Hasil Pencarian  ::  Simpan CSV :: Kembali

"Di dalam teknik kendali adaptif terdapat suatu metode pengendalian yang berbasis pada model proses untuk menghitung sinyal kendali berdasarkan prediksi keluaran yang dihitung dari model proses, yang dikenal dengan Model PredictiveControl (MPC). Di antara beberapa algoritma dalam MPC, yang sering dipakaidalam industri yaitu Generalized Predictive Control (GPC). Kelebihannya dibanding metode perancangan pengendali lainnya ialah kemampuannya untuk menangani sistem yang merniliki waktu tunda dan kemudahannya dalam penerapan con.straim karena langsung diperhitungkan dalam perancanganpengendal. Dalam skripsi ini algoritma GPC diimplementasikan pada sistem multivariabel 2 masukan dan 2 keluaran dengan waktu tunda., yang dilakukan dengan menerapkan constraint pada masukan, slew rate, serta keluaran hingga diperoleh sinyal kendali. Solusi permasalahan Quadrotic Programming untuk mengatas:i constraint pada skripsi ini dilakukan dengan metode pivoting yaitu Linear Complementary Problem (LCP). GPC ditransformasi ke dalam LCP dan diselesaikan dengan algoritma Lemke untuk mendapatkan solusi sinyal kendali. Hasil uji coba algoritma constrained DPC pada system multivariabel dengan waktu tunda ini menghasilkan sinyal kendali yang baik. Simulasi juga menunjukkan faktor bobot dan cost horizon memegang peranan penting pada unjuk kerja GPC. Sedangkan peranan control horizon dalam unjuk kerja GPC kurang begitu signifikan"

"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."

"Salah satu permasalahan yang dihadapi dalam mengaplikasikan neural network adalah menentukan parameter-parameter weight dan threshold yang optimum selama fasa pelatihan. Metode yang umum digunakan untuk mendapatkan solusi permasalahan ini adalah metode backpropagation. Suatu pendekatan berbeda yang digunakan untuk mendapatkan solusi dari permasatahan diatas adalah algoritma genetik. Dalam tesis ini algoritma genetik diaplikasikan untuk melatih neural network guna mendapatkan suatu parameter weight dan threshold yang optimum. Proses diawali dengan mengkodekan parameter-parameter neural network menjadi kromosom biner, yang kemudian dilanjutkan dengan suatu proses evaluasi kromosom. Proses seleksi dengan metode 'Spinning Wheel' digunakan untuk menyeleksi turunan dengan kelayakan tinggi. Proses pencarian solusi optimal dikerjakan dengan melakukan operator-operator genetik persilangan dan mutasi dari kromosom yang terseleksi. Hasil pengujian menunjukkan bahwa pelatihan dengan algoritma genetik untuk permasalahan klasifikasi pola terbukti lebih unggul kinerjanya daripada dengan metode backpropagation untuk mencapai error minimum yang diinginkan. Pada pengujian pendekatan fungsi, algoritma genetik ter1ihat lebih tambat dari segi waktu untuk mencapai error minimum yang sama dibandingkan dengan metode backpropagation.

---

One of the problems faced in applying neural network to some real wond application is related to difficulties in finding an optimum set of weights and thresholds during the training phase. A general most method in finding these solutions for these problems is backpropagation. A different method to find the solutions of the same problems is Genetic Algorithms. Genetic algorithm is relatively new search algorithm that has not been fully explored in this area. In this thesis, genetic algorithms are applied to train neural networks and to evolve an optimum set of weights and thresholds. Process begin with encode neural networks parameters to binary chromosomes, and evaluate. The Spinning wheel selections are using to produce offspring with high fitness, then recombinate with crossover and mutation as genetic operator. The project carried out investigates whether genetic algorithms can be applied to neural networks to solve pattern classification and function approximation problems. This thesis describes the simulation works that have been performed. It describes the design of a genetic algorithm and the results obtained. In pattern classification problem that use feedforward network show, that genetic algorithm is superior to backpropagation training rule in error and speed calculation. In function approximation, the result shows that genetic algorithm approach is very much slower than the backpropagation method. Results show that even for relatively simple network, genetic algorithm requires a much longer time to train neural networks."

"Backpropagation neural network backpropagation adalah salah satu algoritma machine learning yang dapat digunakan untuk melakukan klasifikasi data. Klasifikasi data dilakukan dalan serangkaian proses training dan testing. Pada akhir proses testing yang juga merupakan akhir dari proses backpropagation, akan didapatkan nilai recognition rate. Nilai recognition rate merupakan nilai yang menandakan banyaknya data yang berhasil diklasifikasi dengan benar pada proses testing terhadap seluruh testing dataset. Recognition rate erat kaitannya dengan masalah underfitting, overfitting, local minima, dan local maxima. Keempat masalah ini menyebabkan nilai recognition rate yang didapatkan kurang optimal. Namun biasanya untuk menangani keempat masalah ini dilakukan pengaturan pada beberapa paramter, misalnya learning rate, momentum, jumlah layer, jumlah nodes, weights, dan lain-lain. Pada tulisan ini akan dijelaskan program optimasi yang melakukan pengaturan pada nilai inisialisasi weights untuk menangani keempat tersebut. Program ini melakukan inisialisasi weights menggunakan genetic algorithm pada backpropagation yang mengimplementasikan k-fold crossvalidation. Untuk menguji dan membandingkan program optimasi terhadap program implementasi backpropagation yang tidak dioptimasi program non-optimasi, digunakan empat dataset, yaitu iris flower dataset, seeds dataset, wine dataset, dan EEG dataset buatan. Pada akhir pengujian didapatkan hasil bahwa program optimasi berhasil mendapatkan nilai recognition rate lebih tinggi pada iris flower dataset, yaitu 97.33 pada program optimasi dan 96.67 pada program non-optimasi. Kemudian didapatkan pula nilai recognition rate yang lebih tinggi pada seeds dataset, yaitu 93.33 pada program optimasi dan 92.86 pada program non-optimasi. Lalu didapatkan pula nilai recognition rate yang lebih tinggi pada EEG dataset buatan, yaitu 37.5 pada program optimasi dan 35.94 pada program non-optimasi. Sedangkan pada wine dataset didapatkan nilai recognition rate yang sama antara program optimasi dan program non-optimasi, yaitu 99.44.

---

Backpropagation neural network backpropagation is one of machine learning algorithms that can be used to classify data. The data classification is done in a series of trainig and testing processes. At the end of testing process that is also the end of backpropagation process, the algorithm will produce recognition rate value. Recognition rate value indicates the total of correctly classified data in testing process againts all data in testing dataset. Recognition rate value related to underfitting, overfitting, local minima, and local maxima problems. However, to handle these problems adjusting some parameters are necessary to be done. These parameters are learning rate, momentum, number of layers, number of nodes, weights, etc. In this writting will be explained an optimization program that adjusts the initialization values of weights to handle those four problems. This program initializes weights using genetic algorithm on backpropagation implementing k fold crossvalidation. To test and compare the optimization program with a program that implements backpropagation without optimization non optimzation program four datasets will be used, those are iris flower dataset, seeds dataset, wine dataset, and artificial EEG dataset. At the end of the test, the results show that optimization program obtained higher recognition rate value on iris flower dataset, that is 97.33 on optimization program againts 96.67 on non optimization program. Other than that, optimization program obtained higher recognition rate value on seeds dataset, that is 93.33 on optimization program againts 92.86 on non optimization program. Also, optimization program obtained higher recognition rate value on artificial EEG dataset, that is 37.5 on optimization program againts 35.94 on non optimization program. However, the optimization program obtained an equal recognition rate value on wine dataset, that is 99.44."

"Generalized Assignment Problem (GAP) adalah masalah penugasan sejumlah berhingga tugas pada sejumlah berhingga agen, dimana sebuah tugas harus dikerjakan oleh satu agen, tetapi satu agen dapat mengerjakan lebih dari satu tugas. Setiap agen mempunyai kapasitas dan setiap tugas mempunyai bobot, yang mungkin berbeda untuk setiap agen. Pada skripsi ini akan dilihat kinerja dari algoritma MAX-MIN Ant System (MMAS) dengan Local Search dalam menyelesaikan GAP, yang diukur berdasarkan kedekatan solusi yang didapatkan dengan best known solution. MMAS adalah pengembangan dari Ant System Algorithm, yaitu algoritma yang diinspirasikan oleh perilaku semut-semut di dunia nyata. Dalam algoritma ini terdapat parameter ??, Q, ??, dan p0 yang harus ditentukan, yang diambil menurut rekomendasi St??tzle dan Hoos. Lalu nilai dari parameter Q, ??, dan p0 akan diubah untuk mengetahui pengaruhnya terhadap kinerja algoritma MMAS dengan Local Search. Masalah pengujian diambil dari OR-Library. Berdasarkan simulasi, disimpulkan bahwa kinerja algoritma MMAS dengan Local Search dalam menyelesaikan GAP cukup baik dengan error relatif cukup kecil, yaitu tidak lebih dari 0.04 dan perubahan nilai parameter dapat membawa perbaikan pada solusi."

"Penjadwalan ujian merupakan tantangan yang dihadapi oleh universitas tiapsemester atau tiap tahun. Tantangannya adalah untuk menjadwalkan ujian darisekian banyak mata kuliah, yang diikuti oleh sejumlah mahasiswa (satumahasiswa mungkin mengikuti lebih dari satu mata kuliah), ke dalam waktu yangterbatas dan jumlah ruangan yang terbatas. Dalam persoalan perwanaan graf,terdapat sifat yang dapat digunakan untuk merepresentasikan persoalanpenjadwalan ujian, dimana tidak ada dua atau lebih simpul yang bertetanggamempunyai warna yang sama. Dalam persoalan penjadwalan ujian, tidak bolehterdapat dua ujian yang diikuti oleh minimal satu mahasiswa yang samadilaksanakan pada waktu yang sama. Dalam persoalan pewarnaan graf, kondisitersebut dipenuhi ketika dua simpul yang bertetangga yang merepresentasikan duaujian tersebut mempunyai warna yang berbeda. Jumlah minimal warna yangdiberikan pada suatu graf dapat merepresentasikan jumlah minimal hari yangdigunakan dalam pelaksanaan ujian. Di dalam skripsi ini akan ditampilkanalgoritma berbasis pewarnaan graf untuk mendapatkan jadwal ujian yangmemenuhi aspek keadilan bagi mahasiswa, akurat, dan mempunyai periode waktuyang optimal. Kompleksitas dan efisiensi dari algoritma ini juga merupakan halyang diperhatikan dalam skripsi ini."

"Penelitian ini membahas masalah penjadwalan job shop pada sebuah perusahaan yang memproduksi produk stamping. Permasalahan yang terjadi adalah tingginya angka keterlambatan pemenuhan pesanan atau rendahnya performa on-time delivery. Oleh karena itu, tujuan dari penelitian ini adalah meminimumkan jumlah keterlambatan dari setiap job. Penjadwalan produksi pada sistem produksi job shop merupakan salah satu permasalahan yang kompleks sehingga dibutuhkan metode yang tepat untuk mendapatkan solusi yang optimal untuk masalah ini. Metode penelitian ini menggunakan algoritma tabu search. Tabu search menggunakan tabu list dan iterasi pada solusi tetangga untuk mencegah terjebak pada optimal lokal. Penelitian ini menjadwalkan 21 produk yang terbagi menjadi 208 job yang diproses di 16 mesin dengan spesifikasinya mesin yang berbeda-beda. Model penjadwalan ini menghasilkan jumlah keterlambatan sebesar 23 job yang sebelumnya 96 job, atau dengan kata lain terjadi penurunan jumlah keterlambatan sebesar 76,04 . Selain itu, rata-rata waktu tunggu proses barang setengah jadi juga mengalami penurunan sebesar 29,8

---

This research presents job shop scheduling at a company that produce stamping product. The problem that happened here is high number of tardiness or low on time delivery performance. Therefore, the objective of this research is to minimize number of tardiness. Job shop scheduling is a complex problem so that need appropriated method to produce the optimal solution for this problem. This research using tabu search algorithm method. Tabu search uses tabu list and iterations in neigborhood solution to prevent getting stuck on a local optimum. This research schedules 21 products which divided into 208 jobs which processed on 16 machines with different spesifications. This model produces the output has 23 jobs tardiness which before has 96 jobs, means that number of tardiness reduces of 76,04 . In addtion, average waiting time of work in process also reduces 29,8."