Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Kestabilan dari suatu sistem merupakan hal yang sangat penting untuk diketahui sehingga harus diperiksa secara teliti. Akan tetapi, menentukan kestabilan suatu sistem bukan hal yang mudah, terutama pada sistem nonlinear. Lyapunov merupakan salah satu metode yang efektif dalam menentukan kestabilan sistem nonlinear. Objek yang digunakan pada skripsi ini adalah menggunakan CPL Constant Power Load yang mengakibatkan sistem menjadi nonlinear. Hal itu disebabkan dampak dari ldquo;negative resistance rdquo;, yang terjadi Karena penurunan arus melewati CPL ketika saluran tegangan meningkat. Dampak dari negative resistance adalah lebih penting jika daya beban adalah lebih besar.Oleh Karena kondisi kenonlinearan sistem tersebut maka dalam skripsi ini dibahas untuk menganalisis kestabilan sistem dengan menggunakan metode sum of square. Metode ini menggunakan dasar teori Lyapunov yang digunakan dalam menganilisa kestabilan sistem nonlinear. Sedangkan pada sistem linear digunakan metode linearisasi untuk mencari nilai eigenvalue sistem. Dengan nilai daya beban pada CPL yang bervariasi.Dari hasil ploting gambar titik kestabilan dengan menggunakan phase plane pada matlab diperoleh bahwa pada rentang daya pada beban : 100-570 dengan tegangan 200 kondisi sistem stabil. Sedangkan saat nilai menjadi 200 dan rentang daya pada beban : 580-950 sistem tidak stabil. Tetapi ketika nilai dinaikkan dan rentang daya pada beban juga dinaikkan kondisi sistem tidak sepenuhnya stabil. Pada saat nilai daya pada beban 950 sistem sudah tidak stabil. Kata kunci : CPL contant Power Load , Kestabilan, Fungsi Lyapunov, Non-linear, sum of square.

---

ABSTRACT
The stability of system is so significant to know so we must check it careful. But to find the stability of system is not easy, especially for the nonlinear system. Lyapunov is the one effective method to find the stability nonlinear system. CPL Constant Power Load is the object that we use in this paper which makes the system be nonlinear. It rsquo s because the impact og negative resistance, it rsquo s happened because discharge of current by CPL when access of voltage is increase. The impact of negative resistance is so important if the load of system is more higger.Because the system is nonlinear si in this paper we will discuss the stability of system use the sum of square method. This method is using the base of Lyapunov function to analysis the nonlinear system. Whereas in linear system we used the linearization to find the eigenvalue system. By the value of power load is variation.By the plotting point of stability with use phase plane in Matlab is derived that in the range of power load in 100 570 and the voltage 200 the system is stable. Whereas the value of is increase in 200 and the range of power load in 580 950 the system isn rsquo t stable. But when the value of is increase and the range of power of load is increase too the system isn rsquo t undivided stable. When the value of load is 950 system isn rsquo t stable.Keywords CPL contant Power Load , stability, Lyapunov Function, Non Linear system, Sum of square.

Abstrak :
Data Indeks Standar Pencemaran Udara di Jakarta tahun 2019 menunjukkan seberapa jauh kualitas udara yang dihasilkan tiap pengamatan harian. Variabel Indeks Standar Pencemaran Udara berdasarkan KEP-45/MENLH/10/1997 adalah partikulat berukuran 10 µm (PM10), Sulfur Dioksida (SO2), Karbon Monoksida (CO), Oksidan dalam bentuk Ozon (O3), dan Nitrogen Dioksida (NO2). Unit observasi berdasarkan SPKU yang terdiri dari SPKU DKI1 Bundaran HI, SPKU DKI2 Kelapa Gading, SPKU DKI3 Jaga Karsa, SPKU DKI4 Lubang Buaya, dan SPKU DKI5 Kebon Jeruk. Adanya missing value pada data ISPU, maka dilakukan imputasi nol dan mean untuk mengganti missing value. Observasi harian ISPU tiap SPKU memiliki tiga tipe data, kemudian dikelompokkan menggunakan K-Means Clustering. Tiga tipe data tiap SPKU tersebut, meliputi data tanpa imputasi, data dengan imputasi nol, dan data dengan imputasi mean, kemudian diperoleh 5 cluster tiap masing-masing tipe data. Pada akhirnya, metode imputasi mean dapat diimplementasikan sebagai metode imputasi missing values pada data ISPU dengan proporsi missing values 3,83%, 4,10%, 10,68 %, 11,78 %, dan 15,06 %, sedangkan penerapan imputasi nol kurang cocok pada data ISPU, karena jaraknya terlalu jauh dari nilai ISPU terhitung serta dipengaruhi oleh missing value. Di sisi lain, hasil penelitian juga menunjukan bahwa metode K-Means Clustering ini optimal dalam pengelompokkan data berdasarkan Between SS/Total SS berkisar antara 67,5 %-85,2 %. ......Air Pollution Standard Index data in Jakarta in 2019 shows how far each daily observation produces the air quality. Air Pollution Standard Index Variables based on KEP-45/MENLH/10/1997 are particulates measuring 10 m (PM10), Sulfur Dioxide (SO2), Carbon Monoxide (CO), Oxidants in the form of Ozone (O3), and Nitrogen Dioxide (NO2). The observation unit based on the SPKU consists of SPKU DKI1 Bundaran HI, SPKU DKI2 Kelapa Gading, SPKU DKI3 Jaga Karsa, SPKU DKI4 Lubang Buaya, and SPKU DKI5 Kebon Jeruk. If there is a missing value in ISPU data, zero and mean imputation is carried out to replace the missing value. ISPU daily observations of each SPKU have three data types, then grouped using K-Means Clustering. The three data types for each SPKU, including data without imputation, data with zero imputation, and data with mean imputation, then obtained 5 clusters for each data type. In the end, the mean imputation method can be implemented as a method for imputing missing values on ISPU data with the proportion of missing values being 3.83%, 4.10%, 10.68%, 11.78%, and 15.06%, while the implementation of imputation is zero does not match the ISPU data, because the distance is too far from the calculated ISPU value and is influenced by the missing value. On the other hand, the results also show that the K-Means Clustering method is optimal in grouping data based on Between SS/Total SS ranging from 67.5%-85.2%.

Abstrak :
Dalam beberapa tahun ini, telah banyak penelitian yang berhubungan dengan pengenalan pola dilakukan dengan menggunakan jaringan syaraf tiruan (artificial neural network). Skripsi ini membahas tentang sistem pengenal pola berbasis neural network ensemble (NNE), yang merupakan kumpulan dari beberapa neural network tunggal. Penelitian ini membandingkan antara NNE yang dilatih dengan fungsi eror kuadratis dan cross-entropy. Terdapat 12 dataset pola yang digunakan pada penelitian ini yaitu 9 dataset pola yang didapatkan dari ?UCI Repository of Machine Learning Database?, 2 dataset citra wajah dari kamera infra merah dan kamera cahaya tampak, dan 1 dataset campuran aroma. Prosedur kerja system terdiri dari tahap pra-pemrosesan, pelatihan, dan pengujian. Pada tahap pelatihan, diterapkan algoritma Negative Correlated Learning (NCL) yang merupakan pengembangan dari algoritma standar backpropagation. Hasil pengujian yang ditinjau dari recognition rate menunjukkan NNE yang dilatih dengan fungsi eror cross-entropy memberikan performa yang lebih baik dibandingkan dengan NNE yang dilatih dengan fungsi eror kuadratis.

---

In recent years, many people have been working on pattern recognition using artificial neural network. This bachelor thesis discuss about pattern recognition system based on neural network ensemble (NNE), which is a group of some individual neural networks. This research compares between NNE which is trained using mean-of-square and cross-entropy error function. There are 12 datasets used in this experiment, which are 9 pattern datasets obtained from ?UCI Repository of Machine Learning Database? and 2 dataset of frontal face images from infra red and visible-light camera, and 1 dataset of odor mixtures. The working procedures of the system consist of pre-processing, training and testing stages. In the training stage, Negative Correlated Learning (NCL) algorithm, a developed standard back propagation method, is applied and some parameters are varied to obtain the optimum performance. The testing result which is measured from recognition rate shows that NNE which is trained using cross-entropy error function has a better performance than the one with mean-of-square error function.