Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Tujuan dari tesis ini adalah untuk berkontribusi dalam pengembangan sistem kecerdasan buatan (artificial intelligence) untuk memodelkan pergerakan saham yang bersifat tidak liner dan penuh ketidakpastian. Pendekatan yang digunakan adalah model Artificial Neural Network (ANN) metode Backpropagation. Sebagai pembanding, digunakan model multivariate ARIMA. Penelitian akan membuktikan bahwa model ANN dapat lebih tepat memprediksi pergerakan harga saham di Indonesia, khususnya saham-saham anggota indeks LQ45, dibandingkakan model multivariate ARIMA. Penelitian ini adalah penelitian observasi model. Penelitian menghasilkan kesimpulan bahwa model ANN signifikan secara statistik lebih akurat daripada model multivariate ARIMA.

---

The objective of this thesis is to contribute the development of artificial intelligence system in modeling stock price movement which highly non-linier and uncertain in nature. Our approach is using Artificial Neural Network (ANN) with Backpropagation method. In comparing the accuracy of the model, we use multivariate ARIMA method. This research intend to show that ANN model is more accurate in predicting Indonesian stock price movement, especially LQ45 index, compared to multivariate ARIMA model. This research is using observational method in selecting the best model. The result of the research is that ANN is statistically significant and more accurate compared to multivariate ARIMA model.

Abstrak :
Pada Skripsi ini direkayasa sistem identifikasi tanda tangan menggunakan jaringan syaraf tiruan dengan berbasis perangkat pemrograman MATLAB. Sistem ini mengenali citra tanda tangan seperti atau bahkan lebih baik dari daya persepsi manusia dibutuhkan perangkat pemrograman dengan kemampuan manipulasi numerik yang cepat dan akurat karena citra dalam format dijital direpresentasi dalam bentuk matriks angka. Belakangan ini tersedia perangkat pemrograman yang mampu memenuhi persaratan tersebut yaitu MATLAB (Mathematic Laboratory). Perangkat pemrograman ini sangat luas penggunaannya karena kemampuan manipulasi numeriknya yang baik dan kesederhanaan sistemnya. Pengambilan citra, pengolahan citra, pembentukan jaringan dan pelatihan jaringan dilakukan berbasis perangkat pemrograman MATLAB. Diharapkan sistem ini dapat bekerja dengan baik mengenali citra tanda tangan asli dan palsu yang dimasukan sebagai citra pelatih dan penguji jaringan sayaraf tiruan.

---

This Thesis create a signature recognition system using artificial neural network based MATLAB programming platform. Image aquisition, image extraction, image processing, network implementation and network training conducted based on MATLAB programming platform. The signature recognition system that could recognize the signature image as good as or better that human description ability required a programming platform with fast and acurate numerical manipulation process because of an image in digital form was represented by a matrix of number. Lately, a programming platform that fit the requirement is availabe which is MATLAB (Mathematic Laboratory). This programming platform has a extensive utilization because of its fine numerical manipulation ability and its system modesty. The system is expected to be able to perform well on identifying and distinguish original signature iamge and its forgery that feed to the artificial neural network as image trainer and image tester.

Abstrak :
Dalam makalah ini, penulis membahas dan memperkenalkan sebuah metodologi pencaharian struktur arsitektur Jaringan Neural Buatan propagasi balik berbasis fuzzy (JNB-Fuzzy) yang optimal dengan menggunakan algoritma genetika. Optimasi struktur jaringan neural dapat dilakukan dengan memperkecil jumlah neuron dalam lapis tersembunyi atau jumlah bobot dalam jaringan neural. Dalam makalah ini penulis membuat optimasi struktur jaringan dengan memperkecil jumlah bobot dalam jaringan, karena jumlah bobot ini jauh lebih besar daripada jumlah neuron yang ada. Jaringan neural yang telah dioptimasi ini kemudian digunakan sebagai subsistem pengenal pola pada Sistem Penciuman Elektronik yang dikembangkan oleh penulis. Hasil eksperimen dengan menggunakan jaringan ini menunjukkan peningkatan derajat pengenalan sistem, dari 70,4% pada struktur jaringan tidak dioptimasi, menjadi 85,2% bila menggunakan struktur jaringan yang telah dioptimasi.

---

In this article we proposed a method for optimizing the structure of a fuzzy artifi cial neural networks (FANN) through genetic algorithms. This genetic algorithm (GA) is used to optimize the number of weight connections in a neural network structure, by evolutionary calculating the fi tness function of those structures as individuals in a population. This fuzzy neural is then applied as the pattern recognition in our developed odor recognition system. Experimental results show that the optimized neural system provides higher recognition capability compare with that of unoptimized neural system. Recognition rate of the unoptimized neural structure is 70.4% and could be increased up to 85.2% in the optimized neural system. It is also shown that the computational cost of the optimized structure of neural system is also lower than the unoptimized structure.

Abstrak :
Makalah ini membahas pengembangan Sistem Penciuman Elektronik menggunakan 16 buah sensor kuarsa terlapis membran sensitif. Penulis telah mengembangkan Sistem Penciuman Elektronik dengan jumlah sensor sebanyak 4 buah, akan tetapi sistem ini hanya mampu membuat klasifikasi aroma campuran dengan tingkat pengenalan dibawah 40%. Pengembangan sistem dilakukan dengan meningkatkan jumlah sensor untuk memperbesar dimensi ruang pengamatan dan peningkatan frekuensi dasar sensor untuk mendapatkan akurasi yang lebih tinggi. Hasil penelitian menunjukkan bahwa sistem 16 sensor mempunyai kapabilitas yang tinggi untuk klasifikasi aroma campuran. Tingkat pengenalan sistem dengan 16 sensor untuk aroma campuran dengan 6 tingkat konsentrasi alkohol berkisar 89.9%, bila diproses secara terpisah, sedangkan apabila dilaksanakan secara ?batch? akan menghasilkan tingkat pengenalan sekitar 82.4%.

---

An artificial odor recognition system is developed for discriminating odors. This artificial system consisted of 16 quartz resonator crystals as the sensor array, a frequency modulator and a frequency counter for each sensor that are connected directly to a microcomputer. We have already shown that the artificial odor recognition system with 4 sensors is high enough to discriminate simple odor correctly, however, when it was used to discriminate compound odors, the recognition capability of this system is dropped significantly to be about 40%. Results of experiments show that the developed artificial system with 16 sensors could discriminate compound aroma based on 6 gradient of alcohol concentrations with high recognition rate of 89.9% for non batch processing system, and 82.4% for batch processing of the classes of odors.

Abstrak :
Tesis ini bertema tentang optimasi dari sistem chiller adsorpsi untuk mencari koefisien performa (COP) dan kapasitas pendinginan. Optimasi dilakukan dengan menggunakan gabungan antara jaringan saraf tiruan dan algoritma genetika (GA). Simulasi yang dilakukan adalah pengembangan sistem chiller adsorpsi yang data simulasinya sudah pernah di validasi dengan data eksperimen sebelumnya. Parameter laju alir massa, temperatur, dan waktu siklus divariasikan sebagai variabel penentu. Sementara COP dan kapasitas pendinginan mejadi fungsi objektifnya. Pada tesis ini, jaringan saraf tiruan yang terbentuk menunjukkan bahwa error terkecil jaringan yang terbentuk adalah 0.001532624 atau 0.153%. Hal ini menyatakan bahwa jaringan yang terbentuk dapat memprediksi fungsi objektif COP dan SCP dengan tingkat akurasi sebesar 99.85. Selisih (error) terkecil titik optimum prediksi jaringan saraf tiruan chiller adsorpsi dua bed Silica Gel 123 dan Air dengan nilai simulasi software-nya sebesar 0.027 untuk SCP dan 0.034 untuk nilai COP.

---

The optimization of adsorption chiller system that purposed to approach the optimal coefficient of performance (COP) and cooling capacity is presented in this thesis. The combination of artificial neural network (ANN) and genetic algorithm (GA) is applied to optimize the simulation of adsorption chiller. The adsorption chiller system simulation is an integrated two adsorption bed that developed from previous simulation and experiment that had been done. In this thesis, mass flow, temperature, and time cycle are varied and considered as decision variable while the COP and cooling capacity is chosen as the objective function. In this thesis, the artificial neural network that formed presents the smallest network error is 0.001532624 or 0.153. This states that the formed network can predict the objective functions of COP and SCP with an accuracy rate of 99.85. The smallest optimum point difference (the error) between the value prediction of neural network adsorption chiller two bed Silica Gel 123 and Water and the software simulations value is 0.027 for SCP and 0.034 for COP.

Abstrak :
Kemajuan teknologi telah memudahkan manusia untuk melakukan aktifitas kehidupan sehari-hari dengan lebih baik. Khususnya untuk bidang ilmu pengetahuan dan teknologi, kemajuan teknologi ini telah membantu teriaksananya penelitian-penelitian yang lebih kompleks sehingga dapat terselesaikan dalam jangka waktu yang relatif lebih cepat dengan biaya operasional yang relatif lebih rendah. Salah satu bentuk artificial intelligence yang memanfaatkan ilmu komputasi untuk mendapatkan hasil yang diinginkan tanpa memerlukan perhitungan matematis yang rumit adalah Artificial Neural Network (ANN). ANN merupakan suatu sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Keistimewaan ANN terletak pada proses pembelajarannya untuk mencapai hasil yang diinginkan sehingga ANN memiliki ketepatan hasil yang berbeda-beda untuk tiap input-nya, bergantung pada proses pembelajaran yang dialami. Selama ini, ANN telah banyak digunakan untuk sistem pengontrolan, pengenalan pola dan peramalan (prediksi). Pada penelitian ini ANN digunakan untuk menentukan bilangan oktana biogasoline dengan menggunakan software Matlab. Selain itujuga dilakukan percobaan untuk mengetahui pengaruh jumlah neuron dan jumlah lapisan tersembunyi pada jaringan ANN yang digunakan. Hasil yang diperoleh berupa pemodelan Artificial Neural Network (ANN) yang paling optimal berupa jaringan yang memiliki 1 lapisan tersembunyi dengan 4 buah neuron. Perbandingan hasil antara data masukan (target) dan keluaran jaringan ANN menunjukkan teriadnya kesalahan relatif sebesar 2,226 %. Hasil prediksi jaringan ANN untuk rasio jumlah minyak sawit/jumlah katalis sebesar 20 dansuhu reaksi sebesar 600°C adalah bilangan oktana sebesar 105,158. Dengan demikian, dapat disimpulkan bahwa jaringan ANN ini dapat digunakan untuk menentukan bilangan oktana biogasoline dengan tingkat ketepatan (akurasi) yang bergantung pada pola data masukan yang digunakan.

Abstrak :
=Memberikan proteksi terhadap kemungkinan terjadinya kerugian merupakan hal yang sangat penting dalam perusahaan asuransi. Dalam bisnis asuransi, menghitung cadangan adalah suatu tindakan yang wajib dilakukan untuk mengantisipasi klaim polis asuransi yang tidak terduga. Setiap perusahaan asuransi tentu harus mengestimasi cadangan klaim yang dibutuhkan. Chain Ladder merupakan salah satu cara menghitung cadangan klaim yang telah digunakan secara luas dalam industri asuransi. Dengan menggunakan data masa lalu, cadangan klaim dihitung dengan mengestimasi faktor perkembangan klaim yang dibayarkan dari waktu ke waktu. Perusahaan asuransi dapat memperoleh gambaran mengenai besarnya modal yang harus disiapkan untuk mengatasi klaim yang dapat saja terjadi. Adapun perusahaan juga dapat melakukan estimasi cadangan klaim yang lebih baik dengan memanfaatkan informasi mengenai informasi individu yang berkaitan dengan klaim yang dibayarkan. Salah satu metode yang dapat digunakan untuk mengkombinasikan informasi individu dengan data pembayaran klaim adalah dengan menggunakan model Neural Network, yang akan menghitung faktor perkembangan klaim berdasarkan kedua informasi tersebut. Faktor perkembangan melalui model Neural Network tersebut digunakan pada metode Chain ladder untuk menghitung cadangan klaim yang dibutuhkan. Secara umum, tugas akhir ini membahas mengenai metode Chain Ladder yang memanfaatkan model Neural Network. Di akhir tugas akhir ini, dilakukan simulasi numerik yang menggunakan data klaim dari salah satu perusahaan asuransi di New York. Didapatkan hasil bahwa dengan menggunakan metode Chain Ladder saja didapatkan cadangan klaim sebesar 42,705 juta dollar dan dengan menggunakan model Neural Network serta Chain Ladder didapatkan cadangan klaim sebesar 44,708 juta dollar. ......Providing protection against payment problems is very important in insurance company. In the insurance business, calculating claims reserves is an action that must be taken to submit unexpected insurance policy claims. Each insurance company must estimate the required claims reserves. Chain Ladder is one way to calculate claims reserves that have been widely used in the insurance industry. By using past data, claims reserves have been calculated by estimating development factor of claims that have been paid from time to time. So insurance companies can get a picture of the amount of capital that must be prepared to deal with claims that can occur at any time. Each company can provide a better claim estimate by using information about individual information related to supported claims. One method that can be used to combine individual information with payment data claims using the Neural Network model, which calculate the development factors of claims based on that information. The development factors through the Neural Network model are used in the Chain ladder method to calculate the required claims reserves. In general, this thesis discuss the Chain Ladder method that uses the Neural Network model. The claims reserves results obtained that by using the Child Ladder method amounted to 42.705 million dollars and by using the Neural Network model and the Chain Ladder obtained claim reserves of 44.708 million dollars.

Abstrak :
It has been studied the forecasting of electric power peak load in the Indonesian electric system by using Artificial Neural Network (ANAU) Back Propagation method with the study period is 2000 - 2025. The long-range forecasting of electric peak load is influenced by economic factors. in this study, it?s selected the economic data which is estimated very influence to forecasting, which in this case become input ofAN1\L i. e.: Gross of Domestic Product (GDP) per-capita, Population, Amount of Households, Electrification Ratio, Amount of CO, Pollution, Crude Oil Price, Coal Price, Usage of Final Energy, Usage Qf Final Energy on Industrial Sector; and Average Electric Charges. Data used for study are actual data, start year 1990 up to 2000. Result of the peak load forecasting in the end of study (2025) by using ANN is 85,504 MHC meanwhile the load forecasting in the National Electricity General lan (NEGP) is 79,920 MW (the difference of both is about 6. 6%). Based on ANN approach is obtained results that the peak load forecasting in Indonesia in the year 2005, 2010, 2015, 2020 and 2025 are 16,516 MHC 24,402 MHC 36, 15 7 MIK 56,060 MW and85,584 MW respectively.