Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKTujuan utama dalam pengembangan sistem distribusi adalah meminimumkan biaya-biaya. baik biaya investasi maupun biaya operasional. Sebenarnya tujuan ini sesuai dengan persyaratan utama dalam pengembangan sistem distribusi, yaitu : Harus memenuhi kelayakan tehnis, harus memenuhi kelayakan ekonomis dan harus pula hemat energi. Permasalahan utamanya sendiri dalam hal ini tampak sederhana yaitu menentukan lokasi dan dimensi gardu distribusi serta dimensi penyulang yang optimum. Namun dalam pelaksanaannya, baik persyaratan maupun permasalahan tersebut mempunyai makna yang dalam. Bila ditelusuri lebih lanjut tampaklah kekompleksitasannya. Sehingga dalam mengoptimalkan sistem tidak semudah seperti yang dibayangkan. Parameter-parameter bantu, seperti tingkat beban puncak, pertumbuhan kebutuhan tenaga Ustrik, geografis dan topologis daerah pusat beban, lintasan terdekat penyulang dan lain-lainnya muncul satu persatu saling kait mengait. Oleh karena itu untuk mengoptimalkan sistem distribusi seperti demikian diperlukan alat bantu yang dapat mengatasi kekompleksitasan permasalahan di atas. Neuro-Fuzzy adalah salah satu alat bantu modern yang merupakan kombinasi dari logika Fuzzy dan Jaringan Syaraf Buatan, JSB (Artificial Neural Network), sehingga mampu bekerja dengan cepat dan memberikan hasil yang akurat pula. Keakuratan tersebut terjadi karena kombinasi itu sendiri, dimana antara Fuzzy dan JSB selling melengkapi dan saling menutupi kelemahan pasangannya. Dengan batuan algoritma neuro-fuzzy inilah lokasi dan dimensi gardu distribusi dapat ditentukan secara optimum. Demikian pula dengan sistem distribusi lain yang terkait dengan lokasi serta dimensi gardu tersebut."

"Pada paper ini mendiskusikan pengembangan modul perangkat lunak pemeriksaan kinerja tingkat kesehatan perusahaan dengan menggunakan teknik neuro-fuzzy. Modul pemeriksaan meliputi tahap operasional dan keuangan. Modul perangkat lunak tersebutdikenal dengan sistem intelijen penilaian kinerja perusahaan (SIPKP). SIPKP dapat digunakan sebagai media konsultasi. Keluaran dari SIPKP meliputi identitas perusahaan, prestasi penilaian kinerja, struktur ANFIS (adaptive, neuro-fuzzy inference system), fungsi keanggotaan, rule dan saran terapo. Teknik neuro-fuzzy menerapkan teknik fuzzy inherence system (FIS) dan algoritma dari jaringan saraf tiruan (JST). FIS berfungsi untuk menggambarkan pemetaan input ke output dengan logika fuzzy. Algoritma pembelajaran jaringan saraf tiruan digunakan untuk mengoptimalkan nilai parameter keanggotaan dalam FIS sedangkan proses terapi atau analisa hasil pemeriksaan menggunakan metode rule base atau aturan if then."

"Preliminary cost estimates play an important role in project decisions at the beginning of design phase of construction project under a limited definition of scope and constraints in available information and time. This study proposes a new approach of preliminary cost estimation model using regression analysis incorporated with adaptive neuro fuzzy inference system (ANFIS). Regression analysis (RA) is used for determination of the significant parameters as input variables in ANFIS model. Datasets of 55 low-cost apartment projects in Indonesia were compiled to demonstrate the advantage of the proposed method. The mean absolute percent error (MAPE) of testing data of the proposed model is 3.98% whereas the MAPE of RA and neural network (NN) models are, respectively, 6.92% and 10.12%, thus indicating better accuracy performance of the proposed model over the latter ones."

"Identifikasi retina merupakan metode identifikasi biometrik dengan tingkat kesalahan rendah melalui pola-pola unik pembuluh darah di bagian belakang retina. Pola-pola ini dapat digunakan sebagai data latih logika neuro fuzzy untuk kemudian digunakan sebagai pembanding pada saat identifikasi dilakukan.Penelitian ini bertujuan untuk mengenali citra retina mata manusia, baik bagian kiri maupun kanan, menggunakan teknik pengolahan citra dan Adaptive Neuro Fuzzy Inference System (ANFIS). Pada proses pengenalan retina ini, citra digital yang sudah diakuisisi akan dicrop dan dibagi menjadi image block berukuran 4x4. Kemudian blok citra dikonversi dari format Red Green Blue (RGB) menjadi format Hue Saturation Value (HSV). Untuk mendapatkan parameter fitur warna HSV, setiap komponen warna HSV dihitung nilai rata-ratanya. Nilai rata-rata HSV dimasukkan ke dalam database dan dilatih dengan ANFIS yang terdiri atas 2 jenis membership function, yaitu Gaussian dan Trapesium dengan 3 input dan 1 ouput.Dari hasil uji coba, hasil identifikasi memiliki tingkat akurasi hingga 65% untuk membership function Trapesium dan 80% untuk membership function Gaussian dengan 60 kali pelatihan ANFIS.

---

Retina identification is a biometric identification method which has very low error rate using a unique blood vessel pattern in the back of the retina. The identification involved an infrared scanned retina imagery which is analyzed using image processing technique to derive the color characteristics and then trained into the Adaptive Neuro Fuzzy Inference System (ANFIS).The objective of this research to identify a person?s identity from his/her retina image. The identification process is started by cropping the digital retina image then transformed into an 4x4 image block. The image block is then converted from Red Green Blue (RGB) color format to the Hue Saturation Value (HSV) format. Each color component of HSV values is then averaged, saved to a database and trained using ANFIS. The Neuro fuzzy used Gaussian and Trapezoid membership function which have 3 input and 1 ouput, respectively.The simulation results showed the identification system has an accuracy rate up to 65% and up to 80%, for Trapezoid and Gaussian membership function, respectively. This results are achieved using 60 training data in the ANFIS."

"

Demam Berdarah Dengue (DBD) merupakan penyakit yang banyak ditemukan di sebagian besar wilayah tropis dan subtropis. DBD merupakan penyakit infeksi yang disebabkan oleh virus dengue yang termasuk ke dalam family flaviviridae dan genus flavivirus yang ditularkan ke manusia melalui gigitan nyamuk Aedes aegypti dan Aedes albopicus dengan masa inkubasi intrinsik 3 sampai 14 hari, dan inkubasi ekstrinsik 8 sampai 10 hari. Dalam 3 tahun terakhir, jumlah penderita DBD di DKI Jakarta menduduki jumlah tertinggi yang mencapai 813 jiwa pada tahun 2019. Pada tugas akhir ini, dibahas pembuatan model Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk memprediksi jumlah insiden DBD di DKI Jakarta menggunakan data jumlah insiden DBD pada setiap wilayah di DKI Jakarta tahun 2009 sampai 2017. Hasil simulasi dari model Adaptive Neuro-Fuzzy Inference System dibandingkan dengan hasil model Artificial Neural Network (ANN) dan Ensemble ANN-ANFIS yang dievaluasi berdasarkan Root Mean Squared Error dan Mean Absolute Error. Pada tugas akhir ini, Adaptive Neuro-Fuzzy Inference System memiliki performa lebih baik dibandingkan Artificial Neural Network dan Ensemble ANN-ANFIS hampir seluruh daerah di DKI Jakarta.

---

Dengue Hemorrhagic Fever (DHF) is a disease that is found in most tropical and subtropical regions. DHF is a disease caused by dengue virus which belongs to the flaviviridae family and genus flavivirus which is transmitted to humans through the bite of Aedes aegypti and Aedes albopicus mosquitoes with an intrinsic incubation period of 3 to14 days, and extrinsic incubation period of 8 to 10 days. In the last 3 years, the number of DHF sufferers in DKI occupied the highest number, which reached 813 people in 2019. In this final project, we will discuss making an Adaptive Neuro-Fuzzy Inference System (ANFIS) model to predict the number of DHF reporting in DKI Jakarta using data on the number of DHF reporting in each region in DKI Jakarta from 2009 to 2017. Simulation result from the Adaptive Neuro-Fuzzy Inference System model are compared with the results of the Artificial Neural Network (ANN) model and the Ensemble ANN-ANFIS model, evaluated based on Root Mean Squared Error and Mean Absolute Error. In this final project, the Adaptive Neuro-Fuzzy Inference System has better performance than the Artificial Neural Network and Ensemble ANN-ANFIS in all regions in DKI Jakarta.

"

"ABSTRAKRural Next Generation Networks (R-NGN) technology allows Internet Protocol (IP) based systems to be used in rural areas. This paper reports a testbed of R-NGN that uses low cost Ethernet radio links, combined with media gateways and a softwitch. The network consists of point-to-point IP Ethernet 2.4 GHz wireless link, IP switches and gateways in each community, standard copper wires and telephone sets for users. "

"Proses sistem kendali adalah proses penting yang terjadi di dunia perindustrian, salah satunya di ranah industri hulu migas. Salah satu instrumen utama pada proses upstream migas adalah separator yang memiliki fungsi untuk memisahkan kandungan fluida minyak mentah yang mengalir melalui pipa menjadi beberapa wujud fase. Pada kenyataanya hampir semua proses pengendalian separator pada fasilitas produksi PT. Pertamina EP masih menggunakan model pengendalian PID konvensional yang harus terus dimonitoring oleh sumber daya manusia selama 24 jam per hari. Oleh karenanya, pada penelitian ini dirancang sebuah metode pengendalian berbasis intelligent system, yaitu simulasi pengendalian Neuro Fuzzy. Metode pengendalian Neuro-Fuzzy ini didesain menggunakan algoritma ANFIS dengan input berupa setpoint, error, dan selisih error dari proses variabel fluida separator, yaitu level (h) fluida. Penelitian dilakukan menggunakan aplikasi Simulink/MATLAB dengan memasukkan fungsi transfer dari model matematis separator lalu melakukan perbandingan dengan melihat grafik respon dan parameter antara model pengendali PID dan ANFIS. Hasil dari penelitian menunjukan bahwa performa pengendali model ANFIS secara rata-rata memiliki overshoot yang jauh lebih baik dari model PID karena selalu mendekati nol dalam tiap kondisi set point serta model ANFIS memiliki nilai error yang lebih baik pada saat set point bernilai 5 dengan perbedaan error 0,712 dari error model pengendali PID.

---

The control system process is an important process that occurs in the industrial world, one of which is in the upstream oil and gas industry. One of the main instruments in the upstream oil and gas process is a separator which has afunction to separate the crude oil fluid content flowing through the pipe into several phases. In fact, almost all separator control processes at PT. Pertamina EP still uses the conventional PID control model which must be continuously monitored by human resources 24 hours per day. Therefore, in this study, a control method based on intelligent systems is based on Neuro Fuzzy control of the level (h) of the fluid. The research was conducted using the Simulink/MATLAB application by entering the transfer function of the separator mathematical model and then making comparisons by looking at the response and parameter charts between the PID and ANFIS controller. The results of the study show that the ANFIS model controller performance on average has a much better overshoot than the PID model because it is always close to zero in each set point condition and the ANFIS model has a better error value when the set point is 5 with an error difference of 0.712. of the PID controller model error."

"ABSTRAKIndeks harga saham merupakan indikator yang menggambarkan pergerakan harga sekelompok saham. Salah satu indeks harga saham yang terdapat di Indonesia adalah IHSG Indeks Harga Saham Gabungan . Terdapat banyak manfaat dari mengikuti pergerakan IHSG, salah satunya untuk meminimalisir kerugian dari berinvestasi dalam pasar saham. Oleh karena itu, akan dilakukan prediksi nilai IHSG. Metode yang akan digunakan adalah ANFIS Adaptive Neuro-Fuzzy Inference System dan SVR Support Vector Regression yang merupakan pengembangan dari metode ANN Artificial Neural Network . Selanjutnya performa keduanya akan dibandingkan. Hasil percobaan menghasilkan SVR sedikit lebih baik dari segi keakuratan dibandingkan ANFIS. Nilai keakuratan dari SVR yaitu 78,35 , 97,93 , dan 98,96 sedangkan keakuratan ANFIS yaitu 77,31 , 96,90 , dan 98,80 masing-masing untuk hasil prediksi yang nilai eror relatifnya di bawah 1 , 2 , dan 3 . Maksimum keakuratan dan running time pada ANFIS bergantung banyaknya hari yang digunakan untuk prediksi. Semakin banyak hari yang digunakan untuk prediksi, maka nilai keakuratannya semakin rendah dan running time semakin lama. Sedangkan maksimum keakuratan dan running time pada SVR tak bergantung pada banyaknya hari yang digunakan untuk prediksi. Dalam skripsi ini disajikan pula hasil sampingan berupa clustering berdasarkan eror relatif hasil prediksi menggunakan FKCM Fuzzy Kernel C-Means . Tujuan dari clustering ini yaitu mengecek apakah hasil prediksi yang dihasilkan ANFIS dan SVR kurang dari suatu nilai eror relatif yang ditetapkan.

---

ABSTRACTStock index reflects the price movement a group of stock. There are many stock indices in the world. JKSE Jakarta Composite Index is one of stock index in Indonesia. There are many benefits in following JKSE value, one of them to minimize the loss in stock investment. Therefore, JKSE value will be predicted. The method used are ANFIS Adaptive Neuro Fuzzy Inference System and SVR Support Vector Regression which are development of ANN Artificial Neural Network method. The performance of these two method will be compared. The experiment result gives that SVR is slightly better in terms of accuracy than ANFIS. The accuracy values of SVR are 78,35 , 97,93 , dan 98,96 while the accuracy of ANFIS are 77,31 , 96,90 , dan 98,80 each for a predicted result whose relative eror value is below 1 , 2 , dan 3 . The maximum accuracy and running time on ANFIS depend on how many days are used for prediction. The more days used for prediction will give the lower accuracy and longer running time. While the maximum accuracy and running time on SVR does not depend on the number of days used for prediction. In this thesis, presented also clustering based on relative error from the predicted result using FKCM Fuzzy Kernel C Means . The purpose of this clustering is to check whether the prediction result by ANFIS and SVR is less than a relative error value set."

"ABSTRAKIndustri kemasan adalah sektor industri yang diproyeksi akan terus bertumbuh, khususnya industri kemasan plastik. Dengan plastik merupakan turunan dari minyak mentah, plastik dan bahan bakunya yang berupa resin tergolong sebagai produk petrokimia. Harga resin berfluktuasi dan sensitif terhadap pergerakan harga minyak mentah sehingga deret waktunya bersifat nonstasioner. Kondisi ini dapat membuat konverter plastik sebagai pihak yang mengkonversi resin menjadi produk plastik mengalami kesulitan dalam memasingkan harga resin pada harga produk kepada pelanggannya serta berpotensi mengalami kerugian. Hal ini memicu peneliti untuk memodelkan peramalan harga resin. Literatur menunjukkan peramalan harga produk petrokimia dengan model tradisional maupun komputasi lunak, namun masih memiliki keterbatasan yang berefek pada akurasi peramalan. Selain itu, kebanyakan peneliti memodelkan peramalan pada harga minyak mentah dan tidak ada yang ditemukan menggunakan harga resin sebagai objek peramalan. Penelitian ini mengajukan peramalan harga resin dengan model neuro-fuzzy yaitu ANFIS dan membandingkan hasilnya dengan sebuah model tradisional, ARIMA, dan sebuah model tunggal komputasi lunak, NN. Hasil peramalan menunjukkan model ANFIS memiliki tingkat error dalam bentuk MAPE yang relatif sangat kecil yaitu 1.06% dan juga tingkat akurasi arah yang tinggi yaitu 93%. Ini menunjukkan bahwa model peramalan ANFIS dapat merepresentasikan karakteristik harga resin. Selain itu, hasil uji statistik juga menunjukkan bahwa terdapat perbedaan yang signifikan antara akurasi peramalan ANFIS jika dibandingkan dengan ARIMA dan NN.

---

ABSTRACTThe packaging industry is an industrial sector that is projected to continue growing, especially the plastic packaging industry.While plastic is a derivative of crude oil, plastic and its raw material which is called resin are categorized as petrochemical products. The resin price is fluctuating and sensitive to crude oil price movement so that the time series is nonstationary. This condition may cause the plastic converters as the ones converting resin to plastic products to experience the difficulty in passing the resin price into the product price for the customers and have the potential to suffer loss. This triggers the researcher to model the forecasting of resin price. Literatures show petrochemical product price forecasting by using traditional as well as soft computing models, but they still have limitations that affect the forecasting accuracy. In addition, most researchers model forecasting on crude oil price and none of them found to use the resin price as forecasting object. This research proposes resin price forecasting using neuro-fuzzy model that is ANFIS and compare the result with a traditional model, ARIMA, and a standalone soft computing model, NN. Forecasting result shows that ANFIS model has a relative low error in terms of MAPE that is 1.06% and also a high directional accuracy which is 93%. This shows that ANFIS forecasting model can represent the resin price characteristic. Moreover, statistical test also shows that there is significant difference in ANFIS forecasting accuracy if compared to ARIMA and NN."

"Banjir di Jakarta merupakan masalah yang kompleks yang dipengaruhi oleh kombinasi faktor geografis, sosial, ekonomi, dan lingkungan. Studi ini berfokus pada prediksi banjir dengan membandingkan data stasiun darat Automatic Rain Gauge (ARG) dan data satelit Climate Hazards Group InfraRed Precipitation (CHIRPS) menggunakan Adaptive Neurofuzzy Inference System (ANFIS) yang terintegrasi dengan Principal Component Analysis (PCA). Dataset mencakup pengukuran curah hujan dari ARG dan CHIRPS, serta data ketinggian air dari tahun 2014 hingga 2020. ARG menyediakan data curah hujan lokal yang akurat, sementara CHIRPS menawarkan cakupan curah hujan regional yang luas. Teknik praproses seperti imputasi rata-rata, normalisasi data, dan metode interquartile range (IQR) digunakan untuk meningkatkan kualitas data. Model ANFIS-PCA, yang mengintegrasikan logika fuzzy dan pelatihan jaringan saraf tiruan, diterapkan dengan pembagian data 80:20 untuk pelatihan dan validasi. Ketika dilatih dengan data stasiun darat ARG dan pengukuran ketinggian air, model ANFIS-PCA menunjukkan akurasi yang superior, dengan root mean square error (RMSE) sebesar 0,13, mean absolute error (MAE) sebesar 0,12, dan R² sebesar 0,82. Sebaliknya, model ANFIS tanpa PCA menghasilkan kesalahan yang lebih tinggi, dengan RMSE 6,3, MAE 6,2, dan R² 0,74. Pelatihan dengan data satelit CHIRPS menghasilkan kesalahan yang jauh lebih tinggi (RMSE 30,14, MAE 24,05, R² 0,42). Sedangkan hasil ANFIS – PCA menghasilkan akurasi yang lebih bagus (RMSE 4,8, MAE 2,0 dan R² 0,55) . Hasil penelitian menunjukkan bahwa ANFIS-PCA memiliki kinerja yang lebih baik dibandingkan model ANFIS tanpa PCA, terutama ketika dilatih dengan data dari stasiun darat. Integrasi PCA berhasil mengurangi dimensi data, meningkatkan efisiensi komputasi dan akurasi model. Selain itu hasil ini juga menegaskan keunggulan pengukuran curah hujan data ground station untuk prediksi banjir, mempunyai angka presisi yang lebih tinggi dan kerentanan yang lebih rendah terhadap kesalahan dibandingkan data satelit. Sementara itu data satelit CHIRPS menawarkan cakupan spasial yang lebih luas.

---

Flooding in Jakarta is a complex issue influenced by a combination of geographical, social, economic, and environmental factors. This study focuses on flood prediction by comparing ground station data from Automatic Rain Gauges (ARG) and satellite data from the Climate Hazards Group InfraRed Precipitation (CHIRPS) using the Adaptive Neuro-Fuzzy Inference System (ANFIS) integrated with Principal Component Analysis (PCA). The dataset includes rainfall measurements from ARG and CHIRPS, as well as water level data from 2014 to 2020. ARG provides accurate local rainfall data, while CHIRPS offers broad regional precipitation coverage. Preprocessing techniques such as mean imputation, data normalization, and the interquartile range (IQR) method were employed to enhance data quality.

The ANFIS-PCA model, which integrates fuzzy logic and neural network training, was implemented using an 80:20 data split for training and validation. When trained with ARG ground station data and water level measurements, the ANFIS-PCA model demonstrated superior accuracy, achieving a root mean square error (RMSE) of 0.13, mean absolute error (MAE) of 0.12, and R² of 0.82. In contrast, the ANFIS model without PCA yielded higher errors, with RMSE of 6.3, MAE of 6.2, and R² of 0.74. Training with CHIRPS satellite data resulted in significantly higher errors (RMSE 30.14, MAE 24.05, R² 0.42). Meanwhile, the ANFIS-PCA model trained on combined datasets showed improved performance, achieving RMSE of 4.8, MAE of 2.0, and R² of 0.55.

The results indicate that the ANFIS-PCA model outperforms the ANFIS model without PCA, particularly when trained with ground station data. The integration of PCA successfully reduced data dimensionality, improving computational efficiency and model accuracy. Furthermore, the findings reaffirm the superiority of ground-based measurements for flood prediction due to their higher precision and lower susceptibility to errors compared to satellite-derived data, while CHIRPS satellite data offers wider spatial coverage."