APLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING
|
|
- Hartono Darmadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 APLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING Hendra William *), Achmad Hidayatno, and Aub Aulian Zahra Jurusan Teni Eletro, Universitas Diponegoro Semarang Jl. Prof. Sudharto, SH, ampus UNDIP Tembalang, Semarang 50275, Indonesia *) Abstra Forex trading adalah perdagangan mata uang asing yang memanfaatan perbandingan valuta suatu negara dengan negara lain. Para trader yang terlibat di dalam pasar forex, umumnya melauan trading pada mata uang utama dunia, salah satunya adalah GBP/USD. Dalam melauan trading, trader harus dapat memperiraan risio yang aan teradi dalam transasinya dan bagaimana memperoleh euntungan berdasaran analisisnya. Berdasaran hal tersebut, maa pada penelitian ini dirancang sebuah apliasi aringan saraf tiruan perambatan bali untu prairaan valuta GBP/USD dalam forex trading. Perancangan ini terbagi menadi 3 tahapan, yaitu: tahap pelatihan aringan, tahap penguian aringan, dan tahap prairaan.terdapat 30 aringan yang divariasian dalam tahap pelatihan berdasaran nilai parameter pelatihan. Jaringan yang telah dilatih, aan digunaan dalam tahap penguian dan prairaan. Prairaan yang dilauan bertuuan untu meramalan harga penutupan harian pasangan valuta GBP/USD. Hasil analisis yang diperoleh dari sistem menunuan bahwa pada penguian data latih, fungsi ativasi tansig-logsig merupaan fungsi ativasi yang paling bai dengan tingat eauratan rata-rata 98,74%. Pada penguian data ui netw24 merupaan aringan yang paling bai diarenaan tingat eauratan 99,21% dan dapat melauan prairaan yang tepat sebanya 4 ali, dan pada prairaan harga penutupan valuta GBP/USD, netw14 merupaan aringan terbai dengan tingat eauratan 99,98%. Kata unci: Forex trading, GBP/USD, Jaringan saraf tiruan perambatan bali, Prairaan Abstract Forex trading is foreign exchange trading which utilize the currency s comparison between countries. The traders involved in the forex maret, generally trading on maor world currencies, one of them is the GBP/USD. In trading, trader has to predict the ris in his transaction and how to gain profit base on his analysis. Therefore, this research design an Artificial neural networ with bac propagation application for GBP/USD forecasting in forex trading. This design will be devided into 3 steps. They are: networ training phase, networ testing phase, and forecasting phase. There are 30 networs varied in the training phase based on the parameter value training. The networ which has been trained, will be used in testing and forecasting phase. The aim of forecasting is to predict daily closing price in GBP/USD. The analysis result of the system showing that in training data test, tansig-logsig function activation is the best function activation with the percentage of forecasting s average is 98,74%, in testing data test, netw24 is the best networ with percentage of forecasting: 99,21% and can perform precise forecasting 4 times. In GBP/USD closing price forecasting, netw14 is the best networ with percentage of forecasting amounted to 99,98%. Keywords: Forex trading, GBP/USD, Artificial neural networ with bac propagation, Forecasting 1. Pendahuluan Perdagangan valuta asing yang sering disebut dengan foreign exchange trading (forex trading) berembang di dunia perdagangan internasional arena adanya perdagangan barang-barang ebutuhan/omoditi antar negara yang bersifat internasional. Perdagangan (espor - impor) ini memerluan alat bayar yaitu uang yang masing-masing negara mempunyai etentuan sendiri dan berbeda satu dengan yang lainya sesuai dengan penawaran dan permintaan di antara negara-negara tersebut sehingga timbul perbandingan nilai mata uang antar negara [2]. Dahulu, masyaraat mengenal forex trading lewat perdagangan onvensional dengan menuaran fisi mata uang suatu negara dengan fisi mata uang negara lain. Saat ini, mulai mara dienal forex trading yang dilauan lewat internet selama 24 am melalui platform yang merupaan sebuah apliasi yang menyediaan
2 TRANSIENT, VOL.3, NO. 4, DESEMBER 2014, ISSN: , 494 fasilitas epada trader dalam forex trading untu melauan trading secara online, seperti: MetaTrader 4. Dalam penggunaan platform ini, uga dibutuhan perantara yang menghubungan trader dengan pasar secara langsung yang sering disebut dengan broer. Salah satu broer yang cuup dienal di alangan trader adalah FXCM (Forex Capital Maret). Untu melauan trading, seorang trader harus mengetahui dan memahami cara menganalisis perubahan nilai tuar pasangan mata uang tertentu, misalnya : Great Britain Poundsterling/United States Dollar (GBP/USD). Terdapat 2 analisis yang umum digunaan oleh para trader, yaitu [2] : analisis fundamental dan analisis tenis. Analisis fundamental adalah analisis yang dilauan untu mengetahui pergeraan nilai mata uang suatu negara terhadap nilai mata uang negara lain dengan melihat beberapa fator, seperti: fator euangan, tingat suu bunga, fator sosial politi, dan erusuhan ataupun bencana. Analisis tenis adalah analisis yang dilauan dengan melihat apa yang telah disediaan dalam platform, apaah harga, volume, candelistic, dan indiatorindiator yang disediaan guna membantu seorang trader menganalisis pergeraan pasar, seperti: Moving Average, KG Range Calculator, Bollinger Bands, dsb). Untu membantu trader dalam memperuat hasil analisisnya, maa dibuatlah suatu perancangan yang bertuuan untu meramalan harga penutupan di salah satu pasangan mata uang negara (GBP/USD) dalam forex trading, dengan memanfaatan data tenis dan indiator sederhana seperti harga dan volume yang diadian sebagai masuan dalam sebuah aringan saraf tiruan dengan metode perambatan bali melalui pemrograman Matlab. 2. Metode 2.1 Jaringan Saraf tiruan Perambatan Bali Algoritma Jaringan saraf tiruan perambatan bali terdiri dari dua bagian : 1. Algoritma pelatihan aringan saraf tiruan perambatan bali Sebelum melauan proses pelatihan, terdapat beberapa parameter aringan yang harus ditentuan terlebih dahulu, yaitu: a. Lau pembelaaran ( learning rate) harus diberian dan mempunyai nilai positif urang dari 1. Semain tinggi nilainya, maa semain cepat emampuan aringan untu belaar. Aan tetapi hal ini urang bai, arena galat yang dihasilan tida merata. b. Toleransi galat, semain ecil esalahan maa aringan aan memilii nilai bobot yang lebih aurat, tetapi aan memperpanang watu pelatihan. c. Jumlah masimal proses pelatihan yang dilauan (masimum iterasi), biasanya bernilai besar dan diberian untu mencegah teradinya perulangan tanpa ahir. Di dalam proses pelatihan perambatan bali terdapat tiga tahap [8]. Tahap pertama ialah tahap mau. Pada tahap ini seluruh proses awal inisialisasi bobotbobot masuan dilauan. Setelah semua proses inisialisasi dilauan, maa Setiap unit masuan aan mengiriman sinyal masuan e lapisan tersembunyi. Setelah dihitung dengan menggunaan fungsi ativasi maa eluarannya aan diiriman e lapisan di atasnya, yaitu lapisan eluaran. Setelah nilai eluaran diperoleh, maa dibandingan dengan target eluaran sebenarnya. Selisih nilai eluaran dengan target eluaran sebenarnya disebut dengan galat. Jia nilai galat lebih ecil atau sama dengan dari nilai ambang maa proses iterasi dihentian, tetapi ia tida maa nilai galat tersebut digunaan untu memodifiasi bobot-bobot untu mengoresi esalahan yang teradi. Tahap edua adalah tahap mundur. Pada tahap ini, nilai galat yang diperoleh di lapisan eluaran digunaan untu mengoresi bobot-bobot yang ada pada lapisan tersembunyi yang berhubungan langsung dengan lapisan eluaran. Setelah itu nilai galat di setiap unit pada lapisan tersembunyi uga dihitung untu mengoresi bobot-bobot yang menghubungan lapisan tersembunyi dengan lapisan masuan. Tahap etiga adalah tahap pengoresian bobot. Setelah seluruh bobot pada lapisan masuan dan lapisan tersembunyi dimodifiasi sesuai dengan besar fator galatnya, maa etiga fase ini diulang secara terus menerus sampai ondisi berhenti dipenuhi. Kondisi berhenti yang dimasud adalah ia umlah iterasi yang ditetapan tercapai atau ia nilai galat aringan telah sama dengan atau lebih ecil dari nilai toleransi galat yang ditetapan sebelumnya. Algoritma pembelaaran perambatan bali secara umum adalah sebagai beriut [8] : a. Langah 1 : Inisialisasi nilai bobot Pada langah ini, nilai bobot pada tiap-tiap lapisan diinisialisasi dengan bilangan aca ecil. b. Langah 2 : Hitung semua eluaran di unit tersembunyi z (=1, 2,, p) dan unit eluaran y (=1, 2,...,m). Untu mendapatan nilai lapisan eluaran, perhitungan dilauan dari lapisan e lapisan. Tahap ini disebut uga dengan tahap umpan mau. Keluaran pada unit lapisan tersembunyi adalah: z _ net z v n 0 i 1 x i v i 1 f ( z _ net ) z 1 _ net e..( 1).( 2 ) dengan f(z_net ) merupaan fungsi ativasi sigmoid biner (logsig). Keluaran pada unit lapisan eluaran adalah:
3 TRANSIENT, VOL.3, NO. 4, DESEMBER 2014, ISSN: , 495 y _ net w p 0 1 z w...( y _ net 1 e y f ( y _ net ) ( 4 ) y _ net 1 e dengan f( y_net ) merupaan fungsi ativasi sigmoid bipolar (tansig). c. Langah 3 : Hitung perubahan pada bobot Untu menghitung perubahan bobot, vetor eluaran pada tiap-tiap lapisan dibandingan dengan nilai eluaran yang diharapan atau vetor target. Tahap ini disebut uga dengan tahap mundur. 1) Pada lapisan eluaran Perhitungan fator unit eluaran berdasaran esalahan di setiap unit eluaran y (=1, 2,, m) ( t y ) f ' ( y _ net (1 y )(1 y ) ( t y )...( 5) 2 Perhitungan suu perubahan bobot w (yang aan dipaai nanti untu mengubah bobot w ) dengan lau pembelaaran dan nilai = 1, 2,, m ; = 0, 1,, p w z 2) Pada lapisan tersembunyi.( 6 ) Perhitungan fator unit tersembunyi berdasaran esalahan di setiap unit tersembunyi z ( = 1, 2,, p). _ net m _ net _ net 1 f ' z w ) ( z _ net (1 z ) )......(...( 3) 7 ) Perhitungan suu perubahan bobot v i (yang aan dipaai untu mengubah bobot v i ) dengan lau pembelaaran dan nilai = 1, 2, p ; i = 0, 1,, n. v x i i 8 ) (9) d. Langah 4 : Perubahan nilai bobot Perubahan bobot yang menuu e unit eluaran dengan = 1, 2,..., m dan = 0, 1,, p : w baru ) w ( lama ) w.(10) ( dengan w (baru) merepresentasian nilai dari bobot pada iterasi e (n+1) dan w (lama) merepresentasian nilai bobot pada iterasi e n. Perubahan bobot yang menuu e unit tersembunyi dengan = 1, 2,..., p dan i = 0, 1,, n : v baru ) v ( lama ) v...( 11) i ( i i Dengan v i (baru) merepresentasian nilai dari bobot pada iterasi e (n+1) dan v i (lama) merepresentasian nilai bobot pada iterasi e n. 2. Algoritma Penguian Jaringan Saraf Tiruan Perambatan Bali. Setelah proses pelatihan, tahap selanutnya adalah proses penguian. Pada proses penguian, tahap yang dilauan hanya sampai tahap mau saa, tida ada tahap mundur apalagi tahap modifiasi bobot. Seluruh bobot masuan diambil dari nilai bobot terahir yang diperoleh dari proses pelatihan. Pada tahap penguian ini, aringan diharapan dapat mengenali pola berdasaran data baru yang diberian. 2.2 Perancangan Sistem Beriut adalah perancangan arsitetur aringan saraf tiruan untu apliasi prairaan harga penutupan valuta GBP/USD dalam forex trading. x 1 x 2 x 3 x 4 x 5 x 6 x 7 x 8 b Lapisan Masuan Lapisan Tersembunyi Lapisan Keluaran Gambar 1. Perancangan arsitetur aringan saraf tiruan v Gambar 1 merupaan arsitetur aringan saraf tiruan yang digunaan dalam perancangan apliasi prairaan harga valas dalam forex. Terdapat 3 lapisan, yaitu : lapisan masuan, lapisan tersembunyi, dan lapisan eluaran. Pada lapisan masuan, terdapat 8 parameter (x 1,x 2,...,x 8) yang merupaan harga pembuaan hari ini (x 1 ), harga pembuaan emarin (x 2 ), harga tertinggi emarin (x 3 ), harga terendah emarin (x 4 ), harga penutupan emarin (x 5 ), volume emarin (x 6 ), harga pembuaan dua hari yang lalu (x 7 ), dan harga penutupan 2 hari yang lalu (x 8 ). Selanutnya pada lapisan tersembunyi, terdapat seumlah neuron dari z 1 -z n yang aan divariasian oleh pengguna, dan lapisan eluaran (y) yang terdiri dari 1 neuron yang merupaan eluaran untu prairaan harga penutupan hari ini. Metode pembelaaran yang digunaan dalam arsitetur aringan saraf tiruan ini yaitu metode supervised learning, yani pasangan data (masuan -target) dipaai untu melatih aringan. b z 1 z n w y
4 TRANSIENT, VOL.3, NO. 4, DESEMBER 2014, ISSN: , 496 Algoritma pelatihan aringan yang digunaan adalah traingdx yang merupaan gabungan antara algoritma pelatihan dengan variabel lau pemahaman (traingda) dan metode penurunan gradien dengan momentum (traingdm). Algoritma pelatihan bobot dan bias di-setting secara default dengan menggunaan learngdm. Nilai bobot yang digunaan pada perancangan ini merupaan nilai aca, sehingga setiap ali sistem melauan pelatihan, nilai bobot aan berubah-ubah. Dalam Matlab, instrusi yang digunaan untu menginisialisasi nilai bobot dan bias yang aca adalah init. Terdapat 3 tahap yang dilauan dalam perancangan sistem, yaitu: tahap pelatihan aringan, tahap penguian aringan, dan tahap prairaan Tahap Pelatihan Jaringan Setelah merancang arsitetur aringan saraf tiruan, tahap selanutnya adalah pelatihan aringan. Diagram alir tahap pelatihan aringan dapat dilihat pada gambar 2 Mulai Setelah arsitetur aringan saraf tiruan selesai dibangun, maa tahap selanutnya adalah pelatihan aringan. Pelatihan ini dilauan dengan tuuan agar sistem yang dirancang dapat mengenali eluaran berupa target data yang telah dimasuan sebelumnya e database yang berasal dari data historis MetaTrader 4. Setelah pelatihan aringan dilauan, langah terahir dalam tahap pelatihan Jaringan ini adalah penyimpanan aringan. Penyimpanan aringan ini dilauan agar aringan saraf tiruan yang telah dibuat dapat digunaan bai untu melauan pelatihan aringan maupun sebagai aringan yang digunaan dalam tahap penguian maupun dalam prairaan. Jia ingin melatih aringan dengan nilai parameter pelatihan yang berbeda, maa pengguna dapat melauan reset, emudian mengulang dari tahap penentuan nilai parameter pelatihan Tahap Penguian Jaringan Setelah tahap pelatihan, tahap selanutnya adalah tahap penguian aringan. Diagram alir tahap pelatihan aringan dapat dilihat pada gambar 3. Mulai Ambil data (data masuan dan target) Masuan nilai parameter pelatihan (umlah neuron hidden layer, show, epoch, goal, learning rate, momentum, max_fail, fungsi ativasi) Latih aringan Pilih aringan Ambil data ui Penguian Bandingan hasil penguian dengan target yang sebenarnya Simpan aringan Reset Tida Selesai Ya Ya Reset Tida Selesai Gambar 3. Diagram alir tahap penguian Gambar 2. Diagram alir tahap pelatihan Pada tahap pelatihan aringan, untu langah awalnya adalah melauan pengambilan data latih historis, berupa data masuan dan target data masuan untu dilatih e dalam aringan saraf tiruan (supervised learning). Setelah langah awal selesai dilauan, langah selanutnya adalah memasuan nilai parameter pelatihan yang diperluan, seperti : umlah neuron hidden layer, show, epoch, goal, learning rate, momentum, max_fail, dan fungsi ativasi. Dalam tahap penguian ini, langah pertama yang dilauan adalah memilih aringan yang telah dibuat sebelumnya dalam tahap pelatihan. Setelah aringan yang aan digunaan dalam tahap penguian telah dipilih, langah selanutnya adalah mengambil data ui. Data ui yang disediaan berupa 100 enis data aca yang diambil dari data historis yang perancang telah sediaan sebelumnya. Pengambilan data ui dilauan dengan cara memilih hari dan tanggal tertentu untu mengui hasil eluaranya (harga penutupan di hari dan tanggal tersebut). Setelah dilauan pengambilan data, dilauan penguian
5 TRANSIENT, VOL.3, NO. 4, DESEMBER 2014, ISSN: , 497 data. Keluaran hasil penguian ini berupa harga penutupan, besarnya galat yang teradi, dan unu era aringan. Setelah hasil penguian telah eluar, langah selanutnya adalah membandingan harga penutupan hasil penguian dengan harga penutupan sebenarnya. Bagus atau tidanya hasil penguian dapat dinilai dengan melihat besarnya unu era dan galat yang teradi. Jia ingin melauan penguian ulang dengan data yang berbeda, maa pengguna dapat melauan reset, emudian memasuan embali nilai parameter pelatihan Tahap Prairaan Setelah melauan tahap penguian aringan, tahap selanutnya adalah tahap prairaan. Diagram alir tahap prairaan dapat dilihat pada gambar 4. Mulai Pilih aringan Masuan harga pembuaan untu saat ini Masuan harga pembuaan, tertinggi, terendah, penutupan, dan volume hari emarin Masuan harga pembuaan dan penutupan 2 hari yang lalu Prairaan Melihat hasil prairaan dan reomendasi posisi Reset? Selesai Ya Tida Gambar 4. Diagram alir tahap prairaan Pada saat tahap prairaan, langah pertama yang dilauan adalah memilih aringan untu prairaan yang telah dibuat sebelumnya. Setelah memilih aringan, langah selanutnya adalah memberi data masuan berupa harga pembuaan saat ini, harga pembuaan, harga tertinggi, harga terendah, harga penutupan, dan volume emarin, serta harga pembuaan dan penutupan 2 hari yang lalu. Data tersebut dapat secara langsung diambil melalui platform MetaTrader 4. Setelah semua data telah dimasuan, langah selanutnya adalah melauan prairaan. Hasil dari prairaan ini berupa harga penutupan dan reomendasi posisi pada hari tersebut. Reomendasi pengambilan posisi yang dimunculan berupa open atau sell. Jia pengguna ingin melauan prairaan dengan aringan yang lain, maa pengguna dapat melauan reset, emudian mengulang tahap prairaan dari langah awal. 3. Hasil dan Analisa 3.1 Penguian Data Latih Jumlah variasi aringan yang digunaan dalam perancangan apliasi ini sebanya 30 aringan. Jumlah data latih yang digunaan yaitu sebanya 992 data yang diambil dari periode 06 Januari 2009 s/d 30 Desember 2011 dan 06 Mei 2014 s/d 25 Juli Dari hasi penguian data latih, penguian data ui, dan prairaan harga penutupan valuta GBP/USD, dapat dietahui tingat eauratan sebuah aringan dengan rumus: = 100%...(12) t x dan y x yang digunaan merupaan nilai hasil onversi dari data asli dengan rumus: = ( 10) 10...(13) Keterangan : t x = Target data e-x y x = Keluaran hasil penguian data e-x p = data hasil onversi q = data asli Dalam penguian data latih pada variasi umlah neuron dan fungsi ativasi, digunaan nilai dari parameter learning rate, epoch, momentum, dan max_fail yang tetap. Nilai dari parameter learning rate adalah 0,001, nilai parameter epoch adalah 80000, nilai momentum yang digunaan adalah 0,9, dan nilai parameter max_fail yang digunaan adalah Dalam penguian data latih yang telah dilauan oleh perancang, fungsi ativasi tansig-logsig merupaan fungsi ativasi yang paling bai dalam melauan prairaan harga penutupan valuta GBP/USD dengan tingat eauratan 98,74% Penguian Data Ui Data ui yang digunaan dalam perancangan apliasi prairaan valuta GBP/USD ini berasal dari 100 data historis yang diambil secara aca dari tanggal 17 Januari 2012 s/d 29 Agustus 2013 pada platform MetaTrader 4. Dari hasil penguian data ui, dapat dilihat umlah prairaan yang tepat dalam 100 hari. Prairaan yang tepat adalah prairaan yang memilii hasil eluaran dengan tingat eauratan 99,98%. Selain banyanya prairaan yang tepat, didapat tingat eauratan dalam melauan prairaan harga penutupan pasangan mata uang
6 TRANSIENT, VOL.3, NO. 4, DESEMBER 2014, ISSN: , 498 GBP/USD dengan menggunaan persamaan 12. Hasil penguian data ui dapat dilihat pada tabel 1. Tabel 1 Hasil penguian data ui NP Fungsi Prairaan Tingat p Momentum NJ ativasi yang tepat eauratan Netw1 6 0,9 3 99,16% Netw2 10 0,9 3 99,12% Netw3 20 0,9 3 99,17% Netw4 40 0,9 3 99,17% Netw5 6 0,9 2 99,16% Netw6 10 0,9 3 99,15% Netw7 20 0,9 1 99,20% Netw8 40 0,9 3 99,14% Netw9 6 0,9 3 99,19% Netw ,9 2 99,15% Netw ,9 2 99,19% Netw ,9 0 99,16% Netw13 6 0,9 2 99,18% Netw ,9 1 99,19% Netw ,9 1 99,13% Netw ,9 2 99,09% Netw17 6 0,9 2 99,17% Netw ,9 0 99,18% Netw ,9 1 99,13% Netw ,9 2 99,15% Netw21 6 Purelintansig 0,9 3 99,20% Netw22 10 Purelintansig 0,9 0 99,21% Netw23 20 Purelintansig 0,9 2 99,20% Netw24 40 Purelintansig 0,9 4 99,21% Netw ,5 0 99,12% Netw ,5 1 99,18% Netw ,5 1 99,19% Netw ,5 3 99,20% Netw ,5 1 99,19% Netw30 10 purelintansig 0,5 2 99,20% Keterangan : p = Jumlah neuron pada hidden layer Dari tabel 1 dapat dilihat bahwa tingat eauratan tertinggi dalam prairaan adalah 99,21 % dan terendah adalah 99,09%. Netw12, netw18, dan netw22 memilii tingat eauratan yang cuup tinggi, namun tida dapat melauan prairaan yang tepat pada 100 data yang diuian. Jia dilihat pada netw16, mesipun memilii tingat eauratan yang paling rendah, namun dapat melauan prairaan yang tepat sebanya 2 ali. Dari semua aringan yang telah diui, maa dapat disimpulan bahwa netw24 merupaan aringan yang paling bai diarenaan tingat eauratan yang cuup tinggi yaitu sebesar 99,21% dan dapat melauan prairaan yang tepat sebanya 4 ali. 3.3 Analisis Terhadap Penguian Data latih dan Data Ui Dari hasil penguian data latih dan data ui dapat ditampilan tingat eauratan hasil penguian sebagai beriut: Tingat Keauratan Perbandingan Hasil Penguian 99.50% 99.00% 98.50% Data Latih Data Ui Gambar 5. Grafi perbandingan hasil penguian Terlihat bahwa hasil penguian data latih dan data ui menghasilan persentase sebesar 98,73 % dan 99,17%. Hal ini menunuan bahwa apliasi prairaan yang telah dirancang ini beralan dengan bai sesuai dengan harapan perancang arena adanya peningatan tingat eauratan pada penguian data ui. 3.4 Prairaan harga penutupan GBP/USD Data Data yang digunaan untu melauan ui coba dalam prairaan harga penutupan valuta GBP/USD adalah data yang terbaru. Perancang melauan prairaan pada tanggal 04 Agustus 2014, dimana data tersebut diluar data latih maupun data ui. Beriut data masuan yang digunaan untu melauan prairaan harga penutupan GBP/USD pada tanggal 4 Agustus Hari ini : Open = 1, Kemarin : Open = 1,68818 High = 1,68919
7 TRANSIENT, VOL.3, NO. 4, DESEMBER 2014, ISSN: , 499 Low Close Volume = 1,68109 = 1,68285 = hari yang lalu : Open : Close = 1,6911 = 1,68816 Prairaan dilauan dengan menggunaan gunaan 30 buah aringan yang dapat dilihat pada tabel 2. buy. Pergeraan valuta GBP/USD yang berasal dari platform MetaTrader4 dan hasil prairaannya dengan menggunaan netw14 pada tanggal 04 Agustus 2014 dapat dilihat pada gambar 6 dan 7. Tabel 2 Hasil prairaan harga penutupan valuta GBP/USD tanggal 04 Agustus 2014 NP (tx) (yx) Galat Tingat Reomendasi eaurat posisi NJ -an Netw1 1, , , ,57% Buy Netw2 1, , , ,88% Buy Netw3 1, , , ,67% Buy Netw4 1, , , ,55% Buy Netw5 1, , , % Buy Netw6 1, , , % Sell Netw7 1, , , % Buy Netw8 1, , , % Buy Netw9 1, , , % Buy Netw10 1, , , % Buy Netw11 1, , , % Buy Netw12 1, , , % Sell Netw13 1, , , % Sell Netw14 1, , , % Buy Netw15 1, , , % Buy Netw16 1, , , % Sell Netw17 1, , , % Buy Netw18 1, , , % Buy Netw19 1, , , % Sell Netw20 1, , , % Buy Netw21 1, , , % Sell Netw22 1, , , % Sell Netw23 1, , , % Sell Netw24 1, , , % Sell Netw25 1, , , % Sell Netw26 1, , , % Sell Netw27 1, , , % Sell Netw28 1, , , % Buy Netw29 1, , , % Buy Netw30 1, , , % Sell Dari hasil prairaan yang dilauan pada tanggal 04 Agustus 2014, Dapat dilihat harga penutupan yang diramalan oleh tiap aringan. Selain harga penutupan, dapat dilihat tingat eauratan dan besarnya galat yang didapat dengan menggunaan persamaan 12 dan 14. =...(14) t x dan y x yang digunaan dalam perhitungan galat merupaan data asli (buan nilai hasil onversi). Reomendasi posisi yang muncul berupa posisi buy atau sell. Reomendasi posisi ini didapat dengan melihat hubungan antara harga pembuaan ( open) dan harga penutupan ( close) pada hari prairaan. Jia harga pembuaan lebih besar daripada harga penutupan, maa sistem aan memberian reomendasi posisi sell, dan sebalinya. Dari hasil prairaan yang sudah dilauan, dapat dilihat bahwa netw14 memilii tingat eauratan yang paling tinggi yaitu: 99,98%. Jia dibandingan dengan target data ramal, prairaan dengan menggunaan netw14 memilii galat yang cuup ecil sebesar -0,00014 dan reomendasi posisi yang tepat berupa reomendasi posisi Gambar 6. Pergeraan valuta GBP/USD pada tanggal 04 Agustus 2014 Peramalan harga penutupan GBP/USD menggunaan netw14 pada tanggal 04 Agustus :00:00 23:00 Watu Gambar 7. Prairaan harga penutupan valuta GBP/USD pada tanggal 04 Agustus 2014 Jia dibandingan antara pergeraan valuta GBP/USD yang berasal dari platform MetaTrader 4 dan hasil prairaannya menggunaan netw14 pada tanggal 04 Agustus 2014, sudah memilii tren yang sama yaitu nai (uptrend). Kondisi uptrend pada pasangan valuta GBP/USD ini menandaan bahwa adanya peningatan nilai mata uang Poundsterling terhadap Dollar. Dalam forex trading, ondisi tersebut dimanfaatan oleh para trader untu mengambil euntungan dengan mengambil posisi buy. 4. Kesimpulan Dari hasil penguian data latih, fungsi ativasi tansiglogsig merupaan fungsi ativasi yang paling bai dalam melauan prairaan harga penutupan valuta GBP/USD dengan tingat eauratan 98,74%. Penguian data latih dan data ui menghasilan persentase rata-rata tingat eauratan sebesar 98,73% dan 99,17%.
8 TRANSIENT, VOL.3, NO. 4, DESEMBER 2014, ISSN: , 500 Hal ini menunuan bahwa apliasi prairaan yang telah dirancang ini beralan dengan bai sesuai dengan harapan perancang arena adanya peningatan tingat eauratan pada penguian data ui. Adapun saran yang dapat diberian dalam perancangan apliasi ini adalah dapat ditinau lebih auh hasil prairaan yang dihasilan ia menggunaan algoritma pelatihan selain traingdx dan dapat diembangan apliasi prairaan yang tida hanya dapat mempredisi harga penutupan, tetapi uga pergeraan harga dari pasangan valuta negara yang di perdagangan dalam pasar forex mulai dari open hingga close. Referensi [1]. Agustin, Maria. Penggunaan Jaringan Syaraf Tiruan Perambatan Bacpropagation Untu Selesi Penerimaan Mahasiswa Baru pada Jurusan Teni Komputer di Politeni Negeri Sriwiaya. Tesis Teni Sistem Informasi [2]. Ardiyan, Adi The Master Traders. Jaarta : Gramedia Pustaa Utama. [3]. Berhnard, Jefry Cara Mudah Bermain Forex Trading Online. Manowari : STIH Manowari [4]. Hermawan, Arief. Jaringan Saaf Tiruan Teori dan Apliasi. Yogyaarta: Andi Offset [5]...., (diases 26 Maret 2014). [6]...., (diases 12 Agustus 2014). [7]. Jatmio, Heri Setio. Apliasi Jaringan Saraf Tiruan Sebagai Alat Bantu Analisis Optimalisasi Unu Kera Call Setup Succes Rate (CSSR) Pada Komuniasi GSM. Laporan Penelitian Teni Eletro Undip [8]. Jong, J. S. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunaan Matlab. Yogyaarta: Andi Offset [9]. Taufiq, Mochamad Nur. Sistem Pengenalan Plat Nomor Polisi Kendaraan Bermotor Dengan Menggunaan Metode Jaringan Saraf Tiruan Perambatan Bali. Laporan Penelitian Teni Eletro Undip [10]. Wirya, Febri Fadhil. Apliasi Jaringan Saraf Tiruan Perambatan Bali Untu Prairaan Harga Saham. Laporan Penelitian Teni Eletro Undip [11]. Sutea, Bernard Renaldy. Penerapan Jaringan Saraf Tiruan Propagasi Bali Studi Kasus Pengenalan Jenis Kopi.Jurnal Informatia Universitas Kristen Maranatha, Vol. 3, No.1, Juni 2007: [12]. Jumarwanto, Arif. Apliasi Jaringan Saraf Tiruan Bacpropagation Untu Mempredisi Penyait THT di Rumah Sait Mardi Rahayu Kudus. Jurnal Teni Eletro Unnes Vol. 1 No.1, Juni 2009.
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinciSistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation
Sistem Peramalan Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Syaraf Tiruan Bacpropagation Anindita Septiarini 1 dan Nur Sya baniah 2 1 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman
Lebih terperinci1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba
JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA Nurmalasari Rusmiati 1 Sistem Informasi, Faultas Ilmu Komputer, Universitas Gunadarma
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciBAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN
BAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN Kompetensi : 1. Mahasiswa memahami onsep pembelaaran dalam JST Sub Kompetensi : 1. Dapat mengetahui prinsip algoritma Perceptron 2. Dapat mengetahui
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,
Lebih terperinciPENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinciSistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation
Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Sistem Penduung Keputusan Penerima Beasiswa SMK Menggunaan Metode Bacpropagation Teti Rohaeti 1, Yoyon Kusnendar Suprapto 2, Eo Mulyanto 3
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS 1 Ihwannul Kholis, 2 Ahmad Rofii. 1 Universitas 17 Agustus 1945 Jaarta,
Lebih terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciModel Pembelajaran Off-Line Menggunakan Jaringan Syaraf Tiruan Untuk Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teknik Elektronika PENS 2009
Model Pembelaaran Off-Line Menggunaan Jaringan Syaraf Tiruan Untu Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teni Eletronia PENS 2009 Arie Setya Wulandari#, Eru Puspita S.T., M.Kom#2 # Jurusan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG Oleh : M.Rizi.H.S, Andri Heryandi,S.T, Bambang Siswoyo,Ir,M.Si Jl. Dipati Uur Bandung Teni Informatia Universitas
Lebih terperinciSistem Informasi Peramalan Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST Backpropagation
1 Sistem Informasi Peramalan Beban Listri Janga Panang di Kabupaten Jember Menggunaan JST Bacpropagation Dodi Setiabudi Abstra Kebutuhan energi listri sebagai salah satu infrastrutur penting sangat diutamaan.
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETWORK DAN PRINCIPAL COMPONENT ANALYSIS
Jurnal Teni dan Ilmu Komputer SISTEM PENGENALAN AJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETORK DAN PRINCIPAL COMPONENT ANALYSIS FACE RECOGNITION SYSTEM USING BACKPROPAGATION ARTIFICIAL
Lebih terperinciTEKNIK PERAMALAN TINGKAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN
TENI PERAMALAN TINGAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN Sri Mulyana Program Studi Ilmu omputer F MIPA UGM Seip Unit III Yogyaarta Telp (0274)546194 e-mail : smulyana@ugm.ac.id Abstra Tingat penualan
Lebih terperinciDany Candra Febrianto ) dan Hindayati Mustafidah )
Penerapan Jaringan Saraf Tiruan dengan Metode Pembelaaran Bacpropagation untu Mengetahui Tingat Kualifiasi Calon Siswa pada Sistem Informasi Penerimaan Siswa Baru di MAN 2 Banarnegara (Application of Artificial
Lebih terperinciPENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER
PENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER Wiaria Gazali 1 ; Haryono Soeparno 2 1 Jurusan Matematia, Faultas Sains dan Tenologi, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN POLA GEOMETRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Muhamad Tonovan *, Achmad Hidayatno **, R. Rizal Isnanto ** Abstra - Pengenalan waah adalah
Lebih terperinciII. DASAR TEORI I. PENDAHULUAN
IMPLEMENTASI JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK UNTUK MENDETEKSI GOLONGAN DARAH PADA MANUSIA M. Fuad Latief *, R. Rizal Isnanto, Budi Setiyono Abstra - Membran sel darah manusia mengandung bermacam-macam
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
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 terperinciARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET
Prosiding SNaPP2012 : Sains, Tenologi, dan Kesehatan ISSN 2089-3582 ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET 1 John Maspupu 1 Pussainsa LAPAN, Jl Dr Dundunan No 133 Bandung
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciPrediksi Jumlah Kasus Demam Berdarah Dengue Menggunakan Jaringan Syaraf Tiruan (Studi Kasus daerah Kab. Sleman, Provinsi DIY)
Jurnal PROte Vol. 3 No. 1, 216 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Iis Hamsir Ayub Wahab Program Studi Teni Eletro Faultas Teni, Universitas Khairun Email: hamsir@unhair.ac.id
Lebih terperinciMakalah Seminar Tugas Akhir
Pengaturan Kecepatan Motor DC Menggunaan Jaringan Syaraf Tiruan Feedforward Bacpropagation Sorihi *, Wahyudi **, Iwan Setiawan ** Abstra - Jaringan syaraf bacpropagation merupaan aringan syaraf yang telah
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
Lebih terperinciPERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI
PERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION
PERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION Wellie Sulistanti Abstract- Tuuan dari penelitian ini untu mengapliasian cara era aringan syaraf tiruan dengan menggunaan
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION
JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan E-mail : yuyun.dl@gmail.com
Lebih terperinciPENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION Praditya Firmansyah *, Wahyul Amien Syafei**, Iwan
Lebih terperinciAKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA
AKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA Aris Puji Widodo, Suhartono 2, Eo Adi Sarwoo 3, dan Zulfia Firdaus 4,2,3,4 Departemen Ilmu Komputer/Informatia,
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 terperinciDETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN
Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: 1979-911X Yogyaarta, 11 Desember 2010 DETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN Uning Lestari
Lebih terperinciAPLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES. : Agus Sumarno NRP :
APLIKASI WAELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES Nama : Agus Sumarno NRP : 06 00 706 Jurusan : Matematia Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si Abstra Model time series
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR)
PENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR) Oleh: ¹ HERLY MARDANI (000298) ² BAMBANG SISWOYO,
Lebih terperinciPENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT
PENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT Oleh : DONNY WAHYU SAPUTRO G06499031 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Siti Amiroch Universitas Islam Darul Ulum Lamongan, amirast_117@yahoo.com Abstract. In the stock market, stock price prediction is
Lebih terperinciPENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Sutino 1, Helmie Arif Wibawa 2, Priyo Sidi Sasongo 3 123 Jurusan Ilmu Komputer/Informatia, FSM,
Lebih terperinciKAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Media Informatia, Vol. 5, No. 2, Desember 2007, 99-111 ISSN: 0854-4743 KAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Anita Desiani Jurusan Matematia,
Lebih terperinciAPLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia APLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
MAKALAH SEMINAR TUGAS AKHIR Peramalan Kebutuhan Beban Janga Pende Menggunaan Jaringan Syaraf Tiruan Bacpropagation Oleh : Dinar Atia Sari (L2F002572) Jurusan Teni Eletro Faultas Teni Universitas Diponegoro
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN
Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan PREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN Rudy Ansari STMIK Indonesia Banarmasin e-mail: rudy.ansari@gmail.com ABSTRAK
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA Julpan 1 *, Erna Budhiarti Nababan 1 & Muhammad Zarlis 1 1 Program S2 Teknik Informatika
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciAPLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA ABSTRACT
APLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA Manyu Fauzi, Minarni Nur Trilita Mahasiswa S3 MRSA, Jurusan Teni Sipil-ITS dan Pengaar Jurusan Teni Sipil Univ. Riau Mahasiswa S3
Lebih terperinciProsiding Semirata FMIPA Universitas Lampung, 2013
Sistem Pengenalan Nomor Plat Kendaraan Berbasis Foto Diital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunaan Algoritma Bacpropagation Zaiful Bahri, Suamto dan Joo Risanto Jurusan Matematia
Lebih terperinciPENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC. Oleh:
1 PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC Oleh: NURHADI SUSANTO G64103059 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
Lebih terperinciKecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Wajah (Face Recognition)
No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional Kecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Waah (Face Recognition) Wawan Setiawan (Universitas Pendidian
Lebih terperinciBAB II PENGENALAN WAJAH
BAB II PENGENALAN WAJAH Sistem pengenalan waah dapat dibagi menadi empat tahap, yaitu tahap pengolahan citra, detesi waah, estrasi fitur dan tahap pengenalan waah. Pada tugas ahir ini aan lebih diteanan
Lebih terperinciMENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE
MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE Desfrianta Salmon Barus - 350807 Jurusan Teni Informatia, Institut Tenologi Bandung Bandung e-mail: if807@students.itb.ac.id ABSTRAK
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciPrediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada Toko Buku Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation
Predisi Perilau Pola Pengunjung Terhadap Transasi Pada Too Buu Gramedia Menggunaan Jaringan Syaraf Tiruan Metode Bac Propagation Iriansyah BM Sangadji Teni Informatia STT PLN Jl Lingar Luar Duri Kosambi
Lebih terperinciAplikasi Neural-Fuzzy pada Regresi Interval untuk Data Time Series
Apliasi Neural-Fuzzy paa Regresi Interval untu Data Time Series Sri Kusumaewi Jurusan Teni Informatia, Universitas Islam Inonesia, Yogyaarta Jl. Kaliurang K, 4, Yogyaarta (04 E-mail : cicie@fti.uii.ac.i
Lebih terperinciBAB 3 METODE PENELITIAN
36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinciIII DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT
III DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT 3.1 Studi Literatur tentang Pengelolaan Sampah di Beberapa Kota di Dunia Kaian ilmiah dengan metode riset operasi tentang masalah
Lebih terperinciBAB 2 LANDASAN TEORI. relevan, lengkap, dan terkini sejalan dengan permasalahan yang dihadapi. Di sini juga
BAB 2 LANDASAN TEORI Dalam landasan teori ini, pada dasarnya aan dielasan mengenai teori yang relevan, lengap, dan terini sealan dengan permasalahan yang dihadapi. Di sini uga terdapat hubungan antara
Lebih terperinciSISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN
SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN Julian Supardi, Rz. Abdul Aziz, Syepriansyah Seolah Tggi Manaemen Informatia dan Komputer Darmaaya Jl. Z.A Pagar Alam No. 93 Bandar Lampung Indonesia
Lebih terperinciPEMPROSESAN ALARM DALAM PERLINDUNGAN SISTEM DAYA LISTRIK MENGGUNAKAN NEURAL NETWORK. Azriyenni
PEMPROSESAN ALARM DALAM PERLINDUNGAN SISTEM DAYA LISTRIK MENGGUNAKAN NEURAL NETWORK Azriyenni Dosen Tetap Teni Eletro Universitas Riau - Peanbaru Abstra Penelitian ini menyelidii mengenai pemprosesan alarm
Lebih terperinciTRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI
TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 terperinciDESAIN SENSOR KECEPATAN BERBASIS DIODE MENGGUNAKAN FILTER KALMAN UNTUK ESTIMASI KECEPATAN DAN POSISI KAPAL
DESAIN SENSOR KECEPAAN BERBASIS DIODE MENGGUNAKAN FILER KALMAN UNUK ESIMASI KECEPAAN DAN POSISI KAPAL Alrijadjis, Bambang Siswanto Program Pascasarjana, Jurusan eni Eletro, Faultas enologi Industri Institut
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciHUBUNGAN PENERAPAN KAWASAN TANPA ROKOK (KTR) DENGAN PERILAKU MEROKOK MAHASISWA KESEHATAN MASYARAKAT DI KOTA SEMARANG
Volume, Nomor, Juli 6 (ISSN: 56-6) HUBUNGAN PENERAPAN KAWASAN TANPA ROKOK (KTR) DENGAN PERILAKU MEROKOK MAHASISWA KESEHATAN MASYARAKAT DI KOTA SEMARANG Firnanda Zia Azmi *) Tinu Istiarti **) Kusyogo Cahyo
Lebih terperinciPemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat
Pemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat SKRIPSI Disusun oleh: MAULIDA NAJWA 24010212130028 DEPARTEMEN STATISTIKA
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 terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciAPLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK. Tesis
APLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Tesis Program Studi Teni Eletro Jurusan Ilmu-ilmu Teni disusun oleh : Wiwien Widyastuti 8475/I-/820/02 PROGRAM PASCASARJANA
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 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 terperinciModifikasi ACO untuk Penentuan Rute Terpendek ke Kabupaten/Kota di Jawa
187 Modifiasi ACO untu Penentuan Rute Terpende e Kabupaten/Kota di Jawa Ahmad Jufri, Sunaryo, dan Purnomo Budi Santoso Abstract This research focused on modification ACO algorithm. The purpose of this
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciEstimasi Harga Saham Dengan Implementasi Metode Kalman Filter
Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B
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 terperinciPerbandingan Antara Algoritma Penghapusan Bising Adaptif LMS dan Adaptif RLS dalam Penghapusan Bising Kendaraan
Perbandingan Antara Algoritma Penghapusan Bising Adaptif LMS dan Adaptif RLS dalam Penghapusan Bising Kendaraan Sri Arttini Dwi Prasetyowati 1), Adhi Susanto ), homas Sriwidodo ), Jazi Eo Istiyanto 3)
Lebih terperinciPENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI
PENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciPENERAPAN NEURAL NETWORK MODEL BACKPROPAGATION DAN GENERAL REGRESSION NEURAL NETWORK
Eo Sediyono PENERAPAN NEURAL NETWORK MODEL BACKPROPAGATION DAN GENERAL REGRESSION NEURAL NETWORK Oleh : Eo Sediyono Abstra Telah dilauan penelitian tentang identifiasi citra untu mengidentifiasi enis daging
Lebih terperinciSTUDI KOMPARASI IMPLEMENTASI JARINGAN BASIS RADIAL DAN FUZZY INFERENCE SYSTEM TSK UNTUK PENYELESAIAN CURVE FITTING
STUDI KOPARASI IPEENTASI JARINGAN BASIS RADIA DAN FUZZY INFERENCE SYSTE TSK UNTUK PENYEESAIAN CURVE FITTING Sri Kusumadewi Teni Informatia Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyaarta cicie@fti.uii.ac.id
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
Lebih terperinciPelatihan Feedforward Neural Network Menggunakan PSO untuk Prediksi Jumlah Pengangguran Terbuka di Indonesia
Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1260-1269 http://j-ptii.ub.ac.id Pelatihan Feedforward Neural Networ Menggunaan PSO untu Predisi
Lebih terperinciPREDIKSI ANGKA PARTISIPASI SEKOLAH DI JAWA TENGAH UMUR TAHUN DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK
PREDIKSI ANGKA PARTISIPASI SEKOLAH DI JAWA TENGAH UMUR 16-18 TAHUN DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK R. Mh. Rheza Kharis *), R. Rizal Isnanto, and Ajub Ajulian Zahra Jurusan Teknik
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciBAB 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinci