Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pertukaran data informasi menghendaki adanya suatu sistem yang dapat memastikan informasi yang dikirim dapat diterirna sesuai dengan data yang sebenamya. Tingkat kesalahan yang terjadi dalam suatu transmlsi data dinyatakan dalam harga Probability af Error. Kesarahan dalam transmisi dapat diminimalisir secara signifikan melalui proses encoding menggunakan sejumlah encoder (Concatenated Code} dengan tcknik Vonvard Error Correction (FEC) Convolutional Code. Konfigurasi Concatenated Convolutfonal Code dapat disusun secara seri (Serial Concatenated Convolutional Code) dan paralel (Parallel Concatenated Convolutional Code). Secara teoritis, performa proses decoding dapat ditingkatkan dengan menggunakan A Posteriory Probability (APP) Decoder dan penerapan literasi. Konfigurasi SCCC dan PCCC dapal dibandingkan dengan menggunakan simulasi untuk mengetahui keunggulan masing~masing sistem. Pada proses decoding dalam simulasi digunakan APP Decoder dan dilakukan penetapan iterasi untuk melihat pengaruhnya terhadap Bit Error Rate (BER) sistem. Variasi Signal no Noise Ratio (SNR) diberikan pada kana! A WGN saat transmisi untuk mclihat pengaruhnya terhadap BER. Analisa juga dilakukan terhadap waktu delay sistem dan biaya (cost) yang dibutuhkan berdasarkan jumlah perangkat (tools) yang digunakan. Berdasarkan simulasi diketahui bahwa rangkaian PCCC lebih kompleks daripada SCCC, khususnya untuk perangkat intedeaver dan encoder yang dibutuhkan agar performa sistem optimaL Peningkatan jumlah iterasi dan penambahan harga SNR dapat mengurangi kesalahan yang terjadi. Waktu yang dibutuhkan untuk proses encoding-decoding rangkaian SCCC dua kali lebih lama daripada rangkaian PCCC. Jumlah komponen utama yang dibutuhkan kedua kedua rangkaian sama, namun rangkaian PCCC lebih kompleks yang menyebabkan biaya (cost) yang dibutuhkan lebih besar."

"ABSTRAKDalam geofisika dan reservoir engineering, metode neural network lazim digunakanuntuk melakukan prediksi hubungan antara data log dengan data seismik atau data loglainnya, sehingga dengan data log yang tersedia dapat diperkirakan log lain yang tidaktersedia datanya, bahkan dipergunakan juga untuk melakukan karakterisasi reservoir.Namun metode ini juga memiliki sejumlah kekurangan dalam penerapannya gunamemprediksi hubungan antara satu jenis data dengan jenis data yang lain. Masalah umumyang ditemui adalah metode ini sulit diterapkan pada data yang terbatas.Para praktisi pasar modal menggunakan metode wavelet transform untuk meningkatkankemampuan jaringan pada neural network untuk mengenali deret data yang polanyabelum pernah ditemui dalam dataset pelatihan. Metode ini telah terbukti efektif dalamprediksi pergerakan harga dan permintaan yang kerap mengalami perubahan trendmaupun pola pergerakannya. Kami menerapkan metode ini untuk meningkatkan nilaivalidasi dari log hasil estimasi dengan data yang terbatas.Studi ini menunjukkan hasil proses wavelet transform pada data log yang diklasifikasikandengan jaringan kompetitif akan menjadi bagian yang dapat memberikan arti pentinguntuk meningkatkan kemampuan generalisasi jaringan backpropagation.

---

ABSTRACTIn geophysics and reservoir engineering, the neural network method commonly used topredict the relationship between log data and seismic data or another log data, thus withthe available log data, we can expect any logs which have no data, even also can be usedto perform reservoir characterization. However this method has some lacks in itsapplication to predict the relationship between one data with the other data types. Thecommon problem encountered is the reduction of network ability for data prediction if itsapplied on limited input data.Practitioners of capital market use wavelet transform methods to increases the networkability in neural network to recognized data series, which never found in training dataset.This method has been effectively proven to predict price and demand movement, whichusually changes both in trend or movement pattern. We applied this method to increasethe validation value of the estimated log on limited input data.This study shows that the classified result of wavelet transform using competitivenetwork will be an important part to enhance generalization of backpropagation network."