Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pelaksanaan proyek sesuai anggaran, jadwal dan kualitas yang direncanakan, memerlukan proses pengendalian mencakup: pengukuran, evaluasi dan tindakan koreksi. Pengendalian biaya terdiri atas enam komponen yaitu: material, tenaga kerja, alat, subkontraktor, overhead dan kondisi umum yang sangat kompleks dan masing-masing mempunyai kemungkinan terjadi cost overrun yang mengakibatkan penurunan kinerja biaya kontraktor. Untuk mengatasi hal tersebut diperlukan suatu sistem yang dapat mendukung pengambilan keputusan berupa tindakan koreksi yang dapat dilakukan berdasarkan identifikasi penyebab penyimpangan yang terjadi. Sistem ini diperoleh dari pengalaman para pakar dan dikembangkan menjadi suatu program komputer.Penelitian ini menggunakan pendekatan pattern recognition driven Hybrid Statistik-Artificial Neural Network untuk menyusun sistem pengendalian biaya subkontraktor dengan urutan indikator-dampak-penyebab-tindakan koreksi. Program yang dihasilkan pada penelitian ini merupakan pengembangan program DSS dengan penambahan fasilitas neural mode, dimana didalamnya digunakan proses Artificial Neural Network (ANN) dampak-penyebab dan proses model regresi dan probabilitas keberhasilan tindakan koreksi yang ditampilkan secara grafik.Hasil penelitian ini yaitu: pertama, pattern recognition membentuk knowledge base pengendalian biaya subkontraktor; kedua, proses ANN memiliki kemampuan analisis nonlinear dampak-penyebab penyimpangan biaya dengan lebih akurat; ketiga, 94 model tindakan koreksi dapat meningkatkan kinerja kembali normal dengan peluang keberhasilan 53.90-85.13% dengan usaha 3.49-7.09%; keempat, hasil validasi program dengan fasilitas Neural Mode menunjukkan hasil baik, tampilan grafik memperjelas tindakan koreksi dan analisis pattern membentuk pemahaman lebih baik."

"The feed forward neural network (FFANN) model has been the most popular form of artificial neural network model used for forecasting, particularly in economics and finance. In this paper, we elucidate the application of FFANN as a means of modeling financial data. We particularly focus on the model building of FFANN as time series model and use inflation rates in Indonesia as a case study. A comparison is drawn between FFANN model and the best existing models based on traditional econometrics time series approach. The best models are selected on forecasting ability by using the MSE, particularly on the dynamic forecast. The results show that FFANN models outperform the traditional econometric time series model."

"abstrakKonsumsi energi listrik nasional mengalami pertumbuhan rata-rata sekitar 4,8per tahun selama 5 tahun terakhir, salah satunya adalah sektor rumah tangga. Salahsatu solusi untuk mengurangi konsumsi energi listrik pada sektor ini adalah denganmemonitor konsumsi beban listrik peralatan rumah tangga dan memberikaninformasi ini kembali kepada pelanggan. Salah satu teknik memonitor konsumsibeban peralatan listrik paling efisien dan murah adalah teknik Non-Intrusive LoadMonitoring (NILM). Berbeda dengan teknik konvensional, NILM menjanjikanpengurangan penggunaan sensor secara signifikan. NILM umumnya menggunakankondisi daya listrik saat transien atau tunak. Pada penelitian ini, metode Back-Propagation Artificial Neural Network (BP-ANN) akan dikembangkan untuk dapatmengidentifikasi penggunaan peralatan rumah tangga pada sinyal daya listrik dalamkondisi tunak dengan fitur ekstraksi perubahan daya. Fitur ekstraksi tersebutmemiliki keunggulan yaitu pada akusisi data menggunakan tingkat sampling yangrendah. Dalam penelitian ini telah dikembangkan arsitektur jaringan syaraf tiruandengan tipe dual input. Tipe dual input pada jaringan syaraf tiruan tersebut terdiridari daya aggregate dan daya maksimum peralatan rumah tangga. Penggunaanarsitektur jaringan syaraf tiruan dengan tipe dual input ini unggul dalammengidentifikasi penggunaan peralatan rumah tangga yang memiliki karakteristiknilai daya hampir mirip atau sama dan karakteristik daya dengan kondisi multi daya.Untuk memverifikasi efektivitas metode yang dikembangkan, maka data bebanperalatan rumah tangga yang digunakan adalah tracebase dataset dan penyusunandatanya menggunakan model synthetic aggregate. Dari hasil pengujian tipe dualinput pada arsitektur jaringan syaraf tiruan ini dapat mengidentifikasi penggunaanperalatan rumah tangga yang memiliki nilai daya hampir mirip atau sama dankarakteristik daya dengan kondisi multi daya, sehingga dapat meningkatkan nilaiRecognition Rate (RR) sampai 94.2.

---

abstractNational electric energy consumption experienced average growth about 4.8per annum over the past 5 years, one of them is household sector. One of thesolutions to reduce electrical energy consumption in this sector is to monitor electricpower consumption of household appliances and to give this information back toconsumers. One of the most efficient and the cheapest techniques to monitor theelectric power consumption appliances is Non-Intrusive Load Monitoring (NILM).This is different with conventional techniques where NILM promises the reductionof sensor deployment significantly. NILM commonly uses either transient or steadystate signal. In this research, the method of Back-Propagation Artificial NeuralNetwork (BP-ANN) will be developed to identify the utilization of householdappliances using power change features extraction in the steady state signals. Thefeature extraction has an advantage on data acquisition by applying a low samplingrate. This research has developed neural network architecture with dual input type.Dual input types of the neural network consist of aggregate power and maximumpower of the household appliances. Applying of neural network architecture withdual input types outperforms in identifying of the household appliances load wherethe power is almost similar and it has a multi states power characteristics. To verifythe effectiveness of the method, the data of the load is provided by tracebase datasetand the forming of the data uses a synthetic aggregate model. From the experimentresult of the dual input type in the neural network architecture, it can identify theload 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"

"Pengembangan produk baru merupakan hal yang sangat penting dalam menjagapertumbuhan perusahaan. Herbisida glyphosate dengan kemampuannya yangspesifik dan efektif dalam menghambat enzim 5-enolpyruvylshikimate-3-phosphate synthase (EPSPS) menjadi herbisida yang luas dipakai di seluruh duniatermasuk di Indonesia yaitu sebesar 51% pasar pada Maret 2013. Prosespembuatan produk baru ammonium glyphosate 400 g/L SL dilakukan melalui duametode optimasi yaitu Response Surface Method (RSM) dan Artificial NeuralNetwork-Genetic Algorithm (ANN-GA). Kemampuan prediksi respon RSM danANN dibandingkan melalui nilai root mean squared error (RMSE). Dari hasilprediksi RSM, RMSE untuk pembuatan ammonium glyphosate berbasa NH4OHdan berbasa NH4HCO3 secara berturut-turut adalah 44.37 dan 73.2. Sedangkandengan prediksi ANN RMSE untuk pembuatan ammonium glyphosate berbasaNH4OH dan berbasa NH4HCO3 secara berturut-turut adalah 122.04 dan 143.80.Pada penelitian ini juga ditunjukkan bahwa RSM memiliki kemampuan lebihbaik dalam menentukan kondisi optimal jika dibandingkan dengan ANN-GA.Berdasarkan hasil optimasi, formulasi ammonium glyphosate berbasa NH4OHdapat menurunkan biaya sebesar 3.71% dan dengan berbasa NH4HCO3 dapatmenurunkan biaya 11.08% dari komposisi yang sudah ada.

---

New product development is very important for the companies to maintain the

growth. Since its specificity and affectivity in inhibits 5-enolpyruvylshikimate-3-

phosphate synthase (EPSPS), glyphosate becomes a worldwide herbicide

including in Indonesia with 51% market size in March 2013. The making of the

proposed new product, ammonium glyphosate 400 SL, is optimized by the two

methodologies Response Surface Method (RSM) and hybrid of Artificial Neural

Network-Genetic Algorithm (ANN-GA). Prediction capability of the RSM and

ANN model were determined by comparing the root mean squared error (RMSE).

From the RSM prediction, the RMSE for the NH4OH and NH4HCO3 experiment

were 44.37 and 73.2, respectively. And from the ANN prediction, the RMSE for

the NH4OH and NH4HCO3 experiment were 122.04 and 143.80, respectively. In

this study, RSM also showed its superiority in determine the optimum condition

for making ammonium glyphosate compared to the ANN-GA. Based on the

optimization result, NH4OH base formulation gave the 3.71% cost saving and

NH4HCO3 base formulation gave 11.08% cost saving compared to the existing

product."

"Penelitian ini bertujuan untuk membangun model spasial perubahan penggunaan lahan berdasarkan pola perubahan penggunaan lahan dari tahun 1994, 2000, 2006 dan 2012 di Kawasan Gerbangkertosusila, yang selanjutnya akan digunakan untuk memprediksi penggunaan lahan pada tahun 2030 dengan menggunakan skenario bebas dan skenario RTRW. Permodelan spasial dalam penelitian ini menggunakan pendekatan cellular automata dengan metode Artificial Neural Network (ANN) dan Markov Chain, didapatkan bahwa faktor kedekatan dengan jalan, faktor fisik lingkungan dan pusat aktivitas berpengaruh dominan dalam perubahan lahan menjadi permukiman dan industri. Diprediksi terdapat penambahan luas pada penggunaan lahan permukiman sekitar 61,11% dan lahan industri sekitar 31,47% dari luas penggunaan lahan tahun 2012. Dari penelitian ini pula diketahui terdapat ketidaksesuaian prediksi penggunaan lahan terhadap RTRW sebesar 33,39% dari luas kawasan Gerbangkertosusila dan terdapat ketidaksesuaian alokasi permukiman dalam RTRW dengan kebutuhan lahan permukiman. Untuk itu diperlukan adanya Peninjauan Kembali terhadap Rencana Tata Ruang Wilayah Provinsi Jawa Timur Tahun 2011 - 2031.

---

This study aims to develop landuse change modelling based on land-use change pattern from 1994, 2000, 2006 and 2012. Subsequently, it is used for predicting land-use until 2030 through "business as usual" and spatial planning scenarios. Nearest to road, physical environment and activity centers are dominant factors according to Artificial Neural Network (ANN) and Markov Chain. It is predicted that settlement will increase by 61,11% and industrial estate by 31,47% compare to 2012. About 33,90% area of Gerbangkertosusila is predicted unsuitable to spatial planning in 2030, there is also a discrepancy between needs and allocation of settlement land in spatial planning of East Java and it necessary to be reviewed."

"Perkembangan teknologi otomotif di dunia yang sangat pesat menuntut para pelaku industri otomotif untuk terus-menerus mengembangkan teknologi dan inovasi terbaru. Namun, inovasi yang dilakukan di industri otomotif tidak lagi terbatas pada inovasi produk namun juga pada proses pengembangan produk. Salah satunya adalah dengan menerapkan strategi product platform. Penelitian ini dilakukan untuk memprediksi waktu pergantian platform pada salah satu jenis produk multi-generasi, yaitu produk otomotif, dengan menggunakan metode peramalan artificial neural network. Hasil prediksi pada penelitian menunjukkan bahwa prediksi waktu pergantian platform berkisar dalam kurun waktu 32-33 quarter yang merupakan hasil yang sesuai dengan rentang waktu inovasi platform yang ideal yaitu 8-10 tahun. Selain itu, penelitian juga memperlihatkan bahwa pergantian platform pada produk otomotif kerap dilakukan ketika produk sedang berada di tahap maturity dalam siklus hidupnya serta berhasil mengidentifikasi faktor-faktor yang mempengaruhi keputusan perusahaan untuk melakukan pergantian platform.

---

The rapid growth of technology in the automotive industry has forced the manufacturers to continuously develop new technology and make innovations. Nowadays, innovation in the automotive industry does not only refer to product innovation, but it refers to process innovation as well, for example by implementing the product platform strategy. This research aims to predict the development time of new platform for one of the multiple-generation product line, automotive product, using artificial neural network. The prediction from this research shows that new platform should be introduced in 32-33 quarters. This result is suitable to the ideal condition of platform innovation which is in 8-10 years. Moreover, the result shows that most of the time company decides to introduce the next-generation platform while the older generation is still in the maturity stage of its life cycle and the research also successfully identifies the factors influencing company to introduce the next-generation platform."

"Saham sektor properti dan real estate merupakan jalan bagi investor untuk berinvestasi di pasar properti dan real estate. Harga saham properti dan real esatate memiliki kecenderungan untuk mengalami pergerakkan yang fluktuatif. Untuk meningkatkan potensi perolehan capital gain serta untuk mengukur risiko investasi, harga saham dapat diprediksi menggunakan metode artificial neural network apabila faktor-faktor yang dapat mempengaruhinya diketahui. Variabel yang mempengaruhi harga saham properti dan real estate di Indonesia antara lain, Gross Domestic Product, inflasi, nilai Rupiah terhadap Dollar Amerika, uang beredar, harga minyak mentah, suku bunga jangka panjang, serta volume perdagangan saham.Hasil prediksi dan performa harga saham properti dan real estate Indonesia menggunakan artificial neural network kemudian dibandingkan dengan metode time series konvensional ARIMA dan regresi linier yang menunjukkan hasil berupa metode artificial neural network lebih unggul dibanding ARIMA dan regresi linier.

---

Property and real estate stocks facilitates investors to invest their fund in property and real estate market. Property and real estate stock price has a tendency to move fluctuatively. The price can be predicted using artificial neural network, if the variables which affect the price of property and real estate stock could be identified. The variables which affecting the Indonesian poperty and real estate stock price are Gross Domestc Product, inflation, exchange rate of Rupiah to US Dollar, money aggregates, crude oil price, long-term interest rate, and stock trading volume.

Predicticon results and the methods' performance then compared with the more conventional methods which are time series analysis ARIMA and linear regression. The result shows that performance of artificial neural network is better than ARIMA and linear regression."

"Krisis ekonomi yang terjadi di masa lalu menimbulkan pertanyaan tentang validitasEfficient Market Hypothesis dan mendorong berkembangnya model-model yangdapat memprediksi indeks harga saham. Salah satunya yaitu prediksimemanfaatkan komponen ekonomi yang diketahui mempengaruhi IHSG danmemprosesnya dengan teknik machine learning. Support Vector Machine dikenalmemiliki kemampuan untuk menangani data berdimensi tinggi dan memilikikeunggulan dibandingkan algoritma yang lain. Performa SVM akan dibandingkandengan Artificial Neural Network (ANN) dan algoritma klasik Multiple LinearRegression (MLR). Studi ini diawali mengidentifikasi pengaruh komponenekonomi terhadap IHSG mendatang. Hasil penelitian menunjukkan bahwa SVMmemiliki kinerja paling baik dalam memprediksi harga indeks saham keesokanharinya (t + 1), namun kinerja ANN paling baik untuk memprediksi t + 5, t + 10,dst.

---

The economic crisis that occurred in the past raised questions about the validity of

the Efficient Market Hypothesis and encouraged the development of models that

can predict the stock price. One of them is prediction utilizing economic

components known to affect IDX composite index and processed by machine

learning techniques. Support Vector Machines are known to have the ability to

handle high-dimensional data and have advantages over other algorithms. SVM

performance will be compared to Artificial Neural Networks (ANN) and the classic

Multiple Linear Regression (MLR) algorithm. This study begins with identifying

the influence of economic component on the future IDX composite index. The

results showed that SVM had the best performance in predicting the next day stock

index prices (t+1), but ANN's performance was better than others for predicting

t+5, t+10, and so on."

"Kanker kandung kemih pada citra Computed Tomography Scanner (CT-Scan) memiliki bentuk, lokasi dan tekstur yang berbeda untuk setiap citra. Kandung kemih setiap orang memiliki ukuran yang berbeda saat pengambilan gambar. Gambar kontras dan non-kontras yang diambil pada CT scan kandung kemih dapat digunakan untuk menentukan struktur dan bentuk kandung kemih. Namun, perbedaan gambar kontras antara kelainan dan kandung kemih yang sehat seringkali tidak terlihat secara visual, sehingga sulit untuk mengevaluasi. Walaupun sudah banyak penelitian tentang deteksi kanker kandung kemih berdasarkan citra CT yang telah dilakukan, namun dilaporkan bahwa tingkat keberhasilan pendeteksian kanker kandung kemih masih tergolong rendah. Dalam penelitian ini, Computer-Aided Diagnosis (CAD) digunakan untuk membantu mengevaluasi kelainan kandung kemih menggunakan metode segmentasi berdasarkan algoritma Active Contour. Fitur citra berbasis Gray Level Co-Occurrence Matrix (GLCM) digunakan sebagai masukan dari Artificial Neural Network (ANN) untuk mengklasifikasikan citra normal dan citra abnormal. Penelitian CAD ini menggunakan MATLAB. Sampel yang digunakan berjumlah 320 citra dengan ketentuan 200 citra abnormal (25 pasien) dan 120 citra normal (8 pasien) digunakan sebagai data latih dan pengujian. Hasil pengujian berdasarkan Receiver Operating Characteristic (ROC) didapatkan akurasi pelatihan sebesar 90.2 ± 2.68% dan akurasi pengujian sebesar 89.2 ± 2.95%. Hasil ini berarti bahwa sistem CAD yang dikembangkan ini dapat mengenali citra kandung kemih yang normal dan abnormal.

---

Bladder cancer on a Computed Tomography Scanner (CT-Scan) image has a different shape, location and texture for each image. Each person's bladder is different in size when the image is taken. Contrast and non-contrast image captured on a CT scan of the bladder can be used to determine the structure and shape of the bladder. However, the difference in contrast images between an abnormality and a healthy bladder is often not visually obvious, making the evaluation is difficult. In this study, Computer-Aided Diagnosis (CAD) is used to help evaluating bladder abnormalities using the segmentation method based on an active contour algorithm. The Gray Level Co-Occurrence Matrix (GLCM)-based features of the images are used as the inputs of the Artificial Neural Network (ANN) to classify the normal and abnormal images. The research CAD in this study using MATLAB. A total number of samples were 320 images with 200 abnormal (25 patient) and 120 normal (8 patient) images were used as training and testing data. The result based on Receiver Operating Characteristic (ROC) illustrated that the training accuracy was 90,2 ± 2.68% and the test accuracy was 89,2 ± 2,95%. These results mean that this developed CAD system can recognize normal and abnormal bladder images"

"Menurut IMF, sekitar 1% penurunan pertumbuhan ekonomi di AS akan menurunkanpertumbuhan ekonomi di Asia sebesar 0,5%-1%. Da mpak dari resesi global yang berasal dari resesi di AS akan mempengaruhi proyeksi perekonomian negara-negara di Asia, termasuk Indonesia baik yang sifatnya langsung maupun tidak langsung. Fenomenadiatas memberikan gambaran yang kongkrit hubungan sebab akibat dalam dunia perekonomian secara makro. Penelitian ini membahas tiga model ANN sebagai alat peramalan, yaitu GMDH, Feedforward back propagation neural network dan Elman recurrent neural network.Perekonomian Indonesia di pilih sebagai objek peramalan. Ada dua macam peramalan yang akan di bandingkan diantara ketiga model tersebut. Pertama peramalan multivariate dimana komponen yang di gunakan sebagai input adalah variabel makro ekonomi Indonesia. Kedua adalah peramalan univariate / time series dimana komponen yang di gunakan sebagai input adalah nilai GDP indonesia dari tahun 1970.Hasil peramalan multivariate dari ketiga model ANN menunjukan bahwa variabel makro ekonomi dapat digunakan sebagai input untuk peramalan multivariate pertumbuhan ekonomi Indonesia. Dari hasil pengujian, diketahui bahwa ANN dapat digunakan sebagai alternatif untuk memprediksi ekonomi Indonesia di masa sekarang maupun di masa yang akan datang. Pemahaman terhadap fenomena per- ekonomian Indonesia saat ini dan hubungannya dengan kemungkinan-kemungkinan yang terjadi di masa depan sangat membantu dalam menentukan sikap atau kebijakan yang mengarah ke harapan atau ekspektasi yang ingin dicapai.

---

According IMF, about 1% descent of US growth economic will descent growth economic in Asia about 0,5%-1%. Impact of global recession that came from US will influence economic projection in Asia, including Indonesia. This phenomenon give concrete description about relationship between cousity in macro economics world. This research will explain about three ANN model as forecasting tool. The three ANN model is GMDH, Feedforward backpropagation and Elman recurrent.Indonesian economics choose as object for forecasting. There is two type of forecasting that will compare between three model ANN above. First is multivariate forecasting where component that used as input is variable of macro economic Indonesia. And second is univariate / time series where component that used as input is GDP of Indonesia from 1970.Result of forecasting show that macro economic variable can be use as input for multivariate forcasting growth Indonesian economic. From research result, show that ANN can be used as alternative tool for forecasting Indonesian economics. Deep understanding about phenomenon of Indonesian economic now and connectivity with posibility that will happen in future will help Goverment to make decision to achieve goal that already plan."