Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"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."

"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."

"Salah satu upaya meminimalkan hambatan gelombang untuk mengurangi hambatan total adalah konfigurasi multi lambung dengan memvariasikan penempatan outrigger. Penelitian ini bertujuan untuk mencari konfigurasi optimal pentamaran lambung warp-chine untuk mengurangi hambatan total yang signifikan untuk berbagai kecepatan. Terbatasnya informasi penggunaan lambung warp-chine pada multihull berkaitan dengan karakteristik lambung serta optimalisasi penempatan outrigger menjadi dasar dari penggunaan lambung warp-chine pada penelitian ini. Perhitungan dan optimasi menggunakan program komputer MATLAB menggunakan metode Artificial Neural Network dan Algoritma Genetika. Hasil optimasi menunjukkan penurunan hambatan pada saat Fr>0.4 baik koefisien hambatan gelombang maupun koefisien hambatan total dengan penurunan rata-rata dari masing-masing hambatan sebesar 1.47% dan 4.06%. Hasil menunjukkan bahwa proses optimasi pentamaran pada penelitian ini dapat diprediksi dengan baik pada pentamaran dengan kecepatan tinggi, namun belum bisa diprediksi dengan baik pada pentamaran dengan kecepatan rendah.

---

One effort to minimize wave resistance to reduce total resistance is a multihull configuration by varying the placement of the outrigger. This study aims to find the optimal configuration of the warp chine hull to reduce significant total resistance for various speeds. The limited information about the use of warp chine hull in multihull related to the characteristics of the hull and the optimization of outrigger placement is the basis of the use of warp chine hull in this study. Calculation and optimizations using the MATLAB computer program using Artificial Neural Network methods and Genetic Algorithms. The optimization results show a decrease in resistance when Fr> 0.4 both the wave resistance coefficient and the total resistance coefficient with an average reduction of each resistance by 1.47% and 4.06%. The results show that the optimization process in this study can be predicted well in the high speed application, but it cannot be predicted well in the low speed application."

"Tesis ini bertema tentang optimasi dari sistem chiller adsorpsi untuk mencari koefisien performa (COP) dan kapasitas pendinginan. Optimasi dilakukan dengan menggunakan gabungan antara jaringan saraf tiruan dan algoritma genetika (GA). Simulasi yang dilakukan adalah pengembangan sistem chiller adsorpsi yang data simulasinya sudah pernah di validasi dengan data eksperimen sebelumnya. Parameter laju alir massa, temperatur, dan waktu siklus divariasikan sebagai variabel penentu. Sementara COP dan kapasitas pendinginan mejadi fungsi objektifnya. Pada tesis ini, jaringan saraf tiruan yang terbentuk menunjukkan bahwa error terkecil jaringan yang terbentuk adalah 0.001532624 atau 0.153%. Hal ini menyatakan bahwa jaringan yang terbentuk dapat memprediksi fungsi objektif COP dan SCP dengan tingkat akurasi sebesar 99.85. Selisih (error) terkecil titik optimum prediksi jaringan saraf tiruan chiller adsorpsi dua bed Silica Gel 123 dan Air dengan nilai simulasi software-nya sebesar 0.027 untuk SCP dan 0.034 untuk nilai COP.

---

The optimization of adsorption chiller system that purposed to approach the optimal coefficient of performance (COP) and cooling capacity is presented in this thesis. The combination of artificial neural network (ANN) and genetic algorithm (GA) is applied to optimize the simulation of adsorption chiller. The adsorption chiller system simulation is an integrated two adsorption bed that developed from previous simulation and experiment that had been done. In this thesis, mass flow, temperature, and time cycle are varied and considered as decision variable while the COP and cooling capacity is chosen as the objective function.

In this thesis, the artificial neural network that formed presents the smallest network error is 0.001532624 or 0.153. This states that the formed network can predict the objective functions of COP and SCP with an accuracy rate of 99.85. The smallest optimum point difference (the error) between the value prediction of neural network adsorption chiller two bed Silica Gel 123 and Water and the software simulations value is 0.027 for SCP and 0.034 for COP."

"Data yang didapat dari Polda Metro Jaya, pada arus mudik 6 hari sebelum Hari Raya Idul Fitri tahun 2017 ada sekitar 73 kasus kecelakaan lalu lintas yang disebabkan oleh rasa kantuk pada saat berkendara. Yang dimana 6 orang meninggal dunia, mengalami luka berat sebanyak 17 orang, dan luka ringan sebanyak 82 orang. Jumlah ini meningkat 16 persen dari tahun 2016 yang tercatat sebanyak 63 kejadian. Sistem pendeteksi dan prediksi kantuk dikembangkan untuk mengatasi masalah ini. Metode peramalan untuk time series yang banyak menimbulkan proses prediksi cukup sulit dilakukan. Sistem prediksi kantuk dibangun dengan algoritme backpropagation neural network yang diharapkan mampu untuk mempelajari dan beradaptasi pada setiap pola dari data historis yang diberikan. Dengan mengenali pola dari data historis, sistem dapat memberikan prediksi dan respons yang akurat dengan akurasi sebesar 100.

---

Data obtained from Polda Metro Jaya, on the homecoming traffic 6 days before Idul Fitri 2017 there are about 73 cases of traffic accidents caused by drowsiness at the time of driving. Where 6 people died, severe injuries as many as 17 people, and light injuries as many as 82 people. This number increased 16 percent from the year 2016 recorded as many as 63 events. Drowsiness and prediction systems were developed to address this problem.

Forecasting methods for time series caused a lot of prediction process quite difficult. The sleep prediction system is built with backpropagation neural network algorithm expected to be able to learn and adapt to each pattern of given historical data. By recognizing patterns from historical data, the system is expected to provide accurate predictions and responses with 100."

"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%.

"

"Demam Berdarah termasuk penyakit yang paling umum terjadi di negara tropis seperti Indonesia dan sering berakibat fatal dalam kesehatan. Prediksi dini terhadap jumlah kasus Demam Berdarah merupakan salah satu kunci untuk menanggulangi risiko penyebarannya dalam masyarakat dan dapat membantu pihak-pihak yang terkait seperti Dinas Kesehatan Daerah dalam membuat kebijakan dan rencana pencegahan. Pada tugas akhir ini, untuk angka insiden DBD diprediksi menggunakan metode Artificial Neural Network dengan dua algoritma berbeda untuk proses training ANN, yaitu Backpropagation (ANN-BP) dan Genetic Algorithm (ANN-GA). Penggunaan GA dalam training ANN bertujuan untuk membandingkan dengan BP yang cenderung tidak menemukan minimum global dari fungsi errornya. Variabel prediktor yang digunakan adalah jumlah insiden dan variabel cuaca sebelumnya yang terdiri dari temperatur, kelembapan, dan curah hujan. Variabel prediktor ditentukan dengan mencari time lag dari masing-masing variabel prediktor terhadap jumlah insiden menggunakan korelasi silang. Model yang dibentuk dievaluasi dengan Mean Squared Error, dan hasil prediksi dievaluasi menggunakan Mean Squared Error, Root Mean Squarred Error, dan Mean Absolut Error. Pada tugas akhir ini metode ANN-BP menghasilkan hasil prediksi jumlah insiden DBD kumulatif lebih baik dibandingkan metode ANN-GA pada kota madya Jakarta Pusat, Jakarta Selatan, dan Jakarta Utara, dengan selisih MSE berturut-turut 3,966; 50,162; 23,933; selisih RMSE masing-masing 0,232; 1,742; 1,304; dan selisih MAE masing-masing 0,496; 0,901; 0,734. Sedangkan pada Jakarta Barat dan Jakarta Timur metode ANN-GA menghasilkan hasil prediksi jumlah insiden DBD kumulatif lebih baik dibandingkan metode ANN-BP, dengan selisih MSE berturut-turut 16,915; 37,621; selisih RMSE masing-masing 0,484; 1,44; dan selisih MAE masing-masing 0,319; 0,739.

---

Dengue Fever is one of the most common diseases in tropical countries like Indonesia and is often fatal in health. Early prediction of the number of Dengue Fever cases is one of the keys to overcoming the risk of its spread in the community and can assist related parties such as the District Health Office in making policies and prevention plans. In this final project, the DHF incidence rate is predicted using the Artificial Neural Network method with two different algorithms for the ANN training process, namely Backpropagation (ANN-BP) and Genetic Algorithm (ANN-GA). The use of GA in ANN training aims to compare with BP which tends not to find a global minimum of its error function. The predictor variables used are the number of incidents and previous weather variables consisting of temperature, humidity, and rainfall. Predictor variables are determined by finding the time lag of each predictor variable to the number of incidents using cross correlation. The model formed was evaluated with Mean Squared Error, and the predicted results were evaluated using Mean Squared Error, Root Mean Squared Error, and Mean Absolute Error. In this final project, the ANN-BP method produces a prediction of cumulative DHF incidents that is better than the ANN-GA method in the cities of Central Jakarta, South Jakarta, and North Jakarta, with a MSE difference 3.966, 50.162, 23.933, respectively, the difference in RMSE each city is 0.232, 1.742, 1.304, respectively and the MAE difference 0.496, 0.901, 0.734, respectively. Whereas in West Jakarta and East Jakarta the ANN-GA method produces a better prediction of cumulative DHF incidents compared to the ANN-BP method, with a MSE difference 16.915, 37.621, respectively, the difference in RMSE each city is 0.484, 1.44, respectively, and the MAE difference of each city is 0.319, 0.739, respectively."

"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."