Hasil Pencarian  ::  Simpan CSV :: Kembali

"Neural Network adalah suatu sistem informasi yang mempunyai kemampuan untuk belajar, mengingat dan menyelesaikan permasalahan berdasarkan proses belajar yang diberikan kepadanya. Sistem informasi ini mempunyai struktur yang menyerupai susunan syaraf manusia. Kemampuan dari Neural Network inilah yang menjadi hahaa kajian dalam penulisan ini. Tulisan ini membahas mengenai struktur dari Neural Network dan semua unsur penyusunnya dalam hal pendekatan terhadap kemampuannya untuk memprediksi harga dari konduktivitas termal pada hahan polyurethane. Selama ini penelitian konduktivitas termal terhadap suatu spesimen menggunakon suatu alat yang bcrnorna "Thermal Conductivity Measuring Apparatus". Oleh korena itu , dalam penulisan tugas akhir ini penulis mencoba membuat suatu struktur dari Neural Network dan membandingkon kemampuan dari Neural Network tersebut untuk memprediksi horga dari konduktivitas termal dengan basil yang didapat dari eksperimen . Pada akhir llllalisa, disimpulkan bahwa Neural Network mampu melakukan peedekotan dalam memprediksi horga konduktivitas termal, dalam hal in.i Polyurethane !ham. Pemilihaa data tmining, pemilihan strnktar dari Neuml Network sangat mempengaruhi keakuratan terhadap basil yang didapat.

---

Neural Network is an infurmarion system which has ability to learn, to remember, and to solve the problems based on process learn given. This system infonnarion has the slrueture looking like furmation of bnrnan being nerve. The Ability of this Neural Networl< becomes the study materials in this writing. This article study to regard the structure from Neural Network and its entire compiler element in the case of approach to its ability for the prediction of prioe from thermal conductivity of polyurethane materials .At this momen~ the research of thermal conductivity of specimens using a tool called "Thennal Conductivity Measuring Apparatus". Therefore, in this article, the writer try to IOOke a structure from Neural Network and compare the ability from the Neural Network for the prediction of prioe from thermal conductivity with the result from experiment. By the end of analysis, it is conclude that Neural Network can conduct the approach in predierion of price of thennal conduerivity. The Eleerions of data trainin~ structure election ftom Neural Nerwolk is vezy influencing of accmacy to the result."

"Jaringan Saraf Tiruan (JST) terdiri dari operasi elemen-elemen sederhana secara paralel. Elemen-elemen ini terinspirasi oleh sistem saraf biologi. Di alam, fungsi jaringan pada umumnya merupakan hubungan antara elemen-elemen tersebut. Kita dapat melatih suatu JST untuk menampilkan fungsi khusus dengan memberikan nilai hubungan (bobot) antara elemen-elemen itu. Kemampuan dari JST inilah yang menjadi bahan kajian dalam tulisan ini. Untuk mensimulasikan JST, digunakan MATLAB. Salah satu kemampuan dari MATLAB adalah dapat menciptakan suatu program yang berorientasi pada objek, dikenal dengan istilah GUIDE. Pada tulisan ini akan dipaparkan kemampuan GUIDE MATLAB dalam menghasilkan program yang sangat membantu perhitungan, terutama dalam memprediksikan nilai konduktivitas termal Beton Ringan Aerasi. Salah satu tujuannya adalah membandingkan kemampuan dari JST dengan hasil eksperirnen. Pada akhir analisis, disimpulkan bahwa JST mampu melakukan pendekatan dalam memprediksi harga konduktivitas termal bahan yaitu Beton Ringan Aerasi. Pemilihan data metode belajar, struktur jaringan dari JST sangat mempengaruhi keakuratan terhadap hasil simulasi.

---

Artificial Neural Networks (NN) are composed of simple elements operating in parallel. These elements are inspired by biological nervous systems. As in nature, the network function is determined largely by the connections between elements. We can train a NN to perfomt a particular function by adjusting the values of the connections (weights) between elements. The ability of this NN becomes the study materials in this writing. MATLAB used to simulate JST. One of the advantages of MATLAB that it can create a program in object oriented, known as GUIDE. In this paper will introduce the ability of MATLAB GUIDE in producing a program which is helpful in calculation, especially to predict the value of thermal conductivity of Autoclaved Aerated Concrete. One of the goals is to compare the ability of JST with experiment. By the end of analysis, it is concluding that NN can conduct the approach in prediction of price of thermal conductivity in this case is Autoclaved Aerated Concrete. The elections of training data., structure network from NN is very influencing of accuracy to the result."

"Penggunaan metode Neural Network ini adalah hal yang baru dalam Heat Transfer, setidaknya pada Jurusan Teknik Mesin FI'UI, walaupun Neural Network Ielah berkembang dalam berbagai bidang, karena kemampuannya untuk memprediksi suatu fenomena berdasarkan tahap belajar yang diberikan. Kemampuan disebul juga sebagai kecerdasan buatan, karena mirip dangan kecerdasan yang dimiliki oleh manusla.Dalam simulasi ini, neurnl network rersebut dilatib terlebih dahulu lll1luk memprediksi lemperatur output fluida panas dan dingin pada water to water heat exchanger. Metode ini dilakukan dengan menggunakan data basil percobaan Boris Omar Kahen pada skripsinya [8]. Setelah tahap ini selesai, kemudian neural network disimulasikan mengunakan data input baru, kemudian akan dilihal outputnya unluk dibandingkan dengan output sebenamya pada percobaan. Sebagai pembanding, penulis juga melakukan perhitungan manual menggunakan metode LMTD dan effectiveness-NTU, untuk diperbandingkan hasilnyn dengan simulasi neural network.Setelah membandingkan output neural network , output hasil perhitungan menggunakan metode LMTD, dan output hasil perhitungan melode effectiveness­

---

The application of neural network is a first study in heat transfer , at least in Department of Mechanical Engineering FTUI, although the neural network has been grow in every discipline of sciencebecause of it;s ability to predict for the phenomellll, hase on learning step given. This ability called artificial intelegent, since ifs similarity \\lith human intelegent.

In this simulation.the neural network training first to predict output temperature of hot and cold fluid, from water to water heat exchanger. The method done with data from experiment of Boris Oman Kaher [8] in his study. The next step is to simulate the trained neural network vvith another data. and the output of neural network compared with the actual output from experiment The writer has use the LMTD method and effectiveness.-NTU method to calculate output temperature in order to compare with the output of neural network. After comparing the output from neural network, LMTD method and effectiveness-NTU method, with the actual output, it's seem that neural network has a good approach to the result of experiment."

"Kemajuan teknologi telah memudahkan manusia untuk melakukan aktifitas kehidupan sehari-hari dengan lebih baik. Khususnya untuk bidang ilmu pengetahuan dan teknologi, kemajuan teknologi ini telah membantu teriaksananya penelitian-penelitian yang lebih kompleks sehingga dapat terselesaikan dalam jangka waktu yang relatif lebih cepat dengan biaya operasional yang relatif lebih rendah. Salah satu bentuk artificial intelligence yang memanfaatkan ilmu komputasi untuk mendapatkan hasil yang diinginkan tanpa memerlukan perhitungan matematis yang rumit adalah Artificial Neural Network (ANN). ANN merupakan suatu sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Keistimewaan ANN terletak pada proses pembelajarannya untuk mencapai hasil yang diinginkan sehingga ANN memiliki ketepatan hasil yang berbeda-beda untuk tiap input-nya, bergantung pada proses pembelajaran yang dialami. Selama ini, ANN telah banyak digunakan untuk sistem pengontrolan, pengenalan pola dan peramalan (prediksi). Pada penelitian ini ANN digunakan untuk menentukan bilangan oktana biogasoline dengan menggunakan software Matlab. Selain itujuga dilakukan percobaan untuk mengetahui pengaruh jumlah neuron dan jumlah lapisan tersembunyi pada jaringan ANN yang digunakan. Hasil yang diperoleh berupa pemodelan Artificial Neural Network (ANN) yang paling optimal berupa jaringan yang memiliki 1 lapisan tersembunyi dengan 4 buah neuron. Perbandingan hasil antara data masukan (target) dan keluaran jaringan ANN menunjukkan teriadnya kesalahan relatif sebesar 2,226 %. Hasil prediksi jaringan ANN untuk rasio jumlah minyak sawit/jumlah katalis sebesar 20 dansuhu reaksi sebesar 600°C adalah bilangan oktana sebesar 105,158. Dengan demikian, dapat disimpulkan bahwa jaringan ANN ini dapat digunakan untuk menentukan bilangan oktana biogasoline dengan tingkat ketepatan (akurasi) yang bergantung pada pola data masukan yang digunakan."

"Fluida yang di dalamnya tersuspensi partikel padat berukuran nanometer disebut sebagai fluida nano. Partikel nano yang tersuspensi merubah morfologi dari cairan dasarnya dan meningkatkan perpindahan energi di dalamnya. Ukuran dan fraksi volume partikel nano merupakan parameter kunci yang mempengaruhi segi termal dan konduktivitas termal fluida nano. Semakin kecil ukuran partikel nano yang tersuspensi, pengaruh perpindahan energi akibat gerak acak partikel menjadi dominan, sehingga pengaruh ini dapat digunakan untuk memprediksi konduktivitas termal fluida nano. Di dalam skripsi ini penulis mencoba menurunkan persamaan untuk memprediksi konduktivitas termal fluida nano dengan rnemperhitungkan pengaruh gerak brown dan faktor kenaikan temperatur, At N. Dari pengukuran karakteristiknya, fluida nano besar kemungkinan dapat dijadikan fluida kerja, oIeh karena itu perlu diteliti mengenai mekanisme perpindahan kalor konveksi pada fluida ini, karena parameter koefisien konveksi memegang peranan penting dalam proses perpindahan kalor secara konveksi. Dalam skripsi ini, untuk menentukan nilai koefisien konveksi fluida nano digunakan korelasi Dittus-Boelter, Sieder-Tate dan Petukhov pada fluida nano A1203-Air. Hasil prediksi menunjukkan bahwa koefisien konveksi fluida nano meningkat terhadap koefisien konveksi fluida dasarnya, yaitu air."

"Tujuan dari tesis ini adalah untuk berkontribusi dalam pengembangan sistem kecerdasan buatan (artificial intelligence) untuk memodelkan pergerakan saham yang bersifat tidak liner dan penuh ketidakpastian. Pendekatan yang digunakan adalah model Artificial Neural Network (ANN) metode Backpropagation. Sebagai pembanding, digunakan model multivariate ARIMA. Penelitian akan membuktikan bahwa model ANN dapat lebih tepat memprediksi pergerakan harga saham di Indonesia, khususnya saham-saham anggota indeks LQ45, dibandingkakan model multivariate ARIMA. Penelitian ini adalah penelitian observasi model. Penelitian menghasilkan kesimpulan bahwa model ANN signifikan secara statistik lebih akurat daripada model multivariate ARIMA.

---

The objective of this thesis is to contribute the development of artificial intelligence system in modeling stock price movement which highly non-linier and uncertain in nature. Our approach is using Artificial Neural Network (ANN) with Backpropagation method. In comparing the accuracy of the model, we use multivariate ARIMA method. This research intend to show that ANN model is more accurate in predicting Indonesian stock price movement, especially LQ45 index, compared to multivariate ARIMA model. This research is using observational method in selecting the best model. The result of the research is that ANN is statistically significant and more accurate compared to multivariate ARIMA model."

"Peramalan permintaan material MRO pada industri migas sangat diperlukan untuk menunjang kegiatan pemeliharaan, perbaikan, dan operasi dalam kegiatan produksi. Maka dari itu diperlukan metode peramalan yang tepat untuk dapat mengendalikan persediaan material MRO. Dalam penelitian ini menggunakan salah satu metode machine learning yaitu Artificial Neural Network yang akan dibandingkan dengan beberapa metode tradisional.Metode peramalan yang menghasilkan nilai peramalan terbaik berupa nilai MSE terendah akan digunakan untuk memperoleh parameter pengendalian persediaan material berupa jumlah ROQ, safety stock, ROP, dan total biaya persediaan. Hasil yang menggunakan model continuous review system ini diharapkan dapat menurunkan total biaya persediaan.Adapun hasil pengendalian persediaan material tersebut akan dilakukan simulasi Monte Carlo untuk melihat range terhadap parameter pengendalian persediaan untuk mendapatkan proyeksi keadaan yang akan terjadi dikemudian hari. Selain itu dengan simulasi ini akan melihat pengaruh perubahan variabel uncertain terhadap perubahan total biaya persediaan.

---

The forecast of MRO material in oil and gas industry is needed to support maintenance, repair, and operation activities in production. Thus, an appropriate forecasting method is needed to control the inventory of MRO material. This paper uses one of the methods of machine learning, which is Artificial Neural Network. This method will be compared with some traditional methods.

Forecasting method which gives out the best forecast error in a form of the lowest MSE which will be used to get a material inventory control parameter. The material inventory control parameter are ROQ, safety stock, ROP, and total cost of inventory. These result which used continuous review system model are hoped to reduce inventory total cost.

The result of those material inventory control will be done using Monte Carlo simulation to see the range toward inventory control parameter in order to get the projection of future situation. Furthermore, this simulation will also see the influence of the changing uncertain variable towards the change of inventory total cost."

"Tugas Akhir ini merancang suatu pengendali fuzzy berbasis jaringan saraf buatan (neural network) untuk mengendalikan sistem nonlinier yang selanjutnya diterapkan kedalam suatu perangkat lunak sederbana. Pada dasarnya pengendali ini menyatukan pengendali logika fuzzy biasa dengan suatu jaringan saraf buatan (neural network) dengan tujuan untuk memperbaiki karakteristik transien dari suatu proses yang dikendalikan. Dengan pengendali logika fuzzy biasa, tanggapan waktu sistem sudah dapat diperbaiki, namun pengendali ini dapat mencapai keadaan seperti tersebut diatas bila ada seorang operator ahli dalam sistem kendah dan sistem yang dikendalikan. Penerapan jaringan saraf buatan (neural network) kedalam pengendah logika fuzzy ini dapat mengurangi kerja operator ahli dalam menentukan lebar/range dari fungsi keanggotaan masukan dan keluaran. Dengan kemampuan belajar dari jaringan saraf buatannya, pengendali ini dapat memperbaiki keluaran sistem yang tidak linier. Uji coba simulasi dilakukan untuk dua buah model sistem nonlinier yaitu sistem nonlinier orde sate yang tidak stabil clan sistem pengendalian pH. Untuk pengendalian pH jugs ditunjukkan kehandalan pengendali dalam mengatasi gangguan yang datang dari sistem itu sendiri. Hasil simulasi kedua model yang dikendalikan menunjukkan pengendali logika fuzzy berbasis neural network dapat melakukan perbaikan pada rise time, settling time, overshoot dan kesalahan tunak dari suatu proses yang dikendalikan dan jugs dapat mengurangi keda ahli operator dalam menentukan komponen-komponen fuzzy dibandingkan dengan pengendali logika fuzzy biasa."