Hasil Pencarian  ::  Simpan CSV :: Kembali

"Simulasi pengenal bahan kimia menggunakan data set yang disusun dari datapembacaan sembilan sensor oksida timah, sensor kelembaban dan sensor suhu.Data set tersebut digunakan untuk training neural network menggunakan algoritmagradient descent backpropagation dan algoritma momentum backpropagation.Setelah proses training selesai maka hasil training diuji dalam simulasi mengenallima jenis bahan kimia yaitu acetone, ammonia, isopropanol, cairan pengkilat (lighterfiuid) dan cuka (vinegar). Hasil pengujian kemudian dibandingkan untuk melihatkelebihan dan kekurangan kedua algoritma backpropagation tersebut."

"Speech recognition atau pengenalan suara dengan beragam aplikasinya semakin banyak dimanfaatkan diberbagai bidang kehidupan seperti telekomunikasi, sistem keamanan, kedokteran, administrasi dan bidang-bidang praktis lainnya. Karena itulah teknologi ini terus dikembangkan untuk mendapatkan unjuk kerja yang semakin baik. Sejak dimulai pengembangannya, telah banyak metode yang digunakan dengan kemajuan-kemajuan yang berarti dibandingkan metode sebelumnya, termasuk metode yang sampai saat ini terus dikembangkan yaitu metode statistik menggunakan permodelan Hidden Markov. Walaupun masih ada metode lain yang juga memiliki unjuk kerja yang dapat dibandingkan seperti menggunakan jaringan saraf tiruan (neural network). Pada Skripsi ini disimulasikan penggunaan metode permodelan Hidden Markov (HMM) dengan Linear Predictive Coding (LPC) sebagai pengolah sinyal. Parameter-parameter yang dianalisa adalah variasi jumlah data latih, jumlah state, dan jumlah iterasi. Berdasarkan hasil simulasi didapatkan bahwa jumlah data latih memiliki peran terpenting untuk mendapatkan unjuk kerja System yang baik. Sedangkan jumlah state dan jumlah iterasi juga mempengaruhi kemampuan pengenalan walaupun tidak terlalu berarti."

"Pada tesis ini dibahas mengenai pengendalian sistem multivariabel kolom fraksinator dengan tiga pasangan masukan dan keluaran dengan pengendali Instantaneous Linierization berbasis Neural Network. Tiga masukan pada sistem yaitu top draw (U1 ), side draw (U2), bottoms reflex (U3) dan tiga keluarannya yaitu top end point (Yl), side end point (Y2), bottoms reflux (Y3). Pemodelan sistem kolom fraksinator mengacu pada tabel model heavy oil fractionator yang diambil dari Nett dan Garcia [Pret'88]. Setiap masukan pada sistem mempengaruhi ketiga keluarannya. Interaksi yang terjadi pada sistem dapat diperkecil dengan perancangan dekopling. Simulasi sistem pengendalian dengan pengendali instantaneous linieriration akan dibandingkan dengan pengendali proportional integrator (PI) menggunakan Matlab Versi 6.1 dengan Toolbox Neural Network yang dikembangkan oleh Magnus Noorgard dan Technical University of Denmark. Sistem yang telah dikendalikan diberi gangguan berupa perubahan dinamik dari intermediate reflux duty (IRD), upper reflex duty (URD) dan gangguan random yang bertujuan untuk melihat kemampuan pengendali terhadap gangguan-gangguan tersebut. Dan hasil pengujian, pengendali instantaneous linierization mempunyai settling time, peak time, rise time lebih cepat dibandingkan dengan pengendali PI.

---

This thesis discusses the control of multivariable fractionators column with three pairs of input and output using Instantaneous Linierization controller based on Neural Network The input systems are top draw (U1), side draw (U2), and bottoms reflux duty (U3). The output systems are top end point (Y1), side end point (Y2), and bottoms reflux temperature (Y3). The model system fractionators column related to table model heavy oil fractionators which taken from Prett and Garcia [Pret'88]. Every system inputs are influencing outputs one another. The interactions can be minimized by decoupling scheme. The simulation of control system with instantaneous. linierization controller will be compared to proportional integral (PI), using Matlab Version 6.1 with neural network toolbox that was developed by Magnus Noorgard from Technical University of Denmark. The controlled system will be given a dynamic change disturbance form intermediate reflux duty (IRD), upper reflux duty (URD), and random disturbance. The aim is to test the controller behavior to handle the disturbances. The result shows that the instantaneous linierization controller has shown faster settling time, faster peak time, faster rise time than that of the PI controller."

"Sistem pengenalan wajah dapat dipergunakan untuk mengetahui identitas seseorang, dan sangat berguna pada proses pendaftaran atau akses masuk ke suatu gedung, maupun proses identifikasi seorang kriminal. Pada proses pengenalan wajah, banyak sekali dimensi yang ada, sehingga diperlukan waktu komputasi yang besar. Dengan dipergunakannya FDR maka dimensi dapat dikurangi, sedangkan FALVQ dipergunakan karena prosesnya yang cepat dan hasil yang baik karena termasuk dalam neural network yang terbimbing. Hasil terbaik FALVQ dengan FDR memberikan peningkatan rekognisi orang 1,47% dan recognisi orang sudut 4,95%. Hasil didapat dengan mempergunakan dimensi 50 dan alpha 8,9. Dengan melihat potensi berkurangnya waktu yang harus dilakukan untuk FALVQ 578,42 detik dan waktu tes FALVQ berkurang 53,91 detik membuat metode FALVQ dengan FDR menjadi lebih baik dalam face recognition.

---

Face recognition system could be used to determine people identity and very useful for login process, acces to a building, ir to identified a criminal. Face recognition study consist of many dimension and it?s verry time consuming. With the use of FDR, we could minimize number of dimension, and with FALVQ will results in faster learning progress and better results due supervised learning in FALVQ.

The best result for FALVQ with FDR makes face recogniton to rise 1,47% and angle-face recognition to rise 4,95%. The optimum dimension from three tested dimension reduction is 50 dimension with alpha 8,9. With the potential of decreased time in FALVQ until 578,42 seconds and decrease in FALVQ test until 53,91 seconds makes FALVQ with FDR better to implement in face recognition."

"Metode artificial neural network digunakan dalam penghitungan nilai kapasitansi pada problem maju dari sistem ECVT untuk proses rekonstruksi semi non linear. Nilai kapasitansi hasil prediksi neural network didapatkan dari input distribusi permitivitas yang menunjukkan hasil citra yang diinginkan. Metode training neural network yang digunakan adalah training backpropagation. Pasangan input dan output data training didapatkan dari hasil simulasi menggunakan software COMSOL Multiphysics 3.4 yang kemudian ditraining menggunakan software Toolbox Neural Network pada Matlab R2007b. Hasil rekonstruksi citra semi nonlinear dibandingkan dengan hasil rekonstruksi linear.

---

Methods of artificial neural network used in the calculation value of capacitance in the forward problem of the system for the semi non-linear reconstruction of ECVT. Capacitance value of neural network predicted results obtained from the input distribution of permitivitty results indicate that the desired image. Training method used by neural network is backpropagation training. Pair input and output data obtained from the training results of the simulation using COMSOL Multiphysics 3.4 software, which then use the software Neural Network Toolbox in Matlab R2007b to train neural network. Results semi nonlinear image reconstruction compared with the results of the linear reconstruction."

"Perkembangan bare dalam neural network telah memberikan keuntungan-keuntungan dalam aplikasi sistem kontrol. Berdasarkan teori stale space dan pendekatan neural network, dikembangkan suatu algoritma yang disebut Stochastic Neural Direct Adaptive Control (SNDAC) untuk mengendalikan plant yang diketahui sebagian matriks sistemnya, yaitu matdks masukan B(.) dan matriks keluaran C(.). Pengendali neural network menggunakan algoritma SNDAC untuk mengubah bobot-bobotnya sehingga dihasilkan sinyal kendali yang mengoptimalkan quadratic performance index. Parameter yang berpengaruh pada pengendalian adalah banyaknya neuron pada lapisan tersembunyi dan besarnya koefisien belajar. Pemilihan banyaknya neuron pada lapisan tersembunyi dan besarnya koefisien belajar tidak dapat dilakukan secara eksak, tetapi dengan trial and error. Dengan pemilihan yang tepat dihasilkan pengendalian yang stabil dengan toleransi kesalahan yang kecil, seperti terlihat pada hasiI simulasi."

"Tugas akhir ini bertujuan untuk membuat sistem pengenal huruf tulisan tangan dengan menggunakan algoritma Backpropagation Neural Network. Untuk mendapatkan representasi huruf dari bentuk tulisan tangan pada sub-sistem ekstraksi ciri digunakan metode Freeman chain code dan pryeksi sumbu sehingga akan dihasilkan rangkaian kode kerangka citra tulisan huruf. Proses penghalusan dan penipisan citra dilakukan dengan algoritma klasik pada sub-sistem pra_pengolahan. Pengujian menghasilkan tingkat keberhasilan rata-rata 92,31% untuk citra huruf A?Z, 76,92% untuk citra huruf a?z dan 90% untuk citra angka 0-9."

"Penelitian yang telah dilakukan dalam menentukan kondisi optimum dari preparasi katalis CuO/Zeolit untuk mengeliminasi SOx ternyata memakan biaya yang besar karena harga parameter-parameter kondisi preparasi katalis yang banyak jumlahnya itu dilakukan secara trial dan error di laboratorium. Salah satu metode yang banyak mendapat perhatian karena keunggulannya dalam memecahkan permasalahan yang melibatkan banyak parameter dengan derajat non-linearitas yang tinggi adalah Jaringan Neural Artifisial. Oleh karena im kondisi preparasi katalis CuO/Zeolit akan disimulasikan oleh Jaringan Neural Propagasi Maju dengan metode pelatihan Jaringan Neural Conjugate Gradient.Simulasi ini sendiri bertujuan untuk mendapatkan luas perrnukaan zeolit yang paling optimal dengan data masukan berupa suhu kalsinasi dan % loading. Metode preparasi katalis yang digunakan adalah metode presipitasi da.n metode impregnasi sulfat. Data-data preparasi katalis diambil dari penelitian RUT IV TGP-FTUI. Hasil pembelajaran menunjukkan bahwa Janingan Neural Conjugate Gradient berhenti melakukan pencarian vektor bobot W pada error 0-01793 untuk presipitasi dan 0.03479 untuk impreguasi sulfat dari error tollerance sebosar 0.01 yang diset. Berhentinya proses pembelajaran sebelum tercapainya error toilerance ini disebabkan oleh terjebaknya Jaringan Neural Conjugate Gradient pada daerah lokal optima. Analisa simulasi dengan Propagasi Maju juga menunjukkan bahwa kondisi data latih yang digunakan untuk pelatihan jaringan mempunyai pengaruh yang cukup besar terhadap keakurasian hasil simulasi Jaringan Neural dengan data aktual yang diperoleh dari laboratorium. Makin banyak jumlah data dan makin bagus kondisi data (benar-benar didapatkan dari hasil percobaan di laboratorium) maka makin baik pula hasil simulasi."

"Peran transformasi wavelet dalam bidang kompresi dan pengkodean citra telah sangat dikenal dan telah menghasilkan standar format citra digital. Dengan konsep multiskala dan multiresolusi, sebuah citra dapat memberikan representasi yang informatif dengan titur-fitur yang ada. Fitur-fitur ini dapat dimanfaat untuk sebuah sistem pengenalan citra. Jaringan syaraf tiruan sebagai pengklasifikasi telah digunakan secara umum dengan tujuan pengenalan terhadap suatu objek ataupun fungsi. Kelebihan yang dimilikinya karena penggunakan metode training. Training dilakukan terhadap sekumpulan training set yang representatif untuk dapat melakukan proses klasifikasi terhadap objek yang akan dikenali. Skripsi bertujuan untuk memanfaatkan kemampuan transformasi wavelet untuk ekstraksi fitur dengan pengklasifikasi jaringan syaraf tiruan. Penerapannya dilakukan terhadap citra tekstur yang memiliki pola teratur. Pengambilan fitur-fiturnya menggunakan wavelet histogram signazures yang memperlihatkan fitur-fitur wavelet dalam karakteristik statistik orde pertama. Percobaan dilakukan dengan sebuah simulasi software pengenalan pola yang dibuat dengan MATLAB. Sistem dibuat berdasarkan transformasi wavelet dan jaringan syaraf tiruan. Hasil dari percobaan adalah berapa persen jumlah keberhasilan pengenalan sistem terhadap objek pengujian yang diberikan. Pengujian juga dilakukan terhadap tekstur yang diberi gangguan (noise)."

"Masalah terbesar dalam suatu proses Destilasi adalah sering berubahnya konfigurasi dari aliran masukan, dikarenakan aliran masukan tersebut tersebut berasal dari dari sumur minyak yang sudah pasti besarnya akan selalu berubah, sehingga akan berpengaruh terhadap konfigurasi unit-unit destilasi lainnya. Kebanyakan dari data yang dihasilkan dari proses distilasi merupakan data yang nonlinier dan kompleks jika menggunakan model yang konvensional. Jaringan syaraf tiruan adalah salah satu metode yang banyak dikembangkan untuk membuat sistem permodelan yang berasal dari pengambilan data secara langsung.. Sulitnya menemukan korelasi untuk memprediksi konfigurasi unit utilitas dan proses dengan aliran masukan yang selalu berubah dalam suatu proses distilasi menjadikan metode jaringan syaraf tiruan sebagai salah suatu solusi yang dapat digunakan untuk melakukan suatu prediksi setting kondisi operasi. Pada penelitian ini dilakukan pendefinisian model arsitektur jaringan saraf tiruan dengan menggunalkan backpropagation dan basis radial yang kemudian dilakukan proses pembelajaran dengan data pembelajaran berupa data historis yang didapat dari unit Debutanizer 16-C-104 selama periode April sampai 31 Agustus 2006. Unit ini merupakan unit proses distilasi kepunyaan PT. Pertamina (Persero) UP-VI Balongan. Penelitian ini menghasilkan sebuah perangkat lunak simulasi yang dapat memprediksikan setting temperatur feed, temperatur kondenser, temperatur reboiler, temperatur reflux, dan tekanan kondenser proses destilasi dengan tingkat kesalahan di bawah 1 % menggunakan kedua jenis JST. Sedangkan Jika menggunakan Hysis didapat hasil kesalahan diatas 5 %."