Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKSuhu permukaan, merupakan salah satu unsur meteorologi dan klimatologi yang memegang peranan penting. Informasi temperatur yang disampaikan haruslah akurat. Informasi suhu secara realtime dapat digunakan untuk sistem monitoring lingkunga, penelitian di bidang meteorologi dan klimatologi, dan pekerjaan teknis seperti perencanaan dan produksi terkait energi surya. Untuk dapat memberikan informasi suhu spasial secara realtime, perlu dilakukan analisa kinerja terhadap model yang digunakan.Analisa kinerja model dilakukan terhadap metode pengisian data kosong, model prediksi time-series dan model interpolasi spasial terhadap suhu maksimum harian di Pulau Jawa. Perbandingan pengisian data kosong dilakukan antara metode nilai rata-rata dengan metode spasial co-Kriging. Perbandingan model timeseries untuk prediksi suhu maksimum untuk satu hari kedepan dengan metode ANFIS, Wavelet ANFIS dan ARIMA. Sedangkan interpolasi spasial membandingkan metoda Ordinary Kriging dengan Ordinary Co-Kriging dengan DEM sebagai data sekunder. Kinerja diukur dengan membandingkan nilai error, yaitu RMSE dan ME yang membandingkan antara hasil prediksi dengan nilai observasinya.Hasil pengisian data kosong, metode nilai rata-rata lebih baik dari interpolasi spasial. Hasil prediksi stime-series metode Wavelet ANFIS memiliki kinerja terbaik, selanjutnya ANFIS dan terakhir Arima. Sedangkan secara spasial hasil interpolasi ANFIS terhadap observasi antara metode Kriging dan CoKriging, didapatkan bahwa kedua metode secara general mengandung error di lokasi yang sama.

---

ABSTRACTTemperature is one of important meteorogy and climatology parameter. Accurate information about the future temperature for all region in Indonesia is essential. Real-time information on temperature is useful for environmental monitoring system and researches in meteorology and climatology as well as engineering works such as planning for solar energy production. For these purposes accurate information on the future temperature for all region in Indonesia is essential. However, spatial real-time prediction for temperature in all Indonesia region is not available. Analysis of performance of temperature prediction models therefore is required.This study aims to compare method for imputation missing value, model prediction and spatial analysis. Average value method and Co-Kriging was compare in imputation missing value. ANFIS, Wavelet ANFIS and ARIMA are compare to predict daily maximum temperature in Java. The best model is selected based on its RMSE and ME values. For spatial analysis, this model prediction result is interpolated using Kriging and CoKriging.The results show that the performance of average value is better than CoKriging, Wavelet ANFIS-based model is better than the two other models whereas both Kriging and CoKriging interpolation methods show identical spatial error."

"Pengendali Fuzzy beberapa tahun terakhir ini telah meluas dipakai pada bidang industri. Kemampuan pengendali logika fuzzy yang dapat menyerupai kemampuan seorang ahli dalam mengendalikan suatu sistem menjadi salah satu keunggulan pengendali tersebut masih terdapat masalah yang cukup rumit dan sulit, yaitu penentuan kaidah yang digunakan logika fuzzy, penentuan jumlah dan nilai parameter-parameter yang ada di dalam sistem pengendali logika fuzzy. Penentuan nilai parameter-parameter pada pengendali logika fuzzy dapat dilakukan dengan metode ANFIS (Adaptive Neuro Fuzzy Inference System) menggunakan metode hybrid untuk mendapatkan nilai parameter tersebut secara otomatis dengan bantuan sejumlah data latihan.Pada Skripsi ini dibuat simulasi suatu sistem kendali untuk mengendalikan posisi pada electro-hydraulic actuator yang digunakan antara lain pada robot manipulator. Simulasi dilakukan dengan mengunakan program Matlab ver 5.3 for windows. Dalam Skripsi ini digunakan pengendali ANFIS dan pengendali P untuk mengendalikan posisi pada electro-hydraulic actuator. Pengendali P digunakan pada subsistem elektromekanik yang dapat mempercepat tanggapan sistem. Parameter-parameter tanggapan waktu yang diambil dari hasil simulasi, yaitu final value, rise time, settling time, percent overshoot, dan steady state error. Hasil simulasi sistem dengan pengendali ANFIS dan pengendali P menunjukkan tanggapan waktu yang cepat."

"[ABSTRAKPrediksi pasar saham adalah penting dan sangat menarik karena prediksi returnsaham dapat menjanjikan keuntungan yang menarik. Dalam karya akhir ini,penulis menyelidiki prediktabilitas return pasar saham dengan AdaptiveNetworkFuzzy Inference System (ANFIS). Tujuan dari penelitian ini adalah untukmenentukan apakah suatu algoritma ANFIS mampu secara akurat memprediksireturn pasar saham dibandingkan dengan model Time Series ARIMA (AutomaticRegression Integrated Moving Average). Penulis mencoba untuk membuat modeldan memprediksi return saham ? saham dari Indeks LQ 45 di Bursa EfekIndonesia (BEI) menggunaka metode ANFIS. Penulis menggunakan empatvariabel makroekonomi dan tiga indeks sebagai variabel input. Hasil eksperimenkarya akhir ini menunjukkan bahwa model forecasting return saham harian LQ 45dengan ANFIS memiliki tingkat error lebih kecil bila dbandingkan denganmetode ARIMA (Automatic Regression Integrated Moving Average). MetodeANFIS ini diharapkan dapat menjadi pendekatan alternatif yang menjanjikanuntuk prediksi return saham. Sehingga ANFIS dapat menjadi alat yang berguna untuk ahli ekonomi dan praktisi yang berurusan dengan prediksi return dari saham.

---

ABSTRACTStock market prediction is important and of great interest because successfulprediction of stock return may promise attractive benefits. In this paper, weinvestigate the predictability of stock market return with Adaptive Network-BasedFuzzy Inference System (ANFIS). The objective of this study is to determinewhether an ANFIS algorithm is capable of accurately predicting stock marketreturn than Time Series Model Automatic Regression Integrated Moving Average(ARIMA). We attempt to model and predict the return on stock of the LQ 45 Indexin Indonesia Stock Exchange (JSE) with ANFIS. We use four macroeconomicvariables and three indices as input variables. The experimental results revealthat the model forecasts the daily return of LQ 45 stocks with ANFIS have lesserror than Auto Regressive Integrated Moving Average Method. ANFIS providesa promising alternative for stock market return prediction. ANFIS can be a usefultool for economists and practitioners dealing with the forecasting of stock return, Stock market prediction is important and of great interest because successfulprediction of stock return may promise attractive benefits. In this paper, weinvestigate the predictability of stock market return with Adaptive Network-BasedFuzzy Inference System (ANFIS). The objective of this study is to determinewhether an ANFIS algorithm is capable of accurately predicting stock marketreturn than Time Series Model Automatic Regression Integrated Moving Average(ARIMA). We attempt to model and predict the return on stock of the LQ 45 Indexin Indonesia Stock Exchange (JSE) with ANFIS. We use four macroeconomicvariables and three indices as input variables. The experimental results revealthat the model forecasts the daily return of LQ 45 stocks with ANFIS have lesserror than Auto Regressive Integrated Moving Average Method. ANFIS providesa promising alternative for stock market return prediction. ANFIS can be a usefultool for economists and practitioners dealing with the forecasting of stock return]"

"Prediksi harga saham merupakan hal yang sangat penting bagi investor karena sangat berguna untuk menentukan nilai masa depan dari suatu perusahaan yang sahamnya sedang diperdagangkan di bursa efek. Investor akan mendapatkan keuntungan yang besar dengan prediksi yang tepat, sebaliknya investor akan mendapatkan kerugian jika prediksi yang digunakan tidak tepat. Pada skripsi ini, akan dibahas pembuatan model prediksi Adaptive Neuro Fuzzy Inference System ANFIS dengan menggunakan variabel indikator teknikal terbaik berdasarkan Support Vector Regression SVR yang dilihat dari kecenderungan data historis saham 25 perusahaan dari sub sektor Bank, sektor Keuangan, yang tercatat di Bursa Efek Indonesia. Melalui metode ini, akan didapatkan nilai akurasi model yang cukup baik sedemikian sehingga dapat menjadi rekomendasi bagi investor dalam melakukan prediksi harga saham berdasarkan variabel indikator teknikal terpilih.

---

Forecasting stock price has become an important issue for stock investors because it is very useful to determine the future value of a company whose its share are traded on the stock exchange. Investors will get a profit with a sharp predictions, otherwise they will get loss if the predictions is inappropriately used. This undergraduate thesis will study how to make a model prediction Adaptive Neruo Fuzzy Inference System ANFIS using the best technical indicators. These technical indicators chosen by using Support Vector Regression SVR referred from the tendencies of stock time series data for 25 companies of Banking sub sector, Financial sector, that listed on Indonesian Stock Exchange. Through this method, analyst will get the value of the model rsquo s accuracy, that is good enough. So that it could be a recommendation for investors for forecasting the stock prices using this method with the selected technical indicators."

"ABSTRAKDue to the situation of increasingly severe PM-10 pollution that adverse affects on humans and environment across the globe, the purpose of this work is to implement the optimal PM-10 forecast model as a basis tool in process of planing/controlling air pollution and public awareness apply to Chiang Mai city and surrounding area, in Northern Thailand. Accurate and reliable forecasting model are our goal. Due to the fuzzy feature of PM-10 as well as the high correlated hotspot during open burning and forest fires season of this study area, the adaptive neuro-fuzzy inference system (ANFIS)-based forecasting model has been statistically implemented as tool for daily mean PM-10 concentration estimation. For achieving more efficient and realistic model, the hotspot count among other meteorological parameters is utilized as the exogenous variable through the design and optimization. The forecasting performance evaluated in terms of the tradeoff between accuracy with regard to RMSE and MAE, computational complexity with respect to the multiplications per an execution, and reliablity through Akaike criterion information (AIC) is used to assess the forecast models. As forecasting results, the proposed ANFIS model with an integrated hotspots outperforms the other existing models."

"Tingkat Mortalitas merupakan salah satu indikator penting dalam pengambilan keputusan pada beberapa bidang, seperti pemerintahan, ekonomi, dan aktuaria. Oleh karena itu, penelitian ini bertujuan untuk menerapkan model Lee-Carter pada data tingkat mortalitas Indonesia kemudian meramalkan tingkat mortalitas Indonesia pada masa mendatang dengan bantuan metode ANFIS. Proses peramalan tersebut akan diimplemantasikan dalam perangkat lunak R, dan hasil akhir dari penelitian ini adalah tabel yang berisi peramalan tingkat mortalitas di Indonesia.

---

Mortality rate is one of the important indicators in decision making in several areas, such as government, economy, and actuary. Therefore, this study aims to apply the Lee Carter model to Indonesia 39 s mortality rate data and then forecast future mortality rates in Indonesia with the help of ANFIS method. The forecasting process will be implemented in R software, and the final result of this study will be formed into a table that contains forecasting mortality rates in Indonesia."

"Sistem transmisi Voltage Source Converter-High Voltage Direct Current (VSC-HVDC) telah menjadi pilihan utama dalam transmisi daya jarak jauh karena keunggulannya dalam hal fleksibilitas dan stabilitas. Namun, tantangan utama dalam pengoperasian sistem VSC-HVDC adalah menjaga stabilitas dan performa optimal, terutama dalam kondisi transien dan saat terjadi gangguan. Penelitian ini bertujuan untuk mengoptimalkan kinerja sistem transmisi VSC-HVDC dengan menggunakan kontrol roportional-Integral Adaptive Neuro-Fuzzy Inference System (PI-ANFIS) dan membandingkan performanya dengan kontrol PI konvensional. Penelitian ini menggunakan pemodelan sistem transmisi VSC-HVDC dengan kontrol PI sebagai dasar. Data relasi input-output dari model tersebut kemudian digunakan untuk melatih model ANFIS. Setelah itu, model VSC-HVDC dengan kontrol PI-ANFIS dikembangkan dan dianalisis. Kinerja sistem dengan kontrol PI-ANFIS dievaluasi dalam kondisi transien dan saat terjadi gangguan, baik gangguan permanen maupun sementara.  Hasil penelitian menunjukkan bahwa kontrol PI-ANFIS mampu meningkatkan performa sistem transmisi VSC-HVDC secara signifikan dibandingkan dengan kontrol PI konvensional. Dalam kondisi transien, PI-ANFIS mampu mengurangi overshoot dan mempercepat settling time pada kendali daya aktif, daya reaktif, dan tegangan DC. Saat terjadi gangguan permanen, PI-ANFIS menunjukkan kemampuan yang lebih baik dalam menjaga kestabilan dan mempercepat waktu pemulihan sistem. Pada kondisi gangguan sementara, PI-ANFIS mampu mencapai kestabilan lebih cepat dan menjaga stabilitas dalam batas yang diinginkan. Keunggulan kontrol PI-ANFIS didasari oleh kemampuan adaptasi dan pembelajaran dari algoritma ANFIS, yang memberikan fleksibilitas tambahan dalam menghadapi kondisi dinamis dan gangguan tak terduga. Implementasi kontrol PI-ANFIS pada sistem transmisi VSC-HVDC tidak hanya meningkatkan kinerja sistem dalam jangka pendek, tetapi juga dapat memberikan manfaat ekonomi jangka panjang melalui peningkatan keandalan dan pengurangan biaya pemeliharaan sistem. Penelitian ini memberikan kontribusi signifikan dalam pengembangan teknologi kontrol cerdas untuk sistem transmisi daya yang lebih handal, efisien, dan adaptif. Hasil penelitian ini dapat menjadi landasan untuk penelitian lebih lanjut dan adopsi kontrol PI-ANFIS dalam aplikasi praktis pada sistem transmisi VSC-HVDC di masa depan.

---

Voltage Source Converter-High Voltage Direct Current (VSC-HVDC) transmission systems have become the preferred choice for long-distance power transmission due to their advantages in flexibility and stability. However, the main challenge in operating VSC-HVDC systems is maintaining optimal stability and performance, especially under transient conditions and during disturbances. This research aims to analyze the performance of VSC-HVDC transmission systems using Proportional-Integral Adaptive Neuro-Fuzzy Inference System (PI-ANFIS) control and compare its performance with conventional PI control. This research uses modeling of the VSC-HVDC transmission system with PI control as a basis. The input-output relationship data from the model is then used to train the ANFIS model. Afterward, the VSC-HVDC model with PI-ANFIS control is developed and optimized. The performance of the system with PI-ANFIS control is evaluated under transient conditions and during disturbances, both permanent and temporary. The results show that PI-ANFIS control can significantly improve the performance of the VSC-HVDC transmission system compared to conventional PI control. Under transient conditions, PI-ANFIS is capable of reducing overshoot and accelerating settling time in active power, reactive power, and DC voltage control. During permanent disturbances, PI-ANFIS demonstrates better ability in maintaining stability and accelerating system recovery time. Under temporary disturbance conditions, PI-ANFIS achieves stability faster and maintains stability within desired limits. The superiority of PI-ANFIS control is based on the adaptability and learning capabilities of the ANFIS algorithm, which provides additional flexibility in dealing with dynamic conditions and unexpected disturbances. The implementation of PI-ANFIS control in VSC-HVDC transmission systems not only improves short-term system performance but can also provide long-term economic benefits through increased reliability and reduced system maintenance costs. This research makes a significant contribution to the development of intelligent control technology for more reliable, efficient, and adaptive power transmission systems. The results of this research can serve as a foundation for further research and the adoption of PI-ANFIS control in practical applications of VSC-HVDC transmission systems in the future."

"Navigasi merupakan hal yang sangat penting dalam setiap pelayaran kapal laut, yaitu untuk mengetahui posisi kapal dalam koordinat geografis. Pengendalian pada sistem kemudi kapal laut dimaksudkan untuk melepaskan diri dan ketergantungan kemudi kapal terhadap seorang nakhoda dan kapal laut dapat tiba di tempat tujuan dengan kesalahan posisi yang tidak terlalu besar.Pada skripsi ini akan dibahas perbandingan dua pengendali yang akan digunakan untuk mengendalikan kemudi kapal laut, yaitu pengendali logika fuzzy dan pengendali ANFIS (Adaptive-Network-Based Fuzzy Inference System). Pengendali logika fuzzy menggunakan metoda basis aturan berdasarkan pengalaman seorang pakar (dalam hal ini nakhoda) untuk mengendalikan kemudi kapal yang diambil dari acuan[2] , sementara pengendali ANFIS merupakan pengendali neuro fuzzy yang rnenggunakan proses learning dari basis data untuk menghasilkan basis aturannya. Kedua jenis pengendali ini akan menghasilkan kinerja yang berbeda."

"This paper presents application of various Soft-computing control strategies for offline control of one wheel mobile robot (OWMR). The techniques considered for controlling were Fuzzy logic reasoning, Adaptive neuro-fuzzy inference system (ANFIS), and Neural networks (NNs). The study compares the performance of proposed techniques in terms of settling time, maximum overshoot, and steady state error. A Matlab-Simulink model of OWMR system has also been developed. The results obtained from simulation of fuzzy controller were used to train ANFIS and NNs controller. The simulation results showed better performance and learning ability of ANFIS controller compared to other two controllers. The results are shown with the help of graphs and tables to validate the proposed study."