Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Saat ini teknologi informasi semakin herkembang pesat, begitu pula dengan teknologi kecerdasan buatan (Artificial intelligence) yang semakin banyak digunakan Teknologi ini dapat membuat komputer melakukan proses-proses dengan pola pikir seperti halnya manusia biasa. Perancangan sistem pakar (expert system) yang berbasiskan Artificial Intelligence, telah membuat sebuah sistem komputer dapat meniru proses pemikiran dan pengetahuan seorang ahli dalam memecahkan masalah-masalah yang rumit. Implemenlasi dari sistem pakar (expert system) ini dapat diterapkan pada departemen elektro yang diharapkan dapat membantu mahasinva elektro. Tidak sedikif mahasiswa elektro yang mengalami kesulitan dan kebingungan ketika harus memilih salah satu konsentrasi dari departemen elektro. Bahkan ada mahasiswa yang berpindah konsentrasi karena tidak sesuai dengan minat dan kemampuannya. Expert system ini merupakan suatu sarana konsultasi bagi mahasiswa elektro dalam menentukan konsentrasi yang tepat bagi dirinya. Dalam expert system terdapat beberapa komponen yang diperlukan di antaranya aturan (rules) dan database. Rules berisi berbagai aturan-aturan yang akan menentukan konsentrasi yang tepat bagi mahasiswa. Rules yang dibuat ini direpresentasikan dalam bentuk IF- THEN. Dalam implementasi expert system ini menggunakan database Sistem Informosi Akademis (SISKA). Perancongan dan implemenlasi sistem pakar (expert system) ini merupakan pengembangan dari sistem akademis (SISKA) yang Ielah digunakan di departemen elektro dan diharapkan dapal memberikan bantuan bagi mahasiswa. Implementasi expert system dalam menentukan konsentrasi ini dapat memberikan solusi yang terbaik bagi mahasiswa dan dapat diintegrasikan dalam Sistem lnformasi Akademis (SISKA).

Abstrak :
Proyek ini bertujuan untuk menentukan peringkat tahan api dari dinding baja ringan di bawah kondisi api menggunakan aplikasi kecerdasan buatan. Dua bagian bagian saluran yang diberi lipatan (LCS) dan bagian saluran berongga flange (HFC) grade 500 dan kelas 250 disajikan dalam penelitian ini. LCS adalah jenis konvensional yang digunakan dalam bingkai baja ringan, sementara HFC memperkenalkan memiliki kinerja api yang unggul. Baru-baru ini pemodelan elemen hingga dan uji skala penuh telah digunakan untuk menentukan kinerja api dinding LSF. Meskipun demikian, pemodelan elemen hingga ditemukan memiliki prosedur yang rumit, dan uji skala penuh adalah eksperimen yang memakan waktu. Oleh karena itu, opsi alternatif sebagai pembelajaran mesin diperlukan untuk mengatasi situasi ini. Pendekatan jaringan saraf pembelajaran mesin akan diadopsi untuk melatih data. Masukan akan menjadi data aktual dari FEA dan proyek uji penuh skala sebelumnya. Temperatur dan suhu flensa dan flensa dingin seksi dari suatu bagian diperoleh sebagai input. Kapasitas pengurangan rasio bertindak sebagai output yang akan diprediksi dalam pembelajaran yang diawasi. Pelatihan dan uji coba dilakukan melalui jaringan saraf tiruan dengan menggabungkan parameter yang berbeda seperti fungsi kehilangan, menjaga faktor probabilitas, tingkat pembelajaran, jumlah lapisan, dan neuron. Rasio pengurangan kapasitas yang diperoleh dari pelatihan mesin dapat diplot dan dibandingkan keakuratannya dengan hasil FEA sebelumnya.

---

This project aims to determine fire resistance rating of Light Gauge Steel Frame (LSF) walls under fire condition using artificial intelligence application. Two section of lipped channel section (LCS) and hollow flange channel section (HFC) grade 500 and grade 250 is presented in this research. LCS is a conventional section used in LSF framing, while HFC introduced having superior fire performance. Recently finite element modelling and a full-scale test have been employed to determine fire performance of LSF walls. Nonetheless, finite element modelling was found to have a complicated procedure, and the full-scale test was a time-consuming experiment. Therefore, an alternative option as machine learning is necessary to overcome this situation. A neural network approach of machine learning will be adopted to train the data. The input would be the actual data from FEA and full-scale test previous project. Hot flange and cold flange temperature and dimension of a section are obtained as the input. Capacity reduction ratio act as an output that will be predicted in supervised learning. Training and testing trialare done through the artificial neural network by combining different parameters such as loss function, keep probability factor, learning rate, the number of layers, and neurons. Capacity reduction ratio attained from machine training can be plotted and compared its accuracy with previous FEA results.

Abstrak :
Mobile robot seringkali mengalami slip dalam pembacaan sensor odometri. Kendala ini sangat mempengaruhi kinerja mobile robot, terlebih jika beberapa mobile robot bekerja secara kooperatif. Masing-masing mobile robot memiliki slipnya tersendiri yang dapat mempengaruhi perhitungan trajectory planning kerja kooperatif. Sehingga dibutuhkan koreksi dengan sensor lain, pada penilitian ini digunakan sistem deteksi lokasi mobile robot dengan kamera webcam. Sistem deteksi akan di implementasikan pada quadcopter ketika terbang diatas mobile robot. Tentu pengambilan gambar akan mengalami perubahan sudut pandang akibat pergerakan sudut pitch atau roll dari quadcopter. Motor penggerak quadcopter juga menghasilkan getaran yang dapat mengakibatkan blur pada pengambilan gambar. Selain itu untuk melakukan pendeteksian berbasis citra dibutuhkan komputasi yang cukup besar, khususnya jika dilakukan pada sistem embedded quadcopter. Oleh karena itu dibutuhkan sistem deteksi yang dapat diterapkan pada quadcopter dengan ketahanan derau dan proses yang cukup cepat. Pada perancangan sistem deteksi penilitian ini, digunakan suatu pola yang terdiri dari markah buatan. Markah bulat hitam memiliki fitur yang mudah untuk dikenali dengan algoritma sederhana. Pola yang terdiri dari markah bulat dapat disisipkan informasi identitas dan pose sehingga cocok untuk diterapkan pada sistem deteksi lokasi multi mobile robot. Untuk menguji kemampuan pendeteksian, selain diuji pada dunia riil juga dirancang pengujian simulasi. Pengembangan simulasi quadcopter untuk mendeteksi pola markah dirancang dengan simulator Gazebo yang di integrasikan dengan perangkat lunak ROS Robotic Operating System.

---

Mobile robots often experience slippage in odometry sensor readings. These problems greatly affect the performance of mobile robots, especially if some mobile robots work cooperatively. Each mobile robot has its own slip that can affect the calculation of cooperative work cooperative trajectory. So that needed correction with other sensors, the research is used mobile robot location detection system with webcam camera. The detection system will be implemented on the quadcopter when flying over the mobile robot. Of course the camera angle of view due to movement of pitch or roll angle from quadcopter. The quadcopter motors also produce vibrations that can lead to blur on shooting. In addition to perform image based detection required considerable computation, especially if done on the embedded quadcopter system. Therefore, a detection system that can be applied to the quadcopter with noise and process resistance is fast enough. In the design of this research detection system, a pattern consisting of artificial markers is used. The black round marker has features that are easy to recognize with simple algorithms. Patterns consisting of rounded markers can be inserted identity and pose information making it suitable to be applied to mobile robot location detection systems. To test the detection ability, in addition to tested in the real world also designed simulation testing. The development of a quadcopter simulation to detect the markup pattern is designed with a Gazebo simulator integrated with ROS Robotic Operating System software.

Abstrak :
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.

Abstrak :
Diabetes melitus tipe 2 (DMT2) merupakan salah satu tipe diabetes yang telah menjadi permasalahan besar dalam dunia kesehatan. Salah satu pengobatan DMT2 yang mendegrasi enzim glukagon dan meningkatkan sekresi insulin adalah inhibitor Dipeptidil Peptidase-IV (DPP-IV).  Inhibitor DPP-IV yang sudah digunakan memiliki efek samping yang bahaya, seperti pankreatitis akut, arthalagia, dan gagal jantung. Pada penelitian ini, dilakukan pengembangan model Virtual Screening (VS) menggunakan teknologi Artificial Intelligence (AI) untuk identifikasi inhibitor DPP-IV yang berpotensi. Pengembangan model VS dilakukan menggunakan konsep machine learning (ML) dan deep learning (DL). Pada penelitian ini, dilakukan 18 pengembangan model ML dan 8 model DL. Model VS DPP-IV yang optimal merupakan DNN dengan fitur Fingerprint dengan nilai parameter statistik lebih tinggi dari threshold VS optimal yaitu 0,85, dengan akurasi 0,91554, presisi 0,90815, sensitivitas 0,92319, selektivitas 0,90801, dan nilai F1 0,9156. Hyperparameter optimal model VS adalah tiga layer dengan jumlah neuron 2.000, 1.000, 100; nilai dropout 0; ukuran batch size 256; jumlah epoch 100; kecepatan learning rate 0,0001; dan tipe activation function merupakan RELU. Model VS DPP-IV dilakukan ujicoba terhadap database bindingDB dan didapat 24 ligan potensi. Berdasarkan perbandingan nilai binding affinity 24 ligan potensi terhadap ligan inhibitor DPP-IV menggunakan penambatan molekular, didapat satu ligan potensi berinteraksi dengan situs aktif S2 dan tujuh ligan potensi berinteraksi dengan situs aktif S3. Ligan tersebut memiliki nilai binding affinity lebih rendah dari ligan inhibitor DPP-IV yang FDA-approved dan lebih rendah dari -8 kcal/mol. Hasil ini menunjukkan bahwa model VS DPP-IV menggunakan AI dapat menjadi metode virtual screening dalam identifikasi inhibitor DPP-IV yang baru.

---

Diabetes mellitus type 2 (DMT2) is one of diabetes type that has been causing problems in the health sector. One of the DMT2 medications that can degrade glucagon enzyme and increase insulin secretion is a Dipeptydil Peptidase-IV (DPP-IV) inhibitor. However, DPP-IV inhibitor drugs result in unexpected side effects such as acute pancreatitis, arthralgia, and heart failure. This research developed a virtual screening (VS) model using Artificial Intelligence (AI) to identify potential DPP-IV inhibitors. VS models that were developed were 18 ML models and 8 DL models. DNN with fingerprint features was the VS model best optimal with statistical parameters that exceeds the optimum VS threshold value, which is 0,85, with accuracy 0,91554, precision 0,90815, sensitivity 0,92319, selectivity 0,90801, and F1 score 0,9156. Optimum VS model hyperparameter used a three-layered neuron with the neuron amount of each layer were 2000, 1000, and 100; zero dropout, 256 batch size, 100 epochs, learning rate 0,0001 with RELU as activation function. DPP-IV VS model was used to predict potential ligands using bindingDB and showed 24 ligands with an AI confidence level above 0.98. Based on the binding affinity comparison with DPP-IV inhibitors by molecular docking, it resulted one ligand interacting with active site S2 and seven ligands interacting with active site S3. These ligands had lower binding affinity value compared to FDA-approved DPP-IV inhibitor by docking. The result of this research showed that the DPP-IV VS model using AI could be a new VS model in identifying new DPP-IV inhibitors.