JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
|
|
- Budi Hartanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan Abstrak Penelitian ini bertujuan untuk mendeteksi penyalahgunaan narkotika menggunakan teknik pengenalan pola yaitu jaringan saraf tiruan dengan metode backpropagation. Data yang menjadi masukan adalah segala jenis gejala penderita narkotika. Jaringan saraf tiruan dilakukan dengan menentukan jumlah unit untuk setiap lapisan dengan fungsi aktivasi sigmoid biner. Pengujian dilakukan menggunakan perangkat lunak matlab yang diuji dengan beberapa bentuk arsitektur jaringan. Arsitektur dengan konfigurasi terbaik terdiri dari 23 lapisan masukan, 5 lapisan tersembunyi dan 5 lapisan keluaran dengan nilai learning rate sebesar 0.5, nilai toleransi error 0.01, Dapat dilihat bahwa hasil penelitian ini mencapai keakuratan 95% dari data penelitian, sehingga dapat disimpulkan bahwa jaringan syaraf tiruan dengan backpropagation mampu mengenali pola dan mampu mendeteksi penyalahgunaan narkotika dengan jumlah iterasi 6341 dan MSE MSE berada di bawah nilai error yaitu 0.01, Parameter tersebut dipilih menjadi parameter terbaik, karena nilai MSE paling kecil dari arsitektur yang lain serta nilai MSE dibawah dari nilai error yang ditentukan. Sigmoid Biner Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid memiliki nilai range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Kata Kunci : Jaringan Saraf Tiruan, Backpropagation, Narkotika, Sigmoid biner, Matlab 1. PENDAHULUAN Di era globalisasi sekarang ini dan juga pengaruh perdagangan bebas, menjadikan peredaran barang-barang impor semakin banyak masuk ke tanah air seperti, otomotif, alat komunikasi, alat-alat kesehatan, dan juga obatobatan. Di samping itu dengan sistem perdagangan bebas ini, menambah ruang gerak peredaran obat-obatan terlarang dan narkotika semakin marak ditanah air. Faktor minimnya pengetahuan masyarakat tentang penggunaan narkotika menyebabkan sulitnya masyarakat awam mengidentifkasi seseorang ataupun anggota keluarganya yang telah menjadi korban penyalahgunaan narkotika. Dengan demikian pemanfaatan teknologi, khususnya teknologi informasi telah diimplementasikan ke berbagai bidang seperti pemerintahan, pendidikan, bisnis, periklanan, kesehatan, dan sebagainya. Berdasarkan uraian di atas penulis mencoba untuk memanfaatkan teknologi informasi untuk dapat membantu masyarakat. Metode problem solving yang digunakan dalam penelitian ini adalah jaringan syaraf tiruan (JST). Jaringan syaraf tiruan telah banyak digunakan untuk membantu menyelesaikan berbagai macam permasalahan, salah satu permasalahan tersebut adalah pencocokan/keakurasian berdasarkan pelatihan yang diberikan. JST dapat dimanfaatkan untuk mendeteksi penyalahgunaan narkotika dengan menggunakan metode Backpropagation. 2. DASAR TEORI 2.1 Jaringan Saraf Tiruan Jaringan Saraf Tiruan (arficial neural network) merupakan metode yang dapat menemukan hubungan non-linear antara beban dan faktor-faktor ekonomi yang bervariasi serta faktor- faktor lainnya yang dapat melakukan penyesuaian terhadap perubahan-perubahan yang terjadi [1]. Gambar 1. Komponen Neuron Dari gambar diatas terlihat bahwa dalam otak manusia, sebuah neuron (sel saraf) tertentu mengumpulkan sinyal berupa rangangan dari neuron lain melalui dendrit. Sinyal yang dating dan diterima oleh dendrit akan dijumlahkan (summation) dan dikirim melalui axon ke dendrit 69
2 akhir yang bersentuhan dengan dendrit dari neuron yang lain. Siyal ini akan diterima oleh neuron lain jika memenuhi nilai threshold tertentu. Dalam hal ini neuron dikatakan teraktivasi. Pembelajaran pada otak manusia terjadi ketika da hubungan antara satu neuron dengan neuron lain yang terjadi secara adaptif dan berlangsung secara dinamis [2]. 2.2 Metode Backpropagation Backpropagation merupakan algoritma pembelajaran yang terawasi dan baisanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang berhubungan dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pada dasarnya, pelatihan dengan metode backpropagtion terdiri atas tiga langkah, yaitu sebagai berikut : a. Data dimasukkan ke input jaringan (feedforward) b. Perhitungan dan propagasi balik dari error yang bersangkutan Pembaharuan (adjustment) bobot dan bias[1]. 2.3 Fungsi Aktivasi Sigmoid Biner Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan saraf yang nilai outputnya 0 atau 1 [3] fungsi sigmoid dirumuskan sebagai berikut : Fungsi Step dirumuskna sebagai : dengan : (1) 2.4 Arsitektur Jaringan Metode Backpropagation Jaringan saraf terdiri dari 3 lapisan, yaitu lapisan masukan/input terdiri atas variable masukan unit sel saraf, lapisan tersembunyi dan lapisan keluaran/output. Lapisan masukan digunakan untuk menampung 23 variabel yaitu X1 sampai dengan X23, lapisan tersembunyi terdiri atas 5 unit sel saraf, lapisan tersembunyi ditentukan sendiri oleh pengguna sistem melalui cara percobaan konvergensi terbaik (trial and error) sampai diperoleh hasil konvergensi pelatihan yang paling baik (jumlah epoch terkecil). dan lapisan keluaran/output terdiri atas 5 sel saraf, lapisan keluaran digunakan untuk mempresentasikan pengelompokan pola, nilai untuk Opium+Heroin, nilai untuk Morphine, nilai untuk Cocain, nilai untuk Marijuana, dan nilai untuk Sintetik (Pethidin + Methadon)[4]. Gambar 2 merupakan arsitektur jaringan saraf tiruan. X1 X2 X3 X4 X23 W0 Z1 Z2 Zn B0 Y1 Y2 Y3 Y4 Y5 Opium + Heroin Morphine Cocain Marijuana Sintetik (Pethidin + Metahdon) Gambar 2. Arsitektur Jaringan Untuk Mendeteksi Penyalahgunaan Narkotika 2.5 Inisialisasi Input Pada tahap ini dilakukan proses inisialisasi data input yang diperoleh dari gejalagejala/kriteria dan seluruh jennies narkotika. Nilai terhadap variable ditentuka Antara 0 sampai 1 disesuaikan dengan kasus dari masing gejala. Tabel 1. Kriteria dan Inisialisasi Gejala Narkotika No Kriteria Yang Dinilai Inisialisasi 1 Nafsu Makan Hilang X1 2 Sembelit X2 3 Keracunan X3 4 Napas Pendek X4 5 Mudah Koma X5 6 Kematian X6 7 Mual X7 8 Gelisah X8 9 Ketergantungan Fisik Mental X9 10 Perasaan Tertekan X10 11 Kejang-kejang X11 12 Kecanduan X12 13 Ketagihan X13 14 Paru-paru terganggu X14 15 Daya ingat rusak X15 16 Gangguan Sex X16 17 Mudah Marah X17 18 Suhu Tubuh Naik X18 19 Halusinasi X19 20 Mudah Lelah X20 21 Paranoid X21 70
3 22 Susunan Syaraf Pusat Rusak X22 23 Sembelit X Inisialisasi Output Hasil yang diiinginkan pada tahap ini adalah terdeteksinya suatu nilai untuk mendeteksi narkotika. Tabel 2 berikut adalah nilai target keluaran. Tabel 2. Prediksi dan Inisialisasi Narkotika Prediksi No Penyalahgunaan Inisialisasi Narkotika 1 Opium + Heroin Morphine Cocain Marijuana Sintetik (Pethidin + 5 Methadon) Learning rate (α) = 0.5 Maksimal error = 0.01 Maksimal epoch = Fungsi Aktivasi = Logsig Tahap Pelatihan Pada tahap ini sistem jaringan saraf diberikan 25 data sampel penilaian penyalahgunaan narkotika untuk dilatihkan sebagai proses pembelajaran. Untuk mendapatkan nilai keluaran, yang pertama harus dilakukan adalah menentukan matriks masukan dan matriks target. Berikut dapat di lihat Tabel 3. Tabel 3. Data Pelatihan 3. HASIL dan PEMBAHASAN Pada bab ini dibahas mengenai implementasi dan pengujian dari jaringan saraf tiruan dengan metode backpropagation, dimulai dari menjelaskan pengujian (Matlab), pemrograman jaringan saraf tiruan (Backpropagation), langkah pengolahan data dengan Matlab dan pelatihan jaringan saraf tiruan. 3.1 Pengujian Sistem Pengujian jaringan saraf tiruan metode backpropagation untuk mendeteksi penyalahgunaan narkotika dilakukan untuk melihat apakah sistem jaringan saraf ini sudah sesuai dengan kondisi sebenarnya atau tidak. Pengujian jaringan saraf tiruan ini dibagi menjadi beberapa tahap yaitu: Tahap Inisialisasi Pada tahap ini sistem jaringan saraf diberikan masukan berupa nilai parameter inisialisasi yang terdiri dari : Jumlah sel lapisan masukan terdiri dari 23 simpul input Jumlah sel lapisan tersembunyi dicari berdasarkan percobaan (trial and error) dengan cara mengubah konstanta belajar dan lapisan tersembunyi secara terus menerus sampai diperoleh konfigurasi terbaik yaitu jumlah epoch yang terkecil. Pada sistem deteksi penyalahgunaan narkotika ini diperoleh konfigurasi lapisan tersembunyi adalah 5 simpul. Jumlah lapisan keluaran terdiri dari 5 simpul yaitu Opium + Heroin, Morphine, Cocain, Marijuana dan Sintetik (Pethidin + Methadon). Adapun hasil pelatihan yang dilakukan dengan jaringan saraf tiruan adalah: Gambar 3. Hasil Pengujian Data Pelatihan dengan 2704 iterasi Dengan actual output sebagai berikut: a = 71
4 Columns 1 through Columns 8 through Columns 15 through Columns 22 through Pada pelatihan yang dilakukan dengan MATLAB didapat hasil yang dapat dilihat pada tabel 4 dan tabel 6 di bawah. Pada proses pelatihan jaringan saraf tiruan aini akan berhenti jika iterasi telah sampai pada batas maksimum yaitu iterasi, atau pelatihan akan berhenti jika MSE (Mean Square Error) telah berada dibawah target error, disini diketahui target errornya sebesar Dengan pelatihan di atas dapat dilihat output yang sesuai dengan target. Di mana untuk nilai output actual diambil yang bernilai 1. Adapun parameter penilaian output actual dengan fungsi aktivasi : Y = untuk melihat hasil pelatihan yang dilakukan oleh jaringan saraf tiruan dengan target yang telah ditentukan dapat dilihat pada tabel 4 sebagai berikut: Tabel 4. Pengujian Data Pelatihan Untuk Arsitektur Tahap Pengujian Tahap pengujian merupakan tahapan yang digunakan untuk menguji data penelitian yang telah didapat pada JST, dimana sebelumnya telah dilatih data penelitian pada proses pelatihan. Pada data pengujian ini telah ditetapkan hasil keluaran atau target. Data pengujian berfungsi untuk menguji ke akuratan sistem JST yang telah dibuat. Data pengujian dapat dilihat pada Tabel 5. Tabel 5. Data Pengujian Adapun grafik hasil pengujian data baru dengan 10 sampel data yang dilakukan dengan jaringan saraf tiruan adalah: Gambar 4. Grafik Hasil Data Pengujian dengan 6341 iterasi Dengan output actual sebagai berikut: 72
5 a = Columns 1 through Columns 8 through untuk melihat hasil pengujian 10 data baru yang dilakukan oleh jaringan saraf tiruan dengan target yang telah ditentukan dapat dilihat pada tabel 6 sebagai berikut: Tabel 6. Pengujian Data Baru Untuk Arsitektur Keterangan : HPU = Hasil Pengujian KJST = Ketepatan Jaringan Saraf Tiruan Kemudian Untuk memperoleh konfigurasi terbaik maka dilakukan beberapa pengujian dengan berbagai model arsitektur jaringan saraf tiruan yaitu , , , , dan Berikut ini merupakan tabel hasil pelatihan jaringan saraf tiruan dari 5 arsitektur tersebut dengan perubahan nilai hidden layer. Tabel 7. Tabel Perubahan Nilai Uji Coba Data Pengujian Dengan Perubahan Nilai Hidden Layer Erro Hidden Epochs Lr MSE r Dari beberapa hasil ujicoba yang telah dilakukan dapat diambil kesimpulan bahwa suatu arsitektur mempunyai kinerja sangat bagus jika nilai MSE berada di bawah nilai error yaitu Dari uji coba yang dilakukan diperoleh parameter yaitu learning rate sebesar 0.5, toleransi error 0.01, maksimal epoch 6341 dan hidden layer 5 dengan nilai MSE Parameter tersebut dipilih menjadi parameter terbaik karena menghasilkan jumlah iterasi yang memiliki nilai akurasi MSE yang cukup baik, karena nilai MSE paling kecil dari arsitektur yang lain serta nilai MSE dibawah dari nilai error yang ditentukan. 4. KESIMPULAN Berdasarkan hasil dari analisis pada tahap pelatihan dan tahap pengujian deteksi penyalahgunaan narkotika ini didapat beberapa kesimpulan, antara lain: Metode backpropagation dapat digunakan untuk menyelesaikan masalah untuk mendeteksi penyalahgunaan narkotika dengan menggunakan lima pola tampilan output yang terdiri dari Opium/ Heroin, Morphine, Cocain, Marijuana dan Sintetik (Pethidin + Methadon). Pengujian jaringan saraf dilakukan dengan memasukkan data pelatihan dan pengujian dan diperoleh hasil pengujian sampai 100% sesuai dengan target yang di inginkan Pelatihan terhadap jaringan saraf dengan 23 sel lapisan masukan dilakukan pada 25 data sampel yang terdiri dari 6 data dengan pola keluaran Opium + Heroin, 5 data dengan pola keluaran Morphine, 5 data dengan pola keluaran Cocain, 4 data dengan pola keluaran Marijuana dan 5 data dengan pola kularan Sintetik (Pethidin + Methadon). 5. SARAN Berdasarkan pengujian yang telah dilakukan pada jaringan saraf tiruan yang telah dibuat, tentunya masih ada kekurangan dan kelemahan yang terjadi sehingga perlu dikembangkan lagi agar kinerjanya lebih baik. Adapun saran untuk pengambangan penelitian ini adalah: Untuk pengembangan penelitian yang lebih baik lagi dapat membuat suatu perangkat lunak untuk mengimplementasikan jaringan saraf tiruan dengan metode backpropagation untuk mendeteksi penyalahgunaan narkotika agar lebih mudah dipahami oleh masyarakat awam. Setelah dilakukan pelatihan dan pengujian untuk mendeteksi penyalahgunaan narkotika menggunakan jaringan saraf tiruan metode backpropagation, disarankan agar diadakan penelitian lebih lanjut dengan menggunakan 73
6 metode-metode lainnya agar dapat di ambil kesimpulan metode apa yang paling baik dalam kasus mendeteksi penyalahgunaan narkotika. 6. DAFTAR PUSTAKA [1] Marleni, et.al, (2012). Pengembangan Sistem Jaringan Syaraf Tiruan Dalam Memprediksi Jumlah Dokter Keluarga Menggunakan Backpropagation (Studi Kaus : Regional X Cabang Palu), Seminar Nasional Teknologi Informasi dan Komunikasi.. [2] T. Sutojo, Edy Mulyant dan Vincent Suhartono, (2011). Kecerdasan Buatan, Andi Yogyakarta [3] Novi Indah Pradasari, et.al, Jaringan Syaraf Tiruan Untuk Memprediksi Penyakit Saluran Pernafasan Dengan Metode Backpropagation, Jurnal Coding Vol, No.1 Juli [4] Iskandar Zulkarnain, 2012, Sistem Pendeteksi Penyalahgunaan Narkoba Menggunakan Jaringan Saraf Tiruan Model Backpropagation, Jurnal Saintikom Vol. 10/No. 2/Mei
Jaringan Saraf Tiruan dengan Backpropagation untuk Memprediksi Penyakit Asma
28 ISSN: 2354-5771 Jaringan Saraf Tiruan dengan Backpropagation untuk Memprediksi Penyakit Asma Dahriani Hakim Tanjung STMIK Potensi Utama Medan E-mail: notashapire@gmail.com Abstrak Penelitian ini bertujuan
Lebih terperinciSISTEM PENDETEKSI PENYALAHGUNAAN NARKOBA MENGGUNAKAN JARINGAN SYARAF TIRUAN MODEL BACKPROPAGATION
SISTEM PENDETEKSI PENYALAHGUNAAN NARKOBA MENGGUNAKAN JARINGAN SYARAF TIRUAN MODEL BACKPROPAGATION Iskandar Zulkarnain Program Studi Sistem Komputer, STMIK Triguna Dharma iskandar.z@gmail.com ABSTRAK: Penerapan
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA)
PEMBANGUNAN SISTEM PENDETEKSI PENYALAHGUNAAN NARKOBA MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION Dwi Putri Pangrestu 1, Nelly Indriani Widiastuti 2 Teknik Informatika Universitas
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
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 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 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 terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciPERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION
Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION Fahmi Hasobaran Dalimunthe
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 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 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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih 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 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 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 terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
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 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 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 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 terperinciDIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
DIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Bambang Yuwono 1), Heru Cahya Rustamaji 2), Usamah Dani 3) 1,2,3) Jurusan Teknik Informatika UPN "Veteran" Yogyakarta
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih 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 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 VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih 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 terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciBAB 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 terperinciKata Kunci: Jaringan Syaraf Tiruan, Metode Backpropagation, penyakit saluran pernafasan.
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih 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 terperinciJurnal Coding, Sistem Komputer Untan Volume 04, No.2 (2016), hal ISSN : x
DETEKSI PENYAKIT PADA TANAMAN JERUK PONTIANAK DENGAN METODE JARINGAN SARAF TIRUAN BACKPROPAGATION [1] Fitrajaya Nugraha, [2] Beni Irawan, [3] Dwi Marisa Midyanti [1] [3] Jurusan Sistem Komputer, Fakultas
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 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 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 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 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 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 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 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 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 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 terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciBAB 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 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 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 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 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
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih 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 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 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 terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciMetode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat
Prosiding Semirata FMIPA Universitas Lampung, 2013 Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat Andi Ihwan Prodi Fisika FMIPA Untan, Pontianak
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 terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN
SISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN Ahyuna 1), Komang Aryasa 2) 1), 2) Jurusan Teknik Informatika, STMIK Dipanegara Makassar 3) Jl. Perintis
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
Lebih terperinciBAB I PENDAHULUAN. paling parah dan paling lama tingkat pemulihannya akibat krisis keuangan
BAB I PENDAHULUAN 1.1 Latar Belakang Krisis keuangan yang terjadi di Asia pada pertengahan tahun 1997 diawali di Thailand dan merembet ke berbagai negara di Asia lainnya seperti di Indonesia, Malaysia,
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciKLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION A B S T R A K
KLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION Oleh : Gunawan Abdillah, Agus Komarudin, Rachim Suherlan A B S T R A K Kelainan jantung anak merupakan salah
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 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 terperinciPENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION Heru Satria Tambunan AMIK Tunas Bangsa Jalan Sudirman Blok A No. -3, Kota Pematang Siantar, Sumatera
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 terperinciFarah Zakiyah Rahmanti
Farah Zakiyah Rahmanti Latar Belakang Struktur Dasar Jaringan Syaraf Manusia Konsep Dasar Permodelan JST Fungsi Aktivasi JST Contoh dan Program Jaringan Sederhana Metode Pelatihan Supervised Learning Unsupervised
Lebih 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 terperinciEstimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan
Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan Andi Ihwan 1), Yudha Arman 1) dan Iis Solehati 1) 1) Prodi Fisika FMIPA UNTAN Abstrak Fluktuasi suhu udara berdasarkan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Jaringan Syaraf Tiruan (artificial neural network), atau disingkat JST menurut Hermawan (2006, hlm.37) adalah sistem komputasi dimana arsitektur dan operasi
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
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 terperinciJARINGAN SYARAF TIRUAN
JARINGAN SYARAF TIRUAN 8 Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan diuraikan materi yang mendukung dalam pembahasan evaluasi implementasi sistem informasi akademik berdasarkan pengembangan model fit HOT menggunakan regresi linier
Lebih 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 terperinci2 2 ... v... 3 Santoso... 21 abawa... 29... 37... 53... 59... 67... 77 Yohakim Marwanta... 85... 89... 101 ... 109... 117 D. Jaringan Komputer Amirudd... 135 andha... 141... 151... 165 Syahrir... 171...
Lebih terperinciPRISMA FISIKA, Vol. I, No. 1 (2013), Hal ISSN :
Prediksi Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik Abraham Isahk Bekalani, Yudha Arman, Muhammad Ishak Jumarang Program
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih 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 terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
Lebih terperinciIMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI
IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com
Lebih terperinciProses Pembelajaran dengan BackPropagation pada kasus penyakit asma
Proses Pembelajaran dengan BackPropagation pada kasus penyakit asma Oleh Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Penyakit asma merupakan penyakit yang menyerang pada saluran
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 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 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 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 terperinciPENERAPAN ALGORITMA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM MEMPREDIKSI TINGKAT SUKU BUNGA BANK
PENERAPAN ALGORITMA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM MEMPREDIKSI TINGKAT SUKU BUNGA BANK Badrul Anwar Program Studi Sistem Komputer, STMIK Triguna Dharma badrul.anwar@gmail.com ABSTRAK: Prediksi
Lebih terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciBAB II TEORI DASAR. Gambar 2.1 Anatomi Jantung
4 BAB II TEORI DASAR 2.1. Jantung Jantung merupakan otot tubuh yang bersifat unik karena mempunyai sifat membentuk impuls secara automatis dan berkontraksi ritmis [4], yang berupa dua pompa yang dihubungkan
Lebih terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
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 terperinci