Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem prediksi berbasis citra hiperspektral dapat diimplementasi dengan algoritma deep neural networks (DNN). Di penelitian ini, daun bisbul (Diospyros discolor Willd.) digunakan sebagai sampel dengan citra dari daun yang diakuisisi pada rentang gelombang 400-1000nm. Model pada penelitian ini bekerja dengan melakukan klasifikasi daun bisbul dan prediksi kadar polifenol pada daun bisbul. Sistem klasifikasi pada penelitian ini menggunakan algoritma DNN untuk membagi kelas menjadi daun bisbul, bukan daun bisbul dan teflon, model yang digunakan adalah model dense dan Stacked Auto Encoder (SAE) yang menggunakan fungsi loss categorical cross-entropy. Kedua sistem klasifikasi tersebut mampu meraih performa maksimum dengan akurasi 100%. Pada sistem prediksi kandungan polifenol dibagi menjadi dua yaitu senyawa flavonoid dan fenolik. Menggunakan model DNN yang belum teroptimasi dan masih dangkal model dapat memprediksi senyawa flavonoid dengan performa R2 pada 70,47% dan senyawa fenolik dengan performa R2 pada 70,08%. Lalu model tersebut diatur sedemikian rupa sehingga mendapatkan hyperparameter terbaik dan arsitektur yang lebih dalam, model ini dapat memprediksi kadar flavonoid dengan performa R2 pada 94,50% dan kadar senyawa fenolik dengan performa R pada 71,51%.

---

Prediction system based on hyperspectral imaging can be implemented with deep neural networks (DNN) algorithm. In this research, velvet apple leaves (Diospyros discolor Willd.) are used as a sample with image of leaves that have been acquired within the 400-1000nm wavelength. The working of the model in this research is based on classification of the velvet apple leaf and the prediction of the levels of polyphenol in it. DNN algorithm is used for the classification system to categorize the sample either actual velvet apple leaf, non-velvet apple leaf, and a teflon, with Dense DNN and Stacked Auto Encoder (SAE) as the models with categorical cross-entropy as the loss function. In both classification system are shown to be capable of archieving maximum performance with the accuration of 100%. A prediction system to predict polyphenol content that are divided into flavonoid and fenolic compounds. Using an unoptimized and shallow DNN model, it predict the flavonoid compound with the R2 performance of 70,47% and phenolic compound with the R2 performance of 70,08%. Furthermore, the model are configured so it can get the best hyperparameters and a more deep architecture, this model can predict of flavonoid with a R2 performance of 94,50% and phenolic with a R2 performance of 71,51%."

"Fraud adalah tindakan kejahatan yang terus terjadi hingga saat ini. Tidak ada lembaga perusahaan yang terbebas dari kemungkinan terjadinya fraud, termasuk juga industri asuransi. Berbagai cara sudah dilakukan untuk mencegah terjadinya fraud pada industri asuransi, seperti tersedianya daftar hitam hingga adanya tim pemeriksaan khusus di setiap perusahaan. Namun, kasus fraud asuransi tetap saja terjadi bahkan semakin berkembang/bervariasi karena perkembangan teknologi. Oleh karena itu, digunakanlah Artificial Intelligence (AI) dan machine learning sebagai decision support system untuk memprediksi potensi fraud asuransi. Masalah ini merupakan skenario klasifikasi biner dengan komposisi kelas antar-target yang tak seimbang (imbalance class) pada data tabular. Penelitian ini bertujuan untuk mengetahui kinerja model Neural Oblivious Decision Ensembles dalam mendeteksi fraud asuransi serta membandingkan kinerja tersebut dengan model XGBoost tanpa penanganan imbalance class, XGBoost dengan oversampling, dan XGBoost dengan pembobotan data sebagai penanganan standar pada masalah imbalance class. Penelitian ini menggunakan Auto Insurance Claims Data yang dipublikasikan oleh Bunty Shah di situs Kaggle pada tahun 2018. Hasil dari penelitian ini didapatkan bahwa rata-rata dari lima model Neural Oblivious Decision Ensembles (NODE) yang dilakukan pada penelitian memberikan nilai accuracy sebesar 75,53%, precision sebesar 74,24%, recall sebesar 75,53%, f1-score sebesar 74,43%, dan Area Under Curve sebesar 75,04% dan dapat mengungguli kinerja dari ketiga model lainnya.

---

Fraud is a crime that continues to occur today. No corporate institution is free from the possibility of fraud, including the insurance industry. Various methods have been taken to prevent fraud in the insurance industry, such as the availability of a blacklist to the existence of a special inspection team in each company. However, insurance fraud cases still occur even has more variation due to technological developments. Therefore, Artificial Intelligence (AI) and machine learning are used as decision support systems to predict potential insurance fraud. This research is an implementation of binary-classification scenario with imbalance class on tabular data. This research aims to determine the performance of the Neural Oblivious Decision Ensembles model in detecting insurance fraud and compare the performance with the XGBoost without imbalance class handling, XGBoost with oversampling, and XGBoost with weighted data as the standard handling of imbalance class problems. This research uses the Auto Insurance Claims Data published by Bunty Shah on the Kaggle website in 2018. The results of this research found that the average of the five Neural Oblivious Decision Ensembles (NODE) models gave an accuracy value of 75.53% , precision of 74.24%, recall of 75.53%, f1-score of 74.43%, and Area Under Curve of 75.04% and can outperform the performance of the other three models."

"Quadcopter merupakan wahana terbang yang memiliki 4 rotor bersifat underactuated. Sifat quadcopter yang merupakan sistem yang kompleks akibat coupling antar variabelnya menjadikan desain pengendali yang cukup rumit. Diperlukan adanya pengendali yang mudah untuk dapat diaplikasikan pada quadcopter. Untuk melakukan percobaan pengaplikasian pengendali pada quadcopter, sistem pengendali tersebut harus dilakukan percobaan pada simulasi untuk mengetahui hasilnya. Oleh karena itu, peneliti mengusulkan pengendalian DIC yang berbasis deep neural networks (DNN) dan long-short term memory (LSTM) diujikan pada simulator sebelum akhirnya pada quadcopter asli. LSTM digunakan memiliki arsitektur pendukung untuk data sekuensial sebagaimana pergerakan trajektori. Sistem kendali dengan LSTM ini dihasilkan galat MSE yang lebih rendah dibanding DNN. Kinerja LSTM lebih baik dibandingkan dengan DNN. Selain itu, terdapat beberapa faktor – faktor terjadi peningkatan galat ketika diintegrasikan pada simulator Gazebo untuk bahan evaluasi terhadap pengendali berbasis yang sama diaplikasikan pada quadcopter aslinya.

---

Quadcopter is a flying vehicle that has 4 rotors that are underactuated. The nature of the quadcopter which is a complex system due to the coupling between the variables makes the controller design quite complicated. An easy controller is needed to be applied to the quadcopter. In order to experiment with the application of the controller on the quadcopter, the control system must be experimented with in a simulation to find out the results. Therefore, the researcher proposes that DIC control based on Deep Neural Network and Long-Short Term Memory be tested on a simulator before finally on a real quadcopter. LSTM is used to have a supporting architecture for sequential data as well as trajectory movement. The controller with this LSTM produces a lower MSE error than DNN. LSTM performance is better compared to DNN. In addition, there are several factors that increase the error when integrated into the simulator for evaluation of the same based controller applied to the original quadcopter."