Kumpulan Skripsi & Artikel Jurnal Ilmiah

2009

Pengenalan nilai nominal uang kertas dengan jaringan saraf tiruan

Filed under: Uncategorized — Tags: , , — dvanhlast @ 7:31 am

Author : JOHANES, TONY

Jaringan saraf tiruan adalah sebuah algoritma yang meniru cara kerja otak manusia. Pengenalan nilai nominal uang kertas dengan jaringan saraf tiruan ini merupakan aplikasi algoritma jaringan saraf tiruan untuk pengenalan obyek yang cepat dan akurat. Pengenalan obyek yang dilakukan adalah pengenalan nilai nominal dari mata uang kertas rupiah. Jaringan saraf tiruan dengan fungsi aktivasi Sigmoid yang digunakan dalam proyek ini adalah tipe fully connected multi layer feed forward dengan tiga lapisan yang terbentuk dari 4752 sel lapisan input, 10 sel lapisan output dan sel lapisan hidden yang bisa disesuaikan. Variabel lain yang dapat disesuaikan adalah learning rate dan batas pengenalan. Pelatihan jaringan dilakukan dengan algoritma back propagation. Pengujian dilakukan dengan menggunakan 4 set gambar referensi spesimen uang kertas. Pengenalan diujicoba pada 20 lembar uang kertas untuk setiap spesimen. Hasil ujicoba menunjukkan 100 sel lapisan hidden, learning rate 0,3 dan batas pengenalan 0,8 menghasilkan tingkat keberhasilan pengenalan 76,875% setelah dilakukan 400 iterasi pelatihan. Tingkat keberhasilan pengenalan yang lebih tinggi dapat dicapai dengan memperbanyak jumlah iterasi pelatihan.

Keyword : artificial neural network, recognition, backpropagation

Sumber : http://repository.petra.ac.id/686/

Aplikasi jaringan saraf tiruan pada kontrol posisi

Filed under: Uncategorized — Tags: , , , , — dvanhlast @ 7:31 am

Author : CHANDRA, RIANTO

Tugas akhir ini bertujuan untuk mengaplikasikan metode Jaringan Saraf Tiruan pada kontrol posisi. Algoritma Propagasi Balik digunakan sebagai metode pembelajaran dari Jaringan Saraf Tiruan yang secara struktur menggunakan struktur multilayer perceptrons. Struktur jaringan yang digunakan memiliki 3 buah neuron pada layer input dan 2 buah neuron pada layer output. Untuk jumlah hidden layer maupun jumlah hidden neuron, yang mampu diproses oleh program maksimal berjumlah 65 neurons dan 65 layers. Proses pengontrolan dilakukan dengan menggunakan program pada komputer yang terhubung dengan rangkaian mikrokontroler yang berfungsi sebagai penghubung dengan plant posisi. Pengujian dilakukan dengan cara memasukkan posisi yang diinginkan dan penunjuk arah pada plant bergerak menunjuk posisi yang diinginkan tersebut. Hasil pengontrolan terbaik dengan Setting Point 90 derajat diperoleh dengan menggunakan struktur 2 hidden layer dan 30 hidden neuron dengan rise time 1,25 detik dan steady state error sebesar 3 derajat, terkecil daripada dengan struktur lainnya.

Keyword : artificial neural network, back propagation algorithm, multilayer, perceptrons, position control

Sumber : http://repository.petra.ac.id/3478/

Perancangan dan pembuatan perangkat lunak berbasis jaringan syaraf tiruan untuk memprediksi harga saham dengan menggunakan metode backpropagation

Filed under: Uncategorized — Tags: , , , , , — dvanhlast @ 7:31 am

Author : ENDRA, DESI

Kebanyakan investor menggunakan dua pendekatan untuk melakukan analisis atau memprediksi saham, yaitu analisis fundamental dan analisis teknikal. Namun bagi para investor awam dan masyarakat umum yang baru mengenal atau belajar saham akan sangat kesulitan dan membutuhkan waktu yang sangat banyak untuk mempelajari secara lebih mendalam mengenai kedua analisis tersebut diatas. Karena itu sangat dibutuhkan suatu proses prediksi untuk meramalkan harga saham yang lebih sederhana dari pada kedua analisa tersebut dan yang dapat membantu para investor untuk membeli dan menjual saham. Proses prediksi harga saham ini dapat dilakukan dengan memanfaatkan teknologi Jaringan Syaraf Tiruan (JST) yang merupakan suatu sistem yang berfungsi seperti otak manusia serta menggunakan model multilayer feedforward dengan algoritma Backpropagation yang tersusun dari sejumlah input neuron, hidden layer dan output. Input neuron mempresentasikan variabel input berupa nilai dari harga saham pada periode sebelumnya (harga saham max, harga saham min, harga saham penutupan), IHSG, fluktuasi harga rupiah terhadap dollar dan tingkat suku bunga pada beberapa perusahaan. Variabel input lain dapat berupa nilai harga saham penutupan dari sepuluh hari sebelumnya untuk memprediksi hari selanjutnya. Dari hasil pengujian dapat disimpulkan bahwa pemilihan parameter dan bobot untuk prediksi tergantung pada hasil testing, kalau error testing minimum maka bobot dan parameter hasil training akan dipakai untuk prediksi, sehingga adakalanya suatu perusahaan lebih baik menggunakan 6 input dan ada yang lebih baik dengan menggunakan 10 input.

Keyword : prediction, stock exchange, artificial neural network, multilayer, feedforward, backpropagation

Sumber : http://repository.petra.ac.id/3549/

Studi beban harian (KWatt) pada MDP gedung P U.K. Petra dengan Artificial Neural Network Backpropagation

Author : IRAWAN, ANDY

Pada dunia industri terutama pada penggunaan bagian energi listrik sering kita dihadapkan dengan perhitungan-perhitungan data yang berjumlah banyak, terutama untuk Sistem Tenaga Listrik, dimana kita dituntut untuk memperhitungkan segala keperluan tentang energi listrik dengan se-efisien mungkin, maka diperlukan perhitungan-perhitungan terhadap pemakaian beban harian pada suatu industri. Studi dan pengukuran beban harian (kWatt) pada gedung P U.K. Petra ini bertujuan untuk memberikan gambaran tentang seberapa besar pemakaian beban listrik pada setiap harinya . Beban listrik ini akan diukur pada Circuit Breaker pusat pada panel M.D.P.(Main Distribution Panel) pada gedung P U.K. Petra yang merupakan pusat arus listrik yang mengalir ke seluruh gedung. Sebuah alat bantu yaitu Fluke 41B Power Harmonics Analyzer bertugas untuk mencatat beban (kWatt) harian pada tiap harinya secara nyata (real time), untuk kemudian diproses dengan program yaitu ANN Backpropagation dengan bantuan software Mathlab 6.5. dengan sistem operasi yang berbasis Microsoft Windows. Kesimpulan yang didapat, pengukuran data harian yang berjumlah besar ini sangatlah tepat bila diproses dan dianalisa dengan ANN Backpropagation karena hasil- hasil yang didapat sangat bagus dan mempunyai tingkat kesalahan yang cukup kecil dan dapat diabaikan. Hasil- hasil analisa pada grafik-grafik mapping yang didapat dapat dijadikan acuan atau pedoman untuk dijadikan referensi untuk perhitungan-perhitungan lain yang membutuhkan informasi tentang beban harian ini. Untuk mendapatkan hasil pengukuran yang lebih akurat lagi maka perlu diambil sampel data yang lebih banyak lagi agar perhitungan dan analisa lebih sempurna lagi. Bila hasil yang didapat sudah baik, maka nantinya program ini dapat digunakan untuk perhitungan-perhitungan di masa mendatang.

Keyword : artificial neural network, artificial, network, nneural, bacpropagation analysis, electical load, electric power, computer program

Sumber : http://repository.petra.ac.id/3943/

The Silver is the New Black Theme. Blog at WordPress.com.

Follow

Get every new post delivered to your Inbox.

Join 44 other followers