Design study of Pb-Bi cooled fast reactors with natural uranium as fuel cycle input using special radial shuffling strategy has been performed. The reactors utilizes UN-PUN as fuel, Eutectic Pb-Bi as coolant, and can be operated without refueling for 10 years in each batch. Reactor design optimization is performed to utilize natural uranium as fuel cycle input. This reactor subdivided into 6 regions with equal volume in radial directions. The natural uranium is initially put in region 1, and after one cycle of 10 years of burn-up it is shifted to region 2 and the region 1 is filled by fresh natural uranium fuel. This concept is basically applied to all regions. The calculation has been done by using SRAC-Citation system code and JENDL-3.2 library. The effective multiplication factor change increases monotonously during 10 years reactor operation time. There is significant power distribution change in the central part of the core during the BOC and the EOC. It is larger than that in the case of modified CANDLE case which use axial direction burning region move. The burnup level of fuel is slowly grows during the first 15 years but then grow fastly in the rest of burnup history. This pattern is a little bit different from the case of modified CANDLE burnup scheme in Axial direction in which the slow growing burnup period is relatively longer almost half of the burnup history.

Telah dihasilkan sebuah sistem kontrol solution shaker berbasis mikrokontroler AT89S51 dengan motor stepper sebagai penggerak. Sistem kontrol solution shaker ini dirancang untuk memudahkan pekerjaan di laboratorium terutama di laboratorium Elektronika dan Instrumentasi dalam hal melarutkan PCB. Motor stepper yang digunakan adalah motor stepper tipe TEAC 14769070-30 dengan menggunakan IC ULN2003 sebagai rangkaian penggeraknya. Sistem ini dikontrol dengan menggunakan mikrokontroler AT89S51. Arah putaran motor dan variasi kecepatan putar motor diatur dalam program yang ditulis dalam bahasa C. Pengujian yang dilakukan terhadap sistem kontrol solution shaker ini antara lain menghitung kecepatan linier pada saat alat bergerak tanpa beban. Hasil kecepatan linier maksimum solution shaker tanpa beban adalah (12,300 ± 0,014)cm/s  pada waktu tunda 80 ms. Sedangkan kecepatan linier minimum tanpa beban adalah (3,740 ± 0,002) cm/s pada waktu tunda 280 ms. Pada saat solution shaker diberi beban sebesar 50 g, maka gup kecepatan linier maksimum yang dihasilkan adalah (12,020 ± 0,014) cm/ s pada waktu tunda 80 ms. Sebaliknya untuk kecepatan linier minimum yang dihasilkan adalah (3,010± 0,002)cm/s pada waktu tunda 280 ms. Setelah dilakukan pengujian terhadap variasi beban,alat ini hanya sanggup bergerak untuk beban sebesar 400 g. Hasil pengukuran kecepatan linier maksimum untuk beban 400 g ini adalah (1,634 ± 0,001)cm/s.

Telah dilakukan prediksi curah hujan harian menggunakan jaringan syaraf tiruan dengan beberapa fungsi pelatihan backpropagation dan radial basis. Penelitian ini menggunakan data curah hujan harian dari Badan Meteorologi Klimatologi dan Geofisika Stamet Kelas II Bandara Internasional Minangkabau Padang Pariaman dari tahun 2008 sampai tahun 2018. Penelitian ini bertujuan untuk membandingkan kinerja prediksi curah hujan jaringan syaraf tiruan Backpropagation dan Radial Basis dan menentukan arsitektur jaringan syaraf tiruan terbaik untuk prediksi curah hujan di Bandara Internasional Minangkabau. Untuk metode backpropagation optimisasi dilakukan terhadap jumlah lapisan tersembunyi, jumlah neuron pada lapisan tersembunyi, fungsi transfer, fungsi latih dan jumlah data masukan pada data latih. Untuk metode  radial basis optimisasi dilakukan pada jumlah neuron lapisan tersembunyi, jumlah data masukan pada data latih dan nilai spread. Dari penelitian ini ditemukan hasil terbaik untuk metode backpropagationadalah dengan menggunakan fungsi latih trainlm dan arsitektur (60-70-6-1) dengan tingkat ketepatan prediksi 86,4876%. Untuk metode radial basis hasil terbaiknya diperoleh nilai spread 0,01 dengan arsitektur (60-120-1) dan tingkat ketepatan prediksi 95,3107%. Dengan demikian dapat disimpulkan metode paling bagus untuk prediksi curah hujan harian pada daerah Bandara Internasional Minangkabau adalah metode radial basis. Research on daily rainfall predictions have made by using artificial neural networks with some backpropagation and radial basis training functions. This study used daily rainfall data from the Meteorology Climatology and Geophysics Agency in Class II of the Minangkabau International Airport Padang Pariaman from 2008 to 2018. The purposes of the study is to compare the predicted performance of rainfall in Backpropagation and Radial Neural Networks and determine which one the best artificial neural network architecture for rainfall predictions at Minangkabau International Airport is. For the backpropagation method, optimization is performed on the number of hidden layers, the number of neurons in the hidden layer, the transfer function, the training function and the amount of input data on the training data. For the radial basis optimization method is performed on the number of hidden layer neurons, the amount of input data on the training data and the spread value. From this study found the best results for the backpropagation method were obtained with trainlm and architectural training functions (60-70-6-1) with a prediction accuracy level of 86.4876%. The best results for the radial basis method by value of a spread is 0.01 with architecture (60-120-1) and a predictive accuracy rate of 95.3107%. Thus the best method for the prediction of daily rainfall in the area of the Minangkabau International Airport is the radial basis method.

Perhitungan Persamaan difusi neutron 2-dimensi telah berhasil diselesaikan secara paralel dengan menggunakan metoda Jacobi. Program ditulis dalam bahasa C++ menggunakan OpenMP. Dari proses benchmarking nilai fluks neutron dengan program FI-ITBCHI diperoleh bahwa kode program yang dibuat valid dengan akurasi hingga 6 angka penting. Hasil running program menunjukkan bahwa program yang dibuat bersifat scalable, baik pada prosesor single-core maupun multi-core. Nilai speedup tertinggi dicapai dengan menggunakan jumlah thread sama dengan jumlah core prosesor. Untuk prosesor dengan jumlah core 2 dicapai nilai speedup 1,28 sedangkan untuk core 4 nilai speedup-nya adalah 1,53.

Penelitian ini bertujuan untuk memprediksi nilai indeks ENSO yaitu Sea Surface Temperature (Nino 1.2, Nino 3, Nino 3.4 dan Nino 4), Southern Oscillation Index (SOI) dan Multivariate ENSO Index versi 2 (MEI.v2) yang diambil dari tahun 1979-2018. Prediksi dilakukan dengan menggunakan metode JST-backpropagation dengan memvariasikan learning rate dan momentum. Semua indeks menghasilkan nilai akurasi prediksi ENSO yang tinggi, namun indeks Nino 4 merupakan indeks yang memiliki akurasi tertinggi karena nilai Mean Square Error (MSE) pelatihan dan pengujiannya yang relatif lebih kecil dibandingkan dengan indeks lainnya. Indeks Nino 4 memiliki MSE pelatihan 0,0072739 yang berhenti pada epoch ke-69 dan MSE pengujian 0,0085917 dengan akurasi prediksi 99,9989%. Hasil ini diperoleh dari arsitektur JST-backpropagation 12-10-1 dengan nilai learning rate 0,10 dan momentum 0,40.  Prediksi ENSO berdasarkan indeks Nino 4 untuk tahun 2021 menunjukkan keadaan iklim dunia dalam kondisi normal. This study aims to predict ENSO index using Sea Surface Temperature (Nino 1.2, Nino 3, Nino 3.4 and Nino 4 indexes), Southern Oscillation Index (SOI), and Multivariate ENSO Index version 2 (MEI.v2) during  1979 - 2018. The prediction was carried out using the ANN-backpropagation method by varying the learning rate and momentum. All indices produce high ENSO prediction accuracy values, but the Nino 4 index is the best one because the Mean Square Error (MSE) for training and testing steps are relatively smaller than other indexes. The Nino 4 index has a training MSE of 0.0072739 which stops at the 69th epoch and a testing MSE of 0.0085917 with a predictive accuracy of 99.9989%. These results were obtained from the back-propagation architecture ANN 12-10-1 with a learning rate of 0.10 and a momentum of 0.40. The prediction of ENSO in 2021 based on the Nino 4 index shows that the world climate condition is under normal conditions.