Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Pengawasan bawah air sangat penting untuk memantau ekosistem laut, melindungi infrastruktur kritis, dan memastikan keamanan maritim dengan pendeteksian anomali, pelacakan aktivitas bawah air, dan perlindungan area sensitif. Namun, Kendaraan Bawah Air yang Dioperasikan dari Jarak Jauh (ROV) memiliki beberapa tantangan, salah satunya adalah arus bawah air sehingga diperlukan pengendali yang kuat untuk menjaga stabilitas. Skripsi ini memodelkan hubungan antara input dari RPM motor dengan pitch rate dan yaw rate sebagai output. Model Sistem Dinamis didapat dengan menggunakan data-data yang diperoleh selama uji lapangan di salah satu kolam uji coba di kota Bandung. Sebanyak 57,788 titik data dikumpulkan selama lima menit dan diolah menggunakan aplikasi MATLAB dengan memanfaatkan jaringan neural LSTM. Hasilnya menunjukkan bahwa dari Model Sistem Dinamis pitch rate didapatkan hasil simulasi terbaik dengan hyperparameter di dua layer LSTM, 900 Hidden Units, 1700 Epochs, 100 mini-batch size, 0.001 Initial Learning Rate, 0.8 Gradient Threshold, dan rasio training : testing sebesar 55:45, Selain itu, didapatkan nilai Root Mean Square Error (RMSE) training dan testing sebesar 0.041248 dan 0.2517. Pada Model Sistem Dinamis yaw rate didapatkan hasil simulasi terbaik dengan hyperparameter di dua layer LSTM, 950 Hidden Units, 2000 Epochs, 120 mini-batch size, 0.0005 Initial Learning Rate, 0.8 Gradient Threshold, dan rasio training : testing sebesar 55:45 dengan perolehan nilai RMSE training dan testing sebesar 0.030847 dan 0.70734. Dari simulasi yang telah dilakukan, penulis berhipotesis bahwa hasil simulasi telah cukup optimal untuk  digunakan dalam pemodelan Sistem Dinamis pada Kendaraan Bawah Air yang Dioperasikan Jarak Jauh.

---

Underwater surveillance is crucial for monitoring marine ecosystems, protecting critical infrastructure, and ensuring maritime security through anomaly detection, underwater activity tracking, and safeguarding sensitive areas. However, Remotely Operated Underwater Vehicles (ROVs) face several challenges, including underwater currents, necessitating robust controllers to maintain stability. This thesis models the relationship between input from motor RPMs and pitch rate and yaw rate as output. The Dynamic System Model is obtained using data collected during field tests in one of the trial pools in Bandung. A total of 57,788 data points were gathered over five minutes and processed using the MATLAB application, leveraging a neural LSTM network. The results indicate that for the Dynamic System Model, the best simulation results for pitch rate were achieved with hyperparameters in a two-layer LSTM: 900 Hidden Units, 1700 Epochs, 100 mini-batch size, 0.001 Initial Learning Rate, 0.8 Gradient Threshold, and a training-to-testing ratio of 55:45. Additionally, the Root Mean Square Error (RMSE) values for training and testing were 0.041248 and 0.2517, respectively. For yaw rate, the best simulation results were obtained with hyperparameters in a two-layer LSTM: 950 Hidden Units, 2000 Epochs, 120 mini-batch size, 0.0005 Initial Learning Rate, 0.8 Gradient Threshold, and the same training-to-testing ratio. The corresponding RMSE values for yaw rate were 0.030847 (training) and 0.70734 (testing). Based on the conducted simulations, the author hypothesizes that the simulation results are sufficiently optimal for use in modelling the Dynamic System of Remotely Operated Underwater Vehicles.

"

"Emisi kendaraan terutama yang menggunakan mesin diesel merupakan masalah yang sudah tidak asing lagi. Nox, HC, O2, CO, CO2 dan asap yang merupakan zat- zat hasil pembakaran mesin diesel dapat di ukur melalui percobaan eksperimental. Tetapi tentunya percobaan eksperimental ini mempunyai beberapa kekurangan seperti pengoperasiannya yang mahal serta prosesnya yang memakan waktu cukup panjang. Untuk mengatasi masalah itu semua, maka dibuatlah suatu metode pemodelan matematika menggunakan Artificial Neural Network (ANN). Metode ANN yang digunakan dalam skripsi ini adalah Backpropagation. Dengan dilakukannya penelitian ini diharapkan karakter emisi kendaraan mesin diesel dapat diprediksi secara akurat. Hasil dari penelitian ini membuktikan bahwa ANN cukup handal dalam memprediksi emisi bahan bakar mesin diesel.

---

Vehicle emissions, especially using diesel engine is not a strange problem anymore. NOx, HC, O2, CO, CO2 and smoke emissions comes from the combustion of substances in diesel engines can be measured through experimental test. Certainly this experimental test has several shortcomings such as the operation is expensive and time consuming process which is long enough.

To cope with this problem, then a mathematical modeling method using Artificial Neural Network (ANN) was made. ANN method used in this thesis is Backpropagation. This research expect to predict characters of diesel engine emissions accurately. The results of this study proves that ANN quite good to predict diesel engine emission."

"Plat nomor merupakan suatu jenis identifikasi kendaraan bermotor. Setiap kendaraan bermotor yang beroperasi dijalanan diwajibkan untuk melengkapi kendaraannya dengan plat nomor atau Tanda Nomor Kendaraan Bermotor (TNKB) yang sesuai dengan kode wilayah, nomor registrasi dan masa berlaku. Plat nomor di Indonesia terdapat 3 warna yang dipakai yaitu hitam, merah dan kuning dengan masing masing warna untuk fungsi yang berbeda. Dengan jumlah kendaraan di Indonesia, sistem pengenalan plat nomor dibuat secara otomatis bisa di implementasikan untuk memudahkan berbagai hal dalam pendataan plat nomor diantaranya pengecekan plat nomor ketika di area parkir, menemukan kendaraan yang dicuri ataupun mobil yang melanggar lampu merah. Pada penelitian ini terdapat 2 metode yang sering digunakan untuk pengenalan plat nomor otomatis yaitu KNN (K-Nearest Neighbour) dan NN (Neural Network). Setelah dilakukan pengujian menggunakan 3 analisis uji yang sudah dilakukan oleh penulis, akurasi metode neural network berhasil mencapai 88,8% sedangkan pada K-Nearest Neighbor akurasinya mencapai 72,2%. Metode NN lebih baik daripada KNN pada pengujian kali ini disebabkan adanya modifikasi pada variable yang dapat membuat akurasi NN lebih baik daripada KNN. Sedangkan pada metode KNN tidak dapat merubah akurasi yang telah didapatkan.

---

Number plate is a type of motor vehicle identification. Every motorized vehicle operating on the road is required to complete the vehicle with a license plate or Motor Vehicle Number (TNKB) that matches the area code, registration number and validity period. Number plates in Indonesia there are 3 colors used, namely black, red and yellow with each color for different functions. With the number of vehicles in Indonesia, the number plate recognition system is made automatically can be implemented to facilitate various things in number plate registration including checking license plates when in the parking area, finding stolen vehicles or cars that violate red lights. In this study there are 2 methods that are often used for automatic number plate recognition, namely K-Nearest Neighbor and NN (Neural Network). After testing using 3 test analyzes carried out by the author, the accuracy of the neural network method reached 88.8% while the K-Nearest Neighbor accuracy was 72.2%. The NN method is better than KNN in this test due to a modification in the variable that can make the accuracy of NN better than KNN. While the KNN method cannot change the accuracy that has been obtained."

"Proses segmentasi organ secara manual memakan waktu dan hasilnya subyektif terhadap definisi batas-batas kontur. Pemanfaatan teknologi Machine Learning (ML) berjenis 3D convolutional neural network (3D CNN) untuk mensegmentasi organ secara otomatis dapat mempercepat dan menstandarisasi hasil segmentasi organ. Penelitian ini mengimplementasilan network ML berbasis VoxResNet dan memanfaatkan 60 dataset CT Scan toraks dari Grand Callenge AAPM 2017 untuk melatih, memvalidasi, dan menguji model-model ML dengan berbagai variasi hyperparameter. Pengaruh variasi hyperparameter terhadap hasil segmentasi model juga dipelajari. Dataset dibagi menjadi 3 yaitu, 36 untuk perlatihan, 12 untuk validasi, dan 12 untuk pengujian. Dalam penelitian ini paru-paru kiri dan paru-paru kanan dijadikan satu jenis OAR bernama paru-paru, esophagus dan spinal cord dijadikan satu OAR bernama ESP, sedangkan jantung tetap OAR tersendiri. Variasi hyperparameter adalah variasi ukuran patch, jumlah batch, dan weight class. Hasil segmentasi model-model dievaluasi dan diperbandingkan untuk mencari model terbaik dengan hyperparameter-nya yang mampu menghasilkan kualitas hasil segmentasi organ terbaik. Kemampuan network dalam proses perlatihan dan validasi dievaluasi menggunakan kurva pembelajaran. Kualitas hasil segmentasi model organ dievaluasi menggunakan boxplot distribusi populasi nilai metrik Dice Similiarity Coefficient (DSC) dan Housdorf Distance (HD) setiap slice. Peningkatan atau penurunan kinerja model akibat variasi hyperparameter dinilai menggunakan skor peningkatan metrik. Terakhir, metrik DSC dan HD95 secara 3D hasil segmentasi model terbaik dibandingkan dengan hasil segmentasi oleh interrater variability AAPM 2017 dan hasil segmentasi team virginia. Hasil kurva pembelajaran tidak mengalami underfitting menunjukkan bahwa network mampu mempelajari data perlatihan dengan baik. Overfitting terjadi pada model organ jantung dan ESP. Hasil eksperimen variasi ukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja moukuran patch menunjukkan bahwa besar ukuran patch tidak selalu linier dengan kinerja model. Model ukuran patch tengah memberikan kualitas distribusi metrik dan skor paling baik dibandingkan model ukuran patch terkecil dan terbesar pada semua OAR dengan skor 11, 13, dan 13 dari 16. Hasil eksperimen variasi jumlah batch menunjukkan bahwa peningkatan jumlah batch tidak selalu berdampak positif terhadap kinerja model. Untuk model jantung ukuran patch terbesar, peningkatan batch dapat meningkatkan skor dari 2 menjadi 12. Untuk model ESP ukuran patch terbesar, peningkatan batch menurunkan skor dari 13 menjadi 2. Hasil eksperimen variasi weight class (W) menunjukkan bahwa baik model jantung maupun ESP cenderung memberikan distribusi metrik dan skor terbaik di sekitar W = [1,3.67] atau W = [1, C1 < 11]. Dibandingkan dengan interrater variability AAPM, model jantung terbaik menghasilkan nilai metrik yang comparable, yaitu untuk DSC 3D 0.932 ± 0.016 = 0.931 ± 0.015 dan untuk HD95 4.00 ± 0.25 < 6.42 ± 1.82. Sedangkan untuk model paru-paru memberikan metrik lebih baik, yaitu 0.964 ± 0.025 > 0.956 ± 0,019 dan 4,72± 0,21 < 6.71 ± 3,91. Dibandingkan dengan team virginia, model jantung terbaik berhasil memberikan nilai metrik yang lebih baik. yaitu 0.932 ± 0.016 > 0.925 ± 0.015 dan 4.00 ± 0.25 < 6.57 ± 1.50, sedangkan model ESP terbaik menghasilkan metrik yang comparable, yaitu 0.815 ± 0.049 = 0,810 ± 0,069 dan 4,68 ± 0,17 < 8,71 ± 10,59. Dari hasil-hasil ini memberikan potensi adanya perpaduan ukuran patch, jumlah batch, dan weight class tertentu yang dapat menyebabkan hasil segmentasi model ukuran patch lebih kecil dapat mengimbangi hasil segmentasi model ukuran patch lebih besar sehingga tuntutan akan perangkat dengan spesifikasi tinggi dan mahal dapat berkurang.

---

The process of manual organ segmentation is time consuming and the results are subjective in term of definition of contour boundaries. The utilization of Machine Learning (ML) technology using 3D convolutional neural network (3D CNN) to segment organs automatically can speed up the procces as well as standardizing the results of organ segmentation. This study implements a VoxResNet-based ML network and utilizes 60 thoracic CT scan datasets obtained from Grand Callenge AAPM 2017 to train, validate, and test ML models with various hyperparameter variations. The effects of hyperparameter variations on the segmentation results of models are also studied. The dataset is divided into 3 parts, namely 36 for training, 12 for validation, and 12 for testing. In this study the left lung and right lung were combined into one type of OAR called the lung, the esophagus and spinal cord were combined into one OAR called ESP, while the heart remained a separate OAR. Hyperparameter variations are variations in patch size, number of batches, and weight loss. The segmentation results of the models are evaluated and compared each other to find the best model and it’s hyperparameters which is able to produce the best segmentation’s quality. The ability of the network in training and validation procceses is evaluated using learning curve. The quality of the organ model’s segmentation results is evaluated using boxplot of population’s distribution of the Dice Similiarity Coefficient (DSC) and Housdorf Distance (HD) metrics for each slice. The increases or decreases in model performance due to variations in hyperparameters are assessed using the metric improvement score. Finally, the 3D DSC and HD95 metrics of the best model’s segmentation results are compared to the results of segmentation by the AAPM 2017’s interrater variability and to the segmentation results by team virginia. There is no underfitting of learning curve indicates that the network is able to learn the training data. Overfitting occurs in the heart and ESP models. The experimental results from patch size variations show that the size of the patch is not always linear with the performance of the model. The middle patch sized models give the best metric distribution’s quality as well as scores compared to the smallest and largest patch sized models for all OARs with scores of 11, 13, and 13 out of 16. The experimental results from batch number variations show that an increase in batch does not always have a positive impact on model performance. For the largest patch sized heart’s model, the increase increases the score from 2 to 12. For the largest patch sized ESP's model, the increase reduces the score from 13 to 2. The results from variations in weight loss (W) experiment show that both heart’s and ESP's models tend to provide the best distributions in term of metrics and scores around W = [1, 3.67] or W = [1, C1 < 11]. By comparing with AAPM's interrater’s variability, the best heart model produces comparable metric's result, that is 0.932 ± 0.016 = 0.931 ± 0.015 for DSC 3D and 4.00 ± 0.25 < 6.42 ± 1.82 for HD95. The best lungs model produces better metrics, that is 0.964 ± 0.025 > 0.956 ± 0,019 and 4,72 ± 0,21 < 6.71 ± 3,91. By comparing with team virginia's results, the best heart model produces better results that is 0.932 ± 0.016 > 0.925 ± 0.015 and 4.00 ± 0.25 < 6.57 ± 1.50. Meanwhile the best ESP model produces comparable results that is 0.815 ± 0.049 = 0,810 ± 0,069 and 4,68 ± 0,17 < 8,71 ± 10,59. The results of this study suggests that there is a certain combination of patch size, batch, and weight class by which enables smaller patch sized model to produce comparable metric's result produced by larger patch sized model thus decreasing the need to use higher specificationed and expensive computer."

"Perkembangan bare dalam neural network telah memberikan keuntungan-keuntungan dalam aplikasi sistem kontrol. Berdasarkan teori stale space dan pendekatan neural network, dikembangkan suatu algoritma yang disebut Stochastic Neural Direct Adaptive Control (SNDAC) untuk mengendalikan plant yang diketahui sebagian matriks sistemnya, yaitu matdks masukan B(.) dan matriks keluaran C(.). Pengendali neural network menggunakan algoritma SNDAC untuk mengubah bobot-bobotnya sehingga dihasilkan sinyal kendali yang mengoptimalkan quadratic performance index. Parameter yang berpengaruh pada pengendalian adalah banyaknya neuron pada lapisan tersembunyi dan besarnya koefisien belajar. Pemilihan banyaknya neuron pada lapisan tersembunyi dan besarnya koefisien belajar tidak dapat dilakukan secara eksak, tetapi dengan trial and error. Dengan pemilihan yang tepat dihasilkan pengendalian yang stabil dengan toleransi kesalahan yang kecil, seperti terlihat pada hasiI simulasi."

"Dalam skripsi ini dibuat perangkat lunak yang dapat mengenali tipe ABO golongan darah manusia melalui pengolahan citra berbasiskan Jaringan Syaraf Tiruan (JST). Pola sampel darah yang direaksikan dengan reagen akan memiliki hasil pasangan penggumpalan yang berbeda. Jenis reagen yang direaksikan adalah antigen-A dan antigen-B. Pola pasangan darah dan reagen serta bentuk penggumpalan citra darah menjadi ciri dan kombinasi yang unik untuk membedakan tipe-tipe darah yang ada.Data sampel darah berupa citra digital yang diperoleh menggunakan kamera digital. Sampel darah direaksikan dengan reagen di atas preparat dengan urutan reagen anti-A ditempatkan pada bagian kiri preparat dan reagen anti-B pada bagian kanan. Sebelum diolah dalam sistem JST, data melewati pra-proses, yaitu proses perbaikan citra digital yang terdiri dari proses pencuplikan, gray-level quantization, dan normalisasi dalam bentuk matriks. Hasil akhirnya berupa citra fitur hitam putih dalam matriks berukuran 5×5. Hasil pra-proses kemudian dihitung nilai parameter karakteristiknya, yaitu nilai rata-rata matriks tersebut. Nilai ini selanjutnya akan dijadikan input bagi proses pelatihan jaringan syaraf tiruan dengan metode backpropagation.Jumlah data sampel sebanyak 120 set, dimana 80 di antaranya digunakan untuk melatih JST, dan sisanya digunakan untuk menguji JST. Hasil simulasi menunjukkan sistem mampu mengenali golongan darah dengan tingkat akurasi hingga 90%.

---

In this research, an identification system of human blood type is designed using image processing techniques and the Artificial Neural Network (ANN) with backpropagation algorithms. The pattern of human blood type was formed using a chemical reaction between the blood and a reagent. The reagent that used in the reaction process are anti-A and anti-B reagent. Using a flat glass preparat as a media, the anti-A reagent is mixed to the blood sample on the left side and the anti-B reagent on the right side. Combination of blood coagulation pairs could distinguish the blood type.

The blood coagulation pair is converted into digital images after taken by a digital camera. The image is then pre-processed and normalized to 50×50 matrix size. The matrix is divided to different blocks and reduced to 5×5 grayscale image. The preprocessing involved sampling, gray-level quantization, and normalization. After preprocessing, the mean of 5×5 gray scale image will be calculated and used as the input for the ANN.

The total number of blood sample data is 140 pairs, 80 set of them are used for training process of the ANN and the rest are used for identification. The simulation result shows that the system is able to identify up to 90% level of accuracy."

"Memprediksi Pergerakan Harga Saham selalu menjadi isu yang menarik dan memiliki implikasi yang signifikan dalam membuat keputusan investasi, khususnya di Bursa Efek Indonesia sebagai pasar yang menggeliat. Penelitian membahas prediksi pergerakan harga saham dengan menggunakan Artificial Neural Network (ANN) atau jaringan syaraf tiruan dan Box-Jenkins Autoregressive Integrated Moving Average (ARIMA) di Bursa Efek Indonesia. Penelitian ini menggunakan pendekatan kuantitatif dan tergolong dalam studi eksplanatif. Rentang waktu yang digunakan ialah dari Januari 2008 hingga Desember 2012. Penelitian ini berusaha menganalisis signifikansi dari metode ANN dalam peramalan harga saham LQ45 di Indonesia. Diharapkan hasil dari penelitian ini dapat membantu para investor dan pihak lain yang berkepentingan dalam memilih metode peramalan yang terbaik dan juga keputusan bisnis terbaik. Terdapat empat faktor yang dipilih sebagai variabel independen, yaitu Indeks Harga Saham Gabungan (IHSG), volume perdagangan harian tiap saham, kurs Rupiah terhadap Dollar Amerika dan harga minyak dunia. Penelitian ini menemukan bahwa metode ANN lebih signifikan dibandingkan dengan metode ARIMA dalam peramalan harga saham LQ45 di Indonesia.

---

Predicting Stock Price Movement is always considered as an interesting issues and has significant impacts in creating investment decision, particularly in the Indonesian Stock Exchange as an emerging market. This research discusses the prediction of stock price movements using Artificial Neural Networks (ANN) method and Box Jenkins Autoregressive Integrated Moving Average (ARIMA) in Indonesian Stock Exchange.

This research is quantitative and explanation in nature. The time scope of this research was from January 2008 up to December 2012. This research intends to analyze the significant of ANN method in forecasting Indonesian LQ45 Stock prices.

It is expected that the results of this research might assist the investors and other interested parties in selecting best forecasting methods and also best investment decision. There are four factors selected as independent variables, such as: Indonesian Composite Index, trading volume of each stocks, local currency exchange rate to USD and oil spot price. The research reveals that ANN is statistically more significant compared."

"

Demam Berdarah Dengue (DBD) adalah salah satu masalah kesehatan masyarakat yang utama di Indonesia. Jumlah kasus DBD semakin bertambah seiring dengan laju pertumbuhan mobilitas dan populasi manusia. Radial basis function neural network (RBFNN) pada tugas akhir ini diimplementasikan untuk prediksi jumlah insiden mingguan DBD di DKI Jakarta. RBFNN adalah salah satu feed forward neural neworks yang hanya memiliki satu lapisan tersembunyi. Lapisan tersembunyi pada RBFNN dikonstruksi oleh sebuah fungsi aktivasi. K-means clustering digunakan untuk menunjang peforma dari RBFNN, yaitu untuk menentukan pusat dan lebar dari fungsi aktivasi yang digunakan. Performa dari RBFNN dilihat dari RMSE yang dihasilkan pada data training dan data testing. Dari implementasi yang dilakukan, dapat diperoleh bahwa pemilihan struktur atau model RBFNN sangat berpengaruh terhadap hasil prediksi yang diperoleh. Pada tugas akhir ini, RBFNN mampu memprediksi insiden mingguan DBD di DKI Jakarta dengan cukup baik tetapi RBFNN belum dapat menjakau data yang melonjak tinggi pada data testing.

---

Dengue Hemorrhagic Fever (DHF) is one of the main public health problems in Indonesia. The number of DHF cases and the spread of this disease is increasing along with mobility and population density. Radial basis function neural network (RBFNN) in this final project is implemented to predict the number of weekly DHF incidents in DKI Jakarta. RBFNN in this final project was implemented to predict the number of weekly DHF incidents in DKI Jakarta. RBFNN is a feed forward neural network model that has a single hidden layer. The hidden layer of RBFNN is constructed by an activation function. K-means clustering algorithm is used to improve the performance of RBFNN to determine the center and width of the activation function. The performance of RBFNN can be seen from the RMSE generated in the training data and testing data. From the implementation, it can be obtained that the choice of RBFNN structure or model is very influential on the predicted results obtained. In this final project, RBFNN is able to predict the weekly incidence of DHF in DKI Jakarta quite well but RBFNN has not been able to predict well the data that soared in the testing data.

"

"Quadcopter atau Quadrotor adalah sebuah jenis helikopter tanpa awak yang memiliki empat rotor yang terpasang dengan propeller. Pada quadcopter memiliki 2 buah rotor yang berputar searah jarum jam dan 2 buah rotor yang berputar berlawanan arah jarum jam. Pada sebuah quadcopter memiliki keseimbangan yang tidak stabil secara aerodinamis sehingga memerlukan komputer untuk mengkonversi perintah input menjadi perintah yang dapat mengganti kecepatan rotasi dari propeller sehingga menghasilkan gerakan yang diinginkan. Seiring dengan perkembangan teknologi, khususnya Artificial Intelligence dan Machine Learning, teknologi telah menjadi bagian penting serta berpengaruh secara signifikan dalam kehidupan manusia. Pengaplikassian Artificcial Intelligence seperti Neural Network juga tidak luput pengaplikasiannya di bidang Quadcopter Unmanned Aerial Vehicles (UAV). Dalam hal ini Neural Network digunakan sebagai basis dari metode pengendalian yang hendak diaplikasikan pada Quadcopter Unmanned Aerial Vehicles (UAV) yang disebut sebagai Pengendali Neural Network. Metode pengendalian Neural Network merupakan metode pengendalian yang memiliki model matematika yang disusun oleh Artificial Neural Network (ANN) dimana pengendali Neural Network terdiri dari dua buah komponen dasar yakni komponen inverse dan komponen identifikasi. Jenis pengendali yang digunakan untuk menstabilisasi manuver pada pergerakan Quadcopter UAV kemudian diuji dan diverifikasi melalui simulasi yang dilakukan dengan bahasa pemrograman MATLAB serta dilakukan perbandingan dengan pengendali Single Neuron Adaptive PID sebagai pembanding dalam hal performa pengendali.

---

A quadcopter, or quadrotor, is an unmanned helicopter with four rotors equipped with propellers. In a quadcopter, two rotors spin clockwise, and two rotors spin counterclockwise. A quadcopter has an aerodynamically unstable balance, which requires a computer to convert input commands into instructions that can change the rotation speed of the propellers to produce the desired movements. With the advancement of technology, especially Artificial Intelligence and Machine Learning, technology has become an integral and influential part of human life. Artificial Intelligence, such as Neural Networks, is also applied in the field of Quadcopter Autonomous Aerial Vehicles (UAV). In this context, Neural Networks are used as the basis for control methods to be applied to Quadcopter Unmanned Aerial Vehicles (UAV), referred to as Neural Network Controllers. The Neural Network Controller method is a control method with a mathematical model constructed by an Artificial Neural Network (ANN) consisting of two primary components: the inverse component and the identification component. The type of controller used to stabilize the maneuvers in the movement of the Quadcopter UAV is then tested and verified through simulations conducted in the MATLAB programming language and compared with Single Neuron Adaptive PID (SNAPID) controllers regarding controller performance."

"ABSTRAK

Kanker Payudara (KPD) merupakan salah satu penyakit penyebab kematian terbesar. Indonesia merupakan negara dengan jumlah KPD cukup besar. KPD ini merupakan benjolan. Benjolan ini dapat diperiksa menggunakan cara manual yaitu diraba bagian dekat dengan putting susu. Jika benjolan tidak kunjung mengecil dianjurkan untuk memeriksa ke dokter. Pendektesian KPD ini dapat dilakukan dengan menggunakan proses pencitraan. Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Pendektesian dilakukan dengan menganalisa gambar payudara (mammography) pasien dengan menggunakan metode Principal Component Analysis (PCA) mengubah gambar dalam bentuk matriks. Matriks ini akan digunakan sebagai data yang akan digunakan dalam Neural Network (jaringan saraf tiruan) dengan metode Backpropagation Neural Network (BNN). Dari hasil Percobaan dapat diketahui bahwa metode ini menghasilkan nilai akurasi pembelajaran dari deep learning supervised sebesar 98%.

---

ABSTRACTBreast Cancer is one of the biggest causes of death. Indonesia is a country with a large number of KPDs. This KPD is a lump. This lump can be examined using a manual method that is palpated near the nipple. If the lump does not go away it is recommended to see a doctor. This breast cancer assessment can be done using the imaging process. . The data used in this study was taken from the website of the Pilot European Image Processing Archive (PEIPA) namely the Mammographic Image Analysis Society (MIAS) dataset. The assessment is done by analyzing the breast image (mammography) of the patient using the Principal Component Analysis (PCA) method to change the image in the form of a matrix. This matrix will be used as data to be used in Neural Networks with the Backpropagation Neural Network (BNN) method. From the results of the Experiment it can be seen that this method produces the value of accuracy of learning from supervised deep learning about 98%.

"