Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 6 dokumen yang sesuai dengan query
cover
Hendri Fernandes
Pengembangan Metode Estimasi Raw Meal Residu pada Vertical Roller Mill Menggunakan Back Propagation Neural Network = Development of Estimation Method Raw Meal Residue for Vertical Roller Mill Using Back Propagation Neural Network
"

Vertical Roller Mill (VRM) merupakan tipe baru peralatan grinding, yang mengkombinasikan berbagai fungsi proses dalam pengoperasiannya termasuk proses grinding, proses pengeringan, dan proses pemisahan, dan merupakan peralatan grinding yang memiliki efisisensi energi yang tinggi. Stabilitas pengendalian operasi dan kehalusan raw meal yang sesuai dengan kualitas merupakan factor penting untuk mendapatkan kondisi operasi normal pada VRM.

Penelitian ini bertujuan mendapatkan metode pemodelan bagi VRM untuk memprediksi residu 90 mikron dan residu 200 mikron dari produk raw meal menggunakan Back Propagation Neural Network (BPNN). Pembuatan model BPNN dapat dilakukan dalam beberapa langkah, yaitu persiapan data input, menentukan sturuktur BPNN, pemilihan optimizer dan loss function, dan pelatihan BPNN serta evaluasi model yang dibuat.

Normalisasi data merupakan bagian dari persiapan data input, yang mana metode ini mengubah nilai output kedalam nilai kisaran baru. Sedangkan untuk arsitektur model, pada penelitian ini BPNN dirancang dengan menggunakan 4 variabel dan 6 variabel pada lapisan masukan, 4 lapisan tersembunyi dengan 52 neuron untuk setiap lapisannya. Sedangkan lapisan keluaran memiliki 2 variabel keluaran.

Pada penelitian ini menggunakan 3 tipe optimizer untuk mengoptimalkan parameter loss function, yaitu Adagrad, Adam, dan RMSprop. Dari hasil evaluasi pada model, penggunaan RMSprop optimizer dan MSE sebagai loss function memberikan hasil yang lebih baik dalam memprediksi data kualitas residu produk VRM dibandingkan optimizer lainnya.

 

Vertical Roller Mill (VRM) is a new type of grinding equipment, which combines multiple functions that include grinding, drying, and separating, and is energy efficient grinding equipmen. Stability of the process control and suitable raw meal fineness are the key factors to determine the normal operation of the VRM.

This study proposes a method for modeling the VRM to predict residue 90 micron and residue 200 micron of the raw meal product using Back Propagation Neural Network (BPNN). Making a neural network model in BPNN can be done in a few steps. The modelling step is input preparation, BPNN structure determination, optimizer and loss function selection, training BPNN and model evaluation.

Normalization is part of input preparation. This method resets the feature or output to a range of new values. For structure architecture, BPNN Modeling VRM Raw Meal uses one input layer with 4 and 6 input variables, with 4 hidden layers with 52 neuron for each hidden layers. While the output consists of one layer with 2 target output variables.

In this research, the modeling using 3 optimizers to optimize parameter of loss function. The optimizers are Adagrad, Adam, and RMSprop. From model evaluation, RMSprop optimizer and MSE loss function show better modelling results than others to predict residue data quality of the VRM raw meal products.

 

"
2019
T53272
UI - Tesis Membership  Universitas Indonesia Library
cover
Ely Sudarsono
Pengoptimasian Metode Convolutional Neural Network Dengan Optimasi Lookahead-Diffgrad Untuk Mengklasifikasikan Citra Retina Penyakit Katarak = An Optimized Convolution Neural Network using Lookahead-diffGrad for Cataract Fundus Image Classification
"Indonesia merupakan salah satu negara dengan penduduk terbanyak yang mengalami kebutaan yang disebabkan oleh katarak sebesar 77,7 %. Pendeteksian terhadap pasien katarak dapat dilakukan menggunakan citra fundus dengan metode komputasi. Salah satu metode komputasi populer dalam klasifikasi citra fundus adalah deep learning yang merupakan salah satu pendekatan machine learning. Pada tesis ini, model convolutional neural network (CNN) yang digunakan adalah arsitektur AlexNet dengan Lookahead-diffGrad optimizer. Data yang digunakan dalam penelitian ini diambil dari situs Kaggle yang berisi citra fundus katarak. Selanjutnya, dilakukan tahap pra-pengolahan pada citra seperti menerapkan resize dan menerapkan normalisasi agar semua citra dapat diinput ke dalam model dengan ukuran yang sama serta meningkatkan kinerja model. Hasil penelitian ini menunjukkan CNN dengan Lookahead-diffGrad optimizer pada dataset citra retina katarak dapat mengklasifikasikan data menjadi dua kelas, yaitu normal dan katarak, sehingga dapat membantu untuk mendiagnosis penyakit tersebut dengan baik. Selain itu, hasil terbaik juga diperoleh oleh CNN dengan Lookahead-diffGrad optimizer berdasarkan nilai loss sebesar 0,0010 dan akurasi 100 % dibandingkan berbagai optimizer lainnya untuk mengklasifikasikan dataset citra retina katarak.

Indonesia is one of the countries with the most people experiencing blindness due to cataracts at up to 77.7% of the population. Detection of cataract patients can be done using fundus images with computational methods. One of the popular computational methods in the classification of fundus images is deep learning, which is one of machine learning approaches. In this thesis, the convolutional neural network (CNN) model used is the AlexNet architecture with Lookahead-diffGrad optimizer. The data used in this study were taken from the Kaggle website which contains the images of cataract fundus. Furthermore, the pre-processing stage of the image is carried out such as applying resizing and applying normalization so that all images can be inputted into the model with the same size and improve the performance of the model. The results of this study indicate that CNN using the Lookahead-diffGrad optimizer on the retinal cataract image dataset can classify the data into two classes, namely normal and cataracts, so that it can help diagnose the disease properly. In addition, the best results were obtained by CNN with the Lookahead-diffGrad optimizer based on a loss value of 0.0010 and 100% accuracy compared to other optimizers for classifying the retinal cataract image dataset."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Hanifa Dhina
Analisis penentuan faktor penyebab produk cacat (Defect) di lini produksi painting PT. Astra Otopart Tbk dengan metode design and analysis of exsperiments (DOE) = Determinant analysis of factors causing product defect in painting line production of PT Astra Otoparts Tbk using Design and Analysis of Experiments (DOE) method
"Industri manufaktur merupakan industri yang padat karya dan umumnya selalu memproduksi barang dalam jumlah besar. Setiap perusahaan selalu bersaing dalam merebut pangsa pasar yang besar. Kepuasan pelanggan merupakan salah satu hal utama yang harus diperhatikan untuk mencapai pangsa pasar yang besar tersebut. Kepuasan pelanggan erat kaitannya dengan barang yang diproduksi oleh perusahaan tersebut. Barang yang bagus secara kualitas adalah barang yang dapat memenuhi kepuasan pelanggan, tidak memiliki cacat, dan bagus secara performance. Hal inilah yang menjadi konsentrasi tinggi yang sedang terjadi di PT Astra Otoparts Tbk. Beberapa data menunjukkan tingkat defect yang cukup tinggi di lini produksi tertentu, salah satunya adalah lini produksi painting. Untuk mengurangi tingkat defect yang ada, maka perlu dilakukan suatu eksperimen untuk mengetahui hubungan faktor-faktor yang mungkin mempengaruhi tingkat defect.
Konsep eksperimen yang digunakan adalah Design and Analysis of Experiments (DOE) dengan menggunakan metode 2k full factorial design. Setelah eksperimen dilakukan, maka selanjutnya melakukan uji hipotesis terhadap nilai signifikansi yang telah ditentukan. Analisis data residual juga harus dilakukan untuk mengetahui kenormalan persebaran data yang dihasilkan. Setelah melakukan semua uji, barulah ditentukan kombinasi terbaik untuk mengurangi tingkat defect yang ada dengan response optimizer.
Manufacturing industries include to one of high human capital investments, and usually produce their products in large amount. Every company have competition in dominating the market. Customer satisfaction is one of the important aspect to be concerned in order to gain the larger market. Customer satisfaction is close to the product that company made. Good product from good quality is described as a thing that can fulfill the customer satisfaction, has no defect occurred, and perform well. This condition begin to be concerned intensively in PT Astra Otoparts Tbk. Some of the data shows high enough defect rate in some production lines, and painting is one of them. In order to decrease the defect rate, an experiments is needed to know the relation of factors that can affect the defect rate.
Concept of the experiments used here is Design and Analysis of Experiments (DOE) by using the 2k full factorial design method. When the experiments have been done, the next step is doing the hypothesis test through the significance value. Residual analysis should be done in order to know the normality of data distribution. When all the tests are done, then it must be done to find the optimal combination for optimizing the condition in order to decrease the defect rate by using response optimizer."
Depok: Fakultas Teknik Universitas Indonesia, 2008
S50306
UI - Skripsi Open  Universitas Indonesia Library
cover
Ferdian Razak
Studi State of Charge pada Baterai Lithium-Ion dan Lithium-Polymer Menggunakan Metode Support Vector Machine dengan Particle Swarm Optimization = Study of State of Charge on Lithium-Ion and Lithium-Polymer Batteries Using Support Vector Machine Method with Particle Swarm Optimization
"Baterai menjadi komponen kunci dalam sistem penyimpanan energi, maka dari itu sangat penting untuk mengestimasi nilai State of Charge secara akurat untuk mengelola dan memanfaatkan daya baterai secara optimal. Ketidakakuratan estimasi SoC dapat menyebabkan performa yang tidak optimal dan kerusakan baterai. Pendekatan tradisional dalam estimasi SoC cenderung kurang presisi, terutama di bawah kondisi dinamis. Oleh karena itu, untuk meningkatkan akurasi estimasi SoC, pada penelitian ini diusulkan model estimasi SoC menggunakan metode Support Vector Machine dengan Particle Swarm Optimization pada baterai Lithium-Ion dan Lithium-Polymer karena keduanya banyak digunakan dalam berbagai aplikasi, termasuk kendaraan listrik, perangkat seluler, dan peralatan elektronik. Hasil penelitian ini akan menunjukkan algoritma SVM dan PSO-SVM yang dapat digunakan untuk memprediksi estimasi pada baterai Lithium-Ion dan Lithium-Polymer. Berdasarkan penelitian yang telah dilakukan diperoleh hasil skor R-Squared menggunakan SVM pada Lithium-Ion sebesar 96,1% dan Lithium-Polymer sebesar 92,8%, serta menggunakan PSO-SVM pada Lithium-Ion 97,8% sebesar dan Lithium-Polymer sebesar 93,6%. hasil skor Mean Absolute Error diperoleh dengan menggunakan SVM pada Lithium-Ion sebesar 4,9% dan Lithium-Polymer sebesar 6,0%, serta menggunakan PSO-SVM pada Lithium-Ion sebesar 3,8% dan Lithium-Polymer sebesar 5,7%. hasil skor Root Mean Squeared Error diperoleh dengan menggunakan SVM pada Lithium-Ion sebesar 6,3% dan Lithium-Polymer sebesar 8,1%, serta menggunakan PSO-SVM pada Lithium-Ion sebesar 4,8% dan Lithium-Polymer sebesar 7,7%. Hasil analisis menunjukkan bahwa algoritma PSO-SVM dan SVM lebih cocok diaplikasikan pada baterai Lithium-Ion dibandingkan Baterai Lithium-Polymer, khusunya PSO-SVM.
Batteries become a key component in the energy storage system; therefore, it is crucial to accurately estimate the State of Charge to manage and utilise the battery power optimally. Inaccuracy in SoC estimation can lead to suboptimal performance and battery damage. Traditional approaches in SoC estimation tend to lack precision, especially under dynamic conditions. Therefore, to improve the accuracy of SoC estimation, this study proposes a SoC estimation model using Support Vector Machine with Particle Swarm Optimization method for Lithium-Ion and Lithium-Polymer batteries as they are widely used in various applications, including electric vehicles, mobile devices, and electronic equipment. The results of this research will show the PSO-SVM and SVM algorithms that can be used to predict estimates for Lithium-Ion and Lithium-Polymer batteries. Based on research that has been carried out, the R-Squared score results obtained using SVM on Lithium-Ion were 96.1% and Lithium-Polymer was 92.8%, and using PSO-SVM on Lithium-Ion was 97.8% and Lithium-Polymer was 93 .6%. The Mean Absolute Error score results were obtained using SVM on Lithium-Ion of 4.9% and Lithium-Polymer of 6.0%, and using PSO-SVM on Lithium-Ion of 3.8% and Lithium-Polymer of 5.7%. The Root Mean Squeared Error score results obtained using SVM on Lithium-Ion were 6.3% and Lithium-Polymer were 8.1%, and using PSO-SVM on Lithium-Ion was 4.8% and Lithium-Polymer was 7.7%. The analysis results show that the PSO-SVM and SVM algorithms are more suitable for application to Lithium-Ion batteries compared to Lithium-Polymer Batteries, especially PSO-SVM."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2024
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Muhammad Athallah Adriansyah
Penekanan Sidelobe Level pada Antena Phased Array Mikrostrip Rectangular menggunakan Algoritma Grey Wolf Optimizer dengan Pencarian Lokal = Sidelobe Level Suppression on Rectangular Microstrip Phased Array Antenna Using Grey Wolf Optimizer with Local Search Algorithm
"Indonesia, sebagai negara kepulauan yang luas, menghadapi tantangan besar dalam menyediakan infrastruktur komunikasi untuk wilayah terpencil. Antena phased array dalam sistem komunikasi satelit memberikan solusi penting untuk menjangkau area yang sulit diakses oleh jaringan konvensional, namun memiliki kendala interferensi sinyal akibat sidelobe level yang tinggi. Penelitian ini bertujuan untuk menekan sidelobe level pada antena phased array linear dan planar guna meningkatkan performa komunikasi satelit. Algoritma grey wolf optimizer yang dikombinasikan dengan metode pencarian lokal Nelder-Mead Simplex diusulkan sebagai solusi optimasi untuk menghasilkan distribusi eksitasi antena yang lebih optimal. Optimasi dilakukan pada antena susun linear dengan konfigurasi 16-elemen dan 32-elemen serta antena susun planar dengan konfigurasi 16x16-elemen dan 32x32-elemen. Hasil optimasi menunjukkan pencapaian sidelobe level (SLL) hingga -56.30 dB untuk antena susun 16-elemen dan -52.63 dB untuk antena susun 32-elemen, lebih baik dibandingkan metode konvensional. Efektivitas metode yang diusulkan dalam menekan sidelobe level menjadi kelebihan utama algoritma ini, meskipun waktu eksekusi per iterasi sedikit meningkat pada antena dengan elemen banyak dan stabilitasnya lebih rendah. Validasi terhadap performa algoritma dilakukan pada perangkat lunak CST Microwave Studio 2024. Antena elemen tunggal TX dan RX telah dirancang untuk memenuhi spesifikasi aplikasi komunikasi satelit pada frekuensi 13.5 GHz – 14.5 GHz dan 10.7 GHz – 12.75 GHz. Simulasi awal dengan menggunakan array factor (AF) dan model array dilakukan pada antena phased array dengan konfigurasi 4-elemen berdasarkan antena elemen tunggal TX dan RX. Hasil simulasi menunjukkan konsistensi antara kedua metode simulasi sehingga pendekatan optimasi yang diusulkan cukup efektif pada konfigurasi sederhana. Simulasi dan validasi lebih lanjut dilakukan untuk antena phased array dengan konfigurasi elemen yang lebih banyak. Hasil simulasi menunjukkan tren performa scan angle error, gain, half-power beamwidth (HPBW), SLL, dan grating lobe yang lebih optimal dan sesuai dengan kebutuhan performa pada antena phased array untuk aplikasi komunikasi satelit.
Indonesia, as a vast archipelago, faces great challenges in providing communication infrastructure for remote areas. Phased array antennas in satellite communication systems provide an important solution to reach areas that are difficult to access by conventional networks, but have signal interference constraints due to high sidelobe levels. This research aims to suppress sidelobe levels in linear and planar phased array antennas to improve satellite communication performance. The grey wolf optimizer algorithm combined with the Nelder-Mead Simplex local search method is proposed as an optimization solution to produce a more optimal antenna excitation distribution. Optimization is performed on linear stacking antennas with 16-element and 32-element configurations and planar stacking antennas with 16x16-element and 32x32-element configurations. The optimization results show the achievement of sidelobe levels (SLLs) up to -56.30 dB for the 16-element stacking antenna and -52.63 dB for the 32-element stacking antenna, better than the conventional method. The effectiveness of the proposed method in suppressing the sidelobe level is the main advantage of this algorithm, although the execution time per iteration increases slightly for large antennas and the stability is lower. Validation of the algorithm's performance is performed on CST Microwave Studio 2024 software.TX and RX single element antennas have been designed to meet the specifications of satellite communication applications at frequencies of 13.5 GHz - 14.5 GHz and 10.7 GHz - 12.75 GHz. Further research is proposed to synthesize the phased array antenna and validate the algorithm optimization results and test the algorithm performance under beam steering conditions. Initial simulations using the array factor (AF) and array model were performed on a phased array antenna with a 4-element configuration based on TX and RX single element antennas. The simulation results show consistency between the two simulation methods so that the proposed optimization approach is quite effective on simple configurations. Further simulations and validations are performed for phased array antennas with more element configurations. The simulation results show performance trends of scan angle error, gain, half-power beamwidth (HPBW), SLL, and grating lobe that are more optimal and in line with the performance requirements of phased array antennas for satellite communication applications. "
Depok: Fakultas Teknik Universitas Indonesia, 2025
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Amanda Nur Oktaviani
Rancangan sistem penilaian esai otomatis (SIMPLE-O) untuk ujian bahasa Jepang dengan convolutional neural network = Development of automatic essay grading system (SIMPLE-O) for Japanese language exam using convolutional neural network.
"Skripsi ini membahas mengenai rancangan untuk pengembangan sistem penilaian esai otomatis (SIMPLE-O) menggunakan Convolutional Neural Network dan Manhattan Distance sebagai penilaian pada ujian esai Bahasa Jepang yang sedang dikembangkan oleh Departemen Teknik Elektro Universitas Indonesia. Sistem ini menggunakan Convolutional Neural Network (CNN) untuk memberikan nilai pada esai Bahasa Jepang. Dari beberapa variasi yang diuji, model yang paling stabil adalam model yang memiliki layer CNN, Manhattan Distance, dan dropout dengan dropout rate sebesar 0.1, di-train selama 32 epochs dengan loss function cross-categorical entropy dan optimizer RMSprop dengan input model ditokenisasi per karakter dengan rata-rata akurasi sebesar 59.48%.
This thesis discusses the design for the development of an automatic essay scoring system (SIMPLE-O) using the Convolutional Neural Network and Manhattan Distance as an assessment of the Japanese essay exam which is being developed by the Department of Electrical Engineering, University of Indonesia. This system uses Convolutional Neural Network (CNN) to score Japanese essays. Of the several variations tested, the most stable model is a model that has CNN, Manhattan Distance, and dropout layers with a dropout rate of 0.1, trained for 32 epochs with a loss function cross-categorical entropy and an RMSprop optimizer with model input tokenized per character on average. the average accuracy is 59.48%."
Depok: Fakultas Teknik Universitas Indonesia, 2021
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library