Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian yang telah dilakukan dalam menentukan kondisi optimum dari preparasi katalis CuO/Zeolit untuk mengeliminasi SOx ternyata memakan biaya yang besar karena harga parameter-parameter kondisi preparasi katalis yang banyak jumlahnya itu dilakukan secara trial dan error di laboratorium. Salah satu metode yang banyak mendapat perhatian karena keunggulannya dalam memecahkan permasalahan yang melibatkan banyak parameter dengan derajat non-linearitas yang tinggi adalah Jaringan Neural Artifisial. Oleh karena im kondisi preparasi katalis CuO/Zeolit akan disimulasikan oleh Jaringan Neural Propagasi Maju dengan metode pelatihan Jaringan Neural Conjugate Gradient.Simulasi ini sendiri bertujuan untuk mendapatkan luas perrnukaan zeolit yang paling optimal dengan data masukan berupa suhu kalsinasi dan % loading. Metode preparasi katalis yang digunakan adalah metode presipitasi da.n metode impregnasi sulfat. Data-data preparasi katalis diambil dari penelitian RUT IV TGP-FTUI. Hasil pembelajaran menunjukkan bahwa Janingan Neural Conjugate Gradient berhenti melakukan pencarian vektor bobot W pada error 0-01793 untuk presipitasi dan 0.03479 untuk impreguasi sulfat dari error tollerance sebosar 0.01 yang diset. Berhentinya proses pembelajaran sebelum tercapainya error toilerance ini disebabkan oleh terjebaknya Jaringan Neural Conjugate Gradient pada daerah lokal optima. Analisa simulasi dengan Propagasi Maju juga menunjukkan bahwa kondisi data latih yang digunakan untuk pelatihan jaringan mempunyai pengaruh yang cukup besar terhadap keakurasian hasil simulasi Jaringan Neural dengan data aktual yang diperoleh dari laboratorium. Makin banyak jumlah data dan makin bagus kondisi data (benar-benar didapatkan dari hasil percobaan di laboratorium) maka makin baik pula hasil simulasi."

"ABSTRAKTesis ini membahas identifikasi sistem kiln semen dengan Jaringan Syaraf Tiruan (JST), yang meliputi penentuan parameter yang dibutuhkan untuk pemodelan sistem tersebut, dan perancangan JST yang digunakan untuk identifikasi tersebut. Dalam tesis ini digunakan struktur Multi-Layer Feedforward Network yang terdiri dari lapisan masukan, lapisan keluaran dan 2 buah lapisan tersembunyi. Data diperoleh dari kiln semen yang sebenarnya yaitu dari Pabrik Tuban-II PT. Semen Gresik (Persero) tbk., kemudian data tersebut digunakan untuk melatih JST. Untuk melakukan identifikasi menggunakan model masukan-keluaran dengan struktur serial-paralel dan pelatihan JST tersebut menggunakan algoritma Error Back Propagation. Hasil identifikasi selanjutnya disimulasikan dan dibandingkan dengan plant yang sebenarnya.

---

ABSTRACT

This thesis discuss about system identification of cement kiln using Artificial Neural Network (ANN). The process of system identification using ANN requires to define of the input and output parameters, and to decide ANN's structure. In this thesis, the Feedforward Multi-Layer Network is used which contain input layer, output layer and two hidden layers. The data are collected from the real cement kiln at Pabrik Tuban-II PT. Semen Gresik (Persero) tbk, then good data are selected for training the ANN. In this thesis is using Serial-Parallel Structure and training algorithm is using Error Back Propagation method. The result of the identification is then simulated and compared to the real plant."

"Pada skripsi ini akan dirancang suatu sistem pengendalian ketinggian air untuk sistem coupled tank pp-00 berdasarkan pengendali jaringan syaraf tiruan dengan metode pelatihan adaptive interaction. Sistem yang digunakan disusun berdasarkan bentuk tangki terhubung dengan satu masukan dan satu keluaran (SISO). Sesuai dengan waktu cuplik yang telah ditentukan, komputer akan menerima data-data hasil cuplikan sensor berupa ketinggian air pada tangki kedua dengan memberikan masukan air pada tangki pertama. Pengendalian ketinggian air didasarkan pada error yang dihasilkan antara data-data yang berasal dari sensor pada tangki kedua sebagai titik ketinggian air sistem yang akan diatur dan titik acuan yang telah didefinisikan terlebih dahulu sebagai nilai setpoint. Digunakan dua buah masukan pada pengendali jaringan syaraf tiruan yaitu error pada waktu pencuplikan sekarang dan waktu pencuplikan sebelumnya. Untuk melihat bagaimana kerja dari pengendali jaringan syaraf tiruan ini akan dilakukan perubahan parameter-parameter dari jaringan syaraftiruan ini, seperti banyaknya neuron pada lapisan tersembunyi, dan konstanta pelatihan. Untuk membantu pengendali jaringan syaraf tiruan, akan diberikan pengendali tambahan yaitu pengendali feedforward. Pengendali ini kemudian akan dibandingkan performa kerjanya dengan pengendali konvensional yang telah lama dikenal, yaitu pengendali PI. Hasil simulasi memperlihatkan bahwa pengendali jaringan syaraftiruan ini dapat memberikan hasil yang lebih baik dengan pengendali PI, selain itu dengan melakukan perubahan-pembahan pada parameter jaringan syaraf tiruan dapat membantu kinerja pengendali agar dapat mengendalikan sistem menjadi lebih baik. Pada akhirnya rancangan pengendali jaringan syaraf tiruan ini ditambahkan dengan pengendali feedforward yang terbukti dapat meningkatkan kinerja pengendali jaringan syaraftiruan ini."

"Peran transformasi wavelet dalam bidang kompresi dan pengkodean citra telah sangat dikenal dan telah menghasilkan standar format citra digital. Dengan konsep multiskala dan multiresolusi, sebuah citra dapat memberikan representasi yang informatif dengan titur-fitur yang ada. Fitur-fitur ini dapat dimanfaat untuk sebuah sistem pengenalan citra. Jaringan syaraf tiruan sebagai pengklasifikasi telah digunakan secara umum dengan tujuan pengenalan terhadap suatu objek ataupun fungsi. Kelebihan yang dimilikinya karena penggunakan metode training. Training dilakukan terhadap sekumpulan training set yang representatif untuk dapat melakukan proses klasifikasi terhadap objek yang akan dikenali. Skripsi bertujuan untuk memanfaatkan kemampuan transformasi wavelet untuk ekstraksi fitur dengan pengklasifikasi jaringan syaraf tiruan. Penerapannya dilakukan terhadap citra tekstur yang memiliki pola teratur. Pengambilan fitur-fiturnya menggunakan wavelet histogram signazures yang memperlihatkan fitur-fitur wavelet dalam karakteristik statistik orde pertama. Percobaan dilakukan dengan sebuah simulasi software pengenalan pola yang dibuat dengan MATLAB. Sistem dibuat berdasarkan transformasi wavelet dan jaringan syaraf tiruan. Hasil dari percobaan adalah berapa persen jumlah keberhasilan pengenalan sistem terhadap objek pengujian yang diberikan. Pengujian juga dilakukan terhadap tekstur yang diberi gangguan (noise)."

"Pada skripsi ini dibahas tentang simulasi dan perancangan pengendalian sistem Tangki Berhubungan Multivariabel (3 x 3) dengan menggunakan Neural Network model Kendali lnvers Langsung (Direct Inverse Control / DIC). Pengendali Neural Network model Kendali Invers Langsung mencari invers dari plant sehingga pengendali NN model DIC yang dirangkai seri dengan plant menghasilkan fungsi alih satu satuan, sehingga keluaran sistem akan sama dengan sinyal referensi yang diberikan. Penghilangan interaksi (kopling) yang terjadi pada sistem Tangki Berhubungan Multivariabel dilakukan dengan perancangan dekopling yang menggunakan metode Relative Gain Matrix. Perancangan dan simulasi sistem pengendalian Neural Network model Kendali Invers Langsung ini menggunakan program Matlab versi 6.1. Perbandingan antara analisa tanggapan waktu terhadap sistem kendali yang dirancang dengan sistem kendali Proportional Integral Derivartive (PID) dan sistem kendali Logika Fuzzy menghasilkan tanggapan untuk mencapai keadaan steady srare,dan pada Neural Network model Kendali Invers langsung lebih cepat dibandingkan dengan tanggapan waktu yang dihasilkan oleh pengendali konvensional PID dan Fuzzy."

"Perkembangan bare dalam neural network telah memberikan keuntungan-keuntungan dalam aplikasi sistem kontrol. Berdasarkan teori stale space dan pendekatan neural network, dikembangkan suatu algoritma yang disebut Stochastic Neural Direct Adaptive Control (SNDAC) untuk mengendalikan plant yang diketahui sebagian matriks sistemnya, yaitu matdks masukan B(.) dan matriks keluaran C(.). Pengendali neural network menggunakan algoritma SNDAC untuk mengubah bobot-bobotnya sehingga dihasilkan sinyal kendali yang mengoptimalkan quadratic performance index. Parameter yang berpengaruh pada pengendalian adalah banyaknya neuron pada lapisan tersembunyi dan besarnya koefisien belajar. Pemilihan banyaknya neuron pada lapisan tersembunyi dan besarnya koefisien belajar tidak dapat dilakukan secara eksak, tetapi dengan trial and error. Dengan pemilihan yang tepat dihasilkan pengendalian yang stabil dengan toleransi kesalahan yang kecil, seperti terlihat pada hasiI simulasi."

"Jaringan syaraf tiruan (Arrgficial Neural Nerwork) merupakan salah satu bagian dari kecerdasan buatan (Artificial Intelligence) yang mengambil prinsip kerja jaringan syaraf manusia. Perhitungan propagasi balik (Back Propagartion) adalah algoritma belajar yang populer, yang merupakan generalisasi kaidah least square untuk jaringan syaraf berlapis jamak (Mulfflayer Neural Network). Proses aromatisasi heptana menjadi toluena, dengan nama hydroforming, telah dikembangkan ketika Perang Dunia II (World War II) dengan tujuan untuk mendapatkan bahan baku peledak. Kondisi operasi diatas sangatlah riskan dan penuh resiko. Pendeteksian yang akurat dan dini diperlukan guna mencegah kesalahan yang timbul, yang dapat mengakibatkan kerugian baik material maupun immaterial. Diagnosa kesalahan proses pada aromatisasi heptana dapat dilakukan dengan metode Jaringan Syaraf Tiruan Propagasi Balik (ANN/JNA BP) ini. Berdasarkan data lapangan (kondisi masukan dan kondisi keluaran), jaringan syaraf akan melakukan pembelajaran (learning) secara simultan dan kontinyu, yang pada akhirnya akan terbentuk sebuah pengetahuan. BP inilah metode ajar yang paling sederhana dan cocok sekali untuk diterapkan, karena sanggup mengenali pola (pattern recognition). Sebagai studi kasus, proses aromatisasi heptana, penerapan ANN/JNA BP yang diteliti oleh Watanabe dan Himmelblau dapat dibuktikan dengan baik pada skripsi ini. Model ANN/JNA BP dapat melakukan pengenalan pola dengan balk dimana toleransi error lebih kecil dari 0.001, dengan jumlah iterasi pelatihan lebih dari 5000 iterasi, dan waktu pelathan lebih dari 40 menit."

"ABSTRAKAlgoritma pembelajaran jaringan saraf tiruan dewasa ini semakin beragam.Masing-masing algoritma memiliki kelebihan dan kekurangan dan menjadi halyang menarik untuk dipelajari. Pada penelitian ini akan dibahas mengenaialgoritma pembelajaran metode Levenberg-Marquardt yang akan digunakanuntuk jaringan saraf tunggal dan Ensemble Neural Network. Hasil percobaanmenunjukan bahwa metode Levenberg-Marquardt memiliki keunggulan dalamkecepatan dan kestabilan.

---

ABSTRACTNeural network learning algorithm is more diverse today. Each algorithm hasadvantages and disadvantages, and those are interesting thing to learn. Thisresearch will be discussed on the learning algorithm Levenberg-Marquardtmethod to be used for a single neural network and Ensemble Neural Network.Results of this research shows Levenberg-Marquardt learning algorithm has agood speed and stability."

"ABSTRACTA conversational agent is a software that can communicate with humans by using natural language. Earlier approaches to build conversation agents were rule-based. With the rise of deep learning, the neural network models have been used to automatically infer the conversations used by the agents. This method allows skipping the cumbersome feature engineering process in the training and results in the application of conversational agents to the various field. There is one major problem in the neural network called catastrophic forgetting, a condition where the neural network will forget knowledge learned in the previous training phase and a new knowledge will be acquired. This problem can be mitigated by using a continuous learning model to sustain the old knowledge while keep learning new knowledge. In this project, we propose the application of neural conversational model on Dota 2, an online game with the continuous update, bug fixes, and new features. The continuous update feature has led to players struggling to stay informed of changes in the game features and characters. We propose the usage of a conversational agent with a continuous learning model to learn the everchanging patch notes while still maintaining previous patches knowledge. Our project has shown that elastic weight consolidation is not suitable for a dataset with text properties and would be better to be applied in other types of datasets which has been conducted in previous studies.

---

ABSTRACTConversational agent, adalah perangkat lunak yang digunakan untuk berkomunikasi dengan user menggunakan natural language. Pembuatan conversational agent sebelumnya menggunakan rule-based. Dengan munculnya Deep learning, model menggunakan neural network untuk menyimpulkan pembicaraan di dalam percakapan secara otomatis. Metode ini memungkinkan untuk melewati proses feature engineering di masa pelatihan dan menghasilkan conversational agent dalam banyak bidang. Namun ada satu masalah besar menggunakan neural network yaitu model akan melupakan pengetahuan yang sudah dipelajari dalam masa pelatihan sebelumnya dan pengetahuan baru akan didapatkan. Masalah ini bias di mitigasi dengan menggunakan continuous learning model untuk mempertahankan pengetahuan lama sambal mempelajari pengetahuan baru. Di dalam proyek ini, kami mengusulkan penerapan model percakapan neural network pada Dota 2, game online yang memiliki pembaruan berkelanjutan seperti memberbaiki bug dan fitur baru. Fitur pembaruan berkelanjutan telah meyebabkan pemain berupaya untuk tetap mendapatkan informasi tentang perubahan fitur dan karakter. Kami mengusulkan penggunaan conversational agent dengan continuous learning agar model dapat mempelajari perubahan yang terjadi di dalam permainan tersebut dan mempertahankan pengetahuan sebelumnya. Project ini telah menunjukkan bahwa elastic weight consolidation tidak cocok untuk dataset dengan property teks dan akan lebih baik untuk diterapkan pada jenis dataset lain yang telah dilakukan dalam studi sebelumnya"