Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Pada Skripsi ini direkayasa sistem identifikasi tanda tangan menggunakan jaringan syaraf tiruan dengan berbasis perangkat pemrograman MATLAB. Sistem ini mengenali citra tanda tangan seperti atau bahkan lebih baik dari daya persepsi manusia dibutuhkan perangkat pemrograman dengan kemampuan manipulasi numerik yang cepat dan akurat karena citra dalam format dijital direpresentasi dalam bentuk matriks angka. Belakangan ini tersedia perangkat pemrograman yang mampu memenuhi persaratan tersebut yaitu MATLAB (Mathematic Laboratory). Perangkat pemrograman ini sangat luas penggunaannya karena kemampuan manipulasi numeriknya yang baik dan kesederhanaan sistemnya. Pengambilan citra, pengolahan citra, pembentukan jaringan dan pelatihan jaringan dilakukan berbasis perangkat pemrograman MATLAB. Diharapkan sistem ini dapat bekerja dengan baik mengenali citra tanda tangan asli dan palsu yang dimasukan sebagai citra pelatih dan penguji jaringan sayaraf tiruan.

---

This Thesis create a signature recognition system using artificial neural network based MATLAB programming platform. Image aquisition, image extraction, image processing, network implementation and network training conducted based on MATLAB programming platform. The signature recognition system that could recognize the signature image as good as or better that human description ability required a programming platform with fast and acurate numerical manipulation process because of an image in digital form was represented by a matrix of number. Lately, a programming platform that fit the requirement is availabe which is MATLAB (Mathematic Laboratory). This programming platform has a extensive utilization because of its fine numerical manipulation ability and its system modesty. The system is expected to be able to perform well on identifying and distinguish original signature iamge and its forgery that feed to the artificial neural network as image trainer and image tester."

"=Memberikan proteksi terhadap kemungkinan terjadinya kerugian merupakan hal yang sangat penting dalam perusahaan asuransi. Dalam bisnis asuransi, menghitung cadangan adalah suatu tindakan yang wajib dilakukan untuk mengantisipasi klaim polis asuransi yang tidak terduga. Setiap perusahaan asuransi tentu harus mengestimasi cadangan klaim yang dibutuhkan. Chain Ladder merupakan salah satu cara menghitung cadangan klaim yang telah digunakan secara luas dalam industri asuransi. Dengan menggunakan data masa lalu, cadangan klaim dihitung dengan mengestimasi faktor perkembangan klaim yang dibayarkan dari waktu ke waktu. Perusahaan asuransi dapat memperoleh gambaran mengenai besarnya modal yang harus disiapkan untuk mengatasi klaim yang dapat saja terjadi. Adapun perusahaan juga dapat melakukan estimasi cadangan klaim yang lebih baik dengan memanfaatkan informasi mengenai informasi individu yang berkaitan dengan klaim yang dibayarkan. Salah satu metode yang dapat digunakan untuk mengkombinasikan informasi individu dengan data pembayaran klaim adalah dengan menggunakan model Neural Network, yang akan menghitung faktor perkembangan klaim berdasarkan kedua informasi tersebut. Faktor perkembangan melalui model Neural Network tersebut digunakan pada metode Chain ladder untuk menghitung cadangan klaim yang dibutuhkan. Secara umum, tugas akhir ini membahas mengenai metode Chain Ladder yang memanfaatkan model Neural Network. Di akhir tugas akhir ini, dilakukan simulasi numerik yang menggunakan data klaim dari salah satu perusahaan asuransi di New York. Didapatkan hasil bahwa dengan menggunakan metode Chain Ladder saja didapatkan cadangan klaim sebesar 42,705 juta dollar dan dengan menggunakan model Neural Network serta Chain Ladder didapatkan cadangan klaim sebesar 44,708 juta dollar.

---

Providing protection against payment problems is very important in insurance company. In the insurance business, calculating claims reserves is an action that must be taken to submit unexpected insurance policy claims. Each insurance company must estimate the required claims reserves. Chain Ladder is one way to calculate claims reserves that have been widely used in the insurance industry. By using past data, claims reserves have been calculated by estimating development factor of claims that have been paid from time to time. So insurance companies can get a picture of the amount of capital that must be prepared to deal with claims that can occur at any time. Each company can provide a better claim estimate by using information about individual information related to supported claims. One method that can be used to combine individual information with payment data claims using the Neural Network model, which calculate the development factors of claims based on that information. The development factors through the Neural Network model are used in the Chain ladder method to calculate the required claims reserves. In general, this thesis discuss the Chain Ladder method that uses the Neural Network model. The claims reserves results obtained that by using the Child Ladder method amounted to 42.705 million dollars and by using the Neural Network model and the Chain Ladder obtained claim reserves of 44.708 million dollars."

"Tesis ini bertema tentang optimasi dari sistem chiller adsorpsi untuk mencari koefisien performa (COP) dan kapasitas pendinginan. Optimasi dilakukan dengan menggunakan gabungan antara jaringan saraf tiruan dan algoritma genetika (GA). Simulasi yang dilakukan adalah pengembangan sistem chiller adsorpsi yang data simulasinya sudah pernah di validasi dengan data eksperimen sebelumnya. Parameter laju alir massa, temperatur, dan waktu siklus divariasikan sebagai variabel penentu. Sementara COP dan kapasitas pendinginan mejadi fungsi objektifnya. Pada tesis ini, jaringan saraf tiruan yang terbentuk menunjukkan bahwa error terkecil jaringan yang terbentuk adalah 0.001532624 atau 0.153%. Hal ini menyatakan bahwa jaringan yang terbentuk dapat memprediksi fungsi objektif COP dan SCP dengan tingkat akurasi sebesar 99.85. Selisih (error) terkecil titik optimum prediksi jaringan saraf tiruan chiller adsorpsi dua bed Silica Gel 123 dan Air dengan nilai simulasi software-nya sebesar 0.027 untuk SCP dan 0.034 untuk nilai COP.

---

The optimization of adsorption chiller system that purposed to approach the optimal coefficient of performance (COP) and cooling capacity is presented in this thesis. The combination of artificial neural network (ANN) and genetic algorithm (GA) is applied to optimize the simulation of adsorption chiller. The adsorption chiller system simulation is an integrated two adsorption bed that developed from previous simulation and experiment that had been done. In this thesis, mass flow, temperature, and time cycle are varied and considered as decision variable while the COP and cooling capacity is chosen as the objective function.

In this thesis, the artificial neural network that formed presents the smallest network error is 0.001532624 or 0.153. This states that the formed network can predict the objective functions of COP and SCP with an accuracy rate of 99.85. The smallest optimum point difference (the error) between the value prediction of neural network adsorption chiller two bed Silica Gel 123 and Water and the software simulations value is 0.027 for SCP and 0.034 for COP."

"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."

"Dengan terus bertambahnya industri pada berbagai bidang, membuat konsumen memiliki banyak pilihan ketika memilih barang atau jasa. Oleh karena itu dibutuhkan suatu cara agar dapat menghasilkan barang dengan tepat. Hal inilah yang menjadi peranan dari sebuah metode peramalan permintaan. Terdapat banyak cara dalam melakukan peramalan, namun cara manakah yang dapat memberikan hasil yang terbaik. ANN dan SVR merupakan salah satu cara yang memberikan hasil peramalan terbaik. Dalam penelitian ini, dibandingkan antara metode ANN dan SVR dengan metode tradisional. Dari enam jenis data yang digunakan empat menunjukan ANN memberikan peramalan terbaik, dan satu menunjukan SVR memberikan peramalan terbaik.

---

With the continuous increase of industry in many fields, making consumers to have many choices when choosing goods or services. Because of that, we need some way to produce good with the correct amount. This is the role of a demand forecast method. There are many methods in demand forecast, but which method that give the best result. ANN and SVR are one of many methods that will give the best forecast result. In this research, ANN and SVR method will be compared to the traditional methods. From six kinds of data that is used, four show that ANN give the best forecast result, and one shows SVR give the best forecast result."

"The objective of this study is to determine the solar energy potential in Indonesia using artificial neural networks (ANNs) method. In this study, the meteorological data during 2005 to 2009 collected from 3 cities (Jakarta, Manado, Bengkulu) are used for training the neural networks and the data from 1 city (Makasar) is used for testing the estimated values. The testing data were not used in the training of the network in order to give an indication of the performance of the system at unknown locations. Fifteen combinations of ANN models were developed and evaluated. The multi layer perceptron ANNs model, with 7 inputs variables (average temperature, average relative humidity, average sunshine duration, longitude, latitude, latitude, month of the year) are proposed to estimate the global solar irradiation as output. To evaluate the performance of ANN models, statistical error analysis in terms of mean absolute percentage error (MAPE), mean absolute bias error (MABE) and root mean square error (RMSE) are conducted for testing data. The best results of MAPE, MABE, RMSE are found to be 7.4%, 1.10 MJ/m2 and 0.17 MJ/m2 respectively as 7 neurons were set up in the hidden layer. The result demonstrates the capability of ANN model to generate the solar irradiation estimation in Indonesia."

"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."