Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Algoritma K-Support Vector Nearest Neighbor (K-SVNN) menjadi salah satu alternatif metode hasil evolusi K-Nearest Neighbor (K-NN) yang bertujuan untuk mengurangi saat prediksi tetapi tetap mempertahankan akurasi prediksi. Metode ini masih relatif muda sehingga baru dibandingkan hanya dengan metode-metode berbasis K-NN lainnya. Dalam penelitian ini dilakukan analisis perbandingan kesamaan, perbedaan, dan kinerja terhadap metode Decision Tree (DT) dan Naïve Bayes (NB). Pengujian dengan perbandingan ini penting untuk mengetahui keunggulan dan kelemahan relatif yang dimiliki oleh K-SVNN. Dengan mengetahui keunggulan dan kelemahan maka metode tersebut dapat dibuktikan kehandalannya ketika diimplementasikan. Pengujian dilakukan baik pada saat pelatihan maupun prediksi. Kinerja pelatihan diukur dalam hal waktu yang digunakan untuk pelatihan, kinerja prediksi diukur dalam hal waktu yang digunakan untuk prediksi dan akurasi prediksi yang didapat. Hasil pengujian menunjukkan bahwa K-SVNN mempunyai akurasi yang lebih baik daripada DT dan NB. Sedangkan waktu yang digunakan untuk pelatihan dan prediksi K-SVNN lebih lama disbanding DT dan NB.

Abstrak :
The capabilities of artificial neural network (ANN) : generalization, adaptive, and tolerant became a basis in choosing the pattern recognition methods of Javanese charahters....

Abstrak :
Land cover information is vital for supporting decision concerning the management of the environment and for understanding the causes and trnds of human and natural processess on the earth surface....

Abstrak :
abstrak
Konsumsi energi listrik nasional mengalami pertumbuhan rata-rata sekitar 4,8 per tahun selama 5 tahun terakhir, salah satunya adalah sektor rumah tangga. Salah satu solusi untuk mengurangi konsumsi energi listrik pada sektor ini adalah dengan memonitor konsumsi beban listrik peralatan rumah tangga dan memberikan informasi ini kembali kepada pelanggan. Salah satu teknik memonitor konsumsi beban peralatan listrik paling efisien dan murah adalah teknik Non-Intrusive Load Monitoring (NILM). Berbeda dengan teknik konvensional, NILM menjanjikan pengurangan penggunaan sensor secara signifikan. NILM umumnya menggunakan kondisi daya listrik saat transien atau tunak. Pada penelitian ini, metode Back- Propagation Artificial Neural Network (BP-ANN) akan dikembangkan untuk dapat mengidentifikasi penggunaan peralatan rumah tangga pada sinyal daya listrik dalam kondisi tunak dengan fitur ekstraksi perubahan daya. Fitur ekstraksi tersebut memiliki keunggulan yaitu pada akusisi data menggunakan tingkat sampling yang rendah. Dalam penelitian ini telah dikembangkan arsitektur jaringan syaraf tiruan dengan tipe dual input. Tipe dual input pada jaringan syaraf tiruan tersebut terdiri dari daya aggregate dan daya maksimum peralatan rumah tangga. Penggunaan arsitektur jaringan syaraf tiruan dengan tipe dual input ini unggul dalam mengidentifikasi penggunaan peralatan rumah tangga yang memiliki karakteristik nilai daya hampir mirip atau sama dan karakteristik daya dengan kondisi multi daya. Untuk memverifikasi efektivitas metode yang dikembangkan, maka data beban peralatan rumah tangga yang digunakan adalah tracebase dataset dan penyusunan datanya menggunakan model synthetic aggregate. Dari hasil pengujian tipe dual input pada arsitektur jaringan syaraf tiruan ini dapat mengidentifikasi penggunaan peralatan rumah tangga yang memiliki nilai daya hampir mirip atau sama dan karakteristik daya dengan kondisi multi daya, sehingga dapat meningkatkan nilai Recognition Rate (RR) sampai 94.2.

---

abstract
National electric energy consumption experienced average growth about 4.8 per annum over the past 5 years, one of them is household sector. One of the solutions to reduce electrical energy consumption in this sector is to monitor electric power consumption of household appliances and to give this information back to consumers. One of the most efficient and the cheapest techniques to monitor the electric power consumption appliances is Non-Intrusive Load Monitoring (NILM). This is different with conventional techniques where NILM promises the reduction of sensor deployment significantly. NILM commonly uses either transient or steady state signal. In this research, the method of Back-Propagation Artificial Neural Network (BP-ANN) will be developed to identify the utilization of household appliances using power change features extraction in the steady state signals. The feature extraction has an advantage on data acquisition by applying a low sampling rate. This research has developed neural network architecture with dual input type. Dual input types of the neural network consist of aggregate power and maximum power of the household appliances. Applying of neural network architecture with dual input types outperforms in identifying of the household appliances load where the power is almost similar and it has a multi states power characteristics. To verify the effectiveness of the method, the data of the load is provided by tracebase dataset and the forming of the data uses a synthetic aggregate model. From the experiment result of the dual input type in the neural network architecture, it can identify the load which has power almost similar and it has a multi states power characteristics. Finally, it can increase the value of Recognition Rate (RR) to 94.2

Abstrak :

Perkembangan kecerdasan buatan (artificial intelligence/AI) bergerak semakin cepat dan mengalami kemajuan pesat dalam setiap bidang kehidupan manusia, tak terkecuali dalam dunia kendali industri. Sementara kendali industri mensyaratkan sistem pengendali yang mampu mengatasi perubahan karakteristik secara otomatis serta dapat beradaptasi dengan dinamika perubahan sistem yang diakibatkan adanya perubahan kondisi lingkungan kerja. Pengendali berbasis kecerdasan buatan dianggap mampu untuk beradaptasi dengan perubahan karakteristik dari sistem secara otomatis adalah pengendali berbasis neural network. Dalam penelitian ini disajikan desain dan simulasi sistem pengendali berbasis neural network dengan metode pembelajaran back propagation yaitu pengendali inverse langsung(direct inverse control/DIC), pengendali neuron tunggal(single neuron controller), serta pengendali PID pada plant modul training pressure process rig(PPR 38-417). Untuk pengujiannya, didesain sistem identifikasi berbasis neural network sebagai simulator plant. Hasilnya, semua sistem kendali yang didesain tersebut mampu mengendalikan plant sesuai dengan sinyal referensi yang dinginkan. Namun pengendali single neuron dan PID mampu mempertahankan keluarannya dengan baik saat diberi gangguan pada sinyal kendali maupun plant dibandingkan dengan pengendali inverse langsung(ANN-DIC). Hal ini dikarenakan kendali single neuron dan PID bersifat close loop sehingga mampu mengkoreksi kesalahan secara langsung. Sementara jika dibandingkan dengan kendali PID, kendali single neuron lebih adaptif untuk berbagai kondisi gangguan karena memiliki metode pembelajaran langsung, sementara kendali PID perlu dilakukan tunning untuk mendapatkan unjuk kerja yang handal.

---

The development of artificial intelligence (AI) is moving faster and experiencing rapid progress in every area of human life, not least in the world of industrial control. While industrial control requires a control system that is able to overcome changes in characteristics automatically and can adapt to the dynamics of system changes caused by changes in working environment conditions. Artificial intelligence-based controllers are considered capable of adapting to changes in the characteristics of the system automatically is a neural network-based controller. In this study, the design and simulation of a neural network-based controller system with back propagation learning methods, namely direct inverse control (DIC) and single neuron controller, as well as PID controllers for the pressure process rig (PPR 38-417) training module. For the test, a neural network-based identification system is designed as a simulator plant. As a result, all the control systems designed are able to control the plant in accordance with the desired reference signal. However, single neuron and PID controllers are able to maintain their output well when given interference with the control signal or plant compared to the direct inverse controller (ANN-DIC). This is because single neuron control and PID are close loop so that they can correct errors directly. Meanwhile, when compared to PID control, single neuron control is more adaptive for a variety of disruption conditions because it has a direct learning method, while PID control needs to be tuned to get reliable performance.

Abstrak :
Makalah ini menjelaskan metode pelacakan objek bergerak berdasarkan prediksi 1 hingga 5 langkah di depan. Prediksi menggunakan jaringan syaraf tiruan dengan metode propagasi balik untuk melatih jaringan. Objek bergerak yang digunakan dalam percobaan adalah bola tenis meja kecil. Struktur JST memiliki enam neuron input dan lima neuron output dengan sepuluh neuron di lapisan tersembunyi. Menggunakan data 70 dari posisi pergerakan objek untuk pelatihan, dan 30 data untuk menguji prediksi posisi bola. Itu menunjukkan bahwa pelatihan ANN dapat mencapai berarti kesalahan persegi MSE sekecil 0,0091 untuk koordinat X dan 0,0012 untuk koordinat Y. Pada pengujian prediksi posisi bola, ditunjukkan bahwa metode dapat mencapai MSE sebesar 4,72 untuk koordinat X dan MSE sebesar 2,48 untuk koordinat Y.

---

This paper described a method of tracking a moving object based on 1 to 5 step ahead prediction. The prediction was using the artificial neural network with back propagation method for training the network. The moving object used in the experiments is a small table tennis ball. The ANN structures have six inputs neurons and five outputs neurons with ten neurons in the hidden layer. Using 70 data of the object movement positions for training, and 30 data for testing the prediction of the ball positions. It was shown that the training of the ANN can achieved means square error MSE as small as 0.0091 for the X coordinate and 0.0012 for the Y coordinate. At the ball position prediction testing, it was shown that the method can achieved the MSE of 4.72 for X coordinate and MSE of 2.48 for Y coordinate.

Abstrak :
Non-performing loans has been one of the biggest problems in the banking sector. One alternative to minimize credit risk is to improve the evaluation of the applicant's credibility. Credit risk assessment methods must be improved. Credit scoring is an evaluation of the feasibility of credit requests. Poor credit can lead to an increase in non-preforming loans that may reduce bank productivity even in the event of financial crises and financial institutions bankruptcy. The number of Data-mining-based Credit scoring model has increased. The performance of classifiers in solving financial problem become the main reason why it is growing rapidly. Previously, credit scoring is based on the conventional statistics such as logistic regression and discriminant analysis. Eventhough those techniques produce a good accuracy, some of the assumptions cannot be accomplished by the data. Along the development of infromation technology, more advance approach named data mining has been developed. Therefore, this study performs Data Mining approach to solve NPL percentage problems in Bank. The classification methods that will be used is Decision Tree C4.5, Back Propagation Neural Network, and ensemble classifier algorithms. Classifier with the best accuracy is Decision Tree C4.5 with Adaboost with 98,87% The best sensitivity also performed by Decision Tree C.5 complemented by adaboost with 97,3%. It is considered as the best model in terms of prevent the type II error which could impact to the increase of non-performing loan in a bank.

 

Abstrak :
Keberadaan COVID-19 di Indonesia saat ini bukanlah satu-satunya wabah penyakit yang harus diwaspadai. Menteri Kesehatan mengatakan ada penyakit yang tidak kalah  berbahaya dan juga tidak kalah mematikan dibandingkan dengan wabah penyakit COVID-19, yaitu Demam Berdarah Dengue. Penyakit ini sudah sepatutnya untuk diwaspadai mengingat jumlah kasusnya yang semakin meningkat dan melebihi jumlah kasus penyakit COVID-19. Faktor cuaca seperti curah hujan, temperatur, dan kelembapan merupakan faktor yang sangat berpengaruh dalam penyebaran parasit dan vektor penular DBD. Untuk mengoptimalkan upaya pencegahan dan penanganan DBD, perlu dilakukannya prediksi terkait jumlah insiden DBD. Dalam tugas akhir ini dilakukan proses prediksi jumlah insiden DBD di DKI Jakarta dengan memperhitungkan faktor iklim (curah hujan, kelembapan, dan temperatur) menggunakan metode Extreme Learning Machine dan metode Artificial Neural Network-Back Propagation serta membandingkan kinerja dari kedua metode tersebut.  Berbeda dari Artificial Neural Network-Back Propagation, Extreme Learning Machine tidak membutuhkan proses iterasi untuk update parameter. Dengan menggunakan data variabel cuaca dan data jumlah insiden DBD kumulatif, Extreme Learning Machine dapat memberikan hasil prediksi yang lebih akurat dibandingkan dengan  Artificial Neural Network - Back Propagation. Extreme Learning Machine dengan persentase data training sebesar 90% menunjukkan hasil prediksi yang lebih baik dibandingkan dengan persentase data training lainnya yang digunakan dalam tugas akhir ini yaitu sebesar 80% dan 70%.

---

The existence of COVID-19 currently in Indonesia is not the only disease which must be watched out. The Health Ministry has said that there was a disease that is as dangerous as COVID-19. That disease is Dengue Fever. Dengue Fever also must be given an extra caution because it is noted that until now the number of dengue cases continues to increase and exceeds COVID-19 cases. The weather factors, such as rainfall, temperature, and humidity, are a very influential factor in the spread of parasites and infectious vectors of dengue fever.  To optimize the dengue handling and prevention effort, it is important to make the dengue cases prediction. In this final paper, the number of dengue incidences will be predicted by involving weather factors (rainfall, temperature, and humidity) using Extreme Learning Machine and Artificial Neural Network-Back Propagation and also comparing the both of their performance. Unlike the Artificial Neural Network-Back Propagation, Extreme Learning Machine does not need the iteration process to update the parameter. The result shows that Extreme Learning Machine can give the dengue incidences prediction  which is more accurate than the dengue incidences prediction that is given by using Artificial Neural Network-Back Propagation. Extreme Learning Machine by using 90% training data can show the better prediction result than other training data percentage which is used in this final paper, 80% and 70%.

Abstrak :
Telab dikembangkan Sistem Pengenalan Cacat pada Pengelasan Melat dengan menggunakan analisis multi resolusi sebagai ekstraksi ciri dan jaringan neural buatan sebagai pengklasiflkasinya. Input citra merupakan film Sinar-X dari teknik radiografi beberapa pengelasan metal yang telah didigitalisasi. Ekstraksi ciri menggunakan wavelet dan 14 ciri Harralick untuk mengenali pola tektur dalam citra. Sedangkan jaringan neural buatan yang digunakan adalah Back Propagation dan Probabilistic Neural Network. Pengklasifikasi pengenalan cacat akan dikelompokan menjadi 8 kelas berdasarkan jenis cacat yaitu : kelas 1 (normal), kelas 2 (distributed porosity), kelas 3 (incomplete penetration), kelas 4 (burn through), kelas 5 (cluster porosity), kelas 6 (excessive cap), kelas 7 (excessive penetration) dan kelas 8 (incomplete fussion). Hasil akurasi pengenalan terbaik untuk citra yang belum diketahui jenis cacatnya mencapai 83% untuk perbandingan data pelatihan dan data pengujian 1; 1.

Abstrak :
ABSTRACT
Required Safe Egress Time (RSET) consists of 4 elements, namely, fire detection time, alarm time, pre-evacuation time, and travel or movement time. Pre-evacuation time is currently regarded as the key critical evacuation process. If pre-evacuation time is not explicit, RSET timeline will not be reliable and effect on life of evacuees in the building. The purpose of this cross-sectional study was to develop the model for predicting pre-evacuation time in 10 plastic industries. Regression analysis was performed in order to find the factors significantly associated with pre-evacuation time. Only 4 influenced variables were tested by using regression analysis. Regression analysis and back propagation artificial neural networks model (BP-ANNs) were run to predict pre-evacuation time from 4 influential variables. BP-ANNs model was constructed as 4-10-1 by comprising of 4 input variables, 10 hidden nodes, 1 output variable, momentum was 0.05, learning rate was 0.08, and learning time was 100,000 epochs. The findings revealed BP-ANNs model showed the least error with the value of Mean Absolute Deviation (MAD), Mean Absolute Percentage Error (MAPE), Mean Squared Error (MSE) and Root Mean Square Error (RMSE) were 2.04, 1.64, 1743.90 and 41.76 respectively when comparing with regression analysis model. BP-ANNs model can correctly predict pre-evacuation time with 75.15% accuracy. Therefore, BP-ANNs was an appropriate model for predicting pre-evacuation. This finding showed the advantage of BP-ANNs model which was more suitable to predict RSET and eliminated factors that could delay evacuation time in 10 plastic industries.