TEKNIK PERAMALAN TINGKAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN
|
|
- Devi Pranoto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 TENI PERAMALAN TINGAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN Sri Mulyana Program Studi Ilmu omputer F MIPA UGM Seip Unit III Yogyaarta Telp (0274) smulyana@ugm.ac.id Abstra Tingat penualan merupaan salah satu tolo uur eberhasilan dalam usaha perdagangan. Pada penelitian ini telah diembangan teni peramalan tingat penualan berbasis aringan syaraf tiruan (JST) dengan metode propagasi bali. Tingat penualan berbasis JST yang diembangan terdiri 6 neuron masuan yang merupaan nilai parameter yang berpengaruh pada tingat penualan dan 1 neuron eluaran yang merupaan tingat penualan hasil prairaan. Parameter-parameter tersebut meliputi : cuaca, tingat hari libur (dalam 1 minggu), ada dan tidanya event/egiatan yang diselenggaraan di ota tempat restoran tersebut berada, banyanya menu spesial yang ditawaran, biaya ilan yang dieluaran dan freuensi ilan di media. Adapun luaran sistem adalah tingat penualan yang dicapai restoran tersebut selama 1 minggu. Dalam penelitian ini digunaan 90 data penualan dengan 80 data digunaan untu pelatihan dan 10 data digunaan untu penguian. Dari hasil penguian terhadap 10 data penualan, JST dengan metode propagasi bali diperoleh tingat penyimpangan rata-rata sebesar 3.3 % eywords : Jaringan syarat tiruan (JST), propagasi bali, tingat penualan 1. PENDAHULUAN Penualan merupaan salah satu tolo uur eberhasilan dalam suatu usaha perdagangan. Banya fator yang mempengaruhi tinggi rendahnya tinggat penualan diantaranya produ itu sendiri, harga, distribusi, promosi dan layanan purna ual. Prairaan tingat penualan yang tepat dapat diadian ruuan guna menentuan eberlangsungan usaha dan tingat euntungan yang ingin dicapai. Jaringan Syaraf Tiruan (JST), telah banya digunaan untu menganalisa data yang omples dan untu mengenali pola. Hasilnya cuup menanian untu pengolahan data yang omples. Untu itu telah dilauan peneilitian tentang teni peramalan penualan dengan menggunaan Jaringan Syaraf Tiruan (JST). Terdapat beberapa metode peramalan antara lain : metode pemulusan (Smoothing), metode deomposisi, dan metode regresi [Maridais, 1998]. Penelitian ini bertuuan membuat apliasi aringan syaraf tiruan yang dalam hal ini adalah aringan syaraf tiruan feed-forward dengan algoritma pelatihan propagasi bali untu peramalan tingat penualan. Dengan sistem ini dapat dimanfaatan oleh para pengusaha untu membuat prairaan tingat penualannya berdasaran pencapain pada periode sebelumnya. 2. TINJAUAN PUSTAA Jaringan Syaraf Tiruan (JST) telah digunaan dalam banya implementasi yang melibatan banya data dan uga pada pengenalan pola. Beberapa riset telah dilauan diantaranya adalah Jaringan Syaraf Tiruan (JST) untu melauan peramalan tingat pertumbuhan PDB (Produ Domesti Bruto) [Taz, 1999]. Implementasi lain uga telah dilauan pada penelitian penggunaan Jaringan Syaraf Tiruan (JST) untu peramalan dan analisis data Pemasaran [Yau d, 1998]. Pada penelitian tersebut JST diapliasian pada data penualan TV berwarna di Singapura yang dihimpun selama satu setengah tahun. Beberapa hal yeng diindiasian sebagai parameter yang dapat mempengaruhi tingat penualan adalah harga, uuran layar, sistem strereo, fator musim dan layar datar. Sedangan implementasi JST dengan teni propagasi bali uga telah dilauan untu perencanaan penualan sistem omputer paralel [Thiesing,1999]. Pada penelitian ini telah dilauan pembuatan peramalan penualan dengan menggunaan Jaringan Syaraf Tiruan (JST). Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memilii arateristi unu era tertentu yang menyerupai aringan syaraf biologi (Fausett, 1994). JST propagasi bali merupaan JST dengan aringan feed-forward dengan banya lapis yang dilatih menggunaan algoritma pelatihan propagasi bali. JST ini telah banya dipaai dalam berbagai bidang seperti data mining, pembacaan tulisan tangan, simulasi emudi tru, serta untu pengenalan pola. Sebuah JST lapis banya dengan satu lapis unit tersembunyi (unit Z) ditunuan pada gambar-1 di bawah : 276
2 Y 1 Y Y m W 01 W 11 W 0 W 1 W 0 W p W W pm W 1m W m W p1 1 m Z 1 1 Z Z p W V 01 V 11 V 0 V 0p V 1 V 1p V i1 V i V n V np V ip V n1 1 X 1 X i X n Gambar 1 : JST Propagasi bali dengan satu lapisan tersembunyi Unit eluaran (unit Y) dan unit tersembunyi uga memilii bias. Bias pada unit eluaran Y ditunuan dengan w 0 dan bias pada unit tersembunyi Z adalah v 0. Bias berlau seperti bobot pada hubungan dan memilii nilai 1. Pelatihan Jaringan Syaraf Tiruan (JST) dengan propagasi bali meliputi tiga tahap: tahap f, yaitu melatih pola masuan (dari unit masuan e unit eluaran), feed-forward propagasi bali dan menghitung galat (dari unit eluaran e unit masuan) dan tahap penyesuaian bobot. [Fausett, Laurene, 1994] Selama tahap feed-forward (mau), setiap unit masuan ( X i ) menerima sinyal masuan dan mengirim sinyal ini e setiap unit tersembunyi Z1,, Z p. Setiap unit tersembunyi menghitung atifasinya dan mengirim sinyalnya ( z ) e setiap unit eluaran. Setiap unit eluaran ( Y ) menghitung atifasinya ( y ) untu menunuan respon aringan terhadap pola masuan yang diberian. Selama pelatihan, untu setiap unit eluaran dibandingan atifasi y dengan targetnya t untu menentuan galat antara pola masuan dengan unit eluaran tersebut. Setelah didapat galat, fator δ (=1,,m) dihitungδ yang digunaan untu mendistribusian galat pada unit eluaran Y embali e seluruh unit pada lapis sebelumnya (unit tersembunyi yang terhubung dengan Y ). emudian galat ini dipaai untu mengubah bobot antara eluaran dengan lapisan tersembunyi. Dengan cara yang sama, fator δ ( = 1,,p) dihitung untu setiap unit. Fator δ digunaan untu mengubah bobot antara lapisan tersembunyi Z dengan lapisan masuan. Setelah seluruh fator δ ditentuan, bobot untu seluruh lapisan langsung disesuaian. Penyesuaian bobot w (dari unit tersembunyi Z e unit eluaran Y ) didasaran pada fator δ dan atifasi dari unit Z fator,yaitu z. Penyesuaian bobot v (dari unit masuan X e unit tersembunyi Z ) adalah didasaran pada i δ dan atifasi unit masuan x i. Fungsi atifasi yang biasanya dipaai untu melatih JST propagasi bali adalah fungsi sigmoid, bai biner maupun bipolar. Beriut algoritma pelatihannya (Fausett, Laurene, 1994) : Langah 0. Inisialisasi bobot (menentuan suatu nilai random ecil) Langah 1. Selama ondisi berhenti bernilai salah, dilauan langah 2-9 : Langah 2. Untu setiap pasangan pelatihan, dilauan langah 3-8: (Feedforward) 277 i
3 Langah 3. Setiap unit masuan ( X, i = 1, n) menerima sinyal masuan x dan mengirim sinyal ini i e seluruh unit pada lapisan beriutnya (lapisan tersembunyi). Langah 4. Untu setiap unit tersembunyi (, = 1,,p), sinyal masuan terboboti Z n diumlahan z _ in = v0 + xivi dan diterapan fungsi atifasi untu menghitung i= 1 eluarannya z = f z _ in ) dan mengirim sinyal ini e seluruh unit pada lapisan beriutnya ( ) ( (lapisan eluaran). Langah 5. Untu setiap unit eluaran (, =1,,m) sinyal masuan terbobotinya diumlahan y _ in = w0 + z i= 1 Y w sinyal eluarannya ( y = f ( y _ in )) p i dan diterapan fungsi atifasi untu menghitung Propagasi bali dari galat : Langah 6. Untu setiap unit eluaran ( Y, =1,,m) menerima sebuah pola target yang bersesuaian dengan pola masuan, dihitung galatnya ( δ = ( t y ) f '( y _ in )) dan dihitung oresi bobotnya ( Δ w = αδ z ) dan dihitung uga oresi biasnya ( Δw 0 = αδ ) dan mengirimirim δ e unit pada lapisan sebelumnya. Langah 7. Untu setiap unit tersembunyi (, = 1,,p), masuan deltanya m diumlahan δ _ in = δ w = 1 untu menghitung galatnya ( ) ( Δ v x i = αδ ),dan oresi biasnya i ( Δv 0 = αδ ) Z emudian dialian dengan turunan fungsi atifasinya δ _ in f '( z _ in ) δ =, dihitung oresi bobotnya Ubah bobot dan bias : Langah 8. Untu setiap unit eluaran ( Y, =1,,m) bias dan bobotnya diubah ( = 1,,p) ( w ( new) = w ( old ) + Δw ). Untu setiap unit tersembunyi ( Z, = 1,,p) bobot dan biasnya diubah (i = 1, n): ( vi ( new) = vi ( old ) + Δv i ) Langah 9. Tes ondisi salah. 3. METODE PENELITIAN Prosedur pelasanaan penelitian ini meliputi pendalaman materi yang beraitan dengan Jaringan Syaraf Tiruan (JST) bai dari buu-buu, paper, maupun dari internet. Tahap selanutnya adalah merancang omponen Jaringan Syaraf Tiruan (JST) yang terdiri atas 3 layer, yaitu input, hidden layer dan output. Banyanya neuron pada tiap layer adalah sebagai beriut, layer input 6 neuron yang merupaan parameter penentu tingat penualan, layer output hanya terdiri atas 1 nouron yaitu nilai tingat penualan yang dihasilan, sedangan pada hidden layer aan dilauan ui coba sehingga diperoleh cacah neoron yang optimal. Dalam penelitian ini dipaai hidden layer sebanya 6 buah neuron. Tahap selanutnya adalah mengumpulan data penualan beserta parameter yang mempengaruhi tingat penualan sebagai data untu pelatihan/pembelaaran dalam Jaringan Syaraf Tiruan(JST). Pelatihan dilauan pada sebagian data yang terumpul, dan sisa data tingat penualan digunaan untu membandingan prairaan oleh sistem dengan hasil yang sebenarnya. Tahap beriutnya adalah merancang dan mengimplementasian program berbasis Jaringan Syaraf Tiruan (JST) untu peramalan tingat penualan. Rancangan tersebut meliputi rancangan interface dan rancangan proses. Implementasi program tersebut menggunaan bahasa Borland Delphi 6.0 yang dioperasian di bawah Windows XP. Dan yang terahir adalah analisis hasil. 278
4 4. HASIL DAN PEMBAHASAN Sistem yang dibuat adalah sistem peramalan tingat penualan berbasis Jaringan Syaraf Tiruan (JST). Sistem ini digunaan untu memperoleh prairaan tingat penualan mingguan pada suatu restoran berdasaran beberapa parameter. Data yang digunaan untu melatih sistem ini merupaan data seunder seumlah 90 data. Data tersebut berisi parameter-parameter yang mempengaruhi tingat penualan mingguan dan hasil penualan yang diperoleh pada setiap minggunya. Parameter-parameter tersebut adalah : cuaca, tingat hari libur (dalam 1 minggu), ada tidanya event/egiatan yang diselenggaraan di ota restoran tersebut berdomisili, banyanya spesial menu yang ditawaran, biaya ilan yang dieluaran dan banyanya ilan di media. eluaran sistem adalah tingat penualan yang dicapai restoran tersebut selama 1 minggu. Persiapan Data Data yang digunaan untu pelatihan sistem di atas perlu dinormalan agar pelatihannya bai dan memberian emudahan dalam pemrograman. Untu parameter-parameter yang bernilai ategorial seperti : cuaca, tingat hari libur (dalam 1 minggu), dan ada tidanya event/egiatan di ota tempat restoran tersebut, nilainya diubah e bilangan antara 0 dan 1. Parameter yang mempengaruhi tingat penualan dinyataan sebagain beriut : Parameter uaca : a. Nilai 1 untu ategori very high b. Nilai 0,66 untu ategori high c. Nilai 0,33 untu ategori medium d. Nilai 0 untu ategori low Parameter umlah hari libur : a. Nilai 1 untu ategori high b. Nilai 0,5 untu ategori medium c. Nilai 0 untu ategori low Parameter ada tidanya event/egiatan di ota restoran tersebut berdomisili : a. Nilai 1 untu ategori yes b. Nilai 0 untu ategori no Untu parameter-parameter yang bernilai numeri, seperti : biaya ilan dan tingat penualan, aan diubah e bilangan antara 0 dan 1, yaitu dengan membagi dengan suatu bilangan sala. Untu umlah spesial menu yang ditawaran, nilai pembaginya adalah 5, biaya ilan nilai pembaginya adalah 50000, umlah ilan di media, nilai pembaginya adalah 30, hasil penualan, nilai baginya adalah Pada saat penguian, nilai yang dihasilan oleh sistem, berupa periraan hasil penualan aan dialian dengan nilai pembbaginya, yaitu Pembahasan Sistem Implementasi sistem dilauan dengan data penualan mingguan sebuah restoran sebanya 90 data dan bisa ditambahan setiap saat. Dari data tersebut, 80 data digunaan untu pelatihan sedangan sisanya untu penguian yaitu dengan membandingan tingat penualan hasil peramalan dengan data tingat penualan sebenarnya yang dicapai. Sistem peramalan penualan ini menggunaan metode JST propagasi bali. Berdasaran ui coba yang dilauan, arsitetur JST yang dipilih 6-6-1, yaitu 6 neuron untu lapisan masuan, 6 neuron untu lapisan tersembunyi, dan 1 neuron untu lapisan eluaran. Dengan menggunaan parameter belaar =1. Fungsi atifasi yang biasanya dipaai untu melatih JST propagasi bali adalah fungsi sigmoid, bai yang biner maupun bipolar. Penelasan algoritma yang di sampaian di atas, dapat diabaran implementasinya sebagai beriut : Langah 0. Inisialisasi bobot(metentuan suatu nilai random ecil) Proses tersebut diimplementasian sebagai beriut : {Inisialisasi bobot v (lapisan masuan e lapisan tersembunyi)} 279
5 procedure bobot_awal_v; var i,: byte; for i:= 1 to 6 do for := 1 to 6 do v[i,]:= random-0.5; {Inisialisasi bobot w (lapisan tersembunyi e lapisan eluaran)} procedure bobot_awal_w; var i: byte; w[i]:= random-0.5; Langah 1. Selama ondisi berhenti adalah salah, dilauan langah 2-9 : yang diimplementasian sebagai beriut : {ondisi salah ia indes pengulangannya = 1000 (max epoch)} for l:=1 to 1000 do Langah 2. Untu setiap pasangan pelatihan, dilauan langah 3-8:(feed-forward) Langah 3. Setiap unit masuan (X i, i = 1,...,n) menerima sinyal masuan Xi dan mengirim sinyal ini e seluruh unit pada lapisan beriutnya (1apisan tersembunyi). Langah 4. Untu setiap unit tersembunyi (Z, = 1,...,p) sinyal masuan terboboti diumlahan, fungsi atifasi diterapan untu menghitung eluarannya, dan mengirim sinyal ini e semua unit yang terdapat pada lapisan beriutnya (lapisan eluaran). Proses dari langah-langah tersebut adalah : for :=1 to 6 do z_in[]:=0; z_in[]:= z_in[] + (v[i,]*input[i]); z_in[]:= z_in[] + bias_input[]; z[]:= atifasi(z_in[]); Langah 5. Untu setiap unit eluaran (Y, =1,,m), sinyal masuan terbobotinya diumlahan, dan fungsi ativasinya diterapan untu menghitung sinyal eluaran. Implementasi dari proses tersebut adalah : y_in:= y_in + (w[i] * z[i]); y_in:= y_in + bias_output; y:= atifasi(y_in); Langah 6. Untu setiap unit eluaran (Y, =1,,m) menerima sebuah pola target yang bersesuaian dengan pola masuan, dihitung galatnya, yang direpresentasian 280
6 delta_:= (target[]-y) * turunan(y_in); menghitung oresi bobotnyadanoresi biasnyadan δ diirim e unit pada lapisan sebelumnya, yang direpresentasian sebagai beriut : delta_w[i]:= alpha * delta_ * z[i]; { w[i]:= w[i] + delta_w[i];} delta_bias_output:= alpha * delta_; { bias_output:= bias_output + delta_bias_output;} Langah 7. Untu setiap unit tersembunyi (Z, =1,,p) masuan deltanya diumlahan, emudian dialian dengan turunan fungsi atifasinya untu menghitung galatnya. Representasi dari proses tersebut adalah : delta_in_[i]:= delta_ * w[i]; delta_[i]:= delta_in_[i] * turunan(z_in[i]); dihitung oresi bobotnya, dan dihitung oresi biasnya (digunaan untu mengubah v 0 ) (mengubah bobot dan biasa). Representasi dari proses tersebut adalah : for :=1 to 6 do delta_v[i,]:= alpha * delta_[] * input[i]; v[i,]:= v[i,] + delta_v[i,]; delta_bias_input[]:= alpha * delta_[]; bias_input[]:=bias_input[]+delta_bias_input[]; Langah 8. Untu setiap unit eluaran (Y, =1,,m) bias dan bobot ( = 1,,p) diubah dengan proses sebagai beriut : delta_w[i]:= alpha * delta_ * z[i]; w[i]:= w[i] + delta_w[i]; delta_bias_output:= alpha * delta_; bias_output:= bias_output + delta_bias_output; Untu setiap unit tersembunyi (Z, =1,,p) bobot dan biasnya (i=1,,n) diubah. Representasi dari proses tersebut adalah : for :=1 to 6 do delta_v[i,]:= alpha * delta_[] * input[i]; v[i,]:= v[i,] + delta_v[i,]; delta_bias_input[]:= alpha * delta_[]; bias_input[]:=bias_input[]+delta_bias_input[]; Langah 9. Melauan tes ondisi salah. 281
7 Penguian Sistem Penguian sistem dilauan menggunaan 10 data dari penualan pada minggu e 81 hingga 90. Penguian dilauan dengan cara melatih sistem dengan data sebelumnya hingga minggu terahir sebelum periode yang aan diperiraan tingat penualannya. Sebagai ilustrasi dapat dielasan sebagai beriut : misalan dilauan penguian untu periraan tingat penualan pada minggu e-84, maa telah dilauan pelatihan pada sistem dengan menggunaan data tingat penualan real mulai minggu e 81 hingga minggu e-83. Beriut ini contoh tampilan penguian sistem pada minggu e-90 : Yang pertama dipilih menu Tambah Data, seperti pada gambar 2, sebagai beriut : Gambar 2 : Form pilih menu Pengisian data untu penambahan data yang aan dilatih dengan data tingat penualan pada minggu e-89, seperti terlihat pada gambar 3 beriut : Gambar 3: Tampilan proses penambahan data Untu melihat data yang aan dilatih dengan memilih tombol generate dan selanutnya sistem dapat melauan pelatihan dengan memilih tombol ui, seperti pada gambar 4 beriut : 282
8 Gambar 4 : Tampilan data yang dilatih dan pelatihan Setelah dilauan proses pelatihan, penguian terhadap predisi tingat penualan pada minggu e-90 dapat dilauan dengan mengisi nilai parameter-parameter pada form penguian dan memilih tombol proses, seperti yang terlihat pada gambar 5 beriut : Gambar 5: Tampilan hasil penguian Data yang digunaan untu proses penguian adalah 10 buah yang merupaan capian tingat penualan pada minggu e-81 sampai dengan minggu e-90, yang selengapnya dapat dilihat pada tabel beriut : 283
9 Wee No. Tabel 3.1 : Data untu penguian Inputs No. of Special Offerings Target Season Strength Holiday Strength Event in the City Advertising Budget Number of Ads Weely Sales 81 High None No Very High None No Very High None Yes Very High None Yes Very High None No Very High None Yes High None No High None No High None No Medium None No Hasil penguian terhadap data di atas menggunaan sistem prairaan penualan dengan Jaringan Syaraf Tiruan (JST) yang diembangan, memberian hasil sebagai beriut : Minggu e Periraan tingat penualan Tabel 3.2 : Data hasil penguian Tingat penualan sebenarnya selisih Selisih dalam % , , , , , , , , , , Dari hasil tersebut dapat dietahui bahwa rata-rata selisih prairaan menggunaan Jaringan Syaraf Tiruan (JST) yang diembangan sebesar 3,3 % 5. ESIMPULAN Dari penelitian ini dapat disimpulan sebagai beriut Jaringan syaraf tiruan telah dapat digunaan sebagai apliasi peramalan tingat penualan. Tinglat Layer yang digunaan pada penelitian ini adalah yaitu terdiri dari 6 neuron masuan, 6 neuron sebagai hidden layer dan 1 neuron eluaran. Dari hasil ui coba sistem yang diembangan diperoleh tingat penyimpangan rata-rata sebesar 3,3 % 6. DAFTAR PUSTAA Fausett, L., 1994, Fundamental of Neural Networs, Prentice Hall, Inc., New Jersey Maridais, S., Wheelwright, S.C., McGee, V.E., 1998, Forecasting : Methods and Applications, Second edition, John Wiley & Sons, Inc. Thiesing, F.M., Middelberg U., Vornberger O.,1999, Parallel Bac-Propagation for Sales Prediction System Tacz, G., Sarah H., 1999, Forecasting GDP Growth Using Artificial Neural Networ, Woring Paper 99-3 Yau J., Teng N., Poh H.L., Tan C.L., 1998, Forecasting and Analysis of Mareting Data Using Neural Networs, Journal of Information Science and Engineering 14,
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinci1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba
JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA Nurmalasari Rusmiati 1 Sistem Informasi, Faultas Ilmu Komputer, Universitas Gunadarma
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
Lebih terperinciSistem Informasi Peramalan Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST Backpropagation
1 Sistem Informasi Peramalan Beban Listri Janga Panang di Kabupaten Jember Menggunaan JST Bacpropagation Dodi Setiabudi Abstra Kebutuhan energi listri sebagai salah satu infrastrutur penting sangat diutamaan.
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciz_in ( ) dan mengaplikasikan fungsi aktivasi untuk menghitung sinyal output ( ) Propagasi balik:
LAMPIRAN 4 Lampiran Algoritma aringan syaraf tiruan propagasi balik Langkah 0 Inisialisasi bobot Langkah Selama kondisi berhenti bernilai salah, lakukan langkah -9. Langkah Untuk setiap pasangan, lakukan
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciPENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER
PENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER Wiaria Gazali 1 ; Haryono Soeparno 2 1 Jurusan Matematia, Faultas Sains dan Tenologi, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciSistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation
Sistem Peramalan Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Syaraf Tiruan Bacpropagation Anindita Septiarini 1 dan Nur Sya baniah 2 1 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinciMakalah Seminar Tugas Akhir
Pengaturan Kecepatan Motor DC Menggunaan Jaringan Syaraf Tiruan Feedforward Bacpropagation Sorihi *, Wahyudi **, Iwan Setiawan ** Abstra - Jaringan syaraf bacpropagation merupaan aringan syaraf yang telah
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciModel Pembelajaran Off-Line Menggunakan Jaringan Syaraf Tiruan Untuk Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teknik Elektronika PENS 2009
Model Pembelaaran Off-Line Menggunaan Jaringan Syaraf Tiruan Untu Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teni Eletronia PENS 2009 Arie Setya Wulandari#, Eru Puspita S.T., M.Kom#2 # Jurusan
Lebih terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
Lebih terperinciSistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation
Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Sistem Penduung Keputusan Penerima Beasiswa SMK Menggunaan Metode Bacpropagation Teti Rohaeti 1, Yoyon Kusnendar Suprapto 2, Eo Mulyanto 3
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG Oleh : M.Rizi.H.S, Andri Heryandi,S.T, Bambang Siswoyo,Ir,M.Si Jl. Dipati Uur Bandung Teni Informatia Universitas
Lebih terperinciARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET
Prosiding SNaPP2012 : Sains, Tenologi, dan Kesehatan ISSN 2089-3582 ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET 1 John Maspupu 1 Pussainsa LAPAN, Jl Dr Dundunan No 133 Bandung
Lebih terperinciDany Candra Febrianto ) dan Hindayati Mustafidah )
Penerapan Jaringan Saraf Tiruan dengan Metode Pembelaaran Bacpropagation untu Mengetahui Tingat Kualifiasi Calon Siswa pada Sistem Informasi Penerimaan Siswa Baru di MAN 2 Banarnegara (Application of Artificial
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING
APLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING Hendra William *), Achmad Hidayatno, and Aub Aulian Zahra Jurusan Teni Eletro, Universitas Diponegoro
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperinciPERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION
PERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION Wellie Sulistanti Abstract- Tuuan dari penelitian ini untu mengapliasian cara era aringan syaraf tiruan dengan menggunaan
Lebih terperinciAPLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA ABSTRACT
APLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA Manyu Fauzi, Minarni Nur Trilita Mahasiswa S3 MRSA, Jurusan Teni Sipil-ITS dan Pengaar Jurusan Teni Sipil Univ. Riau Mahasiswa S3
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS 1 Ihwannul Kholis, 2 Ahmad Rofii. 1 Universitas 17 Agustus 1945 Jaarta,
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETWORK DAN PRINCIPAL COMPONENT ANALYSIS
Jurnal Teni dan Ilmu Komputer SISTEM PENGENALAN AJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETORK DAN PRINCIPAL COMPONENT ANALYSIS FACE RECOGNITION SYSTEM USING BACKPROPAGATION ARTIFICIAL
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN
Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan PREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN Rudy Ansari STMIK Indonesia Banarmasin e-mail: rudy.ansari@gmail.com ABSTRAK
Lebih terperinciKAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Media Informatia, Vol. 5, No. 2, Desember 2007, 99-111 ISSN: 0854-4743 KAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Anita Desiani Jurusan Matematia,
Lebih terperinciAPLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES. : Agus Sumarno NRP :
APLIKASI WAELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES Nama : Agus Sumarno NRP : 06 00 706 Jurusan : Matematia Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si Abstra Model time series
Lebih terperinciPENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT
PENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT Oleh : DONNY WAHYU SAPUTRO G06499031 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR)
PENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR) Oleh: ¹ HERLY MARDANI (000298) ² BAMBANG SISWOYO,
Lebih terperinciPENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION Praditya Firmansyah *, Wahyul Amien Syafei**, Iwan
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN POLA GEOMETRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Muhamad Tonovan *, Achmad Hidayatno **, R. Rizal Isnanto ** Abstra - Pengenalan waah adalah
Lebih terperinciII. DASAR TEORI I. PENDAHULUAN
IMPLEMENTASI JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK UNTUK MENDETEKSI GOLONGAN DARAH PADA MANUSIA M. Fuad Latief *, R. Rizal Isnanto, Budi Setiyono Abstra - Membran sel darah manusia mengandung bermacam-macam
Lebih terperinciBAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN
BAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN Kompetensi : 1. Mahasiswa memahami onsep pembelaaran dalam JST Sub Kompetensi : 1. Dapat mengetahui prinsip algoritma Perceptron 2. Dapat mengetahui
Lebih terperinciBAB 2 LANDASAN TEORI. relevan, lengkap, dan terkini sejalan dengan permasalahan yang dihadapi. Di sini juga
BAB 2 LANDASAN TEORI Dalam landasan teori ini, pada dasarnya aan dielasan mengenai teori yang relevan, lengap, dan terini sealan dengan permasalahan yang dihadapi. Di sini uga terdapat hubungan antara
Lebih terperinciPENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Sutino 1, Helmie Arif Wibawa 2, Priyo Sidi Sasongo 3 123 Jurusan Ilmu Komputer/Informatia, FSM,
Lebih terperinciPrediksi Jumlah Kasus Demam Berdarah Dengue Menggunakan Jaringan Syaraf Tiruan (Studi Kasus daerah Kab. Sleman, Provinsi DIY)
Jurnal PROte Vol. 3 No. 1, 216 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Iis Hamsir Ayub Wahab Program Studi Teni Eletro Faultas Teni, Universitas Khairun Email: hamsir@unhair.ac.id
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciBAB II LANDASAN TEORI. Proses utama dari pengenalan karakter adalah menerima karakter input dan
BAB II LANDASAN TEORI 2.1 Pengenalan Teori Proses utama dari pengenalan arater adalah menerima arater input dan memerisa apaah hasil input tersebut sesuai dengan salah satu arater yang ada. Bagian yang
Lebih terperinciPERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI
PERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciProsiding Semirata FMIPA Universitas Lampung, 2013
Sistem Pengenalan Nomor Plat Kendaraan Berbasis Foto Diital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunaan Algoritma Bacpropagation Zaiful Bahri, Suamto dan Joo Risanto Jurusan Matematia
Lebih terperinciPENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC. Oleh:
1 PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC Oleh: NURHADI SUSANTO G64103059 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
Lebih terperinciSISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN
SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN Julian Supardi, Rz. Abdul Aziz, Syepriansyah Seolah Tggi Manaemen Informatia dan Komputer Darmaaya Jl. Z.A Pagar Alam No. 93 Bandar Lampung Indonesia
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciAKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA
AKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA Aris Puji Widodo, Suhartono 2, Eo Adi Sarwoo 3, dan Zulfia Firdaus 4,2,3,4 Departemen Ilmu Komputer/Informatia,
Lebih terperinciAPLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia APLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
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 terperinciKecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Wajah (Face Recognition)
No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional Kecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Waah (Face Recognition) Wawan Setiawan (Universitas Pendidian
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
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 II PENGENALAN WAJAH
BAB II PENGENALAN WAJAH Sistem pengenalan waah dapat dibagi menadi empat tahap, yaitu tahap pengolahan citra, detesi waah, estrasi fitur dan tahap pengenalan waah. Pada tugas ahir ini aan lebih diteanan
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 terperinciPENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI
PENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciAplikasi Neural-Fuzzy pada Regresi Interval untuk Data Time Series
Apliasi Neural-Fuzzy paa Regresi Interval untu Data Time Series Sri Kusumaewi Jurusan Teni Informatia, Universitas Islam Inonesia, Yogyaarta Jl. Kaliurang K, 4, Yogyaarta (04 E-mail : cicie@fti.uii.ac.i
Lebih terperinciDETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN
Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: 1979-911X Yogyaarta, 11 Desember 2010 DETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN Uning Lestari
Lebih terperinciPeramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor
23 Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor Fachrudin Pakaja, Agus Naba dan Purwanto Abstrak Prediksi penjualan adalah salah satu cara untuk meningkatkan laba perusahaan,
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 terperinciPEMPROSESAN ALARM DALAM PERLINDUNGAN SISTEM DAYA LISTRIK MENGGUNAKAN NEURAL NETWORK. Azriyenni
PEMPROSESAN ALARM DALAM PERLINDUNGAN SISTEM DAYA LISTRIK MENGGUNAKAN NEURAL NETWORK Azriyenni Dosen Tetap Teni Eletro Universitas Riau - Peanbaru Abstra Penelitian ini menyelidii mengenai pemprosesan alarm
Lebih terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
MAKALAH SEMINAR TUGAS AKHIR Peramalan Kebutuhan Beban Janga Pende Menggunaan Jaringan Syaraf Tiruan Bacpropagation Oleh : Dinar Atia Sari (L2F002572) Jurusan Teni Eletro Faultas Teni Universitas Diponegoro
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 terperinciAPLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK. Tesis
APLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Tesis Program Studi Teni Eletro Jurusan Ilmu-ilmu Teni disusun oleh : Wiwien Widyastuti 8475/I-/820/02 PROGRAM PASCASARJANA
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Beban dan Prakiraan Beban Listrik Di dalam sebuah sistem kelistrikan terdapat 2 sisi yang sangat berbeda, yaitu sisi beban dan sisi pembangkitan. Pada sisi beban atau beban
Lebih terperinciSTUDI KOMPARASI IMPLEMENTASI JARINGAN BASIS RADIAL DAN FUZZY INFERENCE SYSTEM TSK UNTUK PENYELESAIAN CURVE FITTING
STUDI KOPARASI IPEENTASI JARINGAN BASIS RADIA DAN FUZZY INFERENCE SYSTE TSK UNTUK PENYEESAIAN CURVE FITTING Sri Kusumadewi Teni Informatia Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyaarta cicie@fti.uii.ac.id
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Tempat dan Watu Penelitian Penelitian ini dilauan di Jurusan Matematia Faultas Matematia dan Ilmu Pengetahuan Alam Universitas Lampung. Watu penelitian dilauan selama semester
Lebih terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
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 terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciANALISA PREDIKSI TINGKAT PENGANGGURAN DENGAN JARINGAN SYARAF TIRUAN
Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: 907-5022 Yogyakarta, 6 Juni 2007 ANALISA PREDIKSI TINGKAT PENGANGGURAN DENGAN JARINGAN SYARAF TIRUAN Prisa Marga Kusumantara, I Gede
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 terperinciKENDALI LOGIKA FUZZY DENGAN METODA DEFUZZIFIKASI CENTER OF AREA DAN MEAN OF MAXIMA. Thiang, Resmana, Wahyudi
KENDALI LOGIKA FUZZY DENGAN METODA DEFUZZIFIKASI CENTER OF AREA DAN MEAN OF MAXIMA Thiang, Resmana, Wahyudi Jurusan Teni Eletro, Universitas Kristen Petra Jl. Siwalanerto 121-131 Surabaya Email : thiang@petra.ac.id,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pemrosesan Sinyal Menurut Proais et al. (1997), umumnya suatu segmen suara dapat dinyataan dengan deraat etelitian yang tinggi sebagai umlah dari beberapa sinusoida dengan amplitudo
Lebih terperinciBAB 3 PERANCANGAN SISTEM. untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
29 BAB 3 PERANCANGAN SISTEM 3.1 Gambaran Umum Sistem Pada dasarnya untuk pembuatan aplikasi ini, yakni aplikasi pengenalan suara untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
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 terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciEstimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) 337-35 (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani
Lebih terperinciAPLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK
APLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK Novhirtamely Kahar, ST. 1, Nova Fitri, S.Kom. 2 1&2 Program Studi Teni Informatia, STMIK
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Tiruan 2.1.1. Latar Belaang Jaringan Syaraf Tiruan dibuat pertama ali pada tahun 1943 oleh neurophysiologist Waren McCulloch dan logician Walter Pits, namun tenologi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciTRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI
TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 terperinciTransformasi Wavelet Diskret Untuk Data Time Series
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 015 Transformasi Wavelet Disret Untu Data Time Series S - 11 11 Vemmie Nastiti Lestari, Subanar Jurusan Matematia, Faultas Matematia dan Ilmu Pengetahuan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA PENGENDALIAN FREKUENSI TURBIN UAP
Musyafa, Apliasi Jaringan Syaraf Tiruan 57 APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENDALIAN FREKUENSI TURBIN UAP Ali Musyafa (), A Rachmawardani (), Rahmi A (3) Abstract: The needs of electricity increase
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinci