The analysis of artificial neural network data models

1997 ◽  
pp. 337-346 ◽  
Author(s):  
C. M. Roadknight ◽  
D. Palmer-Brown ◽  
G. E. Mills
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Data Models ◽  
Network Data ◽  
Artificial Neural

scholarly journals A New Analyzer Based on Pellistor Sensor with Neural Network Data Postprocessing for Measurement of Hydrocarbons in Lower Explosive Limit Range

2005 ◽  
Vol 2005 (2) ◽  
pp. 55-57
Author(s):  
Radoslaw Bandomir ◽  
Mariusz Krawczyk ◽  
Jacek Namiesnik
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Development Work ◽  
Network Data ◽  
Stage Of Development ◽  
New Type ◽  
Artificial Neural ◽  
Concentration Measurements ◽  
Explosive Limit ◽  
Lower Explosive Limit

We present the results of a first stage of development work on a new type of analyzer for hydrogen and C1–C3hydrocarbons concentration measurements in the lower explosive limit range, based on single pellistor sensor with artificial neural network data postprocessing.

scholarly journals Prediksi Angin Menggunakan Data Temperatur, Kelembaban, Curah Hujan, Penyinaran Matahari Dengan Metode ANN (Artificial Neural Network) (Studi Kasus: Perairan Pulau Bintan)

2021 ◽  
Vol 6 (1) ◽  
pp. 1-7
Author(s):  
Canadi Canadi ◽  
Ari Kurniadi ◽  
Nawanto Budi Sukoco
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Network Data ◽  
Artificial Neural

Kebutuhan akan prediksi sangat diperlukan pada berbagai sektor kehidupan, salah satunya adalah mengenai prediksi kecepatan dan arah angin. Prediksi mengenai kecepatan dan arah angin dalam penelitian ini dilaksanakan dengan menggunakan Artificial Neural Network. Data yang digunakan adalah data harian BMKG Tanjung Pinang, Pulau Bintan selama 10 Tahun dengan menggunakan 5 parameter yaitu temperatur maksimum, temperatur rata-rata, kelembaban rata-rata, curah hujan, dan lamanya penyinaran matahari yang kemudian disebut sebagai predictor selanjutnya parameter kecepatan serta arah angin yang kemudian disebut sebagai predictand. Dari hasil prediksi diperoleh bahwa model ANN dapat memberikan hasil arah dengan akurasi 73% sampai dengan 83%. Sementara prediksi kecepatan angin dengan model ANN memberikan akurasi sebesar 77% sampai dengan 95%.

scholarly journals Prediksi Hipertensi menggunakan Decision Tree, Naïve Bayes dan Artificial Neural Network pada software KNIME

Techno Com ◽  
2020 ◽  
Vol 19 (4) ◽  
pp. 353-363
Author(s):  
Mayanda Mega Santoni ◽  
Nurul Chamidah ◽  
Nurhafifah Matondang
Keyword(s):  
Neural Network ◽  
Machine Learning ◽  
Artificial Neural Network ◽  
Decision Tree ◽  
Cross Validation ◽  
Naive Bayes ◽  
Naïve Bayes ◽  
Network Data ◽  
Artificial Neural ◽  
Fold Cross Validation

Hipertensi merupakan salah satu penyakit tidak menular yang dapat menyebabkan kematian karena meningkatkan resiko munculnya berbagai penyakit seperti gagal ginjal, gagal jantung, bahkan stroke. Resiko hipertensi disebabkan oleh beberapa faktor penyebab seperti usia, keturunan, pola makan dan olahraga, dan merokok. Teknologi artificial intelligence yakni machine learning dimanfaatkan di bidang kesehatan khususnya prediksi penyakit hipertensi. Pada penelitian ini diimplementasi tiga algoritma machine learning yakni decision tree, naïve bayes dan artificial neural networks. Data yang digunakan pada penelitian ini sebanyak 274 data yang diperoleh dari hasil kuesioner dengan 26 pertanyaan, dimana 25 pertanyaan adalah variabel faktor resiko dan satu pertanyaan merupakan kelas yang menyatakan responden memiliki riwayat hipertensi atau tidak. Data diolah menggunakan platform analisis data yakni KNIME. Sebelum data diolah untuk membangun model klasifikasi menggunakan decision tree, naïve bayes dan artificial neural network, data dipraproses terlebih dahulu dengan melakukan imputasi missing value, oversampling dan normalisasi data. Selanjutnya pembagian data menggunakan 5-fold cross validation. Model klasifikasi yang diperoleh dievaluasi menggunakan nilai akurasi, recall dan precision. Hasil evaluasi dari eksperimen yang dilakukan diperoleh bahwa algoritma artificial neural network memiliki tingkat performa lebih baik dibandingkan decision tree dan naïve bayes dengan nilai akurasi sebesar 94.7%, recall sebesar 91.5% dan precision sebesar 97.7%.

scholarly journals An Artificial Neural Network Model for Estimating Daily Solar Radiation in Northwest Nigeria

2020 ◽  
Vol 5 (2) ◽  
Author(s):  
Salisu Aliyu ◽  
Aminu S Zakari ◽  
Muhammad Ismail ◽  
Mohammed A Ahmed
Keyword(s):  
Neural Network ◽  
Data Mining ◽  
Artificial Neural Network ◽  
Solar Radiation ◽  
Solar Energy ◽  
Network Data ◽  
Radiation Data ◽  
Testing Dataset ◽  
The World ◽  
Artificial Neural

Solar energy has attracted enormous attention as it plays an essential role in meeting the ever growing sustainable and environmental friendly energy demand of the world. Due to the high cost of calibration and maintenance of designated measuring instruments, solar radiation data are limited not only in Nigeria but in most parts of the world. The optimal design of solar energy systems requires accurate estimation of solar radiation. Existing studies are focused on the analysis of monthly or annual solar radiation with less attention paid to the determination of daily solar radiation. Estimating daily solar radiation envisages high quality and performance of solar systems. In this paper, an Artificial Neural Network data mining model is proposed for estimating the daily solar radiation in Kano, Kaduna and Katsina, North West Nigeria. Daily Solar radiation data for 21years collected from the Nigerian Metrological Agency were used as training/testing data while developing the model. Two statistical indicators: coefficient of determination (R2) and the root mean square error (RMSE) were used to evaluate the model. An RMSE of 0.47 and 0.48 was obtained for the training and testing dataset respectively, while an R2 of 0.78 was obtained for both the training and testing dataset. The overall results showed that artificial neural network exhibits excellent performance for the estimation of daily solar radiation.Keywords— Artificial Neural Network, Data mining, Solar Radiation 

Sign in / Sign up

Export Citation Format

Share Document