Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 84706 dokumen yang sesuai dengan query
cover
"Seiring dengan perkembangan teknologi komputer yang cepat maka para ilmuwan tertantang untuk menggunakan komputer agar dapat mengerjakan tugas yang dianggap sebagai tugas yang mudah oleh manusia. Dengan belajar dan pengalaman maka kita dapat membedakan antara huruf A dan bukan A, atau lain sebagainya. Pengembangan jaringan syaraf tiruan dimulai kurang lebih 65 tahun yang lalu , dipicu oleh keinginan untuk mengerti cara kerja otak manusia. Neural Network yang dapat bekerja seperti otak manusia, dengan proses pembelajaran dari himpunan data pembelajaran dan himpunan data pengujian. Neural Network digunakan untuk mengelompokkan pola huruf tertentu dengan metoda backpropagation. "
Universitas Indonesia, 2006
S27659
UI - Skripsi Membership  Universitas Indonesia Library
cover
cover
Abdulloh
"Tujuan: Tujuan dari penelitian ini adalah mendapatkan model jaringan saraf tiruan dengan algoritma pembelajaran backpropagation berdasarkan data masukan dari pola sidik jari penderita obesitas. Diharapkan model JST yang diperoleh dapat menjadi alat bantu diagnosis bagi para klinisi dalam mengidentifikasi kasus obesitas berdasarkan keturunan.
Metode: Data dari pola sidik jari penderita obesitas dan data penunjang lainnya diuraikan menjadi variabel masakan Variabel keluaran ditentuknn berdasarkan kasus obesitas yang diderita oleh pasien. Kemudian data sampel dibagi dua yaitu data untuk training dan data untuk testing. Dengan menggunakan data training maka Metode Jaringan syaraf tiruan mempelajari pola sidik jari pendarita obesitas yang kemudian digunakan untuk memprediksi data testing. Akurasi identifikssi atau pengenalan pola sidik jari penderita obesitas akan sangat ditentukan oleh hasil prediksi algoritma jaringan syaraf tiruan terhadap data testing.
Hasil: Dalam proses pemhelajaran dengan metode jaringan berbasil melakukan pengenal terhadap data training dengan error sebesar O,QI berhasil dicapai. Untuk prediksi polo sidik jari melalui data testing rata-rata keberhasilan adalah 71,82%. Angka prosentasi keberbasilan ini cukup baik dan depat dijadikan alat bantu bagi para praktisi medis di bidang obesitas dalam menentukan faktor keturunan dari penyakit obesitas.
Kesimpulan: Percobaan ini menghasilkan model JST yang dapat diaplikasikan pada pengelan pola sidik jari pendarita obesitas. Rata-rata keberhasilan prediksi sebesar 71,82% dapat ditingkat dengan menambah data training bagi Metode Jaringan Saraf Tiruan.

Objective: The objective of this research is to obtain an artificial neural network model with backpropagation learning algorithm based on input data from the fingerprint pattern of the obese patients. It is expected that ANN models can be obtained as diagnostic tool for clinicians in identifying cases of obesity based on descent.
Methods: Data from the fingerprint pattern of obesity and other supporting data is decomposed into input variables. Output variable is determined on a case-obesity suffered by the patient Then the sampled data is divided into two data. One for training and other for testing. By using training data. the method of artificial neural networks learn the patterns of the obese fingerprint which is then used to predict the testing data. Accuracy of fingerprint pattern recognition of obesity will be detemined by the results of neural network algorithm prediction against testing data.
Results: In the learning process stage, Artificial Neural Network succceded in identifying a network of training with error 0.01 was achieved. For the prediction of fingerprint patterns through data testing success rate was 80%. The rate for the percentage of success is quite good and can be used as a tool for medical practitioners in the field of obesity in determining obesity cases base of genetic factor.
Conclusion: This experiment resulted ANN model that can be applied to the fingerprint pattern recognition of obese patients. The average prediction success of 71,82% would be increase if we can add more data for 1raining process for Neural Network Method.
"
Depok: Program Pascasarjana Universitas Indonesia, 2011
T33677
UI - Tesis Open  Universitas Indonesia Library
cover
Aji Setyoko
"Berbagai metode pengembangan roket telah dilakukan, namun tidak semua orang bisa mengikuti perkembangannya karena teknologi roket merupakan teknologi rahasia yang pada akhirnya menyebabkan tidak adanya referensi. Kendali roket merupakan tahapan yang paling penting dari pengembangan teknologi roket yang pengembangannya hanya bisa dilakukan jika mempunyai data atau model. Penelitian ini mencoba untuk mendapatkan data penerbangan roket dari simulator pesawat X-Plane kemudian mengembangkan kendali roket menggunakan Neural Network. Konsekuensi yang ditimbulkan karena pemakaian simulator pesawat untuk menerbangkan roket akan dijadikan bahan analisis apakah data yang dihasilkan dari penerbangan roket mempunyai mekanisme fisika layaknya roket.
Pengujian terhadap sistem kendali Neural Network berbasis Direct Inverse Control Open-Loop dilakukan untuk mengetahui keandalan sistem kendali yang dirancang. Sistem kendali roket yang dibuat menggunakan metode backpropagation dengan pembatasan pengendalian yaitu hover, sebuah trajectory terbang roket yang mempunyai pengaruh paling besar dalam jangkauan dan arahnya. Dari hasil pengujian ini diketahui bahwa data yang dihasilkan mempunyai dinamika gerak layaknya roket dan sistem kendali hover roket yang dibuat mempunyai kemampuan yang baik.

Various methods of rocket development have been done, but not everyone can follow its development because rocket technology is a secret technology that ultimately leads to no reference Rocket control is the most important stage of development of rocket technology whose development can only be done if it has data or models. In this study trying to get rocket flight data from the X Plane aircraft simulator then develop rocket control using Neural Network. The consequences of using the aircraft simulator to fly the rocket will be used as an analysis material whether the data generated from the rocket flight has a rocket physics mechanism.
Testing of Neural Network control system based on Direct Inverse Control Open Loop is done to know the reliability of control system designed. The rocket control system created using backpropagation method with control limitation is hover, a rocket flying trajectory that has the greatest influence in its range and direction. From the results of this test is known that the resulting data has the dynamics of motion like a rocket and rocket hover control system is made to have good ability.
"
Depok: Fakultas Teknik Universitas Indonesia, 2018
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
cover
Muhammad Ashari
"Tugas akhir ini membahas mengenai Neural Network yang diaplikasikan dalam simulasi pengendalian plant. Plant yang digunakan adalah Pressure Process Rig 38-714. Pengendali yang digunakan adalah pengendali yang bekerja dengan nilai masukan berupa nilai eror dari nilai keluaran plant yang dibandingkan dengan nilai keluaran referensi. Kesuksesan percobaan ditinjau dari seberapa bagus keluaran plant yang dipasang pengendali ketika dibandingkan dengan sinyal referensinya dan ketahanannya terhadap gangguan. Hasil percobaan menunjukkan NN dengan metode Backpropagation memberikan performa yang baik walaupun diberi gangguan dengan batasan nilai tertentu.

This project discuss about the application of Neural Network in a simulation as a controller of a plant. Pressure Process Rig 38-714 is used as the plant. Error based NN is used as the controller. The controller’s input is the error signal from the output signal of plant compared to reference signal. The success rate is viewed by the similarity of the output of plant compared to the reference signal amd their robustness against noise. The testing result shows that NN based on backpropagation method has a great performance and robustness when there is noise.
"
Depok: Fakultas Teknik Universitas Indonesia, 2015
T44464
UI - Tesis Membership  Universitas Indonesia Library
cover
Arief Purnama L.K.
"Tujuan dari tesis ini adalah untuk berkontribusi dalam pengembangan sistem kecerdasan buatan (artificial intelligence) untuk memodelkan pergerakan saham yang bersifat tidak liner dan penuh ketidakpastian. Pendekatan yang digunakan adalah model Artificial Neural Network (ANN) metode Backpropagation. Sebagai pembanding, digunakan model multivariate ARIMA. Penelitian akan membuktikan bahwa model ANN dapat lebih tepat memprediksi pergerakan harga saham di Indonesia, khususnya saham-saham anggota indeks LQ45, dibandingkakan model multivariate ARIMA. Penelitian ini adalah penelitian observasi model. Penelitian menghasilkan kesimpulan bahwa model ANN signifikan secara statistik lebih akurat daripada model multivariate ARIMA.

The objective of this thesis is to contribute the development of artificial intelligence system in modeling stock price movement which highly non-linier and uncertain in nature. Our approach is using Artificial Neural Network (ANN) with Backpropagation method. In comparing the accuracy of the model, we use multivariate ARIMA method. This research intend to show that ANN model is more accurate in predicting Indonesian stock price movement, especially LQ45 index, compared to multivariate ARIMA model. This research is using observational method in selecting the best model. The result of the research is that ANN is statistically significant and more accurate compared to multivariate ARIMA model."
Depok: Fakultas Eknonomi dan Bisnis Universitas Indonesia, 2010
T28101
UI - Tesis Open  Universitas Indonesia Library
cover
Gian Wijoyo
"Dalam pengoperasiannya, motor induksi membutuhkan suatu metode pengendalian agar dapat bekerja dengan kinerja yang baik. Banyak metode pengendalian untuk motor induksi yang telah dikembangkan, yang paling umum digunakan adalah penggunaan pengendali PI, IP, dan decoupler. Namun perlu diperhatikan bahwa penggunaan pengendali konvensional tersebut masih memiliki performa pengendalian yang kurang baik Oleh karena itu pada skripsi ini, akan dilakukan aplikasi metode Simple Adaptive Control (SAC) dengan Artificial Neural Network (ANN) untuk pengendalian vektor arus dan pengendalian kecepatan rotor pada motor induksi. Model pengendali dinyatakan dalam kerangka acuan rotor (sumbu-dq), sedangkan model motor dinyatakan dalam kerangka acuan stator (sumbu-ab), dengan menggunakan state variable berupa arus stator dan fluks rotor.
Pada skripsi ini, akan dilakukan simulasi metode SAC dengan ANN untuk pengendalian vektor arus dan pengendalian kecepatan rotor pada motor induksi untuk menverifikasi performa pengendaliannya, yaitu kemampuan output dari plant untuk dapat mengikuti output dari model referensi. Dalam perancangan pengendali menggunakan metode SAC dengan ANN untuk motor induksi ini, tidak perlu dilakukan sintesa decoupler untuk tujuan mengeliminasi interaksi antar input. Terlebih lagi, juga akan dilakukan simulasi pengendalian dengan menggunakan metode konvensional, yaitu pengendali IP, PI, dan decoupler. Hal ini dilakukan untuk keperluan perbandingan. Setelah menguji dan menverifikasikan hasil dari simulasi, pengendali dengan menggunakan metode SAC dengan ANN memiliki performa pengendalian yang lebih baik dibandingkan dengan pengendali yang menggunakan metode konvensional."
Depok: Fakultas Teknik Universitas Indonesia, 2005
S40114
UI - Skripsi Membership  Universitas Indonesia Library
cover
Bugi Insan Kamil
"Salah satu unit proses yang sulit untuk dilakukan pemodelanannya secara matematis adalah unit proses ammonia converter. Dalam unit proses ini produk yang dihasilkan dipengaruhi berbagai macam proses seperti proses reaksi kimia, proses quenching, serta perpindahan kalor, yang kesemuanya dipengaruhi oleh setting laju alir pada aliran feed, by-pass, quench dan interchanger dalam ammonia converter. Dengan banyaknya proses yang terjadi, perubahan kondisi pada aliran masukan akan sangat berpengaruh terhadap produk yang dihasilkan, sehingga dibutuhkan pengubahan setting laju alir dalam ammonia agar produk tetap sesuai dengan spesifikasi yang diinginkan, oleh karena itu dibutuhkan suatu alat untuk memprediksi kondisi operasi ammonia converter yang dapat mengikuti perilaku alami dari unit proses ammonia converter tersebut. Metode jaringan syaraf tiruan backpropagation dan jaringan regresi dapat digunakan untuk memprediksi setting laju alir dalam ammonia converter jika diketahui data historis kondisi operasi dan setting laju alir yang sudah ada pada unit ammonia converter tersebut. Dalam penelitian ini dilakukan perancangan jaringan syaraf tiruan dengan menggunakan backpropagation dan jaringan regresi yang kemudian dilakukan proses pembelajaran, validasi dan simulasi dengan data historis yang didapat dari unit Ammonia Converter 105-D pada periode Juli - Agustus 2004. Unit ini merupakan unit proses sintesis ammonia milik PT. Pupuk Sriwidjaya (Persero). Dari penelitian diperoleh hasil bahwa untuk memprediksi setting laju alir dalam ammonia converter, dibutuhkan 4 buah jaringan syaraf tiruan paralel yang digunakan untuk memprediksi masing-masing laju alir dalam ammonia converter. Jaringan backpropagation 3 layer (lapisan) dengan 10 neuron pada layer input, 5 neuron pada hidden layer dan 1 neuron pada layer output menghasilkan kesalahan rata-rata hasil simulasi sebesar 0.85 %. Sedangkan jaringan regresi 3 layer dengan 4 neuron pada layer input, 4 neuron pada hidden layer dan 1 neuron pada layer outputnya menghasilkan kesalahan rata-rata hasil simulasi sebesar 0.523 %. Dengan hasil tersebut maka jaringan regresi dapat melakukan prediksi setting laju alir dalam ammonia converter lebih baik dibandingkan jaringan backpropagation."
Depok: Fakultas Teknik Universitas Indonesia, 2006
S49598
UI - Skripsi Membership  Universitas Indonesia Library
cover
Faris Abdurrahman Pabe
"Backpropagation neural network backpropagation adalah salah satu algoritma machine learning yang dapat digunakan untuk melakukan klasifikasi data. Klasifikasi data dilakukan dalan serangkaian proses training dan testing. Pada akhir proses testing yang juga merupakan akhir dari proses backpropagation, akan didapatkan nilai recognition rate. Nilai recognition rate merupakan nilai yang menandakan banyaknya data yang berhasil diklasifikasi dengan benar pada proses testing terhadap seluruh testing dataset. Recognition rate erat kaitannya dengan masalah underfitting, overfitting, local minima, dan local maxima. Keempat masalah ini menyebabkan nilai recognition rate yang didapatkan kurang optimal. Namun biasanya untuk menangani keempat masalah ini dilakukan pengaturan pada beberapa paramter, misalnya learning rate, momentum, jumlah layer, jumlah nodes, weights, dan lain-lain. Pada tulisan ini akan dijelaskan program optimasi yang melakukan pengaturan pada nilai inisialisasi weights untuk menangani keempat tersebut. Program ini melakukan inisialisasi weights menggunakan genetic algorithm pada backpropagation yang mengimplementasikan k-fold crossvalidation. Untuk menguji dan membandingkan program optimasi terhadap program implementasi backpropagation yang tidak dioptimasi program non-optimasi, digunakan empat dataset, yaitu iris flower dataset, seeds dataset, wine dataset, dan EEG dataset buatan. Pada akhir pengujian didapatkan hasil bahwa program optimasi berhasil mendapatkan nilai recognition rate lebih tinggi pada iris flower dataset, yaitu 97.33 pada program optimasi dan 96.67 pada program non-optimasi. Kemudian didapatkan pula nilai recognition rate yang lebih tinggi pada seeds dataset, yaitu 93.33 pada program optimasi dan 92.86 pada program non-optimasi. Lalu didapatkan pula nilai recognition rate yang lebih tinggi pada EEG dataset buatan, yaitu 37.5 pada program optimasi dan 35.94 pada program non-optimasi. Sedangkan pada wine dataset didapatkan nilai recognition rate yang sama antara program optimasi dan program non-optimasi, yaitu 99.44.

Backpropagation neural network backpropagation is one of machine learning algorithms that can be used to classify data. The data classification is done in a series of trainig and testing processes. At the end of testing process that is also the end of backpropagation process, the algorithm will produce recognition rate value. Recognition rate value indicates the total of correctly classified data in testing process againts all data in testing dataset. Recognition rate value related to underfitting, overfitting, local minima, and local maxima problems. However, to handle these problems adjusting some parameters are necessary to be done. These parameters are learning rate, momentum, number of layers, number of nodes, weights, etc. In this writting will be explained an optimization program that adjusts the initialization values of weights to handle those four problems. This program initializes weights using genetic algorithm on backpropagation implementing k fold crossvalidation. To test and compare the optimization program with a program that implements backpropagation without optimization non optimzation program four datasets will be used, those are iris flower dataset, seeds dataset, wine dataset, and artificial EEG dataset. At the end of the test, the results show that optimization program obtained higher recognition rate value on iris flower dataset, that is 97.33 on optimization program againts 96.67 on non optimization program. Other than that, optimization program obtained higher recognition rate value on seeds dataset, that is 93.33 on optimization program againts 92.86 on non optimization program. Also, optimization program obtained higher recognition rate value on artificial EEG dataset, that is 37.5 on optimization program againts 35.94 on non optimization program. However, the optimization program obtained an equal recognition rate value on wine dataset, that is 99.44."
Depok: Fakultas Teknik Universitas Indonesia, 2018
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>