Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada tesis ini dibahas mengenai pengendalian sistem multivariabel kolom fraksinator dengan tiga pasangan masukan dan keluaran dengan pengendali Instantaneous Linierization berbasis Neural Network. Tiga masukan pada sistem yaitu top draw (U1 ), side draw (U2), bottoms reflex (U3) dan tiga keluarannya yaitu top end point (Yl), side end point (Y2), bottoms reflux (Y3). Pemodelan sistem kolom fraksinator mengacu pada tabel model heavy oil fractionator yang diambil dari Nett dan Garcia [Pret'88]. Setiap masukan pada sistem mempengaruhi ketiga keluarannya. Interaksi yang terjadi pada sistem dapat diperkecil dengan perancangan dekopling. Simulasi sistem pengendalian dengan pengendali instantaneous linieriration akan dibandingkan dengan pengendali proportional integrator (PI) menggunakan Matlab Versi 6.1 dengan Toolbox Neural Network yang dikembangkan oleh Magnus Noorgard dan Technical University of Denmark. Sistem yang telah dikendalikan diberi gangguan berupa perubahan dinamik dari intermediate reflux duty (IRD), upper reflex duty (URD) dan gangguan random yang bertujuan untuk melihat kemampuan pengendali terhadap gangguan-gangguan tersebut. Dan hasil pengujian, pengendali instantaneous linierization mempunyai settling time, peak time, rise time lebih cepat dibandingkan dengan pengendali PI.

---

This thesis discusses the control of multivariable fractionators column with three pairs of input and output using Instantaneous Linierization controller based on Neural Network The input systems are top draw (U1), side draw (U2), and bottoms reflux duty (U3). The output systems are top end point (Y1), side end point (Y2), and bottoms reflux temperature (Y3). The model system fractionators column related to table model heavy oil fractionators which taken from Prett and Garcia [Pret'88]. Every system inputs are influencing outputs one another. The interactions can be minimized by decoupling scheme. The simulation of control system with instantaneous. linierization controller will be compared to proportional integral (PI), using Matlab Version 6.1 with neural network toolbox that was developed by Magnus Noorgard from Technical University of Denmark. The controlled system will be given a dynamic change disturbance form intermediate reflux duty (IRD), upper reflux duty (URD), and random disturbance. The aim is to test the controller behavior to handle the disturbances. The result shows that the instantaneous linierization controller has shown faster settling time, faster peak time, faster rise time than that of the PI controller."

"Metode artificial neural network digunakan dalam penghitungan nilai kapasitansi pada problem maju dari sistem ECVT untuk proses rekonstruksi semi non linear. Nilai kapasitansi hasil prediksi neural network didapatkan dari input distribusi permitivitas yang menunjukkan hasil citra yang diinginkan. Metode training neural network yang digunakan adalah training backpropagation. Pasangan input dan output data training didapatkan dari hasil simulasi menggunakan software COMSOL Multiphysics 3.4 yang kemudian ditraining menggunakan software Toolbox Neural Network pada Matlab R2007b. Hasil rekonstruksi citra semi nonlinear dibandingkan dengan hasil rekonstruksi linear.

---

Methods of artificial neural network used in the calculation value of capacitance in the forward problem of the system for the semi non-linear reconstruction of ECVT. Capacitance value of neural network predicted results obtained from the input distribution of permitivitty results indicate that the desired image. Training method used by neural network is backpropagation training. Pair input and output data obtained from the training results of the simulation using COMSOL Multiphysics 3.4 software, which then use the software Neural Network Toolbox in Matlab R2007b to train neural network. Results semi nonlinear image reconstruction compared with the results of the linear reconstruction."

"Analisa multi atribut adalah salah satu metode statistik menggunakan lebih dari satu atribut untuk memprediksi properti fisik dari batuan. Tujuan analisa ini adalah adalah mencari hubungan antara log dengan data seismik. Hubungan ini digunakan untuk memprediksi Volome dari properti log pada semua volume seismik Pada penelitian ini analisa multiatribut diaplikasikan pada lapangan X daerah cekungan sumatera selatan dengan menggunakan 5 data sumur. Target dari penelitian ini adalah memprediksi penyebaran porositas di lapangan X. Sumursumur yang dipilih adalah sumur yang tersebar merata dan mewakili area yang akan diprediksi penyebaran porositasnya. Jumlah atribut yang digunakan di tentukan oleh proses step wise regression. Metode multiatribut yang linier transformasinya terdiri dari deret bobot yang diperoleh dari minimalisasi least square. Pada metoda non linier, neural network di gunakan dalam proses training dengan menggunakan atribut yang sudah ditentukan sebelumnya.Tipe neural network yang digunakan adalah PNN ( Probabilistic Neural Network ),tipe ini dipilih karena mempunyai hasil korelasi yang paling baik dibandingkan dengan tipe neural network yang lain. Untuk mengetahui tingkat kepercayaan dari transformasi multiatribut dilakukan proses crossvalidasi. Hasilnya multiatribut menunjukan korelasi sebesar 0.65 dan neural network 0.69.

---

Multi-attribute analysis is a statistic method using more than one attribute to predict physical properties of rocks. The aim of this analysis is to find a relationship between log and seismic data. The relationship is used for predicting volume of log property at all seismic volumes. In this study the multi-attribute analysis is applied to area X, which is a cavity region in South Sumatera, using five well data. The aim of the study is to predict porosity distribution at area X. The wells that were chosen were those that were spread evenly and represented areas where the distribution of porosity will be predicted. The quantity of attributes used is determined by a step wise regression process. A linear multiattribute method comprises of a series that is achieved by a minimised least square. In a non-linear method, neural network is used in the training process with predetermined attributes. The neural network type used was PNN (Probabilistic Neural Network ), this type was chosen because of the best correlation result. To verify the validity of the multi-attribute transformation, a crossvalidation was conducted. The result shows a 0.65 correlation and a 0.69 neural network."

"Speech recognition atau pengenalan suara dengan beragam aplikasinya semakin banyak dimanfaatkan diberbagai bidang kehidupan seperti telekomunikasi, sistem keamanan, kedokteran, administrasi dan bidang-bidang praktis lainnya. Karena itulah teknologi ini terus dikembangkan untuk mendapatkan unjuk kerja yang semakin baik. Sejak dimulai pengembangannya, telah banyak metode yang digunakan dengan kemajuan-kemajuan yang berarti dibandingkan metode sebelumnya, termasuk metode yang sampai saat ini terus dikembangkan yaitu metode statistik menggunakan permodelan Hidden Markov. Walaupun masih ada metode lain yang juga memiliki unjuk kerja yang dapat dibandingkan seperti menggunakan jaringan saraf tiruan (neural network). Pada Skripsi ini disimulasikan penggunaan metode permodelan Hidden Markov (HMM) dengan Linear Predictive Coding (LPC) sebagai pengolah sinyal. Parameter-parameter yang dianalisa adalah variasi jumlah data latih, jumlah state, dan jumlah iterasi. Berdasarkan hasil simulasi didapatkan bahwa jumlah data latih memiliki peran terpenting untuk mendapatkan unjuk kerja System yang baik. Sedangkan jumlah state dan jumlah iterasi juga mempengaruhi kemampuan pengenalan walaupun tidak terlalu berarti."

"Simulasi pengenal bahan kimia menggunakan data set yang disusun dari datapembacaan sembilan sensor oksida timah, sensor kelembaban dan sensor suhu.Data set tersebut digunakan untuk training neural network menggunakan algoritmagradient descent backpropagation dan algoritma momentum backpropagation.Setelah proses training selesai maka hasil training diuji dalam simulasi mengenallima jenis bahan kimia yaitu acetone, ammonia, isopropanol, cairan pengkilat (lighterfiuid) dan cuka (vinegar). Hasil pengujian kemudian dibandingkan untuk melihatkelebihan dan kekurangan kedua algoritma backpropagation tersebut."

"Sistem pengenalan wajah dapat dipergunakan untuk mengetahui identitas seseorang, dan sangat berguna pada proses pendaftaran atau akses masuk ke suatu gedung, maupun proses identifikasi seorang kriminal. Pada proses pengenalan wajah, banyak sekali dimensi yang ada, sehingga diperlukan waktu komputasi yang besar. Dengan dipergunakannya FDR maka dimensi dapat dikurangi, sedangkan FALVQ dipergunakan karena prosesnya yang cepat dan hasil yang baik karena termasuk dalam neural network yang terbimbing. Hasil terbaik FALVQ dengan FDR memberikan peningkatan rekognisi orang 1,47% dan recognisi orang sudut 4,95%. Hasil didapat dengan mempergunakan dimensi 50 dan alpha 8,9. Dengan melihat potensi berkurangnya waktu yang harus dilakukan untuk FALVQ 578,42 detik dan waktu tes FALVQ berkurang 53,91 detik membuat metode FALVQ dengan FDR menjadi lebih baik dalam face recognition.

---

Face recognition system could be used to determine people identity and very useful for login process, acces to a building, ir to identified a criminal. Face recognition study consist of many dimension and it?s verry time consuming. With the use of FDR, we could minimize number of dimension, and with FALVQ will results in faster learning progress and better results due supervised learning in FALVQ.

The best result for FALVQ with FDR makes face recogniton to rise 1,47% and angle-face recognition to rise 4,95%. The optimum dimension from three tested dimension reduction is 50 dimension with alpha 8,9. With the potential of decreased time in FALVQ until 578,42 seconds and decrease in FALVQ test until 53,91 seconds makes FALVQ with FDR better to implement in face recognition."

"Peramalan penjualan merupakan salah satu kunci keberhasilan manajemen rantai pasok sebuah perusahaan. Hal tersebut tidak hanya berlaku untuk perusahaan manufaktur, namun juga pada industry ritel. Untuk itu, peramalan terhadap penjualan merupakan hal yang sangat penting.. Untuk melakukan peramalan tersebut, metode peramalan ARIMA dan Neural network mampu melakukan prediksi berdasarkan data historis permintaan time series. ARIMA mampu melakukan regresi data dengan sangat baik, sedangkan NN mampu memprediksi data dengan pelatihan terhadap data historis. Selain itu, optimasi Neural network dengan Genetic Algorithm mampu memnentukan jumlah neuron tersembunyi yang optimal sehingga mampu mempersingkat waktu training pada pelatihan NN. Objek dalam penelitian kali ini menggunakan produk dengan 3 karakteristik berbeda yaitu penjualan pada telur ayam, mie instan, dan wadah kontainer plastik. Pada penelitian ini, GA-NN menghasilkan tingkat akurasi peramalan yang lebih baik disbanding model lain.

---

Sales forecasting is one of the requirements the company should do to meet a successful supply chain management. It applied not only in manufacturing companies, but also in retail industries. Therefore, sales forecasting is a very important thing. To do sales forecasting, forecasting methods such as ARIMA and Neural network can do prediction based on time series demand historical data. ARIMA is able to perform data regression very well, while NN is able to predict data with training based on historical data. Moreover, Neural network optimization with Genetic Algorithm is able to determine quantity of optimal hidden neuron so NN training time can be shortened and the result should be more accurate. Objects used in this research are products with 3 different characteristics; there are chicken egg, instant noodle, and plastic container. This research shows that GA-NN generates better forecast compared to the other model."

"Dalam beberapa tahun ini, telah banyak penelitian yang berhubungan dengan pengenalan pola dilakukan untuk mengindentifikasi berbagai macam bentuk pola. Tesis ini membahas pengembangan jaringan saraf tiruan fungsi basis radial fuzzy. Dalam penelitian ini dilakukan dua percobaan, yaitu jaringan saraf fungsi basis radial fuzzy menggunakan SOM dan jaringan saraf fungsi basis radial fuzzy tanpa SOM.Hasil yang dicapai dari recognition rate menunjukkan jaringan saraf fungsi basis radial fuzzy menggunakan SOM memberikan performa yang baik. Jaringan saraf ini diharapkan dapat dikembangkan oleh peneliti-peneliti yang lain untuk kemajuan keilmuan dalam segala bidang.

---

In recent years, has been much research related to pattern recognition performed to identify various forms of patterns. This thesis discusses the development of artificial neural networks fuzzy radial basis functions. In this study conducted two experiments, namely radial basis function neural network fuzzy neural network using the SOM and fuzzy radial basis function without SOM.

The result of recognition rate shows the radial basis function neural networks using a fuzzy SOM gives a good performance. Neural network is expected to be developed by other researchers for the advancement of knowledge in all fields."

"Dalam beberapa tahun ini, telah banyak penelitian yang berhubungan dengan pengenalan pola dilakukan dengan menggunakan jaringan syaraf tiruan (artificial neural network). Skripsi ini membahas tentang sistem pengenal pola berbasis neural network ensemble (NNE), yang merupakan kumpulan dari beberapa neural network tunggal. Penelitian ini membandingkan antara NNE yang dilatih dengan fungsi eror kuadratis dan cross-entropy. Terdapat 12 dataset pola yang digunakan pada penelitian ini yaitu 9 dataset pola yang didapatkan dari ?UCI Repository of Machine Learning Database?, 2 dataset citra wajah dari kamera infra merah dan kamera cahaya tampak, dan 1 dataset campuran aroma. Prosedur kerja system terdiri dari tahap pra-pemrosesan, pelatihan, dan pengujian. Pada tahap pelatihan, diterapkan algoritma Negative Correlated Learning (NCL) yang merupakan pengembangan dari algoritma standar backpropagation. Hasil pengujian yang ditinjau dari recognition rate menunjukkan NNE yang dilatih dengan fungsi eror cross-entropy memberikan performa yang lebih baik dibandingkan dengan NNE yang dilatih dengan fungsi eror kuadratis.

---

In recent years, many people have been working on pattern recognition using artificial neural network. This bachelor thesis discuss about pattern recognition system based on neural network ensemble (NNE), which is a group of some individual neural networks. This research compares between NNE which is trained using mean-of-square and cross-entropy error function. There are 12 datasets used in this experiment, which are 9 pattern datasets obtained from ?UCI Repository of Machine Learning Database? and 2 dataset of frontal face images from infra red and visible-light camera, and 1 dataset of odor mixtures. The working procedures of the system consist of pre-processing, training and testing stages. In the training stage, Negative Correlated Learning (NCL) algorithm, a developed standard back propagation method, is applied and some parameters are varied to obtain the optimum performance. The testing result which is measured from recognition rate shows that NNE which is trained using cross-entropy error function has a better performance than the one with mean-of-square error function."