Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"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."

"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."

"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."

"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."

"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."

"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.

"

"Saat ini banyak bermunculan jasa pengiriman paket barang. Hal ini memicu perusahaan pengiriman paket barang memberikan kualitas layanan yang baik kepada para konsumennya. PT Pos Indonesia merupakan BUMN yang bergerak di bidang jasa pengiriman surat dan paket. PT Pos Indonesia sedang berusaha meningkatkan kualitas layanannya untuk mengambil kembali pangsa pasar pengiriman paket barang. Dalam upaya meningkatkan kualitas layanannya diperlukan sebuah metode pengukuran kualitas layanan yang bisa memberikan gambaran secara akurat penilaian kualitas menurut persepsi pelanggan. Artificial Neural Network (ANN) merupakan salah satu bagian dari data mining yang dapat digunakan untuk pengukuran kualitas. Namun, ANN memiliki keterbatasan dalam penentuan nilai parameter yang digunakan. Penelitian ini bertujuan mengintegrasikan Genetic Algortihm dan ANN untuk mengoptimasi nilai paramater sehingga diperoleh hasil pengukuran kualitas yang akurat. Data penilaian kualitas menurut persepsi pelanggan diperoleh melalui survey menggunakan kuesioner. Hasil pengukuran kualitas menggunakan integrasi ANN-GA menunjukkan bahwa nilai kualitas layanan paket barang PT Pos Indonesia secara keseluruhan sudah baik. Selain itu, performa hasil pengukuran menggunakan integrasi ANN-GA lebih bagus daripada menggunakan metode ANN.

---

Today many emerging parcel delivery services. This triggers the parcel delivery company provide good quality service to its customers. PT Pos Indonesia is a state-owned enterprise engaged in mail and parcel delivery services. PT Pos Indonesia is trying to improve the quality of its services to take back market share package delivery goods.

In an effort to improve service quality required a method of measuring the quality of service that can give an accurate quality assessment according to customer perceptions. Artificial Neural Network (ANN) is one part of data mining that can be used to measure quality. However, ANN has limitations in determining value of the parameters used.

This research aims to integrate Genetic algorithm and ANN to optimize value of parameters in order to obtain an accurate quality measurement results. Data quality assessment according to customers' perceptions obtained through surveys using questionnaires.

Quality measurement results using ANN-GA integration shows that service quality of parcel delivery PT Pos Indonesia as a whole has been good. In addition, the performance measurement results using the integration ANN-GA better than using ANN."