Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam makalah ini, penulis membahas dan memperkenalkan sebuah metodologi pencaharian struktur arsitektur Jaringan Neural Buatan propagasi balik berbasis fuzzy (JNB-Fuzzy) yang optimal dengan menggunakan algoritma genetika. Optimasi struktur jaringan neural dapat dilakukan dengan memperkecil jumlah neuron dalam lapis tersembunyi atau jumlah bobot dalam jaringan neural. Dalam makalah ini penulis membuat optimasi struktur jaringan dengan memperkecil jumlah bobot dalam jaringan, karena jumlah bobot ini jauh lebih besar daripada jumlah neuron yang ada. Jaringan neural yang telah dioptimasi ini kemudian digunakan sebagai subsistem pengenal pola pada Sistem Penciuman Elektronik yang dikembangkan oleh penulis. Hasil eksperimen dengan menggunakan jaringan ini menunjukkan peningkatan derajat pengenalan sistem, dari 70,4% pada struktur jaringan tidak dioptimasi, menjadi 85,2% bila menggunakan struktur jaringan yang telah dioptimasi.

---

In this article we proposed a method for optimizing the structure of a fuzzy artifi cial neural networks (FANN) through genetic algorithms. This genetic algorithm (GA) is used to optimize the number of weight connections in a neural network structure, by evolutionary calculating the fi tness function of those structures as individuals in a population. This fuzzy neural is then applied as the pattern recognition in our developed odor recognition system. Experimental results show that the optimized neural system provides higher recognition capability compare with that of unoptimized neural system. Recognition rate of the unoptimized neural structure is 70.4% and could be increased up to 85.2% in the optimized neural system. It is also shown that the computational cost of the optimized structure of neural system is also lower than the unoptimized structure."

"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."

"Dalam skripsi ini dibuat perangkat lunak yang dapat mengenali tipe ABO golongan darah manusia melalui pengolahan citra berbasiskan Jaringan Syaraf Tiruan (JST). Pola sampel darah yang direaksikan dengan reagen akan memiliki hasil pasangan penggumpalan yang berbeda. Jenis reagen yang direaksikan adalah antigen-A dan antigen-B. Pola pasangan darah dan reagen serta bentuk penggumpalan citra darah menjadi ciri dan kombinasi yang unik untuk membedakan tipe-tipe darah yang ada.Data sampel darah berupa citra digital yang diperoleh menggunakan kamera digital. Sampel darah direaksikan dengan reagen di atas preparat dengan urutan reagen anti-A ditempatkan pada bagian kiri preparat dan reagen anti-B pada bagian kanan. Sebelum diolah dalam sistem JST, data melewati pra-proses, yaitu proses perbaikan citra digital yang terdiri dari proses pencuplikan, gray-level quantization, dan normalisasi dalam bentuk matriks. Hasil akhirnya berupa citra fitur hitam putih dalam matriks berukuran 5×5. Hasil pra-proses kemudian dihitung nilai parameter karakteristiknya, yaitu nilai rata-rata matriks tersebut. Nilai ini selanjutnya akan dijadikan input bagi proses pelatihan jaringan syaraf tiruan dengan metode backpropagation.Jumlah data sampel sebanyak 120 set, dimana 80 di antaranya digunakan untuk melatih JST, dan sisanya digunakan untuk menguji JST. Hasil simulasi menunjukkan sistem mampu mengenali golongan darah dengan tingkat akurasi hingga 90%.

---

In this research, an identification system of human blood type is designed using image processing techniques and the Artificial Neural Network (ANN) with backpropagation algorithms. The pattern of human blood type was formed using a chemical reaction between the blood and a reagent. The reagent that used in the reaction process are anti-A and anti-B reagent. Using a flat glass preparat as a media, the anti-A reagent is mixed to the blood sample on the left side and the anti-B reagent on the right side. Combination of blood coagulation pairs could distinguish the blood type.

The blood coagulation pair is converted into digital images after taken by a digital camera. The image is then pre-processed and normalized to 50×50 matrix size. The matrix is divided to different blocks and reduced to 5×5 grayscale image. The preprocessing involved sampling, gray-level quantization, and normalization. After preprocessing, the mean of 5×5 gray scale image will be calculated and used as the input for the ANN.

The total number of blood sample data is 140 pairs, 80 set of them are used for training process of the ANN and the rest are used for identification. The simulation result shows that the system is able to identify up to 90% level of accuracy."

"ABSTRAKOperation Control Center (OCC) Room memiliki sistem kerja yang otomatis dan dikendalikan oleh operator. Tuntutan pekerjaan operator didominasi oleh tugas kognitif yang digolongkan kedalam beban kerja mental karena bertanggung jawab untuk memantau dan mengendalikan kondisi operasional untuk menghindari insiden dan kegagalan. Beban kerja mental pada OCC perlu dievaluasi karena beban kerja operator yang rendah dalam jam kerja yang panjang dengan tuntutan tugas yang sederhana dan berulang. Penelitian ini dilakukan oleh 17 operator pria dalam dua jam pada saat waktu sibuk di shift pagi dan sore. Operator melakukan beban kerja tunggal (skenario 1) dan beban kerja gabungan (skenario 2) dengan menggunakan EEG untuk mendapatkan beban kerja yang optimal. NASA-TLX dipilih sebagai penilaian subjektif untuk mengukur beban kerja mental operator setelah menggunaan EEG. Artificial Neural Network pun digunakan untuk memprediksi beban kerja mental operator. Hasil dari penelitian ini menunjukkan adanya perbedaan yang signifikan antara dua skenario dengan beban kerja yang berbeda karena terjadi peningkatan gelombang teta di lobus Frontal dan gelombang beta pada lobus Parietal. Pada skenario 1, kondisi operator didominasi oleh gelombang teta dengan power yang rendah sehingga membuat operator menjadi mudah jenuh dan setelah pengimplementasian skenario 2 terjadi peningkatan gelombang teta dan alfa yang menunjukkan bahwa operator mengalami peningkatan kewaspadaan dan konsentrasi yang dapat mengurangi kejenuhan dan kegiatan monotonitas. Hasil ANN menjelaskan bahwa 96,65% dari nilai R-square pada kelompok data Testing adalah akurat untuk memprediksi beban kerja mental. Tingkat akurasi yang tinggi berarti tugas gabungan dapat diterapkan operator OCC untuk meningkatkan beban kerja operator dan mengurangi aktivitas monotonitas."

"Tujuan dari tesis ini adalah untuk berkontribusi dalam pengembangan sistem kecerdasan buatan (artificial intelligence) untuk memodelkan pergerakan saham yang bersifat tidak liner dan penuh ketidakpastian. Pendekatan yang digunakan adalah model Artificial Neural Network (ANN) metode Backpropagation. Sebagai pembanding, digunakan model multivariate ARIMA. Penelitian akan membuktikan bahwa model ANN dapat lebih tepat memprediksi pergerakan harga saham di Indonesia, khususnya saham-saham anggota indeks LQ45, dibandingkakan model multivariate ARIMA. Penelitian ini adalah penelitian observasi model. Penelitian menghasilkan kesimpulan bahwa model ANN signifikan secara statistik lebih akurat daripada model multivariate ARIMA.

---

The objective of this thesis is to contribute the development of artificial intelligence system in modeling stock price movement which highly non-linier and uncertain in nature. Our approach is using Artificial Neural Network (ANN) with Backpropagation method. In comparing the accuracy of the model, we use multivariate ARIMA method. This research intend to show that ANN model is more accurate in predicting Indonesian stock price movement, especially LQ45 index, compared to multivariate ARIMA model. This research is using observational method in selecting the best model. The result of the research is that ANN is statistically significant and more accurate compared to multivariate ARIMA model."

"Upaya untuk meningkatkan kepuasan dan loyalitas donatur serta untuk memandu perumusan perencanaan pengembangan organisasi, maka dibutuhkan strategi pengembangan donatur, adapun untuk melakukan strategi pengembangan donatur dapat dilakukan dengan pendekatan data mining yang meliputi pengelompokan donatur dengan metode clustering dan hasil pengelompokan tersebut dievaluasi dengan artificial neural network (multilayer perceptron), dan menggunakan metode association rules untuk menganalisa peta pemasaran serta dirumuskan strategi pengembangan donatur berdasarkan data transaksi dan visi misi. Hasil penelitian menyarankan bahwa manajemen hubungan lembaga amil zakat dengan donatur perlu dikembangkan sehingga terjalin komunikasi yang aktif antar keduanya.

---

Efforts to increase donor satisfaction and loyalty as well as to guide the formulation of organizational development planning, donor development strategy is required, as for donors to make development strategy can be done with data mining approach that involves the grouping of donors by the method of clustering and classification results were evaluated by artificial neural network (multilayer perceptron), and using methods of association rules to analyze a map of marketing and donor development strategies are formulated based on transaction data and the vision and mission. The results suggest that the management of relations with donor amil zakat institution should be developed so that active communication is established between them."

"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"

"Middle Baong Sand (MBS) merupakan reservoar penghasil utama minyak dan gas bumi disamping lapisan batupasir anggota Formasi Keutapang di Cekungan Sumatra Utara. Middle Baong Sand adalah kipas turbidit yang diendapkan pada lingkungan laut dalam yang diamati sebagai perulangan berkali-kali lapisan tipis batupasir dan serpih pada singkapan (outcrop). Batupasir kipas turbidit sangat susah ditebak ukuran, geometri, arah dan pola penyebarannya dari metoda interpretasi conventional. Studi ini bertujuan untuk membelajari variasi lithofasies, geometri dan distribusi spasial kipas turbidit Middle Baong Sand pada prospek ?Corundum? dengan analisis electro-fasies dan analisis multiatribut seismik dengan menggunakan pendekatan artificial neural network. Pendekatan artificial neural network untuk karakterisasi lithofasies dan dimensi reservoir Middle Baong Sand diterapkan pada 2 (dua) level data, yaitu (1) data open hole log sumur dan (2) multi-atribut seismik pada prospek ?Corundum?, Cekungan Sumatra Utara. Sumur eksplorasi Besitang-1 yang memiliki data lengkap dipilih sebagai training well sehingga hasilnya dapat dikalibrasi dengan data cutting, core, dan biostratigraphic, model Besitang-1 digunakan untuk memprediksi fasies batupasir pada sumur Ruby-1 dalam area study. Selanjutnya setiap fasies batupasir yang diperoleh pada Ruby-1 dipetakan melalui análisis multiatribut data seismik Corundum3D untuk mengidentifikasi distribusi lateral dan geometri batupasir anggota Middle Baong Sand. Dari studi ini diperoleh 4 (empat) fasies batupasir turbidit dalam area Corundum3D berturut-turut dari tua ke muda; (1) fasies batupasir-4 berbutir sedang ? kasar dengan kenampakan coarsening upward pada elektrofasies sebagai produk cannel fill, (2) fasies batupasir-3 berbutir sedang - kasar, (3) fasies batupasir-2 perselingan pasir halus - sedang dan lanau, dan terakhir (4) facies batupasir-1 diperoleh sebagai batupasir berbutir halus - lanauan pada sumur Ruby-1 namun ditemukan sebagai lobe turbidit di baratdaya sumur Ruby-1. Arah sedimentasi adalah dari Tinggian Malaka, fasies batupasir-4 yang paling tua provenannya dari arah baratlaut, berangsur-angsur bergeser searah jarum jam hingga provenan fasies batupasir-1 yang paling muda adalah dari arah utara. "