Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Berbagai metode pengembangan roket telah dilakukan, namun tidak semua orang bisa mengikuti perkembangannya karena teknologi roket merupakan teknologi rahasia yang pada akhirnya menyebabkan tidak adanya referensi. Kendali roket merupakan tahapan yang paling penting dari pengembangan teknologi roket yang pengembangannya hanya bisa dilakukan jika mempunyai data atau model. Penelitian ini mencoba untuk mendapatkan data penerbangan roket dari simulator pesawat X-Plane kemudian mengembangkan kendali roket menggunakan Neural Network. Konsekuensi yang ditimbulkan karena pemakaian simulator pesawat untuk menerbangkan roket akan dijadikan bahan analisis apakah data yang dihasilkan dari penerbangan roket mempunyai mekanisme fisika layaknya roket. Pengujian terhadap sistem kendali Neural Network berbasis Direct Inverse Control Open-Loop dilakukan untuk mengetahui keandalan sistem kendali yang dirancang. Sistem kendali roket yang dibuat menggunakan metode backpropagation dengan pembatasan pengendalian yaitu hover, sebuah trajectory terbang roket yang mempunyai pengaruh paling besar dalam jangkauan dan arahnya. Dari hasil pengujian ini diketahui bahwa data yang dihasilkan mempunyai dinamika gerak layaknya roket dan sistem kendali hover roket yang dibuat mempunyai kemampuan yang baik.

---

Various methods of rocket development have been done, but not everyone can follow its development because rocket technology is a secret technology that ultimately leads to no reference Rocket control is the most important stage of development of rocket technology whose development can only be done if it has data or models. In this study trying to get rocket flight data from the X Plane aircraft simulator then develop rocket control using Neural Network. The consequences of using the aircraft simulator to fly the rocket will be used as an analysis material whether the data generated from the rocket flight has a rocket physics mechanism.

Testing of Neural Network control system based on Direct Inverse Control Open Loop is done to know the reliability of control system designed. The rocket control system created using backpropagation method with control limitation is hover, a rocket flying trajectory that has the greatest influence in its range and direction. From the results of this test is known that the resulting data has the dynamics of motion like a rocket and rocket hover control system is made to have good ability."

"Penelitian ini mengembangkan dan menganalisa sistem pendeteksi plagiarisme dua bahasa berbasis Latent Semantic Analysis untuk karya tulis berbahasa Indonesia dan referensi berbahasa Inggris. Sistem pendeteksi plagiarisme menggunakan algoritma backpropagation neural network untuk melakukan klasifikasi pasangan karya tulis berbahasa Indonesia dan Inggris yang sudah dinilai tingkatan plagiarismenya secara manual. Sistem dapat memperoleh klasifikasi akurasi F-measure sampai dengan 92.75. Hasil percobaan menunjukkan bahwa akurasi tertinggi dapat diperoleh jika menggunakan metode term frequency binary dalam penghitungan jumlah kata dan penggunaan frobenius norm, vector angle slice, dan vector angle pad sebagai pilihan fitur untuk masukan backpropagation neural network.

---

This research aims to develop and analyse dual language plagiarism detection system based on Latent Semantic Analysis for papers with Indonesian language and reference text with English language. The plagiarism detection system uses backpropagation neural network algorithm to classify pairs of Indonesian and English papers which plagiarism levels has been graded manually. The system has reached classification accuracy using F measure metric up to 92.75.

Experiment results show that the highest accuracy obtained when using term frequency binary method in counting frequency of words and using frobenius norm, vector angle slice, and vector angle pad features for backpropagtion neural network input."

"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%."

"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."

"Demam Berdarah termasuk penyakit yang paling umum terjadi di negara tropis seperti Indonesia dan sering berakibat fatal dalam kesehatan. Prediksi dini terhadap jumlah kasus Demam Berdarah merupakan salah satu kunci untuk menanggulangi risiko penyebarannya dalam masyarakat dan dapat membantu pihak-pihak yang terkait seperti Dinas Kesehatan Daerah dalam membuat kebijakan dan rencana pencegahan. Pada tugas akhir ini, untuk angka insiden DBD diprediksi menggunakan metode Artificial Neural Network dengan dua algoritma berbeda untuk proses training ANN, yaitu Backpropagation (ANN-BP) dan Genetic Algorithm (ANN-GA). Penggunaan GA dalam training ANN bertujuan untuk membandingkan dengan BP yang cenderung tidak menemukan minimum global dari fungsi errornya. Variabel prediktor yang digunakan adalah jumlah insiden dan variabel cuaca sebelumnya yang terdiri dari temperatur, kelembapan, dan curah hujan. Variabel prediktor ditentukan dengan mencari time lag dari masing-masing variabel prediktor terhadap jumlah insiden menggunakan korelasi silang. Model yang dibentuk dievaluasi dengan Mean Squared Error, dan hasil prediksi dievaluasi menggunakan Mean Squared Error, Root Mean Squarred Error, dan Mean Absolut Error. Pada tugas akhir ini metode ANN-BP menghasilkan hasil prediksi jumlah insiden DBD kumulatif lebih baik dibandingkan metode ANN-GA pada kota madya Jakarta Pusat, Jakarta Selatan, dan Jakarta Utara, dengan selisih MSE berturut-turut 3,966; 50,162; 23,933; selisih RMSE masing-masing 0,232; 1,742; 1,304; dan selisih MAE masing-masing 0,496; 0,901; 0,734. Sedangkan pada Jakarta Barat dan Jakarta Timur metode ANN-GA menghasilkan hasil prediksi jumlah insiden DBD kumulatif lebih baik dibandingkan metode ANN-BP, dengan selisih MSE berturut-turut 16,915; 37,621; selisih RMSE masing-masing 0,484; 1,44; dan selisih MAE masing-masing 0,319; 0,739.

---

Dengue Fever is one of the most common diseases in tropical countries like Indonesia and is often fatal in health. Early prediction of the number of Dengue Fever cases is one of the keys to overcoming the risk of its spread in the community and can assist related parties such as the District Health Office in making policies and prevention plans. In this final project, the DHF incidence rate is predicted using the Artificial Neural Network method with two different algorithms for the ANN training process, namely Backpropagation (ANN-BP) and Genetic Algorithm (ANN-GA). The use of GA in ANN training aims to compare with BP which tends not to find a global minimum of its error function. The predictor variables used are the number of incidents and previous weather variables consisting of temperature, humidity, and rainfall. Predictor variables are determined by finding the time lag of each predictor variable to the number of incidents using cross correlation. The model formed was evaluated with Mean Squared Error, and the predicted results were evaluated using Mean Squared Error, Root Mean Squared Error, and Mean Absolute Error. In this final project, the ANN-BP method produces a prediction of cumulative DHF incidents that is better than the ANN-GA method in the cities of Central Jakarta, South Jakarta, and North Jakarta, with a MSE difference 3.966, 50.162, 23.933, respectively, the difference in RMSE each city is 0.232, 1.742, 1.304, respectively and the MAE difference 0.496, 0.901, 0.734, respectively. Whereas in West Jakarta and East Jakarta the ANN-GA method produces a better prediction of cumulative DHF incidents compared to the ANN-BP method, with a MSE difference 16.915, 37.621, respectively, the difference in RMSE each city is 0.484, 1.44, respectively, and the MAE difference of each city is 0.319, 0.739, respectively."

"

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.

"

"Backpropagation neural network backpropagation adalah salah satu algoritma machine learning yang dapat digunakan untuk melakukan klasifikasi data. Klasifikasi data dilakukan dalan serangkaian proses training dan testing. Pada akhir proses testing yang juga merupakan akhir dari proses backpropagation, akan didapatkan nilai recognition rate. Nilai recognition rate merupakan nilai yang menandakan banyaknya data yang berhasil diklasifikasi dengan benar pada proses testing terhadap seluruh testing dataset. Recognition rate erat kaitannya dengan masalah underfitting, overfitting, local minima, dan local maxima. Keempat masalah ini menyebabkan nilai recognition rate yang didapatkan kurang optimal. Namun biasanya untuk menangani keempat masalah ini dilakukan pengaturan pada beberapa paramter, misalnya learning rate, momentum, jumlah layer, jumlah nodes, weights, dan lain-lain. Pada tulisan ini akan dijelaskan program optimasi yang melakukan pengaturan pada nilai inisialisasi weights untuk menangani keempat tersebut. Program ini melakukan inisialisasi weights menggunakan genetic algorithm pada backpropagation yang mengimplementasikan k-fold crossvalidation. Untuk menguji dan membandingkan program optimasi terhadap program implementasi backpropagation yang tidak dioptimasi program non-optimasi, digunakan empat dataset, yaitu iris flower dataset, seeds dataset, wine dataset, dan EEG dataset buatan. Pada akhir pengujian didapatkan hasil bahwa program optimasi berhasil mendapatkan nilai recognition rate lebih tinggi pada iris flower dataset, yaitu 97.33 pada program optimasi dan 96.67 pada program non-optimasi. Kemudian didapatkan pula nilai recognition rate yang lebih tinggi pada seeds dataset, yaitu 93.33 pada program optimasi dan 92.86 pada program non-optimasi. Lalu didapatkan pula nilai recognition rate yang lebih tinggi pada EEG dataset buatan, yaitu 37.5 pada program optimasi dan 35.94 pada program non-optimasi. Sedangkan pada wine dataset didapatkan nilai recognition rate yang sama antara program optimasi dan program non-optimasi, yaitu 99.44.

---

Backpropagation neural network backpropagation is one of machine learning algorithms that can be used to classify data. The data classification is done in a series of trainig and testing processes. At the end of testing process that is also the end of backpropagation process, the algorithm will produce recognition rate value. Recognition rate value indicates the total of correctly classified data in testing process againts all data in testing dataset. Recognition rate value related to underfitting, overfitting, local minima, and local maxima problems. However, to handle these problems adjusting some parameters are necessary to be done. These parameters are learning rate, momentum, number of layers, number of nodes, weights, etc. In this writting will be explained an optimization program that adjusts the initialization values of weights to handle those four problems. This program initializes weights using genetic algorithm on backpropagation implementing k fold crossvalidation. To test and compare the optimization program with a program that implements backpropagation without optimization non optimzation program four datasets will be used, those are iris flower dataset, seeds dataset, wine dataset, and artificial EEG dataset. At the end of the test, the results show that optimization program obtained higher recognition rate value on iris flower dataset, that is 97.33 on optimization program againts 96.67 on non optimization program. Other than that, optimization program obtained higher recognition rate value on seeds dataset, that is 93.33 on optimization program againts 92.86 on non optimization program. Also, optimization program obtained higher recognition rate value on artificial EEG dataset, that is 37.5 on optimization program againts 35.94 on non optimization program. However, the optimization program obtained an equal recognition rate value on wine dataset, that is 99.44."

"Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa sebab atas berkah rahmat dan karunia-Nya, penulis dapat menyelesaikan skripsi ini. Penulisan skripsi ini dilakukan dalam rangka memenuhi salah satu syarat untuk mendapatkan gelar Sarjana Teknik, Program Studi Teknik Komputer, Fakultas Teknik, Universitas Indonesia. Penulis menyadari skripsi ini tidak dapat diselesaikan tanpa bantuan dari Bapak F. Astha Ekadiyanto, S.T., M.Sc., selaku pembimbing skripsi yang telah menyediakan waktu, tenaga, dan pikiran selama penulis mengerjakan skripsi ini serta Bapak Ardiansyah, S.T., M.Eng. dan Ibu Prima Dewi Purnamasari, S.T., M.T., M.Sc. yang telah mengarahkan dan memberi saran dalam penulisan skripsi ini. Perkembangan teknologi saat ini tidak hanya berisi informasi positif, informasi yang negatif pun mudah diperoleh melalui media internet. Untuk mengatasi dampak negatif yaitu gambar pornografi, salah satunya adalah pemfilteran gambar porno. Disini penulis mencoba menerapkan pengenalan pola untuk mengklasifikasi apakah gambar itu termasuk porno atau non porno. Proses klasifikasi konten gambar porno dilakukan melalui tiga tahapan utama. Pada tahap awal dilakukan pra-proses untuk memodifikasi resolusi data kualitas citra dilanjutkan dengan ekstraksi fitur menggunakan dekomposisi wavelet haar bertingkat tiga dan empat agar ukuran citra tidak terlalu besar. Setelah itu dilakukan proses reduksi dimensi menggunakan Principal Component Analysis (PCA). PCA menentukan komponen penting dari citra dengan melihat dari varians yang direpresentasikan oleh nilai eigen, sehingga jumlah komponen yang akan dimasukkan ke proses pembelajaran tidak terlalu banyak, untuk menghindari curse of dimentionality. Baru setelah itu dilakukan proses klasifikasi. Pada penelitian ini telah dilakukan perbandingan algoritma SVM dengan BP untuk klasifikasi konten gambar porno. Untuk proses ekstraksi ciri digunakan metode wavelet pada masing-masing kedua metode tersebut. Pada penelitian ini digunakan 60 data uji, masing-masing 30 citra untuk kelas porno dan non porno. Tingkat akurasi yang diperoleh dengan menggunakan metode SVM lebih tinggi dibandingkan BP, yaitu 88,33% dan 86,67%."