Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"ABSTRAKDalam geofisika dan reservoir engineering, metode neural network lazim digunakanuntuk melakukan prediksi hubungan antara data log dengan data seismik atau data loglainnya, sehingga dengan data log yang tersedia dapat diperkirakan log lain yang tidaktersedia datanya, bahkan dipergunakan juga untuk melakukan karakterisasi reservoir.Namun metode ini juga memiliki sejumlah kekurangan dalam penerapannya gunamemprediksi hubungan antara satu jenis data dengan jenis data yang lain. Masalah umumyang ditemui adalah metode ini sulit diterapkan pada data yang terbatas.Para praktisi pasar modal menggunakan metode wavelet transform untuk meningkatkankemampuan jaringan pada neural network untuk mengenali deret data yang polanyabelum pernah ditemui dalam dataset pelatihan. Metode ini telah terbukti efektif dalamprediksi pergerakan harga dan permintaan yang kerap mengalami perubahan trendmaupun pola pergerakannya. Kami menerapkan metode ini untuk meningkatkan nilaivalidasi dari log hasil estimasi dengan data yang terbatas.Studi ini menunjukkan hasil proses wavelet transform pada data log yang diklasifikasikandengan jaringan kompetitif akan menjadi bagian yang dapat memberikan arti pentinguntuk meningkatkan kemampuan generalisasi jaringan backpropagation.

---

ABSTRACTIn geophysics and reservoir engineering, the neural network method commonly used topredict the relationship between log data and seismic data or another log data, thus withthe available log data, we can expect any logs which have no data, even also can be usedto perform reservoir characterization. However this method has some lacks in itsapplication to predict the relationship between one data with the other data types. Thecommon problem encountered is the reduction of network ability for data prediction if itsapplied on limited input data.Practitioners of capital market use wavelet transform methods to increases the networkability in neural network to recognized data series, which never found in training dataset.This method has been effectively proven to predict price and demand movement, whichusually changes both in trend or movement pattern. We applied this method to increasethe validation value of the estimated log on limited input data.This study shows that the classified result of wavelet transform using competitivenetwork will be an important part to enhance generalization of backpropagation network."

"Skripsi ini dibuat untuk merancang perangkat lunak yang mampu mengenali nilai nominal uang kertas rupiah beserta keasliannya melalui proses pengolahan citra berbasiskan metode jaringan syaraf tiruan dengan algoritma backpropagation. Sistem pengenalan citra (image recognition) ini memperoleh kemampuan deteksi dengan cara belajar dari contoh (learning by examples).Pola dari tiap uang kertas rupiah memiliki ciri yang unik yang membedakannya satu dengan yang lainnya, baik bentuk angka, jumlah angka nol, serta gambar latar belakangnya. Pola khas dari tiap jenis uang kertas inilah yang dikenali oleh perangkat lunak ini, sehingga mampu membedakan tidak hanya uang kertas rupiah (valid data) tapi juga uang kertas pecahan lain (unknown data).Pencitraan uang kertas berasal dari dua sumber yakni citra tampak (visible image), yang berasal dari scanner 300 dpi, dan tak tampak (invisible image), yang menggunakan sinar ultraviolet (UV). Beberapa area tertentu diambil dari citra sebagai masukan identifikasi yang akan diolah melalui proses dijitalisasi sehingga dihasilkan reduksi citra hitam-putih (gray-scale) sebesar 8x7 pixel. Hal ini bertujuan selain mengurangi besar data pelatihan jaringan syaraf tiruan (JST) juga meningkatkan kemampuan identifikasi.Metode backpropagation dipilih didasarkan atas masukan data relatif kecil dengan harapan waktu pendeteksian dapat dipersingkat. Hasil identifikasi mungkin tidak akan mendekati klasifikasi, tetapi akan didekati dengan persentase kesalahan sekecil mungkin. Jumlah total data sebanyak 76 set, dimana 25 diantaranya digunakan untuk melatih JST, dan sisanya sebanyak 51 set digunakan untuk menguji JST. Hasil simulasi menunjukkan sistem mampu mengenali dengan tingkat akurasi hingga sebesar 92% bervariasi tergantung dari jumlah set data pelatihan yang dilakukan. Metode yang diterapkan dapat digunakan untuk mengenali uang kertas pecahan rupiah.

---

This paper is written to design a software that capable to recognize the nominal value of rupiah banknote with its authenticity by means of image-processing technic based on artificial neural network with backpropagation algorithm. This image-processing technic has its recognition ability from learning-by-examples process.

Each rupiah banknote has its unique characteristic which distinguish the banknote with one another, such as numeral shape, amount of zeroes, and its background image. The software then uses this banknote’s unique pattern to recognize not only for valid currency, but also for unknown currency.

The banknote imaging process itself came from two sources, visible image—taken from a 300dpis scanner, and unvisible image—taken from a UV. Some certain areas are taken from the image as identification source that will be processed by some digitalization until these areas become an 8x7 pixels gray-scale image. This is intented to reduce the data size for the artificial neural network training process, thus increase the identification ability.

Backpropagation method is chosen based on its input data which is relatively small, hoping that the detection time can be decreased. The identification result might not get closer with the classification result, but will get approached with as small error as possible. The total amount of data are 76 sets, where 25 of them are used to train the artificial neural network, and the rest of them are used to test the neural network. Simulation result shows that the sistem is capable to identify up to 92% of accuracy, depends on amount of train-sets data. This method can be used to identify the rupiahs banknote authenticity."

"

Vertical Roller Mill (VRM) merupakan tipe baru peralatan grinding, yang mengkombinasikan berbagai fungsi proses dalam pengoperasiannya termasuk proses grinding, proses pengeringan, dan proses pemisahan, dan merupakan peralatan grinding yang memiliki efisisensi energi yang tinggi. Stabilitas pengendalian operasi dan kehalusan raw meal yang sesuai dengan kualitas merupakan factor penting untuk mendapatkan kondisi operasi normal pada VRM.

Penelitian ini bertujuan mendapatkan metode pemodelan bagi VRM untuk memprediksi residu 90 mikron dan residu 200 mikron dari produk raw meal menggunakan Back Propagation Neural Network (BPNN). Pembuatan model BPNN dapat dilakukan dalam beberapa langkah, yaitu persiapan data input, menentukan sturuktur BPNN, pemilihan optimizer dan loss function, dan pelatihan BPNN serta evaluasi model yang dibuat.

Normalisasi data merupakan bagian dari persiapan data input, yang mana metode ini mengubah nilai output kedalam nilai kisaran baru. Sedangkan untuk arsitektur model, pada penelitian ini BPNN dirancang dengan menggunakan 4 variabel dan 6 variabel pada lapisan masukan, 4 lapisan tersembunyi dengan 52 neuron untuk setiap lapisannya. Sedangkan lapisan keluaran memiliki 2 variabel keluaran.

Pada penelitian ini menggunakan 3 tipe optimizer untuk mengoptimalkan parameter loss function, yaitu Adagrad, Adam, dan RMSprop. Dari hasil evaluasi pada model, penggunaan RMSprop optimizer dan MSE sebagai loss function memberikan hasil yang lebih baik dalam memprediksi data kualitas residu produk VRM dibandingkan optimizer lainnya.

 

---

Vertical Roller Mill (VRM) is a new type of grinding equipment, which combines multiple functions that include grinding, drying, and separating, and is energy efficient grinding equipmen. Stability of the process control and suitable raw meal fineness are the key factors to determine the normal operation of the VRM.

This study proposes a method for modeling the VRM to predict residue 90 micron and residue 200 micron of the raw meal product using Back Propagation Neural Network (BPNN). Making a neural network model in BPNN can be done in a few steps. The modelling step is input preparation, BPNN structure determination, optimizer and loss function selection, training BPNN and model evaluation.

Normalization is part of input preparation. This method resets the feature or output to a range of new values. For structure architecture, BPNN Modeling VRM Raw Meal uses one input layer with 4 and 6 input variables, with 4 hidden layers with 52 neuron for each hidden layers. While the output consists of one layer with 2 target output variables.

In this research, the modeling using 3 optimizers to optimize parameter of loss function. The optimizers are Adagrad, Adam, and RMSprop. From model evaluation, RMSprop optimizer and MSE loss function show better modelling results than others to predict residue data quality of the VRM raw meal products.

 

"

"ABSTRAKSistem pendeteksian wajah pada citra telah berkembang pesat sampai saat ini. Tujuan dari deteksi wajah adalah untuk mengindentifikasi dan menempatkan wajah manusia dengan pasisi. skala,oarientasi dan kondisi pencahayaan tertentu. Berbagai metode telah diajukan sampai saat ini. Salah satu pengembangan lebih lanjutnya adalah dengan menggunakan jaringan syaraf tiruan (neural network). Pada paper ini dibahas sistem deteksi wajah berdasarkan jaringan syaraf tiruan dengan metode training propagasi balik dengan momentum. Jaringan syaraf tiruan menguji setiap window dari citra, dan memmtukan apakah setiap window berisi wajah atau tidak. Setelah itu sistem menentukan window terbaik, yang akan disimpulkan sebagai wajah. Sistem inl dapat mendeteksi wajah frontal pada citra grayscale dengan latar belakang yang kompleks dan skala yang bervariasi. Agar dapat menguji citra masukan untuk ukuran wajah yang berbeda-beda, maka dilakukan metode piramida terhadap citra masukan. Pada skripsi ini, ststem deteksi dengan jaringan syaraf tiruan diuji dengan perubahan pada parameter jumlah lapisan tersembunyi dan jumlah epoch yang dilakukan pada proses training. Sistem akan dianalisa kinerjanya berdasarkan lamanya waktu deteksi serta ketepatan hasil proses deteksi. Dari hasil pengujian didapatkan waktu deteksi sangat dipenganthi oleh ukuran citra, dan ketepatan proses deteksi sangat dipengaruhi oleh jumlah lapisan tersembunyi dan banyaknya epoch pada proses training, serta karakteristik dari citra masukan

---

"

"abstrakKonsumsi energi listrik nasional mengalami pertumbuhan rata-rata sekitar 4,8per tahun selama 5 tahun terakhir, salah satunya adalah sektor rumah tangga. Salahsatu solusi untuk mengurangi konsumsi energi listrik pada sektor ini adalah denganmemonitor konsumsi beban listrik peralatan rumah tangga dan memberikaninformasi ini kembali kepada pelanggan. Salah satu teknik memonitor konsumsibeban peralatan listrik paling efisien dan murah adalah teknik Non-Intrusive LoadMonitoring (NILM). Berbeda dengan teknik konvensional, NILM menjanjikanpengurangan penggunaan sensor secara signifikan. NILM umumnya menggunakankondisi daya listrik saat transien atau tunak. Pada penelitian ini, metode Back-Propagation Artificial Neural Network (BP-ANN) akan dikembangkan untuk dapatmengidentifikasi penggunaan peralatan rumah tangga pada sinyal daya listrik dalamkondisi tunak dengan fitur ekstraksi perubahan daya. Fitur ekstraksi tersebutmemiliki keunggulan yaitu pada akusisi data menggunakan tingkat sampling yangrendah. Dalam penelitian ini telah dikembangkan arsitektur jaringan syaraf tiruandengan tipe dual input. Tipe dual input pada jaringan syaraf tiruan tersebut terdiridari daya aggregate dan daya maksimum peralatan rumah tangga. Penggunaanarsitektur jaringan syaraf tiruan dengan tipe dual input ini unggul dalammengidentifikasi penggunaan peralatan rumah tangga yang memiliki karakteristiknilai daya hampir mirip atau sama dan karakteristik daya dengan kondisi multi daya.Untuk memverifikasi efektivitas metode yang dikembangkan, maka data bebanperalatan rumah tangga yang digunakan adalah tracebase dataset dan penyusunandatanya menggunakan model synthetic aggregate. Dari hasil pengujian tipe dualinput pada arsitektur jaringan syaraf tiruan ini dapat mengidentifikasi penggunaanperalatan rumah tangga yang memiliki nilai daya hampir mirip atau sama dankarakteristik daya dengan kondisi multi daya, sehingga dapat meningkatkan nilaiRecognition Rate (RR) sampai 94.2.

---

abstractNational electric energy consumption experienced average growth about 4.8per annum over the past 5 years, one of them is household sector. One of thesolutions to reduce electrical energy consumption in this sector is to monitor electricpower consumption of household appliances and to give this information back toconsumers. One of the most efficient and the cheapest techniques to monitor theelectric power consumption appliances is Non-Intrusive Load Monitoring (NILM).This is different with conventional techniques where NILM promises the reductionof sensor deployment significantly. NILM commonly uses either transient or steadystate signal. In this research, the method of Back-Propagation Artificial NeuralNetwork (BP-ANN) will be developed to identify the utilization of householdappliances using power change features extraction in the steady state signals. Thefeature extraction has an advantage on data acquisition by applying a low samplingrate. This research has developed neural network architecture with dual input type.Dual input types of the neural network consist of aggregate power and maximumpower of the household appliances. Applying of neural network architecture withdual input types outperforms in identifying of the household appliances load wherethe power is almost similar and it has a multi states power characteristics. To verifythe effectiveness of the method, the data of the load is provided by tracebase datasetand the forming of the data uses a synthetic aggregate model. From the experimentresult of the dual input type in the neural network architecture, it can identify theload which has power almost similar and it has a multi states power characteristics.Finally, it can increase the value of Recognition Rate (RR) to 94.2"

"Keberadaan COVID-19 di Indonesia saat ini bukanlah satu-satunya wabah penyakit yang harus diwaspadai. Menteri Kesehatan mengatakan ada penyakit yang tidak kalah  berbahaya dan juga tidak kalah mematikan dibandingkan dengan wabah penyakit COVID-19, yaitu Demam Berdarah Dengue. Penyakit ini sudah sepatutnya untuk diwaspadai mengingat jumlah kasusnya yang semakin meningkat dan melebihi jumlah kasus penyakit COVID-19. Faktor cuaca seperti curah hujan, temperatur, dan kelembapan merupakan faktor yang sangat berpengaruh dalam penyebaran parasit dan vektor penular DBD. Untuk mengoptimalkan upaya pencegahan dan penanganan DBD, perlu dilakukannya prediksi terkait jumlah insiden DBD. Dalam tugas akhir ini dilakukan proses prediksi jumlah insiden DBD di DKI Jakarta dengan memperhitungkan faktor iklim (curah hujan, kelembapan, dan temperatur) menggunakan metode Extreme Learning Machine dan metode Artificial Neural Network-Back Propagation serta membandingkan kinerja dari kedua metode tersebut.  Berbeda dari Artificial Neural Network-Back Propagation, Extreme Learning Machine tidak membutuhkan proses iterasi untuk update parameter. Dengan menggunakan data variabel cuaca dan data jumlah insiden DBD kumulatif, Extreme Learning Machine dapat memberikan hasil prediksi yang lebih akurat dibandingkan dengan  Artificial Neural Network - Back Propagation. Extreme Learning Machine dengan persentase data training sebesar 90% menunjukkan hasil prediksi yang lebih baik dibandingkan dengan persentase data training lainnya yang digunakan dalam tugas akhir ini yaitu sebesar 80% dan 70%.

---

The existence of COVID-19 currently in Indonesia is not the only disease which must be watched out. The Health Ministry has said that there was a disease that is as dangerous as COVID-19. That disease is Dengue Fever. Dengue Fever also must be given an extra caution because it is noted that until now the number of dengue cases continues to increase and exceeds COVID-19 cases. The weather factors, such as rainfall, temperature, and humidity, are a very influential factor in the spread of parasites and infectious vectors of dengue fever.  To optimize the dengue handling and prevention effort, it is important to make the dengue cases prediction.

In this final paper, the number of dengue incidences will be predicted by involving weather factors (rainfall, temperature, and humidity) using Extreme Learning Machine and Artificial Neural Network-Back Propagation and also comparing the both of their performance. Unlike the Artificial Neural Network-Back Propagation, Extreme Learning Machine does not need the iteration process to update the parameter.

The result shows that Extreme Learning Machine can give the dengue incidences prediction  which is more accurate than the dengue incidences prediction that is given by using Artificial Neural Network-Back Propagation. Extreme Learning Machine by using 90% training data can show the better prediction result than other training data percentage which is used in this final paper, 80% and 70%."

"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."