Kode/SKS : TEL 212/2 Prasyarat : -
|
|
|
- Fanny Erlin Budiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Nama MatakuIiah : Teknik Neuro Fuzzy Kode/SKS : TEL 212/2 Prasyarat : - Status Mata Kuliah : Wajib Umum Deskripsi Singkat Mata Kuliah : Mata kuliah Teknik Neuro Fuzzy mempelajari penerapan kecerdasan dan pengetahuan manusia pada sistem, serta mengadaptasikan basis pengetahuan dengan teknik optimasi Stokastik. Materi Teknik Neuro Fuzzy meliputi : Pengantar Jaringan Neural Biologis, Jaringan Neural Sederhana untuk Kiasifikasi Pola, Asosiasi Pola, Jaringan Neural Berbasis Kompetisi, Teori Resonans Adaptif, Jaringan Perambatan Balik, Teori Himpunan Fuzzy, Aturan dan Penalaran Fuzzy, Sistem Inferensi Fuzzy, dan Pemodelan Neuro Fuzzy. Mata kuliah Teknik Neuro Fuzzy diberikan di Semester 6 dan bersifat Wajib Umum. Mata Kuliah prasyarat tidak ada. Sebagai mata kuliah wajib umum maka sebagian besar materi kuliah diberikan dalam bentuk ceramah. Sedangkan mengingat perkembangan teknik neuro fuzzy, maka sebagian materi diberikan dalam bentuk diskusi. Tujuan Pembelajaran Setelah menyelesaikan mata kuliah ini mahasiswa dapat memahami konsep serta latar belakang jaringan neural, logika fuzzy, aplikasi sitem Neuro Fuzzy termasuk pemodelan dan kendali neuro fuzzy.. Materi Pembelajaran 1. Pengantar 1.1 Jaringan Neural Biologis 1.2 Sifat Jaringan Neural 1.3 Aplikasi Jaringan Neural 2. Jaringan Neural Sederhana untuk Klasifikasi Pola 2.1 Pembahasan Umum 2.2 Jaringan Hebb 2.3 Perceptron 2.4 Adaline 3. Jaringan Asosiatif 3.1 Algoritma Pelatihan untuk Asosiasi Pola 3.2 Jaringan Neural Heteroasosiatif 3.3 Jaringan Autoasosiatif 3.4 Jaringan Neural Memori Asosiatif Bidireksional Universitas Gadjah Mada 1
2 4. Jaringan Neural Berbasis Kompetisi 4.1 Jaringan KompetitifBerbobot Tetap 4.2 Pemetaan Swaorganisasi Kohonen 4.3 Kuantisasi Vektor Pelatihan 4.4 counter Propagation 5. Teori Resonans Adaptif (Adaptive Resonans Theory, ART) 5.1 Motivasi, Dasar arsitektur dan operasi 5.2 ART1 5.3 ART2 6. Jaringan Neural Perambatan Balik (Back Propagation, BP) 6.1 Arsitektur dan Algoritma 6.2 Variasi jaringan BP 7. Teori Himpunan Fuzzy 7.1 Himpunan Fuzzy 7.2 Operasi Fuzzy 7.3 Aturan Fuzzy dan Penakaran Fuzzy 8. Inferensi Fuzzy 8.1 Model Fuzzy Mamdani 8.2 Model Fuzzy Sugeno 8.3 Model Fuzzy Tsukamoto 9. Optimisasi 9.1 Metode Least Square Estimator (LSE) 9.2 Meode Derivatif 9.3 Algoritma Genetik 10. Adaptive Neuro Fuzzy Iiference System (ANFIS) 10.1 Arsitektur ANFlS 10.2 Algoritma ANFIS 10.3 Aplikasi ANFIS Universitas Gadjah Mada 2
3 Outcome Pembelajaran: 1. Menjelaskan jaringan neural sebagai inspirasi dan jaringan neural biologis; menjelasperkembangan dan aplikasi arsitektur dan algoritma pelatihan jaringan neural; menjelaskan sejarah jaringan neural. 2. Menjelaskan bagaimana jaringan neural dapat dilatih untuk klasifikasi pola; menjelaskan tiga metode pelatihan jaringan neural sederhana: aturan Hebb, aturan pelatihan Perceptron, dan aturan delta (digunakan oleh Widrow padajaringan neural Adaline). 3. Menjelaskan bagaimana jaringan neural memori asosiatif dapat menyimpan sehimpunasosiasi pola yang merupakan pasangan masukan-keluaran; menjelaskan dua de pelatihan : aturan Hebb dan aturan delta; menjelaskan arsitektur jaringan heteroasosiatif umpan maju dan autoasosiatif umpan maju. 4. Menjelaskan bentuk kompetisi yang ekstrim antar kelompok neuron yang disebut Winner Take All (Maxnet, Mexican Hat); menjelaskan pelatihan tak terbimbing (unsupervised) yang dengan mencari regularitas dalam data masukan misalnya pemetaan swaorganisasi (SOM) yang dikembangkan oleh Kohonen: menjelaskan jaringan pelatihan terbimbing (supervised) dengan kuantisasi vektor pelatihan (Learning Vector Quantization, LVQ) dan jaringan Counter Propagation (CP). 5. Menjelaskan jaringan tak terbimbing ART (Adaptive Resonans Theory) yang mengguguskan vector biner dan kontinyu. ; menjelaskan pemilihan unit gugus (cluster) setiap diberikan pola masukan, dan pengaturan bobot unit gugus tersebut menjadi eksemplar (vector sandi) bagi pola yang ditempatkan pada gugus tersebut. 6. Menjelaskan algoritma pelatihan jaringan perambatan balik yang terdiri atas tiga langkah : umpan maju pola pelatihan, perhitungan dan perambatan balik galat, pengaturan bobot; menjelaskan penurunan matematis algoritma pelatihan. 7. Menjelaskan formulasi dan parameterisasi himpunan fuzzy; menjelaskan operasi fuzzy; menjelaskan aturan fuzzy dan penalaran fuzzy. 8. Menjelaskan tiga sistem inferensi fuzzy ( Mamdani, Sugeno, dan Tsukamoto); menjelaskan tiga macam partisi ruang masukan (partisi grid, tree, dan scatter); menjelaskan pemodelan fuzzy. 9. Menjelaskan identifikasi parameter sysfem model linear dan statis (memoryless); menjelaskan teknik optimisasi berbasis derivatif dengan metode berbasis gradien untuk model neuro fuzzy nonlinear; menjelaskan optimisasi tanpa derivatifdengan algoritma genetik 10. Menjelaskan arsitektur ANFTS Sugeno dan Tsujcarnoto; menjelaskan algoritma pelatihan hybrid yang terdiri ats LSE dan penurunan gradient ; menjelaskan contohcontoh aplikasi ANFIS. Universitas Gadjah Mada 3
4 Rencana Kegiatan Pembelajaran Mingguan (RKBM) Minggu ke Topik (Pokok Bahasan) Metode Pembelajaran 1 1. Pengantar Teknik Neuro Fuzzy 1.1 Jaringan neural biologis 1.2 Sifat Jaringan Neural 1.3 Aplikasi Jaringan Neural 2 2. Jaringan Neural Sederhana untuk Klasifikasi Pola 2.1 Pelatihan jaringan neural 2.2 Jaringan Flebb 2.3 Peceptron 2.4 Adaline 3 3. Jaringan Asosiatif 3.1 Algoritma Pelatihan Asosiasi Pola 3.2 Jaringan Neural Heteroasosiatif 3.3 Jaringan Autoasosiatif 3.4 Jaringan AsosiatifBidireksional 4 4. Jaringan Neural Berbasis Kompetisi 4.1 Jaringan Kompetitif Berbobot tetap 4.2 Pemetaan swaorganisasi Kohonen Kuantisasi Vektor Pelatihan 4.3 Jaringan Counter Propagation 6 5. Jaringan ART 5.1 Motivasi, Dasar, Arsitektur dan Operasi 5.2 ART ART Tugas Universitas Gadjah Mada 4
5 Minggu ke Topik (Pokok Bahasan) Metode Pembelajaran 8 6. Jaringan Perambatan Balik (BP) 6.1 Arsitektur dan Algoritma 6.2 Variasi Jaringan BP 9 7. Teori Himpunan Fuzzy 7.1 Himpunan Fuzzy 7.2 Operasi Fuzzy Aturan dan Penalaran Fuzzy 7.5 Pengendali Logika Fuzzy Inferensi Fuzzy 8.1 Model Fuzzy Mamdani 8.2 Model Fuzzy Sugeno 8.3 Model Fuzzy Tsukamoto Optimisasi 9.1 Metode LSE 9.2 Metode Derivatif Metode Algoritma Genetik 9.4 Tugas ANFIS 10.1 Arsitektur ANFIS 10.2 Algoritma ANFIS 10.3 Aplikasi ANFIS PENJABARAN RKBM 1. Kuliah Minggu 1 Menjelaskan jaringan neural sebagai inspirasi dan jaringan neural biologis; menjelaskan perkembangan dan aplikasi arsitektur dan algoritma pelatihan jaringan neural; menjelaskan sejarah jaringan neural. Universitas Gadjah Mada 5
6 2. Kuliah Minggu 2 Menjelaskan bagaimana jaringan neural dapat dilatih untuk klasifikasi pola; menjelas tiga metode pelatihan jaringan neural sederhana: aturan Hebb, aturan pelatihan Perceptron, dan aturan delta (digunakan oleh Widrow pada jaringan neural Adaline). 3. Kuliah Minggu 3 Menjelaskan bagaimana jaringan neural memori asosiatif dapat menyimpan sehimpunan asosiasi pola yang merupakan pasangan masukan-keluaran; menjelaskan dua metode pelatihan aturan Hebb dan aturan delta; menjelaskan arsitektur jaringan heteroasosiatif umpan maju dan autoasosiatif umpan maju. 4. Kuliah Minggu 4 Menjelaskan bentuk kompetisi yang ekstrim antar kelompok neuron yang disebut Winner Take All (Maxnet, Mexican Hat); menjelaskan pelatihan tak terbimbing (unsupervised) dengan mencari regularitas dalam data masukan misalnya pemetaan swaorganisasi (SOM) yang dikembangkan oleh Kohonen: menjelaskan jaringan 5. Kuliah Minggu 5 Menjelaskan jaringan pelatihan terbimbing dengan kuantisasi vektor pelatihan (Learning Vector Quantization, LVQ) dan jaringan Counter Propagation (CP). 6. Kuliah Minggu 6 Menjelaskan jaringan tak terbimbing ART 1 yang mengguguskan vector biner; menjelaskan pemilihan unit gugus (cluster) setiap diberikan pola masukan, dan pengaturan bobot unit gugus tersebut menjadi eksemplar (vektor sandi) bagi pola yang ditempatkan pads gugus tersebut. 7. Kuliah Minggu 7 Menjelaskan jaringan tak terbimbing ART 2 yang mengguguskan vektor kontinyu; menjelaskan pemilihan unit gugus (cluster) setiap diberikan pola masukan, dan pengauran bobot unit gugus tersebut menjadi eksemplar (vektor sandi) bagi pola yang ditempatkan pada gugus tersebut. (Tugas) 8. Kuliah Minggu 8 Menjelaskan algoritma pelatihan jaringan perambatan balik yang terdiri atas tiga langkah : umpan maju pola pelatihan, perhitungan dan perambatan balik galat, pengaturan bobot; menjelaskan penurunan matematis algoritma pelatihan. Universitas Gadjah Mada 6
7 9. Kuliah Minggu 9 Menjelaskan formulasi dan parameterisasi himpunan fuzzy; menjelaskan operasi fuzzy; menjelaskan aturan fuzzy dan penalaran fuzzy. 10. Kuliah Minggu 10 Menjelaskan aturan dan penalaran fuzzy ; menjelaskan pengendali logika fuzzy 11. Kuliah Minggu 11 Menjelaskan tiga sistem inferensi fuzzy ( Mamdani, Sugeno, dan Tsukamoto); menjelaskan tiga macam partisi ruang masukan (partisi grid, tree, dan scatter); menjelaskan pemodelan fuzzy. 12. Kuliah Minggu 12 Menjelaskan identifikasi parameter system model linear dan statis (memoryless); menjelaskan teknik optimisasi berbasis derivatif dengan metode berbasis gradien untuk model neuro fuzzy nonlinear; menjelaskan optimisasi tanpa derivatif dengan ritma genetik 13. Kuliah Minggu 13 Menjelaskan optimisasi tanpa derivatif dengan Algoritma Genetik: Tugas sistem Fuzzy 14. Minggu 14 Menjelaskan arsitektur ANFTS Sugeno dan Tsukamoto; menjelaskan algoritma pelatihan hybrid yang terdiri atas LSE dan penurunan gradient ; menjelaskan contohcontoh aplikasi ANFIS. EVALUASI 1. Pemahaman Janngan Neural 2. Pemahaman Logika Fuzzy 3. Pemahaman ANFIS 4. Hasil diskusi pertemuan terakhir Universitas Gadjah Mada 7
8 BAHAN, SUMBER INFORMASI DAN REFERENSI 1. Chen C. H., 1996, Fuzzy Logic and Neural Network Handbook, Mc Graw Hill Inc 2. Chester M., 1993, Neural Networks, Prentice Hall, New Jersey. 3. Fausett L., 1994, Fundamentals of Neural Networks, Prentice Hall, Englewood Cliffs. 4. Jamshidi M., Nader V.,. Ross T. J., 1993, Fuzzy Logic and Control, Prentice Hall 5. Jang 3. S. R., Mizutani E., 1997, NeuroFuzzy and Soft Computing, Prentice Hall 6. Jun Yan, Ryan M., Power J., 1994, Using Fuzzy Logic, Prentice Hall N Y. 7. Kartalopoulos S. V., 1996, Understanding Neural Networks and Fuzzy Logic, IEEE Press, New York 8. Kung S. Y., 1993, Digital Neural Networks, Prentice Hall International, Inc. 9. Li-Xin Wang, 1994, Adaptive Fuzzy Systems and Control, Prentice Hall N.J. 10. Zeinberg M., 1991, Neural Networks in Artificial Intelligence, Simon & Schuster International Group. Universitas Gadjah Mada 8
BAB 4. JARINGAN BERBASIS KOMPETISI
BAB 4. JARINGAN BERBASIS KOMPETISI Jaringan berbasis kompetisi menggunakan ide kompetisi untuk meningkatkan kontras dalam aktivasi neuron (winner take all). Hanya neuron yang aktivasinya diperbolehkan
PRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Jaringan Syaraf Tiruan Kode/SKS: SS / (2/1/0) Dosen : BSSU Semester : III
RP-S1-SK-12 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 1 dari 6 A. CAPAIAN PEMBELAJARAN : CP 3.3 : Mampu menyelesaikan masalah di bidang Stat komputasi dan Membuat program untuk mengoptimalkan
Jaringan Neuro-Fuzi Berbasis Algoritma Genetik Dinamis Multiresolusi untuk Pemodelan Sistem Chaotic Diskrit Henon
Jaringan Neuro-Fuzi Berbasis Algoritma Genetik Dinamis Multiresolusi untuk Pemodelan Sistem Chaotic Diskrit Henon Oyas Wahyunggoro 1, Gunawan Ariyanto 2 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
SATUAN ACARA PENGAJARAN (SAP)
SATUAN ACARA PENGAJARAN (SAP) Mata Kuliah : Jaringan Syaraf Tiruan Kode Mata Kuliah : TSK 615 SKS : 2 Waktu Pertemuan : 100 Pertemuan ke : 1 A. Kompetensi 1. Standar Kompetensi : Mahasiswa akan dapat mehami
BAB 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
RENCANA PROGRAM DAN KEGIATAN PEMBELAJARAN SEMESTER (RPKPS)
RENCANA PROGRAM DAN KEGIATAN PEMBELAJARAN SEMESTER (RPKPS) 1. Nama Matakuliah : KECERDASAN BUATAN 2. Kode/SKS : IES5353 / 3 sks 3. Semester : 5 4. Sifat Mata Kuliah : Wajib 5. Prasyarat : Tidak ada 6.
SIMULASI APLIKASI ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM) TIRUAN PID PADA PENGENDALIAN TINGGI PERMUKAAN AIR
SIMULASI APLIKASI ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM) TIRUAN PID PADA PENGENDALIAN TINGGI PERMUKAAN AIR Oyas Wahyunggoro dan Gideon Charles Teknik Elektro UGM, Yogyakarta email : oyas@mti.gadjahmada.edu
RENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4B3 SOFT COMPUTING Disusun oleh: Syahrul Mubarok PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR PENGESAHAN Rencana Pembelajaran
RENCANA PEMBELAJARAN SEMESTER
RENCANA PEMBELAJARAN SEMESTER 1. Identitas Nama Departemen : Pendidikan Ilmu Komputer Nama Program Studi : Pendidikan Ilmu Komputer Nama : Jaringan Saraf Tiruan Kode : IK550 lompok : cerdasan Buatan Bobot
BAB I PENDAHULUAN. kendali dengan campur tangan manusia dalam jumlah yang sangat kecil.
BAB I PENDAHULUAN A. Latar Belakang Perkembangan teknologi pada saat ini mulai bergeser kepada otomatisasi sistem kendali dengan campur tangan manusia dalam jumlah yang sangat kecil. Banyaknya penemuan
BAB 3. JARINGAN MEMORI ASOSIATIF
BAB 3. JARINGAN MEMORI ASOSIATIF Jaringan memori asosiatif adalah jaringan satu lapis dengan bobot ditentukan sedemikian rupa sehingga jaringan dapat menyimpan himpunan asosiasi pola. Setiap asosiasi adalah
OPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK
OPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK ABSTRAK Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Algoritma umum metode propagasi
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 31-40 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DATA RUNTUN WAKTU DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
PRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM
ISSN 1412 3762 http://jurnal.upi.edu/electrans ELECTRANS, VOL.11, NO.2, SEPTEMBER 2012, 18-26 PRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY
SATUAN ACARA PERKULIAHAN
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-05/R4 Versi : 1 Revisi : 0 Tggal Revisi : Tggal Berlaku : 1 Agustus 2010 SATUAN ACARA PERKULIAHAN Program Studi : Teknik Informatika Fakultas : Teknologi Industri
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
JARINGAN 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
PENGENALAN 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
BAB II MODEL NEURON DAN ARSITEKTUR JARINGAN
BAB II MODEL NEURON DAN ARSITEKTUR JARINGAN Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian JST. Neuron terdiri dari 3 elemen: Himpunan unit2 yang dihubungkan dengan jalus
SATUAN ACARA PERKULIAHAN
Topik bahasan : Pendahuluan Mahasiswa dapat memahami konsep cerdasan buatan dan aplikasinya dalam bidang rekayasa 1 Setelah mempelajari materi ini, diharapkan mahasiswa : 1.Mampu mengenal permbangan teknologi
Artificial Intelligence. uthie 1
Artificial Intelligence uthie 1 Cabang-cabang AI 1. Logical AI Logika (matematis) yang merepresentasikan sekumpulan fakta dan tujuan ---> RUANG KEADAAN: Graph Tree uthie 2 Cabang-cabang AI 2. Search Pencarian
SILABUS MATA KULIAH. Mata Kuliah : Jaringan Syaraf Tiruan Kode Mata Kuliah : Pengampu : Julian Supardi, M.T
SILABUS MATA KULIAH Mata Kuliah : Kode Mata Kuliah : SKS : 3 SKS Pengampu : Julian Supardi, M.T I. Deskripsi Mata Kuliah Mata muliah ini merupakan matakuliah pilihan.bidang Kajian meliputi Sejarah, Aplikasi-Aplikasi
Neural 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
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
MODEL KONTROL PREDIKSI BERBASIS ANFIS PADA HEAT EXCHANGER
MODEL KONTROL PREDIKSI BERBASIS ANFIS PADA HEAT EXCHANGER Ruslim Jurusan Teknik Elektro, Fakultas Teknik, Universitas Borneo Tarakan ruslim_s@yahoo.co.id ABSTRAKS Model dinamik dari sistem Heat Exchanger
BAB 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
TOLERANSI 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
Jaringan 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
BAB 2 JARINGAN NEURAL SATU LAPIS
BAB 2 JARINGAN NEURAL SATU LAPIS Jaringan neural dapat dilatih untuk melakukan klasifikasi pola. Dalam klasifikasi pola setiap vektor masukan diklasifikasi menjadi anggota atau tidak dari suatu kelas tertentu
Architecture 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
KBKF63307 INTELIGENSI BUATAN
RENCANA PEMBELAJARAN SEMESTER (RPS) KBKF63307 INTELIGENSI BUATAN Disusun oleh: PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER (FILKOM) UNIVERSITAS PUTRA INDONESIA YPTK PADANG LEMBAR PENGESAHAN
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN (Studi Kasus pada Pengenalan Karakter Angka Tulisan Tangan) Iwan Suhardi Jurusan Teknik
Jurnal Coding, Sistem Komputer Untan Volume 04, No. 3 (2016), hal ISSN: X
SISTEM PENDUKUNG KEPUTUSAN PREDIKSI CURAH HUJAN DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (Studi Kasus: Kota Pontianak) [1] Ruspina Ningsih, [2] Beni Irawan, [3] Fatma Agus Setyaningsih [1][3]
FAKULTAS SAINS DAN TEKNOLOGI UIN SUSKA RIAU. IIS AFRIANTY, ST., M.Sc
IIS AFRIANTY, ST., M.Sc Sistem Penilaian Tugas dan Keaktifan : 15% Quiz : 15% UTS : 35% UAS : 35% Toleransi keterlambatan 15 menit Handphone: Silent Costume : aturan UIN Laki-laki Perempuan Menggunakan
PEMODELAN SISTEM FUZZY STATIS SECARA UMUM DAN IDENTIFIKASI KONSTANTA PARAMETER DALAM SISTEM FUZZY STATIS
PEMODELAN SISTEM FUZZY STATIS SECARA UMUM DAN IDENTIFIKASI KONSTANTA PARAMETER DALAM SISTEM FUZZY STATIS Nadia Ersa Febrina 1, Rahmi Rusin 2 1 Mahasiswa Departemen Matematika, FMIPA UI, Kampus UI Depok
BAB 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
L ctur er: M. Mift Mi ak ft ul Am A i m n i,,s. Kom om,. M. M. ng.
POLITEKNIK NEGERI SRIWIJAYA Jurusan Teknik Komputer Program Studi D3 Teknik Komputer Lecturer: M. Miftakul Amin, S. Kom., M. Eng. Intelegensi Buatan Sesi 1 Pengantar Intelegensi Buatan 2015 Intelegensi
TK36301 PENGANTAR KECERDASAN BUATAN
RENCANA PEMBELAJARAN SEMESTER (RPS) TK36301 PENGANTAR KECERDASAN BUATAN DISUSUN OLEH : APRIANTI PUTRI SUJANA, S.KOM., M.T. PROGRAM STUDI S1 SISTEM KOMPUTER FAKULTAS TEKNIK DAN ILMU KOMPUTER UNIVERSITAS
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data runtun waktu dari fenomena real seperti data finansial biasanya bersifat nonstasioner. Tipe data runtun waktu finansial biasanya dicirikan oleh pola-pola seperti
Implementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk Peramalan Pemakaian Air di Perusahaan Daerah Air Minum Tirta Moedal Semarang
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Implementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk
Jaringan 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
BAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN V.1 Kesimpulan Setelah dilakukan perancangan sistem evaluasi mutu berbasis komputer (logika fuzzy, pengolahan citra dan JST), maka dapat disimpulkan bahwa : 1. Program logika
GARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: SISTEM INFORMASI Semester : 7
GARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: SISTEM INFORMASI Semester : 7 MATA KULIAH : Sistem Pakar KODE MATA KULIAH / SKS : 410103101 / 3 SKS MATA KULIAH PRASYARAT : - DESKRIPSI MATA KULIAH :
BAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Iwan Suhardi, Studi Pengklasifikasian Citra Berdasarkan Ciri Citra dengan Jaringan Syaraf Tiruan
1 MEDIA ELEKTRIK, Volume 3 Nomor 1, Juni 2008 STUDI PENGKLASIFIKASIAN CITRA BERDASARKAN CIRI CITRA DENGAN JARINGAN SYARAF TIRUAN Iwan Suhardi Jurusan Pendidikan Teknik Elektro Fakultas Teknik Universitas
Architecture 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
1.1. 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
BAB 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
BAB 2 LANDASAN TEORI. hyperspectral, neuro fuzzy dan soft computing, teori himpunan fuzzy meliputi himpunan
BAB 2 LANDASAN TEORI Dalam bab ini diuraikan beberapa landasan teori yang terkait, mencakup konsep hyperspectral, neuro fuzzy dan soft computing, teori himpunan fuzzy meliputi himpunan fuzzy, sistem inferensi
MODEL N EURON NEURON DAN
1 MODEL NEURON DAN ARSITEKTUR JARINGAN 1 1 Model Neuron Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan sebagai berikut : Menerima input atau masukan (baikdari data yang dimasukkan
RENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) IKG2J3 KECERDASAN BUATAN Disusun oleh: PROGRAM STUDI ILMU KOMPUTASI FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR PENGESAHAN Rencana Semester (RPS) ini telah disahkan
PRAKIRAAN PENGGUNAAN BEBAN LISTRIK JANGKA PENDEK PADA GKB 2 UMM MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI
PRAKIRAAN PENGGUNAAN BEBAN LISTRIK JANGKA PENDEK PADA GKB 2 UMM MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Strata
KONTRAK PEMBELAJARAN (KP) MATA KULIAH
KONTRAK PEMBELAJARAN (KP) MATA KULIAH Jaringan Saraf Tiruan Kode MK: TSK 615 Program Studi Sistem Komputer Fakultas Teknik Universitas Diponegoro Pengajar : Dr.Oky Dwi Nurhayati, ST, MT Semester : 6 KONTRAK
Implementasi 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
RENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4A3 Pembelajaran Mesin Disusun oleh: Agung Toto Wibowo Said Al Faraby PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR PENGESAHAN
ARTIFICIAL 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
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Di era modern seperti saat ini, energi listrik menjadi salah satu kebutuhan dasar dalam kehidupan masyarakat. Berbagai peralatan rumah tangga maupun industri saat ini
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom Outline Konsep JST Model Struktur JST Arsitektur JST Aplikasi JST Metode Pembelajaran Fungsi Aktivasi McCulloch
TOLERANSI 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
ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU Risky Meliawati 1,Oni Soesanto 2, Dwi Kartini 3 1,3Prodi Ilmu Komputer FMIPA UNLAM 2 Prodi Matematika
ANN : Beberapa Definisi
Artificial Intelligence - STTS 1 of 9 ANN : Beberapa Definisi Valluru B. Rao dan Hayagriva V. Rao 1 : sebuah kelompok unit pengolah (group processing units) yang mana tiap subgrup mengerjakan perhitungannya
PENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR ABSTRAK
PENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR Rosihan Ari Yuana Program Studi Pendidikan Matematika Universitas Sebelas Maret ABSTRAK Aplikasi jaringan
PERBANDINGAN 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
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk prediksi Beban Daya
BAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
KLASIFIKASI BERBASIS LVQ MENGGUNAKAN OPTIMASI LEARNING RATE UNTUK MEMILIH SISWA PESERTA OSN
KLASIFIKASI BERBASIS LVQ MENGGUNAKAN OPTIMASI LEARNING RATE UNTUK MEMILIH SISWA PESERTA OSN Wahyu Hadi Pujianto 1), Mochamad Hariadi 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Kosentrasi CIO)
BAB 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
ALGORITMA GENETIKA UNTUK OPTIMASI STRUKTUR ANFIS
ALGORITMA GENETIKA UNTUK OPTIMASI STRUKTUR ANFIS Ariesta Damayanti 1), Rudy Cahyadi 2) 1) Teknik Informatika STMIK AKAKOM Yogyakarta, 2) Politeknik Negeri Media Kreatif Jakarta 1) Jl. Janti 143 Yogyakarta,
Gambar 1. Hop multi komunikasi antara sumber dan tujuan
Routing pada Jaringan Wireless Ad Hoc menggunakan teknik Soft Computing dan evaluasi kinerja menggunakan simulator Hypernet Tulisan ini menyajikan sebuah protokol untuk routing dalam jaringan ad hoc yang
SILABUS MATAKULIAH. Revisi : 4 Tanggal Berlaku : 04 September 2015
SILABUS MATAKULIAH Revisi : 4 Tanggal Berlaku : 04 September 2015 A. Identitas 1. Nama Matakuliah : Sistem Cerdas 2. Program Studi : Teknik Industri 3. Fakultas : Teknik 4. Bobot sks : 2 SKS 5. Elemen
LOGIKA SAMAR (FUZZY LOGIC)
LOGIKA SAMAR (FUZZY LOGIC) 2. Himpunan Samar 2.. Himpunan Klasik dan Himpunan Samar Himpunan klasik merupakan himpunan dengan batasan yang tegas (crisp) (Jang, Sun, dan Mizutani, 24). Sebagai contoh :
T 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia
T 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia Aidatul Fitriah 1, Agus Maman Abadi 2 1) Program Studi Matematika, FMIPA Universitas Negeri Yogyakarta 2) Jurusan Pendidikan Matematika,
PERANCANGAN DAN IMPLEMENTASI NEUROFUZZY ADAPTIVE BERBASISKAN REAL TIME UNTUK PENGATURAN TEMPERATUR PADA FURNACE
PERANCANGAN DAN IMPLEMENTASI NEUROFUZZY ADAPTIVE BERBASISKAN REAL TIME UNTUK PENGATURAN TEMPERATUR PADA FURNACE Pranata Sulistyawan 2207.100.620 Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember
ANALISIS HUBUNGAN TINGKAT PENGENALAN POLA DENGAN TINGKAT VARIASI POLA : STUDI KASUS PENGENALAN POLA KARAKTER HURUF DENGAN JARINGAN SYARAF TIRUAN)
ISSN: 1693-6930 1 ANALISIS HUBUNGAN TINGKAT PENGENALAN POLA DENGAN TINGKAT VARIASI POLA : STUDI KASUS PENGENALAN POLA KARAKTER HURUF DENGAN JARINGAN SYARAF TIRUAN) Iwan Suhardi Jurusan Teknik Elektro Fakultas
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : E124907 / Sistem Cerdas Revisi 4 Satuan Kredit Semester : 2 SKS Tgl revisi : 16 Juli 2015 Jml Jam kuliah dalam seminggu :
Penggunaan Model ELFIS dan Sistem Neuro Fuzzy Untuk Memprediksi Pasar Saham
Penggunaan Model ELFIS dan Sistem Neuro Fuzzy Untuk Memprediksi Pasar Saham Alexander Sukono - 13513023 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung,
Gambar 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
Seminar Nasional Teknologi 2007 (SNT 2007) ISSN : Yogyakarta, 24 November 2007
Implementasi Adaptive Neuro Fuzzy Inference System Pada Prediksi Pembayaran Pinjaman Berdasar Analisis Rencana Pembiayaan Nasabah ( Studi Kasus : BMT XYZ ) Emha Taufiq Luthfi STMIK AMIKOM Yogyakarta e-mail
ANALISIS 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
BAB 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
SILABUS MATAKULIAH. Indikator Pokok Bahasan/Materi Strategi Pembelajaran KONTRAK KULIAH DAN PREVIEW MATERI. PENGENALAN KECERDASAN BUATAN a.
SILABUS MATAKULIAH Revisi : 2 Tanggal Berlaku : Maret 2014 A. Identitas 1. Nama Matakuliah : A11. 54605 / Kecerdasan Buatan 2. Program Studi : Teknik Informatika-S1 3. Fakultas : Ilmu Komputer 4. Bobot
IMPLEMENTASI JARINGAN SARAF TIRUAN HAMMING DALAM KASUS PENGENALAN POLA ANGKA DAN HURUF. Oleh : M. Husaini., S.T., M.T Dosen IAIN Bandar Lampung
IMPLEMENTASI JARINGAN SARAF TIRUAN HAMMING DALAM KASUS PENGENALAN POLA ANGKA DAN HURUF Oleh : M. Husaini., S.T., M.T Dosen IAIN Bandar Lampung 1. ABSTRAKSI Jaringan Saraf Tiruan (JST) mempunyai prinsip
KECERDASAN BUATAN ARTIFICIAL INTELLIGENCE. Copyright: Anik Handayani FT-UM
KECERDASAN BUATAN ARTIFICIAL INTELLIGENCE Copyright: Anik Handayani FT-UM ARTIFICIAL INTELLIGENCE Mata Kuliah:Kecerdasan Buatan (Artificial Intelligence/AI) Deskripsi Mengenai Kecerdasan Buatan Kecerdasan
Saran Aksi Saham Dengan Pendekatan Fundamental Dan Teknikal Menggunakan Metode Learning Vector Quantization Neural Network
Inggrayana, Saran Aksi Saham Dengan Pendekatan Fundamental Dan Teknikal Menggunakan Metode Learning. 1 Saran Aksi Saham Dengan Pendekatan Fundamental Dan Teknikal Menggunakan Metode Learning Vector Quantization
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Melihat kondisi sebagian besar masyarakat Indonesia saat ini yang mengalami banyak tekanan baik dari segi ekonomi, politik, pekerjaan dan sebagainya, menyebabkan terjadinya
KEANDALAN BALOK STATIS TERTENTU DENGAN ARTIFICIAL NEURAL NETWORKS
KEANDALAN BALOK STATIS TERTENTU DENGAN ARTIFICIAL NEURAL NETWORKS Martinus S.P. Abednego [1], Yosafat Aji Pranata [2] Jurusan Teknik Sipil, Universitas Kristen Maranatha Jln. Prof. drg. Suria Sumantri,
BAB 2 TINJAUAN PUSTAKA. menggunakan teknik statistik, matematika, kecerdasan buatan, tiruan dan machinelearning
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data mining adalah kombinasi secara logis antara pengetahuan data, dan analisa statistik yang dikembangkan dalam pengetahuan bisnis atau suatu proses yang menggunakan
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : A11. 54605 / Kecerdasan Buatan Revisi 2 Satuan Kredit Semester : 3 SKS Tgl revisi : Februari 2014 Jml Jam kuliah dalam seminggu
Peramalan Data IHSG Menggunakan Metode Backpropagation
Peramalan Data IHSG Menggunakan Metode Backpropagation Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang, Indonesia hansun@umn.ac.id Diterima 31 Agustus 2012 Disetujui
ITP SISTEM OPTIMASI BAHAN AJAR. Oleh: Zuriman Anthony, ST., MT
ITP BAHAN AJAR SISTEM OPTIMASI Oleh: Zuriman Anthony, ST., MT PROGRAM STUDI TEKNIK ELEKTRO S1 FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI PADANG AGUSTUS, 2011 KATA PENGANTAR Berkat rahmat ALLAH S.W.T
JARINGAN 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
KONTRAK PEMBELAJARAN (KP) MATA KULIAH
KONTRAK PEMBELAJARAN (KP) MATA KULIAH Kode MK: TSK-710 Program Studi Sistem Komputer Fakultas Teknik Universitas Diponegoro Pengajar : Eko Didik Widianto, ST, MT Semester : 7 KONTRAK PEMBELAJARAN Nama
JARINGAN SYARAF TIRUAN
JARINGAN SYARAF TIRUAN 8 Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah
BAB 1. Adakalanya proses penalaran mengandung data-data atau informasi yang mengandung
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Proses penalaran merupakan bagian yang sangat penting dalam sistem cerdas. Adakalanya proses penalaran mengandung data-data atau informasi yang mengandung ketidaktepatan
Jaringan 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
SKRIPSI. Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Strata I Teknik Elektro Universitas Muhammadiyah Malang.
PRAKIRAAN PENGGUNAAN JUMLAH AKOMODASI KAPAL FERRY PADA PELABUHAN PT ASDP INDONESIA FERRY (PERSERO) CABANG KETAPANG-GILIMANUK DENGAN PENERAPAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI 21 Komputasi Quantum Teori komputasi quantum sangat terinspirasi oleh fenomena partikel pada mekanika quantum Fenomena ini disebut dengan superposisi dimana sebuah partikel dalam
ANALISIS 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