Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Di Indonesia, dengue telah menjadi salah satu penyakit yang bersifat hiperendemis. Dengue diderita oleh masyarakat dari berbagai kalangan usia, baik pria maupun wanita. Dengue memiliki manifestasi klinis yang terdiri dari tiga fase: fase demam, fase kritis, dan fase penyembuhan. Banyak pasien dengue meninggal pada fase kritis karena pengobatan yang tidak dilaksanakan tepat waktu. Oleh karena itu, dibangunlah model-model yang dapat memprediksi tingkat keparahan dengue berdasarkan hasil uji laboratorium dari pasien yang bersangkutan menggunakan Artificial Neural Network (ANN) dan Analisis Diskriminan (AD). Dalam pembangunan model-model tersebut, digunakan data dengan jumlah yang sangat kecil, yakni sebesar 77 data. Dalam data tersebut, terdapat informasi mengenai hasil uji laboratorium dan diagnosis dari pasien yang bersangkutan. Diagnosis tersebut dikelompokkan ke dalam tiga kategori keparahan dengue, yakni DF sebagai tingkat ringan, DHF grade 1 sebagai tingkat sedang, dan DHF grade 2 sebagai tingkat parah. Dalam penelitian ini, dilakukan tiga pemisahan data, yakni dengan rasio data training : data testing sebesar 70% : 30%, 80% : 20%, and 90% : 10%. Berdasarkan hasil yang diperoleh, model-model prediksi ANN yang dibangun menggunakan fungsi aktivasi logistik dan tangen hiperbolik dengan persentase data training sebesar 70% menghasilkan akurasi (90.91%), sensitivitas (91.11%), dan spesifisitas (95.51%) tertinggi. Model-model tersebutlah yang diajukan dalam penelitian ini. Model-model tersebut akan mampu membantu para dokter dalam memprediksi tingkat keparahan dengue dari pasien yang bersangkutan sebelum memasuki fase kritis. Lebih jauh, model-model tersebut dapat memudahkan para dokter dalam mengobati pasien dengue secara dini, sehingga kasus-kasus fatal atau kematian dapat dihindari.

---

In Indonesia, dengue has become one of the hyperendemic diseases. Dengue is being suffered by many people of all ages, both men and women. Dengue has clinical manifestations that are divided into three phases: febrile phase, critical phase, and convalescence phase. Many patients have died in the critical phase due to the lack of timely treatment. Therefore, I developed models that can predict the severity of dengue based on the corresponding patients’ laboratory test results using Artificial Neural Network (ANN) and Discriminant Analysis (DA). In developing the models, I used a very small dataset, which only consisted of 77 data. The data contains information regarding the laboratory test results and the diagnosis of each of the corresponding patients. The diagnoses were classified into three categories of dengue severity, which are DF as the mild level, DHF grade 1 as the intermediate level, and DHF grade 2 as the severe level. I conducted three different data split, that is, with the ratio of training : testing = 70% : 30%, 80% : 20%, and 90% : 10%. It is shown that ANN models developed using logistic and hyperbolic tangent activation function with 70% training data yielded the highest accuracy (90.91%), sensitivity (91.11%), and specificity (95.51%). These ANN models are the proposed models in this research. The proposed models will be able to help physicians predict the dengue severity of a corresponding patient before entering the critical phase. Furthermore, it will ease physicians in treating dengue patients early, so deaths or fatal cases can be avoided."

"Penelitian ini membahas tentang perancangan sistem identifikasi pada sistem dinamik kapal Makara 03 dengan konfigurasi multi masukan dan multi keluaran. Penelitian ini merancang berbagai metode perombakan struktur Jaringan Saraf Tiruan (JST) baik metode sekuensial maupun fungsional untuk dapat menangkap dinamik yang ada pada dinamik kapal Makara 03. Metode-metode pada JST yang dibuat akan dibandingkan dengan hasil dari model matematika yaitu Transfer Function dan State Space untuk membuktikan keberhasilan dan keunggulan JST dalam membuat sistem identifikasi. Hasil dari perbandingan tersebut membuktikan semua metode yang dihasilkan pada penelitian ini mendapatkan hasil yang lebih baik dibandingkan dengan model matematika konvensional.

---

This research discusses the design of the identification system on the dynamic system of the Makara 03 ship with a multi-input and multi-output configuration. This study designed various structural reshuffle methods for sequensial and functional model of Artificial Neural Network (ANN) to be able to capture the dynamics of Makara 03. The methods in the ANN that were made will be compared with the results of mathematical models namely Transfer Function and State Space for prove the success and superiority of ANN in making identification systems. The results of this comparison prove that all the ANN methods produced in this study get better results compared to conventional mathematical models."

"Identifikasi sistem dinamik merupakan tahapan awal dalam melakukan perancangan algoritma kendali pada suatu sistem dinamik. Namun, pada sistem dinamik yang multivariabel, tidak linier dan kopling tinggi-seperti pada misil AIM-9L Sidewinder-identifikasi sistem dinamik umumnya akan gagal dan sering terjadi simplifikasi pada sistem yang diidentifikasi, seperti dekopling dan linearisasi sistem. Pada penelitian ini, identifikasi sistem dinamik misil dilakukan dengan menggunakan algoritma artificial neural network dengan harapan karakteristik sistem dinamik tetap terjaga dengan baik. Penerbangan misil dilakukan dengan menggunakan simulator X-Plane dan akuisisi data penerbangannya dilakukan menggunakan bahasa pemrogramman python. Penerbangan dilakukan dengan sinyal referensi swept-sine dan zig-zag untuk mancakup banyak kemungkinan penerbangan misil. Hasilnya, artificial neural networks dapat melakukan pemetaan pola sistem dinamik misil dengan standardized MSE 7.155x10^(-2).

---

Dynamical system identification is the very first step in designing a control algorithm on a dynamic system. However, in the multivariate, nonlinear and coupled dynamical system-like the AIM-9L Sidewinder missile-dynamical system identifications are often failed and oversimplified the dynamical system, such as decoupling and linearization. In this research, system identification is done by using artificial neural networks algorithm with expectations that its characteristics will be maintained well. The missile flights are done by using the X-Plane flight simulator and the acquisition process is done by using python language. The flights use swept sine and zig-zag references to cover lots of missile flight conditions possibility. As a result, artificial neural networks can do missile dynamical pattern mapping with 7.155x10^(-2) standardized mean squared errors."

"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."

"Penerapan metode jaringan saraf tiruan (Artificial Neural Network) telah digunakan pada banyak bidang studi teknik dan sains. Jaringan saraf tiruan juga dapat diaplikasikan penyelesaian masalah geofisika seperti pada data gravitasi untuk melakukan estimasi bentuk dan kedalaman badan batuan yang menyebabkan anomali di bawah permukaan. Pada penelitian ini, jaringan saraf Multilayer Perceptron Neural Network dilatih serta diuji dengan data sintetik dan data gravitasi WGM2012. Data gravitasi diolah untuk mendapatkan nilai anomali residual dari daerah “SM” yang kemudian akan dimodelkan oleh jaringan saraf tiruan untuk menentukan nilai kedalaman dan bentuk dari tubuh batuan yang menyebabkan anomali gravitasi di permukaan. Pada hasil output jaringan saraf tiruan, menunjukan bahwa jaringan saraf tiruan MPNN mampu untuk mendeteksi bentuk dan kedalaman tubuh batuan di bawah permukaan pada daerah uji penelitian “SM”.

---

The application of the Artificial Neural Network method has been used in many fields of engineering and science studies. Artificial Neural Network can also be applied to solve geophysical problems such as gravity data to estimate the shape and depth of rock bodies that cause anomalies below the surface. In this study, the Multilayer Perceptron Neural Network was trained and tested with synthetic data and WGM2012 gravity data. Gravity data is processed to obtain residual anomaly values ​​from the "SM" area which will then be evaluated by the artificial neural network to determine the depth and shape of the rock body that causes gravity anomalies on the surface. In general, the MPNN artificial neural network is able to detect the shape and depth of subsurface rock bodies in the "SM" research test area."

"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."