Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Jaringan syaraf tiruan (Arrgficial Neural Nerwork) merupakan salah satu bagian dari kecerdasan buatan (Artificial Intelligence) yang mengambil prinsip kerja jaringan syaraf manusia. Perhitungan propagasi balik (Back Propagartion) adalah algoritma belajar yang populer, yang merupakan generalisasi kaidah least square untuk jaringan syaraf berlapis jamak (Mulfflayer Neural Network). Proses aromatisasi heptana menjadi toluena, dengan nama hydroforming, telah dikembangkan ketika Perang Dunia II (World War II) dengan tujuan untuk mendapatkan bahan baku peledak. Kondisi operasi diatas sangatlah riskan dan penuh resiko. Pendeteksian yang akurat dan dini diperlukan guna mencegah kesalahan yang timbul, yang dapat mengakibatkan kerugian baik material maupun immaterial. Diagnosa kesalahan proses pada aromatisasi heptana dapat dilakukan dengan metode Jaringan Syaraf Tiruan Propagasi Balik (ANN/JNA BP) ini. Berdasarkan data lapangan (kondisi masukan dan kondisi keluaran), jaringan syaraf akan melakukan pembelajaran (learning) secara simultan dan kontinyu, yang pada akhirnya akan terbentuk sebuah pengetahuan. BP inilah metode ajar yang paling sederhana dan cocok sekali untuk diterapkan, karena sanggup mengenali pola (pattern recognition). Sebagai studi kasus, proses aromatisasi heptana, penerapan ANN/JNA BP yang diteliti oleh Watanabe dan Himmelblau dapat dibuktikan dengan baik pada skripsi ini. Model ANN/JNA BP dapat melakukan pengenalan pola dengan balk dimana toleransi error lebih kecil dari 0.001, dengan jumlah iterasi pelatihan lebih dari 5000 iterasi, dan waktu pelathan lebih dari 40 menit.

Abstrak :
ABSTRAK
Perubahan karakteristik pada Heat Exchanger akibat adanya endapan kotoran yang melapisi pennukaan perpindahan panas, membuat sistem rnenjadi sulit untuk dikendalilcan. Untuk mengatasi masalah tersebut dipilih pengendali PID (Proporsional. Integral dan Diferensial) sebagai pengendali sistem, dengan bantuan Jaringan Syaraf Tiruan (JST) untuk menentukau parameter pengendalinya. Proses belajar JST menggunakan algoritma backpropagation dengan arsitektur jaringan yang terdiri dari tiga lapis neuron. Pada proses belajar dilakukan cara pelatihan dengan memberikan bobot yang berbeda pada tiap Iapisannya dan dicari pola keluaran yang paling mendekati pola target yang ditetapkan. Pada penelitian ini program sirnulasi dibuat dalam bahasa pernrogratnan Pascal. Dari basil simulasi dapat dilihat bahwa JST mampu rnenentukan parameter pengendali PID yang dapat memperbaiki karakteristik sistem, bila terjadi perubahan pada parameter proses.

Abstrak :
ABSTRAK
Metode WRV adalah metode penyetelan pengendali menunjukkan kinerja pengendali yang lebih optimum dari metode penyetelan Ziegler Nichols, Cohen Coon, Dahlin dan Lopez. Metode ini menggunakan mengkorelasikan informasi dari step respon open loop tranfer function (K, τ, dan θ) untuk menentukan konstanta pengendali P, PI, dan PID yaitu Kc, τi, dan τd. Namun, kompleksitas dan dinamika dari sistem proses yang spesifik membutuhkan pengendali yang mampu untuk dilatih berdasarkan data historis proses serta mampu untuk mengkombinasikan faktor-faktor yang mempengaruhi sistem proses dalam memutuskan suatu aksi. Jaringan syaraf tiruan diaplikasikan yang pada sistem pengendali, mampu memberikan kedua manfaat tersebutkan.

Penelitian ini dilakukan dengan mengaplikasikan jaringan syaraf tiruan untuk menentukan konstanta penyetelan pengendali P, PI, dan PID dengan menggunakan metode penelitian yang dilakukan untuk menghasilkan metode penyetelan pengendali WRV. Penelitian ini dilakukan dengan menggunakan tiga jenis jaringan syaraf tiruan yaitu, multi layer feed forward (MLFF), radial basis, dan generalized regression (GRNN). Hasil simulasi dan penerapan pada alat pengendali tekanan di Laboratorium Proses Operasi Teknik, Departemen Teknik Kimia FTUI menunjukkan bahwa jaringan syaraf radial basis memberikan kinerja pengendali paling optimum untuk pengendali P dan PI, sedangkan kinerja paling optimum dari pengendali PID diperlihatkan pada aplikasi jaringan syaraf generalized regression (GRNN) sebagai metode penyetelan pengendali.

Abstrak :
Pengunanaan kamera CCTV Inframerah sangan membantu dalam penerapan sistem keamanan, dengan demikian pengambilan gambar akan lebih mudah terutama jika ruangan dalam kondisi gelap. Sehinggan proses pengenalan wajah dalam kondisi gelap dapat dilakukan sebagaimana kondisi normal. Metode yang digunakan untuk proses pengenalan adalah Jaringan Saraf Tiruan. Jaringan Saraf Tiruan (JST) adalah suatu metode komputasi untuk memodelkan suatu sistem. Hal ini memungkinkan Jaringan Saraf Tiruan untuk melakukan pembelajaran terhadap sinyal yang diterima oleh sistem. Metode yang digunakan adalah backpropagation yang terdiri atas lapisan masukan, lapisan tersembunyi dan lapisan keluaran. Pada penelitian ini analisis yang dilakukan adalah training data dengan data matriks image serta menggunakan Matriks Kovarian untuk mempermudah proses inputan.

---

The use of infrared CCTV camera is very helpfull in implementation of security system, because its capability to take images in the night so it can be used for identification process. The Method which performed in this identification process is Neural Network with back propagation. In this system is formed a network that consisting several input layers, hidden layers and output layers. The Data on input layer would be sent to hidden layer so the value of hidden weight can be obtained. From hidden layer, the value of hidden weight would be sent to output layer, so the value of output weight can be obtained. Difference between the output layer and the value of output weight is used to acknowledge error level in data identification. to obtain better identification result, the value of output weight is used as input data on input layer, so the same process is perfomed with better result. This is mentioned as back propagation process in Neural Network and this system is assesed capable to analyze the received data as input data.

Abstrak :
Program pengklasifikasi gempa volkanik otomatis menggunakan jaringan syaraf tiruan tipe pengelompokan pola adaptif waktu nyata (RTAC) telah dibuat. Pola spektral gempa dipakai sebagai masukan atau ruang cid. Program ini mampu melakukan proses adaptasi did terhadap perubahan kondisi lingkungan. Adaptasi did dilakukan dengan caramendefmisikan kelas pola gempa baru dan bobot pengetahuan jaringan syaraf baru atau ...

Abstrak :
ABSTRAK Tesis 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.

Abstrak :
Pembelajaran daring menjadi alternatif pembelajaran karena untuk memenuhi kebutuhan pendidikan yang terkendala oleh jarak maupun alasan efisiensi waktu. Selain itu pembelajaran kolaboratif semakin banyak dikembangkan sejak munculnya paradigma pembelajaran konstruktivisme. Teori konstruktivisme menyatakan bahwa pengalaman belajar dan interpretasi pengetahuan yang didapat sebelumnya menjadi konstruksi pengetahuan mendalam. Teori konstruksivisme sosial menyatakan bahwa pembelajaran terjadi melalui interaksi sosial yang kemudian diinternalisasi. Berdasarkan teori dan bentuk pembelajaran tersebut, pembelajaran kolaboratif daring menjadi alternatif model pembelajaran yang terus dikembangkan dengan menumbuhkan kesadaran metakognitif. Secara empirik pembelajaran dengan memanfaatkan aspek metakognitif telah banyak dilakukan di Indonesia, bahkan kurikulum nasional pun menjadikan metakognisi menjadi salah satu tujuan pembelajaran. Kemampuan metakognitif peserta didik biasanya dinilai pada saat proses pembelajaran menggunakan think aloud atau setelah pembelajaran dengan menggunakan wawancara maupun kuesioner. Penelitian ini bertujuan mengestimasi kemampuan metakognitif dengan menilai aktivitasnya menggunakan persepsi help-seeking sebelum proses pembelajaran. Kegiatan yang bersifat estimasi membutuhkan model. Model metakognitif ini berfungsi untuk mengestimasi kemampuan metakognitif. Kebutuhan help-seeking tidak hanya kebutuhan kognitif tetapi juga kebutuhan sosial untuk berkomunikasi dan berbagi dalam problem solving. Aktivitas help-seeking biasanya tergantung dari persepsi awalnya. Pertanyaannya adalah bagaimana persepsi help-seeking berkorelasi dengan aktivitas metakognitif. Kemudian jika peserta didik mendapatkan perlakuan tertentu dalam pembelajaran, apakah memungkinkan adanya peningkatan aktivitas help-seeking dan metakognitif serta hasil belajar. Sejauh mana perlakuan tambahan atau intervensi metakognitif terhadap proses pembelajaran akan meningkatkan efektivitas pembelajaran. Penelitian disertasi ini bertujuan untuk menjawab dan memberikan gambaran mengenai hubungan kedua faktor tersebut dengan membandingkan antara pra dan pasca intervensi sehingga gambaran tersebut dapat memprediksi aktivitas metakognitif dan frekuensi help-seeking berdasarkan persepsi help-seeking. Oleh sebab itu, model metakognitif dan help-seeking diperlukan untuk memenuhi tujuan tersebut. Data tentang persepsi help-seeking diperoleh melalui kuesioner. Data tentang aktivitas metakognitif dan frekuensi help-seeking juga diperoleh melalui kuesioner setelah responden diberikan tugas problem solving. Adapun data hasil pembelajaran didapat dari nilai hasil pekerjaan problem solving. Kedua data yang diperoleh melalui kuesioner memberikan hasil yang sangat beragam, oleh karena itu dilakukan proses klasterisasi untuk mengetahui tipe kecenderungannya. Korelasi data persepsi help-seeking dengan aktivitas metakognitif dan frekuensi help-seeking dapat diketahui dengan cara menghubungkan kedua data tersebut pada setiap responden. Hal ini juga dilakukan pada pasca intervensi, sehingga perubahan signifikan setelah diberikan intervensi dapat diketahui. Korelasi antara persepsi help-seeking dengan aktivitas metakognitif dan frekuensi help-seeking didapatkan dengan mengetahui hubungan masing-masing tipenya. Tipe persepsi help-seeking instrumental dan perceived benefit berkorelasi positif dengan aktivitas metakognitif individu maupun kelompok dan sebaliknya tipe persepsi help-seeking avoidance dan executive berkorelasi negatif. Dari semua tipe persepsi help-seeking hanya memberikan sedikit perubahan pada frekuensi non-human help-seeking dan tidak memberikan perubahan pada frekuensi human help-seeking. Namun setelah diberikan perlakuan intervensi, terjadi perubahan signifikan pada metakognitif individu dan kelompok maupun frekuensi non-human help-seeking tetapi tidak terjadi pada human help-seeking. Model matematis mengenai input berupa persepsi dan output berupa aktivitas metakognitif dan frekuensi help-seeking, dapat memberikan gambaran tentang korelasi persepsi help-seeking terhadap aktivitas metakognitif dan frekuensi help-seeking pada pra intervensi maupun pasca intervensi sehingga pemodelan tersebut dapat menjadi perangkat estimasi aktivitas metakognitif berdasarkan persepsi help-seeking. ......Online learning is an alternative learning because it is to meet educational needs which are constrained by distance and time efficiency reasons. In addition, collaborative learning has been increasingly developed since the emergence of the constructivism learning paradigm. Constructivism theory states that learning experiences and interpretations of previously acquired knowledge become in-depth knowledge constructs. Social constructivism theory states that learning occurs through social interaction which is then internalized. Based on these theories and forms of learning, online collaborative learning is an alternative learning model that continues to be developed by cultivating metacognitive awareness. Empirically learning by utilizing metacognitive aspects has been widely carried out in Indonesia, even the national curriculum has made metacognition one of the learning objectives. Students' metacognitive abilities are usually assessed during the learning process using think aloud or after learning using interviews or questionnaires. This study aims to estimate metacognitive abilities by assessing their activities using help-seeking perceptions prior to the learning process. Estimating activities require a model. This metacognitive model serves to estimate metacognitive abilities. Help-seeking needs are not only cognitive needs but also social needs to communicate and share in problem solving. Help-seeking activities usually depend on initial perception. The question is how the perception of help-seeking correlates with metacognitive activity. Then if students get certain treatment in learning, is it possible to increase help-seeking and metacognitive activities and learning outcomes. The extent to which additional treatment or metacognitive intervention in the learning process will increase the effectiveness of learning. This dissertation research aims to answer and provide an overview of the relationship between the two factors by comparing pre- and post-intervention so that this description can predict metacognitive activity and help-seeking frequency based on help-seeking perceptions. Therefore, metacognitive and help-seeking models are needed to fulfill these goals. Data on help-seeking perceptions were obtained through a questionnaire. Data on metacognitive activity and frequency of help-seeking were also obtained through questionnaires after the respondents were given problem solving assignments. The learning outcome data is obtained from the value of problem solving work results. The two data obtained through questionnaires gave very diverse results, therefore a clustering process was carried out to find out the type of trend. The correlation between help-seeking perception data and metacognitive activity and help-seeking frequency can be identified by correlating the two data for each respondent. This was also done post-intervention, so that significant changes after the intervention were given can be identified. The correlation between perceptions of help-seeking and metacognitive activity and frequency of help-seeking is obtained by knowing the relationship between each type. Types of perceptions of instrumental help-seeking and perceived benefits are positively correlated with individual and group metacognitive activities and conversely types of perceptions of help-seeking avoidance and executive are negatively correlated. Of all the types of help-seeking perception, it only gives a slight change in the non-human help-seeking frequency and does not give a change in the human help-seeking frequency. However, after being given the intervention treatment, significant changes in individual and group metacognitive as well as the frequency of non-human help-seeking did not occur in human help-seeking. The mathematical model regarding input in the form of perception and output in the form of metacognitive activity and help-seeking frequency, can provide an overview of the correlation of help-seeking perceptions of metacognitive activity and help-seeking frequency in pre-intervention and post-intervention so that the modeling can be an estimation tool for metacognitive activity based on help-seeking perception.

Abstrak :
Investasi di saham bukanlah tanpa risiko. Harga saham selalu mengalami fluktuasi, dapat naik dan dapat turun. Ketidakpastian tersebut tidak dapat diabaikan, karena dapat menyebabkan kerugian jika salah dalam memprediksi arah pergerakan dari harga saham. Prediksi arah pergerakan harga saham yang lebih akurat dapat mengurangi risiko kerugian. Pada penelitian ini, prediksi arah pergerakan harga saham menggunakan faktor yang mempengaruhi arah pergerakan saham itu sendiri, yaitu harga saham sebagai variabel prediktor. Penelitian dilakukan dengan memanfaatkan salah satu metode dalam jaringan syaraf tiruan, yaitu gated recurrent unit dalam membangun model prediksi arah pergerakan harga saham tersebut. Data harga saham yang digunakan pada penelitian ini adalah data harga saham PT. Bank Central Asia Tbk (kode saham: BBCA) dan PT. Pabrik Kertas Tjiwi Kimia Tbk (kode saham: TKIM). Performa model yang digunakan dievaluasi dengan Root Mean Squared Error dan Mean Absolute Error. Pada penelitian ini didapatkan hasil bahwa hyperparameter prediksi harga saham BBCA terbaik diperoleh dengan menggunakan {epoch=500, batch size=32, dan units=24} dan hyperparameter prediksi harga saham TKIM terbaik diperoleh dengan menggunakan {epoch=250, batch size=128, dan unit=24}. Kemudian, dari RMSE dan MAE yang dihasilkan dari kedua saham disimpulkan bahwa model GRU merupakan model yang mampu memprediksi saham dengan baik. ......Investing in stocks is not without risk. The stock price always fluctuates, can go up and can go down. This uncertainty cannot be ignored, because it can cause losses if it is wrong in predicting the direction of movement of the stock price. A more accurate prediction of the direction of stock price movements can reduce the risk of loss. In this study, the prediction of the direction of stock price movements uses factor that influence the direction of stock movement itself, namely the stock price as a predictor variable. The research was conducted by utilizing one of the methods in artificial neural networks, namely the gated recurrent unit in building a predictive model for the direction of the stock price movement. The share price data used in this research is the share price data of PT Bank Central Asia (stock code: BBCA) and PT. Pabrik Kertas Tjiwi Kimia Tbk (stock code: TKIM). The model performance is evaluated by using Root Mean Squared Error and Mean Absolute Error. The results of this study indicate that the best prediction of the direction of BBCA's stock price movement is obtained by using {epoch=500, batch size=32, and units=24} and the best prediction of the direction of TKIM's stock price movement, is obtained by using {epoch=250, batch size=128, and units=24}. Then, from the RMSE and MAE generated from the two stocks, it can be concluded that the GRU model is a model capable of predicting stocks.

Abstrak :
Skripsi ini bertujuan untuk mengoptimalkan korelasi antara Transformasi Paket Wavelet dan jaringan Syaraf Tiruan topologi propagasi-balik umpan-maju dengan menggunakan pendekatan tingkah laku manusia dalam memahami obyek yang diamati. Tingkah laku ini dapat bersifat obyektif maupun subyektif tergantung dari keadaan dan tujuan pengamatan tersebut. Parameter obyektif menggunakan seluruh ciri sebagai dasar dalam melakukan klasiflkasi, sedangkan parsmeter subjektif hanya memanfaatkan ciri-ciri yang sesuai untuk memenuhi klasifikasi. Hasil pengujian yang dilakukan menunjukkan bahwa tingkat keakuratan berkisar antara 92,861% - 97,86% jika digunakan untuk mengklasifikasikan obyek bidang datar. Sedangkan untuk tekstur antara 94,37% - 98,444%. Kemampuan perangkat lunak untuk mengenal obyek yang mengalami gangguan, yaitu maksimum sebesar 96% pada obyek yang tertranslasi, 90% pada obyek terrotasi, dan 92% pada obyek yang mengalami noise. Selain dari pada itu, kecepatan pembelajaran menjadi sangat singkat dengan rata-rata iterasi maksimal sebanyak 9134,8 kali dan waktu rata-rata kurang dari 261,726 detik. Pengujian keseluruhan memberikan kesimpulan bahwa penambahan informasi-informasi tertentu yang berkaitan dengan ciri-ciri obyek, akan membantu dalam menghasilkan pembelajaran yang optimal dan pendeteksian yang maksimal.