Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tugas Akhir ini merancang suatu pengendali berbasis NeuroFuzzy dan mengujicobanya pada perangkat lunak sederhana untuk sistem linier orde dua. Pada akhir pengendalian diharapkan diperoleh tanggapan sistem yang lebih baik. Tanggapan ini berupa settling time, rise time, overshoot dan galat tunak, yang diharapkan men jadi lebih cepat, lebih singkat, dan lebih kecil. Pengendali yang dirancang adalah suatu pengendali yang menggabungkan Jaringan Saraf Buatan dengan pengendali Logika Fuzzy. Jaringan saraf buatan mempunyai kemampuan belajar dan dilatih dengan sekumpulan data pelatihan. Pada pengendali ini jaringan saraf buatan dilatih untuk menentukan nilai keanggotaan error dan selisih error sebagai masukan pengendali, ke dalam nilai linguistik yang bersesuaian. Pengendali ini juga membutuhkan Fuzzy Assosiative Memory (FAM). Uji cobs perangkat lunak dilakukan terhadap lima model sistem linier orde dua, yang diharapkan mampu mewakili suatu sistem linier orde dua secara keseluruhan. Perangkat lunak tersebut dibuat dengan bahasa pemrograman Visual Pascal, menggunakan Borland Delphi versi 1.0. Tanggapan waktu model sistem linier orde dua tanpa pengendali NeuroFuzzy kemudian akan dibandingkan dengan tanggapan hasil pengendalian dengan pengendali berbasis NeuroFuzzy. Dari hasil perbandingan diharapkan terjadi perbaikan tanggapan. yang menandakan keberhasilan pengendalian."

"Pengendali logika fuzy memiliki kelemahan yaitu segala sesuatu harus didefnisikan terlebih dahulu secara eksplisit, termasuk aturan-aturan kendalinya. Masalah timbul jika aturan-aturan kendali tidak dimiliki dan tidak adanya seorang expert atau operator untuk membentuk aturan-aturan kendali yang sesuai. Masalah ini dapat diatasi dengan menggunakan jaringan syaraf buatan pada bagian inferensi. Jaringan syaraf memiliki kemampuan untuk dilatih dengan sekumpulan data pelatihan, sehingga setelah pelatihan selesai jaringan ini dapat digunakan tanpa harus mengetahui aturan-ataran kendali secara lengkap. Peuggunaan jaringan syaraf menimbulkan masalah bare, yaitu jika data pelatihan tidak tersedia, becarti konsep jaringan syaraf tidak dapat digunakan. Untuk itu digunakan mekanisme belajar (self-learning) untuk menghasilkan data pelatihan yang selanjutnya digunakan untuk melatib jaringan syaraf. Skripsi ini membahas mengenai algoritma dan penerapan pengendali self-learning neurofuzzy pada sistem overdamped dan underdamped serta membahas pengaruh perubahan parameter-parameter pengendali terhadap basil pengendalian."

"This book describes hybrid intelligent systems using type-2 fuzzy logic and modular neural networks for pattern recognition applications. Hybrid intelligent systems combine several intelligent computing paradigms, including fuzzy logic, neural networks, and bio-inspired optimization algorithms, which can be used to produce powerful pattern recognition systems. Type-2 fuzzy logic is an extension of traditional type-1 fuzzy logic that enables managing higher levels of uncertainty in complex real world problems, which are of particular importance in the area of pattern recognition. The book is organized in three main parts, each containing a group of chapters built around a similar subject. The first part consists of chapters with the main theme of theory and design algorithms, which are basically chapters that propose new models and concepts, which are the basis for achieving intelligent pattern recognition. The second part contains chapters with the main theme of using type-2 fuzzy models and modular neural networks with the aim of designing intelligent systems for complex pattern recognition problems, including iris, ear, face and voice recognition. The third part contains chapters with the theme of evolutionary optimization of type-2 fuzzy systems and modular neural networks in the area of intelligent pattern recognition, which includes the application of genetic algorithms for obtaining optimal type-2 fuzzy integration systems and ideal neural network architectures for solving problems in this area."

"Sistem pendingin pada sebuah bangunan menyumbang energy yang cukup besar pada total energy dari bangunan tersebut. Pemilihan dan penghematan system pendingin yang tepat akan membantu untuk mengurangi konsumsi energy pada system pendingin bangunan. Salah satu cara penghematan pada system pendingin adalah dengan menggunakan bahan-bahan renewable energy sebagai sumber energinya. Gedung Mechanical Research Center yang berada di wilayah Fakultas Teknik Universitas Indonesia, Depok, Jawa Barat telah menggunakan system pendingin absorpsi tenaga matahari guna memanfaatkan sumber panas terbarukan yang dapat menghemat konsumsi energy pada suatu gedung. Tujuan penelitian ini mencoba untuk mengevaluasi besar konsumsi energy yang dikeluarkan oleh absorption chiller pada gedung MRC, evaluasi dilakukan dengan simulasi menggunakan perangkat lunak IES-VE, IES-VE adalah perangkat lunak yang membantu penggunanya untuk mendesain dan mengevaluasi fenomena-fenomena pada suatu bangunan hasil yang didapat dari simulasi ini akan digunakan sebagai perbandingan terhadap hasil artificial intelligence menggunakan metode artificial neural network dan fuzzy.

---

Cooling systems in a building contribute considerable energy to the total energy of the building. Choosing and saving the right cooling system will help to reduce energy consumption in building cooling system. One way of saving on the cooling system is to use renewable energy as a source of energy. Building Mechanical Research Center located in the Faculty of Engineering, University of Indonesia, Depok, West Java has been using solar energy absorption cooling system to utilize renewable heat sources that can save energy consumption in a building.

The purpose of this study was to evaluate the energy consumption of absorption chiller in the MRC building, the evaluation was done by simulation using IES VE software, IES VE is software that help its users to design and evaluate phenomena in a building result Obtained from this simulation will be used in comparison to artificial intelligence result using artificial neural network and fuzzy method."

"The feed forward neural network (FFANN) model has been the most popular form of artificial neural network model used for forecasting, particularly in economics and finance. In this paper, we elucidate the application of FFANN as a means of modeling financial data. We particularly focus on the model building of FFANN as time series model and use inflation rates in Indonesia as a case study. A comparison is drawn between FFANN model and the best existing models based on traditional econometrics time series approach. The best models are selected on forecasting ability by using the MSE, particularly on the dynamic forecast. The results show that FFANN models outperform the traditional econometric time series model."