Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam ilmu forensik, gigi merupakan bagian tubuh yang digunakan untuk melakukan pengenalan seseorang ketika bagian tubuh lain telah rusak dan sulit dikenali. Pengenalan gigi dilakukan dengan membandingkan fitur yang ada pada gigi korban dengan fitur-fitur yang ada pada data gigi yang tersimpan. Pengenalan dengan cara tersebut memerlukan waktu yang lama, sehingga pengadaan metode pengenalan otomatis dengan menggunakan mesin sangat dibutuhkan.Saat ini, beberapa metode pengenalan telah dikembangkan untuk mengenali gambar gigi yang berbentuk citra dental radiograph. Sayangnya, beberapa metode yang dikembangkan membutuhkan kualitas citra dental radiograph yang baik, sehingga penggunaannya masih sangat terbatas pada citra dengan kualitas tertentu. Oleh karena itu, peneliti mengajukan sebuah metode pengenalan yang dapat mengenali citra dental radiograph meskipun citra tersebut memiliki kualitas yang kurang baik. Metode yang dikembangkan akan meningkatkan kualitas citra dengan bantuan sistem inferensi fuzzy. Citra yang telah ditingkatkan kualitasnya tersebut kemudian akan dicari bentuknya dan dibandingkan dengan bentuk-bentuk gigi yang ada. Dari perbandingan tersebut akan dibuat peringkat kesamaan bentuk antara sebuah gigi dengan data yang tersimpan. Peringkat tersebut akan berguna untuk membantu seorang ahli forensik dalam mengenali seseorang

---

In forensic science, dental records are used to recognize someone when his/her body has been damaged and difficult to identify. Dental identification is done by matching the entire feature of victim?s dental condition and dental record from the police database. This process needs long time to finish, so procurement of automatic dental recognition method is very required.Today, some automatic recognition methods have been developed to recognize dental record in form of dental radiograph image. Unfortunately, the methods need high quality dental radiograph image, which means it cannot be used to recognize all kind of image. Therefore, the researcher proposed a new method which can recognize all kind of dental radiograph images; even the image is a low quality image. The method proposed using fuzzy inference system to improve the quality of the dental radiograph image, before extract the shape of the dental and compare the extracted shape with some other extracted shape in police database. The methods measure the similarity of the image, and rank it based on the similarity value that help the forensic expert to indentify the victim."

"Suatu aplikasi sistem kendali berbasis logika fuzzy untuk mengendalikan kelembabanpada model rumah kaca telah berhasil dikembangkan. Sistem kendali fuzzy logicdiimplementasikan pada Personal Computer (PC) yang dihubungkan denganbeberapa sensor dan beberapa aktuator. Sensor temperatur dan kelembaban yangdigunakan untuk mendeteksi kelembaban pada model rumah kaca adalah SHT11.Pengaturan kelembaban dilakukan dengan mengatur kecepatan aktuator berupa kipasyang didasarkan pada proses ventilasi. Jika kelembaban dalam model rumah kacasewaktu-waktu berada di luar set point maka sistem kendali fuzzy logic melalui PCrumah kaca secara otomatis akan mengaktifkan aktuator untuk mengembalikankondisi kelembaban sesuai dengan keadaan yang diinginkan. Sistem kendali fuzzylogic mempunyai dua input crisp yaitu error dan perubahan error kelembaban sertamempunyai 1 crisp output yaitu banyaknya putaran kipas. Pengujian fuzzy dilakukandengan menggunakan dua metode defuzzifikasi yaitu dengan COA (Center Of Area)dan MOM (Mean Of Maxima). Dari hasil penelitian didapatkan bahwa sistem kendalifuzzy mampu mengendalikan kelembaban pada model rumah kaca dengan ketelitianyang optimal."

"Pada paper ini mendiskusikan pengembangan modul perangkat lunak pemeriksaan kinerja tingkat kesehatan perusahaan dengan menggunakan teknik neuro-fuzzy. Modul pemeriksaan meliputi tahap operasional dan keuangan. Modul perangkat lunak tersebutdikenal dengan sistem intelijen penilaian kinerja perusahaan (SIPKP). SIPKP dapat digunakan sebagai media konsultasi. Keluaran dari SIPKP meliputi identitas perusahaan, prestasi penilaian kinerja, struktur ANFIS (adaptive, neuro-fuzzy inference system), fungsi keanggotaan, rule dan saran terapo. Teknik neuro-fuzzy menerapkan teknik fuzzy inherence system (FIS) dan algoritma dari jaringan saraf tiruan (JST). FIS berfungsi untuk menggambarkan pemetaan input ke output dengan logika fuzzy. Algoritma pembelajaran jaringan saraf tiruan digunakan untuk mengoptimalkan nilai parameter keanggotaan dalam FIS sedangkan proses terapi atau analisa hasil pemeriksaan menggunakan metode rule base atau aturan if then."

"Pemilahan sayuran sangat penting dilakukan untuk mendapatkan sayuran yang berkualitas saat di terima oleh pelanggan. Dengan demikian, suatu perusahaan dapat dikaitkan dengan ketepatan pengambilan keputusan dalam keseimbangan permintaan dan persediaan. Logika fuzzy digunakan sebagai membantu mendefinisikan dengan cara kerja yang tepat dan jelas dalam proses pemilahan sayuran. Pertama, analisis ABC untuk mengklasifikasikan sayuran yang akan diprioritasikan terlebih dahulu berdasarkan pendapatan penjualan yang tertinggi. Kedua, menggunakan fuzzy inference system mengembangkan model dengan Takagi-Sugeno berdasarkan karakteristik sayuran dari kualitas terhadap visual dan temperatur untuk mengetahui kesegaran sayuran bahwa sebagai peringatan dalam kualitas sudah mulai menandakan mulai memburuk kondisi kesegaran sayuran. Ketiga, melakukan pengujian dengan Fuzzy Associative Memory (FAM) pada dua pengujian yaitu ikut dijadikan sebagai aturan dan tidak ikut dijadikan sebagai aturan. Hasil dari perhitungan dengan FAM bahwa dijadikan sebagai batas maksimal jumlah hari yang diinginkan dalam kondisi kesegaran sayuran. Model ini diimplementasikan dengan membuat Standar Operasional Prosedur (SOP) sebagai alur peringatan kualitas pada proses pemilahan barang agar pengendalian persediaan dapat meminimalisirkan terjadinya kerusakan barang karena kualitas buruk yang menyebabkan perusahaan akan mengalami kehilangan penjualan.

---

Sorting vegetables is very important to get quality vegetables when received by customers. Thus, a company can be associated with the accuracy of decision making in the balance of demand and supply. Fuzzy logic is used as helping to define the proper and clear way of working in the process of sorting vegetables. First, ABC analysis to classify vegetables that will be prioritized based on the highest sales revenue. Second, using a fuzzy inference system develops a model with Takagi-Sugeno based on the characteristics of vegetables from the quality of the visual and temperature to determine the freshness of vegetables that as a warning in quality has begun to indicate deteriorating conditions of vegetable freshness. Third, do the testing with Fuzzy Associative Memory (FAM) in two tests, which are also used as rules and not as rules. The results of calculations with FAM that serve as a maximum limit of the number of days desired in conditions of vegetable freshness. This model is implemented by making the Standard Operating Procedure (SOP) as a quality warning flow in the process of sorting goods so that inventory control can minimize the occurrence of damage to goods due to poor quality that causes the company will suffer a loss of sales."

"ABSTRAKPerkembangan transportasi di Indonesia saat ini khususnya di DKI Jakartamasih kurang memadai. Transportasi di Jakarta memerlukan suatu terobosan baruuntuk mengatasi kemacetan tersebut. Terobosan tersebut yaitu proyek monorailJakarta. Sebelum proyek tersebut dilaksanakan perlu didapatkan hasilpenyelidikan tanah secara menyeluruh pada lintasan monorail. Penyelidikan tanahsendiri bertujuan untuk mendapatkan informasi secara menyeluruh pada kondisitanah guna merancang fondasi dan konstruksi lintasan monorail. Dalam penelitianini dilakukan untuk mencari optimasi dalam kinerja waktu dan biaya sehinggadidapat hasil yang lebih efektif dan efisien. Metode yang dilakukan adalahmenggunakan fuzzy inference system dan fuzzy linear programming. Kedua hasiltersebut kemudian dibandingkan dan diharapkan mendapatkan hasil optimasilebih dari 50%.

---

ABSTRACTThe development of transportation in Indonesia, especially in Jakarta isstill inadequate. Transportation in Jakarta needs a new breakthrough to overcomethese bottlenecks. The breakthrough is the monorail project in Jakarta. Prior to theproject needs to obtain the results of investigations conducted thorough land onthe monorail track. Soil investigation itself aims to obtain comprehensiveinformation on the condition of the soil in order to design the foundation andconstruction of the monorail track. In this study conducted to search forperformance optimization in time and cost in order to get results more effectivelyand efficiently. The method is to use fuzzy inference system and fuzzy linearprogramming. Both results are then compared and it is expected to get theoptimization of more than 50%."

"ABSTRAKIndeks harga saham merupakan indikator yang menggambarkan pergerakan harga sekelompok saham. Salah satu indeks harga saham yang terdapat di Indonesia adalah IHSG Indeks Harga Saham Gabungan . Terdapat banyak manfaat dari mengikuti pergerakan IHSG, salah satunya untuk meminimalisir kerugian dari berinvestasi dalam pasar saham. Oleh karena itu, akan dilakukan prediksi nilai IHSG. Metode yang akan digunakan adalah ANFIS Adaptive Neuro-Fuzzy Inference System dan SVR Support Vector Regression yang merupakan pengembangan dari metode ANN Artificial Neural Network . Selanjutnya performa keduanya akan dibandingkan. Hasil percobaan menghasilkan SVR sedikit lebih baik dari segi keakuratan dibandingkan ANFIS. Nilai keakuratan dari SVR yaitu 78,35 , 97,93 , dan 98,96 sedangkan keakuratan ANFIS yaitu 77,31 , 96,90 , dan 98,80 masing-masing untuk hasil prediksi yang nilai eror relatifnya di bawah 1 , 2 , dan 3 . Maksimum keakuratan dan running time pada ANFIS bergantung banyaknya hari yang digunakan untuk prediksi. Semakin banyak hari yang digunakan untuk prediksi, maka nilai keakuratannya semakin rendah dan running time semakin lama. Sedangkan maksimum keakuratan dan running time pada SVR tak bergantung pada banyaknya hari yang digunakan untuk prediksi. Dalam skripsi ini disajikan pula hasil sampingan berupa clustering berdasarkan eror relatif hasil prediksi menggunakan FKCM Fuzzy Kernel C-Means . Tujuan dari clustering ini yaitu mengecek apakah hasil prediksi yang dihasilkan ANFIS dan SVR kurang dari suatu nilai eror relatif yang ditetapkan.

---

ABSTRACTStock index reflects the price movement a group of stock. There are many stock indices in the world. JKSE Jakarta Composite Index is one of stock index in Indonesia. There are many benefits in following JKSE value, one of them to minimize the loss in stock investment. Therefore, JKSE value will be predicted. The method used are ANFIS Adaptive Neuro Fuzzy Inference System and SVR Support Vector Regression which are development of ANN Artificial Neural Network method. The performance of these two method will be compared. The experiment result gives that SVR is slightly better in terms of accuracy than ANFIS. The accuracy values of SVR are 78,35 , 97,93 , dan 98,96 while the accuracy of ANFIS are 77,31 , 96,90 , dan 98,80 each for a predicted result whose relative eror value is below 1 , 2 , dan 3 . The maximum accuracy and running time on ANFIS depend on how many days are used for prediction. The more days used for prediction will give the lower accuracy and longer running time. While the maximum accuracy and running time on SVR does not depend on the number of days used for prediction. In this thesis, presented also clustering based on relative error from the predicted result using FKCM Fuzzy Kernel C Means . The purpose of this clustering is to check whether the prediction result by ANFIS and SVR is less than a relative error value set."

"

Demam Berdarah Dengue (DBD) merupakan penyakit yang banyak ditemukan di sebagian besar wilayah tropis dan subtropis. DBD merupakan penyakit infeksi yang disebabkan oleh virus dengue yang termasuk ke dalam family flaviviridae dan genus flavivirus yang ditularkan ke manusia melalui gigitan nyamuk Aedes aegypti dan Aedes albopicus dengan masa inkubasi intrinsik 3 sampai 14 hari, dan inkubasi ekstrinsik 8 sampai 10 hari. Dalam 3 tahun terakhir, jumlah penderita DBD di DKI Jakarta menduduki jumlah tertinggi yang mencapai 813 jiwa pada tahun 2019. Pada tugas akhir ini, dibahas pembuatan model Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk memprediksi jumlah insiden DBD di DKI Jakarta menggunakan data jumlah insiden DBD pada setiap wilayah di DKI Jakarta tahun 2009 sampai 2017. Hasil simulasi dari model Adaptive Neuro-Fuzzy Inference System dibandingkan dengan hasil model Artificial Neural Network (ANN) dan Ensemble ANN-ANFIS yang dievaluasi berdasarkan Root Mean Squared Error dan Mean Absolute Error. Pada tugas akhir ini, Adaptive Neuro-Fuzzy Inference System memiliki performa lebih baik dibandingkan Artificial Neural Network dan Ensemble ANN-ANFIS hampir seluruh daerah di DKI Jakarta.

---

Dengue Hemorrhagic Fever (DHF) is a disease that is found in most tropical and subtropical regions. DHF is a disease caused by dengue virus which belongs to the flaviviridae family and genus flavivirus which is transmitted to humans through the bite of Aedes aegypti and Aedes albopicus mosquitoes with an intrinsic incubation period of 3 to14 days, and extrinsic incubation period of 8 to 10 days. In the last 3 years, the number of DHF sufferers in DKI occupied the highest number, which reached 813 people in 2019. In this final project, we will discuss making an Adaptive Neuro-Fuzzy Inference System (ANFIS) model to predict the number of DHF reporting in DKI Jakarta using data on the number of DHF reporting in each region in DKI Jakarta from 2009 to 2017. Simulation result from the Adaptive Neuro-Fuzzy Inference System model are compared with the results of the Artificial Neural Network (ANN) model and the Ensemble ANN-ANFIS model, evaluated based on Root Mean Squared Error and Mean Absolute Error. In this final project, the Adaptive Neuro-Fuzzy Inference System has better performance than the Artificial Neural Network and Ensemble ANN-ANFIS in all regions in DKI Jakarta.

"

"This paper proposes a study on the comparison of particle swarm optimization with genetic algorithm for molten pool detection in fixed aluminum pipe welding. The research was conducted for welding of aluminum alloy Al6063S-T6 with a controlled welding speed and a Charge-couple Device (CCD) camera as vision sensor. Omnivision-based monitoring using a hyperboloidal mirror was used to detect the molten pool. In this paper, we propose an optimized brightness range for detecting the molten pool edge using particle swarm optimization and compare the results to genetic algorithm. The values of the brightness range were applied to the real time control system using fuzzy inference system. Both optimization methods showed good results on the edge detection of the molten pool. The results of experiments with control show the effectiveness of the image processing algorithm and control process. "

"Banjir di Jakarta merupakan masalah yang kompleks yang dipengaruhi oleh kombinasi faktor geografis, sosial, ekonomi, dan lingkungan. Studi ini berfokus pada prediksi banjir dengan membandingkan data stasiun darat Automatic Rain Gauge (ARG) dan data satelit Climate Hazards Group InfraRed Precipitation (CHIRPS) menggunakan Adaptive Neurofuzzy Inference System (ANFIS) yang terintegrasi dengan Principal Component Analysis (PCA). Dataset mencakup pengukuran curah hujan dari ARG dan CHIRPS, serta data ketinggian air dari tahun 2014 hingga 2020. ARG menyediakan data curah hujan lokal yang akurat, sementara CHIRPS menawarkan cakupan curah hujan regional yang luas. Teknik praproses seperti imputasi rata-rata, normalisasi data, dan metode interquartile range (IQR) digunakan untuk meningkatkan kualitas data. Model ANFIS-PCA, yang mengintegrasikan logika fuzzy dan pelatihan jaringan saraf tiruan, diterapkan dengan pembagian data 80:20 untuk pelatihan dan validasi. Ketika dilatih dengan data stasiun darat ARG dan pengukuran ketinggian air, model ANFIS-PCA menunjukkan akurasi yang superior, dengan root mean square error (RMSE) sebesar 0,13, mean absolute error (MAE) sebesar 0,12, dan R² sebesar 0,82. Sebaliknya, model ANFIS tanpa PCA menghasilkan kesalahan yang lebih tinggi, dengan RMSE 6,3, MAE 6,2, dan R² 0,74. Pelatihan dengan data satelit CHIRPS menghasilkan kesalahan yang jauh lebih tinggi (RMSE 30,14, MAE 24,05, R² 0,42). Sedangkan hasil ANFIS – PCA menghasilkan akurasi yang lebih bagus (RMSE 4,8, MAE 2,0 dan R² 0,55) . Hasil penelitian menunjukkan bahwa ANFIS-PCA memiliki kinerja yang lebih baik dibandingkan model ANFIS tanpa PCA, terutama ketika dilatih dengan data dari stasiun darat. Integrasi PCA berhasil mengurangi dimensi data, meningkatkan efisiensi komputasi dan akurasi model. Selain itu hasil ini juga menegaskan keunggulan pengukuran curah hujan data ground station untuk prediksi banjir, mempunyai angka presisi yang lebih tinggi dan kerentanan yang lebih rendah terhadap kesalahan dibandingkan data satelit. Sementara itu data satelit CHIRPS menawarkan cakupan spasial yang lebih luas.

---

Flooding in Jakarta is a complex issue influenced by a combination of geographical, social, economic, and environmental factors. This study focuses on flood prediction by comparing ground station data from Automatic Rain Gauges (ARG) and satellite data from the Climate Hazards Group InfraRed Precipitation (CHIRPS) using the Adaptive Neuro-Fuzzy Inference System (ANFIS) integrated with Principal Component Analysis (PCA). The dataset includes rainfall measurements from ARG and CHIRPS, as well as water level data from 2014 to 2020. ARG provides accurate local rainfall data, while CHIRPS offers broad regional precipitation coverage. Preprocessing techniques such as mean imputation, data normalization, and the interquartile range (IQR) method were employed to enhance data quality.

The ANFIS-PCA model, which integrates fuzzy logic and neural network training, was implemented using an 80:20 data split for training and validation. When trained with ARG ground station data and water level measurements, the ANFIS-PCA model demonstrated superior accuracy, achieving a root mean square error (RMSE) of 0.13, mean absolute error (MAE) of 0.12, and R² of 0.82. In contrast, the ANFIS model without PCA yielded higher errors, with RMSE of 6.3, MAE of 6.2, and R² of 0.74. Training with CHIRPS satellite data resulted in significantly higher errors (RMSE 30.14, MAE 24.05, R² 0.42). Meanwhile, the ANFIS-PCA model trained on combined datasets showed improved performance, achieving RMSE of 4.8, MAE of 2.0, and R² of 0.55.

The results indicate that the ANFIS-PCA model outperforms the ANFIS model without PCA, particularly when trained with ground station data. The integration of PCA successfully reduced data dimensionality, improving computational efficiency and model accuracy. Furthermore, the findings reaffirm the superiority of ground-based measurements for flood prediction due to their higher precision and lower susceptibility to errors compared to satellite-derived data, while CHIRPS satellite data offers wider spatial coverage."

"The purpose of the study was to investigate hand gesture recognition. The hand gestures of American Sign Language are divided into three categories—namely, fingers gripped, fingers facing upward, and fingers facing sideways—using the adaptive network-based fuzzy inference system. The goal of the classification was to speed up the recognition process, since the process of recognizing the hand gesture takes a longer time. All pictures in all of the categories were recognized using K-nearest neighbor. The procedure involved taking real-time pictures without any gloves or censors. The findings of the study show that the best accuracy was obtained when the epochs score was 10. The proposed approach will result in more effective recognition in a short amount of time."