Hasil Pencarian  ::  Simpan CSV :: Kembali

"

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.

"

"Jagung (Zea mays L.) merupakan salah satu tanaman serelia atau tanaman biji-bijian yang menjadi bahan pangan utama terpenting setelah padi dan gandum di dunia. Komoditas jagung dinilai sangat penting karena memiliki fungsi multiguna sebagai bahan pangan, bahan baku industri, bahan pakan ternak dan bahan bakar nabati. Seiring dengan kebutuhan jagung yang kian naik dari tahun ke tahunnya, kekurangan produksi dalam pasokan jagung global dan kenaikan harga input jagung menjadi hal yang harus diperhatikan karena memiliki dampak yang serius. Salah satu ancaman utama bagi produksi jagung adalah penyakit daun jagung yang disebabkan oleh jamur, beberapa diantaranya adalah Gray leaf spot, Northern leaf blight, dan Common rust. Gray leaf spot, Northern leaf blight, dan Common rust dapat menyebabkan hilangnya hasil panen sekitar 50%-70% di beberapa daerah penghasil jagung di dunia. Oleh karena itu, salah satu cara yang dapat dilakukan untuk mengurangi resiko kegagalan produksi jagung adalah mengambil langkah-langkah pencegahan dengan pendeteksian dini pada penyakit daun jagung melalui citra digital. Pada penelitian ini, digunakan pendekatan deep learning dengan metode Convolutional Neural Network (CNN) arsitektur ResNet-50 yang merupakan salah satu metode yang paling baik dalam mengolah citra digital. Data yang digunakan adalah Maize or Corn Dataset oleh Smaranjit Ghose dan diambil dari Kaggle yang merupakan online database. Setelah itu, dilakukan tahapan mengolah data citra dengan melakukan preprocessing data yang bertujuan agar meningkatkan akurasi seperti mengubah ukuran dan melakukan flip horizontal kemudian rotasi. Hasil penelitian menunjukkan bahwa Convolutional Neural Network ResNet-50 dengan menggunakan fungsi optimasi Adam dapat mendeteksi penyakit daun jagung dengan sangat baik. Hasil tersebut diperoleh dari 5 kali percobaan simulasi pada setiap skenario kasus yang menghasilkan rata-rata nilai training dan validation accuracy sebesar 98,68% dan 97,86%. Kemudian, rata-rata hasil accuracy testing, recall macro, recall micro, precision macro dan precision micro terbaik diperoleh dengan hasil masing-masing sebesar sebesar 97,49%, 97,13%, 97,53%, 96,69% dan 97,87%.

---

Maize (Zea Mays L.) is one of the cereal plants or grain crops that become an important food ingredient after rice and wheat in the world. Maize is also considered very important because it has a multi-purpose function as food, industrial raw materials, animal feed ingredients, and biofuels. Along with increasing demand for maize from year to year, lack of production for global maize supply and increase of maize price is one thing that needs more attention because it has a serious impact. One of the main threats to maize production is maize leaf disease that is caused by fungi, some of them are Gray leaf spot, Northern leaf blight, and Common rust. Gray leaf spot, Northern leaf blight, and Common rust can lead to reduced yields of about 50%-70% in some maize-producing areas. Therefore, one method that can be done to reduce the failure of maize production is taking preventive measures by detecting disease using digital images. This study uses deep learning methods by Convolutional Neural Network (CNN) ResNet-50 architecture, which is one of the best methods in processing digital images. The data used in this study is Maize or Corn Dataset by Smaranjit Ghose and taken from Kaggle which is an online database. After that, the stages of processing image data are carried out by preprocessing data to increase accuracies such as resizing and doing horizontal flips and rotations. The results showed that the Convolutional Neural Network ResNet-50 using the Adam optimization function could detect maize leaf disease very well. These results were obtained from 5 simulations experiments in each case scenario which resulted in an average value of training and validation accuracy of 98.68% and 97.86. Then, the average results of the best accuracy testing, recall macro, recall micro, precision macro, and precision micro were obtained with results of 97.49%, 97.13%, 97.53%, 96.69%, and 97,87%."

"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."

"This concise, readable book provides a sampling of the very large, active, and expanding field of artificial neural network theory. It considers select areas of discrete mathematics linking combinatorics and the theory of the simplest types of artificial neural networks. Neural networks have emerged as a key technology in many fields of application, and an understanding of the theories concerning what such systems can and cannot do is essential.The author discusses interesting connections between special types of Boolean functions and the simplest types of neural networks. Some classical results are presented with accessible proofs, together with some more recent perspectives, such as those obtained by considering decision lists. In addition, probabilistic models of neural network learning are discussed. Graph theory, some partially ordered set theory, computational complexity, and discrete probability are among the mathematical topics involved. Pointers to further reading and an extensive bibliography make this book a good starting point for research in discrete mathematics and neural networks."