Uji Coba 1 : Learning Rate. Nama variabel Nilai. Grafik Uji Coba % Inisial Variabel : % 80.00%
|
|
- Hartono Sudjarwadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Uji Coba 1 : Learning Rate Inisial Variabel : Nama variabel Nilai Learning Rate (α) 0.1, 0.5, 0.8, 0.9 Momentum 0.5 Jumlah hidden node [ ] % % 80.00% 60.00% 40.00% Grafik Uji Coba Fungsi aktivasi Tangen Sigmoid 20.00% Iterasi (Epoch) Training % Lr 0.1 Lr 0.5 Lr 0.8 Lr 0.9 Akurasi Data Training Akurasi Data Testing
2 Evaluasi : Uji Coba 1 Learnin g Rate Akurasi dataset training Akurasi dataset testing Waktu (Detik) MSE ,67% 41,30% ,26% 45,65% ,15% 50% % 50% Semakin besar learning rate maka rentang untuk menentukan perubahan bobot dalam neural network semakin besar dan berpengaruh dengan kedekatan fitur kepada kelas yang lain. Saat learning rate kecil maka perubahan bobot semakin kecil dan kedekatan pola ke kelas lain dari inisial target juga semakin jauh. Lihat Penjelasan Learning Rate
3 Uji Coba 2 : Momentum % Inisial Variabel : 90.00% 80.00% Nama variabel Nilai 70.00% Learning Rate (α) % 50.00% Momentum (μ) 0.1, 0.5, % Jumlah hidden node [ ] 30.00% Fungsi aktivasi Tangen Sigmoid 20.00% 10.00% Iterasi Training % (Epoch) Grafik Uji Coba μ 0.1 μ 0.5 μ 0.9 Akurasi Data Training Akurasi Data Testing
4 Evaluasi : Uji Coba 2 Moment um Akurasi dataset training Akurasi dataset testing ,9% 43,47% % 54,3% % 78,26% 28 Waktu (Detik) Berdasarkan tabel diatas, dapat dilihat bahwa semakin besar nilai konstanta momentum, proses pelatihan semakin cepat. Dengan momentum selain untuk mempercepat proses training juga digunakan untuk mencapai akurasi yang optimum namun dengan melihat keseimbangan nilai learning rate dan momentum. Lihat Penjelasan Momentum
5 Uji Coba 3 : Jumlah Node Inisial Variabel : Nama variabel Nilai Learning Rate (α) 0.8 Momentum 0.9 Jumlah hidden node [ ] [ ] [ ] Fungsi aktivasi Tangen Sigmoid Iterasi Training (Epoch) % % 80.00% 60.00% 40.00% 20.00% 0.00% Grafik Uji Coba [ ] [ ] [ ] Akurasi Data Training Akurasi Data Testing
6 Evaluasi : Uji Coba 3 Jumlah Node Akurasi dataset training Akurasi dataset testing Waktu (Detik) [ ] 13,7% 15,2% 72 [ ] 67,58% 47,3 % 32 [ ] 100% 78,26% 28 Tidak ada kepastian tentang berapa banyak jumlah node yang paling optimal. Dalam neural network jumlah node bergantung pada keunikan pola setiap dataset.
7 Uji Coba 4 : Level Dekomposisi 200% Inisial Variabel : 180% Nama variabel Nilai 160% 140% Learning Rate (α) % Momentum % 80% Jumlah hidden node [ ] 60% Fungsi aktivasi Tangen Sigmoid 40% Iterasi Training (Epoch) % Level Wavelet 3, 4, 5 0% Grafik Uji Coba Level 5 Level 4 Level 3 Akurasi Data Testing Akurasi Data Training
8 Evaluasi : Uji Coba 4 Level Wavelet Akurasi dataset training Akurasi dataset testing Waktu (Detik) Level 3 68,7% 47,8% 23 Level 4 79,12% 54,34% 26 Level 5 100% 78,26% 28 Level 5 lebih optimal, meskipun lebih lama. Dalam setiap level nilai fitur mempresentasikan nilai skala yang berbeda, semakin besar level semakin baik tapi penghitungan akan memakan waktu lebih lama Hasil ini membuktikan bahwa kesimpulan dari penelitian Manesh Kokare, P.K. Biswas, B.N. Chatterji [3] benar dan dapat diaplikasikan pada pengenalan motif batik.
9 KESIMPULAN Penggunaan transformasi Rotated Wavelet Filter dalam ekstraksi fitur pengenalan batik cukup efektif untuk menghasilkan citra dekomposisi khususnya dalam representasi citra detail diagonal. Penggunaan Neural Network varian Multi Layer Perceptron untuk mengklasifikasi fitur motif batik yang dikombinasikan dengan transformasi wavelet memberikan hasil yang cukup akurat. Representasi vektor fitur dengan dekomposisi level 5 lebih efektif daripada dekomposisi pada level dibawahnya. Dari hasil uji coba bisa disimpulkan bahwa akurasi tertinggi yaitu 100% untuk data testing sama dengan data training dan dicapai 78,26% untuk data testing yang berbeda dengan data training. Kedua akurasi didapat pada nilai learning rate 0.8, menggunakan momentum 0.9, pada jumlah komposisi node hidden layer [ ] di level dekomposisi ke-5.
10 SARAN Penggunaan data citra batik yang lengkap dari dinas kebudayaan dan pariwisata nasional. Adanya proses seleksi untuk motif batik yang memiliki unsur modern atau pola khusus. Pengembangan aplikasi ke sistem pengenalan isen-isen dalam batik yang juga mempengaruhi definisi dari setiap motif. Penilitian lebih lanjut untuk menggunakan algoritma training neural network yang lain seperti algoritma Lavenberg Marquard (TRAINLM) dan Gradient Descent with Adaptive learning rate backpropagation (TRAINGDA).
11
12 Motif Geometri Nama Motif Deskripsi Contoh Batik Parang Pola ini terdiri atas satu atau lebih ragam hias yang tersusun membentuk garis-garis sejajar dengan sudut miring 45 o. Terdapat ragam hias berbentuk belah ketupat sejajar dengan deretan ragam hias utama pola parang, disebut mlinjon. Ceplok Motif batik yang didalamnya terdapat gambar-gambar segi empat, lingkaran dan segala variasinya dalam membuat sebuah pola yang teratur. Lereng Pada dasarnya sama dengan pola parang tetapi memiliki perbedaan pada tidak adanya hias mlinjon dan hias gareng. Semen Lung-Lungan Buketan Motif Non-Geometri Ragam hias utama yang merupakan ciri pola semen adalah meru. Hakikat meru adalah lambang gunung atau tempat tumbuhan bertunas atau bersemi sehingga motif ini disebut dengan semen, yang diambil dari kata dasar semi. Sebagian besar motif lung-lungan mempunyai ragam hias utama serupa dengan motif semen. Berbeda dengan pola semen, ragam hias utama lung-lungan tidak selalu mengandung ragam hias meru. Pola buketan mudah dikenali melalui rangkaian bunga atau kelopak bunga dengan kupu-kupu, burung, atau berbagai satwa kecil mengelilinginya Back
13 Proses Multi Layer Perceptron 1. Inisialisasi semua bobot dengan bilangan acak kecil. 2. Jika kondisi penghentian belum dipenuhi, lakukan langkah Untuk setiap pasang data pembelajaran, lakukan langkah Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi. 5. Hitung semua keluaran di unit tersembunyi z j (j = 1, 2,..., p). n Z_Net j = V j0 + i=1 X i V ji.(2.5) Z j = f Z_Net j = 1 e 2z_net j 1+e 2z_net...(2.6) j 6. Hitung semua keluaran jaringan di unit keluaran y k (k = 1, 2,...,m). Y_Net k = W k0 + Z j W kj.(2.7) Y k = f Y_Net k p j=1 = 1 e 2z_net k 1+e 2z_net k (2.8) 7. Hitung faktor δ unit keluaran berdasarkan kesalahan di unit keluaran yk (k = 1, 2,..., m). δ k = t k y k f Y_Net k = t k y k y k (1 y k ), t k = target..(2.9) Hitung perubahan bobot wkj dengan laju pemahaman α W kj = αδ k Z j Dimana k = 1, 2,., m; j = 0, 1,, p.(2.10)
14 Proses Multi Layer Perceptron 8. Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi zj (j = 1, δ_net j = m k=1 Faktor δ pada unit tersembunyi. δ k w kj (2.11) δ j = δ Net j f Z Net j = δ Net j Z j(1 zj) (2.12) Hitung suku perubahan bobot vji. V ji = αδ j X i,...(2.13) Dimana j = 1,2,, p; i = 1,2,., n 9. Hitung semua perubahan bobot. Perubahan bobot garis yang menuju ke unit keluaran, yaitu: W kj baru = W kj lama + W kj, k = 1,2,, m; j = 0,1,, p Perubahan bobot garis yang menuju ke unit tersembunyi, yaitu: V ji baru = V ji lama + V ji, i = 1,2,, n; j = 0,1,, p
15 Proses Multi Layer Perceptron Sedangkan algoritma untuk testing dalam MLP adalah sebagai berikut : 1. Inisialisasi bobot (dari algoritma pelatihan). 2. Untuk setiap unit masukan, lakukan langkah Untuk i = 1,...,n, atur aktivasi unit masukan x i. 4. Untuk j = 1,...,p : Z_Net j = V j0 + Z j = f Z_Net j 5. Untuk k = 1,...,m : Y_Net k = W k0 + Y k = f Y_Net k Back n i=1 X i V ji..(2.16) = 1 e 2z_net j 1+e 2z_net.. (2.17) j p j=1 Z j W kj (2.18) = 1 e 2z_net k 1+e 2z_net k...(2.19)
16 MSE Pada tugas akhir ini, untuk menghitung error dengan menggunakan Nilai tengah kesalahan kuadrat / mean squared error (MSE) : MSE = n i=1 e 2 i n Dimana e adalah e = y t Keterangan : n = banyak target e = error y = Nilai simulasi t = Nilai target
17 Learning Rate (α) Back Learning rate menentukan seberapa besar perubahan bobot-bobot w pada tiap langkah, jika learning rate terlalu kecil algoritma akan memakan waktu lama menuju konvergen. Sebaliknya jika learning rate terlalu besar maka algoritma menjadi divergen. W kj = αδ k Z j Perubahan Bobot untuk Nilai Learning Rate Kecil Perubahan Bobot untuk Nilai Learning Rate Besar
18 Momentum (μ) Back Teknik yang bisa menolong jaringan keluar dari lokal minima adalah dengan menggunakan momentum. Dengan momentum m, bobot diperbaharui pada setiap waktu iterasi. W kj baru = W kj lama + μ V kj Momentum ini menambahkan sebuah perkalian dengan bobot sebelumnya pada bobot saat ini. Pada saat gradient tidak terlalu banyak bergerak, ini akan meningkatkan ukuran langkah yang diambil menuju nilai minimum.
19 Code : Energy & Standart Deviasi function [ELL,SLL,ELH,SLH,EHL,SHL,EHH,SHH] = Energy_SDeviasi(LL,LH,HL,HH) [ELL1,SLL1,ELH1,SLH1,EHL1,SHL1,EHH1,SHH1] = %mengambil function Energy_SDeviasi(LL1,LH1,HL1,HH1); energy ukuran = setiap energy(x,m,n) bidang [M %[ELL2,SLL2,ELH2,SLH2,EHL2,SHL2,EHH2,SHH2] penghitungan N]= size(ll); energi = %menghitung energy=sum(abs(x(:)))/(m*n); Energy_SDeviasi(LL2,LH2,HL2,HH2); nilai energi dan standart end [ELL3,SLL3,ELH3,SLH3,EHL3,SHL3,EHH3,SHH3] deviasi dari subbidang 1 = Energy_SDeviasi(LL3,LH3,HL3,HH3); ELL = energy(ll,m,n); function [ELL4,SLL4,ELH4,SLH4,EHL4,SHL4,EHH4,SHH4] = SDeviasi(LL,M,N); = SDeviasi(X,M,N) = %menghitung% Energy_SDeviasi(LL4,LH4,HL4,HH4); penghitungan nilai standart energi deviasi dan standart meanx [ELL5,SLL5,ELH5,SLH5,EHL5,SHL5,EHH5,SHH5] = mean2(x); deviasi dari subbidang 2 = selx Energy_SDeviasi(LL5,LH5,HL5,HH5); ELH = energy(lh,m,n); (X-meanX).^2; SDeviasi=sqrt(sum(selX(:)/(M*N))); SLH = SDeviasi(LH,M,N); %menghitung nilai energi dan end standart deviasi dari subbidang 3 EHL = energy(hl,m,n); SHL = SDeviasi(HL,M,N); %menghitung nilai energi dan standart deviasi dari subbidang 4 EHH = energy(hh,m,n); SHH = SDeviasi(HH,M,N); end Fungsi Per Level Fungsi Per Bidang Fungsi Energy+Stn dart Deviasi
20 Code : Training & Testing MLP function NN_Training(dataset,lr,mc) %mengambil input data ekstrasi fitur beserta target training function t= NN_Testing(dataset,kelas_test) data_training %inisialisasi = xlsread(dataset,1); kelas_train data_test = = dataset; xlsread(dataset,2); data_train Nkelas=size(data_test,1); = data_training'; kelas_train data_test = = data_test'; kelas_train'; %normalisasi %Normalisasi data train testing menjadi dengan rentang antara -1 sampai -1 dan 1 1 [m n] = size(data_test); [pn,minp,maxp,tn,mint,maxt]=premnmx(data_train,kelas_ minp = evalin('base', 'minp'); train); maxp = evalin('base', 'maxp'); %membuat minimp = (inisialisasi) zeros(m,n); neural network net=newff(minmax(pn),[40 maximp = zeros(m,n); 20 1],{'tansig','tansig','tansig'},'traingdm'); for i=1:n %menentukan minimp(:,i) nilai = minp; epoch(iterasi),momentum dan learning maximp(:,i) rate = maxp; net.trainparam.epochs=1000; end net.trainparam.lr=lr; an = 2.*(data_test-minimp)./(maximp-minimp) - 1; net.trainparam.mc=mc; %melakukan simulasi testing %melakukan net = evalin('base', training terhadap 'net'); model neural network net=train(net,pn,tn); y=sim(net,an); %network %denormalisasi hasil dari kelas training testing disimpan dengan output beserta maks nilai 6 dari dan min Minp 1 dan Maxp assignin('base', t = 0.5*(y+1)*(6-1) 'net', + 1; net); assignin('base','minp',minp); prediksi = round(t); assignin('base','maxp',maxp); Training Testing
21 Code : Rotated Wavelet Transform FunctionEF_daub4_rwf(Image) function [LL,LH,HL,HH] = Daub4(X,HLL,HLH,HHL,HHH) %mengambil %dekomposisi filter untuk bank representasi RWF berisill1,hll,hlh,hhl,hhh Image Approximation dari / Subbidang DWT yang 1 dirotasi LL load = conv2(x,hll,'same'); filter_asli.mat; %dekomposisi LL = downsample(ll,2,1);ll level 1 = LL'; [LL1,LH1,HL1,HH1] LL = downsample(ll,2,1);ll = = LL'; Daub4(Image,HLL_R,HLH_R,HHL_R,HHH_R); %dekomposisi untuk representasi Image Horizontal %dekomposisi Detail / Subbidang level 2 [LL2,LH2,HL2,HH2] LH = conv2(x,hlh,'same'); = Daub4(LL1,HLL_R,HLH_R,HHL_R,HHH_R); LH = downsample(lh,2,1);lh = LH'; %dekomposisi LH = downsample(lh,2,1);lh level 3 = LH'; [LL3,LH3,HL3,HH3] %dekomposisi untuk = representasi Image Vertical Daub4(LL2,HLL_R,HLH_R,HHL_R,HHH_R); Detail/ Subbidang 3 %dekomposisi HL = conv2(x,hhl,'same'); level 4 [LL4,LH4,HL4,HH4] HL = downsample(hl,2,1);hl = = HL'; Daub4(LL3,HLL_R,HLH_R,HHL_R,HHH_R); HL = downsample(hl,2,1);hl = HL'; %dekomposisi %dekomposisi level untuk 5 representasi Image Diagonal [LL5,LH5,HL5,HH5] Detail/ Subbidang = 4 Daub4(LL4,HLL_R,HLH_R,HHL_R,HHH_R); HH = conv2(x,hhh,'same'); HH = downsample(hh,2,1);hh = HH'; HH = downsample(hh,2,1);hh = HH'; end Ekstraksi Per Level Ekstraksi Per Bidang
PENGENALAN MOTIF BATIK MENGGUNAKAN ROTATED WAVELET FILTER DAN NEURAL NETWORK
PENGENALAN MOTIF BATIK MENGGUNAKAN ROTATED WAVELET FILTER DAN NEURAL NETWORK Bernardinus Arisandi, Nanik Suciati, Arya Yudhi Wijaya Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
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 terperinciPenyusun Tugas Akhir Alvian Adi Pratama [ ] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom.
Penyusun Tugas Akhir Alvian Adi Pratama [5106100108] Dosen Pembimbing Diana Purwitasari, S.Kom, M.Sc. Dr. Eng. Nanik Suciati, S.Kom., M.Kom. Latar Belakang Batik merupakan harta kebudayaan Indonesia yang
Lebih terperinciMAKALAH SIDANG TUGAS AKHIR PERIODE JULI 2011
PENGENALAN MOTIF BATIK DENGAN ROTATED WAVELET FILTER DAN NEURAL NETWORK Bernardinus Arisandi - Nanik Suciati - Arya Yudhi Wijaya Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
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 III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
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 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 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
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 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 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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI
IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI diajukan oleh Kurniawati Handayani 09.11.3278 kepada SEKOLAH TINGGI MANAJEMEN
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
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 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 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 terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2. Jaringan Saraf Tiruan Jaringan saraf tiruan (JST) pertama kali diperkenankan oleh McCulloch dan Walter Pitts pada tahun 943. Jaringan saraf tiruan merupakan suatu sistem pemrosesan
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 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 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 terperinciPREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 2, Juni 2016, hlm. 83-87 PREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG Daneswara
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 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 terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
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 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 terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciPENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION 1 Andrian Rakhmatsyah 2 Sayful Hakam 3 Adiwijaya 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi
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 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 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 terperinciMohammad Akram Ardi 1, Angga Rusdinar 2, Nur Andini 3
DETEKSI PERUBAHAN GARIS PANTAI MENGGUNAKAN METODE WAVELET NEURAL NETWORK BACKPROPAGATION DETECTION OF SHORELINE CHANGE USING WAVELET NEURAL NETWORK BACKPROPAGATION METHOD Mohammad Akram Ardi 1, Angga Rusdinar
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 terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
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 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 terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciBAB 1 PENDAHULUAN 1.1 LATAR BELAKANG
BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
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 III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
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
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciBAB 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 terperinciPERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION
PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION (Forecast The Number of Vehicle in Jakarta Using Backpropagation Neural Net ) Zumrotus Sya diyah Universitas Darussalam Ambon,
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 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 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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI JUMLAH PENDUDUK DI YOGYAKARTA NASKAH PUBLIKASI
IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI JUMLAH PENDUDUK DI YOGYAKARTA NASKAH PUBLIKASI diajukan oleh Setyo Nugroho 10.11.4264 kepada SEKOLAH TINGGI MANAJEMEN INFROMATIKA
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 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 terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
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 terperinciJARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION
JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan E-mail : yuyun.dl@gmail.com
Lebih terperinciPrediksi Jumlah Permintaan Koran Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 7, Juli 2018, hlm. 2612-2618 http://j-ptiik.ub.ac.id Prediksi Jumlah Permintaan Koran Menggunakan Metode Jaringan
Lebih terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
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 terperinciIDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION
JURNAL MANUTECH 43 IDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION Yoan Elviralita 1, Asrul Hidayat 2 1 Program Studi Teknik Mekatronika-Politeknik Bosowa 2 Program Studi Perawatan dan Perbaikan
Lebih terperinciANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA Julpan 1 *, Erna Budhiarti Nababan 1 & Muhammad Zarlis 1 1 Program S2 Teknik Informatika
Lebih 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 terperinciJARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT )
JARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT ) Rima Liana Gema, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia
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 terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinci2. TINJAUAN PUSTAKA. Jumlah (AM x bobot SKS) Jumlah SKS (1) dengan AM adalah Angka Mutu SKS adalah Satuan Kredit Semester
17 2. TINJAUAN PUSTAKA 2.1 Evaluasi Keberhasilan Studi Evaluasi keberhasilan studi mahasiswa dapat ditempuh dengan beberapa tahapan, yaitu evaluasi keberhasilan belajar matakuliah, evaluasi keberhasilan
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 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 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 terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciPuji Pangastuti. kemampuan jaringan dalam menentukan pola yang digunakan selama masa pelatihan diharapkan dapat mengoptimalkan hasil yang diinginkan.
METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGUKUR TINGKAT KORELASI PRESTASI MAHASISWA (STUDI KASUS PADA UNIVERSITAS DIAN NUSWANTORO SEMARANG) Puji Pangastuti Abstract - The university now increasingly
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 terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG. Tekstur adalah salah satu elemen dasar citra. Elemen dasar ini berupa ciriciri
1 BAB I PENDAHULUAN 1.1 LATAR BELAKANG Tekstur adalah salah satu elemen dasar citra. Elemen dasar ini berupa ciriciri atau sifat-sifat yang terdapat didalam citra dan membentuk suatu pola-pola dengan interval
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
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 terperinciBAB III. METODOLOGI. kegiatan manusia membuat penelitian dengan domain teknik informatika
BAB III. METODOLOGI 3.1. Kerangka Pikir Teknik informatika yang memiliki andil yang cukup besar dalam berbagai kegiatan manusia membuat penelitian dengan domain teknik informatika merupakan hal yang menarik
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV.
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV. Bryan Ponsel) Des Indeks Giawa Mahasiswa Teknik Informatika STMIK Budi
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 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 terperinciPerancangan Sistem Prediktor Daya Pada Panel Photovoltaic di Buoy Weather Station
JURNAL TEKNIK POMITS Vol. 2, No. 2, (2013) ISSN: 2337-3539 (2301-9271 Print) A-451 Perancangan Sistem Prediktor Daya Pada Panel Photovoltaic di Buoy Weather Station Aini Prisilia Susanti dan Aulia Siti
Lebih terperinciArsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah memin
BACK PROPAGATION Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan
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 terperinciImplementasi jaringan syaraf tiruan untuk menilai kelayakan tugas akhir mahasiswa (studi kasus di amik bukittinggi)
10 Implementasi jaringan syaraf tiruan untuk menilai kelayakan tugas akhir mahasiswa (studi kasus di amik bukittinggi) Novia Lestari 1, Lucky Lhaura Van FC 2 1 Program Studi Manajemen Informatika AMIK
Lebih terperinciIdentifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation
Identifikasi Otentifikasi Citra Tanda Tangan Menggunakan Wavelet dan Backpropagation Resa Abdilah 1, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani
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 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 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 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 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 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih terperinciBAB II TINJAUAN PUSTAKA
5 BAB II TINJAUAN PUSTAKA 2.1. Klasifikasi Klasifikasi adalah tugas pembelaaran yang memetakan setiap himpunan atribut x ke salah satu label kelas y yang telah didefinisikan sebelumnya. Klasifikasi dapat
Lebih terperinciANALISA PREDIKSI JUMLAH ORDER BARANG DENGAN ALGORITMA BACK PROPAGATION (Studi Kasus pada MART 165)
ANALISA PREDIKSI JUMLAH ORDER BARANG DENGAN ALGORITMA BACK PROPAGATION (Studi Kasus pada MART 165) Muhammad Reza Putra, S. Kom, M. Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang e-mail:
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. dengan kasus atau metode yang akn diteliti. Pemanfaatan metode multilayer
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus atau metode yang akn diteliti. Pemanfaatan metode multilayer
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 PEMBAHASAN. A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium
BAB III PEMBAHASAN A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium Kanker Payudara Fuzzy Neural Network (FNN) adalah gabungan sistem fuzzy dengan Artificial Neural Network (ANN).
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 terperinci