Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"ABSTRACTTugas akhir ini membahas mengenai Neural Network yang diaplikasikan dalam simulasi pengendalian plant. Plant yang digunakan adalah Pressure Process Rig 38-714. Pengendali yang digunakan adalah pengendali yang bekerja dengan nilai masukan berupa nilai eror dari nilai keluaran plant yang dibandingkan dengan nilai keluaran referensi. Kesuksesan percobaan ditinjau dari seberapa bagus keluaran plant yang dipasang pengendali ketika dibandingkan dengan sinyal referensinya dan ketahanannya terhadap gangguan. Hasil percobaan menunjukkan NN dengan metode Backpropagation memberikan performa yang baik walaupun diberi gangguan dengan batasan nilai tertentu.

---

ABSTRACTThis project discuss about the application of Neural Network in a simulation as a controller of a plant. Pressure Process Rig 38-714 is used as the plant. Error based NN is used as the controller. The controller’s input is the error signal from the output signal of plant compared to reference signal. The success rate is viewed by the similarity of the output of plant compared to the reference signal amd their robustness against noise. The testing result shows that NN based on backpropagation method has a great performance and robustness when there is noise."

"ABSTRAKSalah satu faktor penting dalam pengukuran kinerja jaringan sensor nirkabel adalah penentuan lokasi dari divais yang ingin dilacak. Received Signal Strength (RSS) merupakan faktor yang bisa menjadi tolok ukur dalam melakukan prediksi lokasi dari divais yang dilacak. Dalam penelitian ini, dilakukan prediksi lokasi (localizaton fingerprinting) dari divais ZigBee yangdilacak dengan menggunakan jaringan saraf tiruan. Pengolahan data oleh jaringan saraf menggunakan dua algoritma yang akan dibandingkan performanya, yaitu algoritma Levenberg Marquardt dan Resilient Backpropagation. Hasil penelitian ini memperlihatkan bahwa metode RSS fingerprinting mampu memprediksi koordinat divais ZigBee yang dilacak.Algoritma Levenberg Marquardt memiliki performa yang lebih baik dengan nilai akurasi rata-rata 96,41% dibanding algoritma Resilient Backpropagation dengan kesalahan rata-rata 94,52%.

---

ABSTRACTOne of many important factors in the performance of Wireless Sensor Network is the localization for tracked node. Received Signal Strength (RSS) is a factor that can be used to track device location. The method that will be used in this research is fingerprinting by Artificial Neural Networks. RSSI data processing by neural networks use two training algorithms, i.e. Levenberg-Marquardt algorithm and Resilient Backpropagation algorithm. The performance of these two algorithms have been evaluated. The result of this research shows that RSS fingerprinting method can predict the coordinate of tracked ZigBee device. Levenberg-Marquardt algorithm has a mean accuracy of 96.41%, which is better than the performance of Resilient Backpropagation algorithm with 94.52%."

"Pilar adalah unit struktural penting yang digunakan untuk memastikan keselamatan penambangan di tambang batuan keras bawah tanah. Oleh karena itu, prediksi yang tepat mengenai stabilitas pilar bawah tanah sangat diperlukan. Salah satu indeks umum yang sering digunakan untuk menilai stabilitas pilar adalah Safety Factor (SF). Sayangnya, batasan penilaian stabilitas pilar menggunakan SF masih sangat kaku dan kurang dapat diandalkan. Penelitian ini menyajikan aplikasi baru dari Artificial Neural Network-Backpropagation (ANN-BP) dan Deep Ensemble Learning untuk klasifikasi stabilitas pilar. Terdapat tiga jenis ANN-BP yang digunakan untuk klasifikasi stabilitas pilar dibedakan berdasarkan activation function-nya, yaitu ANN-BP ReLU, ANN-BP ELU, dan ANN-BP GELU. Dalam penelitian ini juga disajikan alternatif pelabelan baru stabilitas pilar dengan mempertimbangkan kesesuaiannya dengan SF. Stabilitas pilar diperluas menjadi empat kategori, yaitu failed dengan safety factor yang sesuai, intact dengan safety factor yang sesuai, failed dengan safety factor yang tidak sesuai, dan intact dengan safety factor yang tidak sesuai. Terdapat lima input yang digunakan untuk setiap model, yaitu pillar width, mining height, bord width, depth to floor, dan ratio. Hasil penelitian menunjukkan bahwa model ANN-BP dengan Ensemble Learning dapat meningkatkan performa ANN-BP dengan average accuracy menjadi 86,48% dan nilai F2 menjadi 96,35% untuk kategori failed dengan safety factor yang tidak sesuai.

---

Pillars are important structural units used to ensure mining safety in underground hard rock mines. Therefore, precise predictions regarding the stability of underground pillars are required. One common index that is often used to assess pillar stability is the Safety Factor (SF). Unfortunately, such crisp boundaries in pillar stability assessment using SF are unreliable. This paper presents a novel application of Artificial Neural Network-Backpropagation (ANN-BP) and Deep Ensemble Learning for pillar stability classification. There are three types of ANN-BP used for the classification of pillar stability distinguished by their activation functions: ANN-BP ReLU, ANN-BP ELU, and ANN-BP GELU. This research also presents a new labeling alternative for pillar stability by considering its suitability with the SF. Thus, pillar stability is expanded into four categories: failed with a suitable safety factor, intact with a suitable safety factor, failed without a suitable safety factor, and intact without a suitable safety factor. There are five inputs used for each model: pillar width, mining height, bord width, depth to floor, and ratio. The results showed that the ANN-BP model with Ensemble Learning could improve ANN-BP performance with an average accuracy of 86.48% and an F2-score of 96.35% for the category of failed with a suitable safety factor."

"Dalam beberapa tahun ini, telah banyak penelitian mengenai pengenalan pola yang dilakukan dengan jarigan syaraf tiruan. Skripsi ini membahas sistem pengenalan pola berbasis Jaringan Saraf Tunggal (JST). Penelitian ini membahas metode pembelajaran Levenberg Marquardt dalam melakukan pengenalan pola. Terdapat 9 dataset pola, 8 dataset dari "UCI Repository of Machine Learning Database" dan satu set dari data uranium dioxide pellet. Prosedur kerja sistem terdiri dari tahap pra-pemrosesan, pelatihan, dan pengujian. Hasil pengujian yang ditinjau dari computational cost dan recognition rate menunjukkan JSE berbasis metode Levenberg Marquardt memberikan performa yang lebih baik dibandingkan JST berbasis metode Levenberg Marquardt atau Backpropagation.

---

In recent years, many people have been working on pattern recognition using artificial neural network. This bachelor pra-thesis discuss about pattern recognition system based on Single Neural Network (SNN). This research discuss about Levenberg Marquardt learning algorithm in pattern recognition.There are 9 datasheets used in this experiment, which 8 of them are obtained from "UCI Repository of Machine Learning Database" and and one dataset of uranium dioxide pellet. The working procedures of the systems consists of pre-processing, training, and testing stages.

The testing result, which is measured from computational computational cost and recognition rate, shows that ENN based on Levenberg Marquardt learning algorithm has a better performance than SNN based on Levenberg Marquardt or Backpropagation."

"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."

"ABSTRAK

Kanker Payudara (KPD) merupakan salah satu penyakit penyebab kematian terbesar. Indonesia merupakan negara dengan jumlah KPD cukup besar. KPD ini merupakan benjolan. Benjolan ini dapat diperiksa menggunakan cara manual yaitu diraba bagian dekat dengan putting susu. Jika benjolan tidak kunjung mengecil dianjurkan untuk memeriksa ke dokter. Pendektesian KPD ini dapat dilakukan dengan menggunakan proses pencitraan. Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Pendektesian dilakukan dengan menganalisa gambar payudara (mammography) pasien dengan menggunakan metode Principal Component Analysis (PCA) mengubah gambar dalam bentuk matriks. Matriks ini akan digunakan sebagai data yang akan digunakan dalam Neural Network (jaringan saraf tiruan) dengan metode Backpropagation Neural Network (BNN). Dari hasil Percobaan dapat diketahui bahwa metode ini menghasilkan nilai akurasi pembelajaran dari deep learning supervised sebesar 98%.

---

ABSTRACTBreast Cancer is one of the biggest causes of death. Indonesia is a country with a large number of KPDs. This KPD is a lump. This lump can be examined using a manual method that is palpated near the nipple. If the lump does not go away it is recommended to see a doctor. This breast cancer assessment can be done using the imaging process. . The data used in this study was taken from the website of the Pilot European Image Processing Archive (PEIPA) namely the Mammographic Image Analysis Society (MIAS) dataset. The assessment is done by analyzing the breast image (mammography) of the patient using the Principal Component Analysis (PCA) method to change the image in the form of a matrix. This matrix will be used as data to be used in Neural Networks with the Backpropagation Neural Network (BNN) method. From the results of the Experiment it can be seen that this method produces the value of accuracy of learning from supervised deep learning about 98%.

"

"Plat nomor merupakan suatu jenis identifikasi kendaraan bermotor. Setiap kendaraan bermotor yang beroperasi dijalanan diwajibkan untuk melengkapi kendaraannya dengan plat nomor atau Tanda Nomor Kendaraan Bermotor (TNKB) yang sesuai dengan kode wilayah, nomor registrasi dan masa berlaku. Plat nomor di Indonesia terdapat 3 warna yang dipakai yaitu hitam, merah dan kuning dengan masing masing warna untuk fungsi yang berbeda. Dengan jumlah kendaraan di Indonesia, sistem pengenalan plat nomor dibuat secara otomatis bisa di implementasikan untuk memudahkan berbagai hal dalam pendataan plat nomor diantaranya pengecekan plat nomor ketika di area parkir, menemukan kendaraan yang dicuri ataupun mobil yang melanggar lampu merah. Pada penelitian ini terdapat 2 metode yang sering digunakan untuk pengenalan plat nomor otomatis yaitu KNN (K-Nearest Neighbour) dan NN (Neural Network). Setelah dilakukan pengujian menggunakan 3 analisis uji yang sudah dilakukan oleh penulis, akurasi metode neural network berhasil mencapai 88,8% sedangkan pada K-Nearest Neighbor akurasinya mencapai 72,2%. Metode NN lebih baik daripada KNN pada pengujian kali ini disebabkan adanya modifikasi pada variable yang dapat membuat akurasi NN lebih baik daripada KNN. Sedangkan pada metode KNN tidak dapat merubah akurasi yang telah didapatkan.

---

Number plate is a type of motor vehicle identification. Every motorized vehicle operating on the road is required to complete the vehicle with a license plate or Motor Vehicle Number (TNKB) that matches the area code, registration number and validity period. Number plates in Indonesia there are 3 colors used, namely black, red and yellow with each color for different functions. With the number of vehicles in Indonesia, the number plate recognition system is made automatically can be implemented to facilitate various things in number plate registration including checking license plates when in the parking area, finding stolen vehicles or cars that violate red lights. In this study there are 2 methods that are often used for automatic number plate recognition, namely K-Nearest Neighbor and NN (Neural Network). After testing using 3 test analyzes carried out by the author, the accuracy of the neural network method reached 88.8% while the K-Nearest Neighbor accuracy was 72.2%. The NN method is better than KNN in this test due to a modification in the variable that can make the accuracy of NN better than KNN. While the KNN method cannot change the accuracy that has been obtained."

"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."

"Untuk mengindentifikasi kondisi janin di dalam kandungan, dewasa ini masih dilakukan tindakan konvensional yang dapat menyakiti janin dalam kandungan dan si ibu. Di dalam penelitian ini dirancang bangun program identifikasi kondisi janin dengan near infrared spectroscopy yang dikenal melalui metode Jaringan Syaraf Tiruan (JST). Gelombang cahaya yang diterima dari proses penyinaran NIRS ke jaringan otak dikonversi ke gelombang audio, selanjutnya gelombang audio tersebut dihubungkan ke komputer melalui input audio. Pada tahap awal pendeteksian gelombang, pertama-tama dilakukan pra-pengolahan terlebih dahulu. Gelombang spektroskopi diperbesar untuk mendapatkan bentuk gelombang yang baik, dan selanjutnya gelombang ini dipotong- potong hingga didapat spektrum yang dapat mewakili karakteristik gelombang dalam bentuk matriks 75x1. Nilai karakteristik dilatih dan dimasukkan ke dalam database sebagai input pembanding untuk proses identifikasi. JST terdiri dari 100 layer tersembunyi dan 1 layer keluaran, dengan fungsi aktifasi tansig dan purelin. Setelah dilakukan pelatihan untuk 30 gelombang audio yang masing?masing terdiri dari 10 gelombang audio kondisi janin normal, 10 gelombang audio kondisi janin asfiksia dan 10 gelombang audio janin preasfiksia, identifikasi kondisi janin ini mencapai tingkat akurasi rata-rata sebesar 66,67% dengan 4 kali pengukuran pada 15 sampel input.

---

To identifying fetal condition on the womb nowadays, some people still using conventional method that can harm the fetal it self and the mother.

The objective of this research, we try to build up a program to identify fetal condition through spectroscopy that also known as Artificial Neural Network method. Light wave that collected from NIRS to the fetal's brain cell converted to be audio wave, then we connect this audio wave to the computer with the audio input tools. In the first step of the wave detection, we should do the pre-processing of the wave. The signal wave from spectroscopy are zoomed out to get a good specific wave. And then we broke it down to get specific charasteristic spectrum of the wave in the form of matrix 75x1. The value of its charasteristic is trained and input on the database as the input comparator for the identify process. ANN is contain of 100 layer as the hidden layer and 1 layer as the output layer, with tansig function and purelin function as the activation function.

After training for 30 spectroscopy wave, that contains of 10 audio wave of the fetal condition in normal, 10 audio wave in asphyxia and 10 audio wave in pre-asphyxia condition, identification of the fetal condition reach average of the accuracy in 66,67% with 4 times measuring for 15 input sample."