Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Quadcopter atau Quadrotor adalah sebuah jenis helikopter tanpa awak yang memiliki empat rotor yang terpasang dengan propeller. Pada quadcopter memiliki 2 buah rotor yang berputar searah jarum jam dan 2 buah rotor yang berputar berlawanan arah jarum jam. Pada sebuah quadcopter memiliki keseimbangan yang tidak stabil secara aerodinamis sehingga memerlukan komputer untuk mengkonversi perintah input menjadi perintah yang dapat mengganti kecepatan rotasi dari propeller sehingga menghasilkan gerakan yang diinginkan. Seiring dengan perkembangan teknologi, khususnya Artificial Intelligence dan Machine Learning, teknologi telah menjadi bagian penting serta berpengaruh secara signifikan dalam kehidupan manusia. Pengaplikassian Artificcial Intelligence seperti Neural Network juga tidak luput pengaplikasiannya di bidang Quadcopter Unmanned Aerial Vehicles (UAV). Dalam hal ini Neural Network digunakan sebagai basis dari metode pengendalian yang hendak diaplikasikan pada Quadcopter Unmanned Aerial Vehicles (UAV) yang disebut sebagai Pengendali Neural Network. Metode pengendalian Neural Network merupakan metode pengendalian yang memiliki model matematika yang disusun oleh Artificial Neural Network (ANN) dimana pengendali Neural Network terdiri dari dua buah komponen dasar yakni komponen inverse dan komponen identifikasi. Jenis pengendali yang digunakan untuk menstabilisasi manuver pada pergerakan Quadcopter UAV kemudian diuji dan diverifikasi melalui simulasi yang dilakukan dengan bahasa pemrograman MATLAB serta dilakukan perbandingan dengan pengendali Single Neuron Adaptive PID sebagai pembanding dalam hal performa pengendali. ......A quadcopter, or quadrotor, is an unmanned helicopter with four rotors equipped with propellers. In a quadcopter, two rotors spin clockwise, and two rotors spin counterclockwise. A quadcopter has an aerodynamically unstable balance, which requires a computer to convert input commands into instructions that can change the rotation speed of the propellers to produce the desired movements. With the advancement of technology, especially Artificial Intelligence and Machine Learning, technology has become an integral and influential part of human life. Artificial Intelligence, such as Neural Networks, is also applied in the field of Quadcopter Autonomous Aerial Vehicles (UAV). In this context, Neural Networks are used as the basis for control methods to be applied to Quadcopter Unmanned Aerial Vehicles (UAV), referred to as Neural Network Controllers. The Neural Network Controller method is a control method with a mathematical model constructed by an Artificial Neural Network (ANN) consisting of two primary components: the inverse component and the identification component. The type of controller used to stabilize the maneuvers in the movement of the Quadcopter UAV is then tested and verified through simulations conducted in the MATLAB programming language and compared with Single Neuron Adaptive PID (SNAPID) controllers regarding controller performance.

Abstrak :
Proses produksi di industri modern yang semakin kompleks dapat menyebabkan proses berautokorelasi dan juga berkorelasi antar variabel. Untuk memonitor proses tersebut diperlukan metode yang tepat untuk menghindari terjadinya tipe error I (false alarm) maupun tipe error II dalam process monitoring. Pendekatan Artificial Neural Network (ANN) diketahui mampu menangani masalah yang kompleks pada proses multi variabel maupun multi atribut yang berkorelasi. Penelitian ini mengaplikasikan ANN untuk memonitor proses pengendalian kualitas multi atribut dengan data riil pengendalian kualitas suatu perusahaan manufaktur dan membandingkan performa ANN tersebut dengan multi-attribute control chart yang sudah ada dari perhitungan average run length. ......Production process in modern industry, which is getting more complex, could make process autocorrelated and also correlated between each variable. It is necessary to use the right method on process monitoring to prevent type I error (false alarm) and type II error. Artificial Neural Network (ANN) approach is known as capable method to handle complex problem on correlated mutlivariable or multi-attribute process. This study applies ANN to monitor multi-attribute quality control process using real quality control data from a manufacture company, and also compares the performance of ANN with the existing multiattribute control chart based on average run length calculation.

Abstrak :
Pilar adalah unit struktural penting yang digunakan untuk memastikan keselamatan penambangan di tambang batuan keras bawah tanah. Oleh karena itu, prediksi yang tepat mengenai stabilitas pilar bawah tanah sangat diperlukan. Salah satu indeks umum yang sering digunakan untuk menilai stabilitas pilar adalah Safety Factor (SF). Sayangnya, batasan penilaian stabilitas pilar menggunakan SF masih sangat kaku dan kurang dapat diandalkan. Penelitian ini menyajikan aplikasi baru dari Artificial Neural Network-Backpropagation (ANN-BP) dan Deep Ensemble Learning untuk klasifikasi stabilitas pilar. Terdapat tiga jenis ANN-BP yang digunakan untuk klasifikasi stabilitas pilar dibedakan berdasarkan activation function-nya, yaitu ANN-BP ReLU, ANN-BP ELU, dan ANN-BP GELU. Dalam penelitian ini juga disajikan alternatif pelabelan baru stabilitas pilar dengan mempertimbangkan kesesuaiannya dengan SF. Stabilitas pilar diperluas menjadi empat kategori, yaitu failed dengan safety factor yang sesuai, intact dengan safety factor yang sesuai, failed dengan safety factor yang tidak sesuai, dan intact dengan safety factor yang tidak sesuai. Terdapat lima input yang digunakan untuk setiap model, yaitu pillar width, mining height, bord width, depth to floor, dan ratio. Hasil penelitian menunjukkan bahwa model ANN-BP dengan Ensemble Learning dapat meningkatkan performa ANN-BP dengan average accuracy menjadi 86,48% dan nilai F2 menjadi 96,35% untuk kategori failed dengan safety factor yang tidak sesuai. ......Pillars are important structural units used to ensure mining safety in underground hard rock mines. Therefore, precise predictions regarding the stability of underground pillars are required. One common index that is often used to assess pillar stability is the Safety Factor (SF). Unfortunately, such crisp boundaries in pillar stability assessment using SF are unreliable. This paper presents a novel application of Artificial Neural Network-Backpropagation (ANN-BP) and Deep Ensemble Learning for pillar stability classification. There are three types of ANN-BP used for the classification of pillar stability distinguished by their activation functions: ANN-BP ReLU, ANN-BP ELU, and ANN-BP GELU. This research also presents a new labeling alternative for pillar stability by considering its suitability with the SF. Thus, pillar stability is expanded into four categories: failed with a suitable safety factor, intact with a suitable safety factor, failed without a suitable safety factor, and intact without a suitable safety factor. There are five inputs used for each model: pillar width, mining height, bord width, depth to floor, and ratio. The results showed that the ANN-BP model with Ensemble Learning could improve ANN-BP performance with an average accuracy of 86.48% and an F2-score of 96.35% for the category of failed with a suitable safety factor.

Abstrak :
Di Indonesia, dengue telah menjadi salah satu penyakit yang bersifat hiperendemis. Dengue diderita oleh masyarakat dari berbagai kalangan usia, baik pria maupun wanita. Dengue memiliki manifestasi klinis yang terdiri dari tiga fase: fase demam, fase kritis, dan fase penyembuhan. Banyak pasien dengue meninggal pada fase kritis karena pengobatan yang tidak dilaksanakan tepat waktu. Oleh karena itu, dibangunlah model-model yang dapat memprediksi tingkat keparahan dengue berdasarkan hasil uji laboratorium dari pasien yang bersangkutan menggunakan Artificial Neural Network (ANN) dan Analisis Diskriminan (AD). Dalam pembangunan model-model tersebut, digunakan data dengan jumlah yang sangat kecil, yakni sebesar 77 data. Dalam data tersebut, terdapat informasi mengenai hasil uji laboratorium dan diagnosis dari pasien yang bersangkutan. Diagnosis tersebut dikelompokkan ke dalam tiga kategori keparahan dengue, yakni DF sebagai tingkat ringan, DHF grade 1 sebagai tingkat sedang, dan DHF grade 2 sebagai tingkat parah. Dalam penelitian ini, dilakukan tiga pemisahan data, yakni dengan rasio data training : data testing sebesar 70% : 30%, 80% : 20%, and 90% : 10%. Berdasarkan hasil yang diperoleh, model-model prediksi ANN yang dibangun menggunakan fungsi aktivasi logistik dan tangen hiperbolik dengan persentase data training sebesar 70% menghasilkan akurasi (90.91%), sensitivitas (91.11%), dan spesifisitas (95.51%) tertinggi. Model-model tersebutlah yang diajukan dalam penelitian ini. Model-model tersebut akan mampu membantu para dokter dalam memprediksi tingkat keparahan dengue dari pasien yang bersangkutan sebelum memasuki fase kritis. Lebih jauh, model-model tersebut dapat memudahkan para dokter dalam mengobati pasien dengue secara dini, sehingga kasus-kasus fatal atau kematian dapat dihindari. ......In Indonesia, dengue has become one of the hyperendemic diseases. Dengue is being suffered by many people of all ages, both men and women. Dengue has clinical manifestations that are divided into three phases: febrile phase, critical phase, and convalescence phase. Many patients have died in the critical phase due to the lack of timely treatment. Therefore, I developed models that can predict the severity of dengue based on the corresponding patients’ laboratory test results using Artificial Neural Network (ANN) and Discriminant Analysis (DA). In developing the models, I used a very small dataset, which only consisted of 77 data. The data contains information regarding the laboratory test results and the diagnosis of each of the corresponding patients. The diagnoses were classified into three categories of dengue severity, which are DF as the mild level, DHF grade 1 as the intermediate level, and DHF grade 2 as the severe level. I conducted three different data split, that is, with the ratio of training : testing = 70% : 30%, 80% : 20%, and 90% : 10%. It is shown that ANN models developed using logistic and hyperbolic tangent activation function with 70% training data yielded the highest accuracy (90.91%), sensitivity (91.11%), and specificity (95.51%). These ANN models are the proposed models in this research. The proposed models will be able to help physicians predict the dengue severity of a corresponding patient before entering the critical phase. Furthermore, it will ease physicians in treating dengue patients early, so deaths or fatal cases can be avoided.

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 :
ABSTRAK Penelitian yang sudah dan akan dilakukan untuk mencari kondisi-kondisi optimal dari zeolit sebagai katalis haruslah mengeluarkan biaya yang besar, jika dilakukan dengan mencoba-coba harga parameter zeolit yang akan diteliti. Salah satu metode yang mempunyai kemampuan untuk menyelesaikan masalah yang sulit diselesaikan dengan metode komputasi biasa adalah Jaringan Neural Artifisial (JNA). Hal ini dikarenakan penggunaan zeolit sebagai katalis kendaraan bermotor melibatkan banyak variabel-variabel pertimbangan. Perubahan yang terjadi pada salah satu variabel akan menyebabkan perubahan pada variabel yang lainnya. Jaringan Neural Artifisial, yang digunakan untuk optimalisasi katalis zeolit di dalam mengeliminasi SOx dari gas buang, dilatih untuk menghubungkan parameter-parameter di dalam preparasi dan operasi katalis zeolit. Parameter-parameter tersebut adalah suhu, kapasitas adsorpsi, %CuO teraktifkan, laju SOS, laju reaksi, % loading, luas permukaan katalis dan % dispersi inti aktif katalis. Hasil pelatihan tersebut kemudian divisualisasikan untuk dapat memprediksikan kondisi optimal katalis zeolit. Dengan demikian hasil pelatihan yang dihasilkan oleh jaringan neural buatan dapat memberikan masukan atau nasehat kepada para peneliti maupun industri mobil yang akan melakukan penelitian di bidang katalis. Hal ini tentu menghemat biaya yang dikeluarkan karena penelitian dilakukan sesuai prediksi parameter yang telah dilakukan oleh Jaringan Neural Artifisial. Hasil dari penelitian ini adalah berupa perangkat lunak komputer yang diberi nama NetCat. NetCat telah dirancang dan dibuat sedemikian rupa sehingga memudahkan bagi pengguna (user) untuk memprediksi parameter-parameter dalam penelitian dibidang katalis CuO/Zeolit Alam.

Abstrak :
Tesis ini membahas identifikasi sistem dan inversi sistem untuk sistem evaporasi limbah cair radioaktif dengan Jaringan Syaraf Tiruan (JST), yang meliputi penentuan parameter JST yang diperlukan. Perancangan model JST dimaksudkan untuk merancang sistem pengendalian inversi yang sesuai. Dalam tesis ini digunakan struktur Multi-Layer Feedforward Network, yang terdiri dari lapisan masukan, lapisan keluaran dan 2 buah lapisan tersembunyi. Data diperoleh dari evaporator limbah cair radioaktif yang sebenarnya, yaitu dari Pusat Pengelolaan Pengembangan Limbah Radioaktif (P2PLR), PT. BATAN, Serpong, yang kemudian data tersebut digunakan untuk melatih dan menguji JST. Identifikasi sistem dan inversi sistem dilakukan dengan menggunakan model JST dengan struktur serial-paralel dan pelatihan JST dengan menggunakan algoritma Error Back Propagation. Hasil identifikasi tersebut diuji dengan memberikan masukan referensi pads pengendali. Berdasarkan hasil tes tanggapan waktu lingkar terbuka dan perhitungan harga MAE (Mean Absolute Error), ternyata didapat bahwa hasil pengendalian plant adalah baik.

---

This thesis discusses about identification of system and inverse system of an evaporation of liquid waste system using Artificial Neural Network (ANN) that includes determining the parameters required to get the ANN's model of the system. The ANN's model is used to design an appropriate inverse controller for the plant system. In this thesis, the Feed forward Multi-Layer Network is used which contains input layer, output layer and two hidden layers. The data are collected from the real evaporator of radioactive liquid waste plant at Pusat Pengelolaan Pengembangan Limbah Radio aktif (P2PLR), PT. SATAN, Serpong, then the data are used to train and to test the ANN. The ANN is implemented by using serial-paralel structure and is trained using error back propagation method. The ANN's model is tested using a reference input to the controller. Based on open loop time response test dan calculating the Mean Absolute Error (MAE), yields a good controlling to the plant.

Abstrak :
Berdasarkan data Kementerian Perindustrian, industri kabel diperkirakan akan mengalami pertumbuhan sekitar 10% -15% beberapa tahun ke depan. Industri kabel saat ini sedang aktif menyuplai industri otomotif, kenaikan penjualan otomotif dan variasi produk ini yang sangat sulit di antisipasi permintaannya. Oleh karena itu, untuk menghadapi ketidakpastian ini, pelaku bisnis harus memiliki alat atau strategi agar rencana strategis perusahaan menjadi andal. Beberapa penelitian sebelumnya tentang prediksi jumlah stok produk di masa depan, menyimpulkan bahwa inventori, baik dalam bentuk bahan baku, barang dalam proses, produk setengah jadi dan produk jadi, pada biaya inventori 20% hingga 40% dari nilai produk. Dengan demikian, pengendalian inventori sangat penting dalam bisnis perusahaan. Kontribusi utama dari penelitian ini adalah membuat model pendukung keputusan dengan memprediksi pesanan dari pelanggan untuk meminimalkan risiko kegagalan persediaan. Oleh karena itu, kombinasi Fuzzy Analytic Hierarchy Process (Fuzzy AHP) dan Artificial Neural Network (ANN) dilakukan untuk manajemen inventori. ......Based on data from the Ministry of Industry, the cable industry is expected to experience growth of around 10% -15% in the next few years. The cable industry is currently actively supplying the automotive industry, the increase in automotive sales and variations in these products are very difficult to anticipate demand. Therefore, to deal with this uncertainty, business people must have a tool or strategy so that the company`s strategic plan becomes reliable. Some previous studies on the prediction of the number of product stocks in the future, concluded that inventory, both in the form of raw materials, in-process goods, semi-finished products and finished products, at inventory costs 20% to 40% of product value. Thus, inventory control is very important in the company`s business. The main contribution of this research is to make a decision support model by predicting orders from customers to minimize the risk of inventory failure. Therefore, a combination of Fuzzy Analytic Hierarchy Process (Fuzzy AHP) and Artificial Neural Network (ANN) is carried out for inventory management.

Abstrak :
Salah satu cara untuk membuat sistem penciuman buatan adalah dengan cara membuat alat non-destruktif untuk mengukur buah matang atau busuk. buah yang dipilih adalah buah yang mengeluarkan gas yang cukup untuk dideteksi oleh sensor. Sistem ini terdiri dari sebuah semikonduktor gas dengan komponen data akuisis dan analisisnya. data diambil dari beberapa sampel buah dengan rentang waktu yang berbeda beda. Setiap tahap kematangan memiliki nilai yang berbeda beda yang dideteksi oleh sensor. Untuk menganalisa data kita menggunakan artificial neural network (ANN) untuk mengklasifikasikan data untuk menentukan buah tersebu matang atau busuk. jaringan ini di integrasikan kedalam sistem yang akan dibuat untuk mendeteksi buah tersebut. Dalam hal ini digunakan mikrokontroller ATMEGA 8535 untuk mendeteksi buah tersebut. Mikrokontroller digunakan untuk memonitor besaran arus ketika dilakukan pengambilan data oleh sensor dan kemudian melakukan pemrosesan data menggunakan ANN serta menampilkan hasil konsentrasi secara langsung melalui perangkat LCD display. Dengan adanya hidung elektronik ini semoga dapat membantu industri buah untuk membedakan buah yang matang dan yang busuk.  ......One way to make an artificial olfactory system is by making a non-destructive tool to measure ripe or rotten fruit. the fruit chosen is the fruit that emits enough gas to be detected by the sensor. This system consists of a gas semiconductor with data acquisition and analysis components. Data is taken from several fruit samples with different timeframes. Each stage of maturity has a different value that is detected by the sensor. To analyze data we use artificial neural networks (ANN) to classify data to determine which fruit is ripe or rotten. This network is integrated into the system that will be made to detect the fruit. In this case the ATMEGA 8535 microcontroller is used to detect the fruit. Microcontroller is used to monitor the amount of current when data is taken by the sensor and then perform data processing using ANN and display the results of concentration directly through the LCD display device. With this electronic nose, hopefully it can help the fruit industry to distinguish between ripe and rotten fruit.

Abstrak :
Saat ini banyak bermunculan jasa pengiriman paket barang. Hal ini memicu perusahaan pengiriman paket barang memberikan kualitas layanan yang baik kepada para konsumennya. PT Pos Indonesia merupakan BUMN yang bergerak di bidang jasa pengiriman surat dan paket. PT Pos Indonesia sedang berusaha meningkatkan kualitas layanannya untuk mengambil kembali pangsa pasar pengiriman paket barang. Dalam upaya meningkatkan kualitas layanannya diperlukan sebuah metode pengukuran kualitas layanan yang bisa memberikan gambaran secara akurat penilaian kualitas menurut persepsi pelanggan. Artificial Neural Network (ANN) merupakan salah satu bagian dari data mining yang dapat digunakan untuk pengukuran kualitas. Namun, ANN memiliki keterbatasan dalam penentuan nilai parameter yang digunakan. Penelitian ini bertujuan mengintegrasikan Genetic Algortihm dan ANN untuk mengoptimasi nilai paramater sehingga diperoleh hasil pengukuran kualitas yang akurat. Data penilaian kualitas menurut persepsi pelanggan diperoleh melalui survey menggunakan kuesioner. Hasil pengukuran kualitas menggunakan integrasi ANN-GA menunjukkan bahwa nilai kualitas layanan paket barang PT Pos Indonesia secara keseluruhan sudah baik. Selain itu, performa hasil pengukuran menggunakan integrasi ANN-GA lebih bagus daripada menggunakan metode ANN. ......Today many emerging parcel delivery services. This triggers the parcel delivery company provide good quality service to its customers. PT Pos Indonesia is a state-owned enterprise engaged in mail and parcel delivery services. PT Pos Indonesia is trying to improve the quality of its services to take back market share package delivery goods. In an effort to improve service quality required a method of measuring the quality of service that can give an accurate quality assessment according to customer perceptions. Artificial Neural Network (ANN) is one part of data mining that can be used to measure quality. However, ANN has limitations in determining value of the parameters used. This research aims to integrate Genetic algorithm and ANN to optimize value of parameters in order to obtain an accurate quality measurement results. Data quality assessment according to customers' perceptions obtained through surveys using questionnaires. Quality measurement results using ANN-GA integration shows that service quality of parcel delivery PT Pos Indonesia as a whole has been good. In addition, the performance measurement results using the integration ANN-GA better than using ANN.