SISTEM PERAMALAN ANGKA PENJUALAN KENDARAAN BERMOTOR BERDASARKAN BIAYA PROMOSI DAN JUMLAH SALESMAN (STUDI KASUS: P.T. HASJRAT ABADI SENTANI)
|
|
- Hendra Hermanto
- 5 tahun lalu
- Tontonan:
Transkripsi
1 Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 7 SISTEM PERAMALAN ANGKA PENJUALAN KENDARAAN BERMOTOR BERDASARKAN BIAYA PROMOSI DAN JUMLAH SALESMAN (STUDI KASUS: P.T. HASJRAT ABADI SENTANI) Tedy Rismawan, Yulius Palumpun Jurusan Sistem Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Tanjungpura Program Studi Sistem Informasi, Fakultas Ilmu Komputer dan Manajemen, Universitas Sains dan Teknologi Jayapura tedyrismawan@siskom.untan.ac.id, n.ardelia@gmail.com Abstrak Penjualan kendaraan roda dua masih mendominasi di wilayah Papua. Kendaraan roda dua bermacam-macam merk dan jenisnya, sehingga perlu dilakukan pengkajian agar kendaraan yang dikirim ke Papua adalah yang dibutuhkan oleh konsumen. Pada penelitian ini dihasilkan sistem yang dapat melakukan peramalan berapa jumlah angka penjualan yang terjadi pada waktu yang akan datang. Adapun metode yang digunakan untuk melakukan peramalan adalah backpropagation (propagasi balik) dengan variabel input berupa biaya promosi dan jumlah salesman serta variabel ouput adalah peramalan angka penjualan. Parameter pelatihan backpropagation yang digunakan yaitu maksimum epoh sebesar 5., laju pembelajaran,6, minimum error,, jumlah lapisan tersembunyi dan jumlah neuron pada lapisan tersembunyi adalah 4. Parameter pelatihan ini digunakan untuk semua jaringan backpropagation. Terdapat 5 jaringan yang digunakan karena jenis kendaraan yang dimasukkan ke dalam sistem juga 5 jenis, yaitu Mio, Jupiter, Vixion, Byson dan Vega. pengujian sistem menunjukkan nilai akurasi sistem dalam meramalkan data yang pernah dilatih sebelumnya adalah % dan 95% untuk data yang belum pernah dilatih sebelumnya. Kata kunci : peramalan, penjualan kendaraan, propagasi balik. Pendahuluan.. Latar Belakang Papua merupakan propinsi yang berada di pulau paling timur dari negara Indonesia. Karena letak geografis yang cukup jauh dan akses transportasi yang cukup terbatas, maka timbul beberapa kendala dalam distribusi barang menuju propinsi Papua. Salah satu barang yang saat ini banyak dibutuhkan adalah kendaraan bermotor, khususnya roda dua. Roda dua dibutuhkan karena harganya yang cukup terjangkau dan serta digunakan di jalan yang aksesnya tidak dapat dilalui kendaraan roda empat. Hal ini mengakibatkan penjualan kendaraan roda dua masih mendominasi di propinsi Papua. Kendaraan roda dua bermacam-macam merk dan jenisnya, sehingga perlu dilakukan pengkajian agar kendaraan yang dikirim ke Papua adalah yang dibutuhkan oleh konsumen. Hal ini dapat dilakukan dengan mengirim banyak kendaraan untuk semua merk dan tipe, namun tindakan tersebut dapat mengakibatkan barang tertentu menumpuk di gudang dan biaya pengiriman juga akan menjadi besar. Oleh karena itu, diperlukan suatu sistem yang dapat mengoptimalkan solusi permasalahan ini. Perencanaan permintaan secara umum lebih dikenal dengan peramalan, merupakan perhitungan objektif dan dengan menggunakan data-data masa lalu, untuk menentukan sesuatu di masa mendatang []. Pada penelitian ini akan dibangun suatu sistem untuk memprediksi (meramalkan) angka penjualan kendaraan roda dua. Angka hasil peramalan tersebut dapat digunakan oleh perusahaan sebagai acuan untuk melakukan pemesanan di periode berikutnya. Harapannya dengan angka peramalan tersebut, tidak ada kendaraan yang tidak terjual dan jumlah kendaraan yang dikirim merupakan jumlah yang dibutuhkan oleh masyarakat pada periode tertentu. Metode untuk memperoleh solusi permasalahan yang akan dikaji pada penelitian ini adalah propagasi balik (backpropagation). akan melatih data-data penjualan yang lama untuk menghasilkan bobot pelatihan. Kemudian data bobot hasil pelatihan tersebut digunakan untuk meramalkan
2 Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 7 angka penjualan di periode yang akan datang. Pada penelitian ini, variabel pelatihan yang digunakan yaitu biaya promosi dan jumlah salesman yang bertugas melakukan promosi dan penjualan. pernah digunakan pada penelitian sebelumnya untuk memprediksi data harga saham IHSG (Indeks Harga Saham Gabungan) dimana pelatihan backpropagation memperoleh nilai (Mean Square Error) dan MAPE (Mean Absolute Percentage Error)[]... Tujuan Tujuan dari penelitian ini adalah membangun aplikasi untuk meramalkan angka penjualan kendaraan roda dua di P.T. Hasjrat Abadi Sentani) berdasarkan biaya promosi dan jumlah salesman yang bekerja. merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi. Pada algoritma backpropagation, algoritmanya menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu []. Adapun algoritma pelatihan untuk jaringan propagasi balik adalah sebagai berikut [3]: Inisialisasi bobot Tetapkan: Maksimum Epoh, Target Error, dan Learning Rate Inisialisasi: Epoh=, = Kerjakan langkah-langkah berikut selama (Epoh<Maksimum Epoh) dan (>Target Error):. Epoh=Epoh+. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan: Feedforward a. Tiap-tiap unit input (X i, i=,,3,,n) menerima sinyal x i dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). b. Tiap-tiap unit pada suatu lapisan tersembunyi (Zj, j=,,3,,p) menjumlahkan sinyal-sinyal input terbobot: _ gunakan fungsi aktivasi untuk menghitung sinyal outputnya: z j = f(z_in j ) () dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). c. Tiap tiap unit output (Yk, k=,,3,..,m) menjumlahkan sinyal-sinyal input terbobot. _ 3 gunakan fungsi aktivasi untuk menghitung sinyal outputnya: y k = f(y_in k ) (4) dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output) Catatan: Langkah (b) dilakukan sebanyak jumlah lapisan tersembunyi. d. Tiap-tiap unit output (Y k, k=,,3,,m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya: k = (t k y k ) f (y_in k ) (5) φ jk = d k z j (6) β k = d k (7) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai w jk ): Δw jk = α φ jk (8) hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b k ): Δb k = α β k (9) Langkah (d) ini juga dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi error dari suatu lapisan tersembunyi ke lapisan tersembunyi sebelumnya. e. Tiap-tiap unit tersembunyi (Z j, j=,,3,,p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya): _ kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error: δ j = δ_in j f (z_in j ) () φ ij = δ j x j () β j = δ j (3) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai v ij ): Δv ij = α φ ij (4) hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b j ): Δb j = α φ j (5)
3 Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 7 f. Tiap-tiap unit output (Y k, k=,,3,,m) memperbaiki bias dan bobotnya (j=,,,,p): w jk (baru) = w jk (lama) + Δw jk (6) b k (baru) = b k (lama) + Δb k (7) tiap-tiap unit tersembunyi (Z j,j=,,3,,p) memperbaiki bias dan bobotnya (i=,,,,n): v ij (baru) = v ij (lama) + Δv ij (8) b j (baru) = b j (lama) + Δb j (9) 3. Hitung 3. Usulan Model 3. Gambaran Umum Pada penelitian ini akan dilakukan peramalan terhadap data penjualan kendaraan bermotor, khususnya kendaraan roda dua. Agar data yang digunakan tidak menjadi kompleks, maka pada penelitian ini hanya dibatasi pada kendaraan roda dua dengan merk Yamaha jenis Mio, Jupiter, Vixion, Byson dan Vega. Proses pada penelitian ini dimulai dengan mengumpulkan data yang ada pada PT. Hasjrat Abadi Sentani. Selanjutnya data ini diolah untuk disesuaikan strukturnya sebelum dimasukkan ke dalam database. Setelah data tersimpan di dalam database, selanjutnya dilakukan pelatihan menggunakan jaringan backpropagation. ini akan dilakukan untuk semua jenis motor yang akan diramalkan angka penjualannya. Proses pelatihan akan menghasilkan keluaran berupa model (persamaan) yang dapat digunakan untuk proses peramalan data yang akan datang. Dari hasil pelatihan data tiap jenis motor, maka akan diperoleh 5 jenis model, yaitu model untuk jenis Mio, Jupiter, Vixion, Byson dan Vega. pelatihan tersebut nantinya akan digunakan pada proses pengujian atau proses peramalan. Apabila ingin melakukan peramalan penjualan motor dengan jenis Mio, maka data pengujian harus dioperasikan terhadap model dari pelatihan data kendaraan jenis Mio. Begitu juga apabila ingin dilakukan peramalan terhadap jenis motor yang lain. Gambar menunjukkan skema dari alur sistem secara umum. Data Mio Data Jupiter Data Vixion Database Data Byson Data Vega Gambar Alur sistem 3. Data dan Parameter Data yang digunakan pada proses pelatihan merupakan data penjualan kendaraan bermotor merk Yamaha jenis Mio, Jupiter, Vixion, Byson dan Vega pada P.T. Hasjrat Abadi Sentani periode Januari 4 sampai dengan April 6. Data yang digunakan memiliki variabel input dan variabel output. Adapun variabel input adalah biaya promosi dan salesman yang bertigas. Sedangkan variabel output adalah jumlah penjualan kendaraan bermotor. Tabel merupakan contoh dari data pelatihan pada kendaraan bermotor jenis Mio untuk periode penjualan Januari 4 sampai dengan April 6
4 Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 7 No Tabel. Data Penjualan Jenis Mio Biaya promosi Jumlah (dalam ratusan penjualan ribu) Jumlah salesman Parameter pelatihan yang digunakan pada pelatihan sistem ini adalah sebagai berikut: Jumlah lapisan tersembunyi: Neuron pada lapisan tersembunyi: 4 Laju pembelajaran:,6 Max. Epoh: 5. Min. Error:, Parameter tersebut digunakan pada semua jaringan untuk masing-masing jenis kendaraan bermotor, sehingga ada 5 jaringan yang digunakan. 3.3 Dari hasil pelatihan yang telah dilakukan pada data pelatihan berdasarkan parameter pelatihan yang ada pada sub bab sebelumnya, diperoleh 5 jaringan propagasi balik pada penelitian ini tidak mencapai nilai minimum errornya. Karena tidak mencapai nilai minimum error, maka jaringan berhenti pada keadaan dimana epoh sudah mencapai nilai maksimum, yaitu 5.. Adapun hasil minimum error yang diperoleh dari masing-masing pelatihan dapat dilihat pada gambar (a), (b), (c), (d) dan (e). Gambar (a) Nilai untuk pelatihan jaringan jenis motor Mio.5.5 Nilai sampai dengan epoh ke 5 jenis motor Mio Nilai sampai epoh ke 5 jenis motor Jupiter Gambar (b) Nilai untuk pelatihan jaringan jenis motor Jupiter Gambar (c) Nilai untuk pelatihan jaringan jenis motor Vixion Nilai sampai epoh ke 5 jenis motor Vixion Nilai sampai epoh ke 5 jenis motor Byson Gambar (d) Nilai untuk pelatihan jaringan jenis motor Byson 3
5 Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 7 Nilai sampai epoh ke 5 jenis motor Vega Gambar (e) Nilai untuk pelatihan jaringan jenis motor Vega Berikut ini merupakan nilai minimum error yang diperoleh dari pelatihan tiap jenis motor: a. Mio:,454 b. Jupiter:,3339 c. Vixion:,95 d. Byson:,3373 e. Vega:,37544 Dari hasil tersebut dapat dilihat bahwa pelatihan yang dilakukan pada semua jenis motor tidak ada yang mencapai nilai minimum error yang telah ditetapkan, sehingga pelatihan berhenti karena telah mencapai batas maksimum perulangan (epoh) 4. Pengujian dan Setelah diperoleh hasil pelatihan maka sistem dapat diujikan terhadap data yang ada sehingga dapat diperoleh hasil dari keakuratan sistem dalam melakukan peramalan. Pengujian dilakukan dalam jenis data, pertama pengujian dilakukan terhadap data yang telah dilatih sebelumnya dan kedua adalah pengujian terhadap data yang belum pernah dilatih sebelumnya. Untuk pengujian pertama, digunakan 4 data terakhir dari pelatihan yaitu data penjualan pada bulan Januari sampai dengan April 6. Sedangkan pengujian kedua, digunakan 4 data berikutnya yang belum pernah dilatih, yaitu data penjualan pada bulan Mei 6 sampai dengan Agustus 6. dari pengujian ini dapat dilihat pada Tabel dan 3. Tabel pengujian terhadap data yang pernah dilatih Mio 3 3 Benar 5 5 Benar Benar Benar Jupiter Benar Benar Benar 5 5 Benar Vixion 4 4 Benar Benar Benar 6 6 Benar Byson 3 3 Benar 6 6 Benar 8 8 Benar Benar Vega 4 4 Benar Benar 4 4 Benar 3 3 Benar Dari tabel dapat dilihat bahwa sistem mengeluarkan hasil yang sama dengan data yang pernah dilatih dengan tingkat keberhasilan %. Hal ini dapat terjadi karena sistem telah dilatih dengan menghasilkan tingkat kesalahan (error) yang cukup kecil. 4
6 Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 7 Tabel 3 pengujian terhadap data baru Mio 9 9 Benar Benar 3 3 Benar 4 4 Benar Jupiter Benar Benar Benar Benar Vixion 8 8 Benar 8 8 Benar 6 6 Benar 5 5 Benar Byson Benar 9 9 Benar 5 5 Benar 4 4 Benar Vega Benar 3 3 Benar 3 3 Benar 3 Salah Tabel menunjukkan pengujian data terhadap data baru yang belum pernah dilatih sebelumnya. Dari hasil pengujian sebanyak 4 data untuk masingmasing jenis motor, diperoleh kesalahan peramalan untuk data pada jenis motor Vega. Jika diakumulasikan secara keseluruhan maka tingkat akurasi untuk pengujian terhadap data baru adalah % 95% 5. Kesimpulan Adapun kesimpulan yang diperoleh dari penelitian ini adalah sebagai berikut: a. Diperoleh untuk pelatihan masing-masing data: Mio:,454 Jupiter:,3339 Vixion:,95 Byson:,3373 Vega:,37544 b. pengujian terhadap data yang pernah dilatih memperoleh nilai akurasi % c. pengujian terhadap data yang belum pernah dilatih memperoleh nilai akurasi 95% d. Melihat tingkat akurasi yang diperoleh, maka sistem ini dapat digunakan oleh pihak P.T. Hasjrat Abadi Sentani untuk mendukung keputusan dalam menentukan jumlah kendaraan bermotor yang dipesan berdasarkan jenisnya pada masa yang akan datang. Daftar Pustaka: [] Sumayang, Lalu, 5, Dasar-dasar Manajemen Produksi dan Operasi, Jakarta, Salemba Empat. [] Hansun, Seng, 3, Peramalan Data IHSG Menggunakan Metode, ULTIMATICS Vol. IV No. [3] Kusumadewi, Sri, 3, Artificial Intelligence (Teknik dan Aplikasinya), Yogyakarta, Graha Ilmu [4] Kusumadewi, Sri, 4, Membangun Jaringan Syaraf Tiruan (Menggunakan MATLAB & Excellink), Yogyakarta, Graha Ilmu 5
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih terperinciSIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana
SIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana Mahasiswa Program Studi Teknik Informatika, Universitas
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciJurnal Coding, Sistem Komputer Untan Volume 04, No.2 (2016), hal ISSN : x
DETEKSI PENYAKIT PADA TANAMAN JERUK PONTIANAK DENGAN METODE JARINGAN SARAF TIRUAN BACKPROPAGATION [1] Fitrajaya Nugraha, [2] Beni Irawan, [3] Dwi Marisa Midyanti [1] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciz_in ( ) dan mengaplikasikan fungsi aktivasi untuk menghitung sinyal output ( ) Propagasi balik:
LAMPIRAN 4 Lampiran Algoritma aringan syaraf tiruan propagasi balik Langkah 0 Inisialisasi bobot Langkah Selama kondisi berhenti bernilai salah, lakukan langkah -9. Langkah Untuk setiap pasangan, lakukan
Lebih terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih terperinciABSTRACT. Kata kunci: Fuzzy Tsukamoto, Jaringan Syaraf Tiruan, Backpropagation 1. LATAR BELAKANG MASALAH
PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN DAN FUZZY TSUKAMOTO COMPARISON OF SHARE PRICE PREDICTION USING ARTIFICIAL NEURAL NETWORK AND FUZZY TSUKAMOTO ABSTRACT
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciStudi Modifikasi standard Backpropagasi
Studi Modifikasi standard Backpropagasi 1. Modifikasi fungsi objektif dan turunan 2. Modifikasi optimasi algoritma Step Studi : 1. Studi literatur 2. Studi standard backpropagasi a. Uji coba standar backpropagasi
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciPERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION
Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION Fahmi Hasobaran Dalimunthe
Lebih terperinciProses Pembelajaran dengan BackPropagation pada kasus penyakit asma
Proses Pembelajaran dengan BackPropagation pada kasus penyakit asma Oleh Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Penyakit asma merupakan penyakit yang menyerang pada saluran
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciArsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah memin
BACK PROPAGATION Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Analisis merupakan proses penguraian konsep ke dalam bagian-bagian yang lebih sederhana, sehingga struktur logisnya menjadi jelas. Metode untuk menguji, menilai, dan
Lebih terperinciBAB II DASAR TEORI. 2.1 Citra Digital
BAB II DASAR TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f (x,y) dua dimensi,dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciIDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION
JURNAL MANUTECH 43 IDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION Yoan Elviralita 1, Asrul Hidayat 2 1 Program Studi Teknik Mekatronika-Politeknik Bosowa 2 Program Studi Perawatan dan Perbaikan
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciBAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH
BAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu data saham Astra Internasional Tbk tanggal 2 Januari
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinciImplementasi Metode Backpropagation Untuk Klasifikasi Kenaikan Harga Minyak Kelapa Sawit
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 4, April 2018, hlm. 1547-1552 http://j-ptiik.ub.ac.id Implementasi Metode Backpropagation Untuk Klasifikasi Kenaikan
Lebih terperinciBAB I PENDAHULUAN. universitas swasta yang memiliki 7 Fakultas dengan 21 Program Studi yang
BAB I PENDAHULUAN A. Latar Belakang Masalah Universitas Muhammadiyah Ponorogo merupakan salah satu universitas swasta yang memiliki 7 Fakultas dengan 21 Program Studi yang terdiri dari : 3 program studi
Lebih terperinciBAB 2 LANDASAN TEORI. suatu perusahaan yang akan memberikan keuntungan dalam bentuk deviden dan capital
BAB 2 LANDASAN TEORI 2.1 Saham Saham adalah tanda penyertaan atau kepemilikan seseorang atau badan, dalam suatu perusahaan yang akan memberikan keuntungan dalam bentuk deviden dan capital gain. Artinya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI
Media Informatika, Vol. 2, No. 2, Desember 2004, 1-11 ISSN: 0854-4743 JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI Kiki, Sri Kusumadewi Jurusan Teknik Informatika,
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. forecasting produksi gula berdasarkan hasil laporan tahunan PTPN IX
BAB III ANALISIS DAN PERANCANGAN SISTEM Pada Tugas Akhir ini akan dirancang sebuah Perangkat Lunak untuk forecasting produksi gula berdasarkan hasil laporan tahunan PTPN IX (PERSERO) / PG.Pangka dengan
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciBAB III METODE PENELITIAN. Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu
BAB III METODE PENELITIAN 3.1 Pengumpulan Data Beban Listrik dari PLN Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu selama lima tahun pada periode 2006-2010, selanjutnya data
Lebih terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV.
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV. Bryan Ponsel) Des Indeks Giawa Mahasiswa Teknik Informatika STMIK Budi
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 1 Edisi.,Volume,. Bulan.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Edisi.,Volume,. Bulan.. ISSN : 289-933 ANALISIS METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN SEL KANKER OTAK Novita Handayani Teknik Informatika
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciAPLIKASI ESTIMASI REGISTRASI MAHASISWA BARU MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BERDASARKAN PERBANDINGAN RATIO DOSEN DAN MAHASISWA
APLIKASI ESTIMASI REGISTRASI MAHASISWA BARU MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BERDASARKAN PERBANDINGAN RATIO DOSEN DAN MAHASISWA Debi Setiawan 1 Ramalia Noratama Putri 2 Gunadi 3 ABSTRACT The problem
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION Havid Syafwan 1, Herman Saputra 2 *1 Program Studi Manajemen Informatika, AMIK
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN Pada tugas akhir ini akan dirancang sebuah perangkat lunak untuk prediksi kebangkrutan perusahaan berdasarkan laporan keuangan perusahaan yang pernah terdaftar (listed) di
Lebih terperinciANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION
ANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION Program Studi Teknik Informatika STT Wastukancana Jl. Raya Cikopak No.53, Sadang, Purwakarta
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini akan dibahas mengenai teori-teori pendukung pada penelitian ini. Adapun teori tersebut yaitu teori jaringan saraf tiruan dan algoritma backpropragation. 2.1. Jaringan Saraf
Lebih terperinciAnalisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi
Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi Kiki, Sri Kusumadewi Laboratorium Komputasi & Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini merupakan bab yang akan menjelaskan mengenai landasan teori dari topik tugas akhir. Beberapa landasan teori tersebut yaitu : 2.1 Peramalan (forecasting) Forecasting adalah
Lebih terperinci134 Sutikno, Indriyati, Sukmawati N.E, Priyo S.S., Helmie A.W., Indra W., Nurdin B., Tri Wardati K., Raditya L.R. dan Diah Putu D.
134 Sutikno, Indriyati, Sukmawati N.E, Priyo S.S., Helmie A.W., Indra W., Nurdin B., Tri Wardati K., Raditya L.R. dan Diah Putu D. Chapter 7 Backpropagation dan Aplikasinya Sutikno, Indriyati, Sukmawati
Lebih terperinciPengenalan Karakter Tulisan Tangan Latin pada Jaringan Saraf Tiruan Metode Backpropagation dengan Input Citra Kamera Digital
Pengenalan Karakter Tulisan Tangan Latin pada Jaringan Saraf Tiruan Metode Backpropagation dengan Input Citra Kamera Digital Dompak Petrus Sinambela 1 Sampe Hotlan Sitorus 2 Universitas Mpu Tantular Jakarta.
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih terperinciPENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Alfa Ceria Agustina (1) Sri Suwarno (2) Umi Proboyekti (3) sswn@ukdw.ac.id othie@ukdw.ac.id Abstraksi Saat ini jaringan saraf tiruan
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciJARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB,
JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB, sigitkus@ub.ac.id ABSTRAKSI Salah satu kelemahan umum pada pengenalan pola untuk
Lebih terperinciPrediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan
Prediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan Kusuma Dewangga, S.Kom. Jurusan Ilmu Komputer Universitas Gadjah Mada Jl. Bulaksumur, Yogyakarta kusumadewangga@gmail.com
Lebih terperinciIdentifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation
Identifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation Resa Abdilah 1, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. ditinjau dari segi kasus penelitian, objek penelitian dan metode yang digunakan
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam penelitian ini, penulis menggunakan beberapa sumber pustaka. Sumber pustaka yang dimaksudkan untuk digunakan sebagai pedoman dan pembanding
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Suara Manusia Menurut Inung Wijayanto (2013), produksi suara manusia memerlukan tiga elemen, yaitu sumber daya, sumber suara dan pemodifikasi suara. Ini adalah dasar dari teori
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA ROBOT LINE FOLLOWER
PENERAPAN JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA ROBOT LINE FOLLOWER Asep Sholahuddin 1, Setiawan Hadi 2 1 Universitas Padjadjaran, Jl. Raya Bandung Sumedang KM 21, Sumedang, 45363, asep_sholahuddin@yahoo.com
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan diuraikan materi yang mendukung dalam pembahasan evaluasi implementasi sistem informasi akademik berdasarkan pengembangan model fit HOT menggunakan regresi linier
Lebih terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
Lebih terperinciJARINGAN SYARAF TIRUAN
JARINGAN SYARAF TIRUAN 8 Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah
Lebih terperinciANALISA KOMPARASI NEURAL NETWORK BACKPROPAGATION DAN MULTIPLE LINEAR REGRESSION UNTUK PERAMALAN TINGKAT INFLASI
JURNAL TEKNIK VOL. II NO. 2 AGUSTUS 2016 ANALISA KOMPARASI NEURAL NETWORK BACKPROPAGATION DAN MULTIPLE LINEAR REGRESSION UNTUK PERAMALAN TINGKAT INFLASI Amrin 1 Abstract The inflation rate can not be underestimated
Lebih terperinciPERANCANGAN PROGRAM APLIKASI BERBASIS WEB MENGGUNAKAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
PERANCANGAN PROGRAM APLIKASI BERBASIS WEB MENGGUNAKAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ivan David Tehnik Informatika dan Matematika, Binus University, Jakarta ivn.dvd.mnu@gmail.com
Lebih terperinciALGORITMA BACK PROPAGATION NEURAL NETWORK UNTUK PENGENALAN POLA KARAKTER HURUF JAWA
Nazla Nurmila, Aris Sugiharto, Eko Adi Sarwoko ALGORITMA BACK PROPAGATION NEURAL NETWORK UNTUK PENGENALAN POLA KARAKTER HURUF JAWA Nazla Nurmila, Aris Sugiharto, dan Eko Adi Sarwoko Prodi Ilmu Komputer
Lebih terperinciBAB III METODOLOGI PENELITIAN. Model sistem presensi biometri sidik jari yang dikembangkan secara garis
BAB III METODOLOGI PENELITIAN 3.1 Disain Penelitian Model sistem presensi biometri sidik jari yang dikembangkan secara garis besar terdiri atas bagian input, bagian proses, dan bagian output seperti gambar
Lebih terperinciBAB II TEORI DASAR. Gambar 2.1 Anatomi Jantung
4 BAB II TEORI DASAR 2.1. Jantung Jantung merupakan otot tubuh yang bersifat unik karena mempunyai sifat membentuk impuls secara automatis dan berkontraksi ritmis [4], yang berupa dua pompa yang dihubungkan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciPERANCANGAN PROGRAM APLIKASI BERBASIS WEB MENGGUNAKAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
PERANCANGAN PROGRAM APLIKASI BERBASIS WEB MENGGUNAKAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ivan David ivn.dvd.mnu@gmail.com Rojali, S.Si., M.Si., Haryono Soeparno, Ir., M.Sc., DR Abstrak
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
Lebih terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciJURNAL INFORMATIKA PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Institut Teknologi Nasional Bandung ABSTRAK
Lebih terperinci1 BAB III 2. 3 METODE PENELITIAN
14 1 BAB III 2. 3 METODE PENELITIAN 3.1 Sumber data Data yang digunakan dalam penelitian ini ialah data pengeluaran beban listrik harian sepanjang tahun 2008 sampai dengan tahun 2015 yang didapat dari
Lebih terperinciSIMULASI DAN PREDIKSI PASANG SURUT AIR LAUT MENGGUNKAN WAVELET-NEURAL-NETWORK (Studi Kasus : Perairan Tarempa)
SIMULASI DAN PREDIKSI PASANG SURUT AIR LAUT MENGGUNKAN WAVELET-NEURAL-NETWORK (Studi Kasus : Perairan Tarempa) Diana Mahasisswa Program Studi Teknik Informatika, Universitas Maritim Raja Ali Haji Jl.Politeknik
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinci