📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 5 dokumenAPLIKASI TEKNIK SPATIAL FILTERING UNTUK MENGHITUNG PERGESERAN KOSEISMIK GEMPA SIMEULUE Mw 7.4 FEBRUARI 2008 BERDASARKAN DATA GPS SuGAr (SUMATRAN GPS ARRAY)
Wilayah barat Sumatera merupakan wilayah yang sangat rawan terhadap gempabumi karena posisinya di sepanjang jalur subduksi dua lempeng bumi, yaitu lempeng Indo-Australia dan Eurasia. Gempa Simeulue Mw 7.4 pada 20 Februari 2008 terjadi sebagai akibat pergerakan Lempeng Indo-Australia yang menujam ke bawah Lempeng Eurasia. Salah satu upaya yang dapat dilakukan untuk memahami mekanisme pada saat terjadinya gempa yaitu dengan melakukan studi deformasi koseismik yang mengiringi gempa tersebut. Dengan memanfaatkan teknologi GPS berketelitian tinggi, maka dapat dideteksi terjadinya deformasi koseismik pada permukaan bumi yang ditunjukkan oleh respon pergeseran posisi stasiun GPS pada periode waktu tertentu. Berdasarkan analisis data time series pengamatan stasiun GPS, maka akan dapat dihitung vektor pergeseran koseismik akibat gempa tersebut.
DETEKSI ANOMALI PADA ALAT TURNOUT KERETA DENGAN DATASET TIME SERIES UNTUK MENDUKUNG PREDICTIVE MAINTENANCE
Industri perkeretaapian modern menuntut sistem operasional yang tangguh dan minim gangguan, terutama pada komponen vital seperti turnout. Turnout merupakan perangkat mekanik yang memungkinkan perpindahan jalur kereta, namun sering kali menjadi titik rawan gangguan akibat keausan, deformasi, atau kegagalan sistem. Untuk meminimalkan potensi kecelakaan dan meningkatkan efisiensi operasional, diperlukan strategi predictive maintenance (PdM) berbasis deteksi anomali data sensor time series. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma Autoregressive Integrated Moving Average (ARIMA) dan Long Short-Term Memory (LSTM) dalam mendeteksi anomali pada data sensor percepatan alat turnout kereta api. Metode yang digunakan adalah pendekatan Design Science Research Methodology (DSRM) untuk merancang dan mengevaluasi model deteksi anomali. Hasil pengujian menunjukkan bahwa ARIMA unggul dengan nilai MSE sebesar 2.6794976, MAE 0.2644449, dan waktu komputasi 0.06 detik. Sementara itu, LSTM mencatatkan MSE 3.6197028, MAE 0.7381978, dan waktu komputasi 3.64 detik. Meskipun LSTM lebih sensitif dalam menangkap pola jangka panjang, ARIMA terbukti lebih efisien dan akurat dalam memprediksi data sensor dengan pola yang stabil. Temuan ini menunjukkan bahwa pemilihan algoritma deteksi anomali perlu mempertimbangkan konteks data dan kebutuhan operasional. Hasil penelitian ini diharapkan dapat menjadi dasar dalam pengembangan sistem PdM yang adaptif dan efektif dalam infrastruktur perkeretaapian di Indonesia.
PREDICTIVE ANALITYCS KONSUMSI BAHAN BAKAR MINYAK BERSUBSIDI MENGGUNAKAN DASHBOARD DENGAN METODE CRISP-DM
Ketersediaan Bahan Bakar Minyak (BBM) di lingkungan masyarakat merupakan hal yang sangat penting untuk diperhatikan, dimana BBM mempunyai dampak yang luas terhadap kegiatan perekonomian di Indonesia. Khusus untuk BBM yang disubsidi, peranan pemerintah adalah menetapkan kuota BBM setiap daerah. Untuk mendukung kebijakan ini, proses prediksi volume konsumsi BBM sangat diperlukan, karena salah satu komponen dasar penetapan alokasi tersebut adalah volume konsumsi BBM sebelumnya di wilayah atau daerah tersebut. Sehingga dengan melakukan prediksi konsumsi BBM, maka kebijakan yang akan ditetapkan akan lebih tepat sasaran dan tepat wilayah. Dengan jenis data history konsumsi BBM merupakan time series, maka algoritma yang digunakan pada saat forecasting adalah algoritma yang mengolah data time series yaitu Prophet, SARIMA dan hybrid Prophet dengan optimasi XGBoost. Hasil forecasting konsumsi BBM ini divisualisasikan ke dalam bentuk dashboard yang dikembangkan menggunakan streamlit, agar informasi dapat lebih jelas sehingga dapat membantu dalam menetapkan kebijakan penetapan kuota BBM.Tahapan yang digunakan dalam penulisan ini adalah dengan menerapkan metode Cross Industry Standard Process for Data Mining (CRISP-DM), mulai dari business & data understanding , data preparation, modelling serta melakukan evaluasi terhadap hasil dashboard.
PENGEMBANGAN SKEMA ASURANSI PERTANIAN BERBASIS INDEKS CURAH HUJAN MELALUI MODEL DERET WAKTU FUNGSI TRANSFER
Perubahan iklim telah menjadi isu global yang berdampak signifikan terhadap berbagai sektor, khususnya sektor pertanian. Tingginya variabilitas pola curah hujan telah meningkatkan ketidakpastian dalam produksi pertanian. Sebagai upaya mitigasi, diperlukan suatu instrumen dalam bentuk perlindungan risiko yang efektif bagi petani dalam menghadapi ketidakpastian iklim. Asuransi pertanian berbasis indeks curah hujan merupakan salah satu inovasi perlindungan risiko yang memberikan ganti rugi berdasarkan perubahan nilai indeks curah hujan. Namun, pengembangan skema asuransi ini terkendala oleh risiko dasar. Risiko ini meliputi risiko spasial, temporal, dan teknis yang mengakibatkan lindung nilai yang tidak sempurna antara indeks yang diasuransikan dan kerugian aktual yang dialami petani. Oleh karena itu, diperlukan pendekatan komprehensif yang mampu meminimalisir ketiga risiko dasar tersebut. Penelitian ini bertujuan untuk mengembangkan skema asuransi pertanian berbasis indeks curah hujan untuk usahatani padi dengan fokus utama pada minimalisasi risiko dasar. Untuk meminimalisir risiko spasial, digunakan metode weighted polygon Thiessen untuk membentuk hujan kawasan. Metode ini memastikan representasi curah hujan yang sesuai dengan area studi serta memenuhi batas jarak spasial yang direkomendasikan oleh World Bank dalam penerapan asuransi indeks di berbagai negara. Hujan kawasan ini kemudian digunakan dalam pemodelan hubungan antara curah hujan dan produktivitas padi melalui regresi deret waktu berupa fungsi transfer. Model ini mampu mengakomodasi variabilitas musiman yang sering dijumpai dalam sektor pertanian, sekaligus meminimalisir risiko temporal dalam analisis. Untuk meminimalisir risiko teknis, dilakukan integrasi antara metode Value at Risk (VaR) dan fungsi transfer dalam mengukur risiko kerugian produktivitas padi akibat fluktuasi curah hujan. Selanjutnya, indeks curah hujan yang terdiri atas nilai trigger dan exit ditetapkan melalui integrasi simulasi Monte Carlo dan proses optimasi nonlinear least square. Struktur skema pembayaran klaim disusun dalam tiga kategori, yaitu tanpa pembayaran (jika curah hujan berada di bawah nilai trigger), pembayaran klaim parsial (jika curah hujan berada di antara nilai trigger dan exit), serta pembayaran klaim penuh (jika curah hujan berada di atas nilai exit). Besaran pembayaran klaim dihitung secara linear berdasarkan besarnya penurunan curah hujan selama periode pengamatan. Selanjutnya, rataan pembayaran klaim digunakan untuk menetapkan premi murni. Premi murni ini kemudian dikoreksi dengan mempertimbangkan ketidakpastian data untuk memperoleh premi risiko. Penerapan pendekatan ini dianalisis melalui studi kasus di wilayah Tasikmalaya. Hasil penelitian menunjukkan bahwa skema asuransi ini dapat dikembangkan secara efektif untuk memitigasi risiko kerugian produktivitas padi. Produktivitas padi dimodelkan dengan menggunakan SARIMA(1,0,0)(2,2,1)4, sedangkan data curah hujan direpresentasikan dengan model AR(1). Hubungan antar kedua variabel tersebut selanjutnya dijelaskan melalui model fungsi transfer dengan orde (3,0,1) dan deret sisaan yang mengikuti proses AR(1). Estimasi parameter yang diperoleh melalui metode Gauss-Newton menunjukkan tingkat akurasi yang tinggi, sebagaimana ditunjukkan oleh nilai MAPE sebesar 3,18%. Lebih lanjut, estimasi nilai VaR menunjukkan terjadinya peningkatan eksponensial seiring dengan meningkatnya tingkat kepercayaan. Pada tingkat kepercayaan 90%, nilai VaR diestimasi sebesar 4,80 ????????/????? dan meningkat hingga 11,66 ????????/????? pada tingkat kepercayaan 99,9%. Indeks ditentukan berdasarkan perubahan kumulatif curah hujan pada lag waktu ?????3,?????4, dan ?????5. Hasil pemodelan menunjukkan bahwa premi risiko meningkat seiring dengan kenaikan tingkat kepercayaan dan nilai pertanggungan. Peningkatan ini mencerminkan tingginya eksposur risiko. Hal ini menekankan pentingnya keseimbangan antara kemampuan pembayaran premi oleh petani dan kelayakan harga bagi perusahaan asuransi. Keseimbangan ini diperlukan untuk memastikan keberlanjutan program asuransi yang ditawarkan.
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.