Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kohonen Mengorganisir Pemetaan Sendiri {Self Organizing Map} merupakan salah satu algoritma Jaringan Syaraf Tiruan. Algoritma ini biasa dipakai untuk pengenalan pola baik berupa bunyi maupun berupa gambar. Dalam sistem kendali, algoritma ini banyak dipakai untuk mengatur gerakan motor dalam sistem mekanik dan sistem yang memiliki banyak pola input. Pada Tugas Akhir ini akan dibahas penernpan Algoritma Kohonen Mengorganisir Pemetaan Sendiri pada slat pemantul cahaya. Fungsi alat ini untuk mendeteksi apakah pantulan cahaya telah mengenai target yang diinginkan dari 6 bush target yang tecpasang pada suatu wilayah. Cahaya yang mengenai wilayah target akan membentuk suatu pola berdasarkan posisi target yang terkena pantulan dan target yang tidak terkena pantulan. Program Jaringan Syaraf Tiruan dengan algoritma Kohonen Mengorganisir Pemetaan Sendiri akan membaca pola hasil pantulan yang diterimanya dan membandingkannya dengan pola target yang dikehendaki. Apabila pola yang diterimanya merupakan pola yang dikehendaki maka pantulan akan tetap diarahkan ke wilayah tersebut. Sebaliknya jika pola tersebut bukan pola yang dikehendakd maka program akan mengubah arah pantul cahaya ke target selanjutnya."

"Telah dibuat suatu alat pengarah dan pemantul cahaya ke posisi yang diinginkan dengan menggunakan cermin cekung berbasis mikrokontroler. Alat pemantul dan pengarah cahaya ini merupakan solusi untuk mengatasi kesulitan dalam menyinari suatu posisi atau daerah tertentu yang jarang atau tidak maksimal terkena cahaya, contohnya: area persawahan atau perkebunan yang jarang terkena cahaya matahari karena terhalang oleh tembok atau gedung ? gedung tinggi dan untuk pengisian solar cell. Hal ini dapat dilakukan dengan mengetahui letak intensitas cahaya tertinggi agar mendapatkan cahaya secara maksimal. Hasil pengamatan menunjukkan bahwa dengan menggunakan cermin cekung yang mempunyai spesifikasi fokus utama = 10cm, pusat kelengkungan cermin = 20cm dan jari ? jari cermin = 5cm, masih dapat mengarahkan dan memantulkan cahaya ke posisi yang diinginkan dengan baik walau dimanapun sumber cahaya berada. Alat ini terdiri dari beberapa sensor LDR, motor stepper dan cermin cekung yang dikendalikan oleh mikrokontroler."

"ABSTRAKPerforma baik dari Self-Organizing Map (SOM) telah terbukti dalammengklasifikasikan citra wajah yang berada dalam kondisi pencahayaan yangbaik. Namun saat objek wajah mengalami pencahayaan yang berubah-ubah dandiambil dari berbagai sudut pandang berbeda, maka tingkat nilai rekognisi citrawajah dengan menggunakan metode SOM umumnya akan menurun.Dalam penelitian ini menggunakan metode Fuzzy Self-Organizing Map(FSOM) sebagai sistem pengenal wajah pada citra untuk meningkatkan nilairekognisi citra wajah yang mengalami pencahayaan yang berubah-ubah dariberbagai sudut.Hasil penelitian menunjukkan bahwa performa FSOM untuk mengenali wajahpada data berdasarkan sudut pandang dengan tingkat rekognisi tertinggididapatkan pada set data ke-10 saat sudut 100 pada saat wajah frontal yaitusebesar 87%, pada data berdasarkan perubahan cahaya dengan tingkat rekognisitertinggi pada set data ke-1 sebesar 66.88%, dan pada data berdasarkan objekwajah dengan tingkat rekognisi tertinggi pada set data ke-4 sebesar 88.33%.Berdasarkan Hasil penelitian didapatkan bahwa tingkat rekognisi rata-rata FSOM30% lebih tinggi dari SOM pada setiap pengelompokkan data dan juga didapatkanbahwa dengan metode FSOM mampu mengenali citra dengan baik yangmengalami pencahayaan yang berubah-ubah dari sudut yang berbeda-beda.

---

ABSTRACTPerform of Self-Organizing Map (SOM) has been proven to classify the face

images in good illumination conditions. But when this technique is applied to

various viewpoints of images in unstable illumination conditions, the accuracy

of face recognition will decrease.

In this research, Fuzzy Self-Organizing Map (FSOM) is introduced as a new

technique to increase the accuracy when the images are taken from various

viewpoints in the change illumination conditions.

In this results from the research show that perform of FSOM to face

recognition from based on the viewpoints have the highest recognition rate in the

tenth data set when the viewpoints is set to be 10 degree where the images had

been taken is achieved at 87%. The result has also shown that based on the

illumination conditions, the highest recognition rate is achieved at 66.88% in the

first data set. Based on the face objects, the most accurate recognition is achieved

at 88.33% in the fourth data set. These results show that FSOM can give 30%

better performance than SOM to perform face images classification in the changes

illumination conditions and various viewpoints."

"Self-Organizing Map (SOM) yang dikenal juga dengan Kohonen Feature map merupakan algoritme Jaringan Saraf Tiruan yang merepresentasikan arsitektur Topological Preserving Map. Algoritma tersebut menggunakan pembelajaran dengan metode unsuperised learning. Dari sisi topologi jika terdapat sekumpulan data yang dimasukkan ke dalam SOM maka akan terbentuk kumpulan neuron yang merupakan representasi dari data tersebut. Dan ketika memasuki proses learning, neuron neuron tersebut dengan sendirinya akan menempati tempatnya masing-masing secara statistik dan topologis.Dengan kata lain pada setiap iterasi dicari strategi dengan memanfaatkan dua buah informasi yaitu informasi lokal dalam point yang direperesentasikan dan juga informasi global dari keseluruhan data dalam himpunan point tersebut. Penerapan metode yang menggunakan informasi statistik tersebut menjadi dasar pembentukan algoritma pembelajaran yang disebut Kohonen Network Incorporating Explixci Statistics (KNIES).Uji coba terhadap kinerja algoritma KNIES dilakukan pada permasalahan Travelling Salesman Problem (TSP). Kumpulan kasus-kasus TSP disediakan dalam pustaka yang disebut TSPLIB. Dalam TSPLIB juga disertakan hasil optimum tour yang dilakukan oleh algoritma eksak.Dari kumpulan kota tersebut diujikan pada perangkat lunak KIES dengan radius 0.5 diperoleh hasil terburuk adalah (9.70%) didapatkan oleh Pcb442 . Sedangkan hasil rata-rata adalah 3.85%."

"ABSTRAKPeramalan trafik internet merupakan salah satu pendekatan yang dapat diterapkan oleh penyedia jasa internet dalam menjaga dan meningkatkan kualitas pelayanan internet yang ditawarkan. Pada penelitian ini, digunakan metode peramalan berupa kombinasi algoritma self organizing map (SOM) dan support vector regression (SVR). Metode SOM digunakan untuk membagi data historis trafik internet secara keseluruhan ke dalam beberapa cluster, sedangkan metode SVR digunakan untuk membentuk model peramalan pada setiap cluster yang terbentuk. Hasil peramalan data trafik internet pada penelitian ini menunjukkan bahwa model peramalan dengan metode SOM-SVR dapat memberikan prediksi yang lebih akurat terkait nilai error yang lebih kecil dibandingkan dengan metode SVR tunggal.

---

ABSTRACTTraffic internet forecasting is one kind of approaches which can be implemented by internet service provider in order to keep and improve the offered internet service quality. This research uses the combination of self organizing map (SOM) and support vector regression (SVR) algorithm as forecasting method. SOM is first used to decompose the whole historical data of traffic internet into some clusters, while SVR is used to build a forecasting model in each formed cluster. The forecasting results of internet traffic data in this research show that the forecasting model by using SOM-SVR method can give more accurate prediction in terms of smaller error value compared to single SVR method."

"ABSTRAKDiagnosa kesalahan dalam sistem proses kimia mendapatkan perhatian yang luas dari banyak topik penelitian. Metode jaringan syaraf tiruan merupakan salah satu pilihan dalam metode diagnosis kesalahan, tetapi dalam penerapan strateginya dengan menggunakan supervised network waktu pelatihan dan penambahan pengetahuan merupakan suatu proses yang memerlukan waktu yang lama. Dalam makalah dibahas strategi diagnosa kesalahan pada kolom distilasi dengan Kohonen Self-Organizing Map.Karena itu strategi diagnosa kesalahan berbasiskan Kohonen Self-Organizing Map diharapkan dapat memberikan solusi terhadap masalah tersebut. Algoritma Kohonen Self-Organizing Map adalah suatu media jaringan syaraf tiruan untuk analisis dan visualisasi data dimensi tinggi. Kohonen Self-Organizing Map memetakan hubungan statistik nonlinier diantara input data yang berdimensi tinggi ke dalam suatu hubungan geometri sederhana biasanya pada kisi dua atau satu dimensi.Strategi ini memanfaatkan proses pelabelan kluster atau vektor referensi pada peta Kohonen SOM, dan mesimulasikannya seperti pada proses pemodelan dengan Kohonen Self-Organizing Map. Dari hasil didapat bahwa kinerja yang didapatkan dari strategi tersebut sangat bergantung dari keberhasilan pemetaan untuk mendapatkan model dinamika proses kolom distilasi tersebut."

"Sistim PVM sekarang iru mulai dirasakan keberadaannya dalam menggantikan super komputer untuk memecahkan pennasalahan-permasalahan komputasi . Prosedur komunikasi dan sinkronisasinya yang relatif lebih mudah dan sederhana memberikan peluang untuk pengembangan aplikasi model ilmiah dibawah sistim PVM ini. Program yang mengolah data dalam jumlah yang besar dengan fungsi-fungsi yang panjang membutuhkan waktu yang lama bahkan dapat sampai berhari-hari_ Tika program dapat berjalan dengan baik sampai pada akhir program maka tidak terdapat masalah_ Tetapi bagaimana pads saat program sudah berjalan beberapa hari, kemudian disalah satu host nya yang juga merupakan tempat child program melakukan task-task tertentu terdapat kesalahan_ Hal ini dapat membuat hasil dari keseluvahan proses menjadi tidak sesuai dengan spesifikasi yang di harapkan dan di tetapkan sebeluninya. Bahkan pada tingkat kasus terburuk program tidak menghasilkan informasi apapun setelah berhrti-hari running karena kesalahan tersebut. Pada akhirnya program harus dijalankan dari awal lagi. Untuk menghindari atau mengurangi penjadwalan clang suatu program dari awal karena suatu kesalahan maka diterapkan suatu metoda yang dinamakan metoda fault tolerance. Suatu sistim secara keseluruhan dengan kesalahan dapat melanjutkan proses penyediaan pelayanan tidak dikatakan gagal, tetapi diakatakan fault tolerant. Kesalahan dapat berarti terhentinya suatu proses task-task yang dilakukan suatu child program dikarenakan komputer crash, atau dapat juga berarti tidak sempurnanya, tidak stabilnya child program dalam mengolah data, serta banyak kemungkinan lainnya. Sedangkan kegagalan merupakan suatu akibat dari satu atau banyak kesalahan sehingga sistim tidak dapat 14 menyediakan pelayanan. Pada tugas akhir ini dibahas implemantasi check pointing dan backward error recovery pada algoritma Kohonen Self Organizing Map sehingga sistim dapat dikatakanfault tolerant."

"Jaringan komputer berunjuk kerja tinggi mempunyai peluang besar untuk dimanfaatkan dengan berbagai aphkasi ilmiah komputasi paralel dan terdistribusi. Aplikasi ilmiab pada skripsi ini diarahkan pads aphkasi jaringan syaraf tiruan (neural network) yang berguna untuk pengenalau citra. Aplikasi ini menggumkan metode pengenalan pola (pattern recognition) dengan algoritma Kohonen self-mgad2ing map. Waktu komputasi yang besar untnk mengemh suatu citra diharapkan dapat dikurangi dengam komputasi paralel. Hal ini dapat dilakukan dengan strategi pembagian data (data partitioning). Pembagian kerja ke beberapa prosesor inilah yang diharapkan dapat mempersingkat waktu komputasi. Unjuk kerja dengan percepatan (speed up) yang maksimal adalah tujuan Bari rau=gan algadtma pengenalan pola (pattem recognition) dengan metode pengenalan Kohooen self-organizing map pada jaringan paralel berbasis PVM (Parallel Virtual Machine). Peugujian dilakukan pada jaringan komputer paralel di PAU Kompnter Universitas Indonesia, Depok. Pengujian dilakukan pada jaringan homogen dan heterogen. Dan hash up coba rancangan diperoleh bahwa peroepatan proses pengenalan pola meningkat sehingga waktu komputasi menjadi lebih kecil. Metodepembagian data menghaaalkan percepatan yang sangat baik yaitu 3,$6 pada smnber daya komputasi bomogen dengan 3 prosesor dan 6,92 pads sumber daya komputasi heterogen dengan 3 prosesor."

"Pembahasan mengenai serangan distributed denial of service menjadi salah satu topik utama dalam wacana keamanan internet. Walaupun penggunaannya sudah lebih dari satu dekade dan mekanisme atau cara kerjanya sudah dipahami secara luas, namun hingga saat ini masih sangat sulit untuk mendeteksi secara dini suatu serangan distributed denial of service. Lambatnya pendeteksian serangan distributed denial of service karena sulitnya membedakan antara paket normal dan paket yang berasal dari agen distributed denial of service. Kesulitan lainnya adalah besarnya jumlah paket yang dikirim, hal ini mengakibatkan lamanya waktu yang dibutuhkan untuk menganalisa, dan dapat menyebabkan akurasi pendeteksian serangan distributed denial of service menurun. Melalui penelitian ini peneliti mencoba memberikan solusi yaitu berupa metode untuk mendeteksi serangan distributed denial of service. Adapun metode yang diajukan disini yaitu dengan melakukan pendeteksian secara dini ketika terjadi serangan distributed denial of service terhadap server jaringan. Dalam melakukan pendeteksian dibutuhkan metode yang efektif untuk segera memberikan peringatan atau informasi bahwa telah terjadi serangan distributed denial of service. Metode yang peneliti ajukan adalah metode deteksi menggunakan algoritma self organizing map dengan memanfaatkan lalu-lintas flow pada jaringan dan menggunakan fitur perhitungan dari metode yang sudah ada sebelumnya, yaitu metode IP FLow. Berdasarkan hasil pengujian, metode yang diajukan berhasil meningkatkan akurasi dan mempercepat waktu deteksi serangan distributed denial of service dibandingkan metode IP Flow.

---

Discussion about distributed denial of service attack to be one of the main topics on the Internet security discourse. Although it appearance was more than a decade and it works has been widely understood, but it is still very difficult to detect at early stage of distributed denial of service attack. The delay of distributed denial of service attack detection due to difficulties in distinguishing between normal packets and packets originating from distributed denial of service agents. Another difficulty is the huge number of packets sent, it causes the length of time required to analyze, and could lead to decrease accuracy of detection.

Through this study, researcher tried to provide a solution in the form of methods for detecting distributed denial of service attacks. The method proposed here is to perform early detection of a distributed denial of service attacks on a network server. Doing detection certainly needed an effective method for giving immediate warning or information that distributed denial of service attacks have occurred.

The proposed method research is the detection method using self organizing map algorithm based on flow traffic on the network and by using statistical calculation taken from existing method, IP Flow method. Based on test results, the proposed method successfully improves the accuracy and speed time detection of distributed denial of service attacks than using the IP Flow method."

"ABSTRAKKompresi merupakan upaya untuk meningkatkan efisiensi penyimpanan berkas.Tesis ini membahas suatu metodologi kompres dengan menerapkan Differential Codingdalam suatu jaringan neural yang mekanisme kerjanya bersifat unsupervised learningyang disebut Kohonen Self-Organizing Maps (KSOM).Penerapan Differential Coding dalam KSOM (DC-KSOM) ini lebih menekankanpada aspek kualitas rekonstruksi citra dekompres daripada waktu komputasi, danmetode ini merupakan jenis lossy compression. Mekanismenya diawali dengan pra-proses citra, proses clustering blok data, differential coding, dan diakhiri entropiccoding untuk memperoleh citra terkompres. Dengan mempertimbangkan topologicalproperly, Jaringan Neural KSOM (JN-KSOM) berperan untuk mengkuantisasi vektorcitra asli melalui proses pengelompokkan (peng-cluster-an) vektor-vektor pewakil(codebook) dari setiap blok. Proses clustering ini akan mengakibatkan reduksi dimensidata sehingga akan diperoleh hasil kompresi suatu berkas citra.Hasil uji coba penelitian menunjukkan bahwa Root Mean Square Error (RMSE)matriks citra dekompres dengan DC-KSOM adalah 4,29229337, relatif Iebih rendahdibanding TCD yaitu 7,95840738, yang berarti bahwa kualitas citra dekompres hasilkompresi DC-KSOM lebih baik daripada TCD. Dari 10 citra yang dikompres, hasilkompresi dengan DC-KSOM menunjukkan nilai RMSE yang relatif stabil/reliable.

---

"