Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
The recognition of two dimensional character typewriter and hand written by using back-propagation method. This method is popular in neural-network model. We try to explain back-propagation method application in character recognition practice, helping by neural-network software.

Abstrak :
Quadcopter atau Quadrotor adalah sebuah jenis helikopter tanpa awak yang memiliki empat rotor yang terpasang dengan propeller. Pada quadcopter memiliki 2 buah rotor yang berputar searah jarum jam dan 2 buah rotor yang berputar berlawanan arah jarum jam. Pada sebuah quadcopter memiliki keseimbangan yang tidak stabil secara aerodinamis sehingga memerlukan komputer untuk mengkonversi perintah input menjadi perintah yang dapat mengganti kecepatan rotasi dari propeller sehingga menghasilkan gerakan yang diinginkan. Seiring dengan perkembangan teknologi, khususnya Artificial Intelligence dan Machine Learning, teknologi telah menjadi bagian penting serta berpengaruh secara signifikan dalam kehidupan manusia. Pengaplikassian Artificcial Intelligence seperti Neural Network juga tidak luput pengaplikasiannya di bidang Quadcopter Unmanned Aerial Vehicles (UAV). Dalam hal ini Neural Network digunakan sebagai basis dari metode pengendalian yang hendak diaplikasikan pada Quadcopter Unmanned Aerial Vehicles (UAV) yang disebut sebagai Pengendali Neural Network. Metode pengendalian Neural Network merupakan metode pengendalian yang memiliki model matematika yang disusun oleh Artificial Neural Network (ANN) dimana pengendali Neural Network terdiri dari dua buah komponen dasar yakni komponen inverse dan komponen identifikasi. Jenis pengendali yang digunakan untuk menstabilisasi manuver pada pergerakan Quadcopter UAV kemudian diuji dan diverifikasi melalui simulasi yang dilakukan dengan bahasa pemrograman MATLAB serta dilakukan perbandingan dengan pengendali Single Neuron Adaptive PID sebagai pembanding dalam hal performa pengendali. ......A quadcopter, or quadrotor, is an unmanned helicopter with four rotors equipped with propellers. In a quadcopter, two rotors spin clockwise, and two rotors spin counterclockwise. A quadcopter has an aerodynamically unstable balance, which requires a computer to convert input commands into instructions that can change the rotation speed of the propellers to produce the desired movements. With the advancement of technology, especially Artificial Intelligence and Machine Learning, technology has become an integral and influential part of human life. Artificial Intelligence, such as Neural Networks, is also applied in the field of Quadcopter Autonomous Aerial Vehicles (UAV). In this context, Neural Networks are used as the basis for control methods to be applied to Quadcopter Unmanned Aerial Vehicles (UAV), referred to as Neural Network Controllers. The Neural Network Controller method is a control method with a mathematical model constructed by an Artificial Neural Network (ANN) consisting of two primary components: the inverse component and the identification component. The type of controller used to stabilize the maneuvers in the movement of the Quadcopter UAV is then tested and verified through simulations conducted in the MATLAB programming language and compared with Single Neuron Adaptive PID (SNAPID) controllers regarding controller performance.

Abstrak :
Probabilistic Neural Network (PNN) adalah salah satu tipe jaringan neural yang umum digunakan untuk memecahkan permasalahan klasifikasi pola. Disamping struktur jaringan dan metode pelatihan yang sederhana, PNN memiliki kelemahan utama yaitu dalam menentukan struktur jaringan yang terdiri dari penentuan nilai para meter smoothing dan jumalh neuron yang di gunakan pada lapisan pola . Dengan adanya kelemahan ini beberapa peneliti mengajukan algoritma Supervised PNN structure Determination (SPNN) dengan tujuan untuk mempermudah penentuan struktur PNN. Akan tetapi dalam implementasi iteratif yang telah di laporkan , SPNN masih memerlukan waktu komputasi yang cukup lama untuk menentukan struktur PNN yang baik. Makalah ini menjelaskan usaha perbaikan kinerja waktu proses implementasi SPNN dengan memperhatikan bagian-bagian proses yang independent serta memodifikasi algoritmanya untuk dapat diterapkan pemrosesan secara paralel. Hasil eksperimen menunjukkan percepatan yang cukup berarti.

Abstrak :
One of the problems faced in applying neural network to some real world application is related to difticulties in finding an optimum set of weights and thresholds during the training phase. A general most method in tinding these solutions for these problems is backpropagation. A different method to tind the solutions of the same problems is Genetic Algorithms. Genetic algorithm is relatively new search algorithm that has not been fully explored in this area. ln this thesis, genetic algorithms are applied to train neural networks and to evolve an optimum set of weights and thresholds. Process begin with encode neural networks parameters to binary chromosomes, and evaluate. The Spinning wheel selections are using to produce offspring with high titness_ then recombinate with crossover and mutation as genetic operator. The proiect carried out investigates whether genetic atgonthms can be applied to neural networks to solve pattem classitication and function approximation problems. This thesis describes tl1e simulation works that have been perfomwed. It describes the design ofa genetic algorithm and the results obtained. ln pattem classilication problem that use feedforward network show, that genetic algorithm is superior to backpropagation training rule in error and speed calculation. ln function approximation, the result shows that genetic algorithm approach is very much slower than the backpropagation method. Results' show that even for relatively simple network, genetic algorithm requires a much longer time to Uain neural networks-

Abstrak :
Kemajuan teknologi dewasa ini menuntut adanya sebuah sistem yang lebih cepat, tepat dan akurat terutama dalam hal pengolahan citra hasil dari satelit penginderaan Saat ini saja setiap harinya setiap satelit geostationer menghasilkan 25 GB data yang harus sesegera mungkin di olah. Berbagai macam metode pengolahan texture pada citra yang ada saat ini, seperti Grey Level Co-occurrence Matriks. Sum and Difference Histogram, Variogram dan lain sebagainya pun terus berkembang menyesuaikan kebutuhan akan pengolahan citra yang berkembang setiap harinya Skripsi ini akan membahas identifikasi dan klasifikasi empat macam objek alami, yaitu pohon, rumput, langit dan sungai Metode Sum and Difference Histogram digunakan dalam mengolah tekstur pada citra-citra tersebut, kemudian sistem yang digunakan adalah Jaringan Syaraf Tiruan Propagasi Balik Sistem jaringan yang dirancang menggunakan tiga layer yaitu input layer, hidden layer dan output layer. Pada saat training dan proses identifikasi citra akan dilakukan perbandingan sistem kerja jaringan dengan berbagai macam neuron pada hidden layer. Pengujian beberapa jaringan ini akan memperlihatkan sistem jaringan terbaik yang kemudian akan digunakan dalam proses pengklasifikasian suatu citra yang didalamnya terdapat lebih dari satu objek alami. Hasil Simulasi menunjukkan bahwa sistent terbaik untuk identifikasi ialah sistem dengan menggunakan 25 neuron pada hidden layer. Preseutase sistem dapat mengenali citra yang sudah dipelajarinya ialah 92,67 % kemudian presentase tingkat generalisasi sistem dapat mengenal citra-citra baru yang masih termasuk ke dalam kelas yang telah dipelajarinya ialah 87.91 %.

Abstrak :
Perkembangan jaman menyebabkan plant modern memiliki struktur yang lebih kompleks dengan sistem yang non-linier, yang terdiri dari banyak masukan dan keluaran. Dalam struktur yang lebih kompleks tersebut, memungkinkan juga terjadinya disturbance pada sistem. Maka dari itu, diperlukan sistem pengendali yang mampu mengatasi perubahan karakteristik secara otomatis yang disebabkan oleh perubahan kondisi lingkungan kerja. Tujuan penelitian ini adalah untuk membandingkan performa antara pengendali backpropagation dan elman neural network terhadap suatu sistem. Data yang digunakan pada percobaan ini,menggunakan model matematis, data PPR, dan data helikopter. Kemudian juga dilakukan pengujian sistem Backpropagation dan Elman neural network terhadap reference input yang diberikan disturbance dengan metode online learning dan feedforward. Hasil dari percobaan, menunjukkan karakteristik Elman lebih baik dibandingkan backpropagation dalam pengujian offline dan online dengan sistem yang diberikan gangguan. Hasil respon transient dari Elman adalah %OS sebesar 5,43% pada pengujian online dan selisih satu data lebih cepat pada settling time dibanding backpropagation pada pengujian offline. Hasil pengujian online memiliki hasil yang baik pada kedua metode jika dibandingkan dengan pengujian offline dari segi persentase kesalahan tunak, karena mencapai nilai 0%.

---

Complexcity, there would be a probability of disturbance presences Therefore, we need a control system that able to automatically adapt with the characteristic changes that correspond to the environment conditions. The purpose of this study was about to compare performances between backpropagation and elman neural network controller within the system. This experiment using mathematical model, data PPR, and data helicopter UAV. Trained backpropagation and Elman neural network will be tested by giving reference input and disturbance and also using method of feedforward and online learning. The result of the experiment, shows the characteristics of Elman that is better than backpropagation in offline and online testing. The results %OS of Elman when using online learning is about 5.43% and there one a gap of single data, that shows elman faster on settling time than backpropagation when using offline system. Online test outputs have good results on both algorithm than offline testing in terms of percentage of steady state error, because it reaches a value of 0%.

Abstrak :
Untuk mengindentifikasi kondisi janin di dalam kandungan, dewasa ini masih dilakukan tindakan konvensional yang dapat menyakiti janin dalam kandungan dan si ibu. Di dalam penelitian ini dirancang bangun program identifikasi kondisi janin dengan near infrared spectroscopy yang dikenal melalui metode Jaringan Syaraf Tiruan (JST). Gelombang cahaya yang diterima dari proses penyinaran NIRS ke jaringan otak dikonversi ke gelombang audio, selanjutnya gelombang audio tersebut dihubungkan ke komputer melalui input audio. Pada tahap awal pendeteksian gelombang, pertama-tama dilakukan pra-pengolahan terlebih dahulu. Gelombang spektroskopi diperbesar untuk mendapatkan bentuk gelombang yang baik, dan selanjutnya gelombang ini dipotong- potong hingga didapat spektrum yang dapat mewakili karakteristik gelombang dalam bentuk matriks 75x1. Nilai karakteristik dilatih dan dimasukkan ke dalam database sebagai input pembanding untuk proses identifikasi. JST terdiri dari 100 layer tersembunyi dan 1 layer keluaran, dengan fungsi aktifasi tansig dan purelin. Setelah dilakukan pelatihan untuk 30 gelombang audio yang masing?masing terdiri dari 10 gelombang audio kondisi janin normal, 10 gelombang audio kondisi janin asfiksia dan 10 gelombang audio janin preasfiksia, identifikasi kondisi janin ini mencapai tingkat akurasi rata-rata sebesar 66,67% dengan 4 kali pengukuran pada 15 sampel input. ......To identifying fetal condition on the womb nowadays, some people still using conventional method that can harm the fetal it self and the mother. The objective of this research, we try to build up a program to identify fetal condition through spectroscopy that also known as Artificial Neural Network method. Light wave that collected from NIRS to the fetal's brain cell converted to be audio wave, then we connect this audio wave to the computer with the audio input tools. In the first step of the wave detection, we should do the pre-processing of the wave. The signal wave from spectroscopy are zoomed out to get a good specific wave. And then we broke it down to get specific charasteristic spectrum of the wave in the form of matrix 75x1. The value of its charasteristic is trained and input on the database as the input comparator for the identify process. ANN is contain of 100 layer as the hidden layer and 1 layer as the output layer, with tansig function and purelin function as the activation function. After training for 30 spectroscopy wave, that contains of 10 audio wave of the fetal condition in normal, 10 audio wave in asphyxia and 10 audio wave in pre-asphyxia condition, identification of the fetal condition reach average of the accuracy in 66,67% with 4 times measuring for 15 input sample.