Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem Pengaturan Lampu Lalu Lintas Terdistribusi adalah sebuah sistem lampu lalu lintas yang ditujukan untuk memenuhi kebutuhan akan kinerja pengaturan lampu lalu lintas yang cerdas dengan pengambilan data secara real-time. Sistem ini dapat melakukan penjadwalan dan pengaturan jaringan banyakpersimpangan secarareal-time yang tidak bisa dilakukan oleh sistem pengaturan lampu lalu lintas konvensional. Penerapan klasifikasi di dalam sistem ini digunakan untuk meningkatkan akurasi dari pengenalan mobil. Proses klasifikasi diimplementasikan menggunakan tiga algoritma Jaringan Syaraf Tiruan, yakni Backpropagation, FLVQ, dan FLVQ-PSO. Berdasarkan hasil ujicoba, dapat ditunjukkan bahwa algoritma Backpropagationmemiliki performa akurasi yang lebih baik dibandingkan dua algoritma JST yang lainnya.

---

AbstractDistributed Traffic Light Control System is a traffic light system intended to meet the need for setting the performance of intelligent traffic lights with real-time data capturing. The system can perform scheduling and network settings of multi-junction in real time that can not be done by a conventional traffic light settings system. Application of classification within this system is used to improve the accuracy of the car recognition. Classification process is implemented using three neural network algorithms, namely Backpropagation, FLVQ, and FLVQ-PSO. Based on the test results, it can be shown that the Backpropagation algorithm performs better accuracy than the other two algorithms."

"Sistem Pengaturan Lampu Lalu Lintas Terdistribusi adalah sebuah sistem lampu lalu lintas yang ditujukan untuk memenuhi kebutuhan akan kinerja pengaturan lampu lalu lintas yang cerdas dengan pengambilan data secara real-time. Sistem ini dapat melakukan penjadwalan dan pengaturan jaringan banyakpersimpangan secarareal-time yang tidak bisa dilakukan oleh sistem pengaturan lampu lalu lintas konvensional. Penerapan klasifikasi di dalam sistem ini digunakan untuk meningkatkan akurasi dari pengenalan mobil. Proses klasifikasi diimplementasikan menggunakan tiga algoritma Jaringan Syaraf Tiruan, yakni Backpropagation, FLVQ, dan FLVQ-PSO. Berdasarkan hasil ujicoba, dapat ditunjukkan bahwa algoritma Backpropagationmemiliki performa akurasi yang lebih baik dibandingkan dua algoritma JST yang lainnya."

"ABSTRAKSistem pendeteksian wajah pada citra telah berkembang pesat sampai saat ini. Tujuan dari deteksi wajah adalah untuk mengindentifikasi dan menempatkan wajah manusia dengan pasisi. skala,oarientasi dan kondisi pencahayaan tertentu. Berbagai metode telah diajukan sampai saat ini. Salah satu pengembangan lebih lanjutnya adalah dengan menggunakan jaringan syaraf tiruan (neural network). Pada paper ini dibahas sistem deteksi wajah berdasarkan jaringan syaraf tiruan dengan metode training propagasi balik dengan momentum. Jaringan syaraf tiruan menguji setiap window dari citra, dan memmtukan apakah setiap window berisi wajah atau tidak. Setelah itu sistem menentukan window terbaik, yang akan disimpulkan sebagai wajah. Sistem inl dapat mendeteksi wajah frontal pada citra grayscale dengan latar belakang yang kompleks dan skala yang bervariasi. Agar dapat menguji citra masukan untuk ukuran wajah yang berbeda-beda, maka dilakukan metode piramida terhadap citra masukan. Pada skripsi ini, ststem deteksi dengan jaringan syaraf tiruan diuji dengan perubahan pada parameter jumlah lapisan tersembunyi dan jumlah epoch yang dilakukan pada proses training. Sistem akan dianalisa kinerjanya berdasarkan lamanya waktu deteksi serta ketepatan hasil proses deteksi. Dari hasil pengujian didapatkan waktu deteksi sangat dipenganthi oleh ukuran citra, dan ketepatan proses deteksi sangat dipengaruhi oleh jumlah lapisan tersembunyi dan banyaknya epoch pada proses training, serta karakteristik dari citra masukan

---

"

"It has been studied the forecasting of electric power peak load in the Indonesian electric system byusing Artificial Neural Network (ANAU) Back Propagation method with the study period is 2000 - 2025.The long-range forecasting of electric peak load is influenced by economic factors. in this study, it?sselected the economic data which is estimated very influence to forecasting, which in this case becomeinput ofAN1\L i. e.: Gross of Domestic Product (GDP) per-capita, Population, Amount of Households,Electrification Ratio, Amount of CO, Pollution, Crude Oil Price, Coal Price, Usage of Final Energy,Usage Qf Final Energy on Industrial Sector; and Average Electric Charges. Data used for study areactual data, start year 1990 up to 2000. Result of the peak load forecasting in the end of study (2025) byusing ANN is 85,504 MHC meanwhile the load forecasting in the National Electricity General lan(NEGP) is 79,920 MW (the difference of both is about 6. 6%). Based on ANN approach is obtained resultsthat the peak load forecasting in Indonesia in the year 2005, 2010, 2015, 2020 and 2025 are 16,516 MHC24,402 MHC 36, 15 7 MIK 56,060 MW and85,584 MW respectively."

"Dalam penelitian ini telah dikembangkan sistem pengelasan otomatis Tungsten Inert Gas (TIG) dengan menggunakan sensor vision pada pengelasan pipa aluminum. Penelitian ini mempelajari proses pengelasan cerdas pipa paduan aluminum 6063S-T5 dalam posisi tetap dengan obor las (welding torch) bergerak dan menggunakan mesin las AC. Model Jaringan Syaraf Tiruan (neural network) untuk pengendalian kecepatan pengelasan telah dikembangkan agar dapat bekerja secara otomatis. Untuk melatih Jaringan Syaraf Tiruan ini diperlukan cukup banyak data dari penelitian sehingga memerlukan waktu dan dana yang cukup besar. Penelitian ini menawarkan proses baru untuk memperkirakan dan mengendalikan penetrasi pengelasan dalam pengelasan pipa paduan aluminum. Penetrasi las diperkirakan dengan menggunakan metode perkiraan secara hibrida yaitu dengan mengombinasikan simulasi pengelasan dan pengamatan visual menggunakan sensor vision. Dari hasil eksperimen didapatkan bahwa sistem pengendalian cukup efektif untuk mendeteksi kolam las (molten pool) dan menghasilkan pengelasan yang baik.

---

This research has developed an automatic welding system Tungsten Inert Gas (TIG) using sensor vision on aluminum pipe welding. This research studied the process of intelligent welding of alloy pipe aluminum 6063S-T5 in a fixed position with a welding torch to move and use the AC welding machines. The neural network model to control the speed of the welding has been developed in order to work automatically. The neural network train need quite a lot of data from studies that require time and substansial funds. This research offers a new process for estimating and controlling welding penetration in welding of aluminum alloy pipe. Weld penetration was estimated by using the approximate hybrid method that combines the simulations of welding and visual inspection using sensor vision. The experiment results that the control system is effective enough to detect the molten pool and produce a good weld."