Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada skripsi ini dibahas perancangan dan pembuatan suatu model mobil yang dapat bergerok tonpa pengontrolan manusia mengikuti jalan yang ada dihadapannya. Alat ini diberi nama Parikesit. Alat yang dibuat Ini merupakan salah satu dari penerapan salah satu jenis kecerdasan buatan, yaitu jaringan saraf tiruan dengan algoritma propagasi batik.Jaringan saraf tiruan pada skripsi ini berfungsi untuk mengenali bentuk jalan yang ditangkap oleh kamera. Kemudian hash dari pengenalan tersebut dlkirimkan ke mlkrokontroler 8032. Mikrokontroler inilah yang kemudian menggerakkan coda dari model mobil yang digunakan.Bentuk jalan yang dapat dkenali oleh jaringan saraf flan yang digunakan hanya jalan lurus dan tikungan 90 derajat. Demikian juga dengan manufer-manufer gerak yang diprogramkan untuk mikrokontroller 8032 hanya sebatas jalan lurus dan tikungan 90 derajat.Dari hasil uji coba yang dilakukan menunjukkan bahwa jaringan saraf tiruan cukup hondal untuk digunakan pods oplikasi sepetti yang dibuat pada skripsi ini. Hanya saja intensitas cahaya sangat berpengaruh pada keberhasilan dalam menetukan kelas, karena perangkai lunak yang dibuat belum dapat melakukan adaptasi terhadap Intensitas cahaya yang berbeda-beda."

"Skripsi ini membuat suatu perangkat lunak sistem pengklasifikasi jalan yang berbasis jaringan saraf tiruan. Ratio perbandingan Lalu lintas Harian Rata-rata Bulanan (LHRB) / Monthly Average Daily Traffic (MADT) dengan Lalu-lintas Harian Rata-rata Tahunan (LHR'I) / Annual Average Daily Traffic (AADT) digunakan sebagai komponen untuk tiap bulan dalam pola lalu lintas (traffic pattern) bulanan. Data ini kemudian dimasukkan ke sistem saraf tiruan untuk dikenah pola lalu lintas tiap bulannya selama sate tahun penuh (12 bulan). Sistem ini dapat mengenali pola lalu lintas yang lengkap maupun tidak lengkap dan mengelompokkan jalan-jalan yang memiliki pola lalu lintas yang mirip. Dengan pengklasifikasian ini maka dapat diperoleh informasi mengenai suatu kelas jalan yang memudahkan untuk konstruksi, perbaikan maupun pemeliharaan dari jalan tersebut. Jaringan saraf druan yang digunakan dalam tugas akhir ini memakai topologi jaringan propagasi balik (Backpropagation)."

"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."

"Telah dilakukan penelitian berupa pengenalan kualitas fisika air mineral dengan tnenggunakan jaringan saraf tiruan. Ktralitas fisika air yang dikenalkan adalah intensitas cahaya dan deviasi temperatur air terhadap lingkungan. Tujuan penelitian ini adalah membangun sistem pengukur intensitas cahaya dan deviasi temperatur air terkomputerisasi yang diolah dengan algoritma jaringan saraf tiruan. Sensor suhti yang digunakan LM335 dengan kepekaan 10 inVC. Sedangkan detekior cahaya yang digunakan adalah LDR. Keluaran LM335 dan LDR dikuatkan oleh serangkaian OpAmp dengan masukan membalik. Komunikasi antarmuka dipilih ADC Card 12-bit produksi Decision Computer Int'l. Co. Pin 5 digunakan untuk komunikasi LM335, pin 6 digunakan untuk komunikasi LDR. Hasil bacaan suhu dan caliaya yang telah dikalibrasi ditampilkan ke dalam PC. Perangkat lunak ditulis dengan bahasa Delphi dan penajamon analisis data digunakan algoritma jaringan saraf tiruan. Arsitektur jaringan saraf tiruan yang digunakan mengikuti aturan n-2m-2n-m. Metode pernbelajaran yang dipakai perambatan batik (Back Propagation). Penelitian ini memberikan hasil yang cukup balk. Regresi linier terhadap data kalibrasi suhu menghasilkan persamaan digital = 0.0094 x suhu + 2,7328. Statistik regresinya, R2 = 0,9815. Sedangkan basil kalibrasi cahaya memberikan persamaan digital = 0.0109 x cahaya + 1.015. Statistik regresinya, R2 = 0.9684. Secara MUM, hasil pengujian jaringan saraf tiruan menyatakan bahwa target keluaran dapat tercapai dengan baik."

"ABSTRAKTransmisi kopling ganda adalah salah satu teknologi transmisi yang menggabungkan antara transmisi otomatis dan transmisi manual pada kendaraan. Hal yang krusial pada sistem transmisi ini adalah proses pemilihan gigi sebelum gigi transmisi berpindah, yang dikenal dengan proses gear preselect. Penelitian ini menggunakan sistem Jaringan Saraf Tiruan untuk mengatur perpindahan gigi kendaraan dari gigi 1 ke gigi ke 2 dengan menggunakan model kendaraan BMW M3 E92 tahun 2015. Simulasi menggunakan JST dengan 2 lapisan jaringan tersembunyi dengan 10 neuron pada tiap jaringan tersembunyi. Hasil simulasi menunjukkan bahwa terdapat perbedaan akselerasi dan penggunaan bahan bakar. Akselerasi kendaraan dengan menggunakan JST adalah 5.83 m/s2 dan tanpa JST sebesar 3.83 m/s2. Sementara konsumsi bahan bakar sebesar 274.5 ml untuk kendaraan tanpa kendali JST selama 4 s dan untuk kendaraan dengan kendali JST 83.03 ml selama 4 s, dengan selisih sebesar 191.5 ml atau rata ndash; rata 3.77 ml per meter. Selisih ini menunjukkan konsumsi bahan bakar tanpa kendali JST lebih boros sebesar 40.49 per meter.

---

ABSTRACTDouble clutch transmission is one of the transmission technology that combines automatic transmission and manual transmission on the vehicle. The crucial thing in this transmission system is the process of selecting the teeth before the transmission gear shifts, known as the preselect gear process. This research uses Artificial Neural Network system to adjust the gearshift of vehicle from first gear to second gear using BMW M3 E92 vehicle model 2015. Simulation using ANN with 2 layer of hidden network with 10 neuron in each hidden network. The simulation results show that there is a difference in acceleration and fuel consumption. Acceleration of vehicles using ANN is 5.83 m s2 and without ANN of 3.83 m s2. While fuel consumption of 274.5 ml fuel usage for vehicle without ANN control for 4 s and for vehicles with control of ANN 83.03 ml for 4 s, with difference of 191.5 ml or average 3.77 ml per meter. This difference shows that fuel consumption without ANN control is more extravagant at 40.49 per meter."

"Jaringan saraf tiruan telah banyak dikembangkan untuk aplikasi pengenalan pola objek 3 dimensi. Salah satu metode pengenalan objek 3 dimensi melalui citra 2 dimensi dari berbagai sudut pandang telah dikembangkan dengan cara memodifikasi arsitektur lapis tersembunyi pada jaringan multi-layer perceptron menjadi bentuk silindris dan menggunakan metode pelatihan propagasi balik yang dikenal dengan Cylindrical Hidden Multi-Layer Perceptron Back Propagation (CHMLP-BP).Metode ini melibatkan pasangan berarah antara vektor sudut pandang terhadap objek dengan vektor posisi neuron pada lapis tersembunyi yang diabstraksikan ke dalam konstanta yang akan berperan dalam proses pelatihan maupun pengenalan[1]. Kinerja JST CHMLP-BP tersebut masih kurang baik dan diperbaiki dengan menambah neuron pada lapis tersembunyi secara acak sehingga membentuk arsitektur lapis tersembunyi konsentris[2]. Walaupun kinerja meningkat, pertambahan neuron pada lapis tengah secara acak belum membuktikan bahwa struktur jaringan dan kinerja jaringan telah optimal.Algoritma Genetika adalah sebuah teknik untuk pencarian solusi optimal untuk berbagai macam permasalahan. Penulis menggunakan Algoritma Genetika untuk mencari struktur jaringan dan kinerja jaringan yang telah optimal.Penggunaan Algoritma Genetika untuk optimasi terhadap JST CHMLP-BP dilakukan terhadap dua hal. Satu, optimasi pada jumlah bobot-bobot koneksi jaringan, dengan membuang koneksi-koneksi yang tidak diperlukan. Dua, optimasi pada jumlah neuron-neuron tersembunyi, dengan membuang neuron-neuron tersembunyi yang tidak diperlukan.Hasil eksperimen menunjukkan bahwa dengan parameter-parameter yang tepat, Algoritma Genetika dapat mereduksi ukuran jaringan dan meningkatkan kemampuan pengenalan pola. Analisa terhadap parameter-parameter tersebut menunjukkan penggunaan parameter-parameter yang berbeda untuk tiap persoalan optimasi JST."

"Salah satu jenis penyakit kanker yang dapat menyebabkan kematian adalah kanker kulit (melanoma malignum). Tetapi jika penyakit ini dapat terdeteksi lebih awal maka kemungkinan besar dapat disembuhkan secara total. Cara yang sudah banyak digunakan paramedis untuk mendiagnosis tumor kulit adalah dengan melakukan biopsi yang membutuhkan biaya yang cukup besar. Karena itu banyak penelitian-penelitian yang dilakukan untuk memperkecil biaya ini tetapi dengan ketelitian yang cukup tinggi, salah satunya adalah dengan sistem komputerisasi yang menggunakan jaringan saraf tiruan propagasi balik. Input dari jaringan ini berupa hasil ekstraksi ciri dari citra tumor kulit. Ekstraksi ciri tekstur dari citra tumor payudara basil mammography dengan menggunakan Fuzzy Cooccurrence Matrix (FCM) sudah berhasil dilakukan oleh H.D Cheng, C.H. Chen dan R.I Freimanis. Pada penelitian ini FCM digunakan untuk mengekstraksi citra tumor kulit dan jaringan saraf tiruan propagasi balik digunakan untuk mengenalinya. Hasil penelitian yang terbaik didapat jika input jaringan berupa ciri tekstur, bentuk dan warna. Dengan menggunakan perbandingan jumlah data pelatihan dengan data pengenalan 1 : 1 jaringan berhasil mengenali tumor jinak (benign) seluruhnya, tetapi untuk tumor ganas (melanoma malignum) ada 1 tumor ganas yang dikenali sebagai tumor jinak."