Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKTransmisi kopling ganda adalah salah satu teknologi transmisi yang menggabungkan antara transmisi otomatis dan transmisi manual pada kendaraan. Hal yang krusial pada sistem transmisi ini adalah proses pemilihan gigi sebelum gigi transmisi berpindah, yang dikenal dengan proses gear preselect. Penelitian ini menggunakan sistem Jaringan Saraf Tiruan untuk mengatur perpindahan gigi kendaraan dari gigi 1 ke gigi ke 2 dengan menggunakan model kendaraan BMW M3 E92 tahun 2015. Simulasi menggunakan JST dengan 2 lapisan jaringan tersembunyi dengan 10 neuron pada tiap jaringan tersembunyi. Hasil simulasi menunjukkan bahwa terdapat perbedaan akselerasi dan penggunaan bahan bakar. Akselerasi kendaraan dengan menggunakan JST adalah 5.83 m/s2 dan tanpa JST sebesar 3.83 m/s2. Sementara konsumsi bahan bakar sebesar 274.5 ml untuk kendaraan tanpa kendali JST selama 4 s dan untuk kendaraan dengan kendali JST 83.03 ml selama 4 s, dengan selisih sebesar 191.5 ml atau rata ndash; rata 3.77 ml per meter. Selisih ini menunjukkan konsumsi bahan bakar tanpa kendali JST lebih boros sebesar 40.49 per meter.

---

ABSTRACTDouble clutch transmission is one of the transmission technology that combines automatic transmission and manual transmission on the vehicle. The crucial thing in this transmission system is the process of selecting the teeth before the transmission gear shifts, known as the preselect gear process. This research uses Artificial Neural Network system to adjust the gearshift of vehicle from first gear to second gear using BMW M3 E92 vehicle model 2015. Simulation using ANN with 2 layer of hidden network with 10 neuron in each hidden network. The simulation results show that there is a difference in acceleration and fuel consumption. Acceleration of vehicles using ANN is 5.83 m s2 and without ANN of 3.83 m s2. While fuel consumption of 274.5 ml fuel usage for vehicle without ANN control for 4 s and for vehicles with control of ANN 83.03 ml for 4 s, with difference of 191.5 ml or average 3.77 ml per meter. This difference shows that fuel consumption without ANN control is more extravagant at 40.49 per meter."

"Dalam tulisan ini, dipaparkan hasil pengembangan system klasifikasi bentuk lengkung gigi berbasis algoritma propagasi balik jaringan saraf tiruan. Sejumlah fitur bentuk lengkung gigi dipilih sebagai input jaringan saraf tiruan berdasarkan hasil pengujian secara statistik terhadap variabel bentuk lengkung gigi. Piranti lunak dikembangkan terdiri dari sejumlah fitur yang digunakan untuk pengujian dan pelatihan JST, serta pengenalan bentuk lengkung berdasarkan parameter input yang diberikan oleh peng-guna. Eksperimen dilakukan terhadap data numerik hasil ekstraksi citra digital model cetakan lengkung gigi rahang atas sejumlah 190 orang pasien yang diambil secara acak. Citra lengkung gigi diperoleh dengan melakukan pemindaian terhadap model cetakan lengkung gigi tiga dimensi (3D) pasien ortodonti disejumlah klinik di Jakarta. Hasil uji coba menunjukkan bahwa 76,3158% berhasil diklasifikasikan dengan benar oleh sistem berbasis JST tersebut. Ke depannya sistem akan dikembangkan lebih optimal sehingga dapat digunakan untuk mendukung perawatan ortodonti.

---

AbstractIn this paper, dental arch form classification system using back propagation algorithm isproposed. Some features of dental arch are selected for neural network input based on statistical analysis to dependent variables of dental arch. The system contains some features for training and testing the neural network, and for recognizing the arch form based on input parameters. The experiment uses randomly selected data set contains 190 numerical data of upper dental arch that are extracted from dental modelimages. The images were obtained by scanning the original 3D dental models of Indonesian patient that were collected from some orthodontic clinics in Jakarta. This experimental result shows that 76,3158% of correctness in classifying the arch form can be reached by neural network system. The system can be applied for supporting the orthodontic treatment."

"Jaringan Saraf Tiruan (JST) terdiri dari operasi elemen-elemen sederhana secara paralel. Elemen-elemen ini terinspirasi oleh sistem saraf biologi. Di alam, fungsi jaringan pada umumnya merupakan hubungan antara elemen-elemen tersebut. Kita dapat melatih suatu JST untuk menampilkan fungsi khusus dengan memberikan nilai hubungan (bobot) antara elemen-elemen itu. Kemampuan dari JST inilah yang menjadi bahan kajian dalam tulisan ini. Untuk mensimulasikan JST, digunakan MATLAB. Salah satu kemampuan dari MATLAB adalah dapat menciptakan suatu program yang berorientasi pada objek, dikenal dengan istilah GUIDE. Pada tulisan ini akan dipaparkan kemampuan GUIDE MATLAB dalam menghasilkan program yang sangat membantu perhitungan, terutama dalam memprediksikan nilai konduktivitas termal Beton Ringan Aerasi. Salah satu tujuannya adalah membandingkan kemampuan dari JST dengan hasil eksperirnen. Pada akhir analisis, disimpulkan bahwa JST mampu melakukan pendekatan dalam memprediksi harga konduktivitas termal bahan yaitu Beton Ringan Aerasi. Pemilihan data metode belajar, struktur jaringan dari JST sangat mempengaruhi keakuratan terhadap hasil simulasi.

---

Artificial Neural Networks (NN) are composed of simple elements operating in parallel. These elements are inspired by biological nervous systems. As in nature, the network function is determined largely by the connections between elements. We can train a NN to perfomt a particular function by adjusting the values of the connections (weights) between elements. The ability of this NN becomes the study materials in this writing. MATLAB used to simulate JST. One of the advantages of MATLAB that it can create a program in object oriented, known as GUIDE. In this paper will introduce the ability of MATLAB GUIDE in producing a program which is helpful in calculation, especially to predict the value of thermal conductivity of Autoclaved Aerated Concrete. One of the goals is to compare the ability of JST with experiment. By the end of analysis, it is concluding that NN can conduct the approach in prediction of price of thermal conductivity in this case is Autoclaved Aerated Concrete. The elections of training data., structure network from NN is very influencing of accuracy to the result."

"Skripsi ini membahas tentang Sistem Pengenalan Kendaraan dengan menggunakan Jaringan Saraf Tiruan (JST). Sistem yang digunakan bersifat off-line, dalam arti bahwa sistem tidak bekeda langsung pads saat kendaraan memasuki suatu tempat lalu sekaligus diambil citranya akan tetapi bekerja dengan pola citra statis kendaraan itu sendiri. Sistem jugs bersifat khusus dan terbatas hanya untuk mengenali 4 jenis kendaraan : sedan, jip, wagon dan mini. Sistem tidak dikembangkan untuk mengenali kendaraan dengan ukuran besar seperti trek dan bus. Jaringan yang dipakai pada skripsi ini disusun dengan topologi kaskade yang menggabungkan antara topologi JST Kohonen SOM dengan topologi JST Backpropagation. Kohonen SOM belajar dalam mode tak disupervisi, yang mampu melakukan proses pemisahan setup data masukan yang berlainan. Masing-masing data masukan dipetakan dengan data keluaran kemudian diajarkan kepada jaringan Backpropagation - bekerja dalam mode disupervisi -, yang kemudian mengingat pola pemetaan data masukan menjadi data keluaran tanpa melalui pendefirusian fungsi pemetaan. Dengan menggabungkan Kohonen SOM dan Backpropagation, diharapkan akaa aiperoleh hasil yang lebih balk daripada bila kedua topologi tersebut bekeda sendiri-sendiri."

"ABSTRAKPola sidik jari yang merupakan salah satu chi khas dari masing-masing individu yang tidak akan berubah dan berkaitm dengan genetika dan memiliki pola berbeda, maka dalarn penelitian ini mencitrakan bahwa terdapat perbedaan pola sidik jari anak penyandang autis terhadap anak yang normal. Pada anak penyandang autis kebanyakan memiliki pola whorl serta pola pada jari kanan dan jari kiri tidak simetris, sedangkan pada anak normal kebanyakan pola jari lrenan dan jari kiri memiliki kesimetrisan. Dalam penelitiaan ini menghasilkan recognition rate dala training dengan Laju pembeLajaran a.U,2 dan epoc = 1000 tanpa PCA sebesar 98,51"A. dengan PCA sebesar 100% dan menghasilkan recognition rote data testing dengan laju pembelajaran a = 0,2 dan epoch=1000 tmpa PCA sebesar 78,33% dengan PCA sebesar 68,34%. Dengan demikian metoda jaringan saraf tiruan dapat digunakan untuk identifikasi anak autis dengan keakuratan 78.33%

---

ABSTRACTThe pattern of fingerprint is the which one of characteristic of a each individual that wm not be change and related with the genetics and also has a different pattern. so in this research differences finger print patterns from children with autism to normal kids. In most children with autism have a whorl pattern and the pattern of the finger right and left finger is not symmetrical pattern, where as in normal children most of the pattern off finger left and right finger has a symmetry. In this thesis result the recognition data rate training without the PCA 'Whith learning rate "

"Jaringan saraf merupakan jaringan yang terdapat pada semua bagian tubuh, tidak terkecuali pada gigi. Keberadaan saraf pada gigi inilah yang membuat penderita penyakit gigi mengalami rasa nyeri yang cukup hebat. Kadar rasa sakit yang dialami oleh setiap penderita penyakit gigi berbeda-beda, diduga bergantung pada jumlah kemunculan isoform Nav 1.8 pada paranodus jaringan saraf. Akan tetapi, untuk melakukan pendeteksian paranodus cukup sulit dan diperlukan waktu yang cukup lama untuk melakukan penilaian kandungan Nav 1.8. Tujuan dari penelitian ini adalah untuk melakukan segmentasi citra jaringan saraf gigi hasil eksperimen drg. Didi Santosa.Hasil segmentasi tersebut dapat digunakan untuk mendeteksi region of interest (ROI) yang berupa paranodus. Selain itu, hasil penelitian ini juga dapat digunakan untk membantu penentuan kandungan Nav 1.8 di dalam nodus ranvier (celah antar paranodus). Setelah dilakukan eksplorasi terhadap beberapa kemungkinan metode, dipilih metode segmentasi thresholding sebagai bagian dari tahapan proses pendeteksian paranodus ini. Proses pengenalan paranodus terdiri dari beberapa tahapan, yaitu: pemisahan layer, filtering, thresholding, image enhancement berupa operasi morfologi dan median filter, component labeling, dan seleksi ROI berdasarkan kriteria ukuran, jarak, bentuk, dan gradien.Pada penelitian ini juga dilakukan perbandingan antara pemrosesan yang tidak menggunakan local enhancement dan yang menggunakan local enhancement. Local enhancement merupakan metode pengembangan dari metode non-local enhancement yang berupa peningkatan kualitas citra secara lokal dengan menggunakan fungsi transformasi intensitas. Tujuannya adalah untuk mengakomodasi karakteristik intensitas warna paranodus yang bersifat lokal. Akurasi hasil pendeteksian paranodus antara metode tersebut dibandingkan satu sama lain dengan menggunakan citra acuan. Pengukuran kinerja metode pendeteksian paranodus dilakukan dengan menggunakan konsep false negative. ujicoba yang dilakukan menunjukkan metode pendeteksian paranodus memiliki persentase sensitivity antara 50%-75%."