Hasil Pencarian  ::  Simpan CSV :: Kembali

"Jaringan Saraf Tiruan (JST) terdiri dari operasi elemen-elemen sederhana secara paralel. Elemen-elemen ini terinspirasi oleh sistem saraf biologi. Di alam, fungsi jaringan pada umumnya merupakan hubungan antara elemen-elemen tersebut. Kita dapat melatih suatu JST untuk menampilkan fungsi khusus dengan memberikan nilai hubungan (bobot) antara elemen-elemen itu. Kemampuan dari JST inilah yang menjadi bahan kajian dalam tulisan ini. Untuk mensimulasikan JST, digunakan MATLAB. Salah satu kemampuan dari MATLAB adalah dapat menciptakan suatu program yang berorientasi pada objek, dikenal dengan istilah GUIDE. Pada tulisan ini akan dipaparkan kemampuan GUIDE MATLAB dalam menghasilkan program yang sangat membantu perhitungan, terutama dalam memprediksikan nilai konduktivitas termal Beton Ringan Aerasi. Salah satu tujuannya adalah membandingkan kemampuan dari JST dengan hasil eksperirnen. Pada akhir analisis, disimpulkan bahwa JST mampu melakukan pendekatan dalam memprediksi harga konduktivitas termal bahan yaitu Beton Ringan Aerasi. Pemilihan data metode belajar, struktur jaringan dari JST sangat mempengaruhi keakuratan terhadap hasil simulasi.

---

Artificial Neural Networks (NN) are composed of simple elements operating in parallel. These elements are inspired by biological nervous systems. As in nature, the network function is determined largely by the connections between elements. We can train a NN to perfomt a particular function by adjusting the values of the connections (weights) between elements. The ability of this NN becomes the study materials in this writing. MATLAB used to simulate JST. One of the advantages of MATLAB that it can create a program in object oriented, known as GUIDE. In this paper will introduce the ability of MATLAB GUIDE in producing a program which is helpful in calculation, especially to predict the value of thermal conductivity of Autoclaved Aerated Concrete. One of the goals is to compare the ability of JST with experiment. By the end of analysis, it is concluding that NN can conduct the approach in prediction of price of thermal conductivity in this case is Autoclaved Aerated Concrete. The elections of training data., structure network from NN is very influencing of accuracy to the result."

"Skripsi ini membuat suatu perangkat lunak sistem pengklasifikasi jalan yang berbasis jaringan saraf tiruan. Ratio perbandingan Lalu lintas Harian Rata-rata Bulanan (LHRB) / Monthly Average Daily Traffic (MADT) dengan Lalu-lintas Harian Rata-rata Tahunan (LHR'I) / Annual Average Daily Traffic (AADT) digunakan sebagai komponen untuk tiap bulan dalam pola lalu lintas (traffic pattern) bulanan. Data ini kemudian dimasukkan ke sistem saraf tiruan untuk dikenah pola lalu lintas tiap bulannya selama sate tahun penuh (12 bulan). Sistem ini dapat mengenali pola lalu lintas yang lengkap maupun tidak lengkap dan mengelompokkan jalan-jalan yang memiliki pola lalu lintas yang mirip. Dengan pengklasifikasian ini maka dapat diperoleh informasi mengenai suatu kelas jalan yang memudahkan untuk konstruksi, perbaikan maupun pemeliharaan dari jalan tersebut. Jaringan saraf druan yang digunakan dalam tugas akhir ini memakai topologi jaringan propagasi balik (Backpropagation)."

"Tujuan: Tujuan dari penelitian ini adalah mendapatkan model jaringan saraf tiruan dengan algoritma pembelajaran backpropagation berdasarkan data masukan dari pola sidik jari penderita obesitas. Diharapkan model JST yang diperoleh dapat menjadi alat bantu diagnosis bagi para klinisi dalam mengidentifikasi kasus obesitas berdasarkan keturunan. Metode: Data dari pola sidik jari penderita obesitas dan data penunjang lainnya diuraikan menjadi variabel masakan Variabel keluaran ditentuknn berdasarkan kasus obesitas yang diderita oleh pasien. Kemudian data sampel dibagi dua yaitu data untuk training dan data untuk testing. Dengan menggunakan data training maka Metode Jaringan syaraf tiruan mempelajari pola sidik jari pendarita obesitas yang kemudian digunakan untuk memprediksi data testing. Akurasi identifikssi atau pengenalan pola sidik jari penderita obesitas akan sangat ditentukan oleh hasil prediksi algoritma jaringan syaraf tiruan terhadap data testing. Hasil: Dalam proses pemhelajaran dengan metode jaringan berbasil melakukan pengenal terhadap data training dengan error sebesar O,QI berhasil dicapai. Untuk prediksi polo sidik jari melalui data testing rata-rata keberhasilan adalah 71,82%. Angka prosentasi keberbasilan ini cukup baik dan depat dijadikan alat bantu bagi para praktisi medis di bidang obesitas dalam menentukan faktor keturunan dari penyakit obesitas. Kesimpulan: Percobaan ini menghasilkan model JST yang dapat diaplikasikan pada pengelan pola sidik jari pendarita obesitas. Rata-rata keberhasilan prediksi sebesar 71,82% dapat ditingkat dengan menambah data training bagi Metode Jaringan Saraf Tiruan.

---

Objective: The objective of this research is to obtain an artificial neural network model with backpropagation learning algorithm based on input data from the fingerprint pattern of the obese patients. It is expected that ANN models can be obtained as diagnostic tool for clinicians in identifying cases of obesity based on descent.

Methods: Data from the fingerprint pattern of obesity and other supporting data is decomposed into input variables. Output variable is determined on a case-obesity suffered by the patient Then the sampled data is divided into two data. One for training and other for testing. By using training data. the method of artificial neural networks learn the patterns of the obese fingerprint which is then used to predict the testing data. Accuracy of fingerprint pattern recognition of obesity will be detemined by the results of neural network algorithm prediction against testing data.

Results: In the learning process stage, Artificial Neural Network succceded in identifying a network of training with error 0.01 was achieved. For the prediction of fingerprint patterns through data testing success rate was 80%. The rate for the percentage of success is quite good and can be used as a tool for medical practitioners in the field of obesity in determining obesity cases base of genetic factor.

Conclusion: This experiment resulted ANN model that can be applied to the fingerprint pattern recognition of obese patients. The average prediction success of 71,82% would be increase if we can add more data for 1raining process for Neural Network Method."

"Fish schooling yaitu pergerakan sekelompok ikan tertentu dengan pola, arah (polarisasi), irama dan struktur yang sama untuk setiap individu serta bersifat unik untuk setiap ikan. Fish shooling dapat dijadikan dasar untuk pembuatan sistem identifikasi ikan dengan dengan menggunakan metode jaringan syaraf tiruan. Proses ini dilakukan dengan menerapkan Pengolahan citra pada citra tampilan echogram fish finder yang didapat dari database hasil observasi Balai Penelitian Departemen Kelautan dan Perikanan di laut Jawa pada bulan Desember 2005. Citra fish schooling dari fish finder tersebut diubah menjadi matriks melalui proses sampling dan graylevel quantization, kemudian dileveling pada range nilai tertentu. Citra hasil leveling tersebut akan diambil beberapa potongan bagiannya sebagai sampel untuk dicari nilai parameter karakteristiknya, yaitu nilai rata-rata dari matriks sampel tersebut. Nilai rata-rata tersebut selanjutnya akan dijadikan input bagi proses training jaringan syaraf tiruan untuk membuat sistem identifikasi jenis ikan. pola rata-rata matriks sampel yang digunakan pada proses training tersebut menjadi dasar proses identifikasi jenis ikan oleh jaringan syaraf tiruan. Sistem ini mampu mengenali jenis ikan dengan tingkat akurasi sebesar 88%."

"Pertumbuhan tingkat konsumsi bahan bakar minyak bumi untuk keperluan kendaraan bermotor semakin hari semakin meningkat, sehingga perlu dikembangkan bahan bakar alternatif selain minyak bumi. Salahnya satunya adalah biogasoline berbahan dasar minyak sawit. Hambatan utama yang sering dihadapi dalam pengembangan bahan bakar alternatif adalah mahalnya biaya untuk menentukan angka oktan sebagai satu parameter penting dalam penilaian kualitas bahan bakar. Kemajuan teknologi komputasi saat ini memungkinkan untuk memprediksi angka oktan bogasoline berdasarkan densitas dan suhu destilasi 50% dengan menggunakan jaringan saraf tiruan. Model jaringan yang dapat digunakan untuk memprediksikan angka oktan biogasoline adalah Multi Layer Feed Forward, Radial Basis, Generalized Regression dan Recurrent Network. Hasil simulasi menunjukkan tidak ada satupun model yang dapat digunakan untuk semua kondisi data masukan, namun dapat memprediksikan angka oktan dengan cukup baik jika syarat data masukan yang diberikan memenuhi syarat yang diharuskan.

---

The fuel demand for engine vehicle is increasing by the time while, thus the development for fuel alternative should be more paid attention. One of the prosperous product as fuel alternative is biogasoline made from crude palm oil. The most common problem occurred on developing biogasoline is the high cost on determination of the octane umber as a critical parameter on quality.

Recently, technology computation has been applied to estimate the octane number of biogasoline based on density and temperature of 50% destilation properties by using the artificial neural network. Neural network models known for this purpose are multi layer feed forward, generalized regression, radial basis and recurrent neural network.

Using the GUI MATLAB, four models network mentioned, showed that none of them could be used for any conditions of input data. The typical model is works properly for typical data input only."

"Salah satu hal penting dalam manajemen proyek konstruksi adalah tahap estirnasi awal (conceptual). Menurut AACE tahap konseptual dibuat dengan keterbatasan informasi pada lingkup proyek, belum masuk dalarn tahap desain dan engineering. Menurut AACE akurasi tahap konseptual berada pada rentang -20% sampai +30% dari biaya proyek sebenarnya. Teknik jaringan saraf timan merupakan salah satu cabang dari Artificial Intelegence yang berguna memecahkan masalah dengan meniru cara keija otak manusia. Penelitian ini mengeksplorasi penggunaan teknik JST dalam memodelkan estirnasi biaya konseptual proyek konstruksi bangunan pabrik. Model estirnasi biaya berbasis JST kemudian dikembangkan ke dalam sistem prototype yang mampu mengestirnasi biaya konseptual konstruksi bangunan pabrik dengan waktu yang relative singkat dan akurat.

---

One of the important things in construction project management is the stage of initial estimates (conceptual). AACE in the conceptual stage is made with limited information on the scope of the project ang has not entered into the stage of design and engineering. The conceptual stage by AACE as accuracy in the estimation of conceptual expected to be in the range -20% to +30% of actual project costs. Artificial Neural Network (ANN) is onebrach of Artificial Intelligence which is useful in terms of solving problems by Artificial Intelligence which is useful in terms mimicking the workings of the human brain.

This study will explore the use of ANN techniques in modeling the estimated cost of plant construction project conceptually. ANN-based cost estimation model and then developed into a prototype system that is able to estimate the cost of conceptual of factory building with a relatively short time and accurate."

"Dalam bidang pengenalan citra wajah dua dimensi telah diujikan sistemjaringan saraf tiruan hibrida (JST-Hibrida) dan Averaging Representation berbasiskan Eigenface dan Fisherface. Dalam pengujiannya, JST-Hibrida memiliki kemampuan pengenalan yang lebih buruk dibandingkan Averaging Representation. Dalam penelitiannya, penulis mengimplementasikan jaringan saraf tiruan propagasi balik (JST-PB) yang ternyata memiliki kemampuan pengenalan di atas JST-Hibrida dan Averaging Representation. Untuk meningkatkan kinerja jaringan dan sekaligus mengoptimasi struktur jaringan maka digunakan algoritma genetika untuk memangkas koneksi-koneksiyang tidak diperlukan. Algoritma genetika ternyata mampu menemukan solusi yang bagus dengan jumlah koneksi yang lebih kecil.Dalam pengujiannya dipergunakan berbagai citra wajah dua dimensidengan berbagai variasi ekspresi dan pencahayaan. Metode yang digunakan untuk mereduksi dimensi citra adalah metode Fisherface. Metode Fisherface dapat mengenali wajah, baik untuk berbagai variasi cahaya dan ekspresi wajah. Hasil pengujian menunjukkan bahwa Algoritma Genetika mampu meningkatkan kemampuan pengenalan JST-PB terhadap citra wajah dua dimensi."

"Spam merupakan istilah umum untuk menyebut email komersial maupun non komersial yang tidak diinginkan. Contoh dari email spam adalah antara lain email promosi produk, iklan program investasi, virus, spyware, dan lain-lain. Kehadiran email spam ini selain membuang waktu user untuk membaca dan menghapusnya, juga mengakibatkan melonjaknya pemakaian network bandwidth secara signifikan. Apabila hal ini dibiarkan terus menerus, akan mengakibatkan kerugian yang besar baik bagi user sebagai individu maupun bagi perusahaan yang notabene memerlukan kinerja jaringan yang optimal.Metode yang penulis terapkan untuk menyelesaikan masalah email spam ini adalah penggunaan Jaringan Saraf Tiruan (JST) untuk mengklasifikasikan email tersebut. Penulis memilih JST dikarenakan kemampuannya dalam melakukan generalisasi terhadap suatu problem yang belum pernah muncul sebelumnya. Sehingga diharapkan metode ini dapat mengantisipasi karakteristik email spam yang selalu berubah dari waktu ke waktu. Sebelum melakukan proses klasifikasi dengan JST, dilakukan ekstraksi fitur / ciri dari data email yang ada. Proses ekstraksi dilakukan pada bagian body maupun header dari email. Hal ini dimaksudkan untuk meningkatkan performa dari teknik yang kami kembangkan. Fitur-fitur tersebut kemudian dibobotkan dengan teknik tfc weighting dan menjadi data masukan bagi NN.Hasil dari penelitian ini menunjukkan bahwa JST mampu bekerja dengan baik dalam klasifikasi email, terbukti dengan tingkat kesalahan yang rendah (1.85%). Selain itu, disimpulkan pula besaran faktor-faktor yang mempengaruhi kinerja email filter, yaitu ukuran feature set, jumlah neuron pada hidden layer JST serta nilai Mean-squared Error (MSE)."