Hasil Pencarian  ::  Simpan CSV :: Kembali

"Probabilistic Neural Network (PNN) adalah salah satu tipe jaringan neural yang umum digunakan untuk memecahkan permasalahan klasifikasi pola. Di samping struktur jaringan dan metode pelatihan yang sederhana, PNN memiliki kelemahan utama yaitu dalam menentukan struktur jaringan yang terdiri dari penentuan nilai parameter smoothing dan jumlah neuron yang digunakan pada lapisan pola. Dengan adanya kelemahan ini, beberapa peneliti mengajukan algoritma Supervised PNN Structure Determination (SPNN) dengan tujuan untuk mempermudah penentuan struktur PNN. Akan tetapi dalam implementasi iteratif yang telah dilaporkan, SPNN masih memerlukan waktu komputasi yang cukup lama untuk menentukan struktur PNN yang baik. Makalah ini menjelaskan usaha perbaikan kinerja waktu proses implementasi SPNN dengan memperhatikan bagian-bagian proses yang independent serta memodifikasi algoritmanya untuk dapat diterapkan pemrosesan secara paralel. Hasil eksperimen menunjukkan percepatan yang cukup berarti."

"Probabilistic Neural Network (PNN) adalah salah satu tipe jaringan neural yang umum digunakan untuk memecahkan permasalahan klasifikasi pola. Disamping struktur jaringan dan metode pelatihan yang sederhana, PNN memiliki kelemahan utama yaitu dalam menentukan struktur jaringan yang terdiri dari penentuan nilai para meter smoothing dan jumalh neuron yang di gunakan pada lapisan pola . Dengan adanya kelemahan ini beberapa peneliti mengajukan algoritma Supervised PNN structure Determination (SPNN) dengan tujuan untuk mempermudah penentuan struktur PNN. Akan tetapi dalam implementasi iteratif yang telah di laporkan , SPNN masih memerlukan waktu komputasi yang cukup lama untuk menentukan struktur PNN yang baik. Makalah ini menjelaskan usaha perbaikan kinerja waktu proses implementasi SPNN dengan memperhatikan bagian-bagian proses yang independent serta memodifikasi algoritmanya untuk dapat diterapkan pemrosesan secara paralel. Hasil eksperimen menunjukkan percepatan yang cukup berarti."

"Kemajuan teknologi mengiringi kemajuan Pesawat Tanpa Awak yang membuat peneliti terus mengembangkannya. Quadcopter merupakan Pesawat Tanpa Awak yang saat ini telah banyak digunakan untuk berbagai tujuan. Bentuknya yang ringkas serta beratnya yang ringan dengan empat buah baling-baling motor membuat quadcopter memiliki keunggulan dalam kemampuan dalam melakukan maneuver di udara. Tujuan dari penelitian skripsi ini adalah diajukannya sebuah ide menciptakam pengendali Jaringan Saraf Kendali Inverse Langsung NN ndash;DIC ndash; Neural Network Direct Inverse Control dengan algoritma Elman Recurrent untuk quadcopter, dan membandingkannya dengan pengendali berbasis algoritma Back Propagation Neural Network biasa. Dalam skripsi ini dikemukakan hasil simulasi dari identifikasi quadcopter dengan memodelkan secara black box, serta hasil dari dua jenis pengendali Inverse untuk quadcopter yaitu Elman Recurrent Neural Network Direct Inverse Control dan Back Propagation Neural Network Direct Inverse Control.

---

Technological advances accompany the progress of Unmanned Aircraft that keeps researchers on the rise. Quadcopter is an Unmanned Aircraft that is now widely used for various purposes. Its compact shape and light weight with four motor propellers make the quadcopter has an advantage in the ability to maneuver in the air. The purpose of this thesis research is to propose an idea to create a controller of the Direct Inverse Control Neural Network NN ndash DIC with Elman Recurrent algorithm for quadcopter, and compare it with an ordinary Back Propagation Neural Netwok algorithm. In this thesis, the shown simulation results are those of quadcopter plant based on black box modeling identification, and the result of two types of Inverse controllers for quadcopter, Elman Recurrent Neural Netwok Direct Inverse Control and Back Propagation Neural Network Direct Inverse Control."

"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."

"Dalam teori jaringan neural buatan (JNB) telah dikembangkan berbagai jenis jaringan neural yang berbeda. Diantaranya ada beberapa yang sudah cukup sering digunakan, misalnya jaringan propagasi balik dan jaringan swa-organisasi. Propagasi balik telah sukses digunakan untuk menyelesaikan berbagai permasalahan pengenalan, klasifikasi, aproksimasi, prediksi dan lain-lain. Namun jaringan propagasi balik membutuhkan waktu yang lama dalam pembelajarannya. Jaringan swa-organisasi mempunyai kemampuan klustering yang baik dan waktu pembelajaran yang singkat. Penelitian ini akan merancang sebuah jaringan hibrid dengan cara menggabungkan propagasi balik dan swa-organisasi untuk mendapatkan kemampuan pengenalan yang lebih baik dan waktu pembeiajaran yang lebih singkat. Jaringan hibrid yang terbentuk, terdiri dari 2 modul, yaitu: modul swa-organisasi adaptif dan modul supervisi. Modul swa-organisasi adaptif bersifat tanpa pengarahan dan bobot-bobotnya dikontrol oleh pola masukan. Modul supervisi yang bersifat dengan pengarahan diarahkan oleh target yang telah ditentukan. Karakteristik jaringan akan dilihat dengan kasus XOR. Kemampuan pengenalan jaringan diuji dengan menggunakan data aroma Martha Tilar dan konsentrasi etanol. Hasil penelitian menunjukkan jaringan hibrid dapat mengenali pola yang dilatihkan, pola yang tidak dilatihkan dan dapat mengidentifikasi kelas pola baru yang tidak diikutsertakan dalam pelatihan. Hasil perbandingan dengan jaringan propagasi balik standar memperlihatkan bahwa jaringan hibrid mempunyai kemampuan pengenalan yang lebih baik dan waktu pembelajaran yang lebih singkat."

"Pada skripsi ini, akan dilalcukan pemodelan sistem kardiovaskular manusia dengan menggunakan prinsip-prinsip dasar fisika. Model matematis yang diperoleh selanjutnya akan disimulasikan dengan menggunakan program Matlab 6.5.Kemudian, juga dimodelkan dan disimulasikan proses regulasi tekanan darah yang terjadi pada sistem kardiovaskulan Simulasi akau dilakukan dengau mcnggunakan gabungan model sistem kardiovaskular dan model sistem regulasi tekanan darah.Selanjumya, dirancang dan disimulasikan suatu pacu jantung rare-adaptif berbasis Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan berfnmgsi untuk menenlukan besamya periode impuls yang dikeluarkan pacu jantung. Jaringan Syaraf Tiruan yang digunakan terdiri dari tiga layer. Perancangan dilakukan dalam dua tahapan, yaitu proses pelatihan dan proses pengujian. Pada pelatihan, digunakan data basil simulasi sistem kardiovaskular yang telah dilengkapi dengan sistem regulasi sebagai data pelatihan, dan digunakan algoritma backpropagation sebagai algoritma pelatihan. Pada pengujian, akan dilihat kinerja pacu jantung berbasis Jaringan Syaraf Tiruan ketika digunakan pada sistem kardiovaskular.Hasil perancangan menunjukkan perfonna pacu jannmg yang mendekati fungsi denyut jantung tubuh sebenarnya."

"Skripsi ini membahas tentang Sistem Pengenalan Kendaraan dengan menggunakan Jaringan Saraf Tiruan (JST). Sistem yang digunakan bersifat off-line, dalam arti bahwa sistem tidak bekeda langsung pads saat kendaraan memasuki suatu tempat lalu sekaligus diambil citranya akan tetapi bekerja dengan pola citra statis kendaraan itu sendiri. Sistem jugs bersifat khusus dan terbatas hanya untuk mengenali 4 jenis kendaraan : sedan, jip, wagon dan mini. Sistem tidak dikembangkan untuk mengenali kendaraan dengan ukuran besar seperti trek dan bus. Jaringan yang dipakai pada skripsi ini disusun dengan topologi kaskade yang menggabungkan antara topologi JST Kohonen SOM dengan topologi JST Backpropagation. Kohonen SOM belajar dalam mode tak disupervisi, yang mampu melakukan proses pemisahan setup data masukan yang berlainan. Masing-masing data masukan dipetakan dengan data keluaran kemudian diajarkan kepada jaringan Backpropagation - bekerja dalam mode disupervisi -, yang kemudian mengingat pola pemetaan data masukan menjadi data keluaran tanpa melalui pendefirusian fungsi pemetaan. Dengan menggabungkan Kohonen SOM dan Backpropagation, diharapkan akaa aiperoleh hasil yang lebih balk daripada bila kedua topologi tersebut bekeda sendiri-sendiri."

"ABSTRAKNeural networks merupakan salah satu pendekatan yang sering digunakan dalam melakukan analisis data. Dalam perkembangannya, neural networks mencapai kesuksesan dalam berbagai bidang, mulai dari pengenalan gambar, representasi bahasa,hingga bio informatika. Beberapa penelitian terakhir menunjukkan bahwa model neural networks memiliki kekurangan dalam melindungi informasi yang terdapat dalam training set agar tidak dapat dieksploitasi oleh pihak-pihak yang tidak berkepentingan. Kekurangan ini dapat dieksploitasi dengan membuat sebuah model yang dapat menentukan apakah seseorang berada dalam training set atau tidak, dan hasilnya dapat digunakan untuk melanggar privasi orang tersebut. Eksploitasi ini disebut dengan serangan membership inference. Serangan membership infrerence dapat dihindari oleh model yang memenuhi kriteria differential privacy, yaitu probabilitas keluaran dari model pada dua database yang berbeda pada satu baris pada dasarnya mirip. Pada tesis ini, dikembangkan algoritma optimisasi berbasis gradien seperti Momentum, Nesterov, RMSProp dan Adam yang memenuhi kriteria differential privacy. Algoritma yang dikembangkan digunakan untuk melatih model neural networks agar memenuhi kriteria differential privacy. Eksperimen yang dilakukan menunjukkan bahwa algoritma yang dikembangkan dapat digunakan untuk melatih model neural networks dan menghasilkan model yang lebih akurat dibandingkan algoritma stochastic gradient descent yang memenuhi kriteria differential privacy. Diperlihatkan juga pengaruh penjaminan privasi terhadap akurasi model yang dilatih menggunakan algoritma yang dikembangkan, yaitu penjaminan privasi yang lebih kuat menghasilkan akurasi model yang lebih rendah, dan sebaliknya.

---

ABSTRACT

Neural networks is one of the popular approach to analyze data. It has showed excellent ability to tackle complex problems in various domain, e.g., computer vision,language representation, and bioinformatics. At some point, neural network model may leak some information about the training data. This leakage could be exploited by adversaries to violate individuals in the training data. Membership inference attack is one kind of attacks that could be used by the adversary. This attack can be mitigated by using differentially private models. In this thesis, differentially private optimization algorithms, i.e., momentum, nesterov, rmsprop, adam, were developed. These algorithms then used to train a differentially private neural networks model. It was shown by the experiments conducted that these algorithms can be used to train a neural networks model, and yields better model accuracy compared to stochastic gradient descent algorithm. The tradeoff between privacy and utility is also studied."