Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"World Wide Web adalah pusat informasi raksasa yang terdistribusi. Pusat informasi ini dapat menjadi sumber pengetahuan yang menarik apabila dilakukan data mining terhadapnya. Pengetahuan yang diperoleh dari pusat informasi ini dapat digunakan untuk melakukan klasifikasi otomatis dari beberapa dokumen web atau email. Jaringan Syaraf Tiruan (JST) adalah suatu metode klasifikasi yang dipilih oleh penulis dalam menentukan kelas suatu email. Metode ini tersusun atas banyak processing elements dan terdapat koneksi yang memiliki bobot diantara processing elements tersebut. Nilai dalam tiap koneksi merepresentasikan pengetahuan yang dimiliki oleh JST tersebut dan nilainya dapat berubah seiring dengan fase pembelajaran yang dilalui. Lebih lanjut, algoritma pembelajaran yang digunakan dalam penelitian ini adalah backpropagation atau propagasi-balik. Adapun input dari JST adalah sebuah vektor, oleh karena itu perlu dilakukan pemrosesan dokumen sebelum email tersebut diklasifikasi. Pemrosesan dokumen yang dilakukan dalam penelitian ini meliputi penghapusan html tag, case folding, parsing, penghapusan stopwords, stemming dan pembentukan vector space. Dalam vector space model, komponen sebuah vektor mewakili terms yang ada pada suatu dokumen atau query. Komponen vektor itu sendiri adalah hasil pembobotan dari setiap terms yang ada dalam suatu dokumen. Di akhir penelitian, terdapat beberapa kesimpulan yang dihasilkan, yaitu penghapusan stopwords dan penggunaan stemming terhadap email yang akan diklasifikasi tidak memberi peningkatan kinerja yang signifikan. Selain itu proporsi training set dan testing set terbaik adalah 350 : 700, serta jumlah hidden layers terbaik bagi sebuah JST untuk mengklasifikasikan email berbahasa Indonesia sebanyak 4 buah. Kata Kunci: Klasifikasi email, Stemming, Jaringan Syaraf Tiruan, Propagasi-Balik"

"ABSTRAKPerubahan karakteristik pada Heat Exchanger akibat adanya endapankotoran yang melapisi pennukaan perpindahan panas, membuat sistemrnenjadi 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."

"ABSTRAKMetode WRV adalah metode penyetelan pengendali menunjukkan kinerja pengendaliyang lebih optimum dari metode penyetelan Ziegler Nichols, Cohen Coon, Dahlin danLopez. Metode ini menggunakan mengkorelasikan informasi dari step respon openloop tranfer function (K, τ, dan θ) untuk menentukan konstanta pengendali P, PI, danPID yaitu Kc, τi, dan τd. Namun, kompleksitas dan dinamika dari sistem proses yangspesifik membutuhkan pengendali yang mampu untuk dilatih berdasarkan data historisproses serta mampu untuk mengkombinasikan faktor-faktor yang mempengaruhisistem proses dalam memutuskan suatu aksi. Jaringan syaraf tiruan diaplikasikan yangpada sistem pengendali, mampu memberikan kedua manfaat tersebutkan.Penelitian ini dilakukan dengan mengaplikasikan jaringan syaraf tiruan untukmenentukan konstanta penyetelan pengendali P, PI, dan PID dengan menggunakanmetode penelitian yang dilakukan untuk menghasilkan metode penyetelan pengendaliWRV. Penelitian ini dilakukan dengan menggunakan tiga jenis jaringan syaraf tiruanyaitu, multi layer feed forward (MLFF), radial basis, dan generalized regression(GRNN). Hasil simulasi dan penerapan pada alat pengendali tekanan di LaboratoriumProses Operasi Teknik, Departemen Teknik Kimia FTUI menunjukkan bahwa jaringansyaraf radial basis memberikan kinerja pengendali paling optimum untuk pengendali Pdan PI, sedangkan kinerja paling optimum dari pengendali PID diperlihatkan padaaplikasi jaringan syaraf generalized regression (GRNN) sebagai metode penyetelanpengendali."

"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."

"ABSTRAKTesis 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."

"Dalam makalah ni akan dibahas sistem pengenal huruf tulisan tangan (SPHTT) yang terdiri dari sub-siostem pra-pengolahan citra, sub-sistem ekstraksi ciri dan sub-sistem klasifikasi. Sub sistem ekstrakasi ciri menggunakan proses aproksimasi kerangka setiap huruf dan memecah kerangka tersebut menjadi beberapa segmen dengan menentukan sejumlah titik penting dalam kerangka. Dalam sistem ini jaringan syaraf tiruan propadasi balik digunakan sebagai sub-sistem klasifikasi. Setiap segmen huruf tulisan tangan tersebut kemudian dipresentasikan sebagai loop, garis dan kurva dengan beberapa sifat yang berkaitan. Dalam makalah ini dijelaskan pula penggunaan sub-sistem ekstraksi ciri berlogika fuzzy untuk mendapatkan representasi terhadap bentuk yang telah ditetapkan sebelumnya. Eksperimen dilakukan dengan mengujukan data yang dilatihkan, sistem mempunyai akurasi pengenalan sampai dengan 97.69% sementara untuk data yang tidak dilatihkan akurasi pengenalan yang dicapai adalah 84.6%"