Rully Soelaiman

Implementation of recurrent neural network and boosting method for time-series forecasting

Ensemble methods used for classification and regression have been shown that they are superior than other methods, teoritically and empirically. Adapting this method on time-series prediction is done by using boosting algorithm. On boosting algorithm, recurrent neural networks (RNN) are generated, each for training on a different set of examples on time-series data, then the results for each of this base learners will be combined and resulting on a final hypothesis. The difference between our algorithm and the original algorithm is the introduction of a new parameter for tuning the boosting influence on given examples. Our boosting result is then tested on real time-series forecasting, using a natural dataset and function-generated time series. On the experiment result, it can be proved that ensemble method that we used is better than standard method, backpropagation through time for one step ahead time series prediction.

METODE EKSTRAKSI FITUR PADA PENGKLASIFIKASIAN DATA MICROARRAY BERBASIS INFORMASI PASANGAN GEN

Pengenalan teknologi DNA microarray membuat perolehan data microarray menjadi lebih mudah, hal ini semakin memicu persoalan tentang bagaimana cara terbaik dalam mengekstraksi dan memilih fitur dari data yang berdimensi besar tersebut. Metode-metode terdahulu mengabaikan adanya hubungan antar gen sehingga memungkinkan hilangnya informasi penting yang tersimpan dalam suatu gen pada saat ekstraksi fitur. Meskipun berbagai macam metode telah digunakan, pengembangan metode ekstraksi dan seleksi fitur dari data microarray yang lebih powerful dan efisien masih diperlukan untuk meningkatkan performa klasifikasi kanker. Dalam tugas akhir ini diimplementasikan sebuah metode dalam melakukan ekstraksi fitur dari data microarray yang memanfaatkan model klasifikasi berbasis informasi pasangan gen, yaitu pasangan gen yang memiliki perbedaan signifikan pada dua jenis tissue sample. Hasil uji coba terhadap dua data microarray menunjukkan bahwa fitur hasil ekstraksi menggunakan metode ini dapat meningkatkan performa klasifikasi. Bahkan akurasi 100% dapat diperoleh pada uji coba terhadap data lymphoma.

IMPLEMENTASI DELAY DIFFERENTIAL EQUATION PADA SOLVER ORDINARY DIFFERENTIAL EQUATION MATLAB

Ordinary Differential Equation (ODE) dan Delay Differential Equation (DDE) banyak digunakan untuk menerangkan kejadian-kejadian pada dunia nyata. ODE melibatkan derivatif yang dipengaruhi oleh penyelesaian waktu sekarang dari variabel-variabel yang tidak bergantung pada waktu. Sementara, DDE memiliki tambahan derivatif yang juga dipengaruhi oleh penyelesaian pada waktu sebelumnya. Penyelesaian persoalan DDE dengan nilai tunda konstan difokuskan pada metode eksplisit Runge Kutta triple BS(2,3) yang digunakan juga oleh solver Matlab nonstiff pada ode23. Untuk mengimplementasikan permasalahan DDE dengan waktu tunda konstan dengan menggunakan metode Runge-Kutta eksplisit dibutuhkan tiga rumusan yaitu rumusan untuk menghitung nilai pada setiap tahapan integrasi, rumusan untuk menghitung besarnya step size serta rumusan untuk menghitung continuous extension. Pada penelitian ini, diaplikasikan metode Runge Kutta eksplisit dengan rumusan embedded dari Bogacki-Shampine yang mempunyai order 3 serta rumusan continuous extension dengan interpolasi Hermite kubik. Kata kunci : Delay Differential Equation, Ordinary Differential Equation, Runge Kutta.

ANALISIS KINERJA SOLVER PERSAMAAN DIFERENSIAL BIASA PADA MATLAB UNTUK PERSOALAN NILAI AWAL NONSTIFF DAN STIFF

Makalah ini membahas analisis kinerja dari solver persamaan diferensial biasa pada perangkat lunak MATLAB. Persoalan persamaan diferensial biasa yang akan diselesaikan oleh solver MATLAB dan selanjutnya dianalisis kinerjanya tersebut akan meliputi persoalan nilai awal (Initial Value Problem) dengan karakteristik nonstiff dan stiff. Penyelesaian persoalan nilai awal nonstiff yang akan dianalisis kinerjanya akan menggunakan metode Runge-Kutta eksplisit, yang diimplementasikan dengan fungsi ode23 dan ode45. Sedangkan untuk persoalan nilai awal stiif akan menggunakan metode implisit yang disebut Numerical Differentiation Formulas (NDF) dan metode one-step implisit Modified Rosenbrock. Kedua metode untuk persoalan stiff tersebut diimplementasikan dalam fungsi ode15s dan ode23s. Analisis kinerja pada solver PDB MATLAB untuk persoalan nilai awal yang dilakukan terhadap setiap fungsi tersebut akan meliputi kinerja terhadap tolerasi galat (error) dan biaya komputasi yang dibutuhkan yang dinyatakan dengan komponen succesful step, failed attempts dan function evaluation. Kata kunci: Initial Value Problem, Nonstiff, Ordinary Differential Equation, Stiff