Perbandingan Model Transfer Function Dan Model Neural Network Untuk Prediksi Banyak Kasus Demam Berdarah Di Kota Malang

ABSTRAK Kota Malang adalah salah satu kota yang dinyatakan sebagai daerah endemis demam berdarah. Pada tahun 2015, jumlah penderita demam berdarah sebanyak 1629 kasus dengan jumlah kematian 13 orang. Ada banyak faktor yang berkontribusi menyebabkan penyakit, begitu juga dengan penyakit demam berdarah. Faktor-faktor tersebut berasal dari individu sendiri maupun dari lingkungan. Beberapa faktor yang terkait dalam penularan demam berdarah antara lain kepadatan penduduk, mobilitas penduduk, kualitas perumahan dan sikap hidup. Sedangkan faktor yang dapat memicu terjadinya demam berdarah adalah faktor lingkungan yang termasuk di dalamnya perubahan suhu, kelembaban udara, dan curah hujan yang mengakibatkan nyamuk lebih sering bertelur dan virus dengue berkembang biak dengan cepat. Parasit dan pembawa penyakit (nyamuk) sangat peka terhadap faktor iklim, khususnya suhu, curah hujan, kelembaban, permukaan air, dan angin. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan suatu model yang sesuai untuk peramalan demam berdarah dikota malang berdasarkan Transfer Function dan ANN. Data yang digunakan adalah Data demam berdarah tahun 2014 sampai 2019. Hasil penelitian menunjukkan bahwa nilai RMSE, MAPE, dan SMAPE yang terkecil dari kedua model tersebut adalah model Artificial Neural Network. Kata Kunci : Artificial Neural Network (ANN), Transfer Function, dan Demam Berdarah

Perbandingan Model Transfer Function Dan Model Neural Network Untuk Prediksi Banyak Kasus Demam Berdarah Di Kota Malang

ABSTRAK Kota Malang adalah salah satu kota yang dinyatakan sebagai daerah endemis demam berdarah. Pada tahun 2015, jumlah penderita demam berdarah sebanyak 1629 kasus dengan jumlah kematian 13 orang. Ada banyak faktor yang berkontribusi menyebabkan penyakit, begitu juga dengan penyakit demam berdarah. Faktor-faktor tersebut berasal dari individu sendiri maupun dari lingkungan. Beberapa faktor yang terkait dalam penularan demam berdarah antara lain kepadatan penduduk, mobilitas penduduk, kualitas perumahan dan sikap hidup. Sedangkan faktor yang dapat memicu terjadinya demam berdarah adalah faktor lingkungan yang termasuk di dalamnya perubahan suhu, kelembaban udara, dan curah hujan yang mengakibatkan nyamuk lebih sering bertelur dan virus dengue berkembang biak dengan cepat. Parasit dan pembawa penyakit (nyamuk) sangat peka terhadap faktor iklim, khususnya suhu, curah hujan, kelembaban, permukaan air, dan angin. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan suatu model yang sesuai untuk peramalan demam berdarah dikota malang berdasarkan Transfer Function dan ANN. Data yang digunakan adalah Data demam berdarah tahun 2014 sampai 2019. Hasil penelitian menunjukkan bahwa nilai RMSE, MAPE, dan SMAPE yang terkecil dari kedua model tersebut adalah model Artificial Neural Network. Kata Kunci : Artificial Neural Network (ANN), Transfer Function, dan Demam Berdarah

Identification of 5-Axis Machine Tools Feed Drive Systems for Contouring Simulation

An identification technique is introduced for identifying closed loop transfer function of machine tool’s feed drive systems to be used in simulation of the tracking and contouring performance of Computer Numerical Controlled (CNC) machine tools. The identification is performed from air-cutting tests utilizing only standard G-codes containing linear motion commands. A general transfer function model is derived for representing the closed loop tracking response of the feed drive system. The model considers the drive to be controlled by commonly used controller schemes such as P-PI Cascade, PID or the Sliding Mode Controller (SMC) with feed-forward dynamic and friction compensation. The parameters of the model transfer function are fitted tominimize the discrepancy between the actual and predicted axis position on the axis. In order to guarantee the stability of the identified model transfer function, bounds on the pole locations are imposed. The resultant constrained non-linear optimization problem is solved efficiently using the Particle Swarm Optimization (PSO) method. For achieving reliable convergence of the stochastic PSO algorithm, a parameter tuning strategy is presented. Simulation and experimental studies show that the identified feed drive model captures the fundamental dynamics of the drives system accurately for simulating their closed loop response. Combined with the kinematics of the machine, contouring errors of 5-axis CNC machine tools during simultaneous multi-axis motion are predicted.