maka harus melaksanakan monitoring dan pemeliharaan pada transformator, Health Index merupakan metode penilaian kondisi transformator yang banyak digunakan. Dalam penelitian ini dimodelkan metode perhitungan Health Index (HI) transformator menggunakan pendekatan konvensional (scoring-weighting) dan non-konvensional (machine learning). Metode yang dikembangkan mempertimbangkan tegangan operasi transformator serta mengintegrasikan interpretasi gas terlarut menggunakan banyak metode (Multi-methods). Hasil penelitian menunjukkan semakin tinggi tegangan operasi maka semakin besar laju penurunan kondisi dari transformator. Metode non-konvensional dengan machine learning menunjukkan akurasi prediksi yang lebih tinggi dan dapat mengurangi subjektivitas perhitungan tanpa melibatkan ahli. Algoritma Random Forest memiliki performa terbaik untuk prediksi kegagalan berdasarkan hasil DGA, sementara Neural Network unggul dalam memprediksi kategori HI dengan banyak parameter masukan. Implementasi Synthetic Minority Oversampling Technique (SMOTE) dapat meningkatkan performa model dengan menyeimbangkan kelas pada dataset, menghasilkan akurasi prediksi sebesar 99% untuk DGA dan 97% untuk Health Index. Hasil dari pengembangan metode tersebut kemudian diintegrasikan dalam pengembangan software prediksi health index transformator. Penelitian ini diharapkan dapat memberikan informasi yang akurat mengenai kondisi transformator pada berbagai tegangan operasi, mendukung asset manajer dalam merancang strategi perawatan yang efektif, dan mencegah kegagalan transformator secara tiba-tiba.
PREDIKSI PRODUKSI LISTRIK PEMBANGKIT LISTRIK TENAGA MIKROHIDRO (PLTMH) MENGGUNAKAN MODEL MULTILAYER LSTM, LSTM SEQUENCE TO SEQUENCE, DAN REGRESI LINIER
Pada masa transisi energi, diperlukan transformasi dalam integrasi pembangkit listrik bersih yang bersumber dari energi baru terbarukan (EBT). Namun, proses pembangunan sumber listrik berbasis EBT menghadapi beberapa tantangan, diantaranya adalah produksi listrik yang fluktuatif akibat berbagai faktor. Sehingga prediksi produksi listrik sangat dibutuhkan untuk mengetahui seberapa besar listrik yang dapat dihasilkan sehingga dapat diintegrasikan ke dalam sistem utama. Penelitian ini bertujuan untuk membangun model prediksi produksi listrik menggunakan berbagai metode. Dataset yang digunakan mencakup data produksi listrik selama lima tahun terakhir serta data eksternal berupa curah hujan. Pada tahap pra-proses, data produksi diolah untuk mengurangi nilai null dan noise dalam dataset menggunakan Wavelet Transform (WT). Selanjutnya, data diproses menggunakan tiga metode, yaitu Regresi Linier, Multilayer LSTM, dan LSTM Seq2Seq, untuk menentukan model terbaik. Metode evaluasi yang digunakan meliputi RMSE, R², dan MAE. Hasil penelitian menunjukkan bahwa kombinasi dataset historis produksi listrik dengan data curah hujan, melalui proses WT dan metode Multilayer LSTM, menghasilkan skor metrik dengan nilai RMSE sebesar 0.178, R² sebesar 0,973, dan MAE sebesar 0,079. Skor ini secara signifikan lebih baik dibandingkan model tanpa data curah hujan maupun metode lainnya, seperti LSTM Seq2Seq dan Regresi Linier. Kontribusi utama dari penelitian ini adalah menunjukkan bahwa kombinasi dataset historis produksi listrik dan data curah hujan dapat meningkatkan akurasi model prediksi. Selain itu, proses reduksi noise melalui WT terbukti memberikan peningkatan akurasi yang signifikan, terutama pada model Multilayer LSTM. Peningkatan skor akurasi ini terlihat pada dua dataset studi kasus, yaitu pembangkit listrik Lubuk Gadang dan Sangir Hulu. Temuan ini diharapkan dapat menjadi rujukan dalam pengembangan model prediksi produksi listrik berbasis EBT untuk mendukung integrasi energi bersih ke dalam sistem utama.
ENSEMBLE MODEL UNTUK DETEKSI FRAUD PADA KLAIM ASURANSI KESEHATAN BERBASIS DATASET TRANSAKSI DAN PERILAKU ANGGOTA MENGGUNAKAN LOF, IFOREST, DAN Z-SCORE
Fraud pada klaim asuransi kesehatan merupakan tantangan signifikan yang memengaruhi stabilitas keuangan dan keberlanjutan layanan perusahaan asuransi. Kontribusi utama dari penelitian ini adalah merancang framework deteksi fraud pada klaim asuransi kesehatan berbasis unsupervised learning dengan pendekatan ensemble yang menggabungkan algoritma Local Outlier Factor (LOF), Isolation Forest (iForest), dan Z-Score. Dataset yang digunakan terdiri atas data transaksi klaim asuransi dan perilaku anggota, yang diolah untuk mendeteksi anomali melalui kombinasi metode ensemble seperti All Vote dan Any Vote. Matrik evaluasi yang digunakan yaitu Silhouette Score, Davies-Bouldin Index, dan Calinski-Harabasz Index untuk menilai kualitas pengelompokan. Hasil penelitian menunjukkan bahwa metode ensemble dapat meningkatkan performa model yaitu pada ensemble All Vote yang performa terbaik dengan nilai Silhouette Score sebesar 0,94, Davies-Bouldin Index sebesar 0,66, dan Calinski-Harabasz Index sebesar 115.160,38. Hasil evaluasi framework ini dengan BestModel AnyVote dapat mendeteksi hingga 6 kasus fraud, sedangkan metode konvensional tidak mampu mengidentifikasi satupun. Framework ini diharapkan menjadi solusi inovatif dalam mendeteksi fraud secara lebih awal, meningkatkan efisiensi operasional perusahaan asuransi, dan meminimalkan kerugian akibat fraud.