Hasil Pencarian  ::  Simpan CSV :: Kembali

"Aplikasi jaringan neural umpan maju untuk prediksi dan pemodelan nonlinear telah ditelitiuntuk data pentad curah hujan dari kota Jakarta. Desain model jaringan neural perlu dioptimalisasibaik jumlah masukan, jumlah neuron (unit), jumlah lapisan tersembunyi maupun aturan pembelajarankarena akan menentukan kinerja dari model jaringan neural dan nilai korelasi dari hasil prediksinya.Pada penelitian ini digunakan model jaringan neural dengan spesifikasi masukan 10 neuron, dua lapistersembunyi masing-masing lapis kedua 2 neuron, lapis ketiga 1 neuron dan keluaran 1 neuron.Dengan menggunakan model jaringan neural tersebut maka didapat hasil prediksi dengan keakuratanyang ditunjukkan dengan nilai koefisien korelasi yaitu nilai korelasi (r~ 0,40) untuk daerah Jakarta."

"Analisa multi atribut adalah salah satu metode statistik menggunakan lebih dari satu atribut untuk memprediksi properti fisik dari batuan. Tujuan analisa ini adalah adalah mencari hubungan antara log dengan data seismik. Hubungan ini digunakan untuk memprediksi Volome dari properti log pada semua volume seismik Pada penelitian ini analisa multiatribut diaplikasikan pada lapangan X daerah cekungan sumatera selatan dengan menggunakan 5 data sumur. Target dari penelitian ini adalah memprediksi penyebaran porositas di lapangan X. Sumursumur yang dipilih adalah sumur yang tersebar merata dan mewakili area yang akan diprediksi penyebaran porositasnya. Jumlah atribut yang digunakan di tentukan oleh proses step wise regression. Metode multiatribut yang linier transformasinya terdiri dari deret bobot yang diperoleh dari minimalisasi least square. Pada metoda non linier, neural network di gunakan dalam proses training dengan menggunakan atribut yang sudah ditentukan sebelumnya.Tipe neural network yang digunakan adalah PNN ( Probabilistic Neural Network ),tipe ini dipilih karena mempunyai hasil korelasi yang paling baik dibandingkan dengan tipe neural network yang lain. Untuk mengetahui tingkat kepercayaan dari transformasi multiatribut dilakukan proses crossvalidasi. Hasilnya multiatribut menunjukan korelasi sebesar 0.65 dan neural network 0.69.

---

Multi-attribute analysis is a statistic method using more than one attribute to predict physical properties of rocks. The aim of this analysis is to find a relationship between log and seismic data. The relationship is used for predicting volume of log property at all seismic volumes. In this study the multi-attribute analysis is applied to area X, which is a cavity region in South Sumatera, using five well data. The aim of the study is to predict porosity distribution at area X. The wells that were chosen were those that were spread evenly and represented areas where the distribution of porosity will be predicted. The quantity of attributes used is determined by a step wise regression process. A linear multiattribute method comprises of a series that is achieved by a minimised least square. In a non-linear method, neural network is used in the training process with predetermined attributes. The neural network type used was PNN (Probabilistic Neural Network ), this type was chosen because of the best correlation result. To verify the validity of the multi-attribute transformation, a crossvalidation was conducted. The result shows a 0.65 correlation and a 0.69 neural network."

"Curah hujan merupakan salah satu unsur iklim yang sangat bervariasi terhadap ketinggian dalam distribusi spasial dan temporalnya. Distribusi curah hujan spasial dan temporal didapatkan dari radar cuaca dan stasiun observasi. Melalui pemetaan spasial dan temporal penelitian ini akan mengungkapkan perbandingan distribusi curah hujan antara radar cuaca dengan stasiun observasi curah hujan terhadap ketinggian. Hasil pengolahan data menunjukan distribusi curah hujan terbanyak pada ketinggian 500-1.000 mdpl dimana semakin tinggi ketinggian tempat maka distribusi curah hujannya semakin menurun baik dari hasil radar cauca maupun stasiun observasi. Analisis temporal memberikan hasil kesamaan waktu kejadian curah hujan tertinggi dari radar cuaca dan stasiun observasi pada pukul 12:00 sampai 18:00.

---

Rainfall is one of the climate element that highly variable from elevation in spatial and temporal distribution. The spatial and temporal rainfall distribution obtained from weather radar and observation stations. This research will reveal rainfall distribution comparison between weather radar with rainfall observation station of elevation. Through spatial and temporal mapping of.

The results of data processing shows rainfall distribution at an altitude 500-1.000 meters above sea level where the higher altitude of the distribution of rainfall decreases both from the weather radar and observation stations. Temporal analysis provides results in common occurrence time of the highest rainfall weather radar and weather observation station at 12:00 to 18:00."

"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."

"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."

"ABSTRAKAplikasi neural networks untuk pengendalian suatu sistem, yang biasa pula disebut neurocontroller, memiliki kelebihan yang disebabkan oleh kemampuan neural networks untuk melakukan penalaan diri sendiri (self adjusting), kemampuan untuk melakukan aproksimasi terhadap fungsi-fungsi non linear dan juga ketegaran (robustness) terhadap disturbansi atau degradasi yang menyebabkan perubahan pads parameter sistem_Sistem electromagnetic linear actuator adalah sebuah contoh sistem yang memiliki non linearitas tinggi dan time variant. Sifal time variant ini diakibatkan oleh adanya disturbansi dengan parameter yang berubah-ubah pada sistem tersebut. Pada skripsi ini akan dibahas perancangan dan pengaplikasian neural networks untuk mengendalikan sistem electromagnetic linear actuator untuk mencapai suatu posisi target dalam suatu range tertentu yang berada dalam batas antara 0 mm sampai 9 mm.Hasil simulasi menunjukkan neural networks dapal mengendalikan sistem electromagnetic linear actuator pada range 0 mm sampai 3 mm dan 0 mm sampai 6 mm dengan steady state error lebih kecil dari 5 %, sementara untuk range 0 mm sampai 9 mm memiliki steady state error yang sebagian besar di alas 15 %. I-lasil simulasi tersebut juga menunjukkan ketegaran (robustness) neural networks, yang tetap dapai mengendalikan dengan stabil sistem terhadap pengaruh disturbansi dengan parameter yang berubah-ubah, dan dengan selisih antara output sistem pads saat dipengaruhi disturbansi dengan parameter yang berbeda yang sebagian besar di bawah 5 % pada semua range tersebut di atas.

---

"

"Metode artificial neural network digunakan dalam penghitungan nilai kapasitansi pada problem maju dari sistem ECVT untuk proses rekonstruksi semi non linear. Nilai kapasitansi hasil prediksi neural network didapatkan dari input distribusi permitivitas yang menunjukkan hasil citra yang diinginkan. Metode training neural network yang digunakan adalah training backpropagation. Pasangan input dan output data training didapatkan dari hasil simulasi menggunakan software COMSOL Multiphysics 3.4 yang kemudian ditraining menggunakan software Toolbox Neural Network pada Matlab R2007b. Hasil rekonstruksi citra semi nonlinear dibandingkan dengan hasil rekonstruksi linear.

---

Methods of artificial neural network used in the calculation value of capacitance in the forward problem of the system for the semi non-linear reconstruction of ECVT. Capacitance value of neural network predicted results obtained from the input distribution of permitivitty results indicate that the desired image. Training method used by neural network is backpropagation training. Pair input and output data obtained from the training results of the simulation using COMSOL Multiphysics 3.4 software, which then use the software Neural Network Toolbox in Matlab R2007b to train neural network. Results semi nonlinear image reconstruction compared with the results of the linear reconstruction."

"Pada tesis ini dibahas mengenai pengendalian sistem multivariabel kolom fraksinator dengan tiga pasangan masukan dan keluaran dengan pengendali Instantaneous Linierization berbasis Neural Network. Tiga masukan pada sistem yaitu top draw (U1 ), side draw (U2), bottoms reflex (U3) dan tiga keluarannya yaitu top end point (Yl), side end point (Y2), bottoms reflux (Y3). Pemodelan sistem kolom fraksinator mengacu pada tabel model heavy oil fractionator yang diambil dari Nett dan Garcia [Pret'88]. Setiap masukan pada sistem mempengaruhi ketiga keluarannya. Interaksi yang terjadi pada sistem dapat diperkecil dengan perancangan dekopling. Simulasi sistem pengendalian dengan pengendali instantaneous linieriration akan dibandingkan dengan pengendali proportional integrator (PI) menggunakan Matlab Versi 6.1 dengan Toolbox Neural Network yang dikembangkan oleh Magnus Noorgard dan Technical University of Denmark. Sistem yang telah dikendalikan diberi gangguan berupa perubahan dinamik dari intermediate reflux duty (IRD), upper reflex duty (URD) dan gangguan random yang bertujuan untuk melihat kemampuan pengendali terhadap gangguan-gangguan tersebut. Dan hasil pengujian, pengendali instantaneous linierization mempunyai settling time, peak time, rise time lebih cepat dibandingkan dengan pengendali PI.

---

This thesis discusses the control of multivariable fractionators column with three pairs of input and output using Instantaneous Linierization controller based on Neural Network The input systems are top draw (U1), side draw (U2), and bottoms reflux duty (U3). The output systems are top end point (Y1), side end point (Y2), and bottoms reflux temperature (Y3). The model system fractionators column related to table model heavy oil fractionators which taken from Prett and Garcia [Pret'88]. Every system inputs are influencing outputs one another. The interactions can be minimized by decoupling scheme. The simulation of control system with instantaneous. linierization controller will be compared to proportional integral (PI), using Matlab Version 6.1 with neural network toolbox that was developed by Magnus Noorgard from Technical University of Denmark. The controlled system will be given a dynamic change disturbance form intermediate reflux duty (IRD), upper reflux duty (URD), and random disturbance. The aim is to test the controller behavior to handle the disturbances. The result shows that the instantaneous linierization controller has shown faster settling time, faster peak time, faster rise time than that of the PI controller."