Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu permasalahan yang dihadapi dalam mengaplikasikan neural network adalah menentukan parameter-parameter weight dan threshold yang optimum selama fasa pelatihan. Metode yang umum digunakan untuk mendapatkan solusi permasalahan ini adalah metode backpropagation. Suatu pendekatan berbeda yang digunakan untuk mendapatkan solusi dari permasatahan diatas adalah algoritma genetik. Dalam tesis ini algoritma genetik diaplikasikan untuk melatih neural network guna mendapatkan suatu parameter weight dan threshold yang optimum. Proses diawali dengan mengkodekan parameter-parameter neural network menjadi kromosom biner, yang kemudian dilanjutkan dengan suatu proses evaluasi kromosom. Proses seleksi dengan metode 'Spinning Wheel' digunakan untuk menyeleksi turunan dengan kelayakan tinggi. Proses pencarian solusi optimal dikerjakan dengan melakukan operator-operator genetik persilangan dan mutasi dari kromosom yang terseleksi. Hasil pengujian menunjukkan bahwa pelatihan dengan algoritma genetik untuk permasalahan klasifikasi pola terbukti lebih unggul kinerjanya daripada dengan metode backpropagation untuk mencapai error minimum yang diinginkan. Pada pengujian pendekatan fungsi, algoritma genetik ter1ihat lebih tambat dari segi waktu untuk mencapai error minimum yang sama dibandingkan dengan metode backpropagation.

---

One of the problems faced in applying neural network to some real wond application is related to difficulties in finding an optimum set of weights and thresholds during the training phase. A general most method in finding these solutions for these problems is backpropagation. A different method to find the solutions of the same problems is Genetic Algorithms. Genetic algorithm is relatively new search algorithm that has not been fully explored in this area. In this thesis, genetic algorithms are applied to train neural networks and to evolve an optimum set of weights and thresholds. Process begin with encode neural networks parameters to binary chromosomes, and evaluate. The Spinning wheel selections are using to produce offspring with high fitness, then recombinate with crossover and mutation as genetic operator. The project carried out investigates whether genetic algorithms can be applied to neural networks to solve pattern classification and function approximation problems. This thesis describes the simulation works that have been performed. It describes the design of a genetic algorithm and the results obtained. In pattern classification problem that use feedforward network show, that genetic algorithm is superior to backpropagation training rule in error and speed calculation. In function approximation, the result shows that genetic algorithm approach is very much slower than the backpropagation method. Results show that even for relatively simple network, genetic algorithm requires a much longer time to train neural networks."

"Durasi pemeliharaan merupakan hal yang penting dalam kegiatan dry docking kapal. Estimasi durasi pemeliharaan diperlukan untuk membuat jadwal pemeliharaan kapal pada suatu galangan. Sayangnya saat ini pihak galangan belum mempunyai standar yang baku dalam mengestimasi durasi pemeliharaan kapal. Penelitian ini bertujuan untuk memperoleh model matematis estimasi durasi pemeliharaan kapal dry docking menggunakan Artificial Neural Network dan Genetic Algorithm. Dengan melihat volume dan jenis pekerjaan dry docking sebagai input, diperoleh model estimasi durasi dengan nilai rata-rata error 5.12 hari. Hasil estimasi kemudian dibandingkan dengan metode Neural Network standar dan metode Decision Tree-Genetic Algorithm-Neural network. Hasil penelitian menunjukkan bahwa metode Decision Tree-Genetic Algorithm-Neural network mempunyai nilai estimasi yang lebih akurat dibandingkan dengan kedua metode lainnya.

---

Maintenance time duration is an important things in ship dry docking activities. Estimating the time duration is necessary for ship schedule arranging in dock. Unfortunately, the dock company doesn’t have a standard procedure in estimating ship maintenance duration. The purpose of this research is to get mathematic model of dry docking maintenance duration estimation using Artificial Neural Network and Genetic Algorithm. By considering the job volume and type as input variable, the research get estimation model with root mean square error (RMSE) 5.12 day. Then, the estimation result is compared with traditional Neural network and Decision Tree-Genetic Algorithm-Neural network method. The result shows that Decision Tree-Genetic Algorithm-Neural network is more accurate in estimating the ship maintenance duration than the other two methods."

"Backpropagation neural network backpropagation adalah salah satu algoritma machine learning yang dapat digunakan untuk melakukan klasifikasi data. Klasifikasi data dilakukan dalan serangkaian proses training dan testing. Pada akhir proses testing yang juga merupakan akhir dari proses backpropagation, akan didapatkan nilai recognition rate. Nilai recognition rate merupakan nilai yang menandakan banyaknya data yang berhasil diklasifikasi dengan benar pada proses testing terhadap seluruh testing dataset. Recognition rate erat kaitannya dengan masalah underfitting, overfitting, local minima, dan local maxima. Keempat masalah ini menyebabkan nilai recognition rate yang didapatkan kurang optimal. Namun biasanya untuk menangani keempat masalah ini dilakukan pengaturan pada beberapa paramter, misalnya learning rate, momentum, jumlah layer, jumlah nodes, weights, dan lain-lain. Pada tulisan ini akan dijelaskan program optimasi yang melakukan pengaturan pada nilai inisialisasi weights untuk menangani keempat tersebut. Program ini melakukan inisialisasi weights menggunakan genetic algorithm pada backpropagation yang mengimplementasikan k-fold crossvalidation. Untuk menguji dan membandingkan program optimasi terhadap program implementasi backpropagation yang tidak dioptimasi program non-optimasi, digunakan empat dataset, yaitu iris flower dataset, seeds dataset, wine dataset, dan EEG dataset buatan. Pada akhir pengujian didapatkan hasil bahwa program optimasi berhasil mendapatkan nilai recognition rate lebih tinggi pada iris flower dataset, yaitu 97.33 pada program optimasi dan 96.67 pada program non-optimasi. Kemudian didapatkan pula nilai recognition rate yang lebih tinggi pada seeds dataset, yaitu 93.33 pada program optimasi dan 92.86 pada program non-optimasi. Lalu didapatkan pula nilai recognition rate yang lebih tinggi pada EEG dataset buatan, yaitu 37.5 pada program optimasi dan 35.94 pada program non-optimasi. Sedangkan pada wine dataset didapatkan nilai recognition rate yang sama antara program optimasi dan program non-optimasi, yaitu 99.44.

---

Backpropagation neural network backpropagation is one of machine learning algorithms that can be used to classify data. The data classification is done in a series of trainig and testing processes. At the end of testing process that is also the end of backpropagation process, the algorithm will produce recognition rate value. Recognition rate value indicates the total of correctly classified data in testing process againts all data in testing dataset. Recognition rate value related to underfitting, overfitting, local minima, and local maxima problems. However, to handle these problems adjusting some parameters are necessary to be done. These parameters are learning rate, momentum, number of layers, number of nodes, weights, etc. In this writting will be explained an optimization program that adjusts the initialization values of weights to handle those four problems. This program initializes weights using genetic algorithm on backpropagation implementing k fold crossvalidation. To test and compare the optimization program with a program that implements backpropagation without optimization non optimzation program four datasets will be used, those are iris flower dataset, seeds dataset, wine dataset, and artificial EEG dataset. At the end of the test, the results show that optimization program obtained higher recognition rate value on iris flower dataset, that is 97.33 on optimization program againts 96.67 on non optimization program. Other than that, optimization program obtained higher recognition rate value on seeds dataset, that is 93.33 on optimization program againts 92.86 on non optimization program. Also, optimization program obtained higher recognition rate value on artificial EEG dataset, that is 37.5 on optimization program againts 35.94 on non optimization program. However, the optimization program obtained an equal recognition rate value on wine dataset, that is 99.44."

"Tugas akhir ini bertujuan untuk membuat sistem pengenal huruf tulisan tangan dengan menggunakan algoritma Backpropagation Neural Network. Untuk mendapatkan representasi huruf dari bentuk tulisan tangan pada sub-sistem ekstraksi ciri digunakan metode Freeman chain code dan pryeksi sumbu sehingga akan dihasilkan rangkaian kode kerangka citra tulisan huruf. Proses penghalusan dan penipisan citra dilakukan dengan algoritma klasik pada sub-sistem pra_pengolahan. Pengujian menghasilkan tingkat keberhasilan rata-rata 92,31% untuk citra huruf A?Z, 76,92% untuk citra huruf a?z dan 90% untuk citra angka 0-9."

"One of the problems faced in applying neural network to some realworld application is related to difticulties in finding an optimum set of weightsand thresholds during the training phase. A general most method in tindingthese solutions for these problems is backpropagation.A different method to tind the solutions of the same problems isGenetic Algorithms. Genetic algorithm is relatively new search algorithm thathas not been fully explored in this area. ln this thesis, genetic algorithms areapplied to train neural networks and to evolve an optimum set of weights andthresholds. Process begin with encode neural networks parameters to binarychromosomes, and evaluate. The Spinning wheel selections are using toproduce offspring with high titness_ then recombinate with crossover andmutation as genetic operator.The proiect carried out investigates whether genetic atgonthms can beapplied to neural networks to solve pattem classitication and functionapproximation problems. This thesis describes tl1e simulation works thathave been perfomwed. It describes the design ofa genetic algorithm and theresults obtained. ln pattem classilication problem that use feedforwardnetwork show, that genetic algorithm is superior to backpropagation trainingrule in error and speed calculation. ln function approximation, the resultshows that genetic algorithm approach is very much slower than thebackpropagation method. Results' show that even for relatively simplenetwork, genetic algorithm requires a much longer time to Uain neuralnetworks-"

"Kebutuhan energi untuk rumah tangga atau bangunan di Indonesia sedang tumbuh secara signifikan. Oleh karena itu, efisiensi energi dalam energi pendingin sangat dibutuhkan. Penelitian ini bertujuan untuk mengembangkan sistem kontrol yang dapat menentukan setpoint paling optimal untuk laju aliran air massa untuk meminimalkan energi dari sistem pendingin. Bangunan dimodelkan oleh perangkat lunak Sketchup dan energi pendingin dimodelkan dengan menggunakan teknik co-simulasi antara EnergyPlus dan Matlab melalui BCVTB (Building Controls Virtual Test). Menggunakan Artificial Neural Network (ANN) dan optimisasi Genetic Algorithm (GA) untuk membuat prediksi optimasi titik yang akurat. Penelitian ini mendapatkan penghematan konsumsi listrik chiller HVAC yang sudah menggunakan sistem part load terutama pada daya pompa chiller sebesar 67,675% penghematan dari kondisi aslinya.

---

Energy needs for households or buildings in Indonesia are growing significantly. Therefore, energy efficiency in cooling energy is needed. This study aims to develop a Control Algorithm that can determine the most optimal set point for the mass flow rate of air to drain energy from the cooling system. Buildings are modeled by Sketchup software and cooling energy is modeled using co-simulation techniques between EnergyPlus and Matlab through BCVTB (Building Controls Virtual Test). Use dynamic neural networks (ANN) and genetics algorithm (GA) optimization to make accurate point optimization predictions. This study found the saving of HVAC chiller electricity consumption that already use part load systems, especially on the power of the chiller pump by 67,675% savings from its original condition."

"Arti penting penjadwalan perawatan unit pembangkit disebabkan oleh kenyataan bahwa keandalan dan biaya operasi dari sebuah sistem tenaga listrik sangat dipengaruhi oleh hilangnya pasokan daya dari unit pembangkit yang sedang dirawat. Beberapa metode yang biasa digunakan untuk penjadwalan adalah metode pemrograman integer, metode pemrograman dinamis, dan metode heuristik dengan menggunakan sistim pakar. Tesis ini akan membahas penggunaan metode Algoritma Genetik (AG) untuk penjadwalan perawatan unit pembangkit di sistem interkoneksi Jawa-Bali. AG adalah suatu metode optimalisasi yang ampuh dan cocok untuk digunakan dalam persoalan yang kompleks dan berskala besar. Algoritma ini meniru suatu mekanisme seleksi alam pada makhluk hidup yang ditemukan oleh Charles Darwin yaitu "Survival of the fittest", yang menyatakan individu yang kuatlah yang akan bertahan. Dari hasil eksekusi program diperoleh jadwal perawatan yang optimum dengan standar deviasi cadangan day a ± 8. 7 %. (934 ± 82 MW).

---

The importance of generator unit maintenance scheduling is due to the fact thaf reliability and operating cost of power system utilities are affected by the maintenance outage of generating facilities. Several methods have been used in finding maintenance scheduling, ie. integer programming, dynamic programming, and heuristic using expert system. This thesis will introduce an application of genetic algorithm on generator maintenance scheduling in the Java-Bali interconnected system. Genetic algorithm is a powerful/optimization method that can solve a large scale combinatorial optimization problem. This algorithm imitate a natural individu selection mechanism found by Charles Darwin, ie. "survival of the fittest" in which the strongest individu will survive. Program execution gives an optimum maintenance schedule with standard deviation of reserve capacity :t 8. 7 %. (934 :t 82 MW)."

"Perkembangan bare dalam neural network telah memberikan keuntungan-keuntungan dalam aplikasi sistem kontrol. Berdasarkan teori stale space dan pendekatan neural network, dikembangkan suatu algoritma yang disebut Stochastic Neural Direct Adaptive Control (SNDAC) untuk mengendalikan plant yang diketahui sebagian matriks sistemnya, yaitu matdks masukan B(.) dan matriks keluaran C(.). Pengendali neural network menggunakan algoritma SNDAC untuk mengubah bobot-bobotnya sehingga dihasilkan sinyal kendali yang mengoptimalkan quadratic performance index. Parameter yang berpengaruh pada pengendalian adalah banyaknya neuron pada lapisan tersembunyi dan besarnya koefisien belajar. Pemilihan banyaknya neuron pada lapisan tersembunyi dan besarnya koefisien belajar tidak dapat dilakukan secara eksak, tetapi dengan trial and error. Dengan pemilihan yang tepat dihasilkan pengendalian yang stabil dengan toleransi kesalahan yang kecil, seperti terlihat pada hasiI simulasi."

"Hal yang harus diperhatikan dalam penggunaan Probabilistic Neural Network (PNN) adalah penentuan ukuran jaringan dan nilai parameter smoothing. Ukuran jaringan PNN akan semakin besar seiring dengan bertambahnya jumlah data pelatihan yang mengakibatkan biaya komputasi juga semakin tinggi. Sementara nilai parameter smoothing akan mempengaruhi tingkat klasifikasi dimana nilai yang optimal tergantung pada karakteristik data. Algoritma PNN-Terotimasi (PNN-T) adalah algoritma yang dikembangkan untuk menentukan struktur PNN yang optimal. Dalam PNN-T, nilai parameter smoothing yang optimal dipilih dengan menggunakan Algoritma Genetika, sedangkan ukuran jaringan ditekan dengan milikih neuron yang representatif menggunakan Algoritma Orthogonal. Dilakukan perbandingan anata PNN dengan PNN-T dalam masalah pengenalan aroma 2 campuran.Dan hasilnya PNN-T mempunyai kinerja yang lebih baik yaitu tingkat pengenalan lebih tinggi dan penggunaan neuron dengan jumlah lebih rendah dibandingkan PNN"

"Emisi kendaraan terutama yang menggunakan mesin diesel merupakan masalah yang sudah tidak asing lagi. Nox, HC, O2, CO, CO2 dan asap yang merupakan zat- zat hasil pembakaran mesin diesel dapat di ukur melalui percobaan eksperimental. Tetapi tentunya percobaan eksperimental ini mempunyai beberapa kekurangan seperti pengoperasiannya yang mahal serta prosesnya yang memakan waktu cukup panjang. Untuk mengatasi masalah itu semua, maka dibuatlah suatu metode pemodelan matematika menggunakan Artificial Neural Network (ANN). Metode ANN yang digunakan dalam skripsi ini adalah Backpropagation. Dengan dilakukannya penelitian ini diharapkan karakter emisi kendaraan mesin diesel dapat diprediksi secara akurat. Hasil dari penelitian ini membuktikan bahwa ANN cukup handal dalam memprediksi emisi bahan bakar mesin diesel.

---

Vehicle emissions, especially using diesel engine is not a strange problem anymore. NOx, HC, O2, CO, CO2 and smoke emissions comes from the combustion of substances in diesel engines can be measured through experimental test. Certainly this experimental test has several shortcomings such as the operation is expensive and time consuming process which is long enough.

To cope with this problem, then a mathematical modeling method using Artificial Neural Network (ANN) was made. ANN method used in this thesis is Backpropagation. This research expect to predict characters of diesel engine emissions accurately. The results of this study proves that ANN quite good to predict diesel engine emission."