ISBN Studi Perbandingan Peramalan Kebutuhan Energi Listrik Indonesia Menggunakan ANN dan ANFIS
|
|
- Sukarno Rachman
- 5 tahun lalu
- Tontonan:
Transkripsi
1 Studi Perbandingan Peramalan Kebutuhan Energi Listrik Indonesia Menggunakan ANN dan ANFIS Elisa Gumelar Dennis Teguh Utomo Lunde Ardheta Abstrak Peramalan dibutuhkan untuk mengetahui kesiapan pembangkit dan seluruh peralatan penunjang dalam memenuhi kebutuhan serta keseimbangan supply dan demand. Terdapat banyak metode yang dapat digunakan untuk melakukan peramalan, namun saat ini metode yang berkembang adalah metode Artificial Intelligence atau Sistem cerdas. Metode yang digunakan pada penelitian ini adalah Adaptive Neuro Fuzzy Inference System (ANFIS) dan Jaringan Saraf Tiruan (JST), dengan membandingkan output sebagai parameter keakuratan dalam melakukan peramalan. Dua metode ini dibentuk dan dilatih menggunakan data ekonometrik seperti jumlah penduduk dan pertumbuhan ekonomi. Data diperoleh dari RUPTL PLN Data statistik tahun digunakan sebagai input dalam melakukan peramalan tahun Keakuratan peramalan kedua metode ini dievaluasi menggunakan MAE dan RMSE. Dari hasil percobaan yang telah dilakukan, metode JST menghasilkan MAE sebesar 0,4779 TWh, RMSE sebesar 0,6068 TWh, dan error rata-rata per tahun sebesar 0,1482%. Sedangkan metode ANFIS menghasilkan MAE sebesar 19,3614 TWh, RMSE sebesar 26,6287 TWh, dan error rata-rata per tahun sebesar 5,2206%. Kata Kunci Peramalan Kebutuhan Energi Listrik, Sistem Cerdas, Jaringan Saraf Tiruan, ANFIS I. PENDAHULUAN Energi listrik adalah kebutuhan primer. Hal ini terjadi karena listrik sudah menjadi bagian penting dalam berbagai aspek kehidupan manusia, diantaranya aspek teknologi, ekonomi, sosial, dan budaya. Perkembangan teknologi saat ini cenderung beralih ke penggunaan energi listrik seperti mobil listrik dan kompor listrik, karena penggunaan energi listrik tidak menghasilkan emisi karbon yang menyebabkan polusi udara, serta tidak mengeluarkan suara bising yang menyebabkan polusi suara. Hal ini dibuktikan dengan data dari Kementerian ESDM yang menunjukkan bahwa rasio elektrifikasi Indonesia meningkat sepanjang tahun, yang pada tahun 2016 sudah mencapai 91,16% [1]. Peramalan dibutuhkan untuk mengetahui kesiapan pembangkit dan seluruh peralatan penunjang dalam memenuhi kebutuhan serta keseimbangan supply dan demand. Keseimbangan antara supply dan demand harus dipenuhi. Jika daya yang dibangkitkan jauh lebih besar dari konsumsi, akan terjadi pemborosan. Jika daya yang dibangkitkan lebih kecil dari konsumsi, akan terjadi pemadaman [2]. Terdapat banyak metode yang dapat digunakan untuk melakukan peramalan, namun saat ini metode yang berkembang adalah metode Artificial Intelligence atau Sistem cerdas. Pada penelitian ini metode yang akan dibandingkan adalah ANFIS dan ANN/JST (Jaringan Saraf Tiruan). Metode ANN/JST pernah dilakukan oleh Arief Heru Kuncoro dalam penelitiannya yang berjudul Aplikasi Jaringan Syaraf Tiruan Untuk Peramalan Beban Tenaga Listrik Jangka Panjang Pada Sistem Kelistrikan Di Indonesia dan mendapatkan perbedaan rata-rata hasil dengan data aktual sebesar 6,6%. Sedangkan metode ANFIS pernah dilakukan oleh Erwan Ahmad Ardiansyah dalam penelitiannya yang berjudul Aplikasi Peramalan Kebutuhan Beban Listrik Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS) dan mendapatkan perbedaan rata-rata hasil dengan data aktual sebesar 1,4% [3]. II. DASAR TEORI A. Peramalan Beban Listrik Peramalan beban listrik dalam pengoperasian sistem tenaga listrik sangat berguna dan berperan penting untuk melakukan pengaturan beban terutama secara real time. Peramalan beban listrik sebagai kajian dalam bidang perencanaan dan evaluasi operasi sistem tenaga listrik memegang peranan yang sangat penting karena berdasarkan jangka waktu peramalannya sesuai dengan Peraturan Menteri Energi dan Sumber Daya Mineral No tentang Aturan Jaringan Sistem Tenaga Listrik Jawa-Madura-Bali dalam Aturan Perencanaan Dan Pelaksanaan Operasi, peramalan beban listrik memiliki tujuan sebagai berikut: 1) Peramalan Jangka Panjang (Long-Term Forecasting) Merupakan peramalan beban listrik untuk rencana operasional jangka panjang atau tahunan yang memiliki tujuan untuk menentukan kapasistas serta ketersediaan unit pembangkitan, sistem transmisi, dan sistem distribusi. 2) Peramalan Jangka Menengah (Mid-Term Forecasting) Merupakan peramalan beban listrik untuk renaca operasional bulanan atau mingguan yang memiliki tujuan untuk mempersiapkan kebutuhan energi bulanan, penjadwalan, pemeliharaan, dan operasional baik itu unit pembangkitan, sistem transmisi, maupun distribusi. 3) Peramalan Jangka Pendek (Short-Term Forecasting) Merupakan peramalan beban listrik untuk rencana operasional harian yang memiliki tujuan untuk analisis, perencanaan, dan evaluasi neraca energi, serta studi perbandingan beban listrik hasil peramalan dengan aktual tiap jamnya (real time). B. Konsep JST JST atau Artificial Neural Network (ANN) adalah bagian dari sistem kecerdasan buatan (Artificial Intelligence, AI) yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Menggunakan algoritma backpropagation dengan umpan maju jaringan multilayer dan satu lapisan tersembunyi (Hidden Layer) yang diaplikasikan untuk memprediksi beban listrik. 111
2 Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi seperti pada Gambar 2. Pada Gambar 2 ditunjukkan suatu arsitektur jaringan backpropagation dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran. dirancang dengan tepat sangat tepat untuk melakukan peramalan beban listrik. Sebagai tambahan, logika fuzzy dan algoritma ANN/JST dianggap sebagai metode yang lebih superior dibanding metode konvensional lainnya. Aspek numerik dan ketidakpastian dari peramalan sangat cocok dalam metodologi fuzzy. Gambar dibawah menunjukkan Model Fuzzy (Sistem Mamdani), yang meliputi data input, fuzzifikasi data, aturan dasar fuzzy dalam sistem inferensi fuzzy dan output defuzzifikasi [4]. Gambar 2. Blok Diagram Model Sistem Logika Fuzzy Gambar 1. Arsitektur Jaringan Backpropagation Pada Gambar 1 ditunjukkan suatu arsitektur jaringan backpropagation dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran. Bobot garis dari unit masukan Xi ke unit layar tersembunyi Zj dinyatakan vji. Sebagai contoh, vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layer tersembunyi Zj. Sementara itu, wkj merupakan bobot dari unit layar tersembunyi zj ke unit keluaran Yk (wk0 merupakan bobot dari bias di layar tersembunyi ke unit keluaran Yk). Backpropagation merupakan algoritma pembelajaran yang terawasi (supervised learning) dan biasanya digunakan oleh perceptron dengan banyak lapisan (multilayer) untuk mengubah bobot-bobot yang terhubung dengan neuronneuron yang ada pada lapisan tersembunyi. Algoritma backpropagation 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. Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid. C. Konsep ANFIS Istilah Fuzzy berarti tidak terdefinisikan dengan jelas. Dalam kelompok fuzzy, suatu objek dapat tergolong dalam suatu kelompok sebagian saja. Derajat keanggotaan didefinisikan melalui fungsi karakteristik yang digeneralisasikan yang disebut fungsi keanggotaan, yang mana U adalah semesta, dan A adalah subkelompok fuzzy dari U: µ_a (u): U [0,1] Nilai dari fungsi keanggotaan adalah bilangan real dalam interval [0,1], dimana 0 berarti objek tersebut bukan merupakan anggota kelompok, dan 1 berarti objek tersebut adalah anggota sepenuhnya. Setiap nilai fungsi disebut derajat keanggotaan. Dalam logika fuzzy, input dihubungkan pada perbandingan berdasarkan kualitas untuk memungkinkan pengambilan kesimpulan output dari input secara logis: tidak perlu model matematika untuk pemetaan antara input dan output dan tidak perlu ketepatan atau bebas gangguan pada input. Berdasarkan aturan umum, sistem logika fuzzy yang 112 D. Perhitungan Error Root Mean Square Error (RMSE) digunakan sebagai standar untuk mengukur kinerja model dalam penelitian meteorologi, kualitas udara, dan penelitian tetang iklim. Kesalahan mutlak rata-rata (MAE) merupakan standar ukuran lain yang bermanfaat dimana banyak digunakan dalam mengevaluasi model peramalan. MAE juga memberikan bobot yang sama untuk semua kesalahan [5]. RMSE = MAE = & ' & ' ' * )+& e ) (1) ' )+& e ) (2) III. METODOLOGI PENELITIAN Secara umum, diagram alir penelitian ini dijelaskan oleh gambar berikut: Gambar 3. Diagram Alir Metode Penelitian A. Studi Literatur Studi literatur adalah proses pengumpulan dasar teori yang mendukung penelitian ini, meliputi referensi penelitian-
3 penelitian sebelumnya, teori peramalan beban, sistem cerdas, metode JST dan ANFIS. B. Pengambilan Data Sumber data berasal dari RUPTL PLN Data tersebut dikelompokkan menjadi input dan output. Data tahun dijadikan input untuk melakukan peramalan tahun Data tersebut diantaranya nilai kebutuhan beban, jumlah penduduk dan perkembangan ekonomi. C. Perhitungan Nilai Pertumbuhan Beban Menggunakan JST dan ANFIS Membangun model masing-masing metode dengan parameter-parameter yang divariasikan, kemudian memasukkan data yang telah dikelompokkan ke dalam model kedua metode untuk mendapatkan hasil peramalan yang akan dibandingkan. D. Perhitungan Nilai Error dari masing-masing Metode Menghitung nilai RMSE dan MAE dari output kedua metode sebagai parameter perbandingan nilai error. E. Penarikan Kesimpulan dan Saran Mendapatkan nilai peramalan beban listrik dan nilai error dari kedua metode dan mendapatkan metode yang lebih akurat dalam melakukan peramalan beban listrik, serta memberi saran untuk peneleitian selanjutnya. A. Metode JST IV. HASIL PENELITIAN Percobaan pertama dilakukan dengan memvariasikan jenis fungsi pelatihan atau training function pada matlab. Jenis fungsi pelatihan yang divariasikan adalah trainbr, trainscg, dan trainlm. Hasil peramalan dari masing-masing fungsi pelatihan ditampilkan pada tabel 1. TABEL I. HASIL PERCOBAAN VARIASI JENIS PELATIHAN Aktual trainbr trainscg trainlm , , , ,95 255, , , , , , , , , , , , , , , , , , , ,352 Setelah mendapatkan hasil peramalan dari variasi jenis pelatihan tersebut, maka dihitung RMSE dan MAE dari masing-masing jenis fungsi pelatihan sebagai indikator performansi. Nilai RMSE dan MAE dari masing-masing jenis pelatihan ditampilkan pada tabel 2. TABEL II. PERBANDINGAN ERROR VARIASI JENIS PELATIHAN Fungsi Pelatihan RMSE (TWh) MAE (TWh) trainbr 8,5885 4,8604 trainscg 9,2122 8,057 trainlm 4,3267 1,4967 Setelah mendapat fungsi pelatihan yang sesuai, percobaan selanjutnya adalah dengan melakukan variasi jumlah neuron. Jumlah neuron yang divariasikan adalah 10, 20, 30, 40, dan 50. Hasil peramalan dari variasi jumlah neuron ditampilkan pada tabel 3. TABEL III. HASIL PERCOBAAN VARIASI JUMLAH NEURON Aktual Jumlah Neuron , , , , , , , , , ,3 316, ,9 317, , , , , , , ,99 407, , , Setelah mendapatkan hasil peramalan dari variasi jumlah neuron tersebut, maka dihitung RMSE dan MAE dari masing-masing jumlah neuron sebagai indikator performansi. Nilai RMSE dan MAE dari masing-masing jumlah neuron ditampilkan pada tabel 4. TABEL IV. PERBANDINGAN ERROR VARIASI JUMLAH NEURON Jumlah Neuron RMSE (TWh) MAE (TWh) B. Metode ANFIS 10 4,3267 1, ,5533 2, ,6068 0, ,5284 7, ,5344 9,4084 Pada percobaan metode ANFIS, dilakukan percobaan dengan memvariasikan jenis genfis. Variasi jenis genfis yang dilakukan adalah menggunakan genfis1, genfis2, dan genfis3. Hasil peramalan dari variasi genfis dapat dilihat pada tabel 5. Setelah itu dihitung RMSE dan MAE dari masing-masing jenis genfis, yang akan ditampikan pada tabel 6. TABEL V. HASIL PERAMALAN DENGAN VARIASI JENIS GENFIS Aktual Jenis Genfis genfis1 genfis2 genfis , , , , , , , , , , , ,
4 , , , , , , , , , , , , , , , , , ,5257 TABEL VI. PERBANDINGAN ERROR PADA VARIASI JENIS GENFIS Jenis Genfis RMSE (TWh) MAE (TWh) genfis1 32, ,5446 genfis2 26, ,3614 genfis3 36, ,9811 C. Perbandingan Hasil Peramalan Metode JST dan ANFIS Pada perbandingan hasil peramalan kebutuhan energi listrik ini, kedua metode dibandingkan hasil simulasi yang telah dilakukan. Variabel yang dibandingkan adalah nilai energi hasil peramalan yang ditunjukkan oleh gambar 4, besarnya error tiap tahun yang ditunjukkan oleh gambar 5, dan persentase error tiap tahunnya yang ditunjukkan oleh gambar 6, serta tabel 7 menampilkan seluruh perbandingan hasil peramalan dan error tiap tahun dari kedua metode. Gambar 5. Perbandingan Error JST dan ANFIS per tahun Gambar 6. Perbandingan Persentase Error Metode JST dan ANFIS per tahun TABEL VII. PERBANDINGAN HASIL PERAMALAN JST DAN ANFIS Gambar 4. Perbandingan Metode JST dan ANFIS Dalam Melakukan Peramalan Beban Aktual JST ANFIS , , , , , , , , , , , , , , , , , , , ,7789 TABEL VIII. PERBANDINGAN ERROR JST DAN ANFIS JST ANFIS (TWh) (%) (TWh) (%) ,5781 0, ,3213 4,
5 2019 0,5207 0,2034 5,7431 2, ,2989 0,1083 3,1506 1, ,5902 0, ,0226 1, ,3058 0, ,0829 0, ,6499 0, ,7236 3, ,3026 0, ,4433 6, ,0064 0, ,7077 9, ,0898 0, ,1976 9, ,4185 0, , ,415 Ratarata 0, , ,3614 5,22062 sebesar 26,6287 TWh, MAE sebesar 19,3614 TWh, dan rata-rata error per tahun sebesar 5,2206%. 3. Hasil perbandingan peramalan kebutuhan energi listrik Indonesia menggunakan metode JST menghasilkan nilai RMSE sebesar 0,6068 TWh, MAE sebesar 0,4779 TWh, serta rata-rata error per tahun sebesar 0,1482%, sedangkan metode ANFIS menghasilkan nilai RMSE sebesar 26,6287 TWh, MAE sebesar 19,3614 TWh, dan rata-rata error per tahun sebesar 5,2206%. Hal ini menunjukkan bahwa metode JST memiliki hasil yang lebih baik dalam melakukan peramalan energi listrik dibandingkan dengan metode ANFIS. A. KESIMPULAN V. KESIMPULAN DAN SARAN Berdasarkan hasil yang diperoleh dari simulasi dan analisis pada tugas akhir ini dapat diambil kesimpulan sebagai berikut: 1. Hasil percobaan simulasi peramalan kebutuhan energi listrik menggunakan metode JST, didapatkan bahwa jenis metode pembelajaran yang paling optimal adalah trainlm (Levenberg-Marquardt) dengan jumlah neuron sebanyak 30 neuron. Metode ini menghasilkan error terkecil dengan nilai RMSE sebesar 0,6068 TWh, MAE sebesar 0,4779 TWh, serta rata-rata error per tahun sebesar 0,1482%. 2. Hasil percobaan simulasi peramalan kebutuhan energi listrik menggunakan metode ANFIS, didapatkan bahwa jenis metode pembelajaran yang paling optimal adalah genfis2. Metode ini menghasilkan error terkecil dengan nilai RMSE [6] B. SARAN Untuk mendapatkan hasil peramalan kebutuhan energi listrik yang lebih baik lagi maka disarankan untuk mencoba melakukan perbandingan metode peramalan yang lain, khususnya metode-metode sistem cerdas atau Artificial Intelligence. Serta disarankan untuk menggunakan data yang lebih lama dari penelitian ini sehingga dapat meminimalisasi error yang didapat. REFERENSI [1] ESDM. (2017). Statistik Ketenagalistrikan 2016, Jakarta: Dirjen Ketenagalistrikan Kementrian ESDM. [2] ESDM. (2012). Kajian Supply Demand Energy, Jakarta: Pusat Data Dan Informasi Energi Dan Sumber Daya Mineral. [3] ESDM. (2012). Kajian Supply Demand Energy, Jakarta: Pusat Data Dan Informasi Energi Dan Sumber Daya Mineral. [4] Melodi, A.O., Adeniyi, S.T., Oluwaniyi. R.H. (2017). Long Term Load Forecasting For Nigeria s Electric Power Grid Using Ann And Fuzzy Logic Models, Jurnal, 2017 IEEE 3rd International Conference on Electro-Technology for National Development (NIGERCON). [5] Chai, T., Draxler, R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)? Arguments against avoiding RMSE in the literature, Jurnal, Cooperative Institute for Climate and Satellites, University of Maryland, USA. 115
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tenaga listrik merupakan kebutuhan yang sangat penting bagi manusia dalam melakukan aktifitasnya sehari-hari. Peralatan rumah tangga maupun industri hampir semuanya
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
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
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 terperinciPeramalan Beban Listrik Jangka Menengah Menggunakan Jaringan Syaraf Tiruan Pada Sistem Kelistrikan Kota Ambon Soleman Sesa
Beban Listrik Jangka Menengah Menggunakan Jaringan Syaraf Tiruan Pada Sistem Kelistrikan Kota Ambon Soleman Sesa leman.sesa@yahoo.com Teknik Elektro Universitas Brawijaya, Malang, Indonesia. Hadi Suyono
Lebih terperinciPRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM
ISSN 1412 3762 http://jurnal.upi.edu/electrans ELECTRANS, VOL.11, NO.2, SEPTEMBER 2012, 18-26 PRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Akhir-akhir ini kita banyak mendengar banyak berita bahwa Perusahaan Listrik Negara (PLN) mengalami kerugian yang sangat besar setiap tahunnya yang disebabkan faktor-faktor
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
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 terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN Titik Misriati AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan titik.tmi@bsi.ac.id ABSTRACT
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 terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
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 terperinciAPLIKASI LOGIKA FUZZY PADA PERAMALAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI PROVINSI SUMATERA BARAT SAMPAI TAHUN 2018 TUGAS AKHIR
APLIKASI LOGIKA FUZZY PADA PERAMALAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI PROVINSI SUMATERA BARAT SAMPAI TAHUN 2018 TUGAS AKHIR Sebagai Salah Satu Syarat Untuk Menyelesaikan Program Stratum-1 (S1)
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Di era modern seperti saat ini, energi listrik menjadi salah satu kebutuhan dasar dalam kehidupan masyarakat. Berbagai peralatan rumah tangga maupun industri saat ini
Lebih terperinciPERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA
PERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA Budho Setyonugroho 1), Adhistya Erna Permanasari 2), Sri Suning Kusumawardani
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 terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinci2014 ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di negara yang memiliki jumlah populasi penduduknya besar dan perkembangan industrinya mengalami peningkatan, tentunya memiliki tingkat kebutuhan akan sumber
Lebih terperinciPEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA)
PEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA) Salmawaty Tansa 1, Bambang Panji Asmara 2 Fakultas Teknik, Jurusan Teknik Elektro,
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
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 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 terperinciJurnal Elektro ELTEK Vol. 2, No. 1, April 2011 ISSN:
Perbandingan Penggunaan Metode Radial Basis Function Network () Dari Metode Fuzzy Neural Netwotk () Dalam Memperkirakan Beban Jangka Pendek di GI. Gondang Wetan Pasuruan Rory Asrial, Almizan Abdullah,
Lebih terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
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 terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciUNIVERSITAS INDONESIA PERAMALAN KECEPATAN ANGIN JANGKA PENDEK UNTUK PEMBANGKIT LISTRIK TENAGA BAYU MENGGUNAKAN JARINGAN SARAF TIRUAN PROPAGASI BALIK
UNIVERSITAS INDONESIA PERAMALAN KECEPATAN ANGIN JANGKA PENDEK UNTUK PEMBANGKIT LISTRIK TENAGA BAYU MENGGUNAKAN JARINGAN SARAF TIRUAN PROPAGASI BALIK TESIS ADEK PURNAMA 08 06 42 4 2 FAKULTAS TEKNIK PROGRAM
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
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 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 terperinci1 Pendahuluan. 1.1 Latar Belakang Masalah
1 Pendahuluan 1.1 Latar Belakang Masalah Kebutuhan masyarakat akan perkiraan cuaca terutama curah hujan ini menjadi sangat penting untuk merencanakan segala aktifivitas mereka. Curah hujan juga memiliki
Lebih terperinciANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN
ANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN Abstrak Vinsensius Rinda Resi - NIM : A11.2009.04645 Program Studi Teknik
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 terperinciPenerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
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 terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciPrediksi Beban Listrik Jangka Pendek Menggunakan Algoritma Feed Forward Back Propagation dengan Mempertimbangkan Variasi Tipe Hari
Prediksi Beban Listrik Jangka Pendek Menggunakan Algoritma Feed Forward Back Propagation dengan Mempertimbangkan Variasi Tipe Hari Ramadani Dwisatya, M.Ramdlan Kirom Program Studi Teknik Fisika Fakultas
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Semakin bertambah tahun, semua peralatan konvensional semakin tergantikan dengan adanya peralatan elektronik. Di setiap sisi kehidupan pada saat ini menggunakan peralatan
Lebih terperinciPrediksi Beban Listrik Pulau Bali Dengan Menggunakan Metode Backpropagasi
Prediksi Beban Listrik Pulau Bali Dengan Menggunakan Metode Backpropagasi Qoriatul Fitriyah 1),Didi Istardi 2) 1) Jurusan Teknik Elektro Politeknik Batam, Batam 29461, email: fitriyah@polibatam.ac.id Jurusan
Lebih terperinciBAB I PENDAHULUAN. berbagai variasi prosedur perencanaan. Perencanaan operasi meliputi metodologi
BAB I PENDAHULUAN 1.1 Latar Belakang Operasi sistem tenaga listrik yang modern biasanya berhubungan dengan berbagai variasi prosedur perencanaan. Perencanaan operasi meliputi metodologi dan proses pengambilan
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Jaringan Syaraf Tiruan (artificial neural network), atau disingkat JST menurut Hermawan (2006, hlm.37) adalah sistem komputasi dimana arsitektur dan operasi
Lebih terperinciPERAMALAN BEBAN LISTRIK MENGGUNAK AN JARINGAN SARAF TIRUAN METODE KOHONEN ABSTRAK
PERAMALAN BEBAN LISTRIK MENGGUNAK AN JARINGAN SARAF TIRUAN METODE KOHONEN Galang Jiwo Syeto, Arna Fariza, S.Kom, M.Kom, Setiawardhana, S.T Program DIV Jurusan Teknik Informatika Politeknik Elektronika
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 terperinciPrediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
Scientific Journal of Informatics Vol 3, No 1, Mei 2016 p-issn 2407-7658 http://journalunnesacid/nju/indexphp/sji e-issn 2460-0040 Prediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciPrediksi Pemakaian Listrik Dengan Pendekatan Back Propagation
ISSN: 2089-3787 465 Prediksi Pemakaian Listrik Dengan Pendekatan Back Propagation Ruliah S, Rendy Rolyadely Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru Jl. A.Yani Km. 33,3 Loktabat Banjarbaru
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 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 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 I PENDAHULUAN. industri, masyarakat perkotaan serta masyarakat pedesaan. Untuk tetap dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini kebutuhan masyarakat akan tenaga listrik terus meningkat dari tahun ke tahun. Energi listrik merupakan kebutuhan yang sangat vital, baik bagi industri, masyarakat
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
Lebih terperinciESTIMASI KONSUMSI ENERGI LISTRIK BALI BERBASIS ANN
ESTIMASI KONSUMSI ENERGI LISTRIK BALI BERBASIS ANN Jurusan Teknik Elekro Fakultas Teknik Universitas Udayana Kampus Bukit Jimbaran Bali 80361, tlp (0361)703315 Email : mertasana@ee.unud.ac.id Abstrak Aspek
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 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 terperinciPERAMALAN BEBAN LISTRIK JANGKA PANJANG PROVINSI D.I. YOGYAKARTA MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION
PERAMALAN BEBAN LISTRIK JANGKA PANJANG PROVINSI D.I. YOGYAKARTA MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION Ricky Ardian Pratama Teknik Elektro, Fakultas Teknik, Universitas Negeri Surabaya e-mail: rickyardian14@gmail.com
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
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 terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
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 terperinciPRAKIRAAN BEBAN LISTRIK KOTA PONTIANAK DENGAN JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) AGUS HASIM
PRAKIRAAN BEBAN LISTRIK KOTA PONTIANAK DENGAN JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) AGUS HASIM SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Beban dan Prakiraan Beban Listrik Di dalam sebuah sistem kelistrikan terdapat 2 sisi yang sangat berbeda, yaitu sisi beban dan sisi pembangkitan. Pada sisi beban atau beban
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA MENENGAH PADA SISTEM KELISTRIKAN KOTA SAMARINDA
PERAMALAN BEBAN LISTRIK JANGKA MENENGAH PADA SISTEM KELISTRIKAN KOTA SAMARINDA Muslimin 1 Abstract: Demand of electric power in Samarinda continuously increasing in line with development of Samarinda city.
Lebih terperinciPREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK
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 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciUNNES Journal of Mathematics
UJM 4 (1) (2015) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm SISTEM PREDIKSI TAGIHAN LISTRIK USAHA JASA LAUNDRY MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muhamad
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 terperinciPengaruh Jenis Pola Hujan Indonesia Terhadap Akurasi Prediksi Neural Network Curah Hujan
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Pengaruh Jenis Pola Hujan Indonesia Terhadap Akurasi Prediksi Neural Network Curah Hujan Bambang Lareno 1), Liliana Swastina
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 terperinciJurusan Teknik Elektro, Universitas Diponegoro Semarang Jl. Prof. Sudharto, SH, Kampus UNDIP Tembalang, Semarang 50275, Indonesia.
ANALISIS PERBANDINGAN METODE LOGIKA FUZZY DENGAN JARINGAN SYARAF TIRUAN BACKPROPAGATION PADA PERAMALAN KEBUTUHAN ENERGI LISTRIK JANGKA PANJANG DI INDONESIA SAMPAI TAHUN 2022 Nahar Nurkholiq *), Tejo Sukmadi,
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciKONTRAK PEMBELAJARAN (KP) MATA KULIAH
KONTRAK PEMBELAJARAN (KP) MATA KULIAH Jaringan Saraf Tiruan Kode MK: TSK 615 Program Studi Sistem Komputer Fakultas Teknik Universitas Diponegoro Pengajar : Dr.Oky Dwi Nurhayati, ST, MT Semester : 6 KONTRAK
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
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 terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
Lebih terperinciBAB I PENDAHULUAN. paling parah dan paling lama tingkat pemulihannya akibat krisis keuangan
BAB I PENDAHULUAN 1.1 Latar Belakang Krisis keuangan yang terjadi di Asia pada pertengahan tahun 1997 diawali di Thailand dan merembet ke berbagai negara di Asia lainnya seperti di Indonesia, Malaysia,
Lebih terperinciPEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK
PEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK Bilqis Amaliah 1, Amethis Oktaorora 2 1,2 Teknik Informatika, FTIf - ITS,Surabaya
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciProdi S1 Teknik Fisika, Fakultas Teknik, Universitas Telkom 1
PREDIKSI BEBAN LISTRIK JANGKA PENDEK BERBASIS ALGORITMA FEED FORWARD BACK PROPAGATION DENGAN MEMPERTIMBANGKAN VARIASI TIPE HARI SHORT TERM LOAD FORECASTING BASED ON FEED FORWARD BACK PROPAGATION ALGORITHM
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciRancang Bangun Perangkat Lunak Penentuan Lokasi Untuk Penelitian Pendahuluan Usaha Ritel di Surabaya Dengan Jaringan Saraf Tiruan
Rancang Bangun Perangkat Lunak Penentuan Lokasi Untuk Penelitian Pendahuluan Usaha Ritel di Surabaya Dengan Jaringan Saraf Tiruan Damarendra Universitas Ciputra UC Town, CitraLand, Surabaya 60219 dnugroho@student.ciputra.ac.id
Lebih terperinciPREDIKSI NILAI UAS SISWA SMK MENGGUNAKAN ALGORITMA LEVENBERG-MARQUARDT (Studi Kasus : SMK Negeri 4 Tanjungpinang)
PREDIKSI NILAI UAS SISWA SMK MENGGUNAKAN ALGORITMA LEVENBERG-MARQUARDT (Studi Kasus : SMK Negeri 4 Tanjungpinang) Dwi Kuntoro Dhani Susanto Mahasiswa Teknik Informatika, FT UMRAH (dwikuntoro_dhanisusanto@yahoo.com)
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Teknologi dan perkembangan ilmu pengetahuan dewasa ini sudah mengalami perkembangan pesat. Seiring berjalannya waktu, perkembangan ini menyebabkan timbulnya kebutuhan
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 terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
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 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 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 terperinci