Deteksi Kerusakan Bearing Menggunakan Komponen Utama Kernel

Asti, Allyaa Putri; Sutawanir Darwis,

doi:10.29313/jrs.v3i1.1771

Cited by 6 publications

(9 citation statements)

References 8 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Berdasarkan uraian di atas, penulis tertarik untuk melakukan penelitian yaitu meramalkan dan membandingkan akurasi atau ketepatan model yang baik untuk peramalan jumlah penumpang kereta api di wilayah di Sumatera dengan menggunakan metode Fuzzy Time Series Markov Chain dan Fuzzy Time Series Lee dengan mengukur hasil keakuratan peramalan berdasarkan nilai kesalahan terendah menggunakan MAPE [8].…”

Section: Aunclassified

Analisis Fuzzy Time Series Pada Jumlah Penumpang Kereta Api di Wilayah Sumatera Menggunakan Metode Marcov Chain dan Lee

Sugiono,

Herlina

2024

BCSS

View full text Add to dashboard Cite

Abstract. Forecasting is a process of estimating future events based on past events. In determining forecasting, of course there are many methods that can be used, such as ARIMA, Exponential Smoothing and others. However, not all methods can be used in certain conditions and must fulfill assumptions that must be met, so a method was developed to overcome this problem, namely Fuzzy Time Series (FTS). This research aims to predict the number of train passengers in the Sumatra region for the next period using two methods, namely the fuzzy time series Marcov chain and the fuzzy time series Lee using Sturgess' rules. The difference between the two methods is during the forecast defuzzification process. The results of this research are comparing the level of model accuracy by looking at the error value through the Mean Absolute Percentage Error (MAPE). The research results from these two methods obtained a MAPE of 0.29% for the fuzzy Marcov chain time series while the fuzzy time series Lee was 0.38%. This shows that the fuzzy Marcov chain time series is better for forecasting the number of train passengers in the Sumatra region because it produces smaller error values. Abstrak. Peramalan adalah suatu proses memperkirakan kejadian dimasa yang akan datang berdasarkan kejadian dimasa lampau. Dalam menentukan peramalan tentunya banyak sekali metode yang dapat digunakan seperti ARIMA, Exponential Smoothing dan lain-lain. Namun, tidak semua metode bisa digunakan pada kondisi tertentu dan harus memenuhi asumsi-asumsi yang harus terpenuhi, sehingga dikembangkan suatu metode untuk mengatasi masalah tersebut yaitu Fuzzy Time Series (FTS). Penelitian ini bertujuan untuk meramalkan jumlah penumpang kereta api di wilayah Sumatera untuk periode berikutnya dengan menggunakan dua metode yaitu fuzzy time series marcov chain dan fuzzy time series lee dengan menggunakan aturan sturgess. Perbedaan dari kedua metode tersebut yaitu pada saat proses defuzifikasi peramalan. Hasil dari penelitian ini yaitu membandingkan tingkat ketepatan model dengan melihat nilai error melalui Mean Absolute Percentage Error (MAPE). Hasil Penelitian dari kedua metode tersebut diperoleh MAPE sebesar 0,29% untuk fuzzy time series marcov chain sedangkan fuzzy time series lee yaitu sebesar 0,38%. Hal ini menunjukkan bahwa fuzzy time series marcov chain lebih baik untuk peramalan jumlah penumpang kereta api di wilayah Sumatera karena menghasilkan nilai error yang lebih kecil.

show abstract

Section: Aunclassified

Analisis Fuzzy Time Series Pada Jumlah Penumpang Kereta Api di Wilayah Sumatera Menggunakan Metode Marcov Chain dan Lee

Sugiono,

Herlina

2024

BCSS

View full text Add to dashboard Cite

show abstract

“…Generalized linear model (GLM) dengan family binomial dan link log, atau disebut sebagai log-binomial telah direkomendasikan bahwa penggunaan model regresi log-binomial secara langsung dapat menduga risiko relatif (2). Penelitian yang dilakukan oleh Martin R Petersen and James A Deddens membanding dua metode untuk menduga risiko relatif hasil menunjukan bahwa log-binomial lebih baik daripada robust poisson (3) (9). Secara umum, model regresi log-binomial akan memperoleh suatu estimasi yang tak bias untuk resiko relatif (1).…”

Section: Aunclassified

Penerapan Model Regresi Log-Binomial untuk Menduga Risiko Relatif Kemacetan Kredit Berdasarkan Karakteristik Debitur

Nur Ismayani,

Kudus

2023

BCSS

View full text Add to dashboard Cite

Abstract. Relative risk is the ratio of odds between binary exposures or the ratio of odds between the exposed and unexposed groups. The concept of relative risk is often introduced in a simple way, using a 2 x 2 cross tabulation of binary exposure and binary outcome. Then go further with the use of regression to estimate relative risk. A log-binomial regression model has been recommended which can directly estimate relative risk. The data used is data on credit debtors for Bhakti to determine the ratio of the risk of credit default based on the characteristics of the debtor using a log-binomial regression model. The results of this study obtained a log-binomial regression model is π = (-1,1032640 -0,6335250x1 + 1,0977941x2 - 0,3544660x3 - 1,2765607x4 + 1,7367890x5 + 1,0244938x6). The relative risk outcomes using the log-binomial regression model based on significant interval estimates were the number of dependents (RR=3.00; 95%Cl 1.68-5.36), employment status ( RR=0.28; 95%Cl 0.16-0.48), debtor type (RR =5.68; 95%Cl 3.47-9.31) and length of working (RR =2.79; 95%Cl 1.46-5.33) meaning that if the number of group members compared is the same, then, 1) in the group of dependents ≤ 2 people there are 300 debtors who experience credit missed payment, while in the group of dependents > 2 there are only 100 debtors who are in missed payment, 2) in the group of permanent employees there are 28 who are in missed payment, while in the CPNS group there are 100 who are in missed payment, 3) in the group of new debtors there are 568 who are in missed payment, while in the group of repeat debtors there are only 100 debtors who are in missed payment, and 4 ) in the group of debtors who worked ≤ 2 years there were 279 missed payment, while those who had worked > 2 years there were 100 missed payment debtors. Abstrak. Risiko relatif adalah perbandingan peluang antara paparan biner atau perbandingan peluang antara kelompok yang terpapar dan kelompok yang tidak terpapar. Konsep risiko relatif sering kali diperkenalkan dengan menggunakan cara yang sederhana yaitu menggunakan tabulasi silang dari paparan biner dan hasil biner. Lalu lebih lanjut lagi dengan menggunakan penggunaan dari regresi untuk menduga risiko relatif. Model regresi log-binomial telah direkomendasikan yang secara langsung dapat menduga risiko relatif. Data yang digunakan adalah data debitur kredit Guna Bhakti untuk mengetahui perbandingan risiko kemacetan kredit berdasarkan karakteristik debitur menggunakan model regresi log-binomial. Adapun hasil penelitian ini diperoleh model regresi log-binomial yaitu π = (-1,1032640 -0,6335250x1 + 1,0977941x2 - 0,3544660x3 - 1,2765607x4 + 1,7367890x5 + 1,0244938x6). Hasil risiko relatif menggunakan model regresi log-binomial berdasarkan taksiran interval yang signifikan adalah jumlah tanggungan (RR =3,00 ; 95%Cl 1,68-5,36), status kepegawaian ( RR=0,28; 95%Cl 0,16-0,48), tipe debitur ( RR=5,68; 95%Cl 3,47-9,31) dan lama kerja ( RR=2,79; 95%Cl 1,46-5,33) artinya jika jumlah anggota kelompok yang dibandingkan besarnya sama maka, 1) pada kelompok jumlah tanggungan ≤ 2 orang terdapat 300 debitur yang mengalami kemacetan kredit, sedangkan pada kelompok jumlah tanggungan > 2 hanya ada 100 debitur yang macet, 2) pada kelompok pegawai tetap terdapat 28 yang macet, sedangkan pada kelompok CPNS terdapat 100 yang macet, 3) pada kelompok debitur baru terdapat 568 yang macet, sedangkan pada kelompok debitur yang mengulang hanya terdapat 100 debitur yang macet, dan 4) pada kelompok debitur yang bekerja ≤ 2 tahun terdapat 279 yang macet, sedangkan yang sudah bekerja > 2 tahun terdapat 100 debitur yang macet.

show abstract

“…Pendahuluan Tujuan dilakukan pengendalian kualitas adalah untuk mendeteksi kesalahan yang dilakukan dengan menggunakan diagram kendali (Asti & Darwis, 2023). Diagram kendali merupakan metode utama dalam penelitian pengendalian kualitas statistik yang memiliki peran penting dalam memantau kualitas suatu proses, sehingga dapat diketahui apakah suatu proses terkendali atau tidak secara statistik (Lai et al, 2022).…”

Section: Aunclassified

Penerapan Diagram Kendali EWMA (Exponentially Weighted Moving Average) Berbasis Pearson Residual pada Data Jumlah Penundaan Keberangkatan Pesawat

Yasmin,

Suwanda

2023

BCSS

View full text Add to dashboard Cite

Abstrak. Tujuan dari pengendalian kualitas statistik adalah untuk mencapai, mempertahankan serta meningkatkan suatu alat kualitas. Alat yang biasa digunakan adalah diagram kendali shewart, namum diagram tersebut kurang efektif dalam mendeteksi pergeseran rata-rata yang relatif kecil. Salah satu alternatifnya yakni menggunakan diagram kendali EWMA (Exponentially Weighted Moving Average) yang memiliki asumsi data berdistribusi normal. Pada praktiknya terkadang variabel terikat mengikuti distribusi poisson dan karakteristik kualitas proses dicirikan sebagai fungsi linier atau non-linier yang dimodelkan menggunakan Generalized Linear Model (GLM). Sehingga diagram kendali berbasis residu diusulkan oleh beberapa peneliti karena menghasilkan kinerja yang lebih baik. Residu yang akan digunakan pada penelitian kali ini adalah pearson residual yang didapat dari model regresi poisson. Pearson residual akan digunakan sebagai nilai statistik pemantauan dalam diagram kendali EWMA. Diagram kendali EWMA berbasis pearson residual ini akan diaplikasikan pada data jumlah penundaan pesawat terbang dengan rute bandara Soekarno Hatta - I Gusti Ngurah Rai sebagai variabel terikat dan kecepatan angin serta suhu sebagai variabel bebas. Hasil pengujian pada Fase I diperoleh nilai λ = 0.05 sebagai λ yang efektif dalam mendeteksi pergeseran proses yang kecil. Kemudian dengan nilai σ ̂_r^P = 0.7527 dan L = 2.615 dihasilkan diagram terkendali secara statistik. Serta pada Fase II dengan menggunakan nilai batas kendali pada Fase I dihasikan bahwa diagram sudah terkendali secara statistik. Abstract. The purpose of statistical quality control is to achieve, maintain and improve a quality tool. A commonly used tool is the shewart control chart, but the diagram is less effective in detecting relatively small average shifts. One alternative is to use the EWMA (Exponentially Weighted Moving Average) control chart which assumes normally distributed data. In practice, sometimes dependent variables follow the poisson distribution and process quality characteristics are characterized as linear or non-linear functions modeled using the Generalized Linear Model (GLM). So the residue-based control diagram was proposed by some researchers because it produces better performance. The residue that will be used in this study is pearson residual obtained from the Poisson regression model. Pearson residuals will be used as monitoring statistical values in the EWMA control chart. This residual pearson-based EWMA control diagram will be applied to data on the number of aircraft delays with the Soekarno Hatta - I Gusti Ngurah Rai airport route as a bound variable and wind speed and temperature as independent variables. The test results in Phase I obtained a value of λ = 0.05 as λ which is effective in detecting small process shifts. Then with a value of σ ̂_r^P = 0.7527 and L = 2.615 a statistically controlled diagram is produced. And in Phase II using the control limit value in Phase I, it was found that the diagram was statistically controlled.

show abstract

Deteksi Kerusakan Bearing Menggunakan Komponen Utama Kernel

Cited by 6 publications

References 8 publications

Analisis Fuzzy Time Series Pada Jumlah Penumpang Kereta Api di Wilayah Sumatera Menggunakan Metode Marcov Chain dan Lee

Analisis Fuzzy Time Series Pada Jumlah Penumpang Kereta Api di Wilayah Sumatera Menggunakan Metode Marcov Chain dan Lee

Penerapan Model Regresi Log-Binomial untuk Menduga Risiko Relatif Kemacetan Kredit Berdasarkan Karakteristik Debitur

Penerapan Diagram Kendali EWMA (Exponentially Weighted Moving Average) Berbasis Pearson Residual pada Data Jumlah Penundaan Keberangkatan Pesawat

Contact Info

Product

Resources

About