Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pembelajaran pada jaringan syaraf tiruan (JST)n melibatkan banyak proses komputasi. Kemampuan JST melakukaan klasifikasi dengan benar menggunakan komposisi bobot hasil pembelajaran merupakan representasi keberhasilan pembelajaran."

"ABSTRAKTitik x disebut titik tetap dari pemetaan f jika dan hanya jika f(x) = x, sebagaicontoh jika pernetaan f didefinisikan dengan f(x) = x2 - 3x + 4, rnaka 2 adalahtitik tetap dari f karena f(2) = 2. Ruang Metrik-G adalah pasangan (X, G) denganX adalah hirnpunan tak kosong dan G adalah rnetrik (jarak) pada X (didefinisikanpada X >< X >< X) dengan G: X >< X >< X -> RJ? sedemikian hingga untuksetiap x, y, Z, a E X, rnernenuhi syarat berikut:(GI) G(x,y,z) = Ojika x = y = Z, (GZ) 0 < G(x,x,y)dengar1 x i y,(G3) G(x, x, y) 5 G(x, y, z) dengan z 42 y,(G4) G(x, y, Z) = G(x, z, y) =G(y, z,x) = G(y,x, z) = G(z,x,y) = G(z, y, x), (GS) G(x, y,z) S G(x, a, a) +G(a, y, Z). Ruang Metrik-G (X, G) adalah Ruang Metrik-G lengkap jika setiapbarisan G-Cauchy di (X, G)adalah G-konvergen di (X, G). Suatu pemetaan T: X ->X pada Ruang Metrik-G lengkap disebut pernetaan kontraktifjika terdapat konstantalc, 0 S Fc < 1 sedernikian hingga G(T(x), T(y), T(z) S kG(x,y, Z). Tidak sernuapemetaan memiliki titik tetap. Dari hasil penelitian diperoleh sifat-sifat dari RuangMetrik-G lengkap dan syarat cukup agar diperoleh ketunggalan titik tetap untukpemetaan kontraktif pada Ruang Metrik-G lengkap.

---

AbstractPoint x is called a fixed point ofthe mapping f if and only if f(x) = x, for exampleifthe mapping f defined by f(x) = x2 - 3x + 4, then 2 is a fixed point of fbecause = 2. Metric-G Space is a pair (X, G) Where X is a nonempty set andG is a metric (distance) onX (defined on X X X >< X) with G: X >< X X X -> R+such that for every x, y, Z, a E X, satisfy the following requirement:(Gl) G (x, y, Z) =0 ifx = y = z, (GZ) 0 < G(x,x,y) forx 92 y, (G3) G(x,x,y) 5 G(x,y,z)for z ¢ y,(G4) G(x,y,z) = G(x,z,y) = G(y,z,x) = G(y,x,z) = G(z,x,y) =G(z, y, x), (G5) G(x,y, Z) 5 G(x, a, a) + G(a,y, z). Metric-G Space (X, G) is acomplete Metric-G Space if every G-Cauchy sequence in(X, G) is G-convergent in (X, G). A mapping T: X -> X on a complete Metric-GSpace is called contractive mapping if there are constants lc, 0 5 k < 1, such thatG (T(x), T(y), T(z)) S ICG (x, y, Z). Not every mapping has a fixed point, from theresearch results obtained by the properties ofthe complete Metric-G Space andsufficient condition in order to obtain uniqueness of fixed point for contractivemapping in complete Metric-G Space."

"Pada skripsi ini pembuktian Teorema Fixed-Point Brouwer untuk kasus dimensi dua (pada cakram) melalui Aljabar Topologi akan dijabarkan. Pembuktian dilakukan dengan bantuan Teorema Ketiadaan Retraksi dan Teorema Lapangan Vektor. Selain membahas pembuktian untuk kasus dua dimensi ( 2 B ), pada skripsi ini pembuktian untuk kasus n dimensi ( n B ) juga dijabarkan. Pada skripsi ini teorema-teorema lain seperti hubungan retraksi dengan fixed point, dan hubungan homotopi dengan fixed point juga dibuktikan. "

"Titik x dikatakan titik tetap dari sembarang pemetaan T jika dan hanya jika T x = x. Berbagai hasil mengenai teorema titik tetap telah dibuktikan pada ruang metrik. Seiring berkembangnya bidang analisis matematis, semakin banyak matematikawan yang berhasil membuktikan teorema titik tetap di berbagai ruang dan pemetaan. Namun, tidak banyak hasil mengenai teorema titik tetap yang telah dibuktikan pada ruang dislocated quasi b-metric. Ruang dislocated quasi b-metric adalah salah satu bentuk perluasan dari ruang metrik dimana jarak antara dua buah titik yang sama tidak harus bernilai nol yaitu d(x, x) =/= 0 serta sifat simetri yaitu d(x, y) = d(y, x) tidak berlaku di ruang ini. Pada skripsi ini, akan dibuktikan kembali teorema-teorema mengenai ketunggalan titik tetap pada ruang dislocated quasi b-metric untuk sembarang pemetaan. Pada Skripsi ini juga akan dibahas mengenai teorema titik tetap untuk pemetaan tipe F-kontraktif pada ruang yang sama.

---

A point x is said to be a fixed point of a mapping T on a nonempty set X if and only if T x = x. Many results regarding the fixed point theorem have been proved on metric spaces. As the field of mathematical analysis develops, more and more mathematicians have succeeded in proving fixed point theorems in various spaces and mappings. However, not many results regarding the fixed point theorem have been proved on dislocated quasi b-metric spaces. Dislocated quasi b-metric space is one of the extensions of metric space where the distance between two equal points does not have to be zero i.e. d(x, x) =/= 0 and the symmetry property i.e. d(x, y) = d(y, x) does not apply in this space. In this thesis, we will prove the theorems on the uniqueness of fixed points on dislocated quasi b-metric spaces for any mapping. This thesis also discusses the fixed point theorem for F-contractive type mappings in the same space."

"Dalam bidang pengenalan citra wajah dua dimensi telah diujikan sistemjaringan saraf tiruan hibrida (JST-Hibrida) dan Averaging Representation berbasiskan Eigenface dan Fisherface. Dalam pengujiannya, JST-Hibrida memiliki kemampuan pengenalan yang lebih buruk dibandingkan Averaging Representation. Dalam penelitiannya, penulis mengimplementasikan jaringan saraf tiruan propagasi balik (JST-PB) yang ternyata memiliki kemampuan pengenalan di atas JST-Hibrida dan Averaging Representation. Untuk meningkatkan kinerja jaringan dan sekaligus mengoptimasi struktur jaringan maka digunakan algoritma genetika untuk memangkas koneksi-koneksiyang tidak diperlukan. Algoritma genetika ternyata mampu menemukan solusi yang bagus dengan jumlah koneksi yang lebih kecil.Dalam pengujiannya dipergunakan berbagai citra wajah dua dimensidengan berbagai variasi ekspresi dan pencahayaan. Metode yang digunakan untuk mereduksi dimensi citra adalah metode Fisherface. Metode Fisherface dapat mengenali wajah, baik untuk berbagai variasi cahaya dan ekspresi wajah. Hasil pengujian menunjukkan bahwa Algoritma Genetika mampu meningkatkan kemampuan pengenalan JST-PB terhadap citra wajah dua dimensi."

"Sistem pengenal huruf tulisan tangan ini merupakan penelitian lanjutan dari tugas akhir Emanual Philipus D. Sistem Pengenal Huruf Tulisan Tangan ini menggunakan jaringan neural buatan PNN, logika fuzzy dan tehnik pengolahan citra. Huruf tulisan tangan dicari kerangka hurufnya menggunakan tehnik pengolahan citra dan aproksimasi kerangka untuk mendapatkan kerangka huruf yang paling mendekati bentuk kerangka sebenarnya, kemudian kerangka huruf itu dianggap sebagai directed graph yang memiliki kumpulan titik awal atau titik akhir dan titik cabang dan rusuk (edge). Rusuk-rusuk ini dikenali sebagai garis lurus, kurva atau loop menggunakan logika fuzzy. Sistem ini terdiri dari 3 tahapan besar, yaitu: pra-pengolahan yang bertujuan untuk mendapatkan kerangka huruf, klasifikasi huruf yang bertujuan mengenali elemen-elemen penyusun dan keterhubungan antar elemen-elemen tersebut dari huruf dan terakhir adalah tahap jaringan neural buatan pnn untuk mempelajari dan mengenali huruf-huruf tersebut berdasarkan informasi elemen-elemen penyusun dan keterhubungan antar elemen-elemen tersebut dari huruf tersebut. Sistem ini telah diuji dengan data yang tidak terlatih dan mendapatkan hasil pengenalan 9,8% - 25%. "

"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 %."

"Skripsi ini bertujuan untuk mengoptimalkan korelasi antara Transformasi Paket Wavelet dan jaringan Syaraf Tiruan topologi propagasi-balik umpan-maju dengan menggunakan pendekatan tingkah laku manusia dalam memahami obyek yang diamati. Tingkah laku ini dapat bersifat obyektif maupun subyektif tergantung dari keadaan dan tujuan pengamatan tersebut. Parameter obyektif menggunakan seluruh ciri sebagai dasar dalam melakukan klasiflkasi, sedangkan parsmeter subjektif hanya memanfaatkan ciri-ciri yang sesuai untuk memenuhi klasifikasi.Hasil pengujian yang dilakukan menunjukkan bahwa tingkat keakuratan berkisar antara 92,861% - 97,86% jika digunakan untuk mengklasifikasikan obyek bidang datar. Sedangkan untuk tekstur antara 94,37% - 98,444%. Kemampuan perangkat lunak untuk mengenal obyek yang mengalami gangguan, yaitu maksimum sebesar 96% pada obyek yang tertranslasi, 90% pada obyek terrotasi, dan 92% pada obyek yang mengalami noise. Selain dari pada itu, kecepatan pembelajaran menjadi sangat singkat dengan rata-rata iterasi maksimal sebanyak 9134,8 kali dan waktu rata-rata kurang dari 261,726 detik.Pengujian keseluruhan memberikan kesimpulan bahwa penambahan informasi-informasi tertentu yang berkaitan dengan ciri-ciri obyek, akan membantu dalam menghasilkan pembelajaran yang optimal dan pendeteksian yang maksimal."

"Penelitian dan pengembangan teknologi semakin berkesinambungan seiring giatnya eksplorasi di bidang sumber daya kelautan. Teknologi hidroakustik berperan besar khususnya dalam meningkatkan produksi ikan laut. Selain itu juga dikembangkan metode penelitian lain, misalnya proses pengidentifikasi spesies dalam sekelompok kawanan ikan (schooling).Analisis difokuskan dalam hal pengolahan citra dari schooling yang datanya diambil dari hasil survei akustik dan observasi yang dilakukan Badan Penelitian Kelautan dan Perikanan. Data yang berbentuk citra ini tak lain adalah representasi target strength (koefisen pantul) dari sekelompok ikan, yang berikutnya diolah melalui konsep image processing dengan metode Jaringan Syaraf Tiruan (JST) pada MATLAB. JST disini berfungsi sebagai sebuah metode yang akan mengklasifikasi spesies yang data inputnya diambil dari nilai rata-rata matriks masing-masing citra schooling. Hasil klasifikasi selanjutnya akan langsung diidentifikasi untuk memastikan bahwa tingkat keakuratan dari sampel data pasca klasifikasi benar-benar terlihat.Diharapkan metode ini akan menjadi sebuah alternatif yang cukup baik dalam menjawab berbagai permasalahan berkaitan dengan penelitian dan pendeteksian bawah air (hidroakustik).

---

Development of fishery and marine resources hydoacoustic technology has significant role for fish production improvement. It also develops other research method such as species in schooling of fish identification process.

The analysis is focused on images processing of fish schooling where the data is taken from the result of acoustic survey and observation by Fisheries and Marine Research Group. Data, as images that represents the coefficient of target strength of fish schoolings, processed by using images processing concepts with neural network and programmed in MATLAB. Neural Network has a function as method which will classify the species from its input data is taken from matrix averages of each schooling images. Clasification results would be identified directly to ensure the accuration level of this experiment is really seen.

Hopeful, this method could be an alternative of some problems related to the research and underwater detection (hydroacoustic)."