Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dengan adanya keinginan merancang alat deteksi DD dengan sensor optik, maka dilakukan penelitian pengukuran absorbansi darah penderita DD, non DD dan orang sehat dengan Spektrofotometer UV-Vis. Pola-pola absorbansi yang diperoleh dikenali dengan menggunakan jaringan saraf tiruan dengan metode LVQ, SOM dan algoritma PCA. Hasil penelitian dengan menggunakan rentang panjang gelombang antara 400-600 nm dengan 21 data input memperlihatkan pola-pola yang sangat berbeda antara DD, non DD dan orang sehat dibandingkan dengan panjang gelombang 190-400 dan 400-1100 nm. Dengan algoritma PCA 10 dimensi dan LVQ mampu mengenali pola absorbansi darah penderdan DD, non DD dan orang sehat sebesar 73 %. Sedangkan PCA 20 maupun 10 dimensi dan SOM mampu mengenali pola-pola tersebut sebesar 47 %.

---

The willing existence to design device for detection DF with optics sensor so has done this research by measure absorbance using spectrophotometer of DF, non DF and health person with spectrophotometer UV-vis. These patterns are recognized by using artificial neural network with LVQ, SOM and algorithm Principal PCA. This research done using wavelength range between 400-600 nm with 21 datas input show patterns very differ between DF, non DF and health person compared to wavelength 190-400 and 400-1100 nm. Using algorithm PCA with 10 dimensions and LVQ can recognize blood absorbance pattern DF, non DF and health person as big as 73 %, while PCA with 20 also 10 dimensions and SOM can recognize patterns as big as 47 %."

"ABSTRAKPenelitian ini menggunakan rentang panjang gelombang spektroskopi UVVis 400-600 nm dengan 21 data input memperlihatkan pola -pola yang sangat berbeda antara Demam Dengue (DD), non DD dan orang sehat dibandingkan dengan panjang gelombang 190 -400 dan 400-1100 nm. Jaringan Saraf Tiruan metode LVQ baik dengan input langsung dan melalui PCA secara matematis telah dapat mengenal pola-pola DD, non DD dan orang sehat dengan keadaan yang dinamis. Rentang panjang gelombang antara 400 -600 nm dengan 21 data input memperlihatkan pola-pola yang sangat berbeda a ntara DD, non DD dan orang sehat dibandingkan dengan panjang gelombang 190 -400 dan 400-1100 nm. Namun dengan menggunakan PCA maka data input 190 -1100 dapat mengenal pola-pola DD, non DD dan orang sehat. Jaringan Saraf Tiruan metode LVQ mempunyai nilai keberhasilan untuk mengenali pola DD, non DD dan orang sehat mencapai 67%, sedangkan metode PCA + LVQ dengan 20 dan 10 dimensi nilai keberhasilannya mencapai 53% dan 73%. Ini memperlihatkan metode PCA + LVQ 10 dimensi lebih baik dibandingkan dengan LVQ dan PCA + LVQ dimensi 20.

---

ABSTRACTThis research use wavelength distance 400-600 nm of spectroscopy UV-Vis with 21 input data show a pattern which is very differs between Dengue Fever (DF), non DF and healthy people compared to wavelength 190 -400 and 400-1100 nm. After got blood absorbance spectrum pattern analyzed by using method of artificial neural network LVQ with 20 efficacy value to recognize pattern of DF, non DF and healthy people reach 67%, while PCA + LVQ with 20 and 10 dimension reaching 53% and 73%.;This research use wavelength distance 400-600 nm of spectroscopy UV-Vis with 21 input data show a pattern which is very differs between Dengue Fever (DF), non DF and healthy people compared to wavelength 190 -400 and 400-1100 nm. After got blood absorbance spectrum pattern analyzed by using method of artificial neural network LVQ with 20 efficacy value to recognize pattern of DF, non DF and healthy people reach 67%, while PCA + LVQ with 20 and 10 dimension reaching 53% and 73%."

"Tesis ini akan membahas karakterisasi absorbansi darah pada rentang 190 sampai dengan 1100 nm per 10 nm pada pasien demam dengue dengan menggunakan spektrofotometer UV-Vis. Data numerik yang diperoleh kemudian dilakukan pengenalan pola karakteristiknya menggunakan kecerdasan buatan. Hasil yang diperoleh menggambarkan karakteristik yang berbeda antara rentang 190 s/d 380 dan 610 s/d 1100 nm dengan 400 s/d 600 nm. Data numerik absorbansi 400 s/d 600 nm diproses dengan metoda self organizing maps menunjukan kestabilan hasil walaupun tingkat pengenalannya masih rendah.

---

This thesis is describing characterization of blood absorbance in range of 190 through 1100 nm per 10 nm of dengue fever patient using UV-Vis spectrophotometer. Collected numerical data is processed by pattern recognition using artificial intelligence. Result shown that characteristics between 190-380 nm and 610?1100 nm differ from 400 nm?600 nm. 400 - 600 nm absorbance numerical data processed using self organizing maps showing output of recognition stability, even degree of recognition was still low."

"Penelitian sebelumnya menunjukkan Multiwavelength UV-Vis spektrofotometer pada darah terinfeksi virus membuat perubahan optik dari darah dan mempunyai karakter pola-pola tertentu serta dapat dikenali dengan jaringan sataf tiruan Backpropagation dan algoritma PCA. Penyakit infeksi endemik di Indonesia salah satunya disebabkan oleh virus dengue. Penelitian ini, dilakukan pengukuran absorbansi optik darah Demam Dengue (DD), non DD dan orang sehat dengan spektrofotometer UV-Vis 190-1100 nm. Rentang 400-600 nm dengan 21 data input memperlihatkan pola-pola sangat berbeda dl."baDdingkan 190-400 dan 400-1100 nm. Kemudian spektmm absorbansi darah dianalisa menggunakan BP dengan hidden layer 20 nilai k:eberhasilan mengenali pola DD, non DD dan orang sebat mencapii 27%, l'edangkan PCA + BP 20 dan 10 dimensi dengan hidden layer 25 nilai keberhasilannya mencapai 60"10.

---

Previous studies showed that multiwavelength uv-vis spectrophotometer in blood virus infection can make changes in optical properties and bas character with certain patterns. These patterns are recognized by artificial neural network Backpropagation and algorithm PCA. One of endemic iofectious disease in Indonesia is caused by dengue viral iofection. In this studies, measurement of the optic absorbance blood from DF, non DF and healthy person by spectrophotometer UV-Vis in 190-1100 mn. Range 400-600 nm with 21 datas input show patterns very differ between DF, non DF and health person compared 190-400 and 400-llOOnm. Then blood absorbance spectrum pattem analyzed using BP with layer hidden 20 efficacy value recognize pattern DF, non DF and healthy people reach 27%, while PCA + BP with 20 and 10 dimension having layer hidden 25 efficacy value reaching 60".4."

"Perkembangan teknologi kontrol terus berlanjut dengan segala ragam pengembangannya, salah satu diantaranya adalah penerapan metode Jaringan Syaraf Tiruan dalam proses kontrol. Kendala yang saat ini dihadapi adalah kenyataan bahwa Jaringan Syaraf Tiruan memiliki respon yang relatif lambat, hal ini dikarenakan panjangnya algoritma sehingga memerlukan waktu komputasi yang lama. Maka dari itu tulisan ini akan membahas tentang pengembangan metode alternatif untuk mendapatkan algoritma Jaringan Syaraf Tiruan yang lebih cepat dan akurat. Ada dua yang sudah berhasil dikembangkan yaitu SOM Fuzzy dan LVQ Fuzzy dengan memfokuskan pada perhitungan jarak antar vektor fuzzy. Dimana, setelah dilakukan pengembangan dan pengujian, metode SOM Fuzzy dan LVQ Fuzzy terbukti mampu meningkatkan recognition dari metode SOM dan LVQ. Dari segi kecepatan, meskipun metode fuzzy yang dikembangkan ini memiliki waktu proses yang sedikit lebih lama daripada metode SOM dan LVQ reguler, namun jika dibandingkan dengan Backpropagation yang memiliki tingkat recognition sama baiknya waktu prosesnya metode fuzzy jauh lebih cepat.

---

The development of control technology continues with all kinds of development, one of them is the application of neural networks in process control. Constraints currently faced is the fact that neural networks have a slow response, this is because the length of the algorithm that requires a long computation time. So this paper will discuss the development of alternative methods to obtain algorithms of neural networks more quickly and accurately.The methods that have been successfully developed is the Fuzzy SOM and Fuzzy LVQ by focusing on the calculation of distance between fuzzy vectors. After development and testing, methods of Fuzzy SOM and Fuzzy LVQ been able to increase recognition of SOM and LVQ methods. In terms of speed, although the methods developed in this fuzzy processing time slightly longer than the regular method of SOM and LVQ, but when compared with a level of recognition Backpropagation as good when the process is fuzzy method is much faster."

"Sistem penciuman elektronik dikembangkan untuk mengatasi ketergantungan terhadap penciuman manusia. Sistem penciuman elektronik ini dibangun dengan memanfaatkan algoritma fuzzy learning vector quantization (FLVQ) untuk proses klasifikasinya. Penelitian ini akan mencoba dua metode baru yang dikembangkan yaitu pemilihan bobot awal jaringan dari vektor rata-rata setiap kelas aroma dan melakukan pengenalan di ruang eigen. Berdasarkan percobaan yang dilakukan, ternyata bahwa kedua metode baru tersebut mampu meningkatkan deraja pengenalan aroma. Pada pengenalan terhadap aroma yang terdiri dari campuran 2 zat (aroma 2 campuran) dengan sistem 8 maupun 16 sensor akurasinya mencapai lebih dari 98%. Sedangkan apda pengenalan aroma yang terdiri dari campuran 3 zat (aroma 3 campuran) akurasi sistem 8 sensor sekitar 80% dan sistem 16 sensor mencapai lebih dari 94%."

"Keamanan data (data security) sudah menjadi bagian vital didalam suatu organisasi yang menggunakan konsep sistem informasi. Semakin hari ancaman-ancaman yang datang dari Internet menjadi semakin berkembang hingga dapat mengelabuhi firewall maupun perangkat antivirus. Selain itu jumlah serangan yang masuk menjadi lebih besar dan semakin sulit untuk diolah oleh firewall maupun antivirus. Untuk dapat meningkatkan keamanan dari suatu sistem biasanya dilakukan penambahan Intrusion Detection Sistem IDS , baik sistem dengan kemampuan anomaly-based maupun sistem pendeteksi dengan kemampuan signature-based. Untuk dapat mengolah serangan yang jumlahnya besar maka digunakan teknik Big Data. Penelitian yang dilakukan ini menggunakan teknik anomaly-based dengan menggunakan Learning Vector Quantization dalam pendeteksian serangan. Learning Vector Quantization adalah salah satu jenis neural network yang bisa mempelajari sendiri masukan yang masuk kemudian memberi keluaran sesuai dengan masukan tersebut. Beberapa modifikasi dilakukan untuk meningkatkan akurasi pengujian, antara lain dengan melakukan variasi parameter-parameter uji yang ada pada LVQ. Dengan melakukan variasi pada parameter uji learning rate, epoch dan k-fold cross validation dihasilkan keluaran dengan hasil yang lebih efisien. Keluaran diperoleh dengan menghitung nilai information retrieval dari tabel confusion matrix tiap- tiap kelas serangan. Untuk meningkatkan kinerja sistem maka digunakan teknik Principal Component Analysis untuk mereduksi ukuran data. Dengan menggunakan 18-Principal Component data berhasil direduksi sebesar 47.3 dengan nilai Recognition Rate terbaik sebesar 96.52 dan efesiensi waktu lebih besar 43.16 daripada tanpa menggunakan PCA.

---

Data security has become a very serious part of any organizational information system. More and more threats across the Internet has evolved and capable to deceive firewall as well as antivirus software. In addition, the number of attacks become larger and become more dificult to be processed by the firewall or antivirus software. To improve the security of the system is usually done by adding Intrusion Detection System IDS , which divided into anomaly based detection and signature based detection. In this research to process a huge amount of data, Big Data technique is used. Anomaly based detection is proposed using Learning Vector Quantization Algorithm to detect the attacks.

Learning Vector Quantization is a neural network technique that learn the input itself and then give the appropriate output according to the input. Modifications were made to improve test accuracy by varying the test parameters that present in LVQ. Varying the learning rate, epoch and k fold cross validation resulted in a more efficient output.

The output is obtained by calculating the value of information retrieval from the confusion matrix table from each attack classes. Principal Component Analysis technique is used along with Learning Vector Quantization to improve system performance by reducing the data dimensionality. By using 18 Principal Component, dataset successfully reduced by 47.3 , with the best Recognition Rate of 96.52 and time efficiency improvement up to 43.16."