BAB II LANDASAN TEORI
|
|
- Farida Irawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 6 BAB II LANDASAN TEORI 2.1 Demam Berdarah Dengue Latar Belakang Penyakit demam berdarah dengue merupakan infeksi virus yang sering dijumpai di daerah tropis termasuk di Indonesia. Penyebarannya melalui gigitan nyamuk Aedes Aegypty dan Aedes Albopictus. Nyamuk ini bisa bertahan hidup sampai ketinggian 1000 meter di atas permukaan laut. Di atas ketinggian tersebut, nyamuk ini tidak dapat berkembang biak karena suhu udara yang terlalu rendah. Karena itu di Indonesia merupakan tempat potensial berkembangnya nyamuk ini dan itu berarti potensial pula untuk berkembangnya penyakit demam berdarah dengue. Infeksi virus demam berdarah dengue ini menyebabkan sakit mulai dari yang ringan sampai pendarahan yang berujung pada kematian. Ada dua macam pendarahan akibat demam berdarah dengue yaitu DSS (Dengue Shock Syndrome). DSS menyebabkan sel darah lumpuh dan terjadi pendarahan pada gusi, kulit, sistem pencernaan. DSS menyebabkan pembuluh darah tidak berfungsi normal, tekanan darah menurun drastis sehingga darah tidak dapat mendukung metabolisme sel dalam tubuh. Jika DSS tidak segera ditangani maka bisa terjadi pendarahan saluran pencernaan berupa muntah darah berak darah. Keadaan fatal lainnya adalah encephalopatia yang ditandai dengan penurunan kesadarah dan kejang kejang. Karena itu demam berdarah dengue harus mendapatkan penanganan yang cepat dan tepat untuk menghindarai kematian.
2 Sejarah DBD di Indonesia Wabah demam dengue pertama kali terjadi di Manila pada tahun , yang disertai renjatan dan pendarahan saluran cerna, yang kemudian dikenal sebagai demam berdarah dengue. Di Indonesia, kasus DBD pertama kali dicurigai di Surabaya tahun 1968, tetapi konfirmasi virologis baru diperoleh tahun Di Jakarta, laporan kasus DBD pertama kali diajukan oleh Kho dkk (1969). 2.2 Sistem Syaraf Manusia VS Sistem Syaraf Buatan Komputer dapat melakukan hal-hal yang luar biasa, dengan kecepatan yang luar biasa pula. Komputer juga dapat menyimpan informasi yang sangat banyak dengan mudah. Komputer dapat melakukan perhitungan aritmatika yang rumit dengan mudah dengan tingkat kesalahan yang relatif kecil. Manusia tidak memungkiri kemampuan komputer tersebut. Dilain pihak, manusia juga dapat melakukan banyak hal yang jauh lebih baik daripada komputer, sistem intelegensia manusia jauh lebih hebat dibandingkan sistem intelegensia komputer yang ada saat ini. Sistem intelegensia manusia dapat membuat manusia berpikir, berbicara, mendengar, bereaksi, membaca, dll, sedangkan kemampuan intelegensia komputer sangat terbatas. Untuk membuat komputer melakukan hal-hal yang dapat dilakukan oleh sistem intelegensia manusia, maka manusia harus mampu membuat tiruan sistem intelegensia manusia atau sistem syaraf manusia, inilah yang dinamakan sistem kecerdasan buatan (artificial intelligence) dengan neural network-nya. Membuat triruan sistem syaraf manusia tidaklah mudah, karena struktur sistem komputer dalam memproses proses aritmatika berbeda dengan sistem syaraf manusia, begiru juga sebaliknya, sistem syaraf
3 8 manusia berbeda dengan sistem aritmatika komputer yang bertujuan untuk komputasi dengan kecepatan tinggi. Dengan meniru struktur syaraf manusia, maka komputer akan menemui kesulitan analog dengan struktur syaraf manusia, yaitu kesulitan dalam melakukan proses perhitungan aritmatika yang notabene dilakukan dengan mudah oleh komputer konvensional. Sistem syaraf manusia mengolah informasi melalui jaringan elemen yang saling berhubungan dan sangat kompleks. Elemen-elemen pada sistem syaraf manusia desebut sel syaraf atau neuron. Neuron ini terdiri dari badan sel yang berisi inti sel atau nekleus dan sejumlah benang-benang halus. Benang-benang halus ini terdiri dari 2 jenis, yaitu dindrit dan akson. Bagi sebuah neuron, dendrit berfungsi sebagai alat masukan, sedangkan akson berfungsi sebagai alat keluaran. Akson akan menghubungkan satu sel syaraf dengan sel syaraf lainnya. Hubungan antara akson dengan dendrit adalah synapsis. Kecepatan pengiriman signal pada sistem syaraf manusia melalui impuls listrik berkisar 2 sampai dengan 200 mil per jam. Sebuah neuron yang terdiri sendiri memang sangat lambat apabila dibandingkan dengan komputer digital yang beroperasi dalam jangkauan nanodetik. Namun syaraf manusia sangat cerdas, syaraf manusia dapat memahami sebuah kalimat hanya dengan hitungan sepersepuluh detik, ini dimungkinkan oleh sistem kerja syaraf manusia secara pararel. Kerja sama ini sangatlah rumit mengingat jumlah syaraf manusia yang mencapai milyaran. Setiap neuron bersifat otonom, independent dan asinkron dalam arti tidak membutuhkan sinkronisasi dengan peristiwa lainnya yang terjadi. Dengan sistem seperti tersebut, makan sistem syaraf manusia dapat menyelesaikan permasalahan yang bersifat
4 9 nonalgoritmik, penuh dengan noise atau distorsi dan mempunyai data atau informasi yang tidak lengkap. Dengan meniru sistem syaraf manusia, sistem syaraf buatan dapat mengorganisasikan neuron-neuron buatan untuk menyelesaikan permasalahn yang kompleks, yaitu permasalah yang bersifat nonalgiritmik dengan data yang kompleks dan penuh dengan distorsi dan tidak lengkap. Dengan demikian cara penyelesaian tersebut dibuat serupa dengan sistem syaraf manusia. 2.3 Sistem Syaraf Buatan Pengertian Sistem Syaraf Buatan Sistem syaraf tiruan dibangun berdasarkan sistem syaraf manusia. Bagaimana canggihnya sistem syaraf tiruan yang dibangun, masih jauh dari setara dengan sistem syaraf manusia, mungkin hanya dapat dibandingkan oleh sistem syaraf hewan sederhana. Menurut Rao dan Rao (1993, p2), sistem syaraf buatan adalah sekelompok elemen pengolah sedemikian rupa sehingga sebuah subkelompok membuat komputasi yang berbeda dan melewatkan hasilnya kepada subkelompok berikutnya, demikian seterusnya hingga tiba pada sebuah subkelompok akhir yang terdiri dari sebuah atau lebih elemen pengolah yang akan menentukan keluaran (output) dari sistem syaraf tersebut. Setiap elemen pengolah membuat perhitungannya didasarkan pada jumlah terbobot (weighted sum) dari inputnya. Elemen pengolah tersebut merupakan satuan yang mirip dengan neuron dalam otak manusia, yang sering disebut sebagai neuron buatan, yang seterusnya akan disebut neuron saja. Sebuah subkelompok pengolah disebut sebuah layer dalam jaringan, dimana lapisan pertama disebut input layer, lapisan terakhir disebut sebgai output layer,
5 10 sedangkan lapisan-lapisan diantara lapisan masukan dengan lapisan keluaran disebut sebagai hidden layers. Terdapat pula sebuah fungsi aktivasi (activation function) yang digunakan untuk menentukan keluaran sebuah neuron menuju lapisan selanjutnya. Sinapsis akan menghubungkan setiap neuron, sinapsis direpresentasikan sebagai yang simpul-simpulnya merupakan neuron-neuron. Gambar 2.1 menunjukkan sistem syaraf buatan sederhana dalam bentuk grafik. Dalam gambar ditunjukkan representasi sistem syaraf buatan yang terdiri dari 3 alpisan yaitu satu lapisan masukan, satu lapisan tersembunyi dan satu lapisan keluaran. input layer hidden layer output layer Gambar 2.1. Sistem syaraf buatan Sistem syaraf buatan ini dapat dilatih untuk menyimpan, mengingat, mencocokkan suatu pola tertentu. Pola yang digunakan mengandung digit biner (0 dan 1) untuk kasus dimana masalah berupa discreet atau bilangan-bilangan real yang mewakili signal analog untuk kasus yang kontinu.
6 11 Sistem syaraf buatan ini dapat dibuat sebagai perangkat keras atau dapat pula direpresentasikan dengan bentuk perangkat lunak. Namun sistem syaraf buatan direpersentasikan dalam bentuk perangkat keras lebih cepat daripada bentuk perangkat lunak. Dalam skripsi ini tidak akan digunakan bentuk representasi dalam perangkat keras, namun cukup berupa perangkat lunak dengan algoritma pembelajaran backpropagation Fungsi Aktivasi dan Signal-signal Neuron akan berkelakuan analog seperti fungsi yaitu menerima masukan dan menghasilkan signal keluaran. Pada bagian ini akan dibahas fungsi aktivasi dan signalsignal yang akan dihasilkan. Aktivasi dari neuron adalah jumlah terbobot dari masukan sebuah neuron dalam sistem syaraf buatan. Sebagai gambaran, pada saat t, aktivasi masukannya dinotasikan sebagai x(t), maka dari aktivasi tersebut neuron akan menghasilkan signal keluaran S(t), dimana untuk melakukan hal tersebut dibutuhkan fungsi aktivasi. Banyak macam fungsi aktivasi, mulai dari fungsi linear, sigmoid, step, ramp, kinear, dll. Menurut Rap dan Rao (1993, p83), fungsi aktivasi yang sering digunakan adalah fungsi sigmoid yang berbentuk seperti huruf S. fungsi sigmoid diantaranya adalah fungsi tangen hyperbolics yang range nilainya diantara -1 dan 1, dan fungsi logistic yang range nilainya antara 0 dan 1. Kedua fungsi tersebut dapat ditulis sebagai berikut:
7 12 Fungsi logistic f(x) = 1 x 1+ e - < x < f(x) 1 0 x Gambar 2.2 Fungsi Sigmoid Logistik Fungsi tangen hiperbolik f(x) = e e x x e + e x - < x < f(x) 1 0 x -1 Gambar 2.3 Fungsi Tangen Hiperbolik
8 13 Fungsi step bekerja sebagai berikut, fungsi diawali dengan 0 dan terus berada posisi 0 hingga mencapai nilai ambang θ. Lompatan (step) pertama terjadi untuk nilainilai yang breada de sebelah kanan θ, dan nilainya terus bertahan di posisi 1. Untuk aktivasi bernilai sama dengan θ, signal keluaran (S(t)) dapat bernilai 1 atau 0, tergantung dari sistem syaraf buatan yang digunakan f(x) 1 0 θ x Gambar 2.4 Fungsi Step Fungsi Ramp mempunyai kemiripan dengan fungsi step, perbedaannya adalah perubahan antara 0 menuju 1 tidak dilakukan dengan tiba-tiba pada satu titik, namun dilakukan secara perlahan. Fungsi tersebut dapat dituliskan sebagai berikut: 1 jika x > θ 2 f(x) = αx - θ 1 jika θ 1 x θ 2 0 jika x < θ 1 f(x) 1 0 θ x Gambar 2.5 Fungsi Ramp
9 14 Fungsi linear juga dapat digunakan sebagai fungsi aktivasi, yang mempunyai bentuk umum seperti: f(x) = α.x + β Jika alpha = 1 berarti ambang fungsi ini akan sama dengan menambahkan nilai bias yang sama dengan nilai beta untuk jumlah masukannya Klasifikasi Jaringan Syaraf Tiruan Sistem syaraf tiruan dapat diklasifikasikan berdasarkan apakah sistem tersebut perlu diawasi dalam berlajar (supervised learning) apau tidak perlu diawasi dalam belajar (unsupervised learning) dan apakah sistem tersebut mengandung umpan balik atau tidak. Sistem syaraf buatan dikatakan supervised learning apabila ada kriteria eksternal yang digunakan oleh user untuk dicocokan dengan hasil output sistem syaraf tersebut, dan sebaliknya apabila sistem buatan tersebut bersifat unsupervised learning. Umpan balik terdapat pada beberapa jaringan syaraf buatan untuk memberikan informasi dari neuron keluaran ke neuron lapisan-lapisan sebelumnya. Berikut ini adalah sebagian sejarah model jaringan atau sistem syaraf buatan yang dikembangkan: 1. McCulloch-Pitts Neurons Warren McCulloch dan Walter Pitts adalah ilmuwan yang pertama kali mengembangkan jaringan syaraf buatan (neural network) pada tahun Mereka menemukan bahwa penggambungan neuron-neuron merupakan sumber kekuatan baru dari komputasi yang dilakukan oleh komputer. Setiap neuron digunakan untuk melakukan satu proses logika, sehingga apabila neuron-neuron tersebut digabungkan
10 15 menjadi suatu sistem yang dpa tdigambarkan sebagai rangkaian kombinasi logika. Threshold merupakan konsep yang pertama kali diperkenalkan oleh McCulloch- Pittsyaitu apabila besar masukan ke neuron lebih besar daripada besar threshold maka unit neuron akan mengirimkan ke neuron berikutnya. Konsep ini banyak digunakan pada model jaringan syaraf modern. Kini model McCulloch-Pitts banyak digunakan sebgai sirkit logika. 2. Hebb Learning Donald Hebb seorang psikolog dari McGill University adalah yang pertama kali menemukan konsep pembelajaran untuk sistem kecerdasan buatan. Teorinya adalah apabila dua neuron diaktifkan sekaligus, maka kekuatan hubungan antara neuron tersebut akan meningkat. Teori Hebb dikembangkan menjadi weight antara layerlayer. 3. Perceptrons Ditemukan oleh Rosenblatt pada tahun 1962, dan merupakan salah satu sistem syaraf buatan. Perceptron meniru sistem neuron hiologis dengan mengambil jumalh terbobot dari masukannya dan mengirimkan signal keluaran 1 jika jumlahnya lebih besar daripada nilai ambang (threshold) yang dapat disesuaikan, dan mengirimkan 0 apabila sebaliknya. Teori pembelajaran perceptron menyatakan bahwa perceptron memisahkan himpunan-himpunan pola yang terpisah secara linier (linearly separable) dalam perulangan yang tertentu. Dua pola dikatakan terpisah secara linier jika kita dapat menggambar sebuah garis yang memisahkan kelompok yang satu dengan yang lain. Dalam meminimalisasi fungsi kriteria perceptron, digunakan metode gradient descent yang merupakan salah satu bentuk pendakian (hill climbing).
11 16 X 1 X 2 X 3 W 2 W 1 W 3 Ф W n X n Gambar 2.6 Jaringan Perceptron 4. Adaline Merupakan jaringan yang dikembangkan oleh Widrow dan Hoff. Adaline merupakan kependekan dari Adaptive Linear Element. Adaline mempunyai masukan berupa bilangan real yang berada pada interval -1 dan +1 dan proses pembelajaran dengan meminimalkan kesalahan kuadrat rata-rata (least square). Adaline mempunyai kapasitas penyimpanan pola yang tinggi. Pengembangan dari adaline adalah madaline yang kependekan dari Many Adalines yang dibangun dari dua lapisan neuron dengan masing-masing sebuah koneksi dari lapisan pertama menuju lapisan kedua. 5. Kohonen Dibuat oleh Teuvo Kohonen pada tahun 1972 dari Helsinki University of Technology, yang berpusat pada assocative memory neural nets. Kohonen mengembangkan konsep self-organizing feature maps yang menggunakan peta topologis untuk setiap unit kluster. Sistem Kohonen banyak digunakan pada speech recognition dan the travelling salesman problem, dan komposisi musik.
12 17 6. Bidirectional Associatine Memory (BAM) Dikembangkan oleh Kosko pada tahun Model ini merupakan jaringan dengan koneksi berupan balik dari lapisan keluaran ke lapisan masukan. Jaringan ini mengasosiakan pola masukan dengan pola keluaran yang terdekat, dengan demikian melakukan heteroasosiasi. Apabila semua pola-pola masukan telah diketahui, maka matriks bobot koneksi dapat ditentukan sebagai perkalian vektor masukan dengan transposisinya. Pola yang diperoleh dari lapisan keluaran di satu epoch operasi akan diumpan balik kepda lapisan masukan pada awal epoch lainnya. Proses akan terus diulangi sampai jaringan stabil pada semua pola inputnya. Sistem dikatakan berada atau mencapai pada keadaan stabil dengan cara ini disebut resonansi. 7. Hopfield Nets Jaringan ini diperkenalkan pada tahun 1982 oleh Hopfield sebagai teori memori. Jaingan ini bersifat content addressable memory dimana sejumlah pola dapat disimpan dalam sebuah jaringan. Untuk mengambil sebuah pola, yang diperlukan hanya menyebutkan sebagian darinya, dan jaringan secara otomatis akan menemukan kecocokan terdekat. Disamping itu, jika beberapa neuron keliru atau salah sama sekali, jaringan masih dapat bekerja dengan benar. 8. Backpropagation Sistem syaraf buatan ini akan digunakan dalam skripsi kali ini, oleh karena itu akan dibahas secara terpisah dengan lebih mendetail.
13 Jaringan Backpropagation Sejarah Perkembangan Backbpopagation Jaringan backpropagation merupakan jaringan perceptron multilapisan atau multilayer perceptrons tetapi dengan algoritma pembelajaran yang berbeda. Jaringan backpropagation dibuat karena perceptron mempunyai kelemahan. Kejayaan perceptrons berakhir setelah beredar buku berjudul Perceptrons yang ditulis oleh Minsky dan Papert pada tahun Dalam buku tersebut dikatakan bahwa sebagian besar masalah tidak memberikan klasifikasi yang konvergen secara linier, bahkan perceptron terkadang tidak mampu memecahkan masalah-masalah yang sederhana, seperti operasi XOR, dimana diketahui 2 masukan biner, dan akan dihasilkan nilai 1 jika dan hanya jika satu masukan hidup (bernilai 1), selain itu akan dihasilkan nilai 0. Perceptron tidak mampu memecahkan masalah tersebut karena masalah tersebut tidak terpisah secara linier. Ternyata masalah ini dapat dipecahkan dengan menggunakan perceptron multilapisan, yaitu rangkaian perceptron dimana sedemikian sehingga keluaran perceptron pertama berlaku sebagai masukan perceptron pada lapisan berikutnya. Tetapi algoritma pembelajaran perceptron dianggap tidak mencakup perceptron multilapisan. Pada saat buku tersebut diterbitkan, cara pembelajaran multilapisan pada perceptron berlum ditemukan, sampai akhirnya pada tahun 1980-an ditemukan suatu cara pembelajaran pada jaringan syaraf buatan multilapisan. Rumelhart et al. mempopulerkan algoritma backpropagation dalam volume Parallel Distributed Processing pada akhir 1980-an. Mereka menyarankan penggunaan algoritma ini, yang mereka sebut aturan delta tergeneralisasi (generalized delta rule) untuk mengatasi keterbatasan algoritma perceptron. Backpropagation adalah
14 19 keberhasilan bagi connectionism, yang merupakan istilah yang digunakan oleh ilmuwan komputer dan kognitif untuk teori dan aplikasi jaringan syaraf tiruan. Backpropagation segera mendominasi dunia jaringan syaraf buatan karena kemudahannya dalam pelatihan sistem. Diperkirakan lebih dari 80% dari semua proyek sistem syaraf buatan dikembangkan dengan menggunakan algoritma pelatihan backpropagation. Popularitas backpropagation tidak luput dari kritikan karena dikatakan algoritma ini belajar dari informasi nonlokal, sehingga sering mencapai kegagalan konvergensi, dan cenderung membawa ke arah kesalahan minima lokal, bukan global. Algoritma ini memodifikasi bobot-bobot koneksinya dengan informasi kesalahan nonlokal, dimana nonlokalitas ini menyebabkan pelatihan menjadi sinkron, lama dan menyimpang dari kemasuk-akalan biologis. Beberapa ilmuwan mengatakan algoritma backpropagation pasti membawa informasi ke arah yang konvergen dengan argumen karena algoritma ini mengimplementasikan gradient descent pada error dalam vektor ruang weight antar koneksi lapisannya. Oleh karena itu mereka mengatakan pasti akan mencapai titik konvergen dimana tercapai kesalah minimal. Pada kenyataannya pada simuloasi diskret, algoritma ini sering kali tidak konvergen, bahkan terjadi osilasi, dan hanya mencapai kesalahan minimal pada keadaan lokal (local minima) bukan global. Ilmuwan memperkenalkan beberapa metode untuk mengatasi local minima ini. Salah satunnya adalah dengan memberikan faktor momentum m dimana akan menjaga supata perubahan weight bergerak pada arah yang sama sedemikian sehingga algoritma akan melompat local minima.
15 20 A B Gambar 2.7 Local Minima (A), Global Minima (B) Menurut rich and Knight (1001, p507). Algoritma backpropagation jarang mencapai local minima karena pada jaringan yang relatif besar, vektor ruang weight yang berdimensi tinggi menyediakan banyak tingkat kebebasan bagi algoritma sehingga teorema berkurangnya konvergensi bukanlah masalah dalam praktek nyatanya. Keistimewaan yang melegakan ini ditemukan baru-baru ini, ketika komputer digital cukup cepat untuk mendukung proses simulasi jaringan syaraf buatan berskala besar ArsitekturJaringan Backpropagation Backpropagation adalah sistem syaraf buatan yang berkoneksi penuh, berlapis, dan berumpan maju (feedforward). Contoh jaringan backpropagation yang sederhana terdapat pada gambar 2.8. Jaringan backpropagation dapat mempunyai banyak lapisan tersembunyi (hidden layer), namun pada contoh pada gambar 2.8 hanya dilukiskan arsitektur jaringan backpropagation dengan satu hidden layer. Jumalh neuron masukan dan neuron keluaran berturut-turut ditentukan dari dimensi pola masukan dan pola keluaran. Sedangkan untuk lapisan tersembunyi jumlah neuron tidak dapat ditentukan dengan mudah.
16 21 Y 1 Y 2 Y n Z 1 Z 2 Z 3 Z 4 Z 5 Z n X 1 X 2 X 3 X 4 X n Gambar 2.8 Jaringan Backpropagation sederhana Jaringan ini mengalami pelatihan dengan pengawasan (supervised), dengan jumlah tertentu pasangan pola masukan dan pola keluaran yang diharapkan. Pola masukan dimasukkan pada lapisan masukan, yang kemudian akan melewatkan digit-digit pola ke neuron-neuron pada lapisan selanjutnya, yang merupakan lapisan tersembunyi. Keluaran dai lapisan tersembunyi diperoleh dengan menggunakan nilai bias dan fungsi aktivasi dengan nilai masukan ke aktivasi ditentukanoleh bobot-bobot dan masukan. Keluaran tersebut menjadi masukan bagi lapisan keluaran, yang akan mengolah keluaran akhir jaringan dengan menggunakan nilai bias yang berbeda bda fungsi aktivasi yang sama. Pola yang telah dihitung dan pola masukan dibandingkan dengan suatu fungsi kesalahan untuk setiap komponen pola, kemudian dilakukan penyesuaian bobot koneksi (weight) di antara lapisan tersembunyi (hidden layer) dan lapisan keluaran (output
17 22 layer). Perhitungan yang sama dilakukan untuk bobot-bobot koneksi di antara lapisan masukan (input layer) dan lapisan tersembunyi. Proses ini diulangi sebanyak yang diperlukan gingga kesalahan berada dalam toleransi keslaahan yang diinginkan. Setiap prosedur tersebut diulangi untuk setiap pasangan pola yang diberikan ke jaringan Algoritma Backpropagation Objektif : untuk menyesuaikan bobot-bobot koneksi sehingga diperoleh hasil keluaran yang sesuai dengan toleransi kesalahan dari user. Diketahui : himpunan pasangan vektor masukan dan keluaran. Dihitung : himpunan bobot jaringan syaraf buatan dengan tiga lapisan yang akan memetakan vektor masukan ke vektor keluaran yang bersesuaian. Algoritma Backpropagation: 1. Initialisasi bobot koneksi 2. Lakukan selama kondisi berhenti belum terpenuhi, Feedforward: 3. Untuk setiap unit masukan (Xi, i = 1,..., n) akan menerima signal masukan yang akan diteruskan menuju lapisan berikutnya (hidden layer). 4. Untuk setiap unit tersembunyi (Zj, j = 1,..., p) akan menjumlahkan setiap bobot koneksi dengan signal dari lapisan masukan. z_in j = V 0j + n i= 1 XiVij
18 23 Masukan hasil perhitungan ke dalam fungsi aktivasi guna menghasilkan nilai keluaran: z j = f(z_in j ) Lalu hasil perhitungan fungsi aktivasi akan dikirim sebagai signal masukan bagi semua unit di lapisan keluaran (output layer). 5. Untuk setiap unit keluaran (Yk, k = 1,..., m) akan menjumlahkan setiap bobot koneksi dengan masukan signal dari lapisan tersembunyi. y_in k = w 0k + ZjWjk p j= 1 Lalu masukkan hasil perhitungan ke dalam fungsi aktivasi untuk mendapatkan signal keluaran: y k = f(y_in k ) Backpropagation of Error: 6. Untuk setiap unit keluaran (y k, k = 1,..., m) akan menerima pola keluaran yang sebenarnya (t k ) sesuai dengan pola masukan yang telah diproses, lalu akan dihitung kesalahan antara pola keluaran sebenarnya dengan pola keluaran dari sistem syaraf buatan. δ k = (t k y k ).f (y_in k ) Lalu dihitung nilai bobot antara lapisan tersembunyi dengan lapisan keluaran yang baru: w jk = w jk (old) + (α.δ k.z j ) Lalu dihitung nilai bias lapisan keluaran yang baru: w 0k = w 0k (old) + (α.δ k )
19 24 7. Untuk setiap unit tersembunyi (Zj, j = 1,..., p) akan menjumlahkan setiap delta masukan dari lapisan keluaran. m δ_in j = δ kwjk k = 1 Untuk mendapatkan nilai kesalahan dari lapisan tersembunyi kalikan hasil di diatas dengan turunan dari fungsi aktivasi. j = δ_in j.f (z_in j ) Lalu dihitung nilai bobot antara lapisan tersembunyi dengan lapisan masukan yang baru: v ij = v ij (old) + (α.δ j.x i ) Lalu dihitung nilai bias lapisan tersembunyi yang baru: v 0j = v 0j (old) + (α.δ j ) 8. Uji, apakah hasil kesalahan sudah memenuhi kriteria toleransi kesalahan. Algoritma tersebut digunakan apabila jaringan backpropagation yang dipakai adalah jaringan dengan 3 lapisan. Sedangkan untuk jaringan lebih dari 3 lapisan masih diperlukan beberapa langkah tambahan, yaitu mengulang langkah feedforward dan langkah backpropagation untuk menyesuaikan bobot pada langkah no.7. Fungsi aktivasi untuk algoritma backpropagation berbentuk sigmoid. Fungsi ini dibutuhkan karena turunan aturan penyesuaian bobot koneksi membutuhkan fungsi aktivasi yang bersifat kontinu dan bisa terdiferensiasi. Dengan fungsi sigmoid bobot yang dibutuhkan agar jaringan dapat mencapai 0 dan 1 adalah tak terhingga, maka untuk hasil biner, vektor keluarannya hanya akan memberikan nilai yang mendekati 0 atau 1, tidak tepat sama dengan nilai-nilai tersebut.
20 Classic Life Cycle Problem Rekayasa piranti lunak menurut Fritz Bauer (Pressman, 1992, p23) adalah penetapan dan pemakain prinsip-prinsip rekayasa dalam rangka mendapatkan piranti lunak yang ekonomis yaitu terpercaya dan bekerja efisien pada mesin (komputer). Menurut Pressman(1992, p24) rekayasa piranti lunak mencakup 3 elemen yang mampu mengontrol proses pengembangan piranti lunak, yaitu: 1. Metode-metode (Methods) Menyediakan cara-cara teknis untuk membangun piranti lunak 2. Alat-alat bantu (Tools) Mengadakan dukungan otomatis atau semi otomatis untuk metodemetode seperti CASE (computer Aided Softwaer Engineering) yang mengkombinasikan software, hardware dan software engineering database 3. Prosedur-Prosedur (Precedurs) Merupakan pengembangan metode dan alat bantu. Dalam perancangan software dikenal istilah Classic Life Cycle, serangkaian kegiatan yang dilakukan selama masa perancangan software, di antaranya: 1. Rekayasa Sistem. Tahap awal perancangan pekerjaan yang akan dibangun dengan pengusulan penetapan pada semua sistem elemen dan mengalikasikan beberapa bagiannya ke dalam usulan pada software. Rekayasa sistem dititikberatkan pada penggabungan semua level sistem dengan melakukan pengkajian dari level atas dalam pendesainan dan analisa.
21 26 2. Analisis kebutuhan software. Proses intensif dan memfokuskan pada spesialisasi software. Semua kebutuhan baik sistem maupun software harus didokumenmtasikan dan harus dikaji (review) oleh pengguna. 3. Perancangan. Di tahap ini ada 3 hal yang perlu difokuskan dalam program, yaitu struktur data, arsitektur software dan prosedur yang detail. Di tahap perancangan ini mengubah suatu kebutuhan menjadi software yang layak dari segi kualitas sebelum masuk pada proses pengkodean. 4. Pengkodean. Difokuskan pada penterjemahan hasil rancangan ke bahasa mekanik yang dimengerti oleh mesin dalam bentuk program-program. 5. Pengujian. Sebelum diaplikasikan, semua statemen software diuji terlebih dahulu, pemberian input juga dilakukan untuk mengetahui apakh sudah sesuai dengan yang diinginkan atau belum. 6. Pemeliharaan. Software mungkin juga mengalami perubahan yang dilakukan untuk mengantisipasi peningkatan kebutuhan pengguna akan fungsi-fungsi baru. Ada 4 macam pemeliharaan: Corrective Maintenance, perubahan kerana ditemukan kesalahan (error) Perfective Maintenance, perubahan karena pemakai menginginkan peningkatan fungsi atau kinerja. Adaptive Maintenance, perubahan karena adaptasi dengan environment seperti perubahan operating sistem atau perangkat lainnya.
22 27 Preventive Maintenance, perubahan untuk mengantisipasi perubahanperubahan yang akan datang (trend-trend yang akan datang).
BAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan Pendahuluan Otak Manusia Sejarah Komponen Jaringan Syaraf Arisitektur Jaringan Fungsi Aktivasi Proses Pembelajaran Pembelajaran Terawasi Jaringan Kohonen Referensi Sri Kusumadewi
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih 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 terperinciJARINGAN SYARAF TIRUAN
JARINGAN SYARAF TIRUAN 8 Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
Lebih terperinciSebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran
Sebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran Kecerdasan Buatan Pertemuan 11 Jaringan Syaraf Tiruan (Artificial Neural Network)
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan diuraikan materi yang mendukung dalam pembahasan evaluasi implementasi sistem informasi akademik berdasarkan pengembangan model fit HOT menggunakan regresi linier
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciterinspirasi dari sistem biologi saraf makhluk hidup seperti pemrosesan informasi
25 BAB III JARINGAN SARAF TIRUAN (JST) 3.1 Pengertian JST JST merupakan sebuah model atau pola dalam pemrosesan informasi. Model ini terinspirasi dari sistem biologi saraf makhluk hidup seperti pemrosesan
Lebih terperinci1.1. Jaringan Syaraf Tiruan
BAB I PENDAHULUAN 1.1. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi yang digambarkan sebagai berikut
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar belakang Hujan merupakan salah satu unsur iklim yang berpengaruh pada suatu daerah aliran sungai (DAS). Pengaruh langsung yang dapat diketahui yaitu potensi sumber daya air. Besar
Lebih terperinciJaringan Syaraf Tiruan
07/06/06 Rumusan: Jaringan Syaraf Tiruan Shinta P. Sari Manusia = tangan + kaki + mulut + mata + hidung + Kepala + telinga Otak Manusia Bertugas untuk memproses informasi Seperti prosesor sederhana Masing-masing
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Jaringan Saraf Tiruan (JST) Jaringan saraf tiruan pertama kali secara sederhana diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. McCulloch dan Pitts menyimpulkan bahwa
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 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciStudi Modifikasi standard Backpropagasi
Studi Modifikasi standard Backpropagasi 1. Modifikasi fungsi objektif dan turunan 2. Modifikasi optimasi algoritma Step Studi : 1. Studi literatur 2. Studi standard backpropagasi a. Uji coba standar backpropagasi
Lebih terperinciMODEL N EURON NEURON DAN
1 MODEL NEURON DAN ARSITEKTUR JARINGAN 1 1 Model Neuron Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan sebagai berikut : Menerima input atau masukan (baikdari data yang dimasukkan
Lebih terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Ginjal Ginjal adalah organ tubuh yang berfungsi untuk mengeluarkan urine, yang merupakan sisa hasil metabolisme tubuh dalam bentuk cairan. Ginjal terletak pada dinding bagian luar
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR
Jurnal Barekeng Vol. 8 No. Hal. 7 3 (04) ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR Analysis of Backpropagation Artificial Neural Network to
Lebih terperinciJARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS)
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS) (Artificial Neural Networks) BAB I PENDAHULUAN 1.1 Sejarah JST JST : merupakan cabang dari Kecerdasan Buatan (Artificial Intelligence ) JST : meniru
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
Lebih terperinciVIII.PENGANTAR JARINGAN SYARAF TIRUAN (JST)
VIII.PENGANTAR JARINGAN SYARAF TIRUAN (JST) 3 JARINGAN SYARAF BIOLOGIS (JSB) Otak manusia berisi sekitar 0 sel syaraf (neuron) yang bertugas untuk memproses informasi yang masuk. Tiap sel syaraf dihubungkan
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciFarah Zakiyah Rahmanti
Farah Zakiyah Rahmanti Latar Belakang Struktur Dasar Jaringan Syaraf Manusia Konsep Dasar Permodelan JST Fungsi Aktivasi JST Contoh dan Program Jaringan Sederhana Metode Pelatihan Supervised Learning Unsupervised
Lebih terperinciFAKULTAS SAINS DAN TEKNOLOGI UIN SUSKA RIAU. IIS AFRIANTY, ST., M.Sc
IIS AFRIANTY, ST., M.Sc Sistem Penilaian Tugas dan Keaktifan : 15% Quiz : 15% UTS : 35% UAS : 35% Toleransi keterlambatan 15 menit Handphone: Silent Costume : aturan UIN Laki-laki Perempuan Menggunakan
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBAB II TEORI DASAR. Gambar 2.1 Anatomi Jantung
4 BAB II TEORI DASAR 2.1. Jantung Jantung merupakan otot tubuh yang bersifat unik karena mempunyai sifat membentuk impuls secara automatis dan berkontraksi ritmis [4], yang berupa dua pompa yang dihubungkan
Lebih terperinciIMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI
IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
Lebih terperinciBAB II MODEL NEURON DAN ARSITEKTUR JARINGAN
BAB II MODEL NEURON DAN ARSITEKTUR JARINGAN Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian JST. Neuron terdiri dari 3 elemen: Himpunan unit2 yang dihubungkan dengan jalus
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI 2.1. Citra Digital Citra digital dapat didefenisikan sebagai fungsi f(x,y) yaitu dua dimensi, dimana x dan y merupakan koordinat spasial dan f(x,y) disebut dengan intensitas atau
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 terperinciJARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom Outline Konsep JST Model Struktur JST Arsitektur JST Aplikasi JST Metode Pembelajaran Fungsi Aktivasi McCulloch
Lebih terperinciPrediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan
Prediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan Kusuma Dewangga, S.Kom. Jurusan Ilmu Komputer Universitas Gadjah Mada Jl. Bulaksumur, Yogyakarta kusumadewangga@gmail.com
Lebih terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciBAB VIII PENGANTAR JARINGAN SYARAF TIRUAN (JST)
BAB VIII PENGANTAR JARINGAN SYARAF TIRUAN (JST) 8.1 Komponen Jaringan Syaraf JARINGAN SYARAF BIOLOGIS (JSB) Otak manusia berisi sekitar 10 11 sel syaraf (neuron) yang bertugas untuk memproses informasi
Lebih terperinciBAB 2 LANDASAN TEORI. Menurut Sofjan Assauri (1984) Peramalan adalah kegiatan untuk
7 BAB 2 LANDASAN TEORI 2.1 Pengertian peramalan Menurut Sofjan Assauri (1984) Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Setiap kebijakan atau pengambilan
Lebih terperinciPerbandingan Arsitektur Multilayer Feedforward Network dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array
Nico Saputro Perbandingan Arsitektur Multilayer Feedforard Netork dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array Abstrak Jaringan Syaraf Tiruan dapat diimplementasikan secara perangkat
Lebih terperinciUNIVERSITAS BINA NUSANTARA
UNIVERSITAS BINA NUSANTARA Program Studi Ganda Teknik Informatika - Matematika Skripsi Sarjana Program Studi Ganda Semester Ganjil 2005/2006 Novan Parningotan S NIM: 0400532004 Abstrak Pada saat ini, penyakit
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciGenerated by Foxit PDF Creator Foxit Software For evaluation only. BAB I PENDAHULUAN
1 BAB I PENDAHULUAN I.1 Latar Belakang Perkembangan teknologi khususnya komputer beberapa tahun terakhir ini sangat pesat. Pesatnya perkembangan juga dirasakan di berbagai disiplin ilmu termasuk kedokteran.
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 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 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 terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
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 terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciJARINGAN SYARAF TIRUAN DAN PEMROGRAMANNYA DENGAN MATLAB J.J. Siang 2 Jaringan Syaraf Tiruan dan Pemrogramannya Dengan Matlab Untuk Kevin, yang senyumnya membangkitkan semangat dan harapan Being wise is
Lebih terperinciBAB II DASAR TEORI. 2.1 Citra Digital
BAB II DASAR TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f (x,y) dua dimensi,dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinciResearch of Science and Informatic BROILER CHICKENS WEIGHT PREDICTION BASE ON FEED OUT USING BACKPROPAGATION
Sains dan Informatika Vol.2 (N0.2) (2016): 1-9 1 Andre Mariza Putra, Chickens Weight Prediction Using Backpropagation JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
79 BAB 2 TINJAUAN PUSTAKA 2.1. Pengenalan Pola Pengenalan pola mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh komputer. Tujuan pengelompokan ini adalah untuk mengenali suatu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciDIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
DIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Bambang Yuwono 1), Heru Cahya Rustamaji 2), Usamah Dani 3) 1,2,3) Jurusan Teknik Informatika UPN "Veteran" Yogyakarta
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Jaringan Saraf Tiruan (JST) Saat ini, komputer modern dengan teknologi canggih merupakan sebuah kekuatan bagi perkembangan zaman. Meskipun demikian banyak hal yang masih tetap
Lebih terperinciOPTICAL CHARACTER RECOGNIZATION (OCR)
LAPORAN JARINGAN SYARAF TIRUAN OPTICAL CHARACTER RECOGNIZATION (OCR) DISUSUN OLEH: DIJAS SCHWARTZ. S (524) FIRNAS NADIRMAN (481) INDAH HERAWATI (520) NORA SISKA PUTRI (511) OKTI RAHMAWATI (522) EKSTENSI
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan membahas landasan teori-teori yang bersifat ilmiah untuk mendukung penulisan skripsi ini. Teknik-teknik yang dibahas mengenai pengenalan pola, prapengolahan citra,
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini akan dibahas mengenai teori-teori pendukung pada penelitian ini. Adapun teori tersebut yaitu teori jaringan saraf tiruan dan algoritma backpropragation. 2.1. Jaringan Saraf
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Bagian ini membahas jaringan saraf tiruan, pengenalan tulisan tangan, dan algoritma backpropagation. 2. Jaringan Saraf Tiruan Jaringan saraf tiruan (JST)
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciBab 4 Model Neural Network
Model Jaringan Neural Buatan (JNB) merupakan suatu sistem yang dibangun berdasarkan cara kerja neural pada makhluk hidup (neural biologis) Neural biologis terdiri atas sel neural yang disebut neuron yang
Lebih terperinciGambar 2.1 Neuron biologi manusia (Medsker & Liebowitz, 1994)
BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks, serta memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinci