Hasil Pencarian  ::  Simpan CSV :: Kembali

"Neural Network adalah suatu sistem informasi yang mempunyai kemampuan untuk belajar, mengingat dan menyelesaikan permasalahan berdasarkan proses belajar yang diberikan kepadanya. Sistem informasi ini mempunyai struktur yang menyerupai susunan syaraf manusia. Kemampuan dari Neural Network inilah yang menjadi hahaa kajian dalam penulisan ini. Tulisan ini membahas mengenai struktur dari Neural Network dan semua unsur penyusunnya dalam hal pendekatan terhadap kemampuannya untuk memprediksi harga dari konduktivitas termal pada hahan polyurethane. Selama ini penelitian konduktivitas termal terhadap suatu spesimen menggunakon suatu alat yang bcrnorna "Thermal Conductivity Measuring Apparatus". Oleh korena itu , dalam penulisan tugas akhir ini penulis mencoba membuat suatu struktur dari Neural Network dan membandingkon kemampuan dari Neural Network tersebut untuk memprediksi horga dari konduktivitas termal dengan basil yang didapat dari eksperimen . Pada akhir llllalisa, disimpulkan bahwa Neural Network mampu melakukan peedekotan dalam memprediksi horga konduktivitas termal, dalam hal in.i Polyurethane !ham. Pemilihaa data tmining, pemilihan strnktar dari Neuml Network sangat mempengaruhi keakuratan terhadap basil yang didapat.

---

Neural Network is an infurmarion system which has ability to learn, to remember, and to solve the problems based on process learn given. This system infonnarion has the slrueture looking like furmation of bnrnan being nerve. The Ability of this Neural Networl< becomes the study materials in this writing. This article study to regard the structure from Neural Network and its entire compiler element in the case of approach to its ability for the prediction of prioe from thermal conductivity of polyurethane materials .At this momen~ the research of thermal conductivity of specimens using a tool called "Thennal Conductivity Measuring Apparatus". Therefore, in this article, the writer try to IOOke a structure from Neural Network and compare the ability from the Neural Network for the prediction of prioe from thermal conductivity with the result from experiment. By the end of analysis, it is conclude that Neural Network can conduct the approach in predierion of price of thennal conduerivity. The Eleerions of data trainin~ structure election ftom Neural Nerwolk is vezy influencing of accmacy to the result."

"Turbiditas merupakan salah satu indikator yang dapat digunakan untuk menilai kualitas air. Turbiditas dapat diukur menggunakan instrumen konvensional seperti turbidimeter, spektrofotometer, dan nefelometri visual. Namun, semua instrumen tersebut memiliki kekurangannya masing-masing, seperti biaya yang relatif tinggi dan kurang efisien. Pada penelitian ini diusulkan metode pengukuran yang lebih terjangkau dan efisien dengan memanfaatkan kamera ponsel, serta model regresi support vector regression dan EfficientNet-B0 berbasis convolutional neural network sebagai instrumen pengukuran. Akuisisi citra dilakukan di dua lingkungan. Lingkungan 1 didefinisikan sebagai lingkungan dengan cahaya langsung yang menyinari sampel, mengikuti prinsip turbidimetri, sedangkan lingkungan 2 didefinisikan sebagai lingkungan dengan pencahayaan yang bergantung hanya kepada cahaya sekitar dengan intensitas cahaya yang tak tentu. Citra yang telah diakuisisi oleh ponsel melalui berbagai proses prapengolahan data seperti segmentasi, augmentasi, penerapan filter Gaussian, dan ekstraksi fitur saturasi dan tekstur sebelum diteruskan ke model regresi. Dari hasil evaluasi didapatkan kesimpulan bahwa model EfficientNet-B0 lebih unggul dibandingkan dengan support vector regresssion dengan fitur saturasi, tekstur maupun gabungan. Model EfficientNet-B0 mendapatkan nilai R2 sebesar 0.992, MAE sebesar 2.474 dan MSE sebesar 10.669 untuk citra lingkungan 1, dan nilai R2 sebesar 0.97, MAE sebesar 3.333 dan MSE sebesar 29.137 untuk citra lingkungan 2.

---

Turbidity is an indicator that can be used to assess water quality. Turbidity can be measured using conventional instruments such as turbidimeter, spectrophotometer, and visual nephelometry. However, all of these instruments have their respective drawbacks, such as relatively high costs and inefficient. In this study, a more affordable and efficient measurement method is proposed by utilizing a cellphone camera, as well as a support vector regression and EfficientNet-B0 model based on convolutional neural network as a measurement instrument. Image acquisition will be carried out in two environments. Environment 1 is defined as an environment with direct light shining on the sample, following the principle of turbidimetry, while environment 2 is defined as an environment in which the illumination depends on the ambient light with an indeterminate light intensity. The image that has been acquired by the cellphone will go through various data preprocessing processes such as segmentation, augmentation, application of Gaussian filters, and extraction of saturation and texture features before being forwarded to the regression model. From the evaluation results, it can be concluded that the EfficientNet-B0 model is superior to the support vector regression with saturation, texture, or combined features. The EfficientNet-B0 model gets an R2 value of 0.992, an MAE of 2.474 and an MSE of 10,669 for environment 1 image, and an R2 value of 0.97, an MAE of 3.333 and an MSE of 29,137 for environment 2 image."

"At the time the use of non destructive test for pavement has been a trend because of its effectiveness and mobility. Falling weight deflectometer (FWD) is famous equipment for this aim...."

"Cadangan migas semakin sulit ditemukan, hal ini dikarenakan kondisi geologi yang lebih kompleks. Kondisi yang kompleks ini menyebabkan kesulitan dalam menentukan persebaran reservoir. Maka dari itu diperlukan metode yang lebih bagus untuk mengatasi kondisi geologi yang kompleks tersebut. Penelitian ini menggunakan metode multiatribut dan Probabilistic Neural Network (PNN) yang dapat mencari hubungan antara atribut seismik dengan data yang dicari, untuk prediksi nilai properti dari batuan sekitarnya. Dari metode ini dihasilkan persebaran pada data porositas dengan nilai korelasi 0,52, saturasi air dengan nilai korelasi 0,73, dan shale content dengan nilai korelasi 0,58. Dimana gabungan dari data porositas, saturasi air, shale content, dan data impedansi akustik (AI) hasil inversi dapat menjadi petunjuk untuk identifikasi persebaran reservoir. Dari nilai porositas dan saturasi dapat dibuat persebaran hidrokarbon, dimana pada penelitian ini didapatkan nilai antara 0,01 – 0,03. Lapangan FA ini memiliki reservoir yang berada di antara sumur F-06, FA-05, FA-15, dan FA-18 dan menyebar ke arah barat dari sumur FA-05, FA-15 & FA-18.

---

Oil and gas reserves are increasingly difficult to find due to more complex geological conditions. This complex condition causes difficulties in determining reservoir distribution. Therefore a better method is needed to overcome these complex geological conditions. This study uses a multi-attribute method and Probabilistic Neural Network (PNN) that can search for correlation between seismic attributes and the data sought, for the prediction of property values ​​from surrounding rocks. From this method the distribution of porosity data with a correlation value of 0.52 was generated, water saturation with a correlation value of 0.73, and shale content with a correlation value of 0.58. Where the combination of porosity data, water saturation, shale content, and acoustic impedance (AI) data of inversion results can be a clue to identify reservoir distribution. From the porosity and saturation values, hydrocarbon dispersion can be made, where in this study values ​​were obtained between 0.01 - 0.03. This FA field has a reservoir between wells F-06, FA-05, FA-15, and FA-18 and spreads westward from wells FA-05, FA-15 & FA-18."

"ABSTRAKTesis ini membahas bagaimana proses mengaplikasikan metoda neural network pada data seismik tiga dimensi untuk memprediksi porositas dan saturasi air pada suatu reservoar dengan membuat volum pseudo log. Studi kasus penelitian ini adalah reservoar karbonat build-up pada formasi Parigi di lapangan X, merupakan lapangan gas yang baru ditemukan, di cekungan Jawa Barat Utara, dimana studi reservoar perlu dilakukan untuk program pengembangan produksi, salah satunya dari aspek geofisika. Studi ini menggunakan analisis pendekatan statistik dari atribut seismik terhadap data sumur yakni log porositas dan saturasi air untuk mendapatkan multi atribut dengan korelasi terbaik yang digunakan sebagai input dalam proses prediksi dengan menggunakan metoda Neural Network. Dengan menerapkan Neural Network, hasil prediksi memiliki korelasi dan resolusi yang lebih tinggi mendekati data akutal log porositas dan saturasi air. Hasil dari penelitian ini adalah distribusi porositas dan saturasi air secara kuantitatif berupa pseudo log volum tiga dimensi dimana data ini dapat menjadi data pendukung dalam studi reservoar lebih lanjut seperti pemodelan geologi, simulasi reservoar dan perhitungan cadangan. Hasil pseudo log ini kemudian diinterpretasi dan dipetakan untuk karakterisasi reservoar dan penentuan lokasi sumur. Dari pseudo log porositas, reservoar target secara stratigrafi dapat dibagi menjadi empat lapisan berdasarkan perbedaan nilai porositasnya. Untuk pseudo log saturasi air, dapat terlihat tiga kontak dan zona fluida reservoar, dimana terdapat zona gas, zona transisi, dan zona air. Dari hasil interpretasi distribusi reservoar tersebut direkomendasikan untuk pemboran dua sumur di lapangan X untuk memproduksi cadangan gas dan 1 sumur eksplorasi untuk membuktikan kandungan gas pada struktur build-up lain didekatnya.

---

ABSTRACTThe focus of this study is the process how to apply neural network method in 3D seismic data to generate pseudo log of both porosity and water saturation in a reservoir. Case of this study is carbonate build-up at Parigi formation in X field, a new gas discovery field, in North West Java basin where resevoir study for production development including geophysical aspect is very necessary. This study used statistical analysis approach based on corelation between seismic atribut and well log data which are log porosity and water saturation to get multi attribute as input for prediction process. Applying Neural Network can improve correlation and resolution between pseudo log and actual log both porosity and water saturation. The result of this study is quantitative ditribution of both porosity and water saturation in 3D psudo log volume which can be used for data supporting in geological modeling, reservoir simulation and reserves estimation. Then, those pseudo log are interpreted and mapped for characterization and well location delineation. Based on pseudo porosity log , the reservoir can be divided in four layers with different porosity value. For pseudo water saturation log, we can see contact and fluid zones of the reservoir which consist of gas zone, transition zone and water zone. According to interpretation pseudo log of both the porosity and the water saturation, can be recommended to drill two wells in X field to drain gas reserves and one exploration well to prove gas accumulation in other build-up stucture where is located near of X field"

"Penggunaan metode Neural Network ini adalah hal yang baru dalam Heat Transfer, setidaknya pada Jurusan Teknik Mesin FI'UI, walaupun Neural Network Ielah berkembang dalam berbagai bidang, karena kemampuannya untuk memprediksi suatu fenomena berdasarkan tahap belajar yang diberikan. Kemampuan disebul juga sebagai kecerdasan buatan, karena mirip dangan kecerdasan yang dimiliki oleh manusla.Dalam simulasi ini, neurnl network rersebut dilatib terlebih dahulu lll1luk memprediksi lemperatur output fluida panas dan dingin pada water to water heat exchanger. Metode ini dilakukan dengan menggunakan data basil percobaan Boris Omar Kahen pada skripsinya [8]. Setelah tahap ini selesai, kemudian neural network disimulasikan mengunakan data input baru, kemudian akan dilihal outputnya unluk dibandingkan dengan output sebenamya pada percobaan. Sebagai pembanding, penulis juga melakukan perhitungan manual menggunakan metode LMTD dan effectiveness-NTU, untuk diperbandingkan hasilnyn dengan simulasi neural network.Setelah membandingkan output neural network , output hasil perhitungan menggunakan metode LMTD, dan output hasil perhitungan melode effectiveness­

---

The application of neural network is a first study in heat transfer , at least in Department of Mechanical Engineering FTUI, although the neural network has been grow in every discipline of sciencebecause of it;s ability to predict for the phenomellll, hase on learning step given. This ability called artificial intelegent, since ifs similarity \\lith human intelegent.

In this simulation.the neural network training first to predict output temperature of hot and cold fluid, from water to water heat exchanger. The method done with data from experiment of Boris Oman Kaher [8] in his study. The next step is to simulate the trained neural network vvith another data. and the output of neural network compared with the actual output from experiment The writer has use the LMTD method and effectiveness.-NTU method to calculate output temperature in order to compare with the output of neural network. After comparing the output from neural network, LMTD method and effectiveness-NTU method, with the actual output, it's seem that neural network has a good approach to the result of experiment."

"Tugas Akhir ini merancang suatu pengendali fuzzy berbasis jaringan saraf buatan (neural network) untuk mengendalikan sistem nonlinier yang selanjutnya diterapkan kedalam suatu perangkat lunak sederbana. Pada dasarnya pengendali ini menyatukan pengendali logika fuzzy biasa dengan suatu jaringan saraf buatan (neural network) dengan tujuan untuk memperbaiki karakteristik transien dari suatu proses yang dikendalikan. Dengan pengendali logika fuzzy biasa, tanggapan waktu sistem sudah dapat diperbaiki, namun pengendali ini dapat mencapai keadaan seperti tersebut diatas bila ada seorang operator ahli dalam sistem kendah dan sistem yang dikendalikan. Penerapan jaringan saraf buatan (neural network) kedalam pengendah logika fuzzy ini dapat mengurangi kerja operator ahli dalam menentukan lebar/range dari fungsi keanggotaan masukan dan keluaran. Dengan kemampuan belajar dari jaringan saraf buatannya, pengendali ini dapat memperbaiki keluaran sistem yang tidak linier. Uji coba simulasi dilakukan untuk dua buah model sistem nonlinier yaitu sistem nonlinier orde sate yang tidak stabil clan sistem pengendalian pH. Untuk pengendalian pH jugs ditunjukkan kehandalan pengendali dalam mengatasi gangguan yang datang dari sistem itu sendiri. Hasil simulasi kedua model yang dikendalikan menunjukkan pengendali logika fuzzy berbasis neural network dapat melakukan perbaikan pada rise time, settling time, overshoot dan kesalahan tunak dari suatu proses yang dikendalikan dan jugs dapat mengurangi keda ahli operator dalam menentukan komponen-komponen fuzzy dibandingkan dengan pengendali logika fuzzy biasa."

"Machine Learning (ML) sebagai bagian dari Artificial Intelligence (AI) telah membuat komputer mampu melakukan hal-hal yang membutuhkan kecerdasan manusia secara otomatis. Binarized Neural Network (BNN) merupakan arsitektur ML modern yang memiliki keunggulan yakni penggunaan memori yang efisien dan performa yang baik. Namun, seperti neural network pada umumnya, BNN juga merupakan black-box model yang memiliki kesulitan dalam menjelaskan prediksi yang dihasilkan. Penelitian ini menggunakan teknik abduction untuk memperoleh minimal explanations, dalam bentuk himpunan pasangan fitur dan nilainya, dari hasil prediksi BNN. BNN dimodelkan sebagai model Mixed-Integer Linear Programming (MILP) dan selanjutnya disederhanakan menjadi model Integer Linear Programming (ILP) yang merupakan bentuk formal agar dapat dilakukan teknik abduction. Hasil penelitian menunjukkan bahwa teknik abduction dapat digunakan untuk menjelaskan hasil prediksi BNN. Penelitian ini juga menerapkan teknik abduction untuk menghasilkan penjelasan subset-minimal pada hasil prediksi BNN untuk beberapa dataset.

---

Machine Learning (ML) as part of Artificial Intelligence (AI) has enabled computers to do things that require human intelligence automatically. Binarized Neural Network (BNN) is a modern ML architecture that has some advantages: efficient use of memory and good performance. However, like other neural networks in general, BNN is also a black-box model that has difficulties in explaining the resulting predictions. This research employs the abduction technique to obtain minimal explanations, that is a set of pairs of features and its values, from a BNN prediction. BNN is modeled as a Mixed-Integer Linear Programming (MILP) model and then further simplified into an Integer Linear Programming (ILP) model which is a suitable formalism for finding explanations using abduction. This research shows that the abduction technique can be used to explain BNN predictions. Furthermore, this research applies the abduction technique to produce subset-minimal explanations on BNN predictions for several datasets."

"Di dalam dunia industri, operasi pencampuran banyak digunakan untuk mengolah bahan mentah menjadi suatu produk seperti minyak bumi, bahan kimia, dan lainnya. Biasanya, pada plant skala industri digunakan PID kontroler sebagai sistem pengendaliannya, akan tetapi PID kontroler ini akan menjadi kurang baik ketika menghadapi sistem non-linear, sehingga pada penilitian ini dirancang suatu sistem kendali berbasis neural network yang diharapkan dapat memberikan performa yang lebih baik dan efisien dibandingkan PID konvensional. Model plant yang digunakan untuk simulasi di dalam penelitian ini adalah proses pencampuran air, dimana temperatur dan level air akan dikendalikan. Dibuat dua jenis sistem pengendali neural network (NN) dengan perbedaan pada input-nya, yaitu NN dengan input SP, PV(n), PV(n-1) dan NN dengan input SP, error, dan perubahan error. Kedua sistem pengendali neural network ini dibuat dengan menggunakan metode feed-forward neural network dan simulasinya dibuat dengan menggunakan Simulink. Berdasarkan hasil pengujian, dapat disimpulkan bahwa sistem pengendalian dengan menggunakan neural network memberikan performa yang lebih baik jika dibandingkan dengan sistem pengendalian PID konvensional, yaitu dengan settling time dan rise time yang lebih cepat, serta menghasilkan respon sistem yang tidak memiliki overshoot sama sekali.

---

In the industrial world, blending operations are widely used to process raw materials into products such as petroleum, chemicals, and others. Usually, in industrial-scale plants, the PID controller is used as a control system, but this controller will be less good when dealing with non-linear systems. In this study, a neural network-based control system is expected to provide better and more efficient performance compared to conventional PID control. The plant model used for simulation in this study is the process of mixing water, where the temperature and water level will be controlled. Created two types of neural network (NN) control systems with differences in the input, the first is a NN with SP, PV(n), PV(n-1) for the input, and the second is a NN with SP, error, and change of error for the input. Both of these neural network control systems are made using a feed-forward neural network method, and the simulation was created by using Simulink. Based on the test results, it can be concluded that the control system using a neural network provides better performance when compared to conventional PID control systems with a faster settling time and rise time, and produces a system response that has no overshoot at all."