Hasil Pencarian  ::  Simpan CSV :: Kembali

"Non-Intrusive Load Monitoring (NILM) memungkinkan pendeteksian peralatan yang aktif atau tidak aktif bahkan karakteristik untuk setiap peralatan yang dipasang di rumah, industri, laboratorium, dll, dengan mendisagregasi total konsumsi listrik yang diukur di panel daya pusat. Penerapan NILM untuk energi efisiensi, manajemen energi, dan diagnosa peralatan di rumah tangga, industri atau penyedia energi telah menunjukkan peningkatan yang menjanjikan. Metode K-NN adalah salah satu metode machine learning yang paling sederhana dan umum digunakan untuk klasifikasi dengan kinerja yang baik dan bersaing dengan metode yang bahkan lebih kompleks. KNN memiliki 3 karakteristik yang dapat diubah dan dioptimalkan untuk memberikan hasil akurasi yang lebih baik, yaitu dari sisi data, algoritma jarak, dan nilai k. Dalam makalah ini metode K nearest neighbor (KNN) dilakukan pada data NILM AMPds2 yang memiliki load karakteristik yang mirip antar peralatan yang berbeda, dengan 9 algoritma jarak yang berbeda, 7 jumlah data training (10% -70%) dan dilakukan untuk variasi k ( 1-25) pada input daya Aktif serta input daya Aktif dan Reaktif untuk didapatkan hasil terbaik, Selain itu dilakukan juga metode Backpropagation Neural Network (BPNN) dengan variasi data training sebesar 25%, 50%, 75% dan 100%, jumlah hidden 10, 20 dan 30, dan jumlah iterasi 50000 dan 150000 dengan input daya aktif dan reaktif data dan 2 metode input yaitu input statis dan dinamis, dan pada akhirnya perbandingan kinerja antara metode KNN dan backpropagation untuk memisahkan data NILM AMPds2 telah dilakukan. Dari hasil pengujian dan penelitian didapatkan bahwa dengan menambahkan data daya reaktif sebagai input, hasil disagregasi pada data NILM yang mempunyai load karakteristik yang sama antara peralatan yang berbeda dengan metode KNN diperoleh akurasi lebih dari 20% lebih akurat sampai dengan 95% akurasi, dan memiliki nilai precision dan recall mencapai 0.9565, dan perbandingan performansi antara metode KNN input daya aktif dan reaktif dan metode backpropagation input daya aktif dan reaktif untuk memisahkan data NILM AMPds2 ke dalam kluster didapatkan hasil bahwa metode KNN input daya aktif dan reaktif memiliki akurasi yang bersaing dengan akurasi 95% sedangkan akurasi hasil backpropagation input dinamis 99.85%.

---

Non-Intrusive Load Monitoring (NILM) enables detection of appliances that are active or non-active even characteristics for each equipment installed in homes, industries, laboratories, etc by disaggregating total electrical consumption at the Central Power panel. The application of NILM for energy efficiency, energy management, and diagnostic equipment in households, industries or energy providers has shown promising improvement. The K-NN method is one of the most simple and commonly used machine learning methods for classifying with good performance and competing with even complex methods. K-NN has 3 characteristics that can be changed and optimized to provide better accuracy results, namely in terms of data, distance algorithm, and k value. In this paper the K nearest neighbor (KNN) method is performed on NILM AMPds2 data which having distinctive similar load characteristic between different appliances, with 9 different distances, 7 types of total training data (10% -70%) and performed for k (1-25) in single input (Active Power) and double input (Active and Reactive Power) for best result, In addition, the Backpropagation Neural Network (BPNN) methode was also carried out with variations in the training data amount of 25%, 50%, 75% and 100%, hidden number of 10, 20 and 30, and iterations number of 50000 and 150000 in double input data and 2 input methodes which are static input and dynamic input, and in the end performance comparison between KNN and backpropagation methods to disaggregate NILM AMPds2 data had done. From test and research results it was found that by adding reactive power data as input, the disaggregation results on NILM data which having distinctive similar load characteristic between different appliances with KNN methode were more than 20% accurate up to 95% accuracy and had higher precision and recall value also up to 0.9565, and also performance comparison between KNN double input and backpropagation double input methode to disaggregate NILM AMPds2 data into clusters result was found that KNN methode has shown good competitive result up to 95% accuracy while backpropagation with dynamic input accuracy result is 99.85 %."

"Indonesia merupakan salah satu negara dengan produksi tanaman padi terbesar di dunia dengan total lebih dari 150 juta ton padi dihasilkan pada 3 tahun terakhir. Meskipun sudah menjadi makanan pokok selama bertahun-tahun, tanaman padi tidak luput dari serangan penyakit yang dapat menghambat produksi beras padi. Berbagai macam penyakit dapat menghambat produksi beras padi di Indonesia. Daun tanaman padi yang terkena serangan penyakit dapat digunakan sebagai indikator jenis penyakit dikarenakan setiap penyakit tanaman padi memiliki corak yang unik pada daun tanaman padi. Dari citra daun tanaman padi yang didapat, dilakukan transformasi format citra ke dalam format grayscale untuk dibentuk Gray Level Co-occurence Matrix (GLCM) untuk beberapa sudut. Fitur Haralick kemudian diekstraksi dari GLCM yang sudah didapatkan untuk mendapatkan fitur-fitur yang dapat menjelaskan citra daun tanaman padi tersebut. Metode ini dapat digunakan dikarenakan fitur Haralick dalam GLCM mampu menangani citra yang memiliki perbedaan tekstur dengan baik dan citra daun penyakit tanaman padi memiliki perbedaan pada tekstur daun yang cukup jelas dilihat. Sehingga dapat dikatakan bahwa metode ini cocok untuk digunakan pada kasus ini. Dengan jumlah fitur Haralick yang cukup banyak, Linear Discriminant Analyis (LDA) kemudian diaplikasikan kepada fitur-fitur Haralick sebagai metode reduksi dimensi sedemikian sehingga fitur baru yang didapatkan memiliki separasi yang lebih baik. Kemudian, Support Vector Machine (SVM) digunakan sebagai classifier dalam mengklasifikasi penyakit tanaman padi menggunakan fitur LDA yang sudah didapatkan.

---

Indonesia is one of the world’s leading rice producers with a total of more than 150 million tons of rice produced in the last three years . Rice plants, despite being a staple crop for many years, are susceptible to diseases that can hamper rice production.  Because each diseases of rice plants has a distinctive pattern on the leaves of rice plants, the leaves of diseased rice plants can be used as indicators of the type of disease. The picture format of the rice leaf is converted to grayscale in order to create a Gray Level Co-occurence Matrix (GLCM) at multiple angles. The Haralick feature is extracted from the GLCM to obtain features that can describe the image of the rice plant leaf. Because the Haralick feature in GLCM can handle images with diverse textures and the image of leaves of rice plant diseases has differences in leaf texture that are clearly apparent, this method can be used. With a large number of Haralick features, the Linear Discriminant Analysis (LDA) is used as a dimension reduction technique for the Haralick features, resulting in better separation of the new features. The Support Vector Machine (SVM) is used as a classifier to classify rice plant diseases based on the obtained LDA features."

"Klasifikasi data kanker dilakukan untuk menemukan terapi yang tepat yaitu memaksimalkan efektivitas dan meminimalkan toksisitas. Pada umumnya, data kanker terdiri dari banyak fitur. Namun, tidak semua fitur tersebut informatif. Oleh karena itu, fitur-fitur tersebut akan diseleksi menggunakan metode Fisher's Ratio untuk memilih fitur-fitur yang paling informatif. Fitur-fitur terbaik akan dibentuk data baru. Data, sebelum dan setelah dilakukan pemilihan fitur, diklasifikasi menggunakan metode Fuzzy C-Means. Akurasi dari proses klasifikasinya akan dibandingkan. Hasilnya, tanpa melakukan pemilihan fitur, diperoleh rata-rata akurasi sebesar 82.92%. Setelah dilakukan pemilihan fitur, diperoleh akurasi terbaik dengan menggunakan 150 fitur dengan rata-rata akurasi sebesar 89.68%.

---

Classification of cancer data is done to find the right therapy that maximize efficacy and minimize toxicity. In general, cancer data consists of many features. However, not all of these features are informative. Therefore, these features will be selected using Fisher's Ratio to choose features that are most informative. The best features to be formed new data. Data, before and after feature selection, are classified using Fuzzy C-Means. The accuracy of the classification process will be compared. As a result, without doing feature selection, the accuracy is 82.92%. After doing feature selection, the best accuracy is obtained by using 150 features with the accuracy is 89.68%."

"Klasifikasi genre musik merupakan salah satu bidang dari Music Information Retrieval (MIR) yang menggunakan pola-pola spektral dalam rekaman audio digital sebagai fitur untuk membentuk sebuah sistem yang dapat menentukan genre dari sebuah musik secara otomatis. Beberapa model deep learning telah dikembangkan untuk memperoleh performa terbaik dalam melakukan klasifikasi genre musik. Tiga di antaranya adalah Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan model hybrid CNN-LSTM. Walaupun model- model tersebut mampu memberikan hasil yang cukup memuaskan, model-model tersebut memiliki kekurangan masing-masing. Model CNN kurang dapat memperhitungkan urutan-urutan fitur pada data berurutan dan model LSTM tidak dapat melakukan komputasi secara paralel. Ketiga model tersebut juga membutuhkan pengulangan dan konvolusi yang kompleks, serta waktu yang cukup panjang untuk perhitungan berurutan. Transformers merupakan arsitektur model yang tidak lagi mengandalkan recurrence/pengulangan, melainkan mekanisme attention yang dapat memperhitungkan urutan-urutan data pada data berurutan dan melakukan perhitungan paralel sehingga jangka waktu yang dibutuhkan dalam perhitungan lebih singkat. Melihat keberhasilan dan kepopuleran dari Transformer pada berbagai bidang seperti Bidirectional Encoder Representations from Transformers (BERT) pada bidang Natural Language Processing dan Vision Transformers pada bidang Computer Vision, pada skripsi ini dilakukan analisis mengenai kinerja model Transformers dalam permasalahan klasifikasi genre musik dibandingkan dengan model CNN, LSTM, dan CNN-LSTM.

---

Music genre classification is one of the fields of Music Information Retrieval (MIR) that uses spectral patterns in digital audio recording as features to build a system that can automatically classify a music’s genre. Several deep learning models have been developed to get the best performance in classifying music genres. Three of them are Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and hybrid CNN-LSTM model. Although those models can give satisfactory results, each model has their own weakness. CNN is less able to consider the sequences in sequential data and LSTM is not able to do parallel computation. All these models also require complex recurrences and convolutions, as well as quite a long time for sequential calculations. Transformers is a model architecture that no longer relies on recurrences, but rather on an attention mechanism that can consider the sequences in data and perform parallel calculations so that the time required for calculation is shorter. Looking into the success and popularity of Transformers in various fields such as BERT in the field of NLP and Vision Transformers in the field of Computer Vision, this thesis analyzes the performance of Transformers on music genre classification compared to CNN, LSTM, and CNN-LSTM."

"Kematian yang disebabkan oleh kanker diperkirakan akan terus meningkat, padahal jumlah kematian ini dapat dikurangi dengan adanya deteksi dini. Salah satunya adalah dengan klasifikasi data kanker. Data kanker yang digunakan merupakan data kanker berdimensi tinggi dengan ribuan fitur, tetapi tidak semua fitur yang ada merupakan fitur yang relevan. Oleh karena itu, perlu adanya proses seleksi fitur. Untuk meningkatkan tingkat akurasi yang dihasilkan, digunakan sebuah metode seleksi fitur yang meninjau adanya korelasi antar gen, yaitu CSVM-RFE. Pada metode tersebut, data yang ada diproyeksikan dan diubah menjadi sebuah data baru dengan ekstraksi fitur, dan kemudian dilakukan proses seleksi fitur. Penggunaan dua metode tersebut pada klasifikasi tiga data kanker yang ada terbukti menghasilkan tingkat akurasi yang tinggi, pada data kanker kolon tingkat akurasi yang didapatkan adalah sebesar 96.6, pada kanker prostat sebesar 98.9, dan pada kanker lymphoma sebesar 98,6.

---

The number of death caused by cancer expected to rise over two decades, whereas the number of death can be reduced by early detection. One of them is cancer classification. Cancer dataset is a high dimensional dataset that consist of thousands of features, but not all of these features are relevant. Therefore, it is necessary to remove the redundant features using feature selection. Feature selection can also improve the accuracy of classification. Many feature selection methods do not consider the correlated genes, so we need a new feature selection method that consider the correlated genes. It is CSVM RFE, in this method the existing data is projected and converted into a new data with feature extraction. These two methods are applied to the cancer datasets, and produce the accuracy of 96.6 using colon cancer dataset, 98.9 using prostate cancer dataset, and 98.6 using lymphoma cancer dataset."