Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPada masa sekarang ini, teknologi semakin berkembang dan terus berkembang dengan cepat. Terutama kebutuhan adanya teknologi prediksi yang memerlukan pengembangan lebih dalam lagi sehingga dapat menghasilkan teknologi yang dapat memprediksi masa depan Multi-Step Ahead MSA secara lebih akurat. Salah satunya untuk teknologi prediksi peramalan cuaca sistem Chaos yang dapat membantu masyarakat dalam mempersiapkan aktifitas yang akan dilakukan. Penelitian ini melakukan simulasi percobaan penerapan Jaringan Saraf Tiruan berbasis Radial Basis Function RBF pada sistem prediksi data Chaos, data Lorenz dan data Mackey-Glass. Berdasarkan hasil percobaan dapat dilihat dari nilai bahwa penerapan jaringan saraf tiruan berbasis Radial Basis Function RBF memiliki tingkat keakuratan yang baik untuk memprediksi lebih dari 100 langkah kedepan.

---

ABSTRACT Recently, technologies have been growing and growing fast. Especially, the need of prediction technology that need to be developed more so that it could create a technology that is capable to predict the future Multi Step Ahead MSA more accurate. One of the applied field of this prediction method is for forecasting Chaotic System which help the society in order to prepare their activity that will be scheduled. This research performs simulation experiments in applying the Artificial Neural Network based on Radial Basis Function RBF of prediction system for chaotic data, Mackey Glass equation and Lorenz rsquo s system. As can be seen from the values of the experimental results, applying Artificial Neural Network based on Radial Basis Function results high accuracy for predicting more than 100 steps ahead. "

"Penelitian ini menguji model penilaian risiko pemberian pembiayaan konsumer dengan menggunakan model Logistic Regression (LR) dan Radial Basis Function (RBF). Hasil penelitian menunjukkan RBF memiliki tingkat akurasi yang lebih tinggi untuk mengklasifikasikan aplikasi yang direkomendasikan sedangkan LR memiliki tingkat akurasi yang tinggi untuk mengklasifikasikan aplikasi yang tidak direkomendasikan. RBF memiliki Tipe II error yang lebih besar dibandingkan LR. Tipe II error merupakan kesalahan pengklasifikasian aplikasi yang bersifat bad menjadi good sehingga memberikan dampak risiko pembiayaan dan cost yang tinggi.......This study examined the risk assessment model using Logistic Regression (LR) and Radial Basis Function (RBF). The results showed RBF has a higher degree of accuracy for classifying accepted loan applications whereas LR has a high degree of accuracy for classifying rejected loan applications. RBF has a Type II error is greater than LR. Type II error is missclassification applications that are bad to good so that they impact of risk financing and cost high."

"[ABSTRAKPerkembangan teknologi yang semakin cepat menjadikan teknologi penting di berbagai sektor kehidupan, khususnya di bidang industri. Perkembangan zaman membuat tingkat permintaan akan suatu produk menjadi berubah sehingga industri harus meningkatkan kinerja produksinya.Teknologi yang digunakan merupakan teknologi automasi di mana di dalamnya terdapat pengendali. Pengendali yang digunakan oleh kebanyakan industri merupakan pengendali konvensional karena pengendali konvensional relatif murah dan efektif. Akan tetapi pengendali konvensional ini tidak dapat digunakan untuk sistem yang kompleks dan non linear. Pengendali konvensional, misalnya pengendali PID, tidak dapat mengatasi terjadinya perubahan karakteristik dari sistem secara otomatis. Untuk itu diperlukan sistem pengendali yang mampu mengatasi perubahan karakteristik secara otomatis dan dapat beradaptasi dengan dinamika perubahan sistem yang diakibatkan adanya perubahan kondisi lingkungan kerja. Sistem pengendali yang dianggap mampu untuk beradaptasi dengan perubahan karakteristik dari sistem secara otomatis adalah pengendali berbasis Neural Network. Dalam percobaan ini parameter yang digunakan untuk menentukan pengendali yang baik adalah adaptivity serta kecepatan respon pengendali.Pada hasil simulasi ini didapatkan bahwa pengendali berbasis Neural Network dengan metode Radial Basis Function Neural Network (RBFNN) lebih baik dan lebih cepat dalam menanggapi perubahan karakteristik sistem dibandingkan dengan pengendali Neural Network berbasis backpropagation.ABSTRACTDevelopment of technology has been rapidly increasing that make technology as an important aspect in many sectors of life, especially in industrial sector. The times have changed the demand of a product so that industry has to enhance its production capacity.Technology used in industry is automation technology which has controller inside. Controller used in industry mostly is conventional controller because it has low price and good effectivity. However, conventional controller can?t be used for complex and non-linear system. For example, PID controller, it can?t handle the changes of system?s characteristic automatically. PID controller has to be reset to handle the new system?s characteristic. Because of that, industry need a controller that has ability to handle the changes of the system?s characteristic automatically and adapt with the dynamics of system?s changes caused by external factor. Controller system that has been considered for the ability of handling the changes of system?s characteristic automatically is Neural Network based controller. In this experiment, the parameters used to determine good controller is adaptivity of the system also the speed of controller response.The result of the experiment shows that Neural Network with Radial Basis Function Neural Network (RBFNN) based controller has better response to the changes of the system?s characteristic than Backpropagation based Neural Network controller.;Development of technology has been rapidly increasing that make technology as an important aspect in many sectors of life, especially in industrial sector. The times have changed the demand of a product so that industry has to enhance its production capacity.Technology used in industry is automation technology which has controller inside. Controller used in industry mostly is conventional controller because it has low price and good effectivity. However, conventional controller can?t be used for complex and non-linear system. For example, PID controller, it can?t handle the changes of system?s characteristic automatically. PID controller has to be reset to handle the new system?s characteristic. Because of that, industry need a controller that has ability to handle the changes of the system?s characteristic automatically and adapt with the dynamics of system?s changes caused by external factor. Controller system that has been considered for the ability of handling the changes of system?s characteristic automatically is Neural Network based controller. In this experiment, the parameters used to determine good controller is adaptivity of the system also the speed of controller response.The result of the experiment shows that Neural Network with Radial Basis Function Neural Network (RBFNN) based controller has better response to the changes of the system?s characteristic than Backpropagation based Neural Network controller., Development of technology has been rapidly increasing that make technology as an important aspect in many sectors of life, especially in industrial sector. The times have changed the demand of a product so that industry has to enhance its production capacity.Technology used in industry is automation technology which has controller inside. Controller used in industry mostly is conventional controller because it has low price and good effectivity. However, conventional controller can’t be used for complex and non-linear system. For example, PID controller, it can’t handle the changes of system’s characteristic automatically. PID controller has to be reset to handle the new system’s characteristic. Because of that, industry need a controller that has ability to handle the changes of the system’s characteristic automatically and adapt with the dynamics of system’s changes caused by external factor. Controller system that has been considered for the ability of handling the changes of system’s characteristic automatically is Neural Network based controller. In this experiment, the parameters used to determine good controller is adaptivity of the system also the speed of controller response.The result of the experiment shows that Neural Network with Radial Basis Function Neural Network (RBFNN) based controller has better response to the changes of the system’s characteristic than Backpropagation based Neural Network controller.]"

"

Kanker hati merupakan penyebab utama kematian akibat kanker di seluruh dunia. Di Indonesia, kanker hati menempati angka kejadian tertinggi kedua untuk laki laki yaitu sebesar 12,4 per 100.000 penduduk dengan rata-rata kematian 7,6 per 100.000 penduduk. Pada tugas akhir ini, dibahas mengenai kanker hati primer dengan jenis hepatocellular carcinoma. Metode Twin Support Vector Machines (Twin SVM) diimplementasikan untuk mengklasifikasikan data kanker hati berdasarkan hasil CT scan. Data yang digunakan adalah data numerik hasil CT scan pasien yang menderita kanker hati dan diperoleh dari Laboratorium Radiologi RSUPN Cipto Mangunkusumo. Metode Twin SVM adalah pengembangan dari metode SVM yang menggunakan dua hyperplane dalam mengklasifikasikan sampel. Pada tugas akhir ini, kernel yang digunakan pada metode Twin SVM adalah polinomial dan radial basis function (RBF). Berdasarkan hasil perbandingan, klasifikasi data kanker hati menggunakan metode Twin SVM dengan kernel Polinomial menghasilkan akurasi tertinggi sebesar 77,30% pada penggunaan data testing sebesar 10% dan data training 90%. Selain itu, nilai akurasi terendah terdapat pada kernel RBF menghasilkan sebesar 60,10% pada penggunaan data testing sebesar 90% dan data training 10% dan nilai parameter 𝐶 = 1. Jika dibandingkan, klasifikasi data kanker hati dengan menggunakan metode Twin SVM dengan kernel polinomial menghasilkan nilai akurasi yang lebih baik.

---

Liver cancer is the main cause of cancer death in the worldwide. In Indonesia, the incidence rate of liver cancer is the second highest for men, that is 12.4 per 100,000 population with the average death rate is 7.6 per 100,000 population. This final project discusses primary liver cancer with a type of hepatocellular carcinoma. The Twin Support Vector Machines (Twin SVM) method was implemented to classify liver cancer data based on CT scan results. The data used are numerical data from CT scan results of patients suffering from liver cancer and obtained from the Radiology Laboratory of Cipto Mangunkusumo Hospital. The Twin SVM method is the development of the SVM method that uses two hyperplane in classifying samples. In this final project, the kernel used in the Twin SVM method is polynomial and radial basis function (RBF). Based on the comparison results, the classification of liver cancer data using the Twin SVM method with a polynomial kernel produces the highest accuracy of 77.30% on the use of testing data of 10% and training data of 90%. In addition, the lowest accuracy value is found in the RBF kernel resulting in 60.10% on the use of testing data of 90% and training data of 10% and the parameter value of C=1. When compared, the classification of liver cancer data using the Twin SVM method with a polynomial kernel produces better accuracy values.

"

"Pada masa sekarang ini perkembangan teknologi cenderung memiliki kemampuan untuk berpikir dan mengambil keputusan layaknya manusia. Salah satu dari banyak metode untuk mengembangkan teknologi yang cerdas adalah dengan menggunakan Jaringan Saraf Tiruan Radial Basis Function. Penelitian ini membandingkan antara Jaringan Saraf Tiruan Radial Basis Function dengan Fungsi Error Kuadratis dan Cross-Entropy dalam mengenal empat set data dari ?UCI Repository of Machine Learning Database? dan satu set data uranium dari BATAN. Selain itu, kedua jaringan tersebut dibandingkan dengan Jaringan Saraf Tiruan Backpropagation. Berdasarkan hasil percobaan dapat dilihat bahwa algoritma Radial Basis Function lebih sederhana dan memiliki waktu komputasi yang lebih cepat dibandingkan dengan algoritma Backpropagation. ......At the present, technological developments tend to have the ability to think and making decisions like human beings. One of the many methods to develop intelligent technologies is to use Radial Basis Function Neural Networks. This study compares the Radial Basis Functions Neural Networks with Mean Square Error Function and Cross-Entropy Error Function in identifying four sets of data from the "UCI Repository of Machine Learning Databases" and a set of data uranium from BATAN. In addition, both networks are compared with Backpropagation Neural Networks. Based on the results of the study, it is shown that Radial Basis Functions algorithm has simpler and faster computational capability compared to Backpropagation algorithm."

"

Demam Berdarah Dengue (DBD) adalah salah satu masalah kesehatan masyarakat yang utama di Indonesia. Jumlah kasus DBD semakin bertambah seiring dengan laju pertumbuhan mobilitas dan populasi manusia. Radial basis function neural network (RBFNN) pada tugas akhir ini diimplementasikan untuk prediksi jumlah insiden mingguan DBD di DKI Jakarta. RBFNN adalah salah satu feed forward neural neworks yang hanya memiliki satu lapisan tersembunyi. Lapisan tersembunyi pada RBFNN dikonstruksi oleh sebuah fungsi aktivasi. K-means clustering digunakan untuk menunjang peforma dari RBFNN, yaitu untuk menentukan pusat dan lebar dari fungsi aktivasi yang digunakan. Performa dari RBFNN dilihat dari RMSE yang dihasilkan pada data training dan data testing. Dari implementasi yang dilakukan, dapat diperoleh bahwa pemilihan struktur atau model RBFNN sangat berpengaruh terhadap hasil prediksi yang diperoleh. Pada tugas akhir ini, RBFNN mampu memprediksi insiden mingguan DBD di DKI Jakarta dengan cukup baik tetapi RBFNN belum dapat menjakau data yang melonjak tinggi pada data testing.

---

Dengue Hemorrhagic Fever (DHF) is one of the main public health problems in Indonesia. The number of DHF cases and the spread of this disease is increasing along with mobility and population density. Radial basis function neural network (RBFNN) in this final project is implemented to predict the number of weekly DHF incidents in DKI Jakarta. RBFNN in this final project was implemented to predict the number of weekly DHF incidents in DKI Jakarta. RBFNN is a feed forward neural network model that has a single hidden layer. The hidden layer of RBFNN is constructed by an activation function. K-means clustering algorithm is used to improve the performance of RBFNN to determine the center and width of the activation function. The performance of RBFNN can be seen from the RMSE generated in the training data and testing data. From the implementation, it can be obtained that the choice of RBFNN structure or model is very influential on the predicted results obtained. In this final project, RBFNN is able to predict the weekly incidence of DHF in DKI Jakarta quite well but RBFNN has not been able to predict well the data that soared in the testing data.

"

"Mata kering merupakan penyakit yang beredar pada masyarakat umum. Mata kering menyebabkan rasa tidak nyaman dan mengganggu aktivitas sehari-hari. Faktanya, lebih dari 85% penderita penyakit mata kering disebabkan kerusakan kelenjar meibom (meibomian gland dysfunction, MGD). Akibatnya mata yang memilki MGD menjadi kering karena intensitas evaporasi air mata meningkat. Untuk mendeteksi tingkat MGD dilakukanmeibography. Dari hasil meibography, klinisi (dokter spesialis mata) menilai tingkat MGD yang disebut meiboscore. Namun realitanya, penilaian meiboscore masih sangat subjektif antar para klinisi. Alat yang digunakan juga mahal dan tidak seluruh klinik mata memiliki alat tersebut. Oleh karena itu pada tugas akhir ini dilakukan deteksi tingkat kerusakan kelenjar meibom dengan pendekatan faktor-faktor potensi MGD dan machine learning. Metode machine learning yang digunakan dalam tugas akhir ini ini adalah radial basis function neural network (RBFNN). Metode machine learning dalam studi ini dilakukan Teknik SMOTE terelebih dahulu untuk menyeimbangkan jumlah data antar kelas, lalu data dibagi menjadi data training dan data testing dengan rasio sebesar 90%: 10%, 80%: 20%, 70%: 30%, dan 60%: 40% . Selain itu dilakukan pengurangan fitur-fitur yang kurang relevan menggunakan seleksi fitur Chi square. Hasil evaluasi metode RBFNN memperoleh nilai rata-rata akurasi, presisi, recall dan f1-score terbaik dicapai menggunakan data testing 20% dengan masing-masing mencapai nilai 96%, 95%, 100%, dan 95% secara berurut......Dry eye is a common disease happened among the public. Dry eye causes discomfort and distracts daily activities. More than 85% dry eye suffers are caused by meibomian gland dysfunction (MGD). As a result, eyes with MGD becomes dry due to high tear evaporation intensity. Detecting MGD can be done by meibography. The MGD level is scored by clinicians which is called meiboscore. However, scoring the meiboscore is still very subjective among the clinicians. The tool that is used are expensive and not all eye clinics have this tool. Therefore, this study aims to detect the MGD level with the approach of MGD potential factors and machine learning. In this study radial basis function neural network (RBFNN) is used. The machine learning method performs SMOTE technique to balance the amount of data in each class, then all data is divided into training data and testing data by90%: 10%, 80%: 20%, 70%: 30%, and 60%: 40% respectively. Moreover, irrelevant features are reduced to optimize using feature selection, Chi Square. To reduce the features that are less relevant, Chi square feature selection is performed. RBFNN method obtained the best average accuracy 96%, average precision 95%, average recall 100%, and average f1-score 95% using the 20% data testing."

"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 predictionsDaerah 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"

"Jaringan Saraf Tiruan (JST) merupakan suatu model matematis yang dewasa ini banyak digunakan dan algoritma pembelajarannya merupakan hal yang menarik untuk dipelajari. Pada skripsi ini, akan dibahas mengenai JST berbasis Radial Basis Function (RBF) dan perbandingannya dengan JST berbasis backpropagation yang dewasa ini banyak digunakan. Optimasi JST ensemble dengan algoritma Negative Correlation Learning (NCL) berbasis RBF juga akan dilakukan pada skripsi ini. Set data yang akan digunakan selama percobaan adalah data UC Irvine Machine Learning Repository (UCI) dan citra manusia cahaya tampak dan infra merah. ......Artificial neural network is a mathematical model that nowadays has been applied widely and its learning algorithm has become an interesting object to learn. This thesis is going to discuss artificial neural network based on Radial Basis Function (RBF) and its comparison with backpropagation that has been widely purposed. Afterward, optimation is conducted in term of ensemble artificial neural network with Negative Correlation Learning (NCL) algorithm based on RBF. The databases to use are UC Irvine Machine Learning Repository (UCI) and pictures of human face that are achieved from infra-red and visible-light cameras. "