Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tesis ini meneliti metode pengklasifikasian menggunakan metode jaringan syaraf tiruan untuk mengklasifikasikan data aroma. Data aroma adalah data keluaran dari sistem penciuman elektronik. Penelitian ini merupakan lanjutan penelitian sebelumnya yaitu metode pengklasifikasian fuzzy-neuro learning vector quantization (fnlvq). Sebelumnya telah dikembangkan pula metode matrix similarity analysis (msa) guna menentukan kriteria pemberhentian algoritma fnlvq.Dalam penelitian ini akan dikembangkan dua metode fnlvq yang akan dioptimasikan dengan metode swarm intelligence yaitu fnlvq-particle swarm optimization (pso) dan metode swarm-fnlvq. Dengan menggunakan validasi silang, hasil dari penelitian ini menunjukkan bahwa rata-rata tingkat pengklasifikasian untuk aroma tiga campuran menggunakan fnlvq-pso sebesar 91% dan swarm-fnlvq sebesar 90% dimana kedua metode ini lebih baik daripada fnlvq yang sebesar 79% dan fnlvq-msa sebesar 77%.

---

This thesis examines a classification method based on artificial neural networks to classifying various mixture of fragrance which is the output of the electronic nose system. This research is a continuation research of earlier fuzzy-neuro learning vector quantization (fnlvq) classification method. Previously a matrix similarity analysis method is developed to determine a stopping criterion of fnlvq algorithms.

This research objective is to develops two modification fnlvq method based on swarm intelligence method namely fnlvq-particle swarm optimization (pso) and swarm-fnlvq methods. By using cross validation, this research showed that the average classification rate of fnlvq-pso is 91% whether swarm-fnlvq is 90%, this two methods is better than conventional fnlvq with 79% and fnlvq-msa at 77%."

"ABSTRAKSistem penciuman elektronik terdiri dari 3 bagian yaitu sistem sensor yang merubah besaran aroma menjadi besaran listrik, sistem elektronik yang mengukur besar perubahan frekuensi sensor dan sistem jaringan neural buatan yang melakukan pengenalan aroma. Peningkatan kemampuan pengenalan aroma yang cepat, tepat dan akurat pada sistem neural buatan sangat diperlukan oleh sistem penciuman elektronik ini, untuk itu perlu dikembangkan metode fuzzy learning vector quantization. Metode FLVQ merupakan metode jaringan neural buatan berbasis pada vector quantization yang mengintegrasikan teuri fuzzy dalam proses pembelajarannya dan mempunyai algoritma yang sederhana tetapi berkemampuan tinggi dalam pengenalan aroma. Pengembangan fuzzy learning vector quantization berfokus pada proses pembelajarannya terutama pada cara merubah fuzziness vektor pewakil. Berdasarkan cara perubahan fuzzinessnya ada tiga variasi FLVQ yang dinamakan FLVQ konstan, yaitu merubah lebar fuzziness vektor pewakil dengan besaran yang konstan; FLVQ variabel, yaitu merubah lebar fuzziness vektor pewakil berdasarkan nilai similaritas; dan FLVQ tunggal, yaitu merubah lebar fuzziness vektor pewakil hanya pada salah satu bagian sisinya. Hasil Penelitian dengan sampel aroma produk marta tilaar dan aroma etanol menunjukkan bahwa jaringan neural buatan FLVQ mempunyai kemampuan pengenalan yang lebih baik bila dibandingkan dengan propagasi balik."

"ABSTRAKSetiap bank pasti memiliki aktivitas pemberian kredit. Bank memiliki beberapa kriteria untuk menentukan apakah kredit akan diberikan atau tidak karena setiap kredit yang diberikan memiliki risiko dimana kredit tersebut tidak dikembalikan. Dengan kata lain, bank perlu menganalisis pengaju kredit sebelum memberikan kredit. Pemberian kredit merupakan salah satu kasus klasifikasi biner. Klasifikasi data pengaju kredit dapat menolong bank dalam memberi pertimbangan apakah pengaju kredit tersebut dapat mengembalikan kredit yang diberikan atau tidak. Support Vector Machines SVM merupakan salah satu teknik klasifikasi biner yang efektif dengan prinsip structural risk minimization. Metode SVM dikembangkan menjadi metode Fuzzy Support Vector Machines FSVM sehingga pengaruh data outlier dalam mencari solusi hyperplane dapat diperkecil. Metode Adaptive Particle Swarm Optimization APSO merupakan metode ekstensi dari Particle Swarm Optimization PSO . Pada metode FSVM berbasis APSO, APSO digunakan dalam memberikan nilai fuzzy dengan mencari titik pusat kelas setiap atribut yang dapat menghasilkan tingkat akurasi terbaik. Dalam penelitian ini, metode FSVM berbasis APSO dapat menghasilkan tingkat akurasi tertinggi dalam setiap pengolahan data. Tingkat akurasi tertinggi yang dicapai pada penelitian ini adalah sebesar 75,67 dengan metode FSVM berbasis APSO menggunakan training data sebesar 70 dan kernel linier.

---

ABSTRACTEvery bank has loaning activities. Banks have several criteria for determining whether credit will be given or not because every credit loan has a risk that the credit might not be returned. In other words, banks need to analyze the credit applicant before granting the loan. Credit loan is a case of binary classification. The classification from applicant rsquos data might be helpful for the bank in consideration whether the applicant will return the loan or not. Support Vector Machines SVM is a classification technique based on structural risk minimization which is effective for binary classification. This method was developed into Fuzzy Support Vector Machines FSVM , which is able to minimize the influence of outlier in finding the best hyperplane. Adaptive Particle Swarm Optimization APSO is an extension of Particle Swarm Optimization PSO. In APSO based FSVM, APSO is used to determine the fuzzy score by finding the class center of each attribute that may give the highest accuracy. In this paper, APSO based FSVM can give the highest accuracy for each process. The highest rate of accuracy is 75,67, which used APSO based FSVM with 70 of training data and linear kernel."

"Tesis ini membahas tentang sebuah metoda Principal Component Analysis untuk data yang terbentuk dari bilangan fuzzy. Metoda ini akan mentransformasi data fuzzy yang berada dalam ruang data berdimensi d ke sebuah ruang eigen yang berdimensi p dengan p < d, menggunakan sebuah Jaringan Neural Buatan Autoassociative Neural Network. Pengujian menggunakan data aroma dan data citra yang memiliki noise. Hasil dari percobaan menunjukkan bahwa metoda ini telah berhasil melakukan pemetaan terhadap data-data tersebut. Hasil percobaan juga menunjukkan bahwa metode ini lebih cocok digunakan pada data fuzzy berdimensi besar dan memiliki banyak dimensi yang berisi data redundant."

"PENDAHULUAN Sistim deteksi gas sangat diperlukan untuk bidang industri, seperti industri makanan, minuman dan industri kosmetika. Juga sistim deteksi gas sangat penting untuk memonitor masalah yang berkaitan dengan lingkungan hidup maupun bidang klinis (kedokteran). Seperti diketahui, faktor kualitas yang dominan pada minuman beralkohol adalah aromanya, dan kontrol kualitas dalam pembuatan minuman beralkohol diperlukan untuk dapat menjaga mutu produk yang dihasilkan. Hingga kini kontrol kualitas pembuatan minuman beralkohol dilakukan oleh manusia yang mempunyai keahlian sangat khusus. Akan tetapi manusia-pakar ini mempunyai keterbatasan yang berkaitan dengan masalah kesehatan dan perasaan sesaat (mood), sehingga dapat mempengaruhi kinerja proses kontrol kualitas tersebut. Untuk dapat menanggulangi kelemahan ini, maka sistim deteksi gas yang dapat secara otomatik melakukan kontrol kualitas hasil produk dengan kinerja yang konsisten menjadi kebutuhan yang sangat penting. Metoda pengenalan polo untuk dapat membuat klasifikasi odor, pertama kali dilakukan dengan menggunakan sensor semikonduktor. Akan tetapi karena sensor ini sangat sulit untuk dapat mendeteksi gas dengan konsentrasi yang sangat rendah, maka beberapa peneliti mencoba menggunakan resonator kwarsa sebagai sensornya, atau menggunakan piranti SAW (surface accoustic wave), dan piranti sel elektrokimia. Metoda yang lain, berkaitan dengan penggunaan Gas Chromatography (GC) atau Liquid Chromatography (LC), yaitu sistim analitik yang dapat melakukan pemisahan komponen aroma dengan sangat teliti. Akan tetapi, kedua metodologi analitik yang membutuhkan biaya operasi yang sangat mahal, juga memerlukan waktu pengoperasian yang sangat lama. Penelitian pendahuluan mengenai Pengembangan sistim penciuman elektronik ini telah dilakukan oleh Peneliti Utama di Laboratorium Kecerdasan Komputasional Fakultas Ilmu Komputer Universitas Indonesia. Penelitian pendahuluan ini mendapat pendanaan dari Dewan Riset Nasional melaiui Program RUT IV pada tahun 1996-1998. Di dalam penelitian pendahuluan ini suatu sistim deteksi gas dibuat dengan menggunakan resonator kwarsa yang dipadukan dengan teknik pemetaan (identifikasi) odor dengan metoda pengenalan pola Jaringan Syaraf Tiruan (JST). Jaringan ini akan berkelakuan seperti otak manusia dimana beberapa neuron secara rapi berhubungan satu sama lain, untuk dapat menghasilkan pengenalan pola yang efektif. Sistim penciuman elektronik ini dikembangkan dengan menggunakan 4 buah jenis sensor dan dalam aplikasinya, sistim penciuman elektronik ini telah digunakan untuk membuat klasifikasi beberapa jenis aroma dari produk wewangian Martha Tilaar Cosmetics dan beberapa jenis wewangian dari Splash Cologne Products. Hasil percobaan memperlihatkan bahwa penggunaan 4 buah sensor ini telah mampu membuat klasifikasi aroma Martha Tilaar dengan prosentase pengenalan hingga 100%. Akan tetapi untuk jenis wewangian Splash Cologne, hasilnya hanya berkisar antara 30-40% saja. Hal ini disebabkan karena aroma Splash cologne ternyata merupakan gabungan dari beberapa aroma dasar sehingga mempunyai tingkat kesulitan yang lebih tinggi. Untuk dapat meningkatkan kemampuan Sistim Penciuman Elektronik dalam menyelesaikan persoalan diatas, maka Peneliti Utama mengajukan dua pendekatan. Perdekatan pertama berkaitan dengan peningkatan jumlah sensor hingga mencapai 16 buah sensor secara paralel. Peningkatan jumlah sensor ini akan menyebabkan peningkatan kemampuan JST dalam mengenali pola-pola masukan yang akan diolah. Pendekatamn kedua berkaitan dengan peningkatan frequensi dasar sensor kuarsa yang dipergunakan. Dalam sistim yang lama, frequensi dasar sensor yang digunakan adalah 10 MHz, yang akan ditingkatkan menjadi 20 MHz dalam sistim yang akan dikembangkan. Peningkatan frequensi dasar ini pada akhirnya akan meningkatkan akurasi pengukuran untuk setiap sensor, sehingga diharapkan dapat meningkatkan kemampuan sistim. Perumusan MasalahPermasalahan dalam proposal riset ini, dapat dibagi dalam tiga bagian besar yaitu pertama, berkaitan dengan pembuatan gas sensor yang mempunyai sensitifitas tinggi. Sistim sensor gas yang diperlukan dalam penelitian ini adalah sistim sensor yang dapat mengkonversikan besaran aroma dari suatu sampel odor menjadi suatu besaran fisika yang dapat diukur. Seperti telah dikemukakan diatas, maka dalam pengembangan sistim yang baru, kita akan menggunakan sensor kuarsa dengan frekuensi dasar 20 MHz, dibandingkan dengan sistim terdahulu yang menggunakan frekuensai dasar 10 MHz. Permasalahan yang kedua, berkaitan dengan perencanaan dan pembuatan rangkaian elektronik beserta rangkaian antar-muka nya agar dapat mengakuisisi besaran fisika yang terukur tersebut secara paralel dari 16 buah sensor (multi sensor) untuk kemudian disimpan dalam memori komputer. Permasalahan pertama dan kedua ini dapat dirangkum menjadi suatu perangkat keras. Peningkatan jumlah sensor yang akan dipergunakan dalam sistim baru, secara dramatis akan merubah sistim antarmuka antara sistim sensor dan sistim komputer. Dalam tahapan berikutnya dikembangkan suatu algoritma dan perangkat lunak yang berkaitan dengan JNB (Jaringan Neural Buatan) untuk dapat mengidentifikasikan dan memetakan gas tersebut, dalam waktu yang singkat dan mempunyai ketelitian yang tinggi. Beberapa jenis algoritma JNB dikembangkan dan diimplementasikan dalam sistim perangkat keras, untuk dapat mempelajari kelebihan dan kekurangan setiap karakteristik arsitektur jaringan, dan perencanaan penggunaannya dalam permasalahan yang berkaitan dengan karakteristik utama dari jaringan tersebut?."

"Investasi saham merupakan salah satu jenis investasi yang paling populer karena saham memberikan tingkat keuntungan yang tinggi dibandingkan dengan jenis investasi lainnya, tetapi saham juga memiliki tingkat risiko yang tinggi. Fluktuasi harga saham memberikan peluang bagi investor untuk mendapatkan keuntungan yang tinggi. Dibutuhkan sebuah model prediksi harga saham untuk melihat pergerakan harga saham di masa yang akan datang, sehingga investor dapat menentukan waktu yang tepat untuk membeli, menahan, dan menjual saham mereka. Dengan demikian, mereka terlepas dari risiko kerugian dan memperoleh keuntungan yang besar. Terdapat beberapa studi yang membahas tentang prediksi harga saham menggunakan machine learning. Salah satunya yaitu menggunakan Support Vector Regression (SVR). Oleh karena itu, pada skripsi ini akan diuji penerapan SVR menggunakan Particle Swarm Optimization (PSO) sebagai seleksi fitur dalam memprediksi harga saham di Indonesia. Pada skripsi ini digunakan data historis saham harian dari Jakarta Stock Index dan beberapa saham pada sektor real estate dan properti. Beberapa indikator teknikal digunakan sebagai fitur dalam memprediksi harga saham. Studi ini menunjukkan bahwa prediksi harga saham menggunakan SVR dengan PSO sebagai seleksi fitur memiliki kinerja yang baik untuk semua data, fitur, dan jumlah data training yang digunakan pada skripsi ini memiliki nilai error yang kecil. Oleh karena itu, diperoleh model yang akurat untuk memprediksi harga saham di Indonesia.

---

Stock investing is one of the most popular types of investments since it provides the highest return among all investment types, although it is associated with considerable risk. Fluctuating stock prices provide an opportunity for investors to make a high profit. A stock price prediction model is needed to see future stock price movements, so investors can decide the right time to buy, hold, and sell their stocks which regardless of the risk of loss and gain a big profit. Several studies have focused on the prediction of stock prices using machine learning. One of them is Support Vector Regression (SVR). Therefore, this study examines the application of SVR using Particle Swarm Optimization (PSO) as feature selection in predicting Indonesian stock price. This thesis used historical daily stock data from Jakarta Stock Index (JKSE) and several real estates and property stock sectors. Some technical indicators are used as a feature in predicting stock price. The study found that stock price prediction using SVR with PSO as feature selection showed good performances for all data, features and the amount of training data used by the study have relatively low error probabilities. Therefore, an accurate model is obtained to predict stock price in Indonesia."

"Penelitian tugas akhir ini meliputi tiga hal utama, yaitu pengembangan perangkat lunak sistem pintu otomatis yang dapat berjalan secara real time, penerapan algoritma pengenalan wajah Fuzzy Neuro Learning Vector Quantization berbasiskan dimensi pada perangkat lunak, dan pengujian atau eksperimen dari algoritma Fuzzy Neuro Learning Vector Quantization berbasiskan dimensi dengan menggunakan data wajah yang tidak ideal. Hasil yang diharapkan adalah perangkat lunak dari sistem yang dapat berjalan secara real time, dan gambaran perilaku dari algoritma Fuzzy Neuro Learning Vector Quantization berbasiskan dimensi dalam menangani data tidak ideal.The purpose of this final project research included three main things, the development of auto door-lock system software that can run in real time, the application of the Fuzzy Neuro Learning Vector Quantization dimension based algorithm, and the experiment of Fuzzy Neuro Learning Vector Quantization dimension based algorithm using non ideal data. The results of this research are, the real time auto door-lock system software, and the behavior of Fuzzy Neuro Learning Vector Quantization dimension based algorithm in dealing with non ideal data."

"Telah dilakukan penelitian terhadap pengembangan algoritma FNGLVQ sehingga memiliki karakteristik adaptif terhadap data input sehingga besaran perubahan vektor referensi memiliki besaran nilai yang adaptif. Karakteristik adaptif didapatkan dengan melakukan modifikasi terhadap perubahan update bobot dengan melakukan penurunan fungsi keanggotaan fuzzy tidak hanya terhadap parameter mean (yang dilakukan pada FNGLVQ awal) namun penurunan dilakukan terhadap kedua nilai min dan max sehingga besaran perubahan nilai min dan max akan bervariasi (tidak konstan seperti FNGLVQ) yang tergantung dari besaran input yang digunakan.Karakteristik ini dapat meningkatkan akurasi dalam percobaan dalam ketiga jenis data, yakni data EKG Aritmia, data pengenalan Aroma dengan 3 campuran, serta data Sleep secara keseluruhan, namun perbedaan nilai akurasi terbesar didapatkan dari pengujian data pengenalan aroma 3 campuran. Pengembangan karakteristik adaptif terhadap algoritma FNGLVQ dilakukan dengan kedua jenis fungsi keanggotaan yakni fungsi keanggotaan segitiga dan fungsi keanggotaan PI, dan FNGLVQ adaptif dengan fungsi keanggotaan PI sedikit lebih baik dibandingkan FNGLVQ adaptif dengan fungsi keanggotaan segitiga.

---

This research has been conducted on the development of FNGLVQ algorithms which have adaptive characteristics to the input data so that the amount of change in the reference vector has a magnitude of adaptive value. Adaptive characteristics are obtained by modifying the update changes the weight by doing a fuzzy membership function derivation. This is not only performed on the parameters of the mean (which is done at the beginning FNGLVQ) but they are derivated to both min and max values so that the amount of change in the weight and is continued with min and max values will vary (not constant as in the case of FNGLVQ) which in turn depends on the amount of inputs used.

These characteristics may increase the accuracy of the experiment in all three types of data, including data Arrhythmia ECG, data recognition Aroma with 3 mix, as well as overall Sleep data, but the biggest difference is the accuracy of values which have obtained from the test for 3 mixed aroma data recognition. Development of adaptive characteristics of the algorithm FNGLVQ has been performed with both types of membership functions namely triangular membership functions and PI membership functions, and FNGLVQ PI adaptive membership functions has been found to be slightly better than FNGLVQ adaptive triangular membership functions."

"Energi listrik telah menjadi suatu kebutuhan esensial untuk menunjang kehidupan manusia. Rencana Usaha Penyediaan Tenaga Listrik Tahun 2021-2030 menyebutkan bahwa akan terjadi peningkatan jumlah pelanggan mencapai 24.4 juta dengan persentase pertumbuhan listrik sebesar 4.9% di Indonesia, sehingga penyedia tenaga listrik harus mampu memenuhinya secara efisien. Salah satu faktor yang memengaruhi efisiensi suatu sistem tenaga listrik adalah terjadinya rugi-rugi daya aktif pada saat penyaluran listrik dari pembangkit menuju pelanggan. Hal ini tidak dapat dihindari, namun dapat diminimalisasi dengan melakukan optimisasi aliran daya reaktif pada sistem berupa pengaturan magnitude tegangan terminal generator, posisi tap transformator, dan keluaran dari sumber daya reaktif. Optimisasi aliran daya reaktif merupakan permasalahan yang kompleks karena tidak konveks, memiliki variabel kontinyu dan diskrit, serta memiliki banyak nilai optimum lokal maupun global sehingga dibutuhkan algoritma perhitungan cerdas yang mampu menemukan solusi nilai optimum global dari fungsi tujuan, meskipun terdapat variabel diskrit didalamnya. Penelitian ini memanfaatkan algoritma particle swarm optimization (PSO) dalam menyelesaikan permasalahan optimisasi aliran daya reaktif yang diuji di Sistem RIS dengan mengatur magnitude tegangan terminal generator bermode kontrol tegangan dan/atau posisi tap transformator yang dilengkapi On Load Tap Changer. Hasil dari penilitian ini berupa penurunan total rugi-rugi daya aktif saluran transmisi dari kondisi awal pada Sistem RIS sebesar 20.13% saat mengatur tegangan terminal generator, 8.62% saat mengatur posisi tap transformator yang dilengkapi On Load Tap Changer, dan 13.18% saat mengatur keduanya.

---

Electricity has become an essential need to support human life. The Electricity Supply Business Plan for 2021-2030 states that there will be an increase in the number of customers up to 24.4 million with a percentage growth of 4.9% in Indonesia, so electricity providers must be able to meet it efficiently. One of the factors affecting the efficiency of a power system is the occurrence of active power losses during the transmission of electricity from the generator to the customers. This cannot be avoided but can be minimized by optimizing reactive power flow in the system, such as setting the terminal voltage magnitude of the generator, the tap position of the transformer, and the output of reactive power sources. Reactive power flow optimization is a complex problem because it is non-convex, has continuous and discrete variables, and has many local and global optimum values, requiring intelligent calculation algorithms that can find the global optimum value solution of the objective function, even though there are discrete variables in it. This research utilizes the particle swarm optimization (PSO) algorithm to solve the optimization of reactive power flow problem tested in the RIS system by controlling the voltage magnitude of the generator terminal and/or the tap position of the transformer equipped with an On-Load Tap Changer. The results of this study are a decrease in the total active power losses on transmission lines of the RIS system by 20.13% when adjusting the generator terminal voltage magnitude, 8.62% when adjusting the tap position of the transformer equipped with an On-Load Tap Changer, and 13.18% when adjusting both."