Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Salah satu cara untuk membuat sistem penciuman buatan adalah dengan cara membuat alat non-destruktif untuk mengukur buah matang atau busuk. buah yang dipilih adalah buah yang mengeluarkan gas yang cukup untuk dideteksi oleh sensor. Sistem ini terdiri dari sebuah semikonduktor gas dengan komponen data akuisis dan analisisnya. data diambil dari beberapa sampel buah dengan rentang waktu yang berbeda beda. Setiap tahap kematangan memiliki nilai yang berbeda beda yang dideteksi oleh sensor. Untuk menganalisa data kita menggunakan artificial neural network (ANN) untuk mengklasifikasikan data untuk menentukan buah tersebu matang atau busuk. jaringan ini di integrasikan kedalam sistem yang akan dibuat untuk mendeteksi buah tersebut. Dalam hal ini digunakan mikrokontroller ATMEGA 8535 untuk mendeteksi buah tersebut. Mikrokontroller digunakan untuk memonitor besaran arus ketika dilakukan pengambilan data oleh sensor dan kemudian melakukan pemrosesan data menggunakan ANN serta menampilkan hasil konsentrasi secara langsung melalui perangkat LCD display. Dengan adanya hidung elektronik ini semoga dapat membantu industri buah untuk membedakan buah yang matang dan yang busuk.  ......One way to make an artificial olfactory system is by making a non-destructive tool to measure ripe or rotten fruit. the fruit chosen is the fruit that emits enough gas to be detected by the sensor. This system consists of a gas semiconductor with data acquisition and analysis components. Data is taken from several fruit samples with different timeframes. Each stage of maturity has a different value that is detected by the sensor. To analyze data we use artificial neural networks (ANN) to classify data to determine which fruit is ripe or rotten. This network is integrated into the system that will be made to detect the fruit. In this case the ATMEGA 8535 microcontroller is used to detect the fruit. Microcontroller is used to monitor the amount of current when data is taken by the sensor and then perform data processing using ANN and display the results of concentration directly through the LCD display device. With this electronic nose, hopefully it can help the fruit industry to distinguish between ripe and rotten fruit.

Abstrak :
Kualitas berkas yang dinyatakan dalam besaran Half Value Layer (HVL) perlu diukur secara berkala pada saat proses uji jaminan mutu pesawat sinar-X. Penelitian ini mengembangkan sebuah model komputasi yang mampu memprediksi nilai HVL dari sebuah citra kosong radiografi umum untuk mengatasi permasalahan instalasi radiologi dalam pengadaan detektor radiasi. Model dibuat menggunakan teknik regresi Artificial Neural Network (ANN) dengan memanfaatkan nilai-nilai fitur yang dapat diekstrak dari sebuah citra medis sebagai masukan model. Tiga jenis model dibuat dengan memvariasikan jenis fitur masukan yang digunakan, yaitu fitur langsung, fitur tidak langsung atau properti Gray-Level Co-occurrence Matrix (GLCM), dan gabungan keduanya. Model dilatih menggunakan arsitektur dan hyper-parameters yang telah ditentukan hingga menghasilkan nilai galat terendah. Nilai HVL sebenarnya diukur menggunakan Solid-State Detector (SSD) dan digunakan untuk mengevaluasi performa model yang telah dilatih. Model Gabungan atau model dengan fitur masukan berupa gabungan antara jenis fitur langsung dan tidak langsung menghasilkan nilai performa terbaik. Pengujian performa Model Gabungan menggunakan data uji menghasilkan nilai mean absolute error, root mean squared error, dan mean absolute percentage error masing-masing sebesar 0,006, 0,009, dan 0,248%. Model harus diperlakukan sebagaimana detektor radasi pada umumnya sehingga proses akuisisi citra berulang perlu dilakukan. Perbedaan model pesawat sinar-X dan reseptor citra menghasilkan nilai dan pola fitur yang berbeda ......The beam quality stated in Half Value Layer (HVL) value needs to be measured periodically during Quality Assurance (QA) X-rays device. This study develops a computational model that can predict the HVL value from a general radiography empty image to solve the problems of radiology installations in the procurement of radiation detectors. The model was created using Artificial Neural Network (ANN) regression technique by utilizing feature values that can be extracted from a medical image as model input. Three types of models were created by varying the type of used input features, those were direct features, indirect features or Gray-Level Co-occurrence Matrix (GLCM) properties, and combination of both. The model was trained using the predefined architecture and hyper-parameters until producing the lowest error value. The real HVL value was measured using a Solid-State Detector (SSD) and used to evaluate the performance of the trained model. Combined Model or a model with an input feature in the form of a combination of the types of direct features and indirect features produced the best performance value. The performance test of the Combined Model using the test data produced the mean absolute error, root mean squared error, and mean absolute percentage error value of 0,006, 0,009, and 0,248%, respectively. The model must be treated as a radiation detector in general so that the repeated image acquisition is necessary. Differences in the X-ray device and the image receptor model produce different feature values and patterns.

Abstrak :
Transforming seismic data into lateral sonic log properties was carried out successfully using the artificial neural network (ANN). This work is related to a detailed investigation of reservoir properties that requires complete data. The objective of this paper is to build a geological model that has vertical and lateral distribution representing the framework of geological change of sonic log properties. However, detailed well log data analysis only provides information of vertical distribution, therefore effective application of seismic data is required to construct a spatial distribution model that represents the lateral sonic log properties away from a well. This paper presents a strategy for transforming seismic data into pseudo-sonic log data by using ANN approaches rather than a simple approach of empirical relationship. The ANN approach defines a specific function that correlates a series of attributes generated from seismic data, such as amplitude envelope, instantaneous frequency, instantaneous phase, and acoustic impedance by a training mechanism based on the sonic log data as a target parameter. The probabilistic neural network (PNN) as one ANN algorithm is applied to transform seismic attributes into a lateral sonic log. An example of an ANN approach using a real data set from the Indonesian field was presented. The pseudo-sonic log shows a good agreement with the real sonic log data, which is represented with a correlation coefficient of 0.91. Further, the seismic line data was successfully transformed into the pseudo lateral sonic log data that covers the whole seismic line.

Abstrak :
Peramalan merupakan salah satu hal yang dibutuhkan untuk mencapai tingkat manajemen rantai pasok yang baik. Peramalan dapat mencegah kelebihan pembelian dan juga menjaga ketersediaan barang dengan baik. Peramalan dapat menjadi salah satu metode untuk melakukan menjaga ketersediaan obat di rumah sakit. Obat sendiri merupakan salah satu barang yang sensitif dan reaktif, hal ini menyebabkan obat harus memiliki penyimpanan khusus dan tidak bisa disimpan dalam waktu lama. Dilain pihak, pada industri rumah sakit, ketersediaan obat harus selalu ada. Hal tersebut membuat rumah sakit harus memiliki peramalan obat yang akurat untuk menjaga ketersediaan obat dan mengurangi kelebihan pembelian dan penyimpanan obat dalam waktu lama. Penelitian kali ini akan membandingkan metode tiga metode peramalan, yaitu single exponential smoothing, autoregressive integrated moving average (ARIMA), dan artificial neural network (ANN). Penelitian ini bertujuan untuk melihat dan menganalisa metode peramalan yang paling baik dari ketiga metode yang ada. Penelitian kali ini akan mengambil data penjualan sebanyak 62 periode dari 3 jenis obat dengan kategori obat fast-moving, yaitu Rhinofed, Simvastatin, dan Betahistin. Berdasarkan hasil penelitian, peramalan dengan metode artificial neural network (ANN) memiliki nilai error yang kecil, sehingga nilai ketepatannya cukup besar. Jika dibandingkan dengan kedua metode lainnya peramalan dengan menggunakan metode artificial neural network masih memiliki nilai error yang paling kecil sehingga nilai ketepatan peramalannya yang paling besar. Hal tersebut menyimpulkan bahwa peramalan dengan metode artificial neural network (ANN) merupakan metode peramalan paling baik dari ketiga metode peramalan yang ada dan baik diimplementasikan di rumah sakit. ......A forecast is one of the important aspects of a company to achieve a good supply chain management system. The forecast could help a company to avoid overstock conditions and ensure the availability of the product. Based on that concept, forecasts could also be used to ensuring the availability of medicine stock in hospitals. The medicine itself is one of the sensitive and reactive materials that make medicines need a very intense inventory condition and couldn't keep in a long period of time. On the other hand, hospitals need to ensure the availability of each medicine. Based on that condition, it is undoubtedly true that the forecast is needed in the hospital supply chain to ensure medicine availability and avoid overstocking. This research will compare three different methods of forecasting, that is single exponential smoothing (SES), autoregressive integrated moving average (ARIMA), and artificial neural network (ANN). The goal of this research is to find and analyze the best forecasting method suitable for the hospital supply chain. Three medicines that will be analyzed in this research are Rhinofed, Simvastatin, and Betahistin based on their title as fast-moving drugs using 62 periods of historical sales. As a result, the artificial neural network method has the smallest error and creates a better accuracy compared to another two methods. Even if every single method has its own strengths and weaknesses, the artificial neural network is the best method among the three methods that been proposed and could be implemented in the hospital supply chain.

Abstrak :
Demam Berdarah termasuk penyakit yang paling umum terjadi di negara tropis seperti Indonesia dan sering berakibat fatal dalam kesehatan. Prediksi dini terhadap jumlah kasus Demam Berdarah merupakan salah satu kunci untuk menanggulangi risiko penyebarannya dalam masyarakat dan dapat membantu pihak-pihak yang terkait seperti Dinas Kesehatan Daerah dalam membuat kebijakan dan rencana pencegahan. Pada tugas akhir ini, untuk angka insiden DBD diprediksi menggunakan metode Artificial Neural Network dengan dua algoritma berbeda untuk proses training ANN, yaitu Backpropagation (ANN-BP) dan Genetic Algorithm (ANN-GA). Penggunaan GA dalam training ANN bertujuan untuk membandingkan dengan BP yang cenderung tidak menemukan minimum global dari fungsi errornya. Variabel prediktor yang digunakan adalah jumlah insiden dan variabel cuaca sebelumnya yang terdiri dari temperatur, kelembapan, dan curah hujan. Variabel prediktor ditentukan dengan mencari time lag dari masing-masing variabel prediktor terhadap jumlah insiden menggunakan korelasi silang. Model yang dibentuk dievaluasi dengan Mean Squared Error, dan hasil prediksi dievaluasi menggunakan Mean Squared Error, Root Mean Squarred Error, dan Mean Absolut Error. Pada tugas akhir ini metode ANN-BP menghasilkan hasil prediksi jumlah insiden DBD kumulatif lebih baik dibandingkan metode ANN-GA pada kota madya Jakarta Pusat, Jakarta Selatan, dan Jakarta Utara, dengan selisih MSE berturut-turut 3,966; 50,162; 23,933; selisih RMSE masing-masing 0,232; 1,742; 1,304; dan selisih MAE masing-masing 0,496; 0,901; 0,734. Sedangkan pada Jakarta Barat dan Jakarta Timur metode ANN-GA menghasilkan hasil prediksi jumlah insiden DBD kumulatif lebih baik dibandingkan metode ANN-BP, dengan selisih MSE berturut-turut 16,915; 37,621; selisih RMSE masing-masing 0,484; 1,44; dan selisih MAE masing-masing 0,319; 0,739. ......Dengue Fever is one of the most common diseases in tropical countries like Indonesia and is often fatal in health. Early prediction of the number of Dengue Fever cases is one of the keys to overcoming the risk of its spread in the community and can assist related parties such as the District Health Office in making policies and prevention plans. In this final project, the DHF incidence rate is predicted using the Artificial Neural Network method with two different algorithms for the ANN training process, namely Backpropagation (ANN-BP) and Genetic Algorithm (ANN-GA). The use of GA in ANN training aims to compare with BP which tends not to find a global minimum of its error function. The predictor variables used are the number of incidents and previous weather variables consisting of temperature, humidity, and rainfall. Predictor variables are determined by finding the time lag of each predictor variable to the number of incidents using cross correlation. The model formed was evaluated with Mean Squared Error, and the predicted results were evaluated using Mean Squared Error, Root Mean Squared Error, and Mean Absolute Error. In this final project, the ANN-BP method produces a prediction of cumulative DHF incidents that is better than the ANN-GA method in the cities of Central Jakarta, South Jakarta, and North Jakarta, with a MSE difference 3.966, 50.162, 23.933, respectively, the difference in RMSE each city is 0.232, 1.742, 1.304, respectively and the MAE difference 0.496, 0.901, 0.734, respectively. Whereas in West Jakarta and East Jakarta the ANN-GA method produces a better prediction of cumulative DHF incidents compared to the ANN-BP method, with a MSE difference 16.915, 37.621, respectively, the difference in RMSE each city is 0.484, 1.44, respectively, and the MAE difference of each city is 0.319, 0.739, respectively.

Abstrak :
The largest region that produces oil palm in Indonesia has an important role in improving the welfare an economy of the society. Oil palm production has increased significantly in Riau Province in every period. To determine the production development for the next few years, we proposed a prediction of the production results. The dataset were taken to be the time series data of the last 8 years (2005-2013) with the function and benefits of oil palm as the parameters. The study was undertaken by comparing the performance of Support Vector Regression (SVR) method and Artificial Neural Network (ANN). From the experiment, SVR resulted the better model compared to the ANN. This is shown by the correlation coefficient of 95% and 6% for MSE in the kernel Radial Basis Function (RBF), whereas ANN resulted only 74% for R2 and 9% for MSE on the 8th experiment with hidden neuron 20 and learning rate 0,1. SVR model generated predictions for next 3 years which rose 3%-6% from the actual data and RBF model predictions

Daerah penghasil kelapa sawit terbesar di Indonesia mempunyai peranan penting dalam peningkatan kesejahteraan dan ekonomi masyarakat. Produksi kelapa sawit mengalami peningkatan yang signifikan di Provinsi Riau dalam setiap kurun waktu, untuk menentukan perkembangan produksi beberapa tahun ke depan, kami mengusulkan suatu prediksi dari hasil produksi. Dataset yang diambil adalah data time series dari data yang diperoleh selama 8 tahun terakhir (2005-2013) dengan fungsi dan manfaat kelapa sawit sebagai parameter. Dalam implementasinya peramalan dilakukan dengan membadingkan kinerja metode Support Vector Regression (SVR) dan Artificial Neural Network (ANN). Dari percobaan, SVR menghasilkan model terbaik dibandingkan dengan ANN yaitu ditunjukkan dengan koefisien korelasi sebesar 95% dan MSE 6% pada kernel Radial Basis Function (RBF), sedangkan ANN hanya menghasilkan R2 sebesar 74% dan MSE 9% pada percobaan ke-8 dengan hidden neuron 20 dan learning rate 0,1. SVR model menghasilkan prediksi untuk 3 tahun kedepan yang memiliki kenaikan antara 3%-6% dari data aktual dan prediksi model RBF

Abstrak :
Sertifikat tanah merupakan surat tanda bukti hak yang berlaku sebagai alat pembuktian yang kuat mengenai data fisik dan data yuridis untuk kepemilikan tanah seseorang. Salah satu jenis pendaftaran sertifikat tanah yaitu sertifikat tanah rutin yang terdiri dari beberapa jenis objek sertifikat diantaranya adalah sertifikat tanah roya, peralihan hak atas tanah, perubahan hak atas tanah, hak tanggungan, split dan pendaftaran pertama kali. Instansi pemerintah yang memiliki wewenang mengeluarkan sertifikat tanah di Indonesia adalah Kementrian ATR/BPN melalui Kantor Pertanahan salah satunya yang terletak di Kabupaten Bandung. Namun kondisi yang terjadi di Kantor Pertanahan Kabupaten Bandung masih terdapat perlambatan penerbitan sertifikat tanah di setiap waktunya. Beberapa penyebab perlambatan tersebut karena proses perencanaan jumlah blangko dan petugas ukur yang masih belum sesuai. Sehingga diperlukan adanya perbaikan proses perencanaan menggunakan peramalan dengan pendekatan data mining untuk mendapatkan model terbaik. Metode yang digunakan adalah perbandingan metode Autoregressive Integrated Moving Average (ARIMA) dan Artificial Neural Network (ANN). Setelah dilakukan analisis berdasarkan Root Mean Square Error (RMSE), ANN dapat menghasilkan model dengan tingkat akurasi yang terbaik untuk melakukan peramalan pada masing-masing jenis sertifikat tanah dibandingkan ARIMA karena hasil dari ANN memiliki tingkat kesalahan terkecil. ...... A land certificate is a certificate of proof of rights that serves as a strong proof of physical data and juridical data for a person's land ownership. One type of land certificate registration is a routine land certificate consisting of several types of certificate objects includigroya land certificates, transfer of land rights, changes to land rights, mortgage rights, splits, and first registration. The government agency authorized to issue land certificatesin Indonesia is the Ministry of ATR/BPN through the land office, one of which is in Bandung Regency. However, the conditions that occur in the Bandung Regency land office are still a slowdown in the issuance of land certificates every time. Some of the reasons for the slowdown occurred because the planning process for the number of blanks and measuring officers was still not appropriate. So, it is necessary to improve the planning process using forecasting with a data mining approach to get the best model. The method used is to compare the Autoregressive Integrated Moving Average (ARIMA)and Artificial Neural Network (ANN) methods. After analyzing based on Root Mean Square Error (RMSE), the ANN can produce a model with the best accuracy forforecasting each type of land certificate compared to the ARIMA because the results of the ANN have the smallest error rate.

Abstrak :
This book is to presents and evaluates a way of modelling and optimizing nonlinear RFID Network Planning (RNP) problems using artificial intelligence techniques. It uses Artificial Neural Network models (ANN) to bind together the computational artificial intelligence algorithm with knowledge representation an efficient artificial intelligence paradigm to model and optimize RFID networks. This effort leads to proposing a novel artificial intelligence algorithm which has been named hybrid artificial intelligence optimization technique to perform optimization of RNP as a hard learning problem. This hybrid optimization technique consists of two different optimization phases. First phase is optimizing RNP by Redundant Antenna Elimination (RAE) algorithm and the second phase which completes RNP optimization process is Ring Probabilistic Logic Neural Networks (RPLNN). The hybrid paradigm is explored using a flexible manufacturing system (FMS) and the results are compared with well-known evolutionary optimization technique namely Genetic Algorithm (GA) to demonstrate the feasibility of the proposed architecture successfully.