Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan teknologi kontrol terus berlanjut dengan segala ragam pengembangannya, salah satu diantaranya adalah penerapan metode Jaringan Syaraf Tiruan dalam proses kontrol. Kendala yang saat ini dihadapi adalah kenyataan bahwa Jaringan Syaraf Tiruan memiliki respon yang relatif lambat, hal ini dikarenakan panjangnya algoritma sehingga memerlukan waktu komputasi yang lama. Maka dari itu tulisan ini akan membahas tentang pengembangan metode alternatif untuk mendapatkan algoritma Jaringan Syaraf Tiruan yang lebih cepat dan akurat. Ada dua yang sudah berhasil dikembangkan yaitu SOM Fuzzy dan LVQ Fuzzy dengan memfokuskan pada perhitungan jarak antar vektor fuzzy. Dimana, setelah dilakukan pengembangan dan pengujian, metode SOM Fuzzy dan LVQ Fuzzy terbukti mampu meningkatkan recognition dari metode SOM dan LVQ. Dari segi kecepatan, meskipun metode fuzzy yang dikembangkan ini memiliki waktu proses yang sedikit lebih lama daripada metode SOM dan LVQ reguler, namun jika dibandingkan dengan Backpropagation yang memiliki tingkat recognition sama baiknya waktu prosesnya metode fuzzy jauh lebih cepat.

---

The development of control technology continues with all kinds of development, one of them is the application of neural networks in process control. Constraints currently faced is the fact that neural networks have a slow response, this is because the length of the algorithm that requires a long computation time. So this paper will discuss the development of alternative methods to obtain algorithms of neural networks more quickly and accurately.The methods that have been successfully developed is the Fuzzy SOM and Fuzzy LVQ by focusing on the calculation of distance between fuzzy vectors. After development and testing, methods of Fuzzy SOM and Fuzzy LVQ been able to increase recognition of SOM and LVQ methods. In terms of speed, although the methods developed in this fuzzy processing time slightly longer than the regular method of SOM and LVQ, but when compared with a level of recognition Backpropagation as good when the process is fuzzy method is much faster."

"Sistem penciuman elektronik dikembangkan untuk mengatasi ketergantungan terhadap penciuman manusia. Sistem penciuman elektronik ini dibangun dengan memanfaatkan algoritma fuzzy learning vector quantization (FLVQ) untuk proses klasifikasinya. Penelitian ini akan mencoba dua metode baru yang dikembangkan yaitu pemilihan bobot awal jaringan dari vektor rata-rata setiap kelas aroma dan melakukan pengenalan di ruang eigen. Berdasarkan percobaan yang dilakukan, ternyata bahwa kedua metode baru tersebut mampu meningkatkan deraja pengenalan aroma. Pada pengenalan terhadap aroma yang terdiri dari campuran 2 zat (aroma 2 campuran) dengan sistem 8 maupun 16 sensor akurasinya mencapai lebih dari 98%. Sedangkan apda pengenalan aroma yang terdiri dari campuran 3 zat (aroma 3 campuran) akurasi sistem 8 sensor sekitar 80% dan sistem 16 sensor mencapai lebih dari 94%."

"Dalam beberapa tahun ini, telah banyak penelitian yang berhubungan dengan pengenalan pola dilakukan untuk mengindentifikasi berbagai macam bentuk pola. Tesis ini membahas pengembangan jaringan saraf tiruan fungsi basis radial fuzzy. Dalam penelitian ini dilakukan dua percobaan, yaitu jaringan saraf fungsi basis radial fuzzy menggunakan SOM dan jaringan saraf fungsi basis radial fuzzy tanpa SOM.Hasil yang dicapai dari recognition rate menunjukkan jaringan saraf fungsi basis radial fuzzy menggunakan SOM memberikan performa yang baik. Jaringan saraf ini diharapkan dapat dikembangkan oleh peneliti-peneliti yang lain untuk kemajuan keilmuan dalam segala bidang.

---

In recent years, has been much research related to pattern recognition performed to identify various forms of patterns. This thesis discusses the development of artificial neural networks fuzzy radial basis functions. In this study conducted two experiments, namely radial basis function neural network fuzzy neural network using the SOM and fuzzy radial basis function without SOM.

The result of recognition rate shows the radial basis function neural networks using a fuzzy SOM gives a good performance. Neural network is expected to be developed by other researchers for the advancement of knowledge in all fields."

"Keselamatan dan Kesehatan Kerja (K3) menjadi salah satu aspek yang wajib dilaksanakan oleh penyelenggara jasa konstruksi baik. Hal ini diatur dalam peraturan pemerintah mengenai pelaksanaan jasa konstruksi. Sektor konstruksi merupakan penyumbang kasus kecelakaan terbesar di Indonesia dengan rata-rata kejadian sekitar 32% setiap tahunnya Angka kecelakaan kerja didunia konstruksi setiap tahunnya terus meningkat. Salah satu aspek keberhasilan pelaksanaan keselamatan kerja adalah dengan tersedianya anggaran yang layak dan secara khusus dialokasikan untuk pelaksanaan K3 di proyek konstruksi, namun alokasi biaya K3 secara aktual pada sebagian besar proyek saat ini masih belum mencukupi apabila dibandingkan dengan pedoman yang berlaku di lingkungan Kementrian PUPR. Hal tersebut dapat meningkatkan anggaran biaya awal dan menyebabkan kerugian finansial. Sehingga perlu dikembangkan model estimasi biaya yang mampu melakukan estimasi biaya dengan cepat dan akurat. Tujuan dari penelitian ini adalah untuk melakukan estimasi biaya K3 Kontruksi dengan cepat dan mempunyai tingkat akurasi yang tinggi. Penelitian akan melakukan pembelajaran biaya K3 dengan metode fuzzy dan jaringan saraf tiruan (Artificial Neural Network). Hasil dari penelitian ini adalah model estimasi biaya K3 yang memiliki tingkat akurasi yang tinggi dengan nilai MAPE (Mean Absolute Percentage Error) sebesar 9,906%. Model yang didapat memiliki tingkat akurasi yang lebih baik apabila dibandingkan dengan perhitungan estimasi biaya menggunakan analisa regresi.

---

Occupational Safety and Health (OHS) is must be implemented in construction project. This is regulated in government regulations regarding the implementation of construction services. The construction sector is the biggest contributor to accident cases in Indonesia with an average occurrence of around 32% every year. The number of work accidents in the construction world continues to increase every year. Implementation of Occupational Safety and Health (OHS) can be success if the availability of budget are specifically allocated for the implementation of OHS in construction projects, but the actual allocation of OHS costs in most projects is still insufficient when compared with the applicable guidelines in Kementrian PUPR. This can increase the initial budget and cause financial losses. So it is necessary to develop a cost estimation model that is able to estimate costs quickly and accurately.

The purpose of this study is to estimate OHS Construction costs quickly and have a high degree of accuracy. The study will conduct OHS cost learning with fuzzy method and artificial neural network. The results of this study are the OHS cost estimation model that has a high level of accuracy with a MAPE (Mean Absolute Percentage Error) of 9.906%. The model has a higher accuracy than the calculation of estimated costs using regression analysis."

"[Dewasa ini, teknologi berkembang dengan sangat pesat, salah satu contoh teknologi yang sedang marak beberapa tahun belakangan ini adalah 3D face recognition. Teknologi ini menggabungkan data biometrik berupa wajah orang yang diambil dari beberapa sudut (horizontal dan vertikal) dan jaringan saraf tiruan. Untuk memperbaiki tingkat rekognisi yang rendah pada saat menggunakan data crisp, maka digunakanlah metode fuzzy. Percobaan akan dilakukan sebanyak tiga kali karena terdapat tiga cluster yang masing-masing cluster terdiri dari beberapa set orang. Pertama-tama, data akan diolah secara bertahap pada fase fuzzification dimulai dari parameter ekspresi, orang, dan sudut. Tahapan selanjutnya adalah membuat referensi pada fase fuzzy manifold untuk kemudian digunakan pada fase fuzzy nearest distance. Pada fase fuzzy nearest distance akan dicari jarak terpendek dari data testing dengan referensi yang sudah ada. Hasil keluaran dari sistem ini adalah kombinasi sudut horizontal dan vertikal dari tiap-tiap cluster yang nantinya akan dimasukkan kedalam Jaringan Saraf Tiruan (JST) dengan lapis tersembunyi berstruktur hemisfer untuk mendapatkan tingkat rekognisi. Secara keseluruhan rata-rata tingkat rekognisi setiap cluster sudah bisa mencapai 80%. Hal ini menunjukkan sistem sudah cukup optimal dalam mengenali pola wajah yang ada. ;The development of technology is growing rapidly, one of the examples of the technology that is emerging in recent years is 3D face recognition. This technology combines biometric data in form of faces which are taken from several angles (combination of horizontal and vertical angles) and artificial neural network. In order to improve the low recognition rate from crisp data, fuzzy method is used. The experiment will be performed three times because there are three cluster which are consist of several set of person. Firstly, the data will be processed step by step in fuzzification phase starting from the level of expression continued with the level of face and lastly is the level of person. With the use fuzzification, the crisp data can be converted into fuzzy. The next step is to make references in fuzzy manifold phase in order to be used in fuzzy nearest distance phase. In fuzzy nearest distance phase, the shortest distance between the testing data the references will be processed in artificial neural network with hemispheric structured hidden layer. Generally, the average of the all recognition rate can reach up to 80% which means that the system can recognize the face pattern quite good. ;The development of technology is growing rapidly, one of the examples of the technology that is emerging in recent years is 3D face recognition. This technology combines biometric data in form of faces which are taken from several angles (combination of horizontal and vertical angles) and artificial neural network. In order to improve the low recognition rate from crisp data, fuzzy method is used. The experiment will be performed three times because there are three cluster which are consist of several set of person. Firstly, the data will be processed step by step in fuzzification phase starting from the level of expression continued with the level of face and lastly is the level of person. With the use fuzzification, the crisp data can be converted into fuzzy. The next step is to make references in fuzzy manifold phase in order to be used in fuzzy nearest distance phase. In fuzzy nearest distance phase, the shortest distance between the testing data the references will be processed in artificial neural network with hemispheric structured hidden layer. Generally, the average of the all recognition rate can reach up to 80% which means that the system can recognize the face pattern quite good. , The development of technology is growing rapidly, one of the examples of the technology that is emerging in recent years is 3D face recognition. This technology combines biometric data in form of faces which are taken from several angles (combination of horizontal and vertical angles) and artificial neural network. In order to improve the low recognition rate from crisp data, fuzzy method is used. The experiment will be performed three times because there are three cluster which are consist of several set of person. Firstly, the data will be processed step by step in fuzzification phase starting from the level of expression continued with the level of face and lastly is the level of person. With the use fuzzification, the crisp data can be converted into fuzzy. The next step is to make references in fuzzy manifold phase in order to be used in fuzzy nearest distance phase. In fuzzy nearest distance phase, the shortest distance between the testing data the references will be processed in artificial neural network with hemispheric structured hidden layer. Generally, the average of the all recognition rate can reach up to 80% which means that the system can recognize the face pattern quite good. ]"

"Pengenalan wajah telah menjadi topik pengolahan citra yang banyak mengalami perkembangan. Pengembangan yang dilakukan bertujuan mengatasi kesulitan-kesulitan dalam pengenalan wajah, diantaranya pose pengambilan gambar. Penelitian ini bertujuan membuat rancang bangun rekognisi wajah tiga dimensi dengan sistem Fuzzy dan Jaringan Saraf Tiruan Hemisfer untuk mengatasi masalah tsersebut. Sistem fuzzy bertujuan untuk mengestimasi sudut pengambilan gambar dengan menempatkan informasi gambar ke suatu titik di ruang vektor fuzzy atau manifold dari data referensi menggunakan jarak terdekat fuzzy. Informasi sudut akan diteruskan ke jaringan saraf tiruan yang mengenali wajah-wajah dengan cara mempelajari wajah-wajah yang disediakan untuk pembelajaran. Informasi gambar yang dimasukkan ke dalam jaringan saraf tiruan terlebih dahulu dikompresi dengan metode Principle Component Analysis (PCA). Keunggulan jaringan saraf tiruan hemisfer dalam pengenalan wajah tiga dimensi adalah adanya faktor pengali neuron yang besarnya bergantung dari informasi sudut pengambilan gambar, sehingga gambar dua dimensi dapat diproyeksikan ke ruang tiga dimensi. Metode pembelajaran yang digunakan pada tulisan ini ialah pengembangan dari metode backpropagation. Penelitian diawali dengan pengambilan data dari alat pengambil gambar wajah tiga dimensi, perancangan sistem fuzzy dan jaringan saraf tiruan dalam MATLAB, dan validasi masing-masing sistem dengan data yang diambil. Sistem ini kemudian dikombinasikan dalam perangkat lunak MATLAB dan diuji dengan sebuah prototipe yang terdiri atas satu kamera. Hasil penelitian menunjukkan tingkat rekognisi sistem sebesar 76,29% pada saat validasi dan 37% saat aplikasi sistem satu kamera. Dari penelitian ini dibuktikan sistem dapat diaplikasikan untuk merekognisi wajah tiga dimensi, namun harus diperhatikan keakuratan pemotongan gambar untuk mendapat hasil yang akurat.

---

Face recognition is currently a highly discussed topic on image processing. The developments are aimed to overcome problems on recognizing face, such as various pose of image object. The study tries to solve the problem by creating a system design of 3D face recognition using a fuzzy system and Hemispheric Structure Hidden Layer of Artificial Neural Network to overcome the problem. The fuzzy system estimates pose information of the object taken. It is done by mapping the image taken to a point in a fuzzy vector space or manifold using fuzzy nearest distance. Pose information is then projected to the artificial neural network which is able to recognize faces after formerly learned a set of learning database. The data submitted to the artificial neural network is compressed by Principle Component Analysis (PCA). Main advantage of hemispheric neural network on 3D face recognition is the multiplying factor which values depend on the image pose information, so that the two dimensional images can be projected into three dimensional space. Learning method used in this study is an expansion of backpropagation. The study begins by taking experimental data from 3D face capturing devices, developing fuzzy system and artificial neural network in MATLAB, and validating both systems. The system is then combined in MATLAB and tested by a single unit camera prototype. Results show the system able to reach recognition rate of 76.29% on validation and 37% on single unit camera application. The study proves that the system is applicable for a 3D face recognition system, however the accuracy of image cropping should be taken into consideration for an accurate result."

"Akurasi peramalan permintaan sangat mempengaruhi kinerja sistem rantai pasok yang pada akhirnya berdampak langsung terhadap kesuksesan bisnis perusahaan. Peramalan yang akurat akan mampu memanfaatkan sumber daya perusahaan secara effisien. Namun, banyak perusahaan yang mengakui bahwa proses peramalan mereka tidak berjalan sebaik yang mereka harapkan. Kebanyakan perusahaan hanya menggunakan data masa lalu untuk meramalkan permintaan dimasa mendatang. Padahal data permintaan masa lalu tidak cukup untuk dijadikan dasar perkiraan permintaan dimasa mendatang. Terdapat beberapa independent variabel yang mempengaruhi jumlah permintaan produk seperti iklim, promosi, kanibalisasi, hari raya, harga produk, jumlah toko, jumlah penduduk dan pendapatan yang selalu berubah seiring waktu. Oleh karena itu perlu dibangun model yang mampu mengakomodasi fenomena tersebut. Metode yang diusulkan adalah regresi linier berganda, fuzzy regresi linier berganda dan jaringan saraf tiruan. Makalah ini menyajikan langkah-langkah peramalan yang disertai studi kasus pada produk insektisida. Hasilnya menunjukan bahwa peramalan yang dihasilkan metode ini lebih baik dari pada hasil peramalan yang dilakukan perusahaan.

---

The accuracy of demand forecasting greatly influences the performance of the supply chain system which ultimately has a direct impact on the business perfomance. Accurate forecasting will be able to utilize company resources efficiently. However, many companies admit that their forecasting process is not going as well as they expected. Most companies only use historical data to forecast future demand. Whereas past demand data is not enough to be used as the basis for future forecasts. There are several independent variables that affect the number of product demand such as climate, promotion, cannibalization, holidays, product prices, number of stores, population and income that always change over time. Therefore it is necessary to build a model that is able to accommodate this phenomenon. The proposed method is multi linear regression, fuzzy multi linear regression and artificial neural networks. This paper presents forecasting steps accompanied by case studies on insecticide products. The results shown that the proposed forecasting method more accurate than company forecast."

"ABSTRAKPengenalan pola wajah 3D dengan bilangan crisp tidak dapat diimplementasikan pada dunia nyata dikarenakan aplikasi tersebut mengabaikan parameter-parameter yang akan terjadi di dunia nyata. Ketika parameter-paramerter tersebut menjadi input, performa dari pengenalan pola wajah dengan bilangan crisp akan sangat rendah. Karena itu untuk mengatasi masalah parameter-parameter tersebut, digunakan bilangan fuzzy untuk menghadapi parameter-parmeter yang bilangan crisp tidak bisa atasi. Pengenalan pola wajah dengan bilangan fuzzy akan menggunakan metode fuzzy manifold dan fuzzy nearest distance. Performa pengenalan wajah dengan metode fuzzy manifold dan fuzzy nearest distance menunjukkan hasil yang sangat baik, mean recognition rate yang didapatkan dari percobaan sebesar 88.88%. Nilai tersebut sudah menunjukkan keuntungan penggunaan bilangan fuzzy sebagai implementasi pengenalan pola wajah.

---

ABSTRACTFace Recognition using crisps can’t be implemented in the real world because it is ignoring parameters that is happen in the real world. When the parameters become input, the performance of face recognition using crisp will be very poor. Therefore, to solve the problems that’s connected with the parameters, we use fuzzy to deal with problems that’s happen when using crisp. Face recognition using fuzzy will use these two methods, fuzzy manifold method and fuzzy nearest distance. Face recognition using fuzzy manifold and fuzzy nearest distance are showing good performance, the mean value of recognition rate that we get from the simulation is 88.88 %. The value of recognition rate already shows the advantage of using fuzzy for face recognition implementation."