Hasil Pencarian  ::  Simpan CSV :: Kembali

"To improve the recognition accuracy of a developed artificial odor discrimination system for three mixture fragrance recognition, Fuzzy similarity based Self-Organized Network inspired by Immune Algorithm (F-SONIA) is proposed.Minimum, average, and maximum values of fragrance data acquisition are used to form triangular fuzzy numbers. THen, the fuzzy similarity measure is used to define the relationship between fragrance inputs and connection strengths of hidden units. The fuzzy similarity is defined as the maximum value of the intersection region between triangular fuzzy set of hidden units. In experiments, performances of the proposed method is compared with the conventional self-organized Network inspired by Immune Algorithm (SONIA) and the Fuzzy Learning Vector Quantization (FLVQ). Experiments show that F-SONIA improves recognition accuracy of SONIA by 3-9%. Comparing to the previously developed artificial odor discrimination system that used FLVQ as pattern classifier, the recognition accuracy is increased by 14-15%."

"Sistem penciuman elektronik dikembangkan untuk mengatasi ketergantungan terhadap penciuman manusia. Sistem penciuman elektronik ini dibangun dengan memanfaatkan algoritma fuzzy learning vector quantization (FLVQ) untuk proses klasifikasinya. Penelitian ini akan mencoba dua metode baru yang dikembangkan yaitu pemilihan bobot awal jaringan dari vektor rata-rata setiap kelas aroma dan melakukan pengenalan di ruang eigen. Berdasarkan percobaan yang dilakukan, ternyata bahwa kedua metode baru tersebut mampu meningkatkan deraja pengenalan aroma. Pada pengenalan terhadap aroma yang terdiri dari campuran 2 zat (aroma 2 campuran) dengan sistem 8 maupun 16 sensor akurasinya mencapai lebih dari 98%. Sedangkan apda pengenalan aroma yang terdiri dari campuran 3 zat (aroma 3 campuran) akurasi sistem 8 sensor sekitar 80% dan sistem 16 sensor mencapai lebih dari 94%."

"Pengendali logika fuzzy biasa mampu memperbaiki tanggapan waktu suatu sistem kendali. Keberhasilan pengendali logika fuzzy biasa ini, sangat dipengaruhi oleh pengetahuan seorang operator ahli dalarn menentukan nilai-nilai aturan fuzzy, fungsi keanggotaan masukan dan keluaran fuzzynya. Kendala tersebut dapat diatasi dengan menerapkan jaringan syaraf buatan (intelligent neural ntwork) ke dalam perancangan pengendali logika fuzzy. Pada tugas sloipsi ini mencoba menerapkan sualu struktur jaringan syaraf buatan pada perancangan pengendali Iogika fuzzy untuk mengendalikan suatu sistem kendali yang selanjutnya disimulasikan dengan suatu perangkat lunak sederhana (visual basic 3.0). Struktur jaringan syaraf buatan tersebut adalah struktur normalized fuzzy neural network (NT-NN). Pengendali yang dirancang disebut pengendali NFNN. Dalam pengendalian suatu sistem, pengendali NFNN ini membutuhkan suatu identifikasi. Identifikasi disini berfungsi untuk memperoleh perubahan sinyal keluaran plant terhadap perubahan sinyal masukan plant. Dengan kemampuan belajar dari jaringan syaraf buatannya, pengendali NFNN ini mampu memperbaharui nilai aturan fuzzy, fungsi keanggotaan masukan dan fungsi keanggotaan keluaran dalam usaha memperbaiki keluaran suatu sistem kendali. Dengan demikian, pengendali NFNN ini mengurangi kerja operator ahli dalam menentukan nilai aturan-aturan fuzzy, timgsi keanggotaan masukan dan keluaran fuzzy. Hasil simulasi yang dilakukan dengan menggunakan pengendali NFNN ini diperoleh perbaikan pada rise time, settling time, dan kesalahan tunak suatu sistem yang dikendalikan."

"Durasi pemeliharaan merupakan hal yang penting dalam kegiatan dry docking kapal. Estimasi durasi pemeliharaan diperlukan untuk membuat jadwal pemeliharaan kapal pada suatu galangan. Sayangnya saat ini pihak galangan belum mempunyai standar yang baku dalam mengestimasi durasi pemeliharaan kapal. Penelitian ini bertujuan untuk memperoleh model matematis estimasi durasi pemeliharaan kapal dry docking menggunakan Artificial Neural Network dan Genetic Algorithm. Dengan melihat volume dan jenis pekerjaan dry docking sebagai input, diperoleh model estimasi durasi dengan nilai rata-rata error 5.12 hari. Hasil estimasi kemudian dibandingkan dengan metode Neural Network standar dan metode Decision Tree-Genetic Algorithm-Neural network. Hasil penelitian menunjukkan bahwa metode Decision Tree-Genetic Algorithm-Neural network mempunyai nilai estimasi yang lebih akurat dibandingkan dengan kedua metode lainnya.

---

Maintenance time duration is an important things in ship dry docking activities. Estimating the time duration is necessary for ship schedule arranging in dock. Unfortunately, the dock company doesn’t have a standard procedure in estimating ship maintenance duration. The purpose of this research is to get mathematic model of dry docking maintenance duration estimation using Artificial Neural Network and Genetic Algorithm. By considering the job volume and type as input variable, the research get estimation model with root mean square error (RMSE) 5.12 day. Then, the estimation result is compared with traditional Neural network and Decision Tree-Genetic Algorithm-Neural network method. The result shows that Decision Tree-Genetic Algorithm-Neural network is more accurate in estimating the ship maintenance duration than the other two methods."

"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."

"Kebutuhan energi untuk rumah tangga atau bangunan di Indonesia sedang tumbuh secara signifikan. Oleh karena itu, efisiensi energi dalam energi pendingin sangat dibutuhkan. Penelitian ini bertujuan untuk mengembangkan sistem kontrol yang dapat menentukan setpoint paling optimal untuk laju aliran air massa untuk meminimalkan energi dari sistem pendingin. Bangunan dimodelkan oleh perangkat lunak Sketchup dan energi pendingin dimodelkan dengan menggunakan teknik co-simulasi antara EnergyPlus dan Matlab melalui BCVTB (Building Controls Virtual Test). Menggunakan Artificial Neural Network (ANN) dan optimisasi Genetic Algorithm (GA) untuk membuat prediksi optimasi titik yang akurat. Penelitian ini mendapatkan penghematan konsumsi listrik chiller HVAC yang sudah menggunakan sistem part load terutama pada daya pompa chiller sebesar 67,675% penghematan dari kondisi aslinya.

---

Energy needs for households or buildings in Indonesia are growing significantly. Therefore, energy efficiency in cooling energy is needed. This study aims to develop a Control Algorithm that can determine the most optimal set point for the mass flow rate of air to drain energy from the cooling system. Buildings are modeled by Sketchup software and cooling energy is modeled using co-simulation techniques between EnergyPlus and Matlab through BCVTB (Building Controls Virtual Test). Use dynamic neural networks (ANN) and genetics algorithm (GA) optimization to make accurate point optimization predictions. This study found the saving of HVAC chiller electricity consumption that already use part load systems, especially on the power of the chiller pump by 67,675% savings from its original condition."

"Berdasarkan data Kementerian Perindustrian, industri kabel diperkirakan akan mengalami pertumbuhan sekitar 10% -15% beberapa tahun ke depan. Industri kabel saat ini sedang aktif menyuplai industri otomotif, kenaikan penjualan otomotif dan variasi produk ini yang sangat sulit di antisipasi permintaannya. Oleh karena itu, untuk menghadapi ketidakpastian ini, pelaku bisnis harus memiliki alat atau strategi agar rencana strategis perusahaan menjadi andal. Beberapa penelitian sebelumnya tentang prediksi jumlah stok produk di masa depan, menyimpulkan bahwa inventori, baik dalam bentuk bahan baku, barang dalam proses, produk setengah jadi dan produk jadi, pada biaya inventori 20% hingga 40% dari nilai produk. Dengan demikian, pengendalian inventori sangat penting dalam bisnis perusahaan. Kontribusi utama dari penelitian ini adalah membuat model pendukung keputusan dengan memprediksi pesanan dari pelanggan untuk meminimalkan risiko kegagalan persediaan. Oleh karena itu, kombinasi Fuzzy Analytic Hierarchy Process (Fuzzy AHP) dan Artificial Neural Network (ANN) dilakukan untuk manajemen inventori.

---

Based on data from the Ministry of Industry, the cable industry is expected to experience growth of around 10% -15% in the next few years. The cable industry is currently actively supplying the automotive industry, the increase in automotive sales and variations in these products are very difficult to anticipate demand. Therefore, to deal with this uncertainty, business people must have a tool or strategy so that the company`s strategic plan becomes reliable. Some previous studies on the prediction of the number of product stocks in the future, concluded that inventory, both in the form of raw materials, in-process goods, semi-finished products and finished products, at inventory costs 20% to 40% of product value. Thus, inventory control is very important in the company`s business. The main contribution of this research is to make a decision support model by predicting orders from customers to minimize the risk of inventory failure. Therefore, a combination of Fuzzy Analytic Hierarchy Process (Fuzzy AHP) and Artificial Neural Network (ANN) is carried out for inventory management."

"Pada masa sekarang ini perkembangan teknologi cenderung memiliki kemampuan untuk berpikir dan mengambil keputusan layaknya manusia. Salah satu dari banyak metode untuk mengembangkan teknologi yang cerdas adalah dengan menggunakan Adaptive Neuro Fuzyy Inference System. Penelitian ini dilakukan dengan menerapkan ANFIS tipe Sugeno pada data-data penelitian umum, seperti data tanaman iris dan data ionosphere, melihat efek perubahan parameter-parameter terhadap recognisinya, lalu melakukan ANFIS terhadap data citra wajah.

---

The technology nowadays tends to have abbility to think and to size up decision, just like us humans. One of the kind of method to enhance smart technology is by using Adaptive Neuro Fuzyy Inference System. This research is done by using ANFIS Sugeno type on general research data, such as iris plant data and ionosphere data, observing the effect of the changing parameter over the recognition, then using ANFIS on face image data."