Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pengendalian pesawat terbang merupakan suatu tahap terpenting dalam pengembangan teknologi aviasi yang hanya dapat dilakukan jika memiliki data penerbangan dan model pesawat. Pengambilan data penerbangan dilakukan menggunakan simulator penerbangan ultra-realistis, X-Plane. Algoritma Neural Networks dipilih sebagai metode untuk memodelkan dan mengidentifikasi sistem pesawat terbang juga sebagai pengendali sistem tersebut yang akan terbentuk dalam sebuah kesatuan Direct Inverse Control. Pengujian dan pembelajaran open loop pada sistem Direct Inverse Control dilakukan untuk mengetahui keandalan sistem kendali yang dirancang. Batasan pada penelitian ini adalah kondisi cruising ideal dimana merupakan kondisi terbang pesawat yang memakan hampir 90% dari total penerbangan. Dari hasil pengujian dapat diketahui bahwa data yang dihasilkan simulator sesuai dengan dinamika pergerakan pesawat terbang pada kondisi cruising dan sistem kendali yang dibuat memiliki keandalan yang baik.

---

Flight control is the most important stage in the development of aviation technology which can only be done if flight data and aircraft models have been acquired. Flight data acquisition is carried out using an ultra-realistic flight simulator, X-Plane. Neural Networks algorithm is chosen as a method for modeling and identifying aircraft systems as well as controlling the system which will be formed in a Direct Inverse Control unit. Open loop testing and learning in the Direct Inverse Control system is carried out to determine the reliability of the designed control system. The limit of this study is in the ideal cruising conditions which consume almost 90% of total flights time. From the test results, it can be seen that the data generated by the simulator is in accordance with the dynamics of aircraft movements in cruising conditions and the designed control system has good reliability."

"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."

"Perkembangan jaman menyebabkan plant modern memiliki struktur yang lebih kompleks dengan sistem yang non-linier, yang terdiri dari banyak masukan dan keluaran. Dalam struktur yang lebih kompleks tersebut, memungkinkan juga terjadinya disturbance pada sistem. Maka dari itu, diperlukan sistem pengendali yang mampu mengatasi perubahan karakteristik secara otomatis yang disebabkan oleh perubahan kondisi lingkungan kerja. Tujuan penelitian ini adalah untuk membandingkan performa antara pengendali backpropagation dan elman neural network terhadap suatu sistem. Data yang digunakan pada percobaan ini,menggunakan model matematis, data PPR, dan data helikopter. Kemudian juga dilakukan pengujian sistem Backpropagation dan Elman neural network terhadap reference input yang diberikan disturbance dengan metode online learning dan feedforward. Hasil dari percobaan, menunjukkan karakteristik Elman lebih baik dibandingkan backpropagation dalam pengujian offline dan online dengan sistem yang diberikan gangguan. Hasil respon transient dari Elman adalah %OS sebesar 5,43% pada pengujian online dan selisih satu data lebih cepat pada settling time dibanding backpropagation pada pengujian offline. Hasil pengujian online memiliki hasil yang baik pada kedua metode jika dibandingkan dengan pengujian offline dari segi persentase kesalahan tunak, karena mencapai nilai 0%.

---

Complexcity, there would be a probability of disturbance presences Therefore, we need a control system that able to automatically adapt with the characteristic changes that correspond to the environment conditions.

The purpose of this study was about to compare performances between backpropagation and elman neural network controller within the system. This experiment using mathematical model, data PPR, and data helicopter UAV. Trained backpropagation and Elman neural network will be tested by giving reference input and disturbance and also using method of feedforward and online learning.

The result of the experiment, shows the characteristics of Elman that is better than backpropagation in offline and online testing. The results %OS of Elman when using online learning is about 5.43% and there one a gap of single data, that shows elman faster on settling time than backpropagation when using offline system.

Online test outputs have good results on both algorithm than offline testing in terms of percentage of steady state error, because it reaches a value of 0%."

"Data yang didapat dari Polda Metro Jaya, pada arus mudik 6 hari sebelum Hari Raya Idul Fitri tahun 2017 ada sekitar 73 kasus kecelakaan lalu lintas yang disebabkan oleh rasa kantuk pada saat berkendara. Yang dimana 6 orang meninggal dunia, mengalami luka berat sebanyak 17 orang, dan luka ringan sebanyak 82 orang. Jumlah ini meningkat 16 persen dari tahun 2016 yang tercatat sebanyak 63 kejadian. Sistem pendeteksi dan prediksi kantuk dikembangkan untuk mengatasi masalah ini. Metode peramalan untuk time series yang banyak menimbulkan proses prediksi cukup sulit dilakukan. Sistem prediksi kantuk dibangun dengan algoritme backpropagation neural network yang diharapkan mampu untuk mempelajari dan beradaptasi pada setiap pola dari data historis yang diberikan. Dengan mengenali pola dari data historis, sistem dapat memberikan prediksi dan respons yang akurat dengan akurasi sebesar 100.

---

Data obtained from Polda Metro Jaya, on the homecoming traffic 6 days before Idul Fitri 2017 there are about 73 cases of traffic accidents caused by drowsiness at the time of driving. Where 6 people died, severe injuries as many as 17 people, and light injuries as many as 82 people. This number increased 16 percent from the year 2016 recorded as many as 63 events. Drowsiness and prediction systems were developed to address this problem.

Forecasting methods for time series caused a lot of prediction process quite difficult. The sleep prediction system is built with backpropagation neural network algorithm expected to be able to learn and adapt to each pattern of given historical data. By recognizing patterns from historical data, the system is expected to provide accurate predictions and responses with 100."

"

Perkembangan kecerdasan buatan (artificial intelligence/AI) bergerak semakin cepat dan mengalami kemajuan pesat dalam setiap bidang kehidupan manusia, tak terkecuali dalam dunia kendali industri. Sementara kendali industri mensyaratkan sistem pengendali yang mampu mengatasi perubahan karakteristik secara otomatis serta dapat beradaptasi dengan dinamika perubahan sistem yang diakibatkan adanya perubahan kondisi lingkungan kerja. Pengendali berbasis kecerdasan buatan dianggap mampu untuk beradaptasi dengan perubahan karakteristik dari sistem secara otomatis adalah pengendali berbasis neural network. Dalam penelitian ini disajikan desain dan simulasi sistem pengendali berbasis neural network dengan metode pembelajaran back propagation yaitu pengendali inverse langsung(direct inverse control/DIC), pengendali neuron tunggal(single neuron controller), serta pengendali PID pada plant modul training pressure process rig(PPR 38-417). Untuk pengujiannya, didesain sistem identifikasi berbasis neural network sebagai simulator plant. Hasilnya, semua sistem kendali yang didesain tersebut mampu mengendalikan plant sesuai dengan sinyal referensi yang dinginkan. Namun pengendali single neuron dan PID mampu mempertahankan keluarannya dengan baik saat diberi gangguan pada sinyal kendali maupun plant dibandingkan dengan pengendali inverse langsung(ANN-DIC). Hal ini dikarenakan kendali single neuron dan PID bersifat close loop sehingga mampu mengkoreksi kesalahan secara langsung. Sementara jika dibandingkan dengan kendali PID, kendali single neuron lebih adaptif untuk berbagai kondisi gangguan karena memiliki metode pembelajaran langsung, sementara kendali PID perlu dilakukan tunning untuk mendapatkan unjuk kerja yang handal.

---

The development of artificial intelligence (AI) is moving faster and experiencing rapid progress in every area of human life, not least in the world of industrial control. While industrial control requires a control system that is able to overcome changes in characteristics automatically and can adapt to the dynamics of system changes caused by changes in working environment conditions. Artificial intelligence-based controllers are considered capable of adapting to changes in the characteristics of the system automatically is a neural network-based controller. In this study, the design and simulation of a neural network-based controller system with back propagation learning methods, namely direct inverse control (DIC) and single neuron controller, as well as PID controllers for the pressure process rig (PPR 38-417) training module. For the test, a neural network-based identification system is designed as a simulator plant. As a result, all the control systems designed are able to control the plant in accordance with the desired reference signal. However, single neuron and PID controllers are able to maintain their output well when given interference with the control signal or plant compared to the direct inverse controller (ANN-DIC). This is because single neuron control and PID are close loop so that they can correct errors directly. Meanwhile, when compared to PID control, single neuron control is more adaptive for a variety of disruption conditions because it has a direct learning method, while PID control needs to be tuned to get reliable performance.

"