ARTIFICIAL NEURAL NETWORK (JARINGAN SYARAF TIRUAN) Teny Handhayani
|
|
- Sonny Rachman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 ARTIFICIAL NEURAL NETWORK (JARINGAN SYARAF TIRUAN) Teny Handhayani
2 LATAR BELAKANG Jaringan syaraf pada sistem Biologi
3 DARI NEURON BIOLOGI KE NEURON BUATAN Dendrite Cell Body Axon
4 DARI NEURON BIOLOGI KE NEURON BUATAN
5 ARTIFICIAL NEURAL NETWORK A network of artificial neurons Characteristics Nonlinear I/O mapping Adaptivity Generalization ability Fault-tolerance (graceful degradation) Biological analogy <Multilayer Perceptron Network>
6 TIPE-TIPE ARTIFICIAL NEURAL NETWORKS Single Layer Perceptron Multilayer Perceptrons (MLPs) Radial-Basis Function Networks (RBFs) Hopfield Network Boltzmann Machine Self-Organization Map (SOM) Modular Networks (Committee Machines)
7 ARSITEKTUR JARINGAN <Multilayer Perceptron Network> <Hopfield Network>
8 FITUR DARI ARTIFICIAL NEURAL NETWORKS Records (examples) need to be represented as a (possibly large) set of tuples of <attribute, value> Nilai output direpresentasikan sebagai nilai diskrit, real, atau vektor Memiliki toleransi terhadap noise data input Time factor Membutuhkan waktu yang lama untuk pelatihan Sekali melalui pelatihan, ANN mampu memrpoduksi output dengan cepat Sulit untuk menginterpretasikan proses prediksi ANN
9 CONTOH APLIKASI NETtalk [Sejnowski] Inputs: English text Output: Spoken phonemes Phoneme recognition [Waibel] Inputs: wave form features Outputs: b, c, d, Robot control [Pomerleau] Inputs: perceived features Outputs: steering control
10 APLIKASI: AUTONOMOUS LAND VEHICLE (ALV) NN learns to steer an autonomous vehicle. 960 input units, 4 hidden units, 30 output units Driving at speeds up to 70 miles per hour ALVINN System Image of a forward - mounted camera Weight values for one of the hidden units
11 APLIKASI: ERROR CORRECTION BY A HOPFIELD NETWORK original target data Corrected data after 10 iterations corrupted input data Corrected data after 20 iterations Fully corrected data after 35 iterations
12 PERCEPTRON AND GRADIENT DESCENT ALGORITHM
13 ARSITEKTUR DARI SEBUAH PERSEPTRON Input: a vector of real values Output: 1 or -1 (binary) Activation function: threshold function NOTE: Perceptron is also called as a TLU (Threshold Logic Unit)
14 HYPOTHESIS SPACE OF PERCEPTRONS Free parameters: weights (and thresholds) Learning: choosing values for the weights Hypotheses space of perceptron learning H { w w ( n 1) n: dimension of the input vector Linear function } f (x) w 0 w x 1 1 w n x n
15 PERCEPTRON AND DECISION HYPERPLANE Perceptron merepresentasikan sebuah hyperplane pada n- dimensional space dari instance (misalnya titik) Output perceptron 1 untuk instance yang terletak pada satu sisi hyperplane dan output -1 untuk instance yang terletak di sisi lainnya Equation for the decision hyperplane: wx = 0. Data positif dan negatif tidak dapat dipisahkan dengan sembarang hyperplane Sebuah perceptron tidak dapat melatih permasalahan pada data linearly nonseparable
16 LINEARLY SEPARABLE V.S. LINEARLY NONSEPARABLE (a) Decision surface for a linearly separable set of examples (correctly classified by a straight line) (b) A set of training examples that is not linearly separable.
17 REPRESENTATIONAL POWER OF PERCEPTRONS Perceptron tunggal dapat digunakan untuk merepresentasikan banyak fungsi boolean AND function: w 0 = -0.8, w 1 = w 2 = 0.5 OR function: w 0 = -0.3, w 1 = w 2 = 0.5 Perceptron dapat merepresentasikan semua fungsi boolean primitif : AND, OR, NAND dan NOR Catatan: Beberapa fungsi tidak dapat direpresentasikan dengan perceptron tunggal contohnya XOR Setiap fungsi boolean dapat direpresentasikan dengan beberapa jaringan perceptron hanya dengan dua level kedalaman One way merepresentasikan fungsi boolean pada bentuk DNF (OR of ANDs)
18 PERCEPTRON TRAINING RULE Note: output value o is +1 or -1 (not a real) Perceptron rule: a learning rule for a threshold unit. Conditions for convergence Training examples are linearly separable. Learning rate is sufficiently small.
19 CONTOH Jika diketahui xi = 0.8, = 0.1, t = 1 dan o = -1 maka wi = (t - o) xi = 0.1 * ( 1 (-1)) * 0.8 = 0.1 * 2 * 0.8 = 0.16
20 LEAST MEAN SQUARE (LMS) ERROR Note: output value o is a real value (not binary) Delta rule: learning rule for an unthresholded perceptron (i.e. linear unit). Delta rule is a gradient-descent rule. Also known as the Widrow-Hoff rule
21 GRADIENT DESCENT METHOD
22 DELTA RULE FOR ERROR MINIMIZATION w i w i w i, w i E w i w ( t o ) x i d D d d id
23 GRADIENT DESCENT ALGORITHM FOR PERCEPTRON LEARNING
24 PROPERTIES OF GRADIENT DESCENT Because the error surface contains only a single global minimum, the gradient descent algorithm will converge to a weight vector with minimum error, regardless of whether the training examples are linearly separable. Condition: a sufficiently small learning rate If the learning rate is too large, the gradient descent search may overstep the minimum in the error surface. A solution: gradually reduce the learning rate value.
25 CONDITIONS FOR GRADIENT DESCENT Gradient descent adalah strategi umum yang penting untuk mencari hipotesis space yang besar atau infinite Kondisi untuk gradient descent search Hypothesis space terdiri atas parameter hipotesis yang kontinue, contohnya bobot pada unit linear Error dapat dibedakan w.r.t parameter hipotesis
26 DIFFICULTIES WITH GRADIENT DESCENT Konvergensi ke local minimum bersifat lambat Jika terdapat banyak local minima pada error surfae, maka tidak ada jaminan bahwa prosedur akan menemukan global minimum
27 PERCEPTRON RULE V.S. DELTA RULE Perceptron rule Thresholded output Konvergen setelah melalui sejumlah iterasi terbatas terhadap hipotesis yang dapat mengklasifikasi data latih dengan benar,data latih linear separable. Hanya dapat digunakan pada data linearly separable Delta rule Unthresholded output.konvergen hanya secara asymtitic menuju error minimum, mungkin membutuhkan waktu yang tak terbatas, tetapi tidak terpaku pada data linearly separable Dapat digunakan untuk data linearly nonseparable
28 MULTILAYER PERCEPTRON
29 MULTILAYER NETWORK AND ITS DECISION BOUNDARIES Wilayah keputusan dari jaringan multilayer feedforward Jaringan dilatih untuk mengenali 1 dari 10 suara vokal yang terjadi pada konteks h_d Input jaringan terdiri atas dua parameter F1 dan F2, diperoleh dari analisis spektral suara. Sepuluh jaringan output berhubungan dengan 10 kemungkinan suara vokal
30 DIFFERENTIABLE THRESHOLD UNIT Sigmoid function: nonlinear, differentiable
31 BACKPROPAGATION (BP) ALGORITHM BP mempelajari bobot untuk jaringan multilayer, diberikan sebuah jaringan dengan sekumpulan unit tetap dan interkoneksi BP memperkerjakan gradien descent untuk mencoba meminimalkan error kuadrat antara jaringan output dan nilai target Dua tahapan pembelajaran: Forwad stage: menghitung output yang diberikan oleh pola x. Backward stage: mengupdate bobot dengan menghitung delta
32 FUNGSI ERROR UNTUK BP E( w ) 1 2 d D k outputs ( t kd o kd 2 ) E defined as a sum of the squared errors over all the output units k for all the training examples d. Error surface can have multiple local minima Guarantee toward some local minimum No guarantee to the global minimum
33 BACKPROPAGATION ALGORITHM FOR MLP
34 Program 1
35 Program 2 PROBLEM DESCRIPTION: Create and view custom neural networks
36
37 Program 3 Classification of linearly separable data with a perceptron
38 TUGAS Ketikkan kode program berikut kemudian cari keluaran program, misalnya: 1. Data input 2. Neural Network Training 3. Feed-forward Neural Network 4. Output 5. Dsb
39 Tugas 1 Classification of a 4-class problem with a perceptron
40 %PROBLEM DESCRIPTION: Perceptron network with 2-inputs and 2-outputs is trained %to classify input vectors into 4 categories
41 Tugas 2 ADALINE time series prediction
42
43 Tugas 3 : Solving XOR problem with a multilayer perceptron
44
45
46 Tugas 4 Classification of a 4-class problem with a multilayer perceptron
47
48
49
Sebelumnya... 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 terperinciOFVSBM!OFUXPSL. Latar Belakang
OFVSBM!OFUXPSL Sumber: Tim Machine Learning PENS ITS Latar Belakang Kemampuan manusia dalam memproses informasi, mengenal wajah, tulisan, dsb. Kemampuan manusia dalam mengidentifikasi wajah dari sudut
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 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 terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
Lebih terperinciAbstract. Keywords: Artificial Neural Network
Abstract Artificial Neural Network is one of the technologies which have developed because of Information Technology development itself. Nowadays, more and more large companies are implementing Artificial
Lebih terperinciABSTRAK. v Universitas Kristen Maranatha. Kata kunci: backpropagation, Multilayer Perceptron (MLP), masalah klasifikasi
ABSTRAK Salah satu fungsi dari pengklasifian data adalah untuk dapat mengenali objek baru. Sebuah sistem komputer yang berbentuk Multilayer Perceptron (MLP), dengan algoritma backpropagation mampu membantu
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 terperinciADLN - Perpustakaan Universitas Airlangga ABSTRAK. viii
Muhammad Arif Santoso, 2015. Peramalan Penjualan Produk Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine. Skripsi ini dibawah bimbingan Auli Damayanti,S.Si, M.Si dan Dr. Herry Suprajitno,
Lebih terperinciBAB 1 PENDAHULUAN. datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk
BAB 1 PENDAHULUAN 1.1. Latar Belakang Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan
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 terperinciSimple ANN (Multilayer Perceptron) dengan Keras. Alfan F. Wicaksono Fakultas Ilmu Komputer Universitas Indonesia
Simple ANN (Multilayer Perceptron dengan Keras Alfan F. Wicaksono Fakultas Ilmu Komputer Universitas Indonesia Disclaimer Ini bukan tutorial untuk mempelajari ANN & Deep Learning secara detail. Tujuan
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 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 terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciBAB 1 PENDAHULUAN. 1 Universitas Kristen Maranatha. Gambar 1.1 : Ilustrasi jaringan syaraf manusia yang diadaptasi untuk ANN (Kriesel, 2011)
BAB 1 PENDAHULUAN 1.1 Latar Belakang Rentannya kesalahan yang dapat terjadi oleh pekerjaan yang dilakukan oleh manusia dalam menganalisa, atau ketika mencoba membangun relasi antar fitur yang berjumlah
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 terperinciANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD SKRIPSI
ANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD SKRIPSI SISKA MELINWATI 061401040 PROGRAM STUDI SARJANA ILMU KOMPUTER DEPARTEMEN
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum 2.1.1 Genetic Algorithm Genetic algorithm adalah suatu algoritma yang biasanya digunakan untuk mencari solusi-solusi yang optimal untuk berbagai masalah
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 terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciNeural Network. Latar Belakang. Dipercaya bahwa kekuatan komputasi otak terletak pada: Hubungan antra selsel
Latar Belakang Neural Network Uro Abdulrohim, S.Kom, MT. Dipercaya bahwa kekuatan komputasi otak terletak pada: Hubungan antra selsel syaraf Hierarchical organization Firing characteristic Banyaknya jumlah
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 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 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 terperinciPEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG
PEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG T 610.28 PUT Abstrak Penelitian ini bertujuan untuk memperlihatkan suatu metoda pengenalan multi pola dari
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 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 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 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 terperinciArtificial Neural Network
9 Artificial Neural Network If you want to make information stick, it s best to learn it, go away from it for a while, come back to it later, leave it behind again, and once again return to it - to engage
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Artificial Neural Network Artificial neural network (ANN) / jaringan saraf tiruan adalah konsep yang merefleksikan cara kerja dari jaringan saraf biologi kedalam bentuk artificial
Lebih terperinci1. Pendahuluan 1.1 Latar belakang masalah
1. Pendahuluan 1.1 Latar belakang masalah Emas adalah unsur kimia dalam tabel periodik yang memiliki simbol Au (bahasa Latin: 'aurum') dan nomor atom 79. Emas digunakan sebagai standar keuangan di banyak
Lebih terperinciJaringan Saraf Tiruan dengan Backpropagation untuk Memprediksi Penyakit Asma
28 ISSN: 2354-5771 Jaringan Saraf Tiruan dengan Backpropagation untuk Memprediksi Penyakit Asma Dahriani Hakim Tanjung STMIK Potensi Utama Medan E-mail: notashapire@gmail.com Abstrak Penelitian ini bertujuan
Lebih terperinciProgram Pilihan Ganda Sederhana dengan Java
Program Pilihan Ganda Sederhana dengan Java Posted by Lita Nurlaelati 1:25 PM Programming Kali ini admin berbagi tentang membuat program Java GUI menggunakan Netbeans. Berikut langkah - langkahnya : Buat
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 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 terperinciPERAMALAN PRODUKSI CABAI RAWIT DENGAN NEURAL NETWORK Muhammad Fajar
PERAMALAN PRODUKSI CABAI RAWIT DENGAN NEURAL NETWORK Muhammad Fajar Abstrak Tujuan penelitian ini untuk melakukan peramalan produksi cabai rawit dengan menggunakan neural network. Data yang digunakan dalam
Lebih terperincioleh WAHYUNI PUTRANTO NIM. M SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
PERBANDINGAN METODE GRADIENT DESCENT DAN GRADIENT DESCENT DENGAN MOMENTUM PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN KURS TENGAH RUPIAH TERHADAP DOLAR AMERIKA oleh WAHYUNI PUTRANTO NIM.
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
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 III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih 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 Data Data adalah kumpulan kejadian yang diangkat dari suatu kenyataan (fakta),at berupa angka-angka, huruf, simbol-simbol, atau gabungan dari ketiganya. Dalam perkembangan selanjutnya,
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 terperinciSLOPE CORRECTION PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
SLOPE CORRECTION PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Disusun Oleh : Apriliyanto Taufik Betama (1022070) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. drg. Suria Sumantri, MPH, No.
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 terperinciPERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION ALGORITHM
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol.6 No. 2, Desember 217 : 8-91 PERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION
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 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 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 I PENDAHULUAN. Machine learning (ML), bagian dari kecerdasan buatan (artificial
BAB I PENDAHULUAN 1. 1.1. Latar Belakang Machine learning (ML), bagian dari kecerdasan buatan (artificial intelligence), merupakan metode untuk mengoptimalkan performa dari sistem dengan mempelajari data
Lebih terperinciANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR
Jurnal Teknik dan Ilmu Komputer ANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR PARAMETER VARIATION ANALYSIS OF LEARNING VECTOR QUANTIZATION
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciRULE MINING UNTUK KLASIFIKASI DATA MENGGUNAKAN SEARCH TREE
RULE MINING UNTUK KLASIFIKASI DATA MENGGUNAKAN SEARCH TREE Rina Dewi Indahsari 1, Broto Poernomo T.P 2 1,2 STMIK Asia Malang E-mail: 1 rideinsar30@gmail.com, 2 papung@gmail.com Abstrak Penelitian ini adalah
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Literatur Algoritma genetik merupakan salah satu algoritma yang biasanya digunakan dalam optimalisasi data. Namun penggunaan algoritma genetik dalam melakukan peramalan
Lebih terperinciPenyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks
Penyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks Dewi Erla Mahmudah 1, Ratna Dwi Christyanti 2, Moh. Khoridatul Huda 3,
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 terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciPemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat
Pemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat SKRIPSI Disusun oleh: MAULIDA NAJWA 24010212130028 DEPARTEMEN STATISTIKA
Lebih 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 terperinciAplikasi Jaringan Saraf Tiruan Sebagai Penterjemah Karakter Braille Ke Bentuk Abjad
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Aplikasi Jaringan Saraf Tiruan Sebagai Penterjemah
Lebih terperinciANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES
ANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES Thomas Brian Universitas Trunojoyo Madura Bangkalan, Indonesia thomasbrian2112@yahoo.com Abstrak Salah satu algoritma
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1. Citra Digital Citra digital adalah suatu citra elektronik yang diambil dari dokumen, seperti foto, buku, maupun sebuah video. Proses perubahan citra analog menjadi citra digital
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 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 terperinciPREDIKSI DATA RUNTUN WAKTU MENGGUNAKAN JARINGAN SYARAF TIRUAN
PREDIKSI DATA RUNTUN WAKTU MENGGUNAKAN JARINGAN SYARAF TIRUAN TIME SERIES DATA PREDICTION USING ARTIFICIAL NEURAL NETWORKS Agung Mubyarto Prodi Teknik Elektro, Universitas Jenderal Soedirman Jl. Kampus
Lebih terperinciLEARNING ARTIFICIAL INTELLIGENT
LEARNING ARTIFICIAL INTELLIGENT OUTLINE Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes JARINGAN SYARAF TIRUAN (JST) Intro Definisi ANN Model Matematis Neuron Fungsi Aktivasi
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI
PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September
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 terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 31 Pendahuluan Algoritma Resilient Backpropagation (RPROP) dibagi menjadi dua bagian proses yaitu forward pass dan backward pass Forward pass berfungsi untuk mendapatkan nilai
Lebih terperinciNOISE REMOVAL PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
NOISE REMOVAL PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Denny Susanto (1022029) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof. Drg. Suria Sumantri, MPH no.65,
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN JARINGAN SARAF TIRUAN ELMAN DENGAN ALGORITME GRADIENT DESCENT ADAPTIVE LEARNING RATE
PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN JARINGAN SARAF TIRUAN ELMAN DENGAN ALGORITME GRADIENT DESCENT ADAPTIVE LEARNING RATE oleh BETA VITAYANTI M0110012 SKRIPSI Ditulis dan diajukan untuk
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 terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciRealisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen
Realisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen David Novyanto Candra/0322003 Email: dave_christnc@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Jln.Prof.Drg.Suria
Lebih terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
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 terperinciKata kunci : Slant correction, jaringan saraf tiruan, multilayer perceptron, backpropagation.
SLANT CORRECTION MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER PERCEPTRON Disusun oleh : Nama : George L. Immanuel NRP : 0922080 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha
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 terperinciPERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION
PERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION Budi Santosa, Riza Nugraha Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan Support Vector Backpropagation. Pembahasan bertujuan untuk menguraikan teori dan algoritma yang digunakan dalam
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 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 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 terperinciKata Kunci: jaringan transmisi, identifikasi, gangguan hubung singkat, jaringan syaraf tiruan.
ABSTRAK Jaringan syaraf tiruan terdiri dari beberapa neuron yang saling terhubung seperti pada otak manusia. Neuron atau sel saraf adalah sebuah unit pemroses informasi yang merupakan dasar operasi jaringan
Lebih terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciPREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION
JIMT Vol. 4 No. Juni 207 (Hal 47-55) ISSN : 2450 766X PREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION J.R. Mustakim, R. Ratianingsih 2 dan D. Lusiyanti 3,2,3 Program Studi
Lebih terperinciOleh : Agus Sumarno Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si
APLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES APPLICATION Of WAVELET RECURRENT NEURAL NETWORK FOR TIME SERIES DATA PREDICTION Oleh : Agus Sumarno 1206 100 706 Dosen Pembimbing
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 terperinciPREDIKSI INDEKS PASAR SAHAM S&P500, DOW JONES DAN NASDAQ COMPOSITE DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION
PREDIKSI INDEKS PASAR SAHAM S&P500, DOW JONES DAN NASDAQ COMPOSITE DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION Feni Andriani 1, Ilmiyati Sari 2 1 Universitas Gunadarma, feni.andriani@staff.gunadarma.ac.id
Lebih terperinciPeningkatan Kemampuan Pengenalan Pola dari Jaringan Saraf Tiruan dengan Menggunakan Diskritisasi Chi2
Peningkatan Kemampuan Pengenalan Pola dari Jaringan Saraf Tiruan dengan Menggunakan Diskritisasi Chi2 Jeffry Hartanto 1, Gregorius Satia Budhi 2 Program Studi Teknik Informatika Universitas Kristen Petra
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 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 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 terperinciARSITEKTUR JARINGAN SYARAF TIRUAN UNTUK PEMODELAN PROSES EKSTRAKSI ATURAN DENGAN SEARCH TREE
ARSITEKTUR JARINGAN SYARAF TIRUAN UNTUK PEMODELAN PROSES EKSTRAKSI ATURAN DENGAN SEARCH TREE Rina Dewi Indah Sari 1 dan Gunawan 2 1 Teknik Informatika STMIK ASIA Malang 2 Teknik Informatika STTS Surabaya
Lebih terperinciImplementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital
JURNAL SAINS DAN SENI IS Vol. 6, No.1, (2017) 2337-3520 (2301-928X Print) A 18 Implementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital Zulfa Afiq Fikriya, Mohammad Isa Irawan, dan Soetrisno
Lebih terperinci