📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 6 dokumenPENGOLAHAN DATA MULTIBEAM ECHOSOUNDER MENGGUNAKAN PERANGKAT LUNAK HIPS
Survei batimetri merupakan survei yang bertujuan untuk memetakan topografi dasar perairan. Seiring dengan kemajuan teknologi, metode survei batimetri ikut mengalami perkembangan. Salah satu instrumen yang digunakan untuk akuisisi data kedalaman ialah multibeam echosounder, dimana instrumen ini memanfaatkan teknologi gelombang akustik. Karena terdiri atas sejumlah transduser yang memiliki pancaran gelombang akustik berbentuk kipas, multibeam echosounder mampu memetakan dasar perairan tanpa adanya gap. Volume data yang besar hasil survei multibeam, menjadikan pengolahan data secara manual menjadi tidak efisien. Oleh karena itu, diperlukan perangkat lunak dan perangkat keras komputer yang khusus ditujukan untuk pengolahan data multibeam. Salah satu perangkat lunak ini adalah Caris HIPS (Computer Aided Resource Information System, Hydrographic Information Processing System). Skripsi ini membahas mengenai kemampuan pengolahan data multibeam melalui modul-modul yang disediakan oleh perangkat lunak HIPS.
MODEL PREDIKSI DEGRADASI GEOMETRI TRACK BERBASIS DATA-DRIVEN DENGAN PENDEKATAN EXPLAINABLE AI.
Industri perkeretaapian modern menghadapi tantangan krusial dalam menyeimbangkan keselamatan operasional dengan efisiensi biaya pemeliharaan. Integritas geometri track, sebagai pilar utama keselamatan, secara tradisional dipantau melalui inspeksi periodik yang menyisakan celah pemantauan (monitoring gap) dan seringkali berujung pada pemeliharaan reaktif yang tidak efisien. Penelitian ini mengatasi tantangan tersebut dengan mengusulkan dan mengimplementasikan sebuah framework prediktif end-to-end yang inovatif, yang tidak hanya memprediksi degradasi geometri track secara akurat tetapi juga memberikan penjelasan yang dapat ditindaklanjuti (actionable explanation) mengenai akar penyebabnya. Metodologi pada penelitian ini berpusat pada pengembangan arsitektur fusi data quad-modal yang mengintegrasikan data dari empat sumber heterogen: data pengukuran kereta ukur/track recording vehicle (TRV), data getaran dinamis dari sensor akselerometer yang dipasang di kereta penumpang, sebelah kiri dan kanan, serta data historis laporan kerusakan (exception reports). Dataset terpadu ini kemudian digunakan untuk melatih sebuah model prediksi Hierarchical Attention Network (HAN), sebuah arsitektur deep learning yang dirancang untuk menangkap hubungan hirarkis yang kompleks dalam data dan secara inheren mendukung interpretabilitas. Sebagai puncak dari penelitian ini, sebuah framework Explainable Artificial Intelligence (XAI) dikembangkan untuk menerjemahkan output black box dari model HAN menjadi diagnosis yang dapat dipahami. Framework ini memperkenalkan metrik baru, yaitu skor kontribusi (Contribution Score), yang secara kuantitatif mengukur dampak setiap parameter terhadap prediksi degradasi. Skor ini menjadi dasar bagi sistem pendukung keputusan (decision support system) yang mampu memprioritaskan tindakan pemeliharaan dan memberikan rekomendasi perbaikan yang spesifik. Hasil implementasi menunjukkan bahwa pendekatan fusi data multi-modal secara signifikan meningkatkan akurasi prediksi, dengan penurunan Mean Absolute Error (MAE) sebesar 39.2% dibandingkan dengan model single-modal (Hipotesis 1 terbukti). Analisis feature importance juga mengkonfirmasi bahwa fitur diferensial dari data akselerometer merupakan prediktor signifikan untuk anomali asimetris (Hipotesis 2 terbukti). Lebih lanjut, framework XAI yang diusulkan berhasil divalidasi secara konseptual dan kuantitatif, dengan mencapai akurasi atribusi sebesar 75% dalam mengidentifikasi akar penyebab degradasi yang sesuai dengan laporan kerusakan geometri track (Hipotesis 3 sebagian terbukti). Disertasi ini memberikan kontribusi utama berupa sebuah framework diagnostik prediktif yang state-of-the-art, yang menjembatani kesenjangan antara kemampuan prediksi model AI terkini dan kebutuhan praktis di lapangan akan transparansi dan interpretabilitas. Dengan menyediakan prediksi yang akurat sekaligus penjelasan yang logis, framework ini membuka jalan bagi transformasi strategi pemeliharaan rel kereta api dari reaktif menjadi prediktif berbasis kondisi (condition-based) yang sesungguhnya, dengan potensi peningkatan keselamatan, keandalan, dan efisiensi biaya secara signifikan.
PENERAPAN QUANTUM SUPPORT VECTOR CLASSIFIER (QSVC) PADA KLASIFIKASI PETIR
Quantum computing (QC) menunjukkan potensi yang luar biasa dalam mempercepat pemrosesan data kompleks dengan memanfaatkan prinsip mekanika kuantum. Penerapan QC dalam bidang pembelajaran mesin yang dikenal sebagai quantum machine learning (QML) membuka peluang baru dalam pengembangan model prediktif berkapasitas tinggi. Salah satu pendekatan QML yang menjanjikan adalah quantum support vector classifier (QSVC). Dalam penerapan multidisiplin, QSVC menawarkan solusi untuk dapat mengklasifikasikan fenomena alam kompleks, seperti petir, terutama jenis cloud-to-ground (CG) yang sering dijumpai. Studi ini menunjukkan bahwa QSVC mampu mengolah data petir yang memiliki karakteristik besar dan nonlinear secara efisien. Model ini juga mampu memberikan akurasi dan stabilitas yang lebih tinggi dibandingkan model klasik SVC dengan nilai akurasi 0.85 dalam mengklasifikasikan polaritas petir CG meskipun pada saat ini, perangkat keras kuantum masih memiliki beberapa keterbatasan. Faktor-faktor utama dalam menentukan polaritas petir CG di Indonesia meliputi signal strength, multiplicity, chi square, ellipse semi minor, ellipse semi major, latitude, serta kelembapan relatif pada 2 meter (RH2M). Hasil penelitian ini mendemonstrasikan potensi QSVC dalam membangun sistem klasifikasi petir yang lebih presisi, memiliki potensi dalam menghemat biaya sensor, serta relevan untuk peningkatan sistem proteksi infrastruktur dan keselamatan manusia.
PENGEMBANGAN MODEL ESTIMASI STATE OF CHARGE PADA SISTEM REGENERATIVE BRAKING KENDARAAN LISTRIK RODA TIGA MENGGUNAKAN METODE LONG SHORT-TERM MEMORY DAN BACKPROPAGATION NEURAL NETWORK-BASED COULOMB COUNTING
Efisiensi energi pada kendaraan listrik merupakan aspek krusial untuk mewujudkan transportasi berkelanjutan. Sistem pengereman regeneratif berperan dalam meningkatkan efisiensi tersebut dengan mengubah energi kinetik menjadi energi listrik yang disimpan kembali ke dalam baterai. Namun, efektivitas sistem ini dipengaruhi oleh parameter seperti kecepatan, arus, tegangan, dan state of charge, serta oleh dinamika sistem yang kompleks dan nonlinier. Penelitian ini bertujuan mengembangkan model estimasi state of charge pada kendaraan listrik roda tiga menggunakan pendekatan pembelajaran mesin. Dua model prediktif dikembangkan dan diuji. Pendekatan pertama menggunakan arsitektur long short-term memory bertingkat untuk memprediksi arus regeneratif dan state of charge secara simultan. Pendekatan kedua menggunakan model backpropagation neural network-based coulomb counting yang menggabungkan metode integrasi arus berbasis fisika dengan koreksi galat berbasis jaringan saraf tiruan. Data diperoleh dari purwarupa kendaraan listrik roda tiga di National Center for Sustainable Transportation Technology, Institut Teknologi Bandung. Data diakuisisi melalui screen recording dan pengenalan karakter optik. Setelah melalui tahap pre-processing, data dibagi secara temporal menjadi 80% untuk pelatihan dan validasi serta 20% untuk pengujian. Model long short-term memory dengan arus aktual menunjukkan performa terbaik dengan r-squared sebesar 0,9949 dan RMSE sebesar 0,1021%. Dengan arus prediktif, performanya tetap tinggi dengan r-squared sebesar 0,9894 dan RMSE sebesar 0,1492%. Model backpropagation neural network-based coulomb counting mencatat r-squared sebesar 0,9453 dan RMSE sebesar 0,3376% saat menggunakan arus aktual, namun turun drastis dengan r-squared sebesar –0,1821 dan RMSE sebesar 1,5898% pada arus prediktif. Evaluasi efisiensi daya kontroler Votol EM-150 menunjukkan nilai rata-rata sebesar 88,05% pada kondisi penyaluran daya dan 49,94% pada pengereman regeneratif. Hasil ini menegaskan bahwa model long short-term memory lebih adaptif dan akurat untuk estimasi state of charge, sementara sistem pemulihan energi masih memiliki ruang peningkatan melalui strategi kontrol yang lebih optimal.
PENGEMBANGAN FRAMEWORK ASSOCIATION RULE MENGGUNAKAN PARTICLE SWARM OPTIMIZATION PADA FP-GROWTH WEIGHTED FREQUENT ITEMSET MINING
Penelitian ini mengembangkan framework aturan asosiasi berdasarkan optimasi nilai minimum support, minimum confidence, dan penerapan bobot pada item dengan menggunakan kombinasi algoritma PSO dan WFIM pada algoritma FP-Growth. Penelitian ini dirancang untuk mengatasi keterbatasan dalam menentukan nilai minimum support serta mempertimbangkan bobot setiap item. Penelitian ini bertujuan mengembangkan framework optimasi association rule pada algoritma FP-Growth yang menghasilkan aturan asosiasi yang relevan dan efisien. Dalam upaya mengatasi keterbatasan algoritma FP-Growth tradisional, penelitian ini mengusulkan optimasi melalui tiga pendekatan utama. Pertama, optimasi algoritma FP-Growth menggunakan PSO untuk secara otomatis menentukan nilai minimum support dan confidence yang optimal. Kedua, penerapan pendekatan WFIM untuk meningkatkan relevansi aturan asosiasi dengan mempertimbangkan bobot setiap item dalam transaksi. Ketiga, integrasi PSO dan WFIM dalam framework yang dikembangkan menciptakan pendekatan yang lebih efisien, fleksibel, dan adaptif terhadap karakteristik dataset. Hasil eksperimen menunjukkan bahwa kombinasi PSO dan WFIM pada FP-Growth dapat meningkatkan kualitas aturan asosiasi dengan nilai lift yang lebih signifikan dibandingkan metode tradisional. Dari segi runtime dan penggunaan memori, framework yang dioptimalkan menunjukkan efisiensi yang lebih tinggi, dengan pengurangan waktu eksekusi dan kebutuhan memori yang lebih rendah dibandingkan FP-Growth traditional. Hasil penelitian disimpulkan bahwa pendekatan PSO dan WFIM meningkatkan fleksibilitas algoritma FP-Growth dalam menangani dataset dengan karakteristik yang kompleks. Algoritma yang dioptimalkan berhasil menggali lebih banyak aturan asosiasi dengan kualitas yang lebih baik dibandingkan algoritma FP-Growth tradisional. Serta menunjukkan penurunan runtime dan penggunaan memori yang lebih efisien.
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.