Telkom Institute of Technology

Perancangan PLTA Pico-Hydro menggunakan turbin Kaplan dilakukan dengan memanfaatkan aliran air berbentuk tabung Hydrocyclone . Turbin Kaplan dapat bergerak dengan kecepatan putaran mengikuti kecepatan rotasi fluida sehingga dapat dianalisis sistem gerak konverternya. Perumusan persamaan gerak yang diperoleh melalui penerapan persamaan Euler-Lagrange untuk menghasilkan persamaan diferensial. Persamaan tersebut diterapkan dengan metode Runge-Kutta yang merupakan salah satu metode pendekatan iterasi dengan solusi numerik. Sistem konverter gerak initerdiri dari 5 roda dengan roda ke-1 seporos dengan roda ke-2. Roda ke-2 dan ke-3 terhubung secara serantai dan roda ke-4 saling terhubung dengan roda ke-5 untuk menghasilkan pembangkit listrik. Hasil yang diperoleh aliran air dapat memutarkan turbin kaplan dengan gaya sebesar 50 N. Kecepatan putaran sudut maksimum sebesar 5500 rad/s pada roda ke-5. Kecepatan putaran roda-roda pada sistem konverter akan semakin meningkat seiring dengan bertambahnya waktu.

Pada penelitian ini berfokus pada kekurangan media informasi berbasis Multimedia interaktif di kalangan masyarakat sebagai wadah informasi yang menjelaskan tentang hewan langka di Indonesia. Tujuan dari penelitian ini bertujuan mengembangkan multimedia interaktif sebagai alat pembelajaran alternatif, dengan fokus khusus pada hewan-hewan langka di Indonesia yang perlu lebih dipahami oleh masyarakat. Permasalahan yang diatasi melibatkan kurangnya pemanfaatan teknologi dalam pembelajaran tematik, terutama untuk siswa kelas 1, yang pada akhirnya menyebabkan rendahnya minat dan motivasi belajar terkait dengan keanekaragaman hayati. Solusi yang diusulkan melibatkan pengembangan produk multimedia interaktif berupa game edukasi, yang materinya secara mendalam terkait dengan hewan-hewan langka di Indonesia. Metode pengembangan yang digunakan yaitu MDLC (Multimedia Development Life Cycle), yang memiliki enam tahapan, yaitu Pengonsepan (Concept), Pendesainan (Design), Pengumpulan materi (Material collecting), Perakitan (Assembly), Pengujian (Testing), dan Pendistribusian (Distribution). Hasil yang diperoleh pada pengujian alpha, dipastikan bahwa semua fitur yang ada dapat berjalan dengan baik. Kemudian hasil yang diperoleh pada pengujian beta terhadap 30 responden menunjukkan penilaian sebesar 4,52 dari skala 5, mengindikasikan bahwa game edukasi ini mendapat penilaian yang baik dan dapat digunakan sebagai media informasi edukatif yang menarik perhatian terhadap keberagaman hewan langka di Indonesia.

The rapid growth of the telecommunications industry has increased competition among companies for customers. As a result, customers often switch services or terminate subscriptions. Retaining customers is very important as it is 10 times cheaper than acquiring new customers. This study compares Random Forest (RF) and Convolutional Neural Network (CNN) algorithms in predicting customer switching, using Correlation-based Feature Selection (CFS) and Recursive Feature Elimination (RFE) for data partitioning. Model evaluation using Confusion Matrix and Area Under Curve (AUC). The evaluation results show that the performance of CNN models with optimization parameters is superior. Using the CFS dataset, the test data evaluation results obtained an accuracy of 98%, AUC 0,96, precision 99%, recall 92%, and f1-score 96%. The best tuning result for CNN is 3 combinations of filter and kernel {[64&7], [32&3], [16&2]} and pool_size=2. The limitation of this research is how to handle the two algorithms being compared. Both use different approaches, namely Supervised Learning and Deep Learning.

Risiko kredit adalah hal yang penting untuk dianalisis di awal pengajuan kredit guna mengurangi nilai Non-Performing Loan (NPL) atau risiko gagal bayar. Pola pengetahuan risiko kredit bisa diketahui dari data-data historikal sehingga data pengajuan kredit baru bisa ketahui risikonya lebih awal. Pada penelitian-penelitian terdahulu, model klasifikasi untuk risiko kredit menggunakan Random Forest banyak ditemukan namun tidak mendalam dalam penerapan preprocessing dan akurasinya masih rendah. Maka penelitian ini bertujuan meningkatkan akurasi model klasifikasi algoritma Random Forest dengan menerapkan tuning parameter dan feature engineering yang lebih dalam. Metodologi penelitian yang digunakan adalah Sample, Explore, Modify, Models, dan Assess (SEMMA). Penelitian ini menerapkan berbagai kombinasi parameter dan menerapkan feature engineering untuk memperbaiki kualitas data. Feature engineering yang digunakan meliputi oversampling dan standardisasi. Hyperparameter tuning model Random Forest menggunakan metode Random Search dan Grid Search untuk mencari parameter paling optimal. Dataset penelitian adalah data sekunder (Credit Risk) yang terdiri dari 32.581 baris, 11 variabel prediktor dan 1 variabel respon. Hasil penelitian menunjukkan penerapan feature engineering signifikan meningkatkan akurasi model Random Forest, meningkat dari 92,56% menjadi 97,94% setelah menerapkan oversampling dan standarisasi. Sedangkan hyperparameter tuning tidak begitu signifikan meningkatkan akurasi model yang dibangun menggunakan dataset yang sudah dikenakan preprocessing maupun feature engineering dengan baik. Abstract Credit risk analysis is essential for minimizing the value of non-performing loans (NPL). Using historical data to understand credit risk patterns can help identify risks early in new credit applications. Previous research has often used Random Forest classification models for credit risk but found the need for more comprehensive preprocessing of applications and higher accuracy. This research aims to improve the accuracy of the Random Forest algorithm classification model by implementing parameter tuning and feature engineering. The SEMMA (Sample, Explore, Modify, Model, and Assess) methodology is used, which explores different parameters and feature engineering combinations to enhance data quality. Feature engineering techniques, such as oversampling and standardization, are applied. Hyperparameter tuning of the Random Forest model involves using Random Search and Grid Search methods to identify the optimal parameters. The research dataset, consisting of 32.581 lines, 11 predictor variables, and one response variable, is secondary data on Credit Risk. Results show that the application of feature engineering significantly improves the accuracy of the Random Forest model, increasing from 92,56% to 97,94% after applying oversampling and standardization. However, hyperparameter tuning does not significantly increase the accuracy of models built using well-preprocessed datasets or feature engineering.

In the sentiment analysis research process, there are problems when still using manual labeling methods by humans (expert annotation), which are related to subjectivity, long time, and expensive costs. Another way is to use computer assistance (machine annotator). However, the use of machine annotators also has the research problem of not being able to detect sarcastic sentences. Thus, the researcher proposed a sentiment labeling method using Semi-Supervised Learning. Semi-supervised learning is a labeling method that combines human labeling techniques (expert annotation) and machine labeling (machine annotation). This research uses machine annotators in the form of Deep Learning algorithms, namely the Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) algorithms. The word weighting method used in this research is Word2Vec Continuous Bag of Word (CBoW). The results showed that the GRU algorithm tends to have a better accuracy rate than the LSTM algorithm. The average accuracy of the training results of the LSTM and GRU algorithm models is 0.904 and 0.913. In contrast, the average accuracy of labeling by LSTM and GRU is 0.569 and 0.592, respectively.