Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Dalam geofisika dan reservoir engineering, metode neural network lazim digunakan untuk melakukan prediksi hubungan antara data log dengan data seismik atau data log lainnya, sehingga dengan data log yang tersedia dapat diperkirakan log lain yang tidak tersedia datanya, bahkan dipergunakan juga untuk melakukan karakterisasi reservoir. Namun metode ini juga memiliki sejumlah kekurangan dalam penerapannya guna memprediksi hubungan antara satu jenis data dengan jenis data yang lain. Masalah umum yang ditemui adalah metode ini sulit diterapkan pada data yang terbatas. Para praktisi pasar modal menggunakan metode wavelet transform untuk meningkatkan kemampuan jaringan pada neural network untuk mengenali deret data yang polanya belum pernah ditemui dalam dataset pelatihan. Metode ini telah terbukti efektif dalam prediksi pergerakan harga dan permintaan yang kerap mengalami perubahan trend maupun pola pergerakannya. Kami menerapkan metode ini untuk meningkatkan nilai validasi dari log hasil estimasi dengan data yang terbatas. Studi ini menunjukkan hasil proses wavelet transform pada data log yang diklasifikasikan dengan jaringan kompetitif akan menjadi bagian yang dapat memberikan arti penting untuk meningkatkan kemampuan generalisasi jaringan backpropagation.

---

ABSTRACT
In geophysics and reservoir engineering, the neural network method commonly used to predict the relationship between log data and seismic data or another log data, thus with the available log data, we can expect any logs which have no data, even also can be used to perform reservoir characterization. However this method has some lacks in its application to predict the relationship between one data with the other data types. The common problem encountered is the reduction of network ability for data prediction if its applied on limited input data. Practitioners of capital market use wavelet transform methods to increases the network ability in neural network to recognized data series, which never found in training dataset. This method has been effectively proven to predict price and demand movement, which usually changes both in trend or movement pattern. We applied this method to increase the validation value of the estimated log on limited input data. This study shows that the classified result of wavelet transform using competitive network will be an important part to enhance generalization of backpropagation network.

Abstrak :
ABSTRAK Pada era modern ini, semakin banyak jenis penyakit yang baru dengan gejala yang berbeda beda juga. Teknologi dituntut bisa memainkan peran untuk membantu penelitian pada bidang kesehatan. Stroke merupakan salah satu penyakit yang memiliki angka kematian tertinggi di dunia. Stroke terjadi karena terganggunya pasokan darah menuju otak sehingga otak mengalami kekurangan oksigen dan nutrisi. Stroke bisa dibagi menjadi berdasarkan bagaimana stroke terjadi, stroke hemoragik dan stroke iskemik. Stroke hemoragik terjadi karena pecahnya pembuluh darah yang menuju otak, sedangkan stroke iskemik terjadi karena terjadinya penyumbatan yang mengganggu pasokan darah ke otak. Jika penyumbatan terjadi pada daerah otak, maka disebut infark serebri. Dalam studi ini digunakan metode Convolutional Neural Network untuk mengklasifikasikan data gambar infark serebri yang nantinya akan dibandingkan dengan metode Neural Network. Didapatkan dari hasil performa metode Convolutional Neural Network lebih baik jika dibandingkan dengan metode Neural Network untuk pengklasifikasian data gambar infark serebri.

Abstrak :
Skripsi ini bertujuan untuk mengoptimalkan korelasi antara Transformasi Paket Wavelet dan jaringan Syaraf Tiruan topologi propagasi-balik umpan-maju dengan menggunakan pendekatan tingkah laku manusia dalam memahami obyek yang diamati. Tingkah laku ini dapat bersifat obyektif maupun subyektif tergantung dari keadaan dan tujuan pengamatan tersebut. Parameter obyektif menggunakan seluruh ciri sebagai dasar dalam melakukan klasiflkasi, sedangkan parsmeter subjektif hanya memanfaatkan ciri-ciri yang sesuai untuk memenuhi klasifikasi. Hasil pengujian yang dilakukan menunjukkan bahwa tingkat keakuratan berkisar antara 92,861% - 97,86% jika digunakan untuk mengklasifikasikan obyek bidang datar. Sedangkan untuk tekstur antara 94,37% - 98,444%. Kemampuan perangkat lunak untuk mengenal obyek yang mengalami gangguan, yaitu maksimum sebesar 96% pada obyek yang tertranslasi, 90% pada obyek terrotasi, dan 92% pada obyek yang mengalami noise. Selain dari pada itu, kecepatan pembelajaran menjadi sangat singkat dengan rata-rata iterasi maksimal sebanyak 9134,8 kali dan waktu rata-rata kurang dari 261,726 detik. Pengujian keseluruhan memberikan kesimpulan bahwa penambahan informasi-informasi tertentu yang berkaitan dengan ciri-ciri obyek, akan membantu dalam menghasilkan pembelajaran yang optimal dan pendeteksian yang maksimal.

Abstrak :
Penelitian dan pengembangan teknologi semakin berkesinambungan seiring giatnya eksplorasi di bidang sumber daya kelautan. Teknologi hidroakustik berperan besar khususnya dalam meningkatkan produksi ikan laut. Selain itu juga dikembangkan metode penelitian lain, misalnya proses pengidentifikasi spesies dalam sekelompok kawanan ikan (schooling). Analisis difokuskan dalam hal pengolahan citra dari schooling yang datanya diambil dari hasil survei akustik dan observasi yang dilakukan Badan Penelitian Kelautan dan Perikanan. Data yang berbentuk citra ini tak lain adalah representasi target strength (koefisen pantul) dari sekelompok ikan, yang berikutnya diolah melalui konsep image processing dengan metode Jaringan Syaraf Tiruan (JST) pada MATLAB. JST disini berfungsi sebagai sebuah metode yang akan mengklasifikasi spesies yang data inputnya diambil dari nilai rata-rata matriks masing-masing citra schooling. Hasil klasifikasi selanjutnya akan langsung diidentifikasi untuk memastikan bahwa tingkat keakuratan dari sampel data pasca klasifikasi benar-benar terlihat. Diharapkan metode ini akan menjadi sebuah alternatif yang cukup baik dalam menjawab berbagai permasalahan berkaitan dengan penelitian dan pendeteksian bawah air (hidroakustik). ......Development of fishery and marine resources hydoacoustic technology has significant role for fish production improvement. It also develops other research method such as species in schooling of fish identification process. The analysis is focused on images processing of fish schooling where the data is taken from the result of acoustic survey and observation by Fisheries and Marine Research Group. Data, as images that represents the coefficient of target strength of fish schoolings, processed by using images processing concepts with neural network and programmed in MATLAB. Neural Network has a function as method which will classify the species from its input data is taken from matrix averages of each schooling images. Clasification results would be identified directly to ensure the accuration level of this experiment is really seen. Hopeful, this method could be an alternative of some problems related to the research and underwater detection (hydroacoustic).

Abstrak :
The conventional PID control (linear) is popular control scheme that is used in almost pH control at waste water treatment process......

Abstrak :
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....

Abstrak :
Probabilistic Neural Network (PNN) adalah salah satu tipe jaringan neural yang umum digunakan untuk memecahkan permasalahan klasifikasi pola. Disamping struktur jaringan dan metode pelatihan yang sederhana, PNN memiliki kelemahan utama yaitu dalam menentukan struktur jaringan yang terdiri dari penentuan nilai para meter smoothing dan jumalh neuron yang di gunakan pada lapisan pola . Dengan adanya kelemahan ini beberapa peneliti mengajukan algoritma Supervised PNN structure Determination (SPNN) dengan tujuan untuk mempermudah penentuan struktur PNN. Akan tetapi dalam implementasi iteratif yang telah di laporkan , SPNN masih memerlukan waktu komputasi yang cukup lama untuk menentukan struktur PNN yang baik. Makalah ini menjelaskan usaha perbaikan kinerja waktu proses implementasi SPNN dengan memperhatikan bagian-bagian proses yang independent serta memodifikasi algoritmanya untuk dapat diterapkan pemrosesan secara paralel. Hasil eksperimen menunjukkan percepatan yang cukup berarti.

Abstrak :
Neural network attracts plenty of researchers lately. Substantial number of renowned universities have developed neural network for various both academically and industrially applications. Neural network shows considerable performance on various purposes. Nevertheless, for complex applications, neural network?s accuracy significantly deteriorates. To tackle the aforementioned drawback, lot of research-es had been undertaken on the improvement of the standard neural network. One of the most pro-mising modifications on standard neural network for complex applications is deep learning method. In this paper, we proposed the utilization of Particle Swarm Optimization (PSO) in Convolutional Neural Networks (CNNs), which is one of the basic methods in deep learning. The use of PSO on the training process aims to optimize the results of the solution vectors on CNN in order to improve the recog-nition accuracy. The data used in this research is handwritten digit from MNIST. The experiments exhibited that the accuracy can be attained in 4 epoch is 95.08%. This result was better than the conventional CNN and DBN. The execution time was also almost similar to the conventional CNN. Therefore, the proposed method was a promising method.

---

Jaringan syaraf tiruan menarik banyak peneliti dewasa ini. Banyak universitas-universitas terkenal telah mengembangkan jaringan syaraf tiruan untuk berbagai aplikasi baik kademik maupun industri. Jaringan syaraf tiruan menunjukkan kinerja yang patut dipertimbangkan untuk berbagai tujuan. Meskipun begitu, kinerja dari jaringan syaraf tiruan merosot dengan signifikan untuk masalah-masa-lah yang kompleks. Untuk menyelesaikan masalah tersebut di atas, banyak penelitian yang dilakukan untuk meningkatkan kinerja dari jaringan syaraf tiruan standar. Salah satu pengembangan yang men-janjikan untuk jaringan syaraf tiruan pada kasus yang kompleks adalah metode deep learning. Pada penelitian ini, diusulkan penggunaan metode Particle Swarm Optimization (PSO) pada Convolutional Neural Networks (CNNs), yang merupakan salah satu metode dasar pada deep learning. Penggunaan PSO dalam proses pelatihan bertujuan untuk mengoptimalkan hasil vektor solusi pada CNN, sehingga dapat meningkatkan akurasi hasil pengenalan. Data yang digunakan dalam penelitian ini adalah data angka yang berasal dari MNIST. Dari percobaan yang dilakukan akurasi yang dicapai dengan 4 iterasi adalah 95,08%. Hasil ini lebih baik dari CNN konvensional dan DBN. Waktu eksekusinya juga men-dekati CNN konvensional. Oleh karena itu, metode yang usulkan adalah metode yang menjanjikan.