Applications of Artificial Neural Networks: A Review

Dharwal, Rajan; Kaur, Loveneet

doi:10.17485/ijst/2016/v9i47/106807

Cited by 22 publications

(12 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Meanwhile, artificial neural network (ANN) is biological paradigm that serves as mathematical models in simulating complex systems and considered black-box [ 47 , 48 , 49 , 50 , 51 , 52 ]. A general ANN consists of input neurons, hidden neurons, and output neurons, connected via synapse, which contains specific weight values [ 49 , 50 ]. For the experimental activities, a 3-layer feed-forward neural network was designed.…”

Section: Methodsmentioning

confidence: 99%

Instrumental Odour Monitoring System Classification Performance Optimization by Analysis of Different Pattern-Recognition and Feature Extraction Techniques

Zarra

Galang

Ballesteros

et al. 2020

Sensors

View full text Add to dashboard Cite

Instrumental odour monitoring systems (IOMS) are intelligent electronic sensing tools for which the primary application is the generation of odour metrics that are indicators of odour as perceived by human observers. The quality of the odour sensor signal, the mathematical treatment of the acquired data, and the validation of the correlation of the odour metric are key topics to control in order to ensure a robust and reliable measurement. The research presents and discusses the use of different pattern recognition and feature extraction techniques in the elaboration and effectiveness of the odour classification monitoring model (OCMM). The effect of the rise, intermediate, and peak period from the original response curve, in collaboration with Linear Discriminant Analysis (LDA) and Artificial Neural Networks (ANN) as a pattern recognition algorithm, were investigated. Laboratory analyses were performed with real odour samples collected in a complex industrial plant, using an advanced smart IOMS. The results demonstrate the influence of the choice of method on the quality of the OCMM produced. The peak period in combination with the Artificial Neural Network (ANN) highlighted the best combination on the basis of high classification rates. The paper provides information to develop a solution to optimize the performance of IOMS.

show abstract

Section: Methodsmentioning

confidence: 99%

Instrumental Odour Monitoring System Classification Performance Optimization by Analysis of Different Pattern-Recognition and Feature Extraction Techniques

Zarra

Galang

Ballesteros

et al. 2020

Sensors

View full text Add to dashboard Cite

show abstract

“…Metode BPNN diperkenalkan oleh Paul Werbos pada tahun 1974, kemudian dikembangkan oleh David Parker pada tahun 1982. Selanjutnya, tahun 1986 dikembangkan lagi oleh Rumelhart dan McCelland (Dharwal & Kaur, 2016). Metode BPNN banyak digunakan dalam memecahkan berbagai persoalan simulasi termasuk prediksi.…”

Section: A Metode Backprogation Neural Network (Bpnn)unclassified

Prediksi Tingkat Inflasi Dengan Menggunakan Metode Backpropagation Neural Network

Wong

Wibawa

Pakpahan

et al. 2019

JSAKTI

View full text Add to dashboard Cite

Artikel ini bertujuan untuk memprediksi tingkat inflasi di Kota Samarinda, Kalimantan Timur dengan mengimplementasikan algoritma cerdas, Backpropagation Neural Network (BPNN). Data tingkat inflasi diperoleh dari Biro Pusat Statistik Provinsi (BPS) Kota Samarinda https://samarindakota.bps.go.id/ periode Januari 2012 hingga Januari 2017. Pengukuran akurasi prediksi algoritma BPNN menggunakan metode mean square error (MSE). Berdasarkan hasil percobaan, metode BPNN dengan parameter arsitektur 5-5-5-1; fungsi pembelajaran adalah trainlm; fungsi aktivasi adalah logsig dan purelin; laju pembelajaran adalah 0.1 mampu menghasilkan tingkat kesalahan prediksi yang baik dengan nilai MSE sebesar 0.00000424. Hasil penelitian menunjukkan bahwa algoritma BPNN ini dapat digunakan sebagai alternatif metode dalam memprediksi tingkat inflasi dalam rangka mendukung pertumbuhan ekonomi yang berkesinambungan sehingga dapat meningkatkan kesejahteraan masyarakat di Kota Samarinda, Kalimantan Timur.

show abstract

“…Sebaliknya jika nilai warna atau keabuan nya dibawah ambang batas maka akan diubah menjadi warna hitam. (Dharwal & Kaur, 2016;Gaffar, Gani, Haviluddin, Gaffar, & Alfred, 2019). Metode BPNN banyak digunakan dalam memecahkan berbagai persoalan simulasi termasuk prediksi.…”

Section: Segmentasi Citraunclassified

Pengenalan Karakter Tulisan Menggunakan Metode Backpropagation Neural Network

Moham

Dwiyanto

Pakpahan

et al. 2019

JSAKTI

View full text Add to dashboard Cite

Artikel ini bertujuan untuk menjelaskan langkah-langkah kerja metode Backpropagation Neural Network (BPNN) dalam mengenali pola Aksara Lontara Bugis Makassar dan menjelaskan seberapa akurat dalam mengenali pola aksara Lontara Bugis Makassar. Dari hasil pengujian, diperoleh tingkat akurasi sebesar 76.08%, dengan parameter learning rate sebesar 0,02, epoch maksimum sebesar 50 epoch dan hidden layer sebanyak 90 neuron berdasarkan ciri 8. Adapun, performa mean square error (MSE) sebesar 0.00424 telah diperoleh. Namun demikian, waktu yang dibutuhkan saat proses pembelajaran terbilang cukup lama yaitu 16 menit 56 detik. Berdasarkan hasil pengujian metode BPNN dapat direkomendasikan untuk mengenali pola aksara Lontara Bugis Makassar dalam rangka menunjang pembelajaran kepada masyarakat.

show abstract

Applications of Artificial Neural Networks: A Review

Cited by 22 publications

References 6 publications

Instrumental Odour Monitoring System Classification Performance Optimization by Analysis of Different Pattern-Recognition and Feature Extraction Techniques

Instrumental Odour Monitoring System Classification Performance Optimization by Analysis of Different Pattern-Recognition and Feature Extraction Techniques

Prediksi Tingkat Inflasi Dengan Menggunakan Metode Backpropagation Neural Network

Pengenalan Karakter Tulisan Menggunakan Metode Backpropagation Neural Network

Contact Info

Product

Resources

About