Hasil Pencarian  ::  Simpan CSV :: Kembali

"PT.X telah memiliki pengalaman operasional dan reputasi yang balk selama berpuluh tahun dalam menggeluti bidang bisnis Percetakan Security khususnya uang kertas yang sangat vital dan memiliki pasar yang captive.PT.X secara teoritis memiliki kapasitas produksi diatas permintaan, namun masih memiliki permasalahan dalam hal ketepatan penyerahan produknya. Perrnasalahan ini diakibatkan terjadinya penyimpangan performa standar dari unit Flokulasi ( pengolah limbah tinta ) yang berdampak pada menurunnya kinerja permesinan di unit cetak Intaglio. Disisi lain PT.X berupaya untuk meningkatkan kemampulabaan dan kemamputumbuhan , oleh karena itu upaya yang diambil PT.X adalah memperbaiki sekaligus meningkatkan kinerja sistim produksinya.Untuk mengatasi permasalahan tersebut, maka dikembangkan suatu bentuk Strategi Manufaktur yang diimplementasikan melalui langkah - langkah perbaikan pada sistim pengendalian proses Flokulasi. Adapun langkah pertama yang dilakukan adalah untuk mengetahui kondisi aktual perusahaan termasuk kinerja dari lini permesinannya, dimana metode yang dipakai adalah analisa kuantitative atas laporan keuangan dan analisa kinerja bisnis yaitu analisa SWOT.Sedangkan kondisi kinerja Manufaktur dari unit Produksi diukur dengan memakai rasio MCE (Manufacturing Cycle Effectiveness) , rasio Machine Effectiveness dan sebagai pembanding dilakukan analisa Benchmarking atas dua Industri sejenis.Metode yang dipakai untuk meningkatkan mutu sistim pengendalian proses Flokulasi adalah dengan mengembangkan suatu bentuk teknologi berberbasis Artificial Neural Network, yang memiliki kemampuan untuk memprediksi hasil akhir/output dari proses Flokulasi yang sedang berlangsung.Semua ini akan menunjang usaha peningkatan kemampulabaan ,kemamputumbuhan terutama dari segi mutu produk dan ketepatan waktu penyerahan produk sesuai dengan tuntutan konsumen.

---

PT.X has many years of operational experience and a good reputation in the business of Security Printing especially paper money and has a Captive market.Theoretically PT.X has a production capacity exceeding the demand , but has problem in the delivery time. This in turn lowers the machinery performance in the Intaglio printing section, which is basically due to the deviation of the performance standard of the Flocculation unit from the water treatment plant.PT.X expect to increase profitability and growth by enhancing the performance of the production system.To solve this problem by developing a form of Manufacturing Strategy implemented through remedial steps taken in the process control system of the Flocculation unit. The first step is to know the actual condition of the company including the production line machinery . This is done through the quantitative analysis from the financial reports and qualitative analysis of business performances using a SWOT analysis. The next step is to measures the manufacturing performance from the capability of production facility by Manufacturing Cycle Effectiveness ratio, Machine Effectiveness ratio and Benchmarking analysis .The method used in order to enhance quality of the Flocculation process is through the development of technology based on Artificial Neural Network, which is to predict the output of Flocullation process.We concluded that new system will be useful to help improvement effort for the company to increase profitability and growth, such as product quality and delivery time in accordance with the requirement."

"ABSTRAKTesis ini membahas identifikasi sistem kiln semen dengan Jaringan Syaraf Tiruan (JST), yang meliputi penentuan parameter yang dibutuhkan untuk pemodelan sistem tersebut, dan perancangan JST yang digunakan untuk identifikasi tersebut. Dalam tesis ini digunakan struktur Multi-Layer Feedforward Network yang terdiri dari lapisan masukan, lapisan keluaran dan 2 buah lapisan tersembunyi. Data diperoleh dari kiln semen yang sebenarnya yaitu dari Pabrik Tuban-II PT. Semen Gresik (Persero) tbk., kemudian data tersebut digunakan untuk melatih JST. Untuk melakukan identifikasi menggunakan model masukan-keluaran dengan struktur serial-paralel dan pelatihan JST tersebut menggunakan algoritma Error Back Propagation. Hasil identifikasi selanjutnya disimulasikan dan dibandingkan dengan plant yang sebenarnya.

---

ABSTRACT

This thesis discuss about system identification of cement kiln using Artificial Neural Network (ANN). The process of system identification using ANN requires to define of the input and output parameters, and to decide ANN's structure. In this thesis, the Feedforward Multi-Layer Network is used which contain input layer, output layer and two hidden layers. The data are collected from the real cement kiln at Pabrik Tuban-II PT. Semen Gresik (Persero) tbk, then good data are selected for training the ANN. In this thesis is using Serial-Parallel Structure and training algorithm is using Error Back Propagation method. The result of the identification is then simulated and compared to the real plant."

"Dalam teori jaringan neural buatan (JNB) telah dikembangkan berbagai jenis jaringan neural yang berbeda. Diantaranya ada beberapa yang sudah cukup sering digunakan, misalnya jaringan propagasi balik dan jaringan swa-organisasi. Propagasi balik telah sukses digunakan untuk menyelesaikan berbagai permasalahan pengenalan, klasifikasi, aproksimasi, prediksi dan lain-lain. Namun jaringan propagasi balik membutuhkan waktu yang lama dalam pembelajarannya. Jaringan swa-organisasi mempunyai kemampuan klustering yang baik dan waktu pembelajaran yang singkat. Penelitian ini akan merancang sebuah jaringan hibrid dengan cara menggabungkan propagasi balik dan swa-organisasi untuk mendapatkan kemampuan pengenalan yang lebih baik dan waktu pembeiajaran yang lebih singkat. Jaringan hibrid yang terbentuk, terdiri dari 2 modul, yaitu: modul swa-organisasi adaptif dan modul supervisi. Modul swa-organisasi adaptif bersifat tanpa pengarahan dan bobot-bobotnya dikontrol oleh pola masukan. Modul supervisi yang bersifat dengan pengarahan diarahkan oleh target yang telah ditentukan. Karakteristik jaringan akan dilihat dengan kasus XOR. Kemampuan pengenalan jaringan diuji dengan menggunakan data aroma Martha Tilar dan konsentrasi etanol. Hasil penelitian menunjukkan jaringan hibrid dapat mengenali pola yang dilatihkan, pola yang tidak dilatihkan dan dapat mengidentifikasi kelas pola baru yang tidak diikutsertakan dalam pelatihan. Hasil perbandingan dengan jaringan propagasi balik standar memperlihatkan bahwa jaringan hibrid mempunyai kemampuan pengenalan yang lebih baik dan waktu pembelajaran yang lebih singkat."

"Cylindrical Hidden Multi-Layer Perceptron Back Propagation (CHMLP-BP) adalah sistem jaringan syaraf tiruan berdasarkan multy-layer perceptron untuk mengenali objek 3 dimensi secara horizontal. Arsitektur CHMLP-BP dikembangkan lebih lanjut menjadi Hemisphere Structure of Hidden Layer (HSHL) sehingga mampu mengenali objek 3 dimensi secara vertikal dan horizontal dengan lingkup ½ bola. Efektifitas HSHL mendorong disempurnakannya arsitektur HSHL agar dapat mengenali objek 3 dimensi dengan lingkup 1 bola penuh. menjadi Spheric Structure of Hidden Layer. Dalam pengembangan SSHL dilakukan juga penambahan pemrosesan pada citra masukan dengan melakukan inversi dan perentangan nilai piksel citra masukan. Dilakukan juga modifikasi pada metode pengklasifikasian kelas pada neuron keluaran dari penggunaan batas treshold ½ untuk menentukan apakah neuron harus dibaca sebagai 1 atau 0 menjadi menggunakan metode greedy dengan harapan proses pembelajaran menjadi lebih mudah dan pengenalan objek 3 dimensi menjadi lebih baik. Metode eksperimen yang dilakukan pada SSHL menggunakan Percentage of Learning/Testing Paradigm. Kemampuan pengenalan objek 3 dimensi terbaik didapatkan pada jenis jaringan Multiplied untuk arsitektur SSHL Tunggal maupun Jamak dengan prosentase data pelatihan sebesar 47% didapatkan pengenalan sekitar 94% - 95% khususnya menggunakan Multiplied 3 Lapis yang mencapai 95.87%. Pengenalan terburuk pada SSHL didapatkan pada SSHL Tunggal Normal dengan prosentase data pelatihan sebesar 26% diperolah hasil pengenalan mencapai 81.02%."

"Pengenalan wajah merupakan salah satu bidang dalam pengenalan pola. Pengenalan pola adalah disiplin ilmu yang bertujuan untuk mengklasifikasikan objek menjadi sejumlah kategori atau kelas. Seperti halnya pengenalan pola, pengenalan wajah bertujuan untuk mengklasifikasikan citra wajah menjadi sejumlah kategori wajah. Yang dimaksud dengan kategori wajah di sini adalah, siapakah pemilik wajah tersebut atau wajah tersebut termasuk kategori wajah siapa. Selama ini, umumnya feature untuk sistem pengenalan wajah berupa nilai grayscale per-pixel. Dalam tugas akhir ini, dilakukan uji coba untuk meneliti apakah feature kedalaman per-pixel dari gambar wajah memiliki pengaruh atau seberapa pentingnya feature kedalaman ini terhadap hasil pengenalan wajah. Representasi feature nilai grayscale dan kedalaman per-pixel ini adalah sebagai input untuk 2*32*32 neuron. Untuk mengetahui seberapa penting feature kedalaman ini, maka dilakukan perbandingan antara 3 macam hasil pengenalan yaitu hasil pengenalan dengan feature nilai grayscale saja, hasil pengenalan dengan feature kedalaman saja, dan hasil pengenalan dengan feature nilai grayscale dan feature kedalaman. Untuk pengujian, pengenalan wajah dilakukan dengan menggunakan Jaringan Neural Buatan (JNB) propagasi balik. Selanjutnya dilakukan pengenalan wajah dengan menggunakan JNB propagasi balik yang dioptimasi dengan algoritma genetika. Untuk memampatkan data masukan, maka digunakan transformasi Karhunen-Loéve. Pengujian dilakukan untuk data yang tidak ditransformasi dan data yang ditransformasikan dengan Karhunen-Loéve. Hasil uji coba menunjukkan bahwa feature kedalaman memiliki arti penting, yaitu dalam hal meningkatkan hasil pengenalan dengan memanfaatkan feature nilai grayscale digabung dengan feature kedalaman."

"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."

"ABSTRACTA conversational agent is a software that can communicate with humans by using natural language. Earlier approaches to build conversation agents were rule-based. With the rise of deep learning, the neural network models have been used to automatically infer the conversations used by the agents. This method allows skipping the cumbersome feature engineering process in the training and results in the application of conversational agents to the various field. There is one major problem in the neural network called catastrophic forgetting, a condition where the neural network will forget knowledge learned in the previous training phase and a new knowledge will be acquired. This problem can be mitigated by using a continuous learning model to sustain the old knowledge while keep learning new knowledge. In this project, we propose the application of neural conversational model on Dota 2, an online game with the continuous update, bug fixes, and new features. The continuous update feature has led to players struggling to stay informed of changes in the game features and characters. We propose the usage of a conversational agent with a continuous learning model to learn the everchanging patch notes while still maintaining previous patches knowledge. Our project has shown that elastic weight consolidation is not suitable for a dataset with text properties and would be better to be applied in other types of datasets which has been conducted in previous studies.

---

ABSTRACTConversational agent, adalah perangkat lunak yang digunakan untuk berkomunikasi dengan user menggunakan natural language. Pembuatan conversational agent sebelumnya menggunakan rule-based. Dengan munculnya Deep learning, model menggunakan neural network untuk menyimpulkan pembicaraan di dalam percakapan secara otomatis. Metode ini memungkinkan untuk melewati proses feature engineering di masa pelatihan dan menghasilkan conversational agent dalam banyak bidang. Namun ada satu masalah besar menggunakan neural network yaitu model akan melupakan pengetahuan yang sudah dipelajari dalam masa pelatihan sebelumnya dan pengetahuan baru akan didapatkan. Masalah ini bias di mitigasi dengan menggunakan continuous learning model untuk mempertahankan pengetahuan lama sambal mempelajari pengetahuan baru. Di dalam proyek ini, kami mengusulkan penerapan model percakapan neural network pada Dota 2, game online yang memiliki pembaruan berkelanjutan seperti memberbaiki bug dan fitur baru. Fitur pembaruan berkelanjutan telah meyebabkan pemain berupaya untuk tetap mendapatkan informasi tentang perubahan fitur dan karakter. Kami mengusulkan penggunaan conversational agent dengan continuous learning agar model dapat mempelajari perubahan yang terjadi di dalam permainan tersebut dan mempertahankan pengetahuan sebelumnya. Project ini telah menunjukkan bahwa elastic weight consolidation tidak cocok untuk dataset dengan property teks dan akan lebih baik untuk diterapkan pada jenis dataset lain yang telah dilakukan dalam studi sebelumnya"

"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."