Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"ASBTRAKPenelitian ini melakukan investigasi terhadap karakteristik hidrodinamika pentamaran lambung warp-chine dengan cara variasi konfigurasi, optimasi, dan eksperimen. Lambung utama menggunakan model warp-chine yang direkomendasikan oleh Savitsky (1979) dan lambung sisi/ outrigger menggunakan model V. Penelitian ini didasari pada terbatasnya informasi penggunaan lambung warp-chine pada multihull yang berkaitan dengan karakteristik hidrodinamik lambungnya serta optimalisasi penempatan outrigger. Investigasi dilakukan pada hambatan gelombang transversal-divergen, interferensi, hambatan gelombang dan hambatan total. Investigasi juga dilakukan pada pola gelombang medan jauh (far-filed) dan identifikasi fluktuasi gelombang dengan metode potongan gelombang (wave-cut) arah longitudinal-lateral. Perhitungan dan optimasi menggunakan Michlet (hidrodinamik) dan Godzilla (optimasi), yaitu program komputer berdasarkan teori thin ship dari Michell (1898). Serangkaian pengujian pada towing tank dilakukan untuk memvalidasi hasil perhitungan dari Michlet dan Godzilla. Konfigurasi pentamaran sebagai formasi trimaran dengan variasi jarak melintang/ transverse separation depan yaitu: 1.05Bmh dan 1.2Bmh, dan variasi transverse separation belakang yaitu: 1.2Bmh dan 1.5Bmh. Sedangkan variasi jarak memanjang/ longitudinal separation yaitu: 0.36L, 0.42L dan 0.5L. Kombinasi variasi transverse separation dan longitudinal separation terdiri dari 6 konfigurasi pentamaran dengan penamaan A hingga F. Perbandingan hasil komputasi dan tes pengukuran komponen hambatan untuk semua konfigurasi menunjukkan konsistensi tren yang sama terutama pada Fr>0.4. Investigasi menunjukkan bahwa angka Froude tertinggi tidak mempengaruhi gelombang terbesar yang dihasilkan oleh semua konfigurasi. Hasil investigasi juga menunjukkan posisi konfigurasi pada transverse separation depan tidak segaris dengan transverse separation belakang menghasilkan gelombang yang lebih rendah daripada konfigurasi transverse separation yang sejajar. Penelitian ini juga mengungkapkan bahwa metode pemotongan gelombang relevan untuk mengidentifikasi gelombang yang berfluktuasi dan karakteristiknya terhadap peningkatan kecepatan. Konfigurasi optimal dengan minimum hambatan total tidak dipastikan memberikan nilai minimum untuk komponen hambatan lainnya dan tidak selalu menghasilkan nilai yang lebih rendah pada setiap kecepatan, tergantung pada batas kecepatan tertentu. Visualisasi pola gelombang medan jauh menunjukkan konsistensi/ kesesuaian antara program komputer dan percobaan di towing tank. Deviasi yang rendah antara tes penarik dan program komputer berdasarkan teori thin ship Michell menunjukkan kemampuan alat ini dalam perhitungan hambatan, identifikasi gelombang fluktuatif, pola gelombang dan juga proses optimasi. Hasil penelitian ini memberikan referensi yang cukup berguna dalam perencanaan kapal bentuk lambung warp-chine dan konfigurasinya pada pentamaran dalam hubungannya dengan kecepatan kapal yang diinginkan.

---

ABSTARCTThis research investigates the hydrodynamic characteristics of pentamaran with a warp-chine hull with variation configuration, optimization, and experimental methods. The main warp-chine hull recommended by Savitsky (1979) and V model for outrigger. It is based on the limited information of the warp-chine hulls in Multihull  related its characteristics, and optimal placement of outrigger. Investigations were carried out on the transversal-divergent, wave interference, wave resistance and total resistance. The investigations were also carried out on far-field wave patterns and identified the wave fluctuation with a wave-cut method on longitudinal-lateral. Calculation and optimization were using Michlet (hydrodynamic) and Godzilla (optimization), which are computer programs based on Michells thin ship theory (1898). A series of tests on towing tanks to validate the results of Michlet and Godzillas calculations. Pentamaran configuration as a trimaran formation with variations in a distance on front transverse separation, i.e., 1.05Bmh and 1.2Bmh, and transverse separation variations on stern, i.e., 1.2 Bmh and 1.5Bmh. While on longitudinal separation variations are: 0.36L, 0.42L and 0.5L. The combination of transverse separation and longitudinal separation variations obtained six pentamaran configurations namely A to F. Comparison of computational results and component resistance measurement tests for all configurations showed the same trend consistency, especially at Fr>0.4. Investigation indicated that the highest Froude number does not affect the most significant wave generated by all configurations. Investigation results have established the configuration that the front transverse separation not parallel with the rear transverse separation produces lower waves than the parallel transverse separation. The study also exposed that the wave cutting method is relevant for identifying fluctuating waves and their characteristics towards increasing speed. An optimal configuration with a minimum total resistance did not assure to provide minimum value for other resistance components and did not consistently produce a lower value at each speed, depending on certain speed limits. The visualization of far-field wave patterns shows the consistency/compatibility between computer programs and experiments in towing tanks. The low deviation between towing tests and computer programs based on Michells thin ship theory showed the ability of this tool in the resistance calculation, identification of fluctuating waves, wave patterns and also the optimization process. The results of this study provide a useful reference in the planning of warp-chine hull ships and their configuration concerning the desired speed of the ship.

"

"Penelitian ini bertujuan untuk membuat model peramalan yang efektif dalam meramalkan penjualan produk mobil dalam segmen B2B (Business to Business) agar didapatkan estimasi penjualan produk di masa mendatang. Peneilitian ini menggunakan regresi linear berganda dan jaringan syaraf tiruan yang dioptimasi dengan algoritma genetika.  Faktor peramalan penjualan mobil pada umumnya meliputi penjualan mobil secara nasional, Indeks Harga konsumen, Indeks Kepercayaan Konsumen, Laju Inflasi, Produk Domestik Bruto (GDP), dan  Harga Bahan Bakar Minyak (BBM). Penulis juga telah mendapatkan faktor yang berpengaruh dalam penjualan segmen B2B dengan menyebarkan survey (kuesioner) kepada 102 orang DMU (Decision Making Unit) yang memiliki keputusan dalam pembelanjaan mobil di perusahaan mereka. Kemudian hasil scoring dari kuesioner tersebut kami bobotkan pada data training dan simulasi pada Jaringan Syaraf Tiruan. Hasil penelitian ini menunjukkan bahwa Jaringan Syaraf Tiruan yang dioptimasi  dengan Algoritma Genetika dengan 18 Variabel dapat meningkatkan akurasi peramalan penjualan mobil segmen B2B dengan error 1,3503%, jika dibandingkan nilai error pada Jaringan Syaraf Tiruan biasa sebesar 4,173% dan Regresi Linear Berganda sebesar 17,68%.

---

ABSTRACTThis study aims to create an effective forecasting model in predicting sales of car products in the B2B segment (Business-to-Business) in order to obtain estimates of product sales in the future. This research uses multiple linear regression and artificial neural networks that are optimized by genetic algorithms. Car sales forecasting factors generally include National car sales, Consumer Price Index, Consumer Confidence Index, Inflation Rate, Gross Domestic Product (GDP), and Gasoline Price. The author has also obtained an influential factor in the sale of B2B segments by distributing surveys (questionnaires) to 102 DMU (Decision Making Unit) who have a decision in car purchasing at their company. Then the results of the scoring from the questionnaire are weighted to the training and simulation data on the Artificial Neural Network. The results of this study indicate that the Artificial Neural Network optimized with Genetic Algorithm can improve the accuracy of forecasting B2B segment car sales with an error of 1.3503%, when compared to the error value in the usual Artificial Neural Network of 4.173% and Multiple Linear Regression of 17.68 %."

"Pengembangan produk baru merupakan hal yang sangat penting dalam menjagapertumbuhan perusahaan. Herbisida glyphosate dengan kemampuannya yangspesifik dan efektif dalam menghambat enzim 5-enolpyruvylshikimate-3-phosphate synthase (EPSPS) menjadi herbisida yang luas dipakai di seluruh duniatermasuk di Indonesia yaitu sebesar 51% pasar pada Maret 2013. Prosespembuatan produk baru ammonium glyphosate 400 g/L SL dilakukan melalui duametode optimasi yaitu Response Surface Method (RSM) dan Artificial NeuralNetwork-Genetic Algorithm (ANN-GA). Kemampuan prediksi respon RSM danANN dibandingkan melalui nilai root mean squared error (RMSE). Dari hasilprediksi RSM, RMSE untuk pembuatan ammonium glyphosate berbasa NH4OHdan berbasa NH4HCO3 secara berturut-turut adalah 44.37 dan 73.2. Sedangkandengan prediksi ANN RMSE untuk pembuatan ammonium glyphosate berbasaNH4OH dan berbasa NH4HCO3 secara berturut-turut adalah 122.04 dan 143.80.Pada penelitian ini juga ditunjukkan bahwa RSM memiliki kemampuan lebihbaik dalam menentukan kondisi optimal jika dibandingkan dengan ANN-GA.Berdasarkan hasil optimasi, formulasi ammonium glyphosate berbasa NH4OHdapat menurunkan biaya sebesar 3.71% dan dengan berbasa NH4HCO3 dapatmenurunkan biaya 11.08% dari komposisi yang sudah ada.

---

New product development is very important for the companies to maintain the

growth. Since its specificity and affectivity in inhibits 5-enolpyruvylshikimate-3-

phosphate synthase (EPSPS), glyphosate becomes a worldwide herbicide

including in Indonesia with 51% market size in March 2013. The making of the

proposed new product, ammonium glyphosate 400 SL, is optimized by the two

methodologies Response Surface Method (RSM) and hybrid of Artificial Neural

Network-Genetic Algorithm (ANN-GA). Prediction capability of the RSM and

ANN model were determined by comparing the root mean squared error (RMSE).

From the RSM prediction, the RMSE for the NH4OH and NH4HCO3 experiment

were 44.37 and 73.2, respectively. And from the ANN prediction, the RMSE for

the NH4OH and NH4HCO3 experiment were 122.04 and 143.80, respectively. In

this study, RSM also showed its superiority in determine the optimum condition

for making ammonium glyphosate compared to the ANN-GA. Based on the

optimization result, NH4OH base formulation gave the 3.71% cost saving and

NH4HCO3 base formulation gave 11.08% cost saving compared to the existing

product."

"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."

"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."

"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 pada energi pendinginan sangat dibutuhkan. Penelitian ini bertujuan untuk mengembangkan model Artificial Neural Network (ANN) yang dapat memprediksi jumlah konsumsi energi pendinginan untuk pengaturan yang berbeda dari variabel kontrol sistem pendingin VRF. Bangunan dimodelkan oleh perangkat lunak Sketchup dan sistem pendinginan dimodelkan dengan EnergyPlus. MATLAB digunakan untuk training dan testing model ANN. Untuk model testing, set data dikumpulkan melalui simulasi yang sudah divalidasi dengan pengukuran lapangan. Empat langkah yang dilakukan dalam proses training yaitu pengembangan model awal, pemilihan variabel input, optimasi model, dan evaluasi kinerja. Model yang telah dioptimalkan menunjukkan akurasi prediksi yang akurat, sehingga membuktikan potensinya untuk aplikasi dalam algoritma kontrol yang diharapkan dapat menciptakan lingkungan termal ruangan yang nyaman serta energi yang efisien. Hasil analisis TOPSIS menunjukkan penghematan daya listrik sistem VRF sebesar 26% dari daya listrik observasi.

---

Energy needs for households or buildings in Indonesia are growing significantly. Therefore, efficiency in cooling energy is needed. This study aims to develop an Artificial Neural Network (ANN) model that can predict the amount of cooling energy consumption for different settings of the VRF cooling system control variable. The building is modeled by the Sketchup software and the cooling system is modeled by EnergyPlus. MATLAB is used for training and testing ANN models. For model testing, data sets are collected through simulations that have been validated with field measurements. The four steps involved in the training process are initial model development, selection of input variables, model optimization, and performance evaluation. The optimized model shows accurate prediction accuracy, thereby proving its potential for application in control algorithms that are expected to create a comfortable and energy efficient indoor thermal environment. The results of the TOPSIS analysis show that the VRF system's electrical power savings are 26% of the observed electrical power."

"Sistem pengenalan gerakan manusia penting bagi manusia karena dapat membantu dan mempermudah pekerjaan manusia dalam berbagai hal. Algoritma Artificial Neural Network (ANN) dan Support Vector Mechine (SVM) digunakan untuk mampu mengenali gerakan manusia. Dengan algoritma tersebut, telah dibuat sistem yang mampu mengenali gerakan manusia. Sistem secara garis besar terdiri dari perangkat pada pengguna dan server. Perangkat pada pengguna ditunjukan untuk mengirimkan data ke server. Sedangkan server akan melakukan komputasi dengan data yang diberikan. Jembatan komunikasi antara perangkat pengguna dan server akan menggunakan XBee. Untuk sensor, digunakan sensor Inertial Measurement Unit. Dari hasil pengujian, sistem dengan ANN memiliki tingkat akurasi sebesar 95.78%, sistem dengan SVM memiliki tingkat akurasi sebesar 98.39%, sedangkan sistem gabungan memiliki akurasi sebesar 100%.

---

Human motion recognition is essential because it can help people in doing many things. Artificial Neural Network (ANN) and Support Vector Mechine (SVM) algorithm is used in the system to recognize human motion. The system consists of user device and server. Devices on user are intended for sending user data to the server. On the other hand, server will compute the data which were sent. Comunication between user device and server was conducted by using Xbee module. For the sensor, Inertial Measurement Unit sensor was used to recognize human motion. From the result, system with ANN resulted in 95.78% recognition rate, system with SVM give 98.39% and system with combined algorithm give 100% recognition rate."