APLIKASI JARINGAN SYARAF TIRUAN UNTUK PENDUGAAN MUTU. Sandra 1)
|
|
- Hendri Halim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Alikasi Jaringan Syaraf Tiruan (Sandra) APLIKASI JARINGAN SYARAF TIRUAN UNTUK PENDUGAAN MUTU MANGGA SEGAR SECARA NON-DESTRUKTIF Sandra 1) 1) Staf Pengajar Fakultas Pertanian, Universitas Andalas Padang ABSTRACT The objective of this study was to estimate grade of mango with artificial neural network. There are three grade of mango: grade I, grade II and grade III. Each grade consists of 40 samles. The Artificial Neural Network consists of three model; first model: 3 inut, second model: 5 inut and third model: 7 inut. Each of models consists of three oututs with 1000, 2500, and 5000 iteration, and 3, 5, and 7 hidden layers. The result of this study show that the accuracy of artificial neural network in grade of mango: (1) the first model 60% - 100%; (2) the second model 90% and (3) the third model 90 %. The conclusion of this study is the artificial neural network can redict the grade of mango and the best model is the third model. Keywords: Mango, grade, artificial neural network PENDAHULUAN Mangga meruakan komoditas hortikultura yang banyak digemari tidak hanya didalam negeri tetai juga ada masyarakat luar negeri. Mangga memunyai nilai ekonomis yang tinggi sehingga aabila dikembangkan dengan baik akan mamu meningkatkan endaatan etani serta mendukung erkembangan industri dan eksor. Salah satu tahaan dalam asca anen buah-buahan yang erlu mendaat erhatian adalah sortasi, yaitu suatu roses emisahan berdasarkan satu atau beberaa kriteria misalnya berdasarkan ukuran, berat, warna dan lain sebagainya. Parameter-arameter ini meruakan sifat fisik roduk yang berhubungan dengan faktor mutu. Selain itu ukuran buah yang seragam akan memudahkan dalam roses engemasan untuk transortasi. Di tingkat etani umumnya sortasi mutu mangga hanya dilakukan secara visual berdasarkan aroma dan engalaman (subjektif), sehingga menghasilkan roduk yang beragam karena keragaman manusia, kelelahan dan erbedaan ersesi tentang sifat fisik dari roduk yang disortasi, maka untuk mengatasi hal tersebut dierlukan suatu metode dan alat bantu untuk mensortasi mangga secara teat. Untuk itu dierlukan teknologi enanganan asca anen yang lebih ceat dengan tingkat kesalahan yang rendah untuk mengganti metoda manual yang dilakukan selama ini. Salah satu alternatif teknologi yang daat digunakan adalah engolahan citra, metoda citra ini meruakan metoda kuantitatif secara non-destruktif (tana merusak bahan) (Gao and Tan 1996.; Jain. et al. 1995) Jaringan syaraf tiruan meruakan sebuah struktur komutasi yang dikem bangkan dari roses sistem jaringan syaraf biologi di dalam otak (Patterson. 1996; Kleforrs. 1998). Pada dasarnya jaringan syaraf tiruan terdiri dari beberaa laisan noda yaitu laisan inut, satu atau lebih laisan terselubung dan laisan outut. Unit komutasi yang aling sederhana dalam setia laisan disebut noda dan terhubung satu sama lain (kleforrs. 1998). Keuntungan dari metode jaringan syaraf tiruan adalah daat membangun fungsi non linier dan hanya memerlukan data masukan dan keluaran tana mengetahui dengan jelas roses dalam jaringan (Gunayanti, 2002; Subiyanto. 2001; Suharyanto. 1997; 66
2 Jurnal Teknologi Pertanian, Vol. 6 No. 1 (Aril 2005) Kleforrs 1998). Hal ini cocok diterakan ada data citra. Penelitian ini bertujuan untuk Merancang arsitektur jaringan syaraf tiruan yang sesuai untuk menduga mutu mangga, berdasarkan data citra dan Memelajari engaruh data engolahan citra terhada mutu mangga. BAHAN DAN METODE Penelitian dilakukan ada bulan Setember Data yang digunakan berasal dari enelitian Gunayanti (2002).tentang Pemutuan (grading) Buah Mangga (Mangifera indica L) Berdasarkan Sifat Fisik Permukaan Buah Menggunakan Pengolahan Citra. Samel mangga digunakan ada mutu I, mutu II dan mutu III, masing-masing 40 buah. Alat yang digunakan dalam enelitian tersebut adalah 1 set alat citra digital (kamera CCD, komuter, lamu), timbangan, jangka sorong. Pengambilan citra. Data yang didaat adalah nilai indek R, G, B, dan komonen tekstur ermukaan kulit mangga. Ruang Lingku Penelitian Dalam menentukan mutu buah seringkali menjadi masalah dan sangat sulit menetakan-nya. Jaringan syaraf tiruan tidak memerlukan model matematis tai hanya memerlukan data dari masalah yang akan diselesaikan, dengan kata lain informasi disamaikan melalui data. Penelitian ini dibatasi ada roses endugaan mutu dari mangga. Data inut berasal dari data engolahan citra (R, G, B), luas area dan komonen tekstur. Outut sistem adalah mutu mangga, yaitu mutu I; mutu II dan mutu III. Pendugaan mutu mangga daat dijadikan salah satu arameter dalam sortasi dan engemasan. Metode Pengembangan Model Sistem jaringan syaraf tiruan akan menggunakan data hasil engukuran dengan citra sebagai masukan dan akan mengolahnya sehingga menghasilkan keluaran berua mutu buah mangga. Jaringan syaraf tiruan yang dikembangkan adalah jaringan syaraf tiruan laisan jamak yang terdiri dari tiga laisan yaitu laisan inut/masukan, laisan tersembunyi dan laisan keluaran. Laisan inut adalah (X1, X2, X3, Xn) antara lain data dari engolahan citra. Sedangkan laisan outut/keluaran adalah mutu buah mangga yaitu mutu I; mutu II dan mutu III. Jumlah laisan tersembunyi akan ditentukan ada training (elatihan) dan validasi berdasarkan kesalahan ada saat training (elatihan) dan validasi. Algorithma elatihan/training jaringan syaraf tiruan yang digunakan adalah backroagation, dan untuk memerbaiki kinerja jaringan syaraf tiruan ditambahkan konstanta momentum (δ) serta konstanta embelajaran (α). Model yang diakai ada enelitian ini terdiri dari 3 model yaitu: 1. Model I yaitu model JST yang terdiri dari 3 buah masukan (inut) hasil engolahan citra R, G, B (red, green, blue) dengan 3 keluaran mutu I, II dan III. 2. Model II yaitu model JST yang terdiri dari 5 buah inut data non-destruktif meliuti hasil engolahan citra R, G, B (red, green, blue),berat dan luas dengan 3 buah keluaran mutu I, mutu II dan mutu III. 3. Model III yaitu model JST yang terdiri dari 7 buah masukan (inut) data non-destruktif dan data destruktif meliuti hasil engolahan citra R, G, B (red, green, blue),berat, luas dan komonen tekstur (contras, homogen, energy dan entroy) dengan 3 buah keluaran mutu I, mutu II dan mutu III. 67
3 Jurnal Teknologi Pertanian, Vol. 6 No. 1 (Aril 2005) R Outut G Outut B Outut Gambar 1. Arsitektur jaringan syaraf tiruan model I. Algorithma elatihan backroagation adalah sebagai berikut: 1. Inisialisasi Pembobot Mula-mula embobot diilih secara acak, kemudian setia sinyal inut diberikan ke dalam noda ada laisan inut, lalu sistem akan mengirim sinyal ke noda ada laisan terselubung selanjutnya 2. Perhitungan nilai aktivasi Setia noda ada laisan terselubung, dihitung nilai net inutnya dengan cara menjumlahkan seluruh hasil erkalian antara noda inut dengan embobotnya sesuai dengan ersamaan berikut: dimana: = indeks asangan inutoutut yang diilih dari set elatihan NetL = net inut dari noda ke-i i NetL i O( L 1) = jwij ada laisan L yang berhubungan dengan contoh ke- O ( L 1 ) j = outut noda ke-j ada laisan L dikurangi 1 (L-1) berhubungan dengan contoh ke- Wij = embobot yang menghubungkan noda ke-j ada laisan (L- 1) dengan noda ke-i ada laisan L 3. Perbaikan Nilai Pembobot ( (Weight) Nilai aktivasi merambat menuju laisan di deannya seerti roses di atas samai laisan outut tercaai. Nilai outut dari setia noda ada laisan outut hasil erhitungan jaringan syaraf tiruan dibandingkan dengan nilai target. Galat dihitung berdasarkan hubungan antara nilai outut jaringan dengan nilai target yang dihitung sesuai dengan ersamaan berikut: E dimana: E = nilai galat asangan ke- O = nilai outut noda ke-i i untuk asangan ke- T = nilai taget ke-i ada i = ( O T i i asangan ke- Laju elatihan atau learning rate harus diilih antara 0 samai 0,9. laju elatihan menentukan keceatan elatihan samai jaringan syaraf tiruan mencaai keadaan otimal. Prinsi dasar algorithma Backroagation adalah memerkecil galat hingga mencaai minimum global. 4. Pengulangan (iterasi) Keseluruhan roses dilakukan ada setia contoh dan setia iterasi samai sistem mencaai keadaan otimum. Iterasi tersebut mencaku emberian contoh asangan inut dan outut, erhitungan nilai aktivasi dan erubahan nilai embobot (weight) ) 2 68
4 Jurnal Teknologi Pertanian, Vol. 6 No. 1 (Aril 2005) Analisis s Data Analisis meliuti enghitungan ratarata nilai intensitas warna objek (R,G,B), engukuran tekstur dilakukan dengan menggunakan emat features yang dierkenalkan oleh Harick dan kawankawan ada tahun emat features tersebut adalah energy, Contrast, Homogenity dan Entroy. Nilai-nilai ini dijadikan sebagai data inut. Data ada JST dibagi dalam dua bagian yaitu data untuk uji training (elatihan) dan data validasi. Training terdiri dari 2/3 bagian mangga yaitu sebanyak 24 data. Validasi terdiri dari 1/3 bagian data yaitu 10 data. Kinerja JST dinilai berdasarkan nilai RMSE (root mean square error) ada roses generalisasi terhada contoh data inut-outut baru. Persamaan RMS Error: RMSError ( a) n = nilai rediksi jaringan syaraf tiruan a = nilai aktual yang diberikan n = jumlah contoh ada data validasi Pemanfaatan sistem Sistem ini akan daat digunakan sebagai otak alat sortasi yang berdasarkan ukuran, warna dan tekstur ermukaan kulit, dengan menggunakan data citra sebagai masukan dan keluaran mutu mangga. Validasi model Validasi dilakukan sebagai roses engujian kinerja atau keteatan rediksi JST (keakuratan) terhada contoh yang diberikan selama roses elatihan. Pada roses Validasi, setelah model diberikan elatihan, maka model diuji dengan data yang lain, ini dimaksudkan sejauh mana model daat memrediksi nilai-nilai keluaran dari nila-nilai masukan yang diberikan. Validasi model dirumuskan dengan ersamaan: = A Validasi (%) = X100% B n 2 A = Jumlah data hasil endugaan yang sama dengan target. B = Jumlah data target HASIL DAN PEMBAHASAN Penggunaan JST ini dibagi menjadi dua bagian melakukan elatihan dan validasi. Data dibagi dua kelomok yaitu data untuk elatihan (training) dan data validasi. Set data yang digunakan untuk analisa JST meruakan contoh asangan target keluaran dan arameterarameter masukan. Pada enelitian ini asangan target keluaran berua bilangan biner yang berbentuk vektor untuk nilai keluaran tia mutu mangga. Bilangan biner untuk enentuan mutu tersebut adalah : (1,0,0) untuk mutu I; (0,1,0) mutu II; (0,0,1) mutu III. Set data yang digunakan dalam elatihan harus mencaku nilai maksimum dan nilai minimum untuk tiatia arameter keluaran dan masukan Penentuan konstanta elatihan dan konstanta momentum dilakukan dengan metode trial and error, menghasilkan konstanta momentum 0,9 dan laju embelajaran 0,9; nilai aktivasi adalah 1 (Gambar 2). Pada ermulaan elatihan nilai bobot yang diberikan ada sistem adalah nilai bobot yang berasal dari bilangan acak (random). Selama roses elatihan didaat RMS Error serta erubahan nilai embobot untuk tia iterasi ada setia simul JST. Nilai RMS Error terendah serta nilai embobot terakhir diguna-kan untuk endugaan ada validasi. a. Jaringan Syaraf Tiruan Model I dengan Inut Data Citra JST Model I menggunakan data R,G,B sebagai inut, dengan 3 outut. Setelah dilakukan elatihan maka didaat nilai RMS Error model I ada Tabel 1. 69
5 Jurnal Teknologi Pertanian, Vol. 6 No. 1 (Aril 2005) Tabel 1. RMS Error Jaringan Syaraf Tiruan Model I Laisan RMS Error ada Iterasi Tersembuny i ,0621 0,0567 0, ,0597 0,0573 0, ,0591 0,0568 0,0543 laisan tersembunyi 3 dengan iterasi 5000 dan 1000, disini terlihat bahwa jumlah iterasi berengaruh terhada nilai RMSE ada laisan tersembunyi yang sama dimana makin besar iterasi makin kecil nilai RMSEnya. Untuk engujian kinerja JST, setelah elatihan maka dilakukan validasi. Hasil validasi meruakan besarnya akurasi rediksi, terlihat ada Tabel 2. Dari Tabel 1 terlihat nilai RMS Error terkecil dan terbesar terdaat ada Gambar 2. Tamilan rogram JST emutuan mangga. Tabel 2. Kesalahan Prediksi JST (%) Model I Mutu mutu I mutu II mutu III Jenis kesalahan Prediksi Iterasi 1000 Iterasi 2500 Iterasi Salah klasifikasi Salah klasifikasi Salah klasifikasi
6 Alikasi Jaringan Syaraf Tiruan (Sandra) Tabel 2. terlihat JST daat memrediksi lebih dari searo samel dengan teat dengan kesalahan 40%, untuk mutu II dengan laisan tersembunyi 7 itersai 5000 JST daat memrediksi 100%. Kesalahan rediksi JST terdiri atas dua bagian ertama tidak, dan salah klasifikasi, salah klasifikasi mutu I ke mutu II; mutu II ke mutu III dan yang mutu III dirediksi mutu II. b. Jaringan Syaraf Tiruan Model II dengan 5 Inut Model II menggunakan 5 inut.data yaitu R,G,B, berat dan luas. Nilai RMS Error JST Model II ada Tabel 3. nilai RMS Error terkecil 0,0222 terdaat ada iterasi 5000 laisan 7. dan nilai RMS Error terbesar 0,0337 ada iterasi 1000 dengan laisan tersembunyi 5. Tabel 3. RMS Error Jaringan Syaraf Tiruan Model II Laisan RMS Error ada Iterasi ,0336 0,0269 0, ,0337 0,0258 0, ,0328 0,0250 0,0222 JST model II untuk mutu I daat memrediksi mutu mangga 100%, sedangkan untuk mutu II dan mutu II rediksinya mencaai 90% (Tabel 4). Kesalahan ada mutu II sebagian besar tidak sedangkan ada mutu III semua kesalahan adalah salah klasifikasi terjadi ada setia laisan tersembunyi. Jaringan syaraf tiruan model III terdaat 9 inut data meliuti R,G,B,berat, luas dan komonen tekstur (contras, homogen, energy dan entroy). Tabel 5. RMS Error Jaringan Syaraf Tiruan Model III Laisan RMS Error ada Iterasi ,0347 0,0216 0, ,0275 0,0192 0, ,0300 0,0206 0,0186 Nilai RMS Error jaringan syaraf tiruan Model III dalam memrediksi mutu mangga daat dilihat ada Tabel 5. nilai RMS Error terkecil 0,0180 terdaat ada iterasi 5000 dengan laisan tersembunyi 5. dan nilai RMS Error terbesar 0,0347 iterasi 1000 laisan tersembunyi 3. Akurasi rediksi dari validasi model III ada Tabel 6. Untuk semua iterasi tidak ada terjadi kesalahan rediksi dengan kata lain bahwa jaringan syaraf tiruan daat memrediksi 100% mutu mangga sesuai dengan inut yang diberikan, kecuali untuk iterasi 1000 laisan 5 10% salah klasifikasi untuk mutu III, Tabel 4. Kesalahan Prediksi JST (%) Model II Mutu mutu I mutu II mutu III Jenis kesalahan Prediksi Iterasi 1000 Iterasi 2500 Iterasi Salah klasifikasi Salah klasifikasi Salah klasifikasi
7 Jurnal Teknologi Pertanian, Vol. 6 No. 1 (Aril 2005) Tabel 6. Kesalahan Prediksi JST (%) Model III Mutu mutu I mutu II mutu III Jenis kesalahan Prediksi Iterasi 1000 Iterasi 2500 Iterasi Salah klasifikasi Salah klasifikasi Salah klasifikasi c. Jaringan Syaraf Tiruan Model III dengan 9 Inut Dari semua kesalahan rediksi ada setia model ini disebabkan oleh data yang memang kurang akurat, karena untuk menentukan erbedaan mutu buah secara manual sangat sulit, karena di tingkat etani emutuan berdasarkan besar dan berat yang dinilai secara visual jadi ada sebagian data yang memang salah klasifikasi, ini terlihat dari kesalahan rediksi umumnya terjadi ada data yang sama ada setia iterasi dan ada setia laisan tersembunyi untuk setia model. KESIMPULAN Jaringan Syaraf Tiruan daat memrediksi mutu mangga. Akurasi rediksi yang tertinggi terdaat ada model III dan yang terendah ada model I. Kesalahan rediksi jaringan syaraf tiruan terbagi 2 yaitu salah klasifikasi dan tidak. Pada model I dan model II untuk mutu I dan mutu II kesalahan terbanyak tidak, untuk mutu III terbanyak salah klasifikasi.dalam memrediksi mangga model yang terbaik adalah Model III dengan iterasi 2500 dan 5000 yang daat memrediksi mangga dengan tingkat kesalahan 0%.Makin besar jumlah laisan tersembunyi dan banyak iterasinya maka waktu yang digunakan dalam roses elatihan akan lama. Data yang digunakan dalam elatihan dan untuk validasi ada Jaringan Syaraf Tiruan harus benar-benar data yang akurat. Dilakukan engembangan JST untuk alat sortasi mangga secara on-line berasiskan citra digital. DAFTAR PUSTAKA Gao, X and J. Tan Analysis of Exanded-Food Texture by Image Processing. Part I. Geometric Proerties. Journal of Food Process Engineering 19, Gunayanti, S Pemutuan (grading) Buah Mangga (Mangifera indica L) Berdasarkan Sifat Fisik Permukaan Buah Menggunakan Pengolahan Citra. Jain, R., R. Kasturi and B.G. Schunck Machine Vision. McGraw-Hill Book, Inc. New York, USA. Klerforrs, Daniel., Artificial Neural Networks. Saint Louis University School of Business & Administration. Patterson, D.W., Artificial Neural Network Theory and Alications. Prentice Hall. Singaore. 72
8 Jurnal Teknologi Pertanian, Vol. 6 No. 1 (Aril 2005) Subiyanto Alikasi Jaringan Syaraf Tiruan sebagai Metode Alternatif Prakiraan Beban Jangka Pendek. J. Elektro Indonesia. Nomor 29, Tahun VI, Januari 2000 Suharyanto, Alikasi Artificial Neural Network di Bidang Rekayasa Keairan. Makalah Seminar dan Pameran Teknologi Komuter, Setember Fakultas Teknik- UNDIP. Semarang. 1
Sistem Informasi Penyebaran Penyakit Demam Berdarah Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation
Sistem Informasi Penyebaran Penyakit Demam Berdarah Menggunakan Metode Jaringan Syaraf Tiruan Backroagation Didi Suriyadi Program Studi Teknik Informatika Sekolah Tinggi Teknologi Telematika Telkom Purwokerto
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 terperinciJurnal EKSPONENSIAL Volume 4, Nomor 1, Mei 2013 ISSN
Perbandingan Metode Klasifikasi Regresi Logistik Dengan Jaringan Saraf Tiruan (Studi Kasus: Pemilihan Jurusan Bahasa dan IPS ada SMAN 2 Samarinda Tahun Ajaran 2011/2012) Comarison of Classification Methods
Lebih terperinciBAB 3 PENGEMBANGAN TEOREMA DAN PERANCANGAN PROGRAM
BAB 3 PENGEMBANGAN TEOREMA DAN PERANCANGAN PROGRAM 3.1. Pengembangan Teorema Dalam enelitian dan erancangan algoritma ini, akan dibahas mengenai beberaa teorema uji rimalitas yang terbaru. Teorema-teorema
Lebih terperinciSKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN
SKRIPSI ANALISIS PENGELOMPOKKAN KECAMATAN DI KODYA SURABAYA BERDASARKAN VARIABEL-VARIABEL KEPENDUDUKAN, KESEHATAN DAN PENDIDIKAN Oleh : Rengganis L. N. R 302 00 046 PENDAHULUAN Latar Belakang Penduduk
Lebih terperinciPrediksi Pergerakan Harga Saham Pada Bank Terbesar Di Indonesia Dengan Metode Backpropagation Neural Network
ISSN: 2089-3787 965 Prediksi Pergerakan Harga Saham Pada Bank Terbesar Di Indonesia Dengan Metode Backroagation Neural Network Agnes Novita Fakultas Teknologi Informasi, ABFI Institute Perbanas Jln. Perbanas,
Lebih terperinciAnalisis Faktor Faktor Yang Berpengaruh Pada Loyalitas Pelanggan Dengan Mengunakan Metode Jaringan Saraf Tiruan Untuk Pengambilan Keputusan Hotel XYZ
59 Analisis Faktor Faktor Yang Berengaruh Pada Loyalitas Pelanggan Dengan Mengunakan Metode Jaringan Saraf Tiruan Untuk Pengambilan Keutusan Hotel XYZ Wiwik Anggraeni, Jurusan Sistem Informasi ITS, Surabaya,
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 terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
Lebih terperinciAlgoritma Jaringan Syaraf Tiruan Hopfield
2.6. Jaringan Saraf Tiruan Hofield Jaringan syaraf Tiruan Hofield termasuk iterative autoassociative network yang dikembangkan oleh Hofield ada tahun 1982, 1984. Dalam aringan Hofield, semua neuron saling
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 terperinciBAB I PENDAHULUAN. penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi.
BAB I PENDAHULUAN A. LATAR BELAKANG Buah-buahan merupakan salah satu kelompok komoditas pertanian yang penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi. Permintaan domestik terhadap
Lebih terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
Lebih 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 terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
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 terperinciTINJAUAN PUSTAKA. Gambar 1 Bentuk bunga, buah muda, buah siap panen dan buah manggis siap dikonsumsi (Nasution 2006).
TINJAUAN PUSTAKA Manggis Manggis (Garcinia mangostana) merupakan tanaman asli Indonesia. Kulit buah yang belum matang berwarna hijau kekuningan, jika matang berwarna merah ungu. Bentuk buah manggis bulat,
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciDETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION
No Makalah : 299 Konferensi Nasional Sistem Informasi 2012, STMIK - STIKOM Bali 23-25 Pebruari 2012 DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION Ratri Dwi Atmaja 1,
Lebih terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
Lebih terperincioleh seperangkat variabel X, maka persamaan di atas dinamakan persamaan struktural, dan modelnya disebut model struktural.
ANALISIS JALUR A. PENGERTIAN ANALISIS JALUR Telaah statistika menyatakan bahwa untuk tujuan eramalan/ endugaan nilai Y atas dasar nilai-nilai X 1, X,., X i, ola hubungan yang sesuai adalah ola hubungan
Lebih terperinciAPLIKASI DISCOUNTED CASH FLOW PADA KONTROL INVENTORY DENGAN BEBERAPA MACAM KREDIT PEMBAYARAN SUPPLIER
Program Studi MMT-ITS, Surabaya Agustus 9 APLIKASI ISOUNTE ASH FLOW PAA KONTROL INVENTORY ENGAN BEBERAPA MAAM KREIT PEMBAYARAN SUPPLIER Hansi Aditya, Rully Soelaiman Manajemen Teknologi Informasi MMT -
Lebih terperinciANALISIS TRANSPORTASI DAN INSTALASI RIGID RISER PADA SISTEM FREE STANDING HYBRID RISER
ANALISIS TRANSPORTASI DAN INSTALASI RIGID RISER PADA SISTEM FREE STANDING HYBRID RISER Yonathan Mozes Mandagi 1, Paramashanti 2 1 Program Studi Teknik Kelautan, Institut Teknologi Bandung, Jl. Ganeca 10
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3. Prosedur Pengumulan Data 3.. Sumber Data Data yang digunakan dalam enelitian ini meruakan data sekunder yang diambil dari Deartemen Keuangan, BAPEPAM, dan IAPI. Data-data
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih 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 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 terperinciDika Dwi Muharahman*, Nurul Gusriani, Elis Hertini. Departemen Matematika, Universitas Padjadjaran *E mail:
Perubahan Perilaku Pengguna nstant Messenger dengan Menggunakan Analisis Koresondensi Bersama (Studi Kasus Mahasiswa di Program Studi S-1 Matematika FMPA Unad) Dika Dwi Muharahman*, Nurul Gusriani, Elis
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 terperinciIDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN
IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN Galih Probo Kusuma, Dr Melania Suweni Muntini, MT Jurusan Fisika Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
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 terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
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 terperinciPENDUGAAN MUTU FISIK BIJI JAGUNG DENGAN MENGGUNAKAN CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN
PENDUGAAN MUTU FISIK BIJI JAGUNG DENGAN MENGGUNAKAN CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN [THE FATHOMING PHYSICAL QUALITY OF CORN KERNEL BY USING IMAGE PROCESSING AND ARTIFICIAL NEURAL NETWORK] 1) Santosa
Lebih terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
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 terperinciModifikasi Hydrograf Satuan Sintetik Nakayasu Sungai Cisangkuy Dengan Metoda Optimasi
Modifikasi Hydrograf Satuan Sintetik Nakayasu Sungai Cisangkuy Dengan Metoda Otimasi Ariani Budi Safarina ABSTRAK Metoda hydrograf satuan sintetik dierlukan untuk menentukan arameter banjir di daerah aliran
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciIII. METODOLOGI PENELITIAN
III. MEODOLOGI PENELIIAN A. WAKU DAN EMPA Penelitian dilakukan di UP F echnoark Fakultas eknologi Pertanian (FAEA), Institut Pertanian Bogor (IPB), Bogor. Penelitian ini dilakukan selama bulan Maret -
Lebih terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
Lebih 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 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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciPEMUTUAN BUAH CABAI MERAH BESAR (Capsicum Annuum L.) MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN
1 Sugianto et al., Pemutuan Buah Cabai Merah Besar (Capsicum Annuum L.) Menggunakan Pengolahan Citra Digital Dan Jaringan Syaraf Tiruan TEKNOLOGI PERTANIAN PEMUTUAN BUAH CABAI MERAH BESAR (Capsicum Annuum
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Persoalan jalur terendek (Shortest Path) meruakan suatu jaringan engarahan erjalanan dimana seseorang engarah jalan ingin menentukan jalur terendek antara dua kota
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 terperinciPETA KENDALI R ADAPTIF SEBAGAI ALTERNATIF PETA KENDALI R SHEWHART DALAM MENDETEKSI PERGESERAN KECIL PADA VARIANS
PETA KENDALI R ADAPTIF SEBAGAI ALTERNATIF PETA KENDALI R SHEWHART DALAM MENDETEKSI PERGESERAN KECIL PADA VARIANS Adative R Control Chart as Alternative Shewhart R Control Chart in Detecting Small Shifts
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciPEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK
PEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK Bilqis Amaliah 1, Amethis Oktaorora 2 1,2 Teknik Informatika, FTIf - ITS,Surabaya
Lebih 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 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 terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011 PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF
Lebih terperinciPenerapan Multivariate Exponentially Weighted Moving Average Control Chart Pada Proses Pembuatan Boiler di PT. ALSTOM ESI Surabaya
1 Peneraan Multivariate Exonentially Weighted Moving Average Control Chart Pada Proses Pembuatan Boiler di PT. ALSTOM ESI Surabaya R. Candra Dewantara (1), Dr. Muhammad Mashuri, M.T. () Jurusan Statistika,
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciPENDUGAAN TINGKAT KEAMANAN JAGUNG DENGAN MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN
PENDUGAAN TINGKAT KEAMANAN JAGUNG DENGAN MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN Agus Supriatna Somantri, Miskiyah & Wisnu Broto Abstract Food security is the main problem in food
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 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 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 terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Parameter Gauss Untuk dapat melakukan pengolahan data menggunakan ANN, maka terlebih dahulu harus diketahui nilai set data input-output yang akan digunakan. Set data inputnya yaitu
Lebih terperinciPEMODELAN PENJADWALAN MATA PELAJARAN DENGAN INTEGER PROGRAMMING
PEMODELAN PENJADWALAN MATA PELAJARAN DENGAN INTEGER PROGRAMMING Dian Permata Sari, Sri Setyaningsih, dan Fitria Virgantari. Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciGeneralisasi rata-rata (%)
Lingkungan Pengembangan Sistem Sistem dikembangkan menggunakan kompiler Matlab R2008b dan sistem operasi Windows 7. Spesifikasi hardware komputer yang digunakan adalah Processor Intel (R) Atom (TM) CPU
Lebih terperinciAnalisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi
Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi Kiki, Sri Kusumadewi Laboratorium Komputasi & Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinciPENGEMBANGAN ALGORITMA PEMUTUAN EDAMAME MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN DEDY WIRAWAN SOEDIBYO
PENGEMBANGAN ALGORITMA PEMUTUAN EDAMAME MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN DEDY WIRAWAN SOEDIBYO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih 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 terperinciJARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI
Media Informatika, Vol. 2, No. 2, Desember 2004, 1-11 ISSN: 0854-4743 JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI Kiki, Sri Kusumadewi Jurusan Teknik Informatika,
Lebih terperinciIDENTIFIKASI TINGKAT KETUAAN DAN KEMATANGAN PEPAYA (Carica papaya L.) IPB 1 DENGAN PENGOLAHAN CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN
IDENTIFIKASI TINGKAT KETUAAN DAN KEMATANGAN PEPAYA (Carica papaya L.) IPB 1 DENGAN PENGOLAHAN CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN Identification Of Maturity And Ripeness Of The Papaya (Carica papaya
Lebih terperinciKompleksitas Algoritma Quick Sort
Komleksitas Algoritma Quick Sort Fachrie Lantera NIM: 130099 Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung Jln. Ganesha 10, Bandung E-mail : if099@students.if.itb.ac.id
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 terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
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 terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciBAB I PENDAHULUAN. Indonesia merupakan salah satu negara yang memiliki potensi besar dalam
BAB I PENDAHULUAN A. Latar Belakang Indonesia merupakan salah satu negara yang memiliki potensi besar dalam bidang pertanian. Iklimnya yang tropis dengan curah hujan yang tinggi sepanjang tahun serta tanah
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinciJARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA
doi: https://doi.org/10.5281/zenodo.1207339 JARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA Siti Aisyah (1), Abdi Dharma (2), Mardi Turnip (3) Sistem Informasi Fakultas Teknologi dan Ilmu Komputer
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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3. Kerangka Pemikiran Penelitian ini dimulai dengan adanya ermasalahan yang ditemukan oleh enulis yakni mengenai validitas CAPM di dalam engalikasiannya terhada engukuran
Lebih terperinciIntegral dan Persamaan Diferensial
Sudaryatno Sudirham Studi Mandiri Integral dan Persamaan Diferensial ii Darublic BAB 3 Integral (3) (Integral Tentu) 3.. Luas Sebagai Suatu Integral. Integral Tentu Integral tentu meruakan integral yang
Lebih terperinciMENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB
POLITEKNOSAINS VOL. X NO. 2 Juni 2011 MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB Yaya Finayani Teknik Elektro, Politeknik Pratama Mulia, Surakarta 57149, Indonesia ABSTRACT
Lebih terperinciPENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK
PENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK Eko Budi Wahyono*), Suzuki Syofian**) *) Teknik Elektro, **) Teknik Informatika - Fakultas Teknik Abstrak Pada era modern
Lebih terperinciIV. METODOLOGI A. WAKTU DAN TEMPAT PELAKSANAAN B. ALAT DAN BAHAN C. METODE PELAKSANAAN MAGANG
IV. METODOLOGI A. WAKTU DAN TEMPAT PELAKSANAAN Kegiatan magang ini dilaksanakan selama 6 (enam) bulan terhitung mulai Februari 2011 samai dengan Juli 2011 di PT. United Tractors Pandu Engineering yang
Lebih terperinciBAB III METODOLOGI DAN PERBANDINGAN METODA
BAB III METODOLOGI DAN PERBANDINGAN METODA Melalui enjelasan konse jaringan grah, dalam menelusuri rute menuntut adanya enggunaan metoda yang teat. Merunut ada tinjauan ustaka, setidaknya akan digunakan
Lebih terperinciPERBEDAAN KEPUTUSAN MEMBELI NETBOOK DENGAN KEPUTUSAN MEMBELI NOTEBOOK
1 PERBEDAAN KEPUTUSAN MEMBELI NETBOOK DENGAN KEPUTUSAN MEMBELI NOTEBOOK (Studi kasus ada Mahasiswa Program Studi Pendidikan EkonomiFKIP Universitas Jember angkatan tahun 2011, 2012, 2013) The Difference
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 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
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 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 terperinciSeminar Nasional Inovasi Dan Aplikasi Teknologi Di Industri 2017 ISSN ITN Malang, 4 Pebruari 2017
Seminar Nasional Inovasi Dan Alikasi Teknologi Di Industri 207 ISSN 2085-428 ITN Malang, 4 Pebruari 207 ANALISA PEMILIHAN ALTERNATIF EKSEKUSI PROYEK PENINGKATAN KINERJA FASILTAS PENGUJIAN SUMUR MINYAK
Lebih terperinciDiterima 30 Januari 2014, direvisi 26 April 2014 ABSTRAK
296 NATURAL B, Vol. 2, No. 3, Aril 2014 Pemodelan Geograhically Weighted Regression dengan Pembobot Fixed Gaussian Kernel ada Data Sasial (Studi Kasus Ketahanan Pangan di Kabuaten Tanah Laut Kalimantan
Lebih terperinciPENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE
PENERAPAN REGRESI COX DAN REGRESI PARAMETRIK UNTUK ANALISIS SURVIVAL PASIEN JANTUNG MENGGUNAKAN R SOFTWARE Diah Ayu Novitasari * * Jurusan Manajemen, Fakultas Ekonomi Universitas Islam Lamongan Email :
Lebih terperinci