Sistem Informasi Peramalan Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST Backpropagation
|
|
- Ari Makmur
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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. Pertumbuhan eonomi pada suatu daerah menyebaban peningatan onsumsi energi listri. Pemenuhan ebutuhan energi listri pada suatu daerah diperluan perencanaan sistem tenaga listri yang tepat. Penelitian ini mengembangan suatu model system informasi peramalan beban punca listri anga panang menggunaan metode Jaringan syaraf tiruan (JST) bacpropagation. Hasil penelitian menunuan bahwa peramalan beban punca listri menggunaan JST bacropagation memilii rata-rata Mean Absolute Percentage Error (MAPE) sebesar 17,09%, Kata Kunci Peramalan beban punca listri anga panang, Sistem Informasi, Jaringan Syaraf Tiruan, Bacpropagation. P I. PENDAHULUAN ENAMBAHAN panang aringan transmisi tenaga listri mengalami peningatan sebesar 11% selama periode 5 tahun sea tahun 2004 [3], perembangan setor industri dan pariwisata diramalan mengalami pertumbuhan beban dengan pesat.penyediaan tenaga listri harus menadi prioritas dalam pembangunan dan dalam prosesnya harus diembangan dengan prinsipprinsip eterandalan. Dengan menggunaan SPK yang bai diharapan membantu piha PLN sebagai pengguna SPK untu memperiraan, mengaloasian apasitas ebutuhan beban listri untu periode edepan dan perencanaan pemilihan loasi penempatan trafo distribusi pada pengembangan aringan baru yang tepat meruu pada hasil peramalan beban listri anga panang. Peramalan beban listri adalah penopang dasar untu operasi manaemen dan ontrol real-time sistem operasi listri [7]. Sebuah perencanaan sistem tenaga listri dibuat berbasisan hasil estimasi beban listri. Dodi Setiabudi adalah Dosen Jurusan Teni Eletro, Faultas Teni Universitas Jember, Jember, Indonesia ( gbdoydist@gmail.com). Metode prairaan beban listri anga panang dengan rentang 1 sampai 10 tahun [1] selama ini yang digunaan PLN adalah dengan cara onvensional berbasis metode statisti, yaitu metode oefisien beban yang dilauan dengan mempelaari data historis beban listri terdahulu. JST adalah algoritma penyelesaian masalah omputasi yang prinsip eranya meniruan aringan syaraf manusia. Salah satu enis dari metode JST yaitu Bacpropagation. Metode ini dipilih arena saat output tida sama dengan target yang diharapan maa output aan disebaran mundur (bacward) pada hidden layer untu diterusan e unit pada input layer, sehingga aan ada umpan bali untu memvalidasi hasil eluaran JST [3]. Pada penelitian ini Metode JST Bacpropagation digunaan untu subsistem peramalan beban punca listri anga panang. Menawab berbagai permasalahan dalam hal perencanaaan sistem tenaga listri yang tepat maa dibutuhan suatu system informasi peramalan beban listri anga panang di abupaten Jember. II. DASAR TEORI A. Peramalan beban listri anga panang Secara umum, beban yang dilayani oleh sistem distribusi listri ini dibagi dalam beberapa setor yaitu setor perumahan, setor industri, setor omersial, dan setor publi atau umum. Masing masing setor mempunyai arateristi arateristi yang berbeda. Ramalan dalam bidang tenaga listri pada dasarnya merupaan ramalan ebutuhan energi listri (watt am) dan ramalan beban tenaga listri (watt). Keduanya disebut dengan istilah load (demand) forecasting. Hasil peramalan ini dipergunaan untu membuat rencana pemenuhan ebutuhan maupun pengembangan penyediaan tenaga listri setiap saat secara bai dan ontinyu. Peramalan beban listri anga panang adalah untu anga watu di atas satu tahun [1]. B. Jaringan syaraf tiruan bacpropagation Jaringan syaraf tiruan adalah suatu sistem pemrosesan informasi yang mempunyai arateristi menyerupai aringan syaraf biologi [2]. Ide dasarnya adalah mengadopsi cara era ota manusia yang memilii ciri ciri pararel processing, processing element dalam umlah besar dan faulttolerance.
2 2 Jaringan propagasi bali terdiri atas tiga atau lebih lapisan atau layer[5]. Perbedaannya hanya pada umlah lapisan tersembunyi yang dimilii. Gambar.1.Lapisan Jaringan Bacpropagation Algoritma selengapnya pelatihan aringan bacpropagation adalah sebagai beriut [2]: 1. Langah 0 : Inisialisasi bobot-bobot (tetapan dalam nilai aca ecil) 2. Langah 1 : Bila syarat berhenti adalah salah, eraan langah 2 sampai Langah 2 : Untu setiap pasangan pelatihan, eraan langah 3 sampai 8. Umpan mau : 4. Langah 3 : Tiap unit masuan (x i, i = 1,...,n) menerima isyarat masuan x i dan diterusan e unit-unit tersembunyi. 5. Langah 4 : Tiap unit tersembunyi (z, = 1,...,p) menumlahan isyarat masuan berbobot, n z _ in v x v (1) 0 i1 dengan menerapan fungsi ativasi hitung : Z = f(z_in ) (2) dan irim isyarat ini e unit-unit eluaran. 6. Langah 5 : Tiap unit eluaran (y, = 1,...,m) menumlahan isyarat masuan berbobot, i p i1 i y _ in w z w (3) 0 dengan menerapan fungsi ativasi hitung, y =f(y_in ) (4) Perambatan Bali Error : 7. Langah 6 : Tiap unit eluaran (y, = 1,...,m) menerima pola sasaran beraitan dengan pola pelatihan masuannya. Hitung error informasi : ( t y ) f ( y _ in ) Hitung oresi bobot dan biasnya: W z i (5) (6) w 0 (7) 8. Langah 7 : Tiap unit tersembunyi (z, = 1,...,p) menumlahan delta masuannya (dari unit-unit di lapisan atasnya). m _ in w i1 Hitung error informasinya : _ in f ( z _ in ) Hitung oresi bobot dan biasnya : (8) (9) vi x i (10) Perbaharui bobot dan bias : 9. Langah 8 :Tiap-tiap unit output (Y, =1,2,3,...,m) memperbaii bias dan bobotnya (=0,1,2,...,p): w ( baru) w ( lama) w (11) Tiap-tiap unit tersembunyi (Z, =1,2,3,...,p) memperbaii bias dan bobotnya (i=0,1,2,...,n) vi ( baru) vi ( lama) wi (12) 10. Langah 9 : Ui syarat berhenti III. METODE PENELITIAN Penelitian ini mengembangan model subsistem peramalan beban listri anga panang di abupaten. Data seunder yang digunaan adalah data umlah populasi pendudu, umlah rumah tangga, umlah pelanggan listri tiap tiap setor dan penggunaan beban listri setor industri yang diperoleh dari PT. PLN APJ dan BPS abupaten Jember. A. Peramalan beban listri Gambar 4 merupaan tahapan peramalan beban listri anga panang menggunaan JST bacpropagation. Algoritma ini mengadopsi pendeatan incremental dalam memperbarui bobot, yaitu bobot berubah segera setelah pola pelatihan dilauan.proses pelatihan aan dihentian sampai target error tercapai. Gambar. 2. Diagram alir peramalan beban listri menggunaan metode JST bacpropagation IV. HASIL DAN PEMBAHASAN A. Pengumpulan data Data historis diambil 6 tahun e belaang tiap loasi yang ada di abupaten Jember dengan 6 variabel masuan yaitu Populasi Pendudu, Jumlah Rumah Tangga, Pelanggan Setor Publi, Pelanggan Setor Bisnis, Pelanggan Setor Industri, Penggunaan Setor Industri dan terdapat 1 variabel sebagai target yaitu Beban punca Listri. Dengan demiian ada 36 data masuan (6 x 6) sebagai historis untu pelatihan per
3 3 loasi. Jumlah total data masuan menadi 36 x 25 ecamatan yaitu 900 data masuan. Data yang diumpulan adalah data historis dari tahun 2007 sampai tahun Salah satu contoh dari eenam variabel adalah data target. Data target adalah data beban punca listri dalam satuan MW. Gambar 3 memperlihatan data beban punca listri se-abupaten Jember b. Setiap unit tersembunyi (z, =1,2,3,,p) menumlahan bobot sinyal input dengan persamaan (1). Dan menerapan fungsi atifasi untu menghitung sinyal output-nya dengan persamaan (2.) emudian mengiriman sinyal tersebut e semua unit output. c. Setiap unit output (y, =1,2,3,,m) menumlahan bobot sinyal input dengan persamaan (3). Dan menerapan fungsi atifasi untu menghitung sinyal outputnya dengan persamaan (4). 1 1 X1 V11 V21 V31 V61 Z1 V01 X2 V12 V22 V32 V62 Z2 V02 W11 W21 W31 W61 y W01 output layer X3 V13 V23 V33 V63 V03 Z3 Gambar. 3. Lau pertumbuhan beban punca listri Kabupaten Jember (PT.PLN APJ dan UPT Jember, 2013). X6 Input layer V16 V26 V36 Z6 V66 V06 hidden layer Normalisasi data adalah proses pensalaan data input sesuai dengan range fungsi atifasi yang digunaan. Dari data master dietahui data minimum=0, dan data masimum= Bacpropagation menggunaan fungsi atifasi sigmoid biner dengan interval [0,1] di mana Upperbound=1 dan Lowerbound=0. Normalisasi data untu metode Bacpropagation : 1. Cari nilai α 2, Cari nilai β β= Upperbound-(α*(max(x)) β= 1-(2, * ) β= -0, Cari nilai x x`= α * x +β x`= 2, * (-0, ) x`= 0, B. Analisis metode bacpropagation. Arsitetur pelatihan JST yang digunaan dalam penelitian ini terdiri dari 3 layer, yaitu input layer, hidden layer dan output layer. Jumlah neuron lapisan masuan sebanya 6 neuron, penentuan umlah neuron berdasaran parameter yang diadian fator yang mempengaruhi peramalan beban listri. Gambar 4 menunuan pola arsitetur aringan. Beriut ini algoritma pelatihan metode Bacpropagation yang terdiri dari tiga tahapan: 1. Insialisasi bobot (ambil bilangan random yang cuup ecil) 2. Selama ondisi berhenti bernilai salah, eraan: Tahap 1: Perambatan Mau (Feed Forward) a. Setiap unit input (x i, i=1,2,3,,n) menerima sinyal x i dan menerusan sinyal tersebut e semua unit pada lapisan tersembunyi. Gambar. 4. Arsitetur pelatihan JST Tahap 2: Perambatan Bali (Bac Forward) a. Setiap unit output (y, =1,2,3,,m) menerima pola target yang sesuai dengan pola input pembelaaran, emudian hitung error dengan persamaan (5) emudian emudian hitung oresi bobot dengan persamaan (6). b. Setiap unit tersembunyi (z, =1,2,3,,p) menumlahan delta input-nya dengan persamaan (8) Untu menghitung informasi error, alian nilai ini dengan turunan dari fungsi atifasinya dengan persamaan (9) emudian hitung oresi bobot dengan persamaan (10). Setelah itu, hitung oresi bias dengan persamaan (10) Tahap 3: Perubahan Bobot dan Bias a. Setiap unit output (y, =1,2,3,,m) dilauan perubahan bobot dan bias (=0,1,2,,p) dengan persamaan (11) Setiap unit tersembunyi (z, =1,2,3,,p) dilauan perubahan bobot dan bias (i=0,1,2,,n) dengan persamaan (12) b. Tes ondisi berhenti. c. Algoritma Penguian Metode Bacpropagation 1. Load bobot dan bias input layer (v i ) dan hidden layer (w i ) hasil pelatihan. 2. Setiap unit input (x i, i=1,2,3,,n) menerima sinyal xi dan menerusan sinyal tersebut e semua unit pada lapisan tersembunyi. 3. Setiap unit tersembunyi (z, =1,2,3,,p) menumlahan bobot sinyal input dengan persamaan ( 1) dan menerapan fungsi atifasi untu menghitung sinyal output-nya dengan persamaan (2). 4. Setiap unit output (y, =1,2,3,,m) menumlahan bobot sinyal input dengan persamaan (3) dan menerapan fungsi atifasi untu menghitung sinyal output-nya dengan persamaan (4).
4 4 Pada data epooh edua, uga dilauan langahlangah yang sama dengan menggunaan bobot baru atau nilai bobot ahir hasil pengolahan data pada epooh pertama. Proses ini dilauan secara berulangulang sampai pada epooh yang ditentuan (1000) atau target eror yang ditentuan(0,01). Setelah proses pelatihan selesai, Bacpropagation dapat dipaai untu penguian. Beriut ini penguian algoritma metode Bacpropagation: 1. Operasi pada Hidden Layer dengan persamaan (1) z_ in1 =0.1+(0.01* )+(0.01* )+(0.01* )+(0.01* )+(0.0 1* )+(0.01* ) z_ in1 = Fungsi atifasi pada hidden layer dengan persamaan (2) Z = f(z_ in ) Z 1 = = Operasi pada output layer dengan persamaan (3) y_ in =w 0 +w 1 *z 1 +w 2 *z 2 *w 3 *z 3 y_ in =0.3+(0.2* )+(0.5* ) +(0.1* ) = Berdasaran pola data yang diuian (pola data pada tahun 2008 di loasi Rambipui) dapat dietahui nilai min= dan max= Hasil penguian berupa data yang disalaan dengan notasi x atau y_ in = Sedangan berdasaran fungsi identitas pada penguian yang memilii interval [-1,1] dapat dietahui Upperbound=1 dan Lowerbound=-1. Sehingga perhitungan denormalisasinya adalah sebagai beriut: 1. Cari nilai α Cari nilai β β= Upperbound-(α*(max(x)) β= 1-( * ) β= Cari nilai x x`= α * x +β x= x= x= Dari hasil denormalisasi dapat dietahui bahwa data hasil predisi beban punca adalah MW C. Peramalan beban listri. Setelah melauan pelatihan dilanutan dengan tahap beriutnya yaitu prairaan atau predisi, dalam tahap ini dilauan prairaan untu 10 tahun mendatang yaitu sampai dengan tahun Hasil predisi pada gambar 6 dibawah diambil dari data predisi loasi Glantangan Pada fitur antarmua pengguna diberian beberapa menu atau fitur-fitur untu dapat menerusan proses sesuai dengan ebutuhan pengguna, yaitu fitur peramalan beban listri dan fitur beban punca masimum Pada tahap ini sistem aringan saraf tiruan aan diperenalan berdasaran pola-pola yang telah ditentuan. Proses perhitungannya tida aan ditampilan dalam program simulasi. Proses perhitungan tersebut aan beera dalam bentu mode bacground, sehingga yang aan terlihat dalam tampilan form hanya umlah iterasi yang telah dilauan dan hasil dari pelatihan. Poses pembelaaran pada tahap training ini merupaan proses pembelaaran supervised. Artinya, program aan dituntun untu mengenal pola-pola berdasaran database Gambar.5. Grafi predisi beban punca 10 tahun e depan D. Penguian metode bacpropagation Data selama 2 tahun terahir uga digunaan sebagai data untu mengui validitas data antara data yang dihasilan oleh PT.PLN APJ-UPT Jember dan data hasil perhitungan seperti yang ditunuan pada gambar 9 dibawah sehingga dapat dietahui nilai error yang dihasilan. Gambar. 6. Perbandingan beban punca atual dan JST bacpropagation Perhitungan aurasi Bacpropagation terhadap target dihitung dengan metode Mean Absolute Percentage Error (MAPE) :
5 5 Tahap implementasi sistem dalam program terdiri dari tampilan menu input data, pelatihan JST dan hasil, yaitu : [5] Lee KY., Par JH Short Term Load Forecasting Using an Artificial Neural Networ, IEEE. [6] Marimin Teni dan Apliasi Pengambilan Keputusan Kriteria Maemu, Grasindo, Jaarta. [7] Olesa V.,Wang Y., Jing Y., Gugulovsa T., Dimirovsi G., Short Term Load Forecasting: A Dynamic Neural Networ Based Genetic Algorithm Optimization, IEEE. [8] Turban. E, Jay E. Aronson and Ting Peng Liang.2005.Decision Support Systems and Intelegent Systems. Jilid 1, Andi. Yogyaarta. [9] Tzeng GH and Huang JJ Multipple Attribut Decision Maing, Methods and Applications, A Chapman and Hall Boo. CRC Press Gambar. 7. Tampilan menu input data. Gambar. 8. Tampilan menu pelatihan JST. V. KESIMPULAN Berdasaran tuuan serta hasil dan pembahasan maa dari penelitian ini dapat diperoleh beberapa esimpulan sebagai beriut : 1. Dihasilan satu model terintegrasi dari sistem informasi untu peramalan beban listri anga panang di Kabupaten Jember. 2. Selisih antara beban real dengan beban hasil predisi (prairaan) menggunaan JST Bacpropagation dinyataan dengan persentase atau Mean Absolute Percentage Error (MAPE). MAPE untu proses peramalan beban punca listri sebesar 17,09 %. 3. Perbedaan data riteria (umlah riteria, bobot, tipe preferensi riteria, parameter preferensi riteria dan nilai riteria) berpengaruh pada nilai hasil perhitungan yang berbeda. DAFTAR PUSTAKA [1] Badran S M., Abouelatta O B., 2006, Forecasting Electrical Load using ANN Combined with Multiple Regression Method, The Research Buletin of Jordan ACM, Volume II (II) [2] Fausett L Fundamentals of Neural Networs Architectures, Algorithms and Applications, London: Prantice- Hall, Inc. [3] Gustiadi R Estimasi Beban Listri Harian Menggunaan BPNN Dengan Error Correction Untu Perusahaan XYZ di Daerah Operasi Riau, Surabaya: ITS [4] Kusumadewi S Artificial Intelligence (Teni dan Apliasinya), Penerbit Graha Ilmu, Yogyaarta.
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 terperinciSistem Pendukung Keputusan Penentuan Kebutuhan Beban Listrik Jangka Panjang di Kabupaten Jember
Sistem Pendukung Keputusan Penentuan Kebutuhan Beban Listrik Jangka Panjang di Kabupaten Jember Dodi Setiabudi, Sholeh Hadi Pramono,dan Erni Yudaningtyas Abstrak Ketersediaan energi listrik sebagai salah
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciAPLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING
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
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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
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 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 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 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 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 terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
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 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 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 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 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 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 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 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 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 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 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 terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
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 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 terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Analisis merupakan proses penguraian konsep ke dalam bagian-bagian yang lebih sederhana, sehingga struktur logisnya menjadi jelas. Metode untuk menguji, menilai, dan
Lebih terperinciPengaruh Masuknya Penambahan Pembangkit Baru kedalam Jaringan 150 kv pada Kapasitas Circuit Breaker
Pengaruh Masunya Penambahan Pembangit Baru edalam Jaringan 150 V pada Kapasitas Circuit Breaer Emelia, Dian Yayan Suma Jurusan Teni Eletro Faultas Teni Universitas Riau Kampus Binawidya Km 12,5 Simpang
Lebih terperinciBAB II LANDASAN TEORI. Proses utama dari pengenalan karakter adalah menerima karakter input dan
BAB II LANDASAN TEORI 2.1 Pengenalan Teori Proses utama dari pengenalan arater adalah menerima arater input dan memerisa apaah hasil input tersebut sesuai dengan salah satu arater yang ada. Bagian yang
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 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 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciANALISA PREDIKSI TINGKAT PENGANGGURAN DENGAN JARINGAN SYARAF TIRUAN
Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: 907-5022 Yogyakarta, 6 Juni 2007 ANALISA PREDIKSI TINGKAT PENGANGGURAN DENGAN JARINGAN SYARAF TIRUAN Prisa Marga Kusumantara, I Gede
Lebih terperinciPengambilan Data dan Analisis
METODOLOGI PENELITIAN Watu dan Loasi Penelitian Penelitian dilasanaan mulai bulan November 2003 sampai dengan Juni 2004 di Kecamatan Rengasdenglo, Telagasari dan Cilamaya Kabupaten Karawang Jawa Barat
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 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 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 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 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 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 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 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 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 terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
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 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 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 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pemrosesan Sinyal Menurut Proais et al. (1997), umumnya suatu segmen suara dapat dinyataan dengan deraat etelitian yang tinggi sebagai umlah dari beberapa sinusoida dengan amplitudo
Lebih terperinciPEMODELAN FAKTOR YANG MEMPENGARUHI JUMLAH HIV DAN AIDS PROVINSI JAWA TIMUR MENGGUNAKAN REGRESI POISSON BIVARIAT
PEMODELAN FAKOR YANG MEMPENGARUHI JUMLAH HIV DAN AIDS PROVINSI JAWA IMUR MENGGUNAKAN REGRESI POISSON BIVARIA Novi ri Ratnasari, Purhadi Jurusan Statistia, Faultas MIPA, Institut enologi Sepuluh Nopember
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
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 terperinciz_in ( ) dan mengaplikasikan fungsi aktivasi untuk menghitung sinyal output ( ) Propagasi balik:
LAMPIRAN 4 Lampiran Algoritma aringan syaraf tiruan propagasi balik Langkah 0 Inisialisasi bobot Langkah Selama kondisi berhenti bernilai salah, lakukan langkah -9. Langkah Untuk setiap pasangan, lakukan
Lebih terperinci