Hasil Pencarian  ::  Simpan CSV :: Kembali

"Jaringan Saraf Tiruan (JST) merupakan suatu model matematis yang dewasa ini banyak digunakan dan algoritma pembelajarannya merupakan hal yang menarik untuk dipelajari. Pada skripsi ini, akan dibahas mengenai JST berbasis Radial Basis Function (RBF) dan perbandingannya dengan JST berbasis backpropagation yang dewasa ini banyak digunakan. Optimasi JST ensemble dengan algoritma Negative Correlation Learning (NCL) berbasis RBF juga akan dilakukan pada skripsi ini. Set data yang akan digunakan selama percobaan adalah data UC Irvine Machine Learning Repository (UCI) dan citra manusia cahaya tampak dan infra merah.

---

Artificial neural network is a mathematical model that nowadays has been applied widely and its learning algorithm has become an interesting object to learn. This thesis is going to discuss artificial neural network based on Radial Basis Function (RBF) and its comparison with backpropagation that has been widely purposed. Afterward, optimation is conducted in term of ensemble artificial neural network with Negative Correlation Learning (NCL) algorithm based on RBF. The databases to use are UC Irvine Machine Learning Repository (UCI) and pictures of human face that are achieved from infra-red and visible-light cameras. "

"Pada masa sekarang ini perkembangan teknologi cenderung memiliki kemampuan untuk berpikir dan mengambil keputusan layaknya manusia. Salah satu dari banyak metode untuk mengembangkan teknologi yang cerdas adalah dengan menggunakan Jaringan Saraf Tiruan Radial Basis Function. Penelitian ini membandingkan antara Jaringan Saraf Tiruan Radial Basis Function dengan Fungsi Error Kuadratis dan Cross-Entropy dalam mengenal empat set data dari ?UCI Repository of Machine Learning Database? dan satu set data uranium dari BATAN. Selain itu, kedua jaringan tersebut dibandingkan dengan Jaringan Saraf Tiruan Backpropagation. Berdasarkan hasil percobaan dapat dilihat bahwa algoritma Radial Basis Function lebih sederhana dan memiliki waktu komputasi yang lebih cepat dibandingkan dengan algoritma Backpropagation.

---

At the present, technological developments tend to have the ability to think and making decisions like human beings. One of the many methods to develop intelligent technologies is to use Radial Basis Function Neural Networks. This study compares the Radial Basis Functions Neural Networks with Mean Square Error Function and Cross-Entropy Error Function in identifying four sets of data from the "UCI Repository of Machine Learning Databases" and a set of data uranium from BATAN. In addition, both networks are compared with Backpropagation Neural Networks. Based on the results of the study, it is shown that Radial Basis Functions algorithm has simpler and faster computational capability compared to Backpropagation algorithm."

"Dalam beberapa tahun ini, telah banyak penelitian yang berhubungan dengan pengenalan pola dilakukan untuk mengindentifikasi berbagai macam bentuk pola. Tesis ini membahas pengembangan jaringan saraf tiruan fungsi basis radial fuzzy. Dalam penelitian ini dilakukan dua percobaan, yaitu jaringan saraf fungsi basis radial fuzzy menggunakan SOM dan jaringan saraf fungsi basis radial fuzzy tanpa SOM.Hasil yang dicapai dari recognition rate menunjukkan jaringan saraf fungsi basis radial fuzzy menggunakan SOM memberikan performa yang baik. Jaringan saraf ini diharapkan dapat dikembangkan oleh peneliti-peneliti yang lain untuk kemajuan keilmuan dalam segala bidang.

---

In recent years, has been much research related to pattern recognition performed to identify various forms of patterns. This thesis discusses the development of artificial neural networks fuzzy radial basis functions. In this study conducted two experiments, namely radial basis function neural network fuzzy neural network using the SOM and fuzzy radial basis function without SOM.The result of recognition rate shows the radial basis function neural networks using a fuzzy SOM gives a good performance. Neural network is expected to be developed by other researchers for the advancement of knowledge in all fields."

"Masalah terbesar dalam suatu proses Destilasi adalah sering berubahnya konfigurasi dari aliran masukan, dikarenakan aliran masukan tersebut tersebut berasal dari dari sumur minyak yang sudah pasti besarnya akan selalu berubah, sehingga akan berpengaruh terhadap konfigurasi unit-unit destilasi lainnya. Kebanyakan dari data yang dihasilkan dari proses distilasi merupakan data yang nonlinier dan kompleks jika menggunakan model yang konvensional. Jaringan syaraf tiruan adalah salah satu metode yang banyak dikembangkan untuk membuat sistem permodelan yang berasal dari pengambilan data secara langsung.. Sulitnya menemukan korelasi untuk memprediksi konfigurasi unit utilitas dan proses dengan aliran masukan yang selalu berubah dalam suatu proses distilasi menjadikan metode jaringan syaraf tiruan sebagai salah suatu solusi yang dapat digunakan untuk melakukan suatu prediksi setting kondisi operasi. Pada penelitian ini dilakukan pendefinisian model arsitektur jaringan saraf tiruan dengan menggunalkan backpropagation dan basis radial yang kemudian dilakukan proses pembelajaran dengan data pembelajaran berupa data historis yang didapat dari unit Debutanizer 16-C-104 selama periode April sampai 31 Agustus 2006. Unit ini merupakan unit proses distilasi kepunyaan PT. Pertamina (Persero) UP-VI Balongan. Penelitian ini menghasilkan sebuah perangkat lunak simulasi yang dapat memprediksikan setting temperatur feed, temperatur kondenser, temperatur reboiler, temperatur reflux, dan tekanan kondenser proses destilasi dengan tingkat kesalahan di bawah 1 % menggunakan kedua jenis JST. Sedangkan Jika menggunakan Hysis didapat hasil kesalahan diatas 5 %."

"Model deep learning adalah model dengan banyak lapisan jaringan saraf tiruan. Model Bidirectional Gated Recurrent Unit (BiGRU) adalah salah satu jenis model deep learning yang memproses urutan data dalam dua arah, yaitu arah maju dan arah mundur. Hal tersebut memungkinkan model BiGRU untuk mengakses informasi masa depan dan masa lalu dari setiap titik dalam urutan data untuk pemahaman konteks yang lebih baik. Model BiGRU dapat digunakan untuk analisis sentimen, yaitu proses mengategorikan sentimen opini dalam teks menjadi negatif, netral, atau positif. Representasi teks yang digunakan pada penelitian ini adalah Bidirectional Encoder Representations from Transformers (BERT) karena kemampuannya memahami kata secara kontekstual sehingga meningkatkan akurasi. Salah satu masalah umum pada analisis sentimen adalah ketidakseimbangan data Penggunaan data tidak seimbang mempengaruhi kinerja model dalam melakukan klasifikasi sentimen karena bias terhadap kelas mayoritas. Oleh karena itu, penggunaan Synthetic Minority Oversampling Technique (SMOTE) dalam mengatasi ketidakseimbangan kelas pada data dilakukan pada penelitian ini. SMOTE digunakan untuk melakukan oversampling pada data kelas minoritas dan dipasangkan dengan model BiGRU yang menggunakan fungsi kerugian categorical cross entropy menghasilkan kinerja dengan nilai akurasi sebesar 85,52% yang merupakan akurasi tertinggi dibandingkan dengan daripadamodel BiGRU dengan fungsi kerugian categorical cross entropy tanpa penanganan SMOTE (model standar dalam penelitian ini) dan model BiGRU dengan fungsi kerugian weighted cross entropy yang dibangun untuk memperkuat bukti bahwa model yang diajukan adalah model terbaik.

---

Deep learning models are models with multiple layers of artificial neural networks. The Bidirectional Gated Recurrent Unit (BiGRU) model is one type of deep learning model that processes data sequences in two directions, the forward direction and the backward direction. This allows the BiGRU model to access future and past information from each point in the data sequence for better context understanding. The BiGRU model can be used for sentiment analysis, which is the process of categorizing the sentiment of opinions in text into negative, neutral, or positive. The text representation used in this research is Bidirectional Encoder Representations from Transformers (BERT) because of its ability to understand words contextually to increase accuracy. One of the common problems in sentiment analysis is data imbalance. The use of unbalanced data affects the performance of the model in performing sentiment classification due to bias towards the majority class. Therefore, the use of Synthetic Minority Oversampling Technique (SMOTE) in overcoming class imbalance in the data is done in this study. SMOTE is used to perform oversampling on minority class data and paired with the BiGRU model using the categorical cross entropy loss function results in performance with an accuracy value of 85.52% which is the highest accuracy compared to the BiGRU model with the categorical cross entropy loss function without SMOTE handling (the standard model in this study) and the BiGRU model with the weighted cross entropy loss function built to strengthen the evidence that the proposed model is the best model."

"[Kondisi chaotic merupakan kondisi dimana sistem selalu berkembang. Prediksi dari sistem yang memiliki kondisi chaotic sangat penting untuk menentukan keputusan yang akan diambil. Dalam skripsi ini dibahas mengenai prediksi dari Lorenz’s Chaotic System, dimana prediksi yang dilakukan menggunakan jaringan saraf tiruan Radial Basis Function Extreme Learning Machine. Jaringan saraf tiruan dipilih karena kemampuannya untuk dapat beradaptasi dengan sistem sehingga diharapkan dapat melakukan prediksi dengan baik. Hasil penelitian ini menunjukkan bahwa jaringan saraf tiruan Radial Basis Function Extreme Learning Machine dapat melakukan prediksi dengan baik yaitu dengan waktu pembelajaran yang sangat cepat dan tingkat akurasi yang tinggi., Chaotic condition is a condition where the system is always evolving. Prediction of the system that has chaotic condition is very important for determining the decisions to be taken. In this thesis discussed about the prediction of Lorenz's Chaotic System, where the predictions are made using Radial Basis Function Extreme Learning Machine neural network. Artificial neural network is chosen for its ability to be able to adapt to a system that is expected to do well prediction. The results of this study indicate that the Radial Basis Function Extreme Learning Machine neural network can perform good prediction with very fast learning time and high accuracy.]"

"Pada masa sekarang ini, teknologi semakin berkembang dan terus berkembang dengan cepat. Terutama kebutuhan adanya teknologi automasi yang memerlukan pengembangan lebih dalam lagi sehingga dapat menghasilkan teknologi cerdas yang dapat merespon tanggapan dengan cepat. Penelitian ini melakukan percobaan penerapan jaringan saraf tiruan radial basis function menggunakan metode backward dan metode Orthogonal Least Square (OLS). Berdasarkan hasil percobaan dapat dilihat bahwa penerapan jaringan saraf tiruan radial basis function metode OLS memiliki proses pelatihan yang lebih cepat dibandingkan penerapan jaringan saraf tiruan radial basis function metode backward. Selain itu, tingkat keakuratan yang dimiliki jaringan saraf tiruan radial basis function metode OLS juga tinggi.

---

In recent years, technology get better and better. The need of automatic technology that need to be developed more serious so it can result smart technology that can response the stimulation quickly. This research do experimentation on radial basis function neural network using backward methode and Orthogonal Least Square (OLS) methode and then compared with backpropagation neural network.

Based on result of experimentation we can conclude that radial basis function neural network using Orthogonal Least Square (OLS) method has training processing time faster than radial basis function neural network using backward method. Beside of that, radial basis function neural network using Orthogonal Least Square (OLS) method has high accuracy too."

"Jaringan Saraf Tiruan adalah salah satu metode baru yang dikembangkan untuk pemecahan berbagai masalah kompleks yang tidak dapat diselesaikan secara analitik. Salah satu pengembangannya adalah metode jaringan saraf pembelajaran Radial Basis Function, dengan metode inisialisasi bobot Nguyen-Widrow dan Orthogonal Least Square (OLS). Akurasi dan kecepatan pembelajaran yang dimiliki oleh Radial Basis Function (RBF) sangat menarik untuk diaplikasikan pada sistem kendali. Pemodelan Forward dan Invers sistem dilakukan dengan metode RBF dengan mengambil data sistem SISO Pressure Process Rig. Setelah dilakukan pemodelan, jaringan saraf tiruan akan diuji dengan Direct Inverse Test. Hasil identifikasi sistem dan identifikasi invers pada sistem Pressure Process Rig memiliki hasil yang baik. Begitu pula saat diuji coba dengan Direct Inverse Test, sistem kendali mempunyai performa cukup baik, namun tidak menutup kemungkinan adanya skema model lain yang dapat digunakan dalam pemodelan sistem.

---

Artificial Neural Network is a newer field of study that could solve any complex problem that could not be done by analytical solution. Radial Basis Function (RBF) is one of the newer method of Artificial Neural Network with two distinct weight initialization method ; Nguyen-Widrow and Orthogonal Least Square (OLS) methods. RBF?s high recognition rate and very fast learning speed are interesting enough to be used in control system. RBF is used in forward and inverse identification in modelling Pressure Process Rig system. Direct Inverse Test is also done in order to make sure Radial Basis Function perform well in identifying a particular system. Radial Basis Function had a great perfomance in both forward and inverse system identification and also in Direct Inverse Test, but it is possible to have another learning scheme in system modelling."

"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."

"ABSTRAKAlgoritma pembelajaran jaringan saraf tiruan dewasa ini semakin beragam.Masing-masing algoritma memiliki kelebihan dan kekurangan dan menjadi halyang menarik untuk dipelajari. Pada penelitian ini akan dibahas mengenaialgoritma pembelajaran metode Levenberg-Marquardt yang akan digunakanuntuk jaringan saraf tunggal dan Ensemble Neural Network. Hasil percobaanmenunjukan bahwa metode Levenberg-Marquardt memiliki keunggulan dalamkecepatan dan kestabilan.

---

ABSTRACTNeural network learning algorithm is more diverse today. Each algorithm hasadvantages and disadvantages, and those are interesting thing to learn. Thisresearch will be discussed on the learning algorithm Levenberg-Marquardtmethod to be used for a single neural network and Ensemble Neural Network.Results of this research shows Levenberg-Marquardt learning algorithm has agood speed and stability."