Hasil Pencarian  ::  Simpan CSV :: Kembali

"Hingga saat ini penyebab timbulnya kanker payudara, jenis kanker yang paling banyak ditemui pada kaum wanita, belum diketahui secara pasti sehingga pendeteksian kanker pada stadium dini sangat menentukan tingkat kesembuhan penderita karena perawatan akan dapat dilakukan sebelum sel kanker menyebar ke bagian tubuh lain. Meskipun mamografi (mammography), yang sering dikenal dengan istilah rontgen dikalangan awam, masih merupakan metode yang paling ekonomis dan efektif pada pendeteksian awal kanker payudara, sejumlah massa lesion (perubahan abnormal jaringan akibat pertumbuhan sel kanker) pada mamogram kerapkali luput dari perhatian para ahli radiologi. Untuk memperbaiki keadaan tersebut, berbagai prosedur diagnosis dengan bantuan komputer (computer aided diagnosis, CAD) yang diharapkan mampu memberikan pandangan kedua (second opinion) secara konsisten pada para ahli telah dikembangkan, antara lain dengan mengutilisasikan jaringan saraf tiruan (artificial neural networks).Pada kesempatan ini suatu metode pendeteksian massa lesion pada mamogram yang memanfaatkan jaringan saraf propagasi balik (backpropagation neural networks. BPNN) dengan feed forward akan diselidiki. Proses simulasi dilaksanakan dengan menggunakan 50 gambar sampel yang masing-masing berukuran 8 x 8 piksel sebagai masukan (input). Setelah dilewatkan pada feed forward BPNN yang mempunyai tiga lapisan (layer) dengan saw neuron pada lapisan pertama, tiga neuron pada lapisan kedua, dan satu neuron pada lapisan keluaran (output layer), jaringan kemudian dilatih sebanyak 100 dan 150 kali (training epoch) untuk mencapai target yang diinginkan. Tiga metode deteksi herdasarkan nilai rata-rata (mean), nilai tengah (median), dan nilai maksimum yang telah diujicobakan pada keluaran feed-forward BPNN memberikan tingkat akurasi antara 60-100%, suatu prospek yang menjanjikan guna meningkatkan kualitas diagnosis mamogram."

"Pengendalian pesawat terbang merupakan suatu tahap terpenting dalam pengembangan teknologi aviasi yang hanya dapat dilakukan jika memiliki data penerbangan dan model pesawat. Pengambilan data penerbangan dilakukan menggunakan simulator penerbangan ultra-realistis, X-Plane. Algoritma Neural Networks dipilih sebagai metode untuk memodelkan dan mengidentifikasi sistem pesawat terbang juga sebagai pengendali sistem tersebut yang akan terbentuk dalam sebuah kesatuan Direct Inverse Control. Pengujian dan pembelajaran open loop pada sistem Direct Inverse Control dilakukan untuk mengetahui keandalan sistem kendali yang dirancang. Batasan pada penelitian ini adalah kondisi cruising ideal dimana merupakan kondisi terbang pesawat yang memakan hampir 90% dari total penerbangan. Dari hasil pengujian dapat diketahui bahwa data yang dihasilkan simulator sesuai dengan dinamika pergerakan pesawat terbang pada kondisi cruising dan sistem kendali yang dibuat memiliki keandalan yang baik.

---

Flight control is the most important stage in the development of aviation technology which can only be done if flight data and aircraft models have been acquired. Flight data acquisition is carried out using an ultra-realistic flight simulator, X-Plane. Neural Networks algorithm is chosen as a method for modeling and identifying aircraft systems as well as controlling the system which will be formed in a Direct Inverse Control unit. Open loop testing and learning in the Direct Inverse Control system is carried out to determine the reliability of the designed control system. The limit of this study is in the ideal cruising conditions which consume almost 90% of total flights time. From the test results, it can be seen that the data generated by the simulator is in accordance with the dynamics of aircraft movements in cruising conditions and the designed control system has good reliability."

"Penelitian ini bertujuan mendapatkan model jaringan saraf tiruan (JST) yang dapat mengklasifikasikan kualitas dan kuantitas spermatozoa pria infertil berdasarkan rekam medis. Metode: Data rekam medis pria infcrtil merupakan variahel masukan JST, variabel keluaran adalah kesimpuian dari hasil analisa semen. Arsitektur JST pada penelitian ini terdiri dari 3 lapis, yaitu I lapis masukan dengan 50 neuron, 1 lapis tersembunyi dengan 25 neuron dan I lapis keluaran dengan 7 neuron; inisiasi bobot ditcntukan secara random dengan Nguyen Widrow, fungsi transfer logsig; laju pembelajaran 0.2; momentum 0.2; target error 0,01 dan hasil JST dinilai dari recognition rate validasi. Hasil: Proses pembelajaran dengan parameter dasar tersebut tidak mencapai konvergen, total error 400, recognition rate training 16% dan validasi 21%. Selanjutnya dilakukan beberapa modifikasi varlabel masukan dan keluaran, antara lain: melakukan principal component analysis (PCA) pada data masukan, memilih variabel masukan berdasarkan korelasinya terhadap keluaran, mengurangi kelas keluaran, memvariasikan jumlah neuron lapis tersembunyi dan nilai laju pernbelajaran. Model JST yang terbaik menghasilkan recogniiion rate validasi sebesar 76%. Kesimpulan: Percobaan ini menghasilkan model JST yang dapat mengklasifikasikan kualitas dan kuantitas spennatozoa pria infertil berbasis data rekam medis. Pengembangan lebih lanjut diperlukan untuk mendapatkan model JST dengan hasil yang baik.

---

This research aims to develop a model of neur,al network (ANN)that can classify the quality and quantity of spermatozoa infertile men according to medical records.

Methods: Data from the medical records of infertile men is the ANN input variables, output variables are the conclusions from the results of semen analysis. ANN architecture in this study consisted of 3 layers, an input layer with 50 neurons. a hidden layer with 25 neurons and an output layer with 7 neurons; initiation is determined by random weights with Nguyen-Widrow, logsig transfer function; learning rate 0.2; momentum of0.2; target error 0.01 and the ANN resuit is assessed by recognition rate of validation.

Results: The learning process with the basic parameters did not reach convergence. the total error of 400, 16% recognition rate of training and validation of 21%. Further modifications made on input and output variables, such as: perform principal component analysis (PCA) on the input data, selecting the input variables based on the correlation of output, reducing the output class, varying the number of hidden layer neurons and learning rate values. The best ANN model produces va1idation recognition rate by 76%.

Conclusion: This experiment resulted ANN model that can classify the quality and quantity of spermatozoa infertile men based medical records. Further development is needed to get the ANN model with good results."

"ABSTRAKKanker payudara merupakan kanker yang umum terjadi pada wanita baikdi Indonesia ataupun di dunia. Pemeriksan tingkat sebaran sel kanker perludilakukan agar pengobatan yang diberikan tepat. Biopsi jaringan getah bening danpemeriksaan ahli patologi adalah salah satu metode untuk menentukan tingkatpenyebaran kanker. Kendala pada pemeriksaan manual membutuhkan waktu untukmemeriksa bagian perbagian dengan kemungkinan ada bagian yang terlewati,kesalahan dalam klasifikasi dan unsur subjektifitas saat memeriksa. Penggunaankecerdasan buatan dalam prapemeriksaan akan membantu dokter dalam memeriksadan menghilangkan unsur subjektifitas. Proses klasifikasi yang didapat diharapkanmembantu ahli patologi memeriksa dengan lebih cepat dan mengurangi tingkatkesalahan pemeriksaan. Proses dimulai dengan terlebih dahulu menentukan antaradaerah kosong dan daerah yang terdapat jaringan. Selanjutnya menentukan tingkatmetastasis berdasarkan hasil klasifikasi. Metode yang digunakan adalah denganmenggunakan teknik ambang gambar dalam menentukan batas gambar yang berisijaringan. Proses klasifikasi menggunakan jaringan saraf konvolusi (ConvolutionNeural Network (CNN)) dengan banyak klasifikasi sebanyak 5 kelompok selnormal dan 1 kelompok tumor. Hasil dari penggunaan metode ambang adaptifdapat memisahkah antara daerah kosong dan daerah berisi sel-sel. Metode jaringansaraf konvolusi ini dapat mengklasifikasikan dengan hasil sampai 86% dan tesdengan validasi data 80% untuk keseluruhan klasifikasi dan mencapai 93% untuksel tumor dan sel kanker. Hasil dari penentuan tingkat ditentukan oleh akurasi dariproses klasifikasi. Metode ambang gambar adaptif dapat menentukan area kosongdan berisi jaringan sesuai dengan yang diharapkan dan mempercepat prosespemeriksaan. Hasil klasifikasi dan menentukan tingkat dapat ditingkatkan denganmemperbaiki pembagian data-data pada dataset dan mengembangkan konfigurasidari jaringan saraf konvolusi dengan merubah struktur atau menambahkan denganmetode lain.

---

ABSTRACTBreast cancer is the most common cancer in women worldwide and the second mostcommon cancer in Indonesia. Metastasis is the medical term for cancer that spreadsto a different part of the body from where it started. Information from the lymphnode biopsy can help doctor that treatment decisions depend on stage of metastases.Normaly pathologist makes a diagnosis of the prepared sample slide from samplebiopsy with manual visual inspection. Manual diagnosis has the possibility to misssome section not checked, classification errors and subjectivity result. Theclassification process with AI will help the pathologist check faster, reduce the errorlevel and eliminate the subjectivity. The proposed Method using adaptivethresholding method in whole slide image is to determine the area to be processed.And Convolution Neural Network (CNN) for image classification. Adaptivethresholding have ability to separating the blank slide area and tissue area. CNN issuperior in image classification . Classification data for this thesis using 6classification, five class normal cell and one tumor. Adaptive thresholding methodin whole slide image can separate empty tissue and tissue with cell area. The resultCNN Method for overall accuracy 86% and accuracy for tumor cell is 93%.Classification and staging result can be improved by improving dataset for trainingand developing, change the configuration of CNN architecture or adding newmethod."

"Setelah menemukan keunggulan maupun kelemahan algoritma Variable Learning Rate with Momentum, Levenberg-Marquardt dan Resilient Backpropagation, khususnya dalam kasus pengendalian kecepatan motor induksi, diharapkan rancangan dapat memberikan unjuk kerja yang baik dalam kondisi rawan derau dan penggunaan rangkaian tambahan untuk implementasi paralel berskala besar dapat dihindari. Tahap simulasi dan pengujian sistem terdiri atas pencarian arsitektur optimal, pelatihan dengan menyertakan data validasi (penghentian dini) dan data uji serta uji ketahanan terhadap derau. Tahap pertama bertujuan menemukan arsitektur model pengendali yang optimal, dalam arti menghasilkan fungsi kinerja terendah dalam waktu pelatihan yang relatif singkat. Tujuan tahap kedua ialah memeriksa pengaruh data validasi dan uji terhadap unjuk kerja sistem. Pada kedua tahap awal ini, kemampuan model untuk memperkirakan plant acuan diperiksa dengan metode regresi linier. Sementara pada tahap ketiga akan diperiksa pengaruh derau terhadap kemampuan model untuk mengikuti kecepatan rotor acuan. Berdasarkan percobaan yang dilakukan diambil kesimpulan sebagai berikut. Dengan integrasi sistem yang nyaris identik dengan plant acuan, model pengendali hasil pelatihan dengan algoritma Varible Learning Rate with Momentum, Levenberg-Marquardt maupun Resilient Backpropagation mampu mengikuti kecepatan sudut acuan ?r* dengan baik saat disimulasikan. Fungsi kinerja terbaik diberikan oleh model dengan algoritma Levenberg-Marquardt, yaitu 5,49478 x 10-9 rad_/s_ dengan regresi linier A = T ? 0,0254 dimana R = 1. Karena regresi liniernya menurun drastis, yaitu dari A = T ? 0,127 dan R = 1 menjadi A = 1,2T ? 8,06 dan R = 0,954, dan saat disimulasikan memberikan tanggapan yang tidak stabil, pelatihan dengan algoritma Resilient Backpropagation tidak cocok menyertakan validasi dan pengujian; paling tidak dalam kasus model motor induksi ini. Sebaliknya model Levenberg-Marquardt menghasilkan regresi linier yang semakin baik setelah dilatih dengan validasi dan uji, yaitu A = T ? 0,0238 dan R = 1. Dengan frekuensi derau 10 Hz, model pengendali dengan algoritma Varible Learning Rate with Momentum, Levenberg-Marquardt maupun Resilient Backpropagation mampu menunjukkan unjuk kerja yang baik. Semakin tinggi frekuensi dan intensitas daya derau, unjuk kerja sistem cenderung semakin buruk. Model Levenberg-Marquardt menghasilkan galat mutlak rata-rata terendah yakni 4,703 rad/s pada power spectral density derau 10-3 dB/Hz.

---

Founding advantages and disadvantages of Variable Learning Rate with Momentum, Levenberg-Marquardt and Resilient Backpropagation algorithms, especially on induction motor speed controlling case, the design were hopefully able to give good performance under noise environment and additional circuit for large scale parallel implementations could be avoided. The system?s simulation and testing steps were optimal architecture search, training with validation (early stopping) and testing data, and noise resistance test. The first step?s objective was to find an optimal controller model?s architecture by means of the lowest performance function under relatively short training time. The second?s objective was to check validation and testing influence to system?s performance. On both these steps, the model?s ability to approximate the reference plant was being checked by linear regression method. On the third step, the noise influence to the model?s ability to track the reference rotor speed was being observed. Based on experiments being held, conclusions are enlisted following. With a system integrated closely similar to the reference plant, the controller models of the algorithms? training results are able following reference angular speed ?r* well. The best performance function is 5,49478 x 10-9 rad_/s_ which belongs to Levenberg-Marquardt algorithm?s model, with A = T ? 0.0254 and R = 1 linear regression. Due to linear regression?s drastic reduction from A = T ? 0.127 and R = 1 into A = 1.2T ? 8.06 and R = 0.954 and unstable response when being simulated, validation and testing assistance on training are unfit for Resilient Backpropagation algorithm; at least on this case. On contrary the Levenberg-Marquardt model produces better linear regression after being trained with validation and testing, i.e. A = T ? 0.0238 and R = 1. With 10 Hz noise frequency, all controller models with Varible Learning Rate with Momentum, Levenberg-Marquardt and Resilient Backpropagation algorithms are able to show good performance. The higher the noise frequency and power intensity, the system?s performance tends to get worse. Levenberg-Marquardt model produces the lowest mean absolute error, i.e. 4.703 rad/s on 10-3 dB/Hz noise power spectral density."

"Jaringan syaraf tiruan (Arrgficial Neural Nerwork) merupakan salah satu bagian dari kecerdasan buatan (Artificial Intelligence) yang mengambil prinsip kerja jaringan syaraf manusia. Perhitungan propagasi balik (Back Propagartion) adalah algoritma belajar yang populer, yang merupakan generalisasi kaidah least square untuk jaringan syaraf berlapis jamak (Mulfflayer Neural Network). Proses aromatisasi heptana menjadi toluena, dengan nama hydroforming, telah dikembangkan ketika Perang Dunia II (World War II) dengan tujuan untuk mendapatkan bahan baku peledak. Kondisi operasi diatas sangatlah riskan dan penuh resiko. Pendeteksian yang akurat dan dini diperlukan guna mencegah kesalahan yang timbul, yang dapat mengakibatkan kerugian baik material maupun immaterial. Diagnosa kesalahan proses pada aromatisasi heptana dapat dilakukan dengan metode Jaringan Syaraf Tiruan Propagasi Balik (ANN/JNA BP) ini. Berdasarkan data lapangan (kondisi masukan dan kondisi keluaran), jaringan syaraf akan melakukan pembelajaran (learning) secara simultan dan kontinyu, yang pada akhirnya akan terbentuk sebuah pengetahuan. BP inilah metode ajar yang paling sederhana dan cocok sekali untuk diterapkan, karena sanggup mengenali pola (pattern recognition). Sebagai studi kasus, proses aromatisasi heptana, penerapan ANN/JNA BP yang diteliti oleh Watanabe dan Himmelblau dapat dibuktikan dengan baik pada skripsi ini. Model ANN/JNA BP dapat melakukan pengenalan pola dengan balk dimana toleransi error lebih kecil dari 0.001, dengan jumlah iterasi pelatihan lebih dari 5000 iterasi, dan waktu pelathan lebih dari 40 menit."

"ABSTRAKPeramalan kecepatan angin menggunakan jaringan saraf tiruan propagasibalik merupakan salah satu metoda peramalan kecepatan angin jangka pendek(dalam orde jam) yang cukup efektif untuk diterapkan. Metoda ini mampumemberikan hasil peramalan kecepatan angin yang baik dengan error peramalanterkecil adalah 0.0017. Parameter output dari peramalan kecepatan angin sangatadaptif terhadap perubahan-perubahan yang terjadi pada parameter inputnya,sehingga hasil peramalan akan lebih mendekati kondisi sebenarnya. Parameterinput yang digunakan meliputi temperatur udara, kelembaban udara, arah angindan curah hujan

---

AbstractWind speed forecasting using backpropagation artificialneural network is one of the short-term wind speed forecasting method (in theordre of hours) which is quite effective to be applied. This method provides thegood wind speeds forecasting result with the smallest error is 0.0017. The outputparameters of wind speed forecast is very adaptive to the changes of the inputparameters, so the forecast results will be closer to the real conditions. The inputparameters that being used are air temperature, air humadity, wind direction andrainfall."