📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 3 dokumenANALISIS KONSENTRASI PM2.5 DI DALAM RUANG KELAS SEKOLAH DASAR DI JAKARTA TIMUR
Studi ini menganalisis konsentrasi PM?.? di dalam ruang pada dua sekolah dasar di Jakarta Timur dengan strategi ventilasi yang berbeda, yaitu ventilasi alami dan ventilasi mekanis. Pengukuran PM?.?, suhu, kelembapan, tingkat hunian, dan rasio bukaan ventilasi dilakukan secara kontinu untuk mengkarakterisasi pola konsentrasi serta mengidentifikasi faktor-faktor dominan yang memengaruhinya. Ruang kelas dengan ventilasi alami di Sekolah A menunjukkan konsentrasi PM?.? yang lebih tinggi dan lebih bervariasi, dengan nilai rerata per jam umumnya berkisar antara 30–50 µg/m³ serta puncak yang jelas pada pagi dan tengah hari selama jam sekolah. Konsentrasi pada koridor semi-terbuka menunjukkan pola temporal yang serupa, yang mengindikasikan pengaruh kuat dari sumber luar ruang. Sebaliknya, ruang kelas dengan ventilasi mekanis di Sekolah B mempertahankan konsentrasi PM?.? yang lebih rendah dan lebih stabil, umumnya berada pada kisaran 12–24 µg/m³ sepanjang hari. Analisis korelasi Spearman dan regresi linear berganda menunjukkan adanya perbedaan faktor pengendali PM?.? pada masingmasing rezim ventilasi. Di Sekolah A, konsentrasi PM?.? terutama dipengaruhi oleh rasio bukaan ventilasi dan kedekatan dengan sumber emisi luar ruang, sedangkan di Sekolah B, rasio hunian muncul sebagai prediktor utama. Rasio dalam–luar (I/O) di Sekolah A lebih tinggi dan lebih bervariasi dibandingkan Sekolah B, yang menunjukkan infiltrasi PM?.? dari luar ruang yang lebih besar pada kondisi ventilasi alami. Temuan ini menunjukkan bahwa strategi ventilasi sangat memengaruhi paparan PM?.? di dalam ruang pada sekolah dasar di kawasan perkotaan.
PENGEMBANGAN MODEL ANOMALY DETECTION PADA EQUIPMENT GTC DI PT. X DENGAN MENGGUNAKAN PEMBELAJARAN MESIN (MACHINE LEARNING)
Gas Turbine Compressor (GTC) merupakan peralatan vital dalam sistem produksi minyak dan gas (migas) karena berperan dalam mengatur aliran dan tekanan gas dalam proses eksplorasi dan produksi. Kegagalan pada GTC dapat menyebabkan kerugian besar berupa Loss Production Opportunity (LPO) yang tinggi serta biaya pemulihan yang mahal. Dalam menghadapi tantangan ini, PT. X bekerja sama dengan PT. SPC untuk mengembangkan model deteksi anomali berbasis pembelajaran mesin (machine learning) yang mampu mengenali kondisi abnormal sejak dini. Pendekatan yang digunakan adalah deteksi anomali berbasis residual menggunakan normal pattern group tanpa label, mengingat tidak tersedianya data kerusakan yang memadai dan seluruh fitur bersifat numerik kontinu. Penelitian ini menggunakan data historis selama 24 hari dari satu GTC, dengan frekuensi pencatatan tiap 10 detik, mencakup 424 fitur dan lebih dari 200.000 entri data. Dalam proses pengembangan, digunakan empat model regresi: Multiple Linear Regression (MLR), XGBoost, LightGBM, dan Multilayer Perceptron Regression (MLP). Model dilatih hanya pada data kondisi normal (healthy), dan deteksi anomali dilakukan berdasarkan selisih (residual) antara prediksi dan data aktual. Ambang batas anomali ditentukan menggunakan pendekatan Interquartile Range (IQR) dan batasan outlier tiap sampel (m). Evaluasi model dilakukan dengan metrik MAE, RMSE, dan R2 untuk akurasi prediksi, serta tingkat deteksi anomali untuk performa klasifikasi. Hasil menunjukkan bahwa model MLPR menghasilkan performa terbaik karena akurasinya yang tinggi (96,58 %) dan juga kestabilan prediksinya.
ANALISIS KETIDAKPASTIAN PARAMETER PADA MODEL COVID-19 MENGGUNAKAN METODE BAYESIAN
Covid-19 telah menjadi pandemi global yang berdampak signifikan pada kesehatan dan kehidupan masyarakat di seluruh dunia, termasuk Indonesia. Untuk memahami dinamika penyebaran penyakit ini, model epidemiologi seperti Susceptible- Infected-Recovered (SIR) sering digunakan. Model SIR yang digunakan pada Tugas Akhir ini adalah model SIR dengan demografi. Meskipun model tersebut dapat meningkatkan pemahaman mengenai mekanisme dan proses pada Covid-19, terdapat tantangan ketidakpastian yang signifikan dalam sebuah model terutama parameter. Tujuan dari Tugas Akhir ini adalah menganalisis ketidakpastian parameter ????, yang menyatakan laju transmisi, dan ????, yang menyatakan laju penghapusan, pada model SIR dengan demografi untuk penyakit Covid-19 menggunakan metode Bayesian. Distribusi posterior pada metode Bayesian sering kali sulit dihitung akibat pengintegralan pada distribusi marginal yang kompleks. Oleh karena itu, metode Markov Chain Monte Carlo (MCMC) dengan algoritma Metropolis-Hastings digunakan untuk mengestimasi distribusi posterior. Hasil penelitian menunjukkan bahwa estimasi parameter dari distribusi posterior yang dihasilkan oleh Bayesian MCMC memiliki rentang ketidakpastian yang cukup kecil, dengan rata-rata rentang terkecil berada pada fase 5, yaitu sebesar 0.002151275. Nilai estimasi rata-rata dan MAP dari parameter digunakan untuk membandingkan model dengan data asli pada setiap fase penyebaran Covid-19. Kecocokan model dievaluasi menggunakan Rata-Rata Kuadrat Galat atau Mean Squared Error (MSE), dengan nilai MSE yang semakin kecil menunjukkan model yang semakin baik. Seluruh fase memiliki MSE yang lebih kecl jika menggunakan nilai MAP parameter, kecuali fase 1. Distribusi posterior yang dihasilkan untuk setiap fase cenderung berdistribusi normal dengan bentuk yang hampir simetris. Seluruh rantai MCMC menunjukkan konvergensi yang baik, diindikasikan oleh nilai ???? ? yang kurang dari 1.2 untuk semua parameter di setiap fase. Model dengan pasangan nilai MAP parameter memberikan prediksi yang cukup akurat dalam merepresentasikan dinamika penyebaran Covid-19 pada setiap fase.