Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan Internet Of Things (IoT) pada era saat ini sudah semakin berkembang. Jumlah IoT device sudah mencapai 31 miliar perangkat yang tersebar di dunia. IoT adalah suatu objek yang memiliki kemampuan untuk mengirimkan data melalui jaringan tanpa memerlukan interaksi manusia ke manusia atau manusia ke computer. Dalam perkembangannya, dibutuhkannya teknologi Machine Learning untuk mendukung fitur-fitur yang ada pada IoT device, seperti prediksi konsumsi energi pada perangkat IoT. Machine learning diperlukan untuk mempelajari behaviour yang ada pada mesin yang diterjemahkan menjadi kondisi atau kata kata lain yang mencerminkan behaviour tersebut. Dalam implementasinya membutuhkan neural network yang didalamnya terdapat memory untuk mengingat behaviour tersebut sehingga proses learning dari alat menjadi cepat atau disebut dengan Recurrent Neural Network (RNN). Dengan tujuan dapat mengetahui dan memprediksi dari suatu nilai agar dapat memperkirakan besar konsumsi energi yang berakibat pada kenaikkan penggunaan listrik perkapita dalam negeri. Salah satu arsitektur dari RNN yaitu LSTM dapat digunakan untuk menjawab permasalahan. Data yang digunakan berasal dari sebuah alat dispenser. Hasil pengujian LSTM mencapai kategori baik dengan mendapatkan RMSE sebesar 3.9265.

---

The development of the Internet of Things (IoT) has increasingly developed many features. The number of IoT devices has reached 31 billion devices spread across the world. IoT is an object that has the ability to transfer data over a network without requiring human-to-human or human interaction to a computer. In its development, Machine Learning technology is needed to support features that exist on IoT devices, such as power predictions on IoT devices. Machine learning is needed to study the behaviors that exist on the machine which are translated into conditions or other words that reflect that behavior. For the implementation requires a neural network in which there is memory to remember the behavior so that the learning process of the tool becomes fast or called Recurrent Neural Network (RNN). The purpose of this research is to predict values from consumption energy, which related to average energy consumption on current country. One of the architectures of the RNN, namely LSTM can be used to answer the problem. The data comes from a smart dispenser. The LSTM test results reached a good category by getting RMSE of 3.9265."

"Kemajuan teknologi mengiringi kemajuan Pesawat Tanpa Awak yang membuat peneliti terus mengembangkannya. Quadcopter merupakan Pesawat Tanpa Awak yang saat ini telah banyak digunakan untuk berbagai tujuan. Bentuknya yang ringkas serta beratnya yang ringan dengan empat buah baling-baling motor membuat quadcopter memiliki keunggulan dalam kemampuan dalam melakukan maneuver di udara. Tujuan dari penelitian skripsi ini adalah diajukannya sebuah ide menciptakam pengendali Jaringan Saraf Kendali Inverse Langsung NN ndash;DIC ndash; Neural Network Direct Inverse Control dengan algoritma Elman Recurrent untuk quadcopter, dan membandingkannya dengan pengendali berbasis algoritma Back Propagation Neural Network biasa. Dalam skripsi ini dikemukakan hasil simulasi dari identifikasi quadcopter dengan memodelkan secara black box, serta hasil dari dua jenis pengendali Inverse untuk quadcopter yaitu Elman Recurrent Neural Network Direct Inverse Control dan Back Propagation Neural Network Direct Inverse Control.

---

Technological advances accompany the progress of Unmanned Aircraft that keeps researchers on the rise. Quadcopter is an Unmanned Aircraft that is now widely used for various purposes. Its compact shape and light weight with four motor propellers make the quadcopter has an advantage in the ability to maneuver in the air. The purpose of this thesis research is to propose an idea to create a controller of the Direct Inverse Control Neural Network NN ndash DIC with Elman Recurrent algorithm for quadcopter, and compare it with an ordinary Back Propagation Neural Netwok algorithm. In this thesis, the shown simulation results are those of quadcopter plant based on black box modeling identification, and the result of two types of Inverse controllers for quadcopter, Elman Recurrent Neural Netwok Direct Inverse Control and Back Propagation Neural Network Direct Inverse Control."

"Penggunaan analisis sentimen semakin umum digunakan. Dalam pengembangan analisis sentimen ini banyak tantangan yang perlu dihadapi. Karena analisis ini termasuk Natural Language Processing NLP, hal yang perlu dimengerti adalah kompleksitas bahasa. Dengan berkembangnya teknologi Artificial Neural Network, ANN semakin banyak permasalahan yang bisa diselesaikan. Ada banyak contoh struktur ANN dan untuk penelitian ini yang digunakan adalah Convolutional Neural Network CNN dan Recurrent Neural Network RNN. Kedua jenis ANN tersebut sudah menunjukkan performa yang baik untuk beberapa tugas NLP. Maka akan dilakukan analisis sentimen dengan menggunakan kedua jenis ANN tersebut dan dibandingkan kedua performa ANN tersebut. Untuk data yang akan digunakan diambil dari publikasi stanford dan untuk mengubah data tersebut bisa digunakan pada ANN digunakan word2vec. Hasil dari analisis menunjukkan bahwa RNN menunjukkan hasil yang lebih baik dari CNN. Walaupun akurasi tidak terlalu terlihat perbedaan yaitu pada RNN yang mencapai 88.35 0.07 dan CNN 87.11 0.50, tetapi waktu pelatihan RNN hanya membutuhkan waktu 8.256 detik sedangkan CNN membutuhkan waktu 544.366 detik.

---

Term of sentiment analysis become popular lately. There are many challenges developing sentiment analysis that need to be addressed. Because this kind analysis is including Natural Language Processing, the thing need to understand is the complexity of the language. With the current development of Artificial Neural Network ANN, more problems can be solved.

There are many type of ANN and for this research Convolutional Neural Network CNN and Recurrent Neural Network will be used. Both already showing great result for several NLP tasks. Data taken from stanford publication and transform it with word2vec so could be used for ANN.

The result shows that RNN is better than CNN. Even the difference of accuracy is not significant with 88.35 0.07 for RNN and 87.11 0.50 for CNN, the training time for RNN only need 8.256 secods while CNN need 544.366 seconds."

"Kemajuan teknologi mengiringi kemajuan UAV yang membuat peneliti terus untuk mengembangkannya. Hexacopter yang merupakan salah satu jenis UAV, saat ini telah banyak diteliti untuk berbagai kepentingan seperti pemetaan, monitoring, aerial photography dan lain-lain. Hexacopter ini memiliki enam rotor sebagai penggeraknya yang berada pada keenam sisi frame-nya. Kelebihan hexacopter ini adalah kemampuan dalam mengangkat bebn yang cukup besar, daya yang lebih besar dan safety saat ada kegagalan pada salah satu rotornya. Namun permasalahan yang timbul yakni kesulitan dalam upaya untuk mengendalikan hexacopter secara autonomous agar dapat terbang stabil terutama saat ada gangguan dan juga dengan beban yang cukup berat. Selain itu menjaga pergerakan hexacopter mengikuti trajectory juga menjadi permasalahan yang sulit apalagi sistem hexacopter ini memiliki karakteristik yang nonlinier, multi input multi output MIMO. Pada penelitian ini dirancang platform hexacopter heavy-lift yang memiliki diameter 2.4 meter, dan payload yang mampu dibawa mencapai 40 kg. Sehingga dengan platform yang besar dan berat tentunya pengendalian menjadi lebih sulitHal inilah yang menjadi topik dari penelitian ini yaitu merancang sistem kendali yang dapat menjaga pergerakan hexacopter secara autonomous mengikuti trajectory. Untuk mewujudkan tujuan tersebut, pada penelitian ini digunakan algoritma kendali Direct Inverse Control-Neural Network dengan metode Elman Recurrent Neural Network DIC-ERNN. Metode DIC-ERNN ini memiliki kelebihan mampu mengingat dan menyimpan hasil keluaran hidden layer pada contact layer sehingga terhindar dari overfitting. Kelebihan lainnya adalah algoritma ini mampu memprediksi karakteristik pada waktu didepannya t 1. Dengan demikian pola dan karakteristik dari trajectory yang diberikan dapat diprediksi oleh pengendali ini. Berdasarkan hasil pengujian pada penelitian ini, didapatkan bahwa kendali DIC-ERNN mampu menunjukkan performa yang baik dalam mengikuti trajectory yang diberikan dengan nilai MSE yang kecil pada pengujian dengan data terbang, profile reference yang berbentuk helix serta profile reference double helix. Bila dibandingkan dengan algoritma Back Propagation Neural Network DIC-BPNN yang juga memiliki nilai MSE kecil, DIC-ERNN menunjukkan performance yang lebih baik khususnya pada saat diberikan uji impulsif fungsi doublet sebagai asumsi adanya gangguan. Pengendali DIC-ERNN menunjukkan kemampuan kembali pada kondisi steady state dengan settling time yang cepat dan tidak terdapat osilasi sedangkan pada pengendali DIC-BPNN terdapat osilasi meskipun settling time-nya juga cukup cepat.

---

Technological advances make researchers continue to develop UAV technology. Hexacopter is one type of UAV, has been widely researched for various interests such as mapping, monitoring, aerial photography and others. The Hexacopter has six rotors as the driving force on all six sides of the frame. The advantages of this hexacopter are the ability to lift a large enough load, greater power, and safety when there is a failure on one of its rotor. However, the problem that arises is the difficulty to control the hexacopter autonomously in order to fly stable, especially when there are disturbances and heavy loads. In addition, other difficulties are keeping the hexacopter movement following trajectory because the hexacopter system has nonlinear characteristics, and multi input multi output MIMO.

In this study, designed heavy lift hexacopter platform that has a diameter of 2.4 meters, and payload weight that can carry up to 40 kg. Thus, large and heavy platforms make control more difficult.Therefore, the topic of this research is to design a control system that can keep the hexacopter movement autonomously following the trajectory. To achieve the goal, this research uses the Direct Inverse Control Neural Network control algorithm with Elman Recurrent Neural Network DIC ERNN method. This DIC ERNN method has the advantage of being able to remember and store the hidden layer output on the contact layer so that it can avoid overfitting. Another advantage is that this algorithm can predict the characteristics at the time in front of it t 1. Thus, the pattern and characteristics of the given trajectory can be predicted by this controller.

Based on the results of the tests in this study, it was found that the control of DIC ERNN was able to show good performance in following trajectory given with small MSE value in testing with flying data, reference profile in the form of helix and reference double helix profile. When compared to the Back Propagation Neural Network DIC BPNN algorithm which also has a small MSE value, DIC ERNN performs better performance, especially when given the impulsive test doublet function as an assumption of the disturbance. The DIC ERNN controller shows the ability to return to steady state conditions with fast settling time and no oscillation while on the DIC BPNN controller, there is oscillation although settling time is also quite fast."

"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."

"Alokasi makanan adalah alokasi dasar di dalam rumah tangga yang seolah-olah mampu diberikan sama rata untuk setiap anggota rumah tangga terutama antar anak atau antar saudara kandung. Namun ada beberapa faktor yang bisa menyebabkan adanya perbedaan alokasi makanan antar saudara kandung. Dengan menggunakan data IFLS 4 dan 5 serta variasi makanan sebagai proksi alokasi makanan, studi ini membahas dua faktor yang berpengaruh terhadap alokasi makanan yaitu urutan kelahiran dan status pengaturan fertilitas yang tidak sempurna. Selain itu studi ini mencoba menjelaskan mekanisme efek urutan kelahiran menggunakan status pengaturan fertilitas yang tidak sempurna tersebut. Hasil pada studi ini menemukan bahwa adanya efek negatif urutan kelahiran di dalam alokasi makanan rumah tangga. Selain anak dengan status tidak diinginkan dan atau berada di keluarga tidak diinginkan akibat adanya status pengaturan kelahiran yang tidak sempurna cenderung variasi makanan yang lebih rendah. Namun studi ini tidak bisa menjelaskan secara kausalitas mekanisme dibalik efek negatif urutan kelahiran melalui status pengaturan kelahiran yang tidak sempurna.

---

Food allocation is a basic allocation within a household that as if the household is able to provide an equal allocation for each household member, especially between child or sibling. But there are several factors which can cause differences in the allocation of food between siblings. Using IFLS 4 and 5 data and food variation as proxy of allocation, this study discusses two factors that affect food allocation, birth order and imperfect fertility control status. Beside that, this study tries to explain the mechanism of birth order effects using the imperfect fertility control status. The results of this study found that there was a negative effect on birth order in household allocation of food. In addition children with unwanted status and/or live in unwanted families due to imperfect birth control status, tend to have lower food variations. However, this study cannot explain the causality of the mechanism behind the negative effects of birth order through imperfect birth control status.

"

"Turbiditas merupakan salah satu indikator yang dapat digunakan untuk menilai kualitas air. Turbiditas dapat diukur menggunakan instrumen konvensional seperti turbidimeter, spektrofotometer, dan nefelometri visual. Namun, semua instrumen tersebut memiliki kekurangannya masing-masing, seperti biaya yang relatif tinggi dan kurang efisien. Pada penelitian ini diusulkan metode pengukuran yang lebih terjangkau dan efisien dengan memanfaatkan kamera ponsel, serta model regresi support vector regression dan EfficientNet-B0 berbasis convolutional neural network sebagai instrumen pengukuran. Akuisisi citra dilakukan di dua lingkungan. Lingkungan 1 didefinisikan sebagai lingkungan dengan cahaya langsung yang menyinari sampel, mengikuti prinsip turbidimetri, sedangkan lingkungan 2 didefinisikan sebagai lingkungan dengan pencahayaan yang bergantung hanya kepada cahaya sekitar dengan intensitas cahaya yang tak tentu. Citra yang telah diakuisisi oleh ponsel melalui berbagai proses prapengolahan data seperti segmentasi, augmentasi, penerapan filter Gaussian, dan ekstraksi fitur saturasi dan tekstur sebelum diteruskan ke model regresi. Dari hasil evaluasi didapatkan kesimpulan bahwa model EfficientNet-B0 lebih unggul dibandingkan dengan support vector regresssion dengan fitur saturasi, tekstur maupun gabungan. Model EfficientNet-B0 mendapatkan nilai R2 sebesar 0.992, MAE sebesar 2.474 dan MSE sebesar 10.669 untuk citra lingkungan 1, dan nilai R2 sebesar 0.97, MAE sebesar 3.333 dan MSE sebesar 29.137 untuk citra lingkungan 2.

---

Turbidity is an indicator that can be used to assess water quality. Turbidity can be measured using conventional instruments such as turbidimeter, spectrophotometer, and visual nephelometry. However, all of these instruments have their respective drawbacks, such as relatively high costs and inefficient. In this study, a more affordable and efficient measurement method is proposed by utilizing a cellphone camera, as well as a support vector regression and EfficientNet-B0 model based on convolutional neural network as a measurement instrument. Image acquisition will be carried out in two environments. Environment 1 is defined as an environment with direct light shining on the sample, following the principle of turbidimetry, while environment 2 is defined as an environment in which the illumination depends on the ambient light with an indeterminate light intensity. The image that has been acquired by the cellphone will go through various data preprocessing processes such as segmentation, augmentation, application of Gaussian filters, and extraction of saturation and texture features before being forwarded to the regression model. From the evaluation results, it can be concluded that the EfficientNet-B0 model is superior to the support vector regression with saturation, texture, or combined features. The EfficientNet-B0 model gets an R2 value of 0.992, an MAE of 2.474 and an MSE of 10,669 for environment 1 image, and an R2 value of 0.97, an MAE of 3.333 and an MSE of 29,137 for environment 2 image."

"Convolutional Neural Network (CNN) banyak digunakan untuk menyelesaikan masalah klasifikasi gambar karena kinerjanya yang baik, namun untuk masalah klasifikasi berbasis vektor yang menggunakan jaringan saraf convolutional jarang digunakan. Para peneliti cenderung menggunakan metode lain dari jaringan saraf tiruan, seperti jaringan saraf Backpropagation (BPNN), probabilitas jaringan saraf (PNN), sebagai pengklasifikasi untuk masalah klasifikasi berbasis vektor. Dalam penelitian ini, digunakan Vector-based CNN untuk mengklasifikasi masalah 6 kelas, 12 kelas, dan 18 kelas dari tiga campuran aroma menggunakan 4, 6, 8, dan 16 buah sensor. Untuk membandingkan kinerja Vector-based CNN, Backpropagation Neural Network juga digunakan untuk mengklasifikasikan masalah klasifikasi aroma yang sama. Hasil percobaan menunjukkan bahwa Vector-based CNN menghasilkan tingkat pengenalan yang cukup tinggi dibandingkan dengan Backpropagation neural network.

---

Convolutional Neural Network (CNN) is widely used in image classification problems because of its good performance, however, Vector-based classification using a convolutional neural network is rarely utilized. Researchers tend to use another method of artificial neural networks, such as Backpropagation neural network, probability neural networks, as the classifier for Vector-based classification problems.

In this paper, we would like to use a CNN classifier in the problems of 6,12, and 18 classes of three mixture of odor using 4, 6, 8, and 16 channels of sensors. In order to compare the performance of the Vector-based Convolutional Neural Network, Backpropagation Neural Network is also used to classify the same Vector-based odor classification problems.

The Experiment results show that Vector-based convolutional neural network yields a quite high recognition rate compare with that of Backpropagation neural network."

"Citra hiperspektral memiliki informasi dalam rentang spektrum yang luas melebihi rentang spektrum yang ada pada citra RGB sebagai citra yang umum digunakan sehari-hari saat ini. Informasi tersebut dapat dimanfaatkan dalam berbagai macam bidang; salah satunya adalah pengukuran kadar tertentu dalam suatu objek. Namun, kamera hiperspektral sebagai alat akuisisi citra memiliki kekurangan yaitu harganya yang mahal, tidak mudah dioperasikan, ukuran hasil citra yang besar, serta memerlukan teknik dan perangkat khusus saat mengakuisisi citra. Hal tersebut berbeda dengan kamera RGB yang memiliki harga yang jauh lebih murah, hasil citra berukuran kecil, serta mudah dioperasikan. Penelitian ini melakukan implementasi sistem rekonstruksi citra hiperspektral dari citra RGB berbasis convolutional neural network ResNet pada sistem prediksi kadar fenolik daun bisbul. Terdapat proses rekonstruksi citra hiperspektral dengan target jumlah bands sebanyak 224 pada rentang panjang gelombang 400 sampai 1000 nm. Penelitian ini menggunakan algoritma model ResNet untuk model rekonstruksi citra, serta algoritma model XGBoost untuk model prediksi kadar. Performa model yang dihasilkan dalam penelitian ini adalah RMSE sebesar 0,1129 dan MRAE sebesar 0,3187 untuk model rekonstruksi citra, serta RMSE sebesar 0,5798 dan MRAE sebesar 0,1431 untuk model prediksi kadar. Citra hiperspektral hasil rekonstruksi mampu menghasilkan pola spectral signature yang serupa dengan citra hiperspektral asli.

---

Hyperspectral images have much information within their large spectrum area; larger than RGB images which are used daily nowadays. The information can be used in many applications; one of them is content measurement of an object. However, hyperspectral cameras as an image acquisition instrument have disadvantages, such as high cost, not easy to operate, large image results, and require additional equipment in its image acquisition. This is different from RGB cameras which have cheaper price, smaller in image size, and easier to operate. This study implemented a hyperspectral image reconstruction system from RGB images based on the ResNet convolutional neural network on the velvet apple leaf’s phenolic content prediction system. This study reconstructs hyperspectral images with a total target of 224 bands in the wavelength range of 400 to 1000 nm. This study uses the ResNet model algorithm for the image reconstruction model, and the XGBoost model algorithm for the content prediction. The performance of the model produced in this study is RMSE of 0.1129 and MRAE of 0.3187 for the image reconstruction model, as well as RMSE of 0.5798 and MRAE of 0.1431 for the content prediction model. The reconstructed hyperspectral image can produce the same spectral signature pattern as the original hyperspectral image."

"Dalam beberapa tahun ini, telah banyak penelitian yang berhubungan dengan pengenalan pola dilakukan untuk mengidentifikasi wajah manusia secara otomatis. Skripsi ini membahas sistem pengenal wajah berbasis jaringan syaraf tiruan tunggal dan ensemble. Kamera infra merah digunakan pada penelitian untuk mengatasi masalah pencahayaan yang ditemui pada kamera visible light. Tahapan sistem terdiri dari pra-pemrosesan, ekstraksi fitur oleh PCA, pelatihan, dan pengujian. Pada percobaan dengan jaringan syaraf tunggal, algoritma backpropagation diterapkan dan sejumlah parameter divariasikan untuk mencapai performa yang optimal. Pada percobaan dengan jaringan syaraf ensemble, sejumlah skema digunakan antara lain: algoritma backpropagation, algoritma NCL, dan parsialisasi data dengan kedua algoritma tersebut. Hasil yang ditinjau dari recognition rate menunjukkan jaringan syaraf ensemble, yang terdiri dari sejumlah jaringan syaraf, memberikan performa yang lebih baik dibandingkan sebuah jaringan syaraf tunggal. Bila dioptimalkan, jaringan syaraf ensemble dapat menghasilkan recognition rate sebesar 99.9%.

---

People in pattern recognition have been working on automatic recognition of human faces for years. The focus of this thesis is a face recognition system based on both individual and ensemble neural network. An infrared camera is utilized to overcome the illumination matter encountered by visible light cameras. The procedure of the system consists of pre-processing, feature extraction by PCA, training and testing.

In the experiment of individual neural network, back-propagation algorithm is applied and some parameters are varied to obtain the optimum performance. In the experiment of ensemble neural network, some schemes such as back-propagation algorithm, NCL algorithm and partition of data using both algorithms are particularly examined.

According to the recognition rate, the results show that ensemble neural network, which is made up of several neural networks, have better performance than a single neural network does. An optimized ensemble neural network may reach up to 99.9% of recognition rate."