Articles
2,279 Documents
<![CDATA[Analisis Kestabilan dan Kontrol Optimal pada Model Dinamik Penyebaran Penyakit Malaria ]]>
<![CDATA[Retna Shely Purwanti]]>;
<![CDATA[Mardlijah Mardlijah]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 8, No 1 (2019) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (645.834 KB)
|
DOI: 10.12962/j23373520.v8i1.41702
<![CDATA[Malaria adalah suatu penyakit yang disebabkan oleh parasit Plasmodium yang ditularkan oleh gigitan nyamuk Anopheles betina. Hampir separuh populasi dunia hidup dalam risiko penyakit ini dengan lebih dari 300 juta orang terjangkit malaria setiap tahun. Dalam studi ini, digunakan model penyebaran penyakit malaria yang terdiri dari dua populasi yang dibagi menjadi beberapa sub-populasi antara lain sub-populasi manusia Susceptible, sub-populasi manusia Exposed, sub-populasi manusia Infected, sub-populasi manusia Recovered, sub-populasi nyamuk Susceptible, sub-populasi nyamuk Exposed, dan sub-populasi nyamuk Infected. Model dianalisis dengan menentukan titik kesetimbangan bebas penyakit dan endemik, serta kestabilan dari setiap titik kesetimbangan. Kemudian dilakukan kontrol optimal menggunakan Prinsip Maksimum Pontryagin dan disimulasikan dengan menggunakan Matlab. Hasil simulasi menunjukan menurunnya sub-populasi manusia dan populasi nyamuk yang terinfeksi parasit Plasmodium setelah adanya pemberian kontrol penyemprotan insektisida dan pengobatan dengan nilai fungsi objektif sebesar 1.5556.]]>
<![CDATA[Penerapan Fuzzy Time Series Dalam Peramalan Nilai KWH Listrik Golongan Tarif Rumah Tangga di Jawa Timur ]]>
<![CDATA[Ekky Hidma Octia Rahmah]]>;
<![CDATA[Mohammad Isa Irawan]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 8, No 1 (2019) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (631.714 KB)
|
DOI: 10.12962/j23373520.v8i1.42109
<![CDATA[Listrik telah menjadi kebutuhan utama manusia untuk menjalankan segala aktifitasnya. Akan tetapi, peningkatan kebutuhan itu tidak sebanding dengan peningkatan penyediannya yang berakibat sering terjadi pemadaman aliran listrik. Kondisi tersebut mendukung dilakukannya pengembangan penyediaan tenaga listrik dengan melakukan peramalan nilai kebutuhan energi listrik dengan menggunakan data pemakaian kWh listrik jenis golongan tarif rumah tangga dengan metode fuzzy time series. Hasilnya adalah metode fuzzy time series baik digunakan pada data pemakaian kWh listrik kelompok rumah tangga golongan tarif reguler, karena rata-rata nilai MAPE yang dihasilkan sebesar 19 % atau dapat dikatan rata-rata ketepatan nilainya sebesar 81 %, terutama untuk data jenis golongan tarif R-3/6.600 VA ke atas dengan nilai MAPE sebesar 4,8 persen atau dapat dikatakan ketepatan nilainya 95,2 %.]]>
<![CDATA[Estimasi Kecepatan Kendaraan Bergerak Menggunakan Motion Vector ]]>
<![CDATA[Yudah Mulia Nanang Sukabhakti]]>;
<![CDATA[Dwi Ratna Sulistyaningrum]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 8, No 1 (2019) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (649.372 KB)
|
DOI: 10.12962/j23373520.v8i1.42128
<![CDATA[Intelligent Transportation System (ITS) adalah penerapan teknologi informasi dan komunikasi pada bidang transportasi. Teknologi dan aplikasi ITS memantau kondisi lalu lintas pada ruas jalan melalui video hasil rekaman kamera CCTV yang dipasang di ruas jalan. Informasi dari video lalu lintas kemudian diolah sehingga menghasilkan informasi terkait lalu lintas tersebut seperti banyak kendaraan dan kecepatan kendaraan. Informasi kecepatan kendaraan kemudian diestimasi dan dimanfaatkan nantinya untuk kebijakan pengembangan lalu lintas dan pengaturan lalu lintas. Pada Studi ini dilakukan estimasi kecepatan kendaraan bergerak menggunakan motion vector. Penelitian dilakukan dalam beberapa langkah yaitu akuisisi video dan pengaturan parameter, pembuatan region of interest pada video, ekstraksi citra frame video, preprocessing citra, menentukan motion vector dengan three-step search block-matching algorithm, penyeleksian motion vector, dan penghitungan kecepatan kendaraan. Dari uji coba yang sudah dilakukan, motion vector mampu melakukan estimasi kecepatan kendaraan bergerak dengan akurasi terburuk 92.6194 % pada kecepatan 20 Km/jam dan terbaik 96.5582 % pada kecepatan 30 Km/jam.]]>
<![CDATA[Analisis Kestabilan dan Bifurkasi Model Oregonator dari Reaksi Belousov – Zhabotinsky ]]>
<![CDATA[Amelia Margaretha Santoso]]>;
<![CDATA[Erna Apriliani]]>;
<![CDATA[I Gst Ngr Rai Usadha]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 8, No 1 (2019) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (550.727 KB)
|
DOI: 10.12962/j23373520.v8i1.42118
<![CDATA[Reaksi Belousov – Zhabotinsky merupakan reaksi yang berosilasi, dimana osilasi yang terjadi pada reaksi ini memiliki kemiripan dengan osilasi yang terjadi pada sistem biologi seperti gelombang elektromagnetik pada jaringan jantung, saraf maupun otot. Reaksi ini memiliki perilaku dinamik yang menarik untuk dikaji melalui analisis kestabilan dan bifurkasi. Selain untuk mengetahui perilaku dinamik suatu sistem, analisis mengenai kestabilan dan bifurkasi juga dapat digunakan untuk mengetahui faktor apa yang mempengaruhi terjadinya osilasi pada sistem tersebut. Analisis kestabilan dapat dilakukan dengan menggunakan kriteria kestabilan nilai eigen dan Routh – Hurwitz, sementara untuk analisis bifurkasi dilakukan dengan menggunakan teorema bifurkasi Hopf. Dari hasil analisis didapatkan bahwa osilasi terjadi ketika nilai koefisien stokiometri Cerium(IV) berada pada rentang 1/4]]>
<![CDATA[Akuisisi dan Clustering Data Sosial Media Menggunakan Algoritma K-Means sebagai Dasar untuk Mengetahui Profil Pengguna ]]>
<![CDATA[Binuri Ayu Dwiarni]]>;
<![CDATA[Budi Setiyono]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 8, No 2 (2019) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.12962/j23373520.v8i2.49815
<![CDATA[Banyaknya informasi yang tersebar melalui sosial media menyebabkan data sosial media menjadi salah satu sumber data yang menarik untuk diteliti. Pada Twitter, hanya 11,84% dari akun protected di Twitter yang berarti sebagian besar tweetnya terlihat dan mudah dibagikan. Twitter menyediakan layanan Application Programming Interface (API) yang dapat digunakan untuk mengakuisisi data. Untuk bisa menjadikan data yang diakuisi tersebut menjadi sebuah informasi yang berguna diperlukan sebuah proses salah satunya dengan clustering. Algoritma K-Means mempunyai kemampuan mengelompokkan data dalam jumlah cukup besar dengan waktu komputasi yang cepat dan efisien. Salah satu budaya asing yang saat ini sedang terkenal di Indonesia yaitu kebudayaan Korea Selatan (Hallyu). Oleh karena itu Hallyu menjadi studi kasus dalam Tugas Akhir ini. Proses Akuisisi Data Twitter dilakukan dengan cara membangun aplikasi Twitter untuk mendapatkan OAuth Twitter kemudian melakukan akuisisi dengan filter fitur-fitur yang disediakan oleh Twitter API. Dari hasil akuisisi data Twitter yang dilakukan dalam 5 hari dengan ujicoba 87 keyword “K-Pop” dan “K-Drama” dengan batasan latitude -4.640003 dan longitude 109.866141 pada radius 590km didapat 68.393 tweet. Hasil akuisisi data tersebut kemudian dilakukan clustering dengan ???? = 3. Dimana ????1 menunjukkan waktu tweet yang dianggap pagi. Sedangkan ????2 menunjukkan waktu tweet yang dianggap siang. Dan ????3 menunjukkan waktu tweet yang dianggap malam. Sehingga setelah melakukan clustering di dapat jam 21.00 – 01.00 merupakan mayoritas orang-orang melakukan tweet.tweet. Hasil akuisisi data tersebut kemudian dilakukan clustering dengan ???? = 3. Dimana ????1 menunjukkan waktu tweet yang dianggap pagi. Sedangkan ????2 menunjukkan waktu tweet yang dianggap siang. Dan ????3 menunjukkan waktu tweet yang dianggap malam. Sehingga setelah melakukan clustering di dapat jam 21.00 – 01.00 merupakan mayoritas orang-orang melakukan tweet.]]>
<![CDATA[Penerapan Random Forest untuk Mengukur Tingkat Keparahan Penyakit pada Daun Apel ]]>
<![CDATA[Luthfiana Ratnawati]]>;
<![CDATA[Dwi Ratna Sulistyaningrum]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 8, No 2 (2019) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (368.637 KB)
|
DOI: 10.12962/j23373520.v8i2.48517
<![CDATA[Tingkat keparahan penyakit pada tanaman merupakan salah faktor penting untuk diketahui sebagai upaya pengendalian hama dan penyakit yang dapat berpengaruh penting dalam perkembangan tanaman. Teknologi pengolahan citra digital (Digital Image Processing) saat ini berkembang semakin pesat, salah satunya dalam bidang pertanian. Pada penelitian tugas akhir ini, dilakukan pengukuran tingkat keparahan penyakit pada daun apel dengan menggunakan metode klasifikasi Random Forest. Pengukuran tingkat keparahan penyakit pada daun apel dilakukan dalam beberapa tahapan proses yaitu pra-pengolahan citra, segmentasi citra menggunakan K-means clustering, ekstraksi fitur ukuran, bentuk dan warna pada citra dan yang terakhir klasifikasi menggunakan metode Random Forest. Data citra yang digunakan sejumlah 467 citra daun apel dan menghasilkan kinerja klasifikasi Random Forest dengan akurasi yang menunjukkan bahwa metode Random Forest mampu mengukur tingkat keparahan penyakit pada daun apel dengan akurasi tertinggi pada proses pelatihan sebesar 100% dan nilai akurasi tertinggi pada proses pengujian sebesar 75.3191%.]]>
<![CDATA[Analisis Kestabilan Model Matematika Penyebaran Penyakit Rabies pada Anjing dengan Kontrol Optimal Berupa Kontrasepsi ]]>
<![CDATA[Nirwana Fatria Kridayati]]>;
<![CDATA[Kamiran Kamiran]]>;
<![CDATA[Nur Asiyah]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 8, No 2 (2019) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (297.844 KB)
|
DOI: 10.12962/j23373520.v8i2.48803
<![CDATA[Rabies adalah penyakit zoonosis (penyakit yang ditularkan dari hewan ke manusia), yang disebabkan oleh virus rabies, dari genus Lyssavirus, dalam keluarga Rhabdoviridae yang dapat ditularkan dari air liur hewan penderita rabies ketika menggigit atau menggores seseorang. Model penyebaran penyakit yang digunakan terdiri dari lima persamaan yang terdiri dari subpopulasi anjing yang rentan terhadap penyakit, subpopulasi anjing yang terinfeksi tapi belum menunjukkan tanda-tanda, subpopulasi rabies bentuk tenang, subpopulasi rabies bentuk ganas, dan subpopulasi anjing yang divaksinasi. Sistem diberi kontrol berupa kontrasepsi pada subpopulasi anjing yang rentan terhadap penyakit untuk mencegah penyebaran. Tugas Akhir ini membahas tentang analisis pada model dengan menentukan bilangan reproduksi dasar, titik kesetimbangan bebas penyakit dan endemik, dan kestabilan dari setiap titik kesetimbangan berdasarkan kriteria Routh-Hurwitz. Kemudian dilakukan kontrol optimal dengan menggunakan Prinsip Pontryagin. Solusi numerik diberikan dengan metode Runge-Kutta dan dengan simulasi menggunakan software MATLAB.]]>
<![CDATA[Analisis Kestabilan dan Kontrol Optimal Model Penyebaran Tuberkulosis (TB) dengan Terapi dan Vaksinasi Menggunakan Metode Runge Kutta ]]>
<![CDATA[Anita Puspitasari]]>;
<![CDATA[Kamiran Kamiran]]>;
<![CDATA[Nur Asiyah]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 8, No 2 (2019) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (1205.541 KB)
|
DOI: 10.12962/j23373520.v8i2.48830
<![CDATA[Tuberkulosis (TB) merupakan penyakit menular kronis yang menyerang paru-paru yang disebabkan oleh bakteri Mycobacterium tuberculosis. Model penyebaran penyakit yang digunakan terdiri dari 4 persamaan yaitu subpopulasi Susceptible, subpopulasi Infective, subpopulasi Treatment dan subpopulasi Recovery. Untuk mencegah penyebaran, sistem diberi kontrol berupa terapi pada pasien yang terinfeksi dan vaksinasi pada individu yang rentan. Tugas Akhir ini membahas tentang analisis pada model dengan menentukan bilangan reproduksi dasar, titik kesetimbangan bebas penyakit dan endemik, dan kestabilan dari setiap titik kesetimbangan berdasarkan kriteria Routh-Hurwitz. Kemudian dilakukan kontrol optimal menggunakan Prinsip Pontryagin dengan pemberian dua kontrol yaitu terapi dan vaksinasi. Solusi numerik yang diberikan dengan metode Runge Kutta orde empat, dan simulasi menggunakan MATLAB. Hasil analisis menunjukkan terdapat kestabilan pada setiap titik kesetimbangan dengan syarat tertentu dan menurunnya populasi Tuberkulosis (TB) setelah pemberian kontrol.]]>
<![CDATA[Analisis Penyebaran Properti Reservoir pada Petrophysical Modeling di Lokasi ”X” Papua Barat dengan Metode Universal Kriging ]]>
<![CDATA[Mohammad Hatta Rafsanjani]]>;
<![CDATA[Heri Kuswanto]]>;
<![CDATA[Sutikno Sutikno]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 1, No 1 (2012): Jurnal Sains dan Seni ITS (ISSN 2301-928X) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (564.825 KB)
|
DOI: 10.12962/j23373520.v1i1.534
<![CDATA[Salah satu penelitian Upstream Technology Center (UTC) Direktorat hulu PT. Pertamina (Persero) adalah pada Lokasi "X" Papua Barat. Analisis Geologi pada penelitian di Lokasi "X" menerapkan metode Geostatistika pada petrophy-sical modelling. Penelitian ini mengaplikasikan metode Uni-versal Kriging pada Petrophysical Modelling. Metode ini dapat memberikan analisis yang baik secara geologi karena interpolasi properti reservoir primer dilakukan dengan memasukkan trend jenis batuan (facies) sebagai kontrol sehingga penyebaran yang dilakukan memiliki interpretasi yang kuat secara geologi. Pro-perti reservoir yang digunakan adalah porositas dan Net to Gross (NTG). Analisis semivariogram eksperimental dilakukan agar didapatkan semivariogram teoritis porositas dan NTG untuk masing-masing zona. Kesimpulan yang didapatkan adalah Zona 1A dan 1B merupakan target reservoir yang prospektif karena berdasarkan analisas statistika deskriptif dan univeral kriging didapatkan hasil penyebaran porositas dan NTG tertinggi daripada lokasi zona yang lainnya.]]>
<![CDATA[Pemodelan Faktor-Faktor yang Mempengaruhi Produksi dan Mutu Tembakau Temanggung dengan Kombinasi antara Generalized Least Square dan Regresi Ridge ]]>
<![CDATA[Nyimas Yusna Aeni]]>;
<![CDATA[Sutikno Sutikno]]>
<![CDATA[ Jurnal Sains dan Seni ITS Vol 1, No 1 (2012): Jurnal Sains dan Seni ITS (ISSN 2301-928X) ]]>
Publisher : <![CDATA[Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (162.412 KB)
|
DOI: 10.12962/j23373520.v1i1.522
<![CDATA[Tembakau Temanggung terkenal sebagai pemberi rasa dan aroma yang khas pada rokok kretek dan mempunyai kadar nikotin tertinggi. Telah banyak penelitian membahas mengenai produksi dan mutu tembakau Temanggung. Salah satunya adalah pemodelan produksi dan mutu tembakau Temanggung dengan metode OLS, dimana menunjukkan terjadi pelanggaran asumsi adanya multikolinearitas dan autokorelasi. Penelitian ini membahas pengombinasian antara Generalized Least Square dan regresi ridge untuk mengatasi adanya autokorelasi sekaligus multikolinearitas pada pemodelan produksi dan mutu tembakau. Pendugaan nilai koefisien autokorelasi terlebih dahulu dilakukan dengan menggunakan pendekatan Durbin Watson, AR(1) residual, serta Cochrane-Orcutt iterative procedure, kemudian dilakukan kombinasi dengan regresi ridge. Hasil penelitian menunjukkan bahwa pengombinasian antara Durbin Watson dan regresi ridge dapat mengatasi autokorelasi dan multikolinearitas pada pemodelan produksi. Namun pada pemodelan mutu, hanya mampu mengatasi multikolinearitas, sedangkan autokorelasi masih belum teratasi. Variabel yang berpengaruh terhadap produksi adalah persentase karbon organik, kalium, dan bobot isi tanah. Sementara variabel yang berpengaruh terhadap mutu adalah persentase kerikil, pasir, dan kandungan kalium.]]>
