Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada tugas akhir ini disimulasikan kemampuan diagonal recurrent neural networks (DRNN) untuk mengendatikan sistem dinamis. Diagonal recurrent neural networks (DRNN) cocok untuk mengendalikan sistem dinamis karena memiliki internal feedback loop sehingga memiliki karakteristik dynamic mapping. Sistem kontrol dengan diagonal recurrent neural networks (DRNN) terdiri atas diagonal recurrent neuroidentifrer (DRNI) dan diagonal recurrent neurocontroller (DRNC). Diagonal recurrent neuroidentifier (DRNI) akan mengidentifika5i plant yang dikendalikan dan memberikan informasi tersebut ke DRNC. Diagonal recurrent neurocontroller (DRNC) akan memberikan sinyal kendali untuk mengendalikan plant sehingga dapat mengikuti model referensi yang diinginkan. Simulasi dilakukan dengan dua plant yang berbeda. Pada plant pertama diuji kemampuan beradaptasi dan kemampuan menanggulangi gangguan yang tedadi. Pada plant kedua, dilihat bagaimana DRNN dapat mengendalikan plant yang tidak stabil bila diberikan sinyal kendali dengan besar tertentu."

"The goal of this book is a complete framework for classifying and transcribing sequential data with recurrent neural networks only. Three main innovations are introduced in order to realise this goal. Firstly, the connectionist temporal classification output layer allows the framework to be trained with unsegmented target sequences, such as phoneme-level speech transcriptions, this is in contrast to previous connectionist approaches, which were dependent on error-prone prior segmentation. Secondly, multidimensional recurrent neural networks extend the framework in a natural way to data with more than one spatio-temporal dimension, such as images and videos. Thirdly, the use of hierarchical subsampling makes it feasible to apply the framework to very large or high resolution sequences, such as raw audio or video."

"Perkembangan Internet Of Things (IoT) pada era saat ini sudah semakin berkembang. Jumlah IoT device sudah mencapai 31 miliar perangkat yang tersebar di dunia. IoT adalah suatu objek yang memiliki kemampuan untuk mengirimkan data melalui jaringan tanpa memerlukan interaksi manusia ke manusia atau manusia ke computer. Dalam perkembangannya, dibutuhkannya teknologi Machine Learning untuk mendukung fitur-fitur yang ada pada IoT device, seperti prediksi konsumsi energi pada perangkat IoT. Machine learning diperlukan untuk mempelajari behaviour yang ada pada mesin yang diterjemahkan menjadi kondisi atau kata kata lain yang mencerminkan behaviour tersebut. Dalam implementasinya membutuhkan neural network yang didalamnya terdapat memory untuk mengingat behaviour tersebut sehingga proses learning dari alat menjadi cepat atau disebut dengan Recurrent Neural Network (RNN). Dengan tujuan dapat mengetahui dan memprediksi dari suatu nilai agar dapat memperkirakan besar konsumsi energi yang berakibat pada kenaikkan penggunaan listrik perkapita dalam negeri. Salah satu arsitektur dari RNN yaitu LSTM dapat digunakan untuk menjawab permasalahan. Data yang digunakan berasal dari sebuah alat dispenser. Hasil pengujian LSTM mencapai kategori baik dengan mendapatkan RMSE sebesar 3.9265.

---

The development of the Internet of Things (IoT) has increasingly developed many features. The number of IoT devices has reached 31 billion devices spread across the world. IoT is an object that has the ability to transfer data over a network without requiring human-to-human or human interaction to a computer. In its development, Machine Learning technology is needed to support features that exist on IoT devices, such as power predictions on IoT devices. Machine learning is needed to study the behaviors that exist on the machine which are translated into conditions or other words that reflect that behavior. For the implementation requires a neural network in which there is memory to remember the behavior so that the learning process of the tool becomes fast or called Recurrent Neural Network (RNN). The purpose of this research is to predict values from consumption energy, which related to average energy consumption on current country. One of the architectures of the RNN, namely LSTM can be used to answer the problem. The data comes from a smart dispenser. The LSTM test results reached a good category by getting RMSE of 3.9265."

"Pem1ainan simulasi bisnis sudah lama digtmakan sebagai alat bantu pembelajaran. Hal ini terbukti sudah dilakukan di sekolah- sekolah bisnis di Amerika Serikat_ Kegunaan dari permainan sirnulasi bisnis sudah banyak didokumentasikan di juma]-jumal maupun bentuk publikasi lainnya.Penelitian ini bertujuan untuk membuat sebuah permainan simulasi bisnis. Pembuatannya sendiri didasarkan pada 2 pCl'l'l'l8il13D sejenis yang sudah ada yaitu Management and Economic Simulator: Exercise (MESE) yang dibuat oleh Hewlett Packard dan Executive Game yang dibuat oleh Henshaw dan Jackson. Pembuatan permainan ini melalui beberapa tahapan yang dimulai dengan membuat diagam kausal dari 2 pemminan tadi, untuk kemudian dikembangkan menjadi permalnan simulasi bisnis yang baru. Pennainan yang bam ini dalam pengembangannya melalui 4 tahap yaitu konseptualisasi permainan, menentukan fonnulasi permainan, membuat model permainan, dan memveriiikasi dan memvalidasi permainan baru tersebut. Pernbuatan model permainan yang baru ini menggunakan bantuan software Powersim 2.5d dan Microsoft Excel.Hasil dari penelitian ini adalah sebuah pennainan simulasi bisnis baru yang diberi nama Executive Decisions. Permainan ini berjenis total enterprise, dengan 5 input yang harus dimasukkan peserta yaitu harga produk, jumlah produksi, budget pemasaran, budget riset dan pengembangan, dan budget investasi. Permainan ini sudah diveritikasi dan divalidasi dan terbukti betjalan sesuai dengan konsep yang diinginkan. Permainan ini juga sudah dilengkapi dengan manual sebagai petunjuk untuk memainkannya, masing- masing untuk peserta dan administrator. Proses pembelajaran yang ingin diberikan permainan ini kepada para pesertanya diantaxanya adalah peserta bisa mengenali dan menggambarkan keterkaitan variabel yang mempengamhi industri yang disimulasikzm

---

Business/ Management games have been long used as a learning tool. This fact can be found in business schools throughout United States. The usefulness of business games have been documented in many journals or other forms of publications.

This research purpose is to make a business game. The making process itself is based on similar games that`ve been existed, which is Management and Economic Simulation Exercise (MESE) by Hewlett Packard and Executive Game by Henshaw and Jackson. The making process begin with building a causal loop diagram from the 2 games mentioned earlier. Then, the next step is making a new business game, based on that diagram. The newly made business game is build throughout 4 steps, which is, conceptualization, formulation, model-building, and verification and validation of that model. The model for the business game is made by t.he help of Powersim 2.5 soltware and Microsoft Excel.

The result from this research is a new business game, labeled Executive Decisions. This business game type is total enterprise, with 5 decision inputs liom the player which is pricing, production quantity, research and development budget, investment budget, and marketing budget. This game had already been verified and validated and proven to acts like the concept constructed earlier. This game has also been equipped with manual which acts as the guidelines for playing the game. There are 2 kinds of manual, which is player's manual and administratofs manual. The learning experiences that this game wants to provide to its player, one of it is that the player can identified and understand the interrelatedness of the variable that influence tl'1e simulated industry."

"Skripsi ini membahas penggunaan arsitektur Long Short-Term Memory (LSTM) dalam merancang sebuah model identifikasi. Riset ini membahas pengaruh hyperparameter seperti jumlah hidden layer, jenis fungsi aktivasi, tipe optimizer, dan hyperparameter lainnya terhadap kinerja arsitektur neural network. Selebihnya, Skripsi ini juga membandingkan model Long Short Term Memory (LSTM) dengan arsitektur Convolutional Neural Network (CNN) dan Artificial Neural Network (ANN). Hasil dari penelitian skripsi ini menunjukkan bahwa arsitektur Long Short Term Memory menunjukkan hasil yang optimal pada sistem yang time dependent dan dinamis.

---

This paper discusses the application of Long Short-Term Memory Networks in designing a identification model. Firstly, this paper discusses the effect of different hyperparameters such as but not limited to: number of hidden layers, type of activation function, type of optimizer used on the performance of the neural network. Furthermore, this paper also compares the performance and effectiveness of different neural networks such as Convolutional Neural Network (CNN) and Artificial Neural Network (ANN) to a LSTM model. The result of this research shows that a Long Short-Term Memory (LSTM) network performs optimally in systems that are time-dependent and dynamic.>i/>

"

"Demam Berdarah Dengue (DBD) adalah penyakit yang disebabkan oleh virus dengue dan tersebar melalui gigitan vektor nyamuk betina Aedes Aegepty dan Aedes Albopictus yang terinfeksi. Menurut penelitian Luz et al. (2008), machine learning dapat melakukan prediksi insiden DBD secara akurat menggunakan data historis insiden DBD. Pada skripsi ini, salah satu metode machine learning yaitu Recurrent Neural Network (RNN) digunakan untuk memprediksi insiden DBD di DKI Jakarta dengan menggunakan data historis kasus DBD dari tahun 2009 hingga 2017. RNN adalah salah satu neural network yang memiliki recurrent hidden state yang diaktivasi menggunakan data masa kini dengan data masa lampau. RNN cukup sesuai untuk prediksi data yang bersifat timeseries. Sebelum diimplementasikan pada model RNN, data insiden DBD di lima Kotamadya di DKI Jakarta akan dinormalisasi terlebih dahulu. Dalam implementasi model RNN tersebut digunakan beberapa fungsi aktivasi seperti fungsi sigmoid, tanh, dan ReLU. Selanjutnya dibandingkan hasil prediksi dari fungsi-fungsi aktivasi tersebut untuk menentukan fungsi aktivasi apa yang dapat menghasilkan tingkat akurasi terbaik. Berdasarkan data dan model yang digunakan, diperoleh hasil bahwa fungsi aktivasi sigmoid dapat memberikan hasil yang lebih baik pada model RNN dibandingkan dengan fungsi aktivasi tanh dan ReLU. Diharapkan, hasil penelitian ini dapat memberikan prediksi insiden DBD di DKI Jakarta yang dapat digunakan sebagai masukkan yang bermanfaat bagi pihak yang berwenang dalam penanganan penyebaran DBD di DKI Jakarta.

---

Dengue Hemorrhagic Fever (DHF) is a disease caused by the dengue virus and is spread through the bites of infected female mosquito vectors Aedes Aegepty and Aedes Albopictus. According to research by Luz et al in 2008, machine learning can accurately predict dengue incidence using historical data on dengue incidents. In this thesis, one of the machine learning methods, namely the Recurrent Neural Network (RNN) is used to predict the incidence of dengue fever in DKI Jakarta by using historical data on dengue cases from 2009 to 2017. RNN is a neural network that has a recurrent hidden state that is activated using present data with past data. RNN is quite suitable for prediction of timeseries data. Before being implemented in the RNN model, dengue incidence data in five municipalities in DKI Jakarta will be normalized first. In implementing the RNN model, several activation functions are used, such as the sigmoid function, tanh, and ReLU. Furthermore, the predicted results of the activation functions are compared to determine what activation function can produce the best level of accuracy. Based on the data and models used, the results show that the sigmoid activation function can give better results in the RNN model compared to the tanh and ReLU activation functions. Hopefully, the results of this study can provide predictions of dengue incidence in DKI Jakarta which can be used as useful input for the authorities in handling the spread of DHF in DKI Jakarta."

"Sistem penciuman elektronik telah dikembangkan dengan menggunakan kuarsa terlapis membran sebagai sensornya dan jaringan neural buatan Propagasi Balik (JNB-BP) sebagai sub-sistem pengenal polanya. Beberapa kelemahan penggunaan JNB-BP pada sistem penciuman elektronik adalah lamanya waktu pembelajaran dan adanya keterbatasan dalam mengenal pola aroma campuran. Untuk mengatasi masalah tersebut maka digunakan implementasi algoritma jaringan neural buatan berbasis Probabilistic Neural Network (JNB-PNN). JNB-PNN mempunyai 2 proses utama dalam tahap pembelajarannya yaitu menggunakan data pelatihan untuk membangun topologi JNB-PNN dan mencari parameter pemulus/smoothing parameter.Pengujian yang dilakukan dengan mengklasifikasikan aroma campuran secara bertahan yaitu 6, 8, 12 dan 18 aroma. Tujuan daritahapan pengklasifikasian tersebut adalah untuk melihat kemampuan dari sistem dalam mengenai pola dari aroma campuran dengan membandingkan penggunaan JNB-BP dan JNB-PNN. Hasil kedua eksperimen menunjukkan bahwa semakin banyak pola aroma uamg diklasifikasin, tingkat pengenalan sistem semakin menurun. Kemampuan dari sistem penciuman elektronik yang menggunakan JNB-BP dalam mengenal 18 pola aroma menghasilkan tingkat pengenalan di bawah 70%. Sedangkan untuk JNB-PNN, walaupun terjadi penurunan terhadap pengenalan 18 pola yang diujikan, hasil pengenalannya masih di atas 90%."