Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pertumbuhan tingkat konsumsi bahan bakar minyak bumi untuk keperluan kendaraan bermotor semakin hari semakin meningkat, sehingga perlu dikembangkan bahan bakar alternatif selain minyak bumi. Salahnya satunya adalah biogasoline berbahan dasar minyak sawit. Hambatan utama yang sering dihadapi dalam pengembangan bahan bakar alternatif adalah mahalnya biaya untuk menentukan angka oktan sebagai satu parameter penting dalam penilaian kualitas bahan bakar. Kemajuan teknologi komputasi saat ini memungkinkan untuk memprediksi angka oktan bogasoline berdasarkan densitas dan suhu destilasi 50% dengan menggunakan jaringan saraf tiruan. Model jaringan yang dapat digunakan untuk memprediksikan angka oktan biogasoline adalah Multi Layer Feed Forward, Radial Basis, Generalized Regression dan Recurrent Network. Hasil simulasi menunjukkan tidak ada satupun model yang dapat digunakan untuk semua kondisi data masukan, namun dapat memprediksikan angka oktan dengan cukup baik jika syarat data masukan yang diberikan memenuhi syarat yang diharuskan.

---

The fuel demand for engine vehicle is increasing by the time while, thus the development for fuel alternative should be more paid attention. One of the prosperous product as fuel alternative is biogasoline made from crude palm oil. The most common problem occurred on developing biogasoline is the high cost on determination of the octane umber as a critical parameter on quality.

Recently, technology computation has been applied to estimate the octane number of biogasoline based on density and temperature of 50% destilation properties by using the artificial neural network. Neural network models known for this purpose are multi layer feed forward, generalized regression, radial basis and recurrent neural network.

Using the GUI MATLAB, four models network mentioned, showed that none of them could be used for any conditions of input data. The typical model is works properly for typical data input only."

"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."

"Emisi kendaraan terutama yang menggunakan mesin diesel merupakan masalah yang sudah tidak asing lagi. Nox, HC, O2, CO, CO2 dan asap yang merupakan zat- zat hasil pembakaran mesin diesel dapat di ukur melalui percobaan eksperimental. Tetapi tentunya percobaan eksperimental ini mempunyai beberapa kekurangan seperti pengoperasiannya yang mahal serta prosesnya yang memakan waktu cukup panjang. Untuk mengatasi masalah itu semua, maka dibuatlah suatu metode pemodelan matematika menggunakan Artificial Neural Network (ANN). Metode ANN yang digunakan dalam skripsi ini adalah Backpropagation. Dengan dilakukannya penelitian ini diharapkan karakter emisi kendaraan mesin diesel dapat diprediksi secara akurat. Hasil dari penelitian ini membuktikan bahwa ANN cukup handal dalam memprediksi emisi bahan bakar mesin diesel.

---

Vehicle emissions, especially using diesel engine is not a strange problem anymore. NOx, HC, O2, CO, CO2 and smoke emissions comes from the combustion of substances in diesel engines can be measured through experimental test. Certainly this experimental test has several shortcomings such as the operation is expensive and time consuming process which is long enough.

To cope with this problem, then a mathematical modeling method using Artificial Neural Network (ANN) was made. ANN method used in this thesis is Backpropagation. This research expect to predict characters of diesel engine emissions accurately. The results of this study proves that ANN quite good to predict diesel engine emission."

"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."

"Penelitian mengenai optimasi multiobjektif terhadap pertumbuhan populasi Synechococcus HS-9 telah dilakukan. Pada penelitian digunakan Synechococcus HS-9 yang merupakan koleksi dari Laboratorium Taksonomi Tumbuhan Departemen Biologi FMIPA UI, Depok. Penelitian bertujuan untuk mengetahui hasil simulasi hidrodinamika Synechococcus HS-9 pada program Computational Fluid Dynamics (CFD) dan mengetahui kondisi hidrodinamika yang optimum untuk pertumbuhan Synechococcus HS-9. Penelitian dilakukan dengan mensimulasikan photobioreactor dengan menggunakan program CFD. Penelitian juga melakukan optimasi untuk mengetahui kondisi optimum untuk pertumbuhan Synechococcus HS-9 menggunakan Artificial Neural Network (ANN). Hasil penelitian menunjukkan kondisi optimum untuk pertumbuhan Synechococcus HS-9 dicapai dengan kondisi, yaitu suhu (T) sebesar 30,30C; derajat keasaman (pH) sebesar 9,4; Dissolved oxygen (DO) sebesar 1,4 mg/l, oxidation reduction potential (ORP) sebesar 34,7 mV; intensitas cahaya (I) sebesar 291,2 µmol m-2s-1; turbulance eddy dissipasion (TED) sebesar 0,00135 m2s-2; dan turbulance kinetic energy (TKE) sebesar 0,000238 m2s-2.

---

Research on the Multiobjective Optimization of Synechococcus HS-9 Population Growth using Artificial Neural Network has been carried out. Research using Synechococcus HS-9, which is the collection of the Plant Taxonomy Laboratory, FMIPA UI, Depok. This research purposes are to find out the results of the hydrodynamic simulation of Synechococcus HS-9 in the Computational Fluid Dynamics (CFD) and to find out the optimum hydrodynamic conditions for the growth of Synechococcus HS-9. The research was conducted by simulating a photobioreactor using CFD program. The study also carried out optimization to determine the optimum conditions for the growth of Synechococcus HS-9 using Artificial Neural Network (ANN). The results showed that the optimum conditions for the growth of Synechococcus HS-9 were achived with the following conditions, i.e. Temperature (T) of 30.3 0C, acidity (pH) 9.4, dissolved oxygen (DO) 1.4 mg/l, oxidation reduction potential (ORP) sebesar 34.7 mV, intensity (I) 291.2 µmol m-2s-1, turbulance eddy dissipasion (TED) 0.00135 m2s-2 and turbulance kinetic energy (TKE) 0.00023872 m2s-2."

"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."

"Perkembangan teknologi otomotif di dunia yang sangat pesat menuntut para pelaku industri otomotif untuk terus-menerus mengembangkan teknologi dan inovasi terbaru. Namun, inovasi yang dilakukan di industri otomotif tidak lagi terbatas pada inovasi produk namun juga pada proses pengembangan produk. Salah satunya adalah dengan menerapkan strategi product platform. Penelitian ini dilakukan untuk memprediksi waktu pergantian platform pada salah satu jenis produk multi-generasi, yaitu produk otomotif, dengan menggunakan metode peramalan artificial neural network. Hasil prediksi pada penelitian menunjukkan bahwa prediksi waktu pergantian platform berkisar dalam kurun waktu 32-33 quarter yang merupakan hasil yang sesuai dengan rentang waktu inovasi platform yang ideal yaitu 8-10 tahun. Selain itu, penelitian juga memperlihatkan bahwa pergantian platform pada produk otomotif kerap dilakukan ketika produk sedang berada di tahap maturity dalam siklus hidupnya serta berhasil mengidentifikasi faktor-faktor yang mempengaruhi keputusan perusahaan untuk melakukan pergantian platform.

---

The rapid growth of technology in the automotive industry has forced the manufacturers to continuously develop new technology and make innovations. Nowadays, innovation in the automotive industry does not only refer to product innovation, but it refers to process innovation as well, for example by implementing the product platform strategy. This research aims to predict the development time of new platform for one of the multiple-generation product line, automotive product, using artificial neural network. The prediction from this research shows that new platform should be introduced in 32-33 quarters. This result is suitable to the ideal condition of platform innovation which is in 8-10 years. Moreover, the result shows that most of the time company decides to introduce the next-generation platform while the older generation is still in the maturity stage of its life cycle and the research also successfully identifies the factors influencing company to introduce the next-generation platform."

"Pada penelitian ini diusulkan peramalan trafik jaringan menggunakan Artificial Neural Network dengan model Nonlinear Autoregressive. Model prediksi beban trafik dilakukan dalam tiga skenario yaitu tanpa input eksogen, dengan input eksogen jumlah pelanggan, dan dengan input eksogen jumlah pelanggan dan inflasi. Hasil penelitian dengan nilai MAPE dan MSE terkecil terdapat pada prediksi beban trafik dengan input eksogen jumlah pelanggan. Pada penelitian diprediksi beban trafik hingga l tahun kedepan untuk dapat merencanakan pembangunan dan peningkatan kapasitas node-b/ BTS 3G. Diharapkan dengan melakukan peramalan penggunaan-jaringan-oleh-pelanggan akan menghasilkan estimasi akurat permintaan kebutuhan pelanggan di masa mendatang sehingga organisasi dapat melakukan strategi yang tepat dalam merencanakan peningkatan kapasitas demi menjaga 4aality ofservice.

---

This research proposed network traffic forecasting using Artificial Neural Network with Nonlinear Autoregressive models. The traffic load prediction model is done in three scenarios: without exogenous input, with the input of exogenous number of customers, and with exogenous inputs the number of subscribers and inflation. The smallest MAPE and MSE values are in the traffrc load prediction with subscribers as exogenous inputs. The traffic load is predicted up to 1 year ahead in order to plan the development and improvement of the capacity of the node-b / 3G base stations. By forecasting the network usage generate by the customer, we expect to have an accurate estimated demand of customer needs in the future so that the organization can perform the right strategy for planning the capacity to maintain the quality of service."

"ABSTRAKKondisi cuaca merupakan faktor yang signifikan untuk berbagai sektor seperti keselamatan transportasi, pembangunan, kesehatan dan lain-lain oleh karena itu dibutuhkan akurasi yang tinggi dalam melakukan peramalan keadaan cuaca kedepannya. Banyak cara yang digunakan untuk memprakirakan kondisi cuaca, seiring berkembangnya teknologi, prakiraan Hujan dapat dilakukan dengan menggunakan teknologi Artificial Intelligence (AI) atau kecerdasan buatan sehingga hasil yang diperoleh lebih optimal. Dalam penelitian ini, jaringan saraf tiruan yang digunakan memiliki algoritma feedforward neural network dengan data pelatihan berupa suhu, tekanan udara, kelembaban udara, titik embun, kecepatan angin tiap 3 (tiga) jam di Stasiun pengamatan BMKG di Jawa Timur dari tahun 2019 dengan target adalah intensitas curah hujan. Data pelatihan dilakukan pada periode 1 Januari 2019 sampai 28 Februari 2019 dan selanjutnya, data diuji pada periode 1 sampai 31 Maret 2019. Berdasarkan hasil analisis, model Jaringan Saraf Tiruan memiliki performa yang cukup baik dalam prakiraan intensitas curah hujan di Jawa Timur. Model terbaik ditunjukkan oleh model dengan arsitektur 7-60-1 dengan tingkat korelasi yang dihasilkan sebesar 0,87 dengan nilai error sebesar -0.03 serta akurasi 76 persen dengan lokasi penelitian di Stasiun Meteorologi Bawean. Dengan adanya model ini, diharapkan dapat menjadi salah satu pertimbangan forecaster dalam membuat prakiraan hujan khususnya prakiraan jangka pendek dengan interval tiap 3 (tiga) jam.

---

ABSTRACTWeather conditions are a significant factor for various sectors such as transportation safety, development, health, etc. Therefore, high accuracy is needed in forecasting future weather conditions. Many methods are used to predict weather conditions, as technology develops, Rain forecast can be made using Artificial Intelligence (AI) technology so that the results obtained are more optimal. In this study, the artificial neural network used has a feedforward neural network algorithm with training data in the form of temperature, air pressure, humidity, dew point, wind speed every 3 (three) hours at the BMKG observation station in East Java from 2019 with the target being rainfall intensity. The training data was conducted in the period January 1 2019 to February 28 2019 and subsequently, the data were tested in the period 1 to 31 March 2019. Based on the results of the analysis, the Artificial Neural Network model performed reasonably well in the forecast of rainfall intensity in East Java. The best model is shown by a model with 7-60-1 architecture with a resulting correlation level of 0,87 with an error value of -0.03 and an accuracy of 76 percent with the research location at the Bawean Meteorological Station. With this model, it is expected to become one of the forecaster considerations in making rain forecasts, especially short-term forecasts at intervals of every 3 (three) hours."