Generalized Regression Neural Network Based on Soft Sensor for Multicomponent Distillation Column

Patil, Sanjay R.; Ghate, V. N.

doi:10.17706/ijcce.2015.4.6.371-378

Cited by 4 publications

(2 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…8 No.1 Mei 2016 memiliki kelebihan tidak memerlukan estimasi jumlah bobot jaringan untuk mendapatkan arsitektur jaringan optimal, sehingga tidak memerlukan pengaturan parameter bebas. Selain itu, proses pembelajaran cepat dalam memberikan pemetaan dari satu bagian titik sampel ke titik lainnya [11]. Namun, peramalan yang menggunakan permasalahan kunjungan wisman belum ada yang melakukannya.…”

Section: Pendahuluanunclassified

Peramalan Kunjungan Wisatawan Mancanegara Menggunakan Generalized Regression Neural Networks

Herawati

2016

INFOTEL

View full text Add to dashboard Cite

Abstrak -Peramalan kunjungan wisatawan mancanegara (wisman) sangat penting bagi pemerintah dan industri, karena peramalan menjadi dasar dalam perencanaan kebijakan yang efektif. Penelitian ini menggunakan Generalized Regression Neural Network (GRNN) untuk meramalkan kunjungan wisman menurut 19 pintu masuk utama dan kebangsaan, seperti: Ngurah Rai, Soekarno-Hatta, Batam, Tanjung Uban, Polonia, Juanda, Husein Sastranegara, Tanjung Balai Karimun, Tanjung Pinang, Tanjung Priok, Adi Sucipto, Minangkabau, Entikong, Adi Sumarmo, Sultan Syarif Kasim II, Sepinggan, Sam Ratulangi, Bandara Internasional Lombok, dan Makassar. GRNN memiliki kelebihan tidak memerlukan estimasi jumlah bobot jaringan untuk mendapatkan arsitektur jaringan optimal, sehingga tidak memerlukan pengaturan parameter bebas. Uji coba penelitian dilakukan dengan menggunakan spread dari 0,1 sampai 1,0. Hasil uji coba menunjukkan bahwa kinerja Peramalan terbaik dengan menggunakan spread 0,1 baik untuk data latih maupun data uji.Kata kunci -Peramalan, Kunjungan wisman, Generalized regression neural network.Abstract -Forecasting tourism demand are very important for the government and industry, as forecasting the basis for effective policy planning. This research is using Generalized Regression Neural Network (GRNN) to forecasting tourism demand according 19 the main entrance and nationality, such as: Ngurah Rai, SoekarnoHatta, Batam, Tanjung Uban, Polonia, Juanda, Husein Sastranegara, Tanjung Balai Karimun, Tanjung Pinang, Tanjung Priok, Adi Sucipto, Minangkabau, Entikong, Adi Sumarmo, Sultan Syarif Kasim II, Sepinggan, Sam Ratulangi International Airport Lombok, and Makassar. GRNN has advantages not require the estimated number of network weights to get optimal network architecture, so it does not require setting parameters. Research trial conducted using a spread of 0.1 to 1.0. The experimental results show that the best forecasting performance with spread 0,1 for training and testing data.

show abstract

Section: Pendahuluanunclassified

Peramalan Kunjungan Wisatawan Mancanegara Menggunakan Generalized Regression Neural Networks

Herawati

2016

INFOTEL

View full text Add to dashboard Cite

show abstract

“…Generalized Regression Neural Network (GRNN) adalah jenis jaringan syaraf tiruan dengan keunggulan proses pembelajaran cepat dan konvergensi yang optimal [13]. GRNN termasuk dalam jaringan dengan pelatihan terawasi.…”

Section: Generalized Regression Neural Networkunclassified

Analisis Kinerja Gabungan Metode Ensemble Empirical Mode Decomposition Dan Generalized Regression Neural Network

Herawati

Latif

2016

INFOTEL

View full text Add to dashboard Cite

Abstrak -Metode runtun waktu cocok digunakan ketika akan memeriksa setiap pola data secara sistematis dan memiliki banyak variabel bebas, seperti pada kasus harga minyak mentah. Salah satu penelitian yang memanfaatkan metode runtun waktu adalah integrasi antara Ensemble Empirical Mode Decomposition (EEMD) dan jaringan syaraf berdasarkan algoritma Polak-Ribiére Conjugate Gradient (PCG). Jenis jaringan syaraf menggunakan FeedForward Neural Network (FNN). Namun, FNN memerlukan pengaturan parameter bebas dalam proses pembelajarannya. Sementara, parameter yang sesuai sangat dibutuhkan untuk mendapatkan hasil peramalan yang akurat. Penelitian ini mengusulkan integrasi antara EEMD dan Generalized Regression Neural Network (GRNN). GRNN memiliki keunggulan, yaitu: tidak memerlukan pengaturan parameter dan proses pembelajaran yang cepat. Untuk evaluasi, kinerja metode EEMD-GRNN dibandingkan dengan GRNN. Hasil eksperimen menunjukkan bahwa metode EEMD-GRNN menghasilkan peramalan yang lebih baik dari GRNN. Metode EEMD-GRNN memiliki nilai MSE dan RMSE lebih kecil daripada GRNN. Nilai MSE dan RMSE menggunakan data pengujian untuk WTI berturut-turut sebesar 0,0032 dan 0,0569. Sementara, Nilai MSE dan RMSE menggunakan data pengujian Brent berturut-turut sebesar 0,0017 dan 0,0415.Kata kunci -Peramalan Harga Minyak Mentah, EEMD, GRNN.Abstract -The method of time series suitable for use when it checks each data patterns systematically and has many variables, such as in the case of crude oil prices. One study that utilizes the methods of time series is the integration between Ensemble Empirical Mode Decomposition (EEMD) and neural network algorithms based on Polak-Ribiere Conjugate Gradient (PCG). Type of neural network using Feedforward Neural Network (FNN). However, FNN requires setting free parameters in the learning process. Meanwhile, the appropriate parameters are needed to get accurate forecasting results. This research proposes the integration between EEMD and Generalized Regression Neural Network (GRNN). GRNN has advantages, such as: does not require any parameter settings and a quick learning process. For the evaluation, the performance of the method EEMD-GRNN compared with GRNN. The experimental results showed that the method EEMD-GRNN produce better forecasting of GRNN. Method of EEMD-GRNN has a value of MSE and RMSE smaller than GRNN. The value of MSE and RMSE used test data for WTI successively equal 0.0032 and 0.0569. While the value of MSE and RMSE used test data for Brent successively equal 0,0017 and 0,0415. Beberapa penelitian telah dilakukan dengan menggunakan metode runtun waktu untuk peramalan harga minyak mentah. Salah satu contohnya, penelitian menggunakan GARCH yang dibandingkan dengan model volatilitas [6]. Kemudian, penelitian mengenai integrasi antara ARIMA dan GARCH [7].

show abstract

ANN-based intelligent control system for simultaneous feed disturbances rejection and product specification changes in extractive distillation process

Neves

Neto

Sales

et al. 2021

Separation and Purification Technology

View full text Add to dashboard Cite

Generalized Regression Neural Network Based on Soft Sensor for Multicomponent Distillation Column

Cited by 4 publications

References 3 publications

Peramalan Kunjungan Wisatawan Mancanegara Menggunakan Generalized Regression Neural Networks

Peramalan Kunjungan Wisatawan Mancanegara Menggunakan Generalized Regression Neural Networks

Analisis Kinerja Gabungan Metode Ensemble Empirical Mode Decomposition Dan Generalized Regression Neural Network

ANN-based intelligent control system for simultaneous feed disturbances rejection and product specification changes in extractive distillation process

Contact Info

Product

Resources

About