Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kontrol Daya Terpisah dalam Jaringan Heterogen. Dalam jaringan heterogen (HetNets) di mana BTS femtocell (FBS) dikerahkan dalam cakupan radio BTS macrocell (MBS) untuk meningkatkan kapasitas jaringan, interferensi saluran bersama (co-channel) membatasi kinerja sistem secara keseluruhan dengan menggunakan kembali frekuensi universal. Makalah ini menyelidiki skema kontrol daya terpisah downlink yang baru didistribusikan untuk FBS di HetNets dengan kerjasama sejumlah FBS. Tujuan dari skema kontrol listrik yang diusulkan adalah untuk memaksimalkan jumlah transmisi FBS simultan dalam saluran nirkabel transmisi tunggal di mana setiap FBS diperbolehkan untuk mengirimkan hanya jika persyaratan rasio signal-to-interference-noise (SINR) untuk kedua FBS dan pengguna MBS terpenuhi. Kami menerapkan teknik stochastic learning automata untuk FBS, di mana setiap FBS diperlakukan sebagai learning automaton dan mempertahankan vektor probabilitas untuk memilih daya pancar terpisah. Selama proses belajar, masing-masing FBS menyesuaikan vektor probabilitas berdasarkan umpan balik dari FGW yang menunjukkan jumlah transmisi FBS yang dapat didukung di bawah kendala persyaratan SINR dari FUE dan MUE. Hasil simulasi menunjukkan algoritma yang diusulkan dapat mencapai lebih dari dua kali jumlah transmisi FBS simultan yang dicapai berbagai skema lain yang ada dalam literatur.

---

In heterogeneous networks (HetNets) where femtocell base stations (FBSs) are deployed within the radio coverage of macrocell base stations (MBSs) to increase network capacity, co-channel interference limits overall system performance with universal frequency reuse. This paper investigates new distributed downlink discrete power control scheme for FBSs in HetNets with FBSs cooperation. The objective of the proposed power control scheme is to maximize the number of simultaneous FBSs transmissions in a single transmission wireless channel where each FBS is allowed to transmit only if the signal-to-interference-noise ratio (SINR) requirements for both FBSs and MBS users are satisfied. We apply a stochastic learning automata technique to FBSs where each FBS is treated as a learning automaton and maintains a probability vector to select its discrete transmit power. During the learning process, each FBS adjusts its probability vector based on the feedback from FGW that indicates the number of FBSs transmissions that can be supported under the SINR requirement constraints of FUEs and MUEs. Simulation results show the proposed algorithm can achieve more than twice the number of simultaneous FBS transmissions achieved by existing schemes in the literature."

"Event Extraction merupakan salah satu tugas dalam sistem ekstraksi informasi yang bertujuan untuk menemukan kumpulan informasi event dari suatu dokumen. Informasi tersebut dapat berupa informasi pihak-pihak yang terlibat, tempat kejadian, waktu, dan segala informasi yang terkait dengan event. Penelitian ini bertujuan untuk melakukan proses ekstraksi event (event pertemuan) pada teks berbahasa Indonesia. Dari event pertemuan tersebut, informasi yang dicari adalah informasi pihak yang terlibat (person), tempat (location), serta waktu (time) terjadinya event. Ekstraksi dilakukan dengan menggunakan pendekatan machine learning. Sedangkan metode machine learning yang digunakan adalah association rules, decision tree, dan neural networks. Penelitian bertujuan untuk melihat perbandingan kinerja ketiga metode tersebut terhadap ekstraksi event. Uji coba dilakukan pada artikel-artikel media massa online dari Kompas, Jawa Pos, Republika, dan Sinar Harapan. Pada ekstraksi event, diketahui bahwa metode decision tree menunjukkan kinerja yang lebih baik dibandingkan metode association rules dan metode neural networks dengan F-measure mencapai 83,95%. Metode association rules menunjukkan kinerja yang lebih baik dibandingkan dengan metode neural networks dengan F-measure masing-masing sebesar 82,41% dan 81,57%."

"Penelitian ini bertujuan untuk meningkatkan prediksi time series pada jaringan seluler dengan memasukkan variabel lagged ke dalam model peramalan yang berbeda. Penelitian ini berfokus pada memprediksi Total Traffic Volume (Payload) pada jaringan seluler menggunakan model statistik dan machine learning. Teknik feature engineering melibatkan pemilihan variabel lagged, termasuk beban PRB, CQI, dan pengguna RRC, bersama dengan variabel waktu. Model yang memasukkan variabel lagged tambahan, yaitu SARIMAX, LSTM Multi, dan SVR Multi, memiliki performa lebih baik daripada model sebanding univariat tambahan, dengan hasil RMSE yang lebih rendah, MAE yang lebih rendah, dan nilai R-squared yang lebih tinggi. Penelitian ini menekankan pentingnya memasukkan variabel lagged dan menghitung peningkatan akurasi peramalan pada model multi-variabel dibandingkan dengan model variabel tunggal. Temuan ini berkontribusi pada pemahaman tentang peramalan time series pada jaringan seluler dan memberikan panduan untuk prediksi traffic volume yang akurat.

---

This research aims to improve time series prediction in cellular networks by incorporating lagged variables into different forecasting models. The study focuses on predicting the Total Traffic Volume (Payload) in cellular networks using statistical and machine learning models. Feature engineering involves selecting lagged variables, including PRB load, CQI, and RRC users, along with time variables. The models incorporating additional lagged variables, namely SARIMAX, LSTM Multi, and SVR Multi, outperform their counterparts without additional variables, resulting in lower RMSE, MAE, and higher R-squared values. The study highlights the importance of incorporating lagged variable and calculates the improvement of forecasting accuracy at multi-variable models compared to single variable models. These findings contribute to the understanding of time series forecasting in cellular networks and provide insights for accurate traffic volume prediction."

"Salah satu aspek pertahanan negara yang cukup penting adalah pertahanan udara negara. Sayangnya, Industri Pertahanan Indonesia masih cukup kurang mendukung. Salah satu isu yang diakibatkan oleh masalah ini adalah kurang berkembangnya teknologi pertahanan udara di Indonesia dibanding dengan negara-negara lain, seperti teknologi pengendalian pesawat, seperti Unmanned Aerial Vehicle (UAV). Oleh karena ini, diperlukan pengembangan teknologi pengendalian pesawat yang mandiri dan bersetara dengan pihak luar negeri. Dinamika penerbangan merupakan masalah yang bersifat non-linear, time-varying, memiliki coupling, dan terefek oleh gangguan eksternal. Untuk memecahkan masalah ini, diperlukan pengendali pesawat berbasis metode Direct Inverse Control. Direct Inverse Control memerlukan sistem identifikasi dari sistem yang ingin dikendalikan agar dapat mengembangkan neural network inverse. Pada penelitian ini, diajukan sistem identifikasi pesawat Cessna-172P berbasis Deep Neural Network dan Recurrent Neural Network. Kinerja kedua sistem identifikasi sudah cukup dalam mereplikasikan dinamika penerbangan pesawat Cessna-172P. Dari analisis kinerja kedua sistem identifikasi, sistem identifikasi berbasis recurrent neural network menghasilkan kesahalan prediksi yang lebih rendah, tetapi menggunakan daya dan waktu komputasi yang lebih banyak.

---

One important aspect of national defense is the country's air defense. Unfortunately, the Indonesian Defense Industry still lacks sufficient support. One issue resulting from this problem is the underdevelopment of air defense technology in Indonesia compared to other countries, such as aircraft control technology like Unmanned Aerial Vehicles (UAV). Therefore, the development of independent aircraft control technology that is on par with foreign counterparts is needed. Flight dynamics pose nonlinear, time-varying challenges with coupling and are affected by external disturbances. To address this problem, an aircraft controller based on the Direct Inverse Control method is required. Direct Inverse Control necessitates system identification of the desired controlled system to develop an inverse neural network. In this study, a Deep Neural Network and Recurrent Neural Network-based identification system for the Cessna-172P aircraft is proposed. Both identification systems perform well in replicating the flight dynamics of the Cessna-172P aircraft. From the performance analysis of both identification systems, the recurrent neural network-based identification system produces lower prediction errors but requires more computational power and time."

"Banyak sekali variabel nonlinear didalam sistem kendali untuk quadcopter sehingga cukup rumit untuk mengendalikan dinamika penerbangan dari wahana ini. Salah satu metode yang digunakan untuk membangun model dinamik quadcopter adalah Deep Learning berbasis Long Short-Term Memory. Metode pembelajaran yang umum digunakan dalam melatih model adalah offline learning, dimana pelatihan dilakukan secara akumulatif berdasarkan dataset yang telah dimiliki. Walaupun offline learning memungkinkan model belajar lebih cepat, metode ini menghasilkan model yang kurang baik untuk wahana yang membutuhkan feedback dengan kompleksitas tinggi. Untuk menangani masalah tersebut akan dikembangkan metode online learning, dimana data diperoleh secara sekuensial dan digunakan untuk memperbarui model di setiap timestep. Akan ditunjukkan bahwa metode online learning dapat memperbaiki model yang diperoleh dari metode offline learning berdasarkan Mean Square Error dari setiap jenis data quadcopter. ..... There are so many nonlinear variables in the control system for the quadcopter so it is quite complicated to control the flight dynamics of this vehicle. One of the methods used to build a dynamic quadcopter model is Deep Learning based on Long Short-Term Memory. The learning method commonly used in training the model is offline learning, where training is carried out accumulatively based on the existing dataset. Although offline learning allows for faster learning models, this method results in poor models for vehicles that require high complexity feedback. To deal with this problem, an online learning method will be developed, where data is obtained sequentially and used to update the model at each time step. It will be shown that the online learning method can improve the model obtained from the offline learning method based on the Mean Square Error of each quadcopter data type."

"Machine Learning (ML) telah menjadi salah satu teknologi yang sangat populer. Hal ini memungkinkan ML untuk diaplikasikan dalam sistem industri otomasi, seperti pengendalian ketinggian air pada coupled tank. Penelitian ini bertujuan untuk mengevaluasi kinerja metode reinforcement learning, khususnya proximal policy optimization (PPO), dalam mengendalikan ketinggian air pada sistem coupled tank, serta membandingkannya dengan metode pengendalian konvensional, yaitu proporsional derivative integral (PID) controller. Pemilihan PPO didasari oleh kemampuannya dalam menyelesaikan permasalahan kontinu dengan komputasi yang sederhana. Penelitian dilakukan dengan membuat sistem pengendalian ketinggian air pada coupled tank menggunakan perangkat-perangkat seperti control valve, programmable logic controller (PLC), DAQ card, dan water level transmitter. Perangkat-perangkat tersebut dihubungkan dengan MATLAB/Simulink menggunakan OPC server melalui PLC sebagai interface. Hasil penelitian menunjukkan bahwa respon pengendalian menggunakan metode PPO memiliki overshoot sebesar 49.26%, rise time sebesar 104 detik, settling time sebesar 306 detik, dan steady state error sebesar 5.4%. Sementara itu, metode PID memiliki nilai overshoot yang lebih rendah (38.52%), tetapi nilai rise time, settling time, dan steady state error yang lebih tinggi (masing-masing sebesar 118 detik, 502.4 detik, dan 24.62%). Dengan demikian, performa PPO secara relatif lebih baik daripada PID dalam mengendalikan ketinggian air pada coupled tank.

---

Machine Learning (ML) has become one of the most popular technologies. It enables ML to be applied in automation industry systems, such as controlling water levels in coupled tanks. This study aims to evaluate the performance of reinforcement learning methods, specifically proximal policy optimization (PPO), in controlling water levels in coupled tank systems, and compare it with conventional control methods, namely proportional derivative integral (PID) controller. The selection of PPO is based on its ability to solve continuous problems with simple computations. The research was conducted by creating a water level control system in coupled tanks using devices such as control valves, programmable logic controllers (PLC), DAQ card, and water level transmitters. These devices were connected to MATLAB/Simulink using an OPC server through PLC as an interface. The research results show that the control response using the PPO method has an overshoot of 49.26%, a rise time of 104 seconds, a settling time of 306 seconds, and a steady state error of 5.4%. Meanwhile, the PID method has a lower overshoot value (38.52%), but higher rise time, settling time, and steady state error values (118 seconds, 502.4 seconds, and 24.62%, respectively). Thus, the performance of PPO is relatively better than PID in controlling water levels in coupled tanks."

"The two-volume set LNCS 7552 + 7553 constitutes the proceedings of the 22nd International Conference on Artificial Neural Networks, ICANN 2012, held in Lausanne, Switzerland, in September 2012. The 162 papers included in the proceedings were carefully reviewed and selected from 247 submissions. They are organized in topical sections named, theoretical neural computation, information and optimization, from neurons to neuromorphism, spiking dynamics, from single neurons to networks, complex firing patterns, movement and motion, from sensation to perception, object and face recognition, reinforcement learning, bayesian and echo state networks, recurrent neural networks and reservoir computing, coding architectures, interacting with the brain, swarm intelligence and decision-making, mulitlayer perceptrons and kernel networks, training and learning, inference and recognition, support vector machines, self-organizing maps and clustering, clustering, mining and exploratory analysis, bioinformatics, and time weries and forecasting."

"The two-volume set LNCS 7552 + 7553 constitutes the proceedings of the 22nd International Conference on Artificial Neural Networks, ICANN 2012, held in Lausanne, Switzerland, in September 2012. The 162 papers included in the proceedings were carefully reviewed and selected from 247 submissions. They are organized in topical sections named, theoretical neural computation, information and optimization, from neurons to neuromorphism, spiking dynamics, from single neurons to networks, complex firing patterns, movement and motion, from sensation to perception, object and face recognition, reinforcement learning, bayesian and echo state networks, recurrent neural networks and reservoir computing, coding architectures, interacting with the brain, swarm intelligence and decision-making, mulitlayer perceptrons and kernel networks, training and learning, inference and recognition, support vector machines, self-organizing maps and clustering, clustering, mining and exploratory analysis, bioinformatics, and time weries and forecasting."

"ABSTRACTBackpropagation neural network merupakan salah satu algoritme machine learning yang mengizinkan sebuah mesin untuk melakukan pembelajaran dari sekumpulan data, sehingga tidak perlu diprogram secara eksplisit. Namun, backpropagation neural network yang baik memerlukan proses pembelajaran dengan waktu lama dengan data dalam jumlah banyak. Penelitian ini akan merancang sebuah program backpropagation neural network yang dapat dieksekusi secara paralel untuk mendapatkan waktu eksekusi yang lebih cepat. Pembuatan program ini dilakukan menggunakan OpenMP API dalam bahasa pemrograman C. Hasil pengujian membuktikan bahwa adanya pengurangan waktu eksekusi, yakni secara berurutan sebesar 2,2653 detik dan 0,5838 detik untuk masing-masing mesin pengujian yang digunakan, untuk pertambahan setiap jumlah thread yang bekerja pada program. Namun, program masih memiliki skalabilitas yang kurang bagus dikarenakan oleh terjadinya fenomena false sharing pada program. Program memiliki sifat kenaikan waktu eksekusi linier sebesar 0,9263 detik untuk setiap pertambahan jumlah sampel input. Hal ini dikarenakan oleh pertambahan jumlah sampel hanya menambah jumlah data yang harus diproses program saja. Sedangkan, program memiliki sifat kenaikan waktu eksponensial sebesar e0,0103 detik untuk setiap pertambahan jumlah dimensi sampel input. Hal ini dikarenakan oleh pertambahan jumlah dimensi tidak hanya menambah jumlah data yang harus diproses saja, melainkan juga menambah sejumlah variabel yang bekerja pada program yang menimbulkan pertambahan komputasi pada setiap sampel input.

---

ABSTRACTBackpropagation neural networks is one of many machine learning algorithms that allows a machine to do a learning process from a set of data, instead of programming it explicitly. However, a good backpropagation neural network program needs a lot amount of learning time and involves huge amount of data. This experiment made a backpropagation neural network program that can be executed in parallel fashion in order to reduce its execution time using OpenMP API in C programming language. The program rsquo s test results show that there are 2.2653 and 0.5838 second execution time decreases, each corresponds to each testing machine, for every thread added to the program. However, the program rsquo s scalability is not good enough due to false sharing phenomenon that appeared in time of execution. Program has a 0.9263 second linear execution time increase for every input samples added to the program. This is because of the addition will only effect on how much data the program needs to process. However, the program has an e0.0103 second exponential execution time increase for every input sample rsquo s feature added. This is because of the addition will not only effect on how much data that needs to be processed, but also generate some additional variables involved inside program which affects the computational process of each input sample."

"Michie and Chambers’ BOXES methodology created a black box system that was designed to control a mechanically unstable system with very little a priori system knowledge, linearization or approximation. All the method needed was some notion of maximum and minimum values for the state variables and a set of boundaries that divided each variable into an integer state number. The BOXES methodology applies the method to a variety of systems including continuous and chaotic dynamic systems, and discusses how it may be possible to create a generic control method that is self organizing and adaptive that learns with the assistance of near neighbouring states."