Hybrid modeling of the human cardiovascular system using NeuralFMUs

Hybrid modeling, the combination of first principle and machine learning models, is an emerging research field that gathers more and more attention. Even if hybrid models produce formidable results for academic examples, there are still different technical challenges that hinder the use of hybrid modeling in real-world applications. By presenting NeuralFMUs, the fusion of a Functional Mock-up Unit (FMU), a numerical ODE solver and an artifical neural network, we are paving the way for the use of a variety of first principle models from different modeling tools as parts of hybrid models. This contribution handles the hybrid modeling of a complex, real-world example: Starting with a simplified 1D-fluid model of the human cardiovascular system (arterial side), the aim is to learn neglected physical effects like arterial elasticity from data. We will show that the hybrid modeling process is more comfortable, needs less system knowledge and is therefore less error-prone compared to modeling solely based on first principle. Further, the resulting hybrid model has improved in computation performance, compared to a pure first principle white-box model, while still fulfilling the requirements regarding accuracy of the considered hemodynamic quantities. The use of the presented techniques is explained in a general manner and the considered use-case can serve as example for other modeling and simulation applications in and beyond the medical domain.

Prediksi Jarak Bola pada Citra Kamera Katadioptrik menggunakan metode Artifical Neural Network

ABSTRAKSaat ini, kecerdasan buatan memungkinkan untuk dikembangkan dalam dunia robotika, khususnya untuk pengaturan gerakan robot berdasarkan pengolahan citra. Penelitian ini mengembangkan sebuah mobile robot yang dilengkapi dengan kamera katadioptrik dengan sudut pandang 3600. Citra yang didapatkan, dikonversi dari RGB menjadi HSV. Selanjutnya disesuaikan dengan proses morfologi. Nilai jarak yang terbaca oleh kamera (piksel) dengan jarak sebenarnya (cm) dihitung menggunakan Euclidean Distance. Nilai ini sebagai ekstraksi ciri data jarak yang dilatihkan pada sistem. Sistem yang dibuat pada penelitian ini memiliki iterasi sebanyak 1.000.000, dengan tingkat kelinieran R2=0.9982 dan keakuratan prediksi sebesar 99,03%.Kata kunci: Robot, HSV, Euclidean Distance, Kamera katadioptrik, Artifical Neural NetworkABSTRACTRecently, artificial intelligence is possible to be developed in robotic, specifically for robot movements control based on image processing. This research develops a mobile robot with a 3600 perspective catadioptric camera is equipped. The camera captured images were converting from RGB to HSV. Furthermore, it adapted to the morphological process. The distance value read by the camera (pixels) to the actual distance (cm) is measured using Euclidean Distance. This value is a feature extraction of distance data that has training on the system. The system built in this study has 1,000,000 iterations, with a linearity level of R2 = 0.9982 and prediction accuracy of 99.03%.Keywords: Robot, HSV, Euclidean Distance, Catadioptric Camera, Artifical Neural Network

Sistem Peringatan Dini Ketahanan Perbankan Terhadap Guncangan Internal dan Eksternal Dengan Model Artifical Neural Network

Sistem stabilitas keuangan adalah sistem kompleks yang terbentuk dan terkait dengan kebijakan ekonomi dan moneter di negara tersebut. Oleh karena itu diperlukan suatu model untuk dapat memprediksi secara cepat dan akurat ketidakstabilan sistem keuangan yang mungkin terjadi. Penelitian ini bertujuan untuk membangun model Artifical Neural Network (ANN) sebagai sistem peringatan dini untuk memprediksi kegagalan perbankan berdasarkan kepatuhan bank. Penelitian ini menggabungkan faktor internal dan eksternal yang mempengaruhi kinerja perbankan sebagai indikator. Hasil penelitian ini membuktikan bahwa ANN dapat digunakan sebagai metode alternatif untuk mendeteksi tingkat keberlanjutan suatu bank.

COMPUTER BASED ENGLISH SPEAKING TEST BASED ON ARTIFICAL NEURAL NETWORK

English testing is a most common test conducted around the world for evaluating an individual’s English capabilities in mostly reading, writing, speaking, and listening domain. With increased cost and higher subjective assessment attached in some tests, there is required to change the test from traditional method to computer based. In this study, a proposed method for conducting speaking test for English based on objective assessment method. The proposed system is able to identify different dialects based on unit analysis of syllable along with phonetic errors. The proposed system is based on pronunciation parameters and neural network for evaluation purpose. The PSO algorithm is used for training the artificial neural network. The experiment result conducted for validating the proposed system shows promising performance

Desain Sistem Pengenalan Dan Klasifikasi Kopi Bubuk Bermerek Dengan Menggunakan Electronic Nose Berbasis Artifical Neural Network (ANN)

Kopi merupakan salah satu hasil perkebunan yang ada di Indonesia yang memiliki nilai jual yang sangat tinggi. Secara umum jenis kopi yang terdapat di Indonesia adalah kopi robusta dan arabica, selain itu juga terdapat kopi liberica, dan hibrida. Dengan adanya perkembangan teknologi pada saat ini memungkinkan untuk membangun suatu sistem yang dapat bekerja menyerupai indera penciuman manusia. Salah satunya yaitu sensor <em>electronic nose</em>. Perancangan sistem klasifikasi dan pengenalan kualitas kopi bubuk ini menggunakan metode berbasis ANN atau lebih dikenal dengan metode jaringan syaraf tiruan, yang diharapkan mampu meningkatkan akurasi dalam mengelompokkan jenis kopi berdasarakan aroma kopi. Tujuan yang ingin dicapai pada penelitian ini adalah dapat mempermudah untuk mengenali dan mengklasifikasikan kopi bubuk dengan menggunakan <em>e-nose</em>, tidak lagi bergantung pada indera penciuman manusia yang biasanya tidak stabil serta tidak bisa secara kontinu menghasilkan ukuran yang tetap. Arsitektur yang dibangun menggunakan 3 buah layer dengan 3 input berupa hasil pembacaan gas <em>elektronik nose</em>. Sedangkan output target merupakan kombinasi dari biner angka 0 dan 1. Jaringan syaraf tiruan yang dipakai dalam penelitian ini mampu mengenali nilai kopi arabika, robusta dan liberika dengan dengan menggunakan iterasi maksimal sebesar 5000, hasil output menunjukan bahwa JST backpropagation mampu mengenali jenis kopi dengan tingkat keberhasilan 73.3%.