PENERAPAN JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA ROBOT LINE FOLLOWER
|
|
- Iwan Pranata
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENERAPAN JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA ROBOT LINE FOLLOWER Asep Sholahuddin 1, Setiawan Hadi 2 1 Universitas Padjadjaran, Jl. Raya Bandung Sumedang KM 21, Sumedang, 45363, asep_sholahuddin@yahoo.com 2 Universitas Padjadjaran, Jl. Raya Bandung Sumedang KM 21, Sumedang, 45363, setiawanhadi@gmail.com ABSTRAK PENERAPAN JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA ROBOT LINE FOLLOWER. Robot Line Follower (LFR) adalah robot yang beroda kemudian berjalan pada jalur garis hitam karena dilengkapi dengan sensor infra merah. Pada paper ini telah diterapkan Jaringan Syaraf Tiruan (JST) dengan menggunakan metode backpropagation. Proses yang dilakukan adalah mengambil data input berupa nilai biner (0 dan 1) dari hasil pembacaan 4 buah lampu infra red pada robot yang akan mendeteksi jalur hitam. Output pembacaan tersebut berupa nilai Pulse Width Modulation () kemudian dilatih menggunakan JST. Pengujian dilakukan menggunakan software Matlab dengan neuron input sebanyak 4 buah dan neuron output sebanyak 1 buah maka keakuratan pengenalan pola sebesar 100%. Kata kunci: Jaringan Syaraf Tiruan, Robot Line Follower, Backpropagation ABSTRACT APPLICATION OF ARTIFICIAL NEURAL NETWORK.FOR LINE FOLLOWER ROBOT. Line Follower Robot (LFR) is a wheeled robot that runs on the track of a black line with infrared sensors. In this paper, an Artificial Neural Network (ANN) was applied with back propagation method. The process was done by is taking the data input in the form of binary values (0 and 1) from 4 infrared lights on the robot that will detect the black line. Pulse Width Modulation () was output value that trained using ANN. Tests were carried out using Matlab software with 4 input neurons and 1 output neurons, the pattern recognition accuracy of 100%. Key words: Line Follower Robot, ANN, Backpropagation 1. PENDAHULUAN Perkembangan teknologi informasi serta otomasi industri dimana komputer menjadi bagian yang tidak terpisahkan dari teknologi itu sendiri membuat integrasi komputer dengan disiplin ilmu lain seperti elektronika, pemrograman dan mekanika tidak bisa dihindari sehingga timbulah perpaduan tersebut menjadi mekatronika dengan wujud robot sebagai bentuk implementasinya mendorong kita untuk bisa mengembangkan robotika sebagai bagian dari dunia pendidikan kita. Robotika adalah multidisiplin ilmu yaitu komputer, elektronika dan mekanika. LFR atau Robot Line Follower adalah robot beroda yang dapat berjalan pada jalur garis hitam atau putih karena dilengkapi dengan sensor infra merah. Robot LFR biasanya pada tingkat pemula di kontrol dengan menggunakan pemrograman kondisional IF dan THEN. Penggunaan JST menjadikan pengontrolan LFR dengan cara dilatih atau pembelajaran. 381
2 2. TEORI Mikrokontroler adalah suatu miniatur komputer yang dapat mengontrol alat elektronika [1][2][6]. Mikrokontroler yang dapat digunakan banyak typenya seperti AVR, Atmel 89S51/52, PIC dan lain-lain. Untuk tipe yang digunakan adalah ATMEGA 168 [8], skemanya seperti dilihat pada Gambar 1. penggerak atau motor agar motor dapat menyesuaikan gerak tubuh robot sesuai garis yang dideteksinya. Pada konstruksi yang sederhana, robot line follower memiliki dua sensor garis (A-Kiri dan B-Kanan), yang terhubung ke dua motor (kanan dan kiri) secara bersilang melalui sebuah prosesor/driver pada lihat gambar). Sensor garis A (Kiri) mengendalikan motor kanan, sedangkan sensor garis B (kanan) mengendalikan motor kiri Gambar 2. Gambar 2 LFR Mengikuti Garis 1. Ketika sensor A mendeteksi garis sedangkan sensor B keluar garis ini berarti posisi robot berada lebih sebelah kanan dari garis, untuk itu motor kanan akan aktif sedangkan motor kiri akan mati. Akibatnya motor akan berbelok ke kiri. 2. Begitu sebaliknya ketika sensor B mendeteksi garis, motor kiri aktif dan motor kanan mati, maka robot akan berbelok ke kanan. 3. Jika kedua sensor mendeteksi garis maka kedua motor akan aktif dan robot akan bergerak maju. Gambar 1. Mikrokontroler Atmega 168 Sensor garis yang dapat digunakan bisa menggunakan LDR atau Infra red Pengertian Line Follower Robot (LFR) Line Follower Robot (Robot Pengikut Garis) adalah robot yang dapat berjalan mengikuti sebuah lintasan, ada yang menyebutnya dengan Line Tracker, Line Tracer Robot dan sebagainya [9]. Garis yang dimaksud adalah garis berwarna hitam diatas permukaan berwarna putih atau sebaliknya, ada juga lintasan dengan warna lain dengan permukaan yang kontras dengan warna garisnya. Sensor garis ini mendeteksi adanya garis atau tidak pada permukaan lintasan robot tersebut, dan informasi yang diterima sensor garis kemudian diteruskan ke prosesor untuk diolah sedemikian rupa dan akhirnya hasil informasi hasil olahannya akan diteruskan ke 2.2. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah suatu cabang ilmu dari Kecerdasan Buatan (Artificial Intelligence) yang menitikberatkan pada pengenalan pola. Metode Backpropagasi merupakan metode yang sangat populer pada bidang neural network [4]. Pada penelitian ini metode yang digunakan adalah metode jalar balik. Algoritma jalar balik 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. Algoritma jalar balik [5] adalah : Inisialisasi Bobot Ambil bobot awal dengan nilai random yang cukup kecil. kerjakan langkah-langkah berikut selama kondisi berhenti bernilai FALSE untuk tiap-tiap pasangan elemen yang akan 382
3 dilakukan pembelajaran, kerjakan: Feedforward: a. Tiap-tiap unit input (X i, i= 1,2,3,...,n) menerima sinyal X i dan meneruskan sinyal tersebut kesemua unit pada lapisan yang ada di atasnya (lapisan tersembunyi) b. Tiap-tiap unit tersembunyi (Z j, j= 1,2,3,...,p) menjumlahkan sinyal-sinyal input terbobot: n z_in j = V 0j + X iv ij (1) i=1 gunakan fungsi aktivasi untuk menghitung sinyal outputnya: z j=f(z_in j) (2) dan kirimkan sinyal tersebut kesemua unit di lapisan atasnya (unit-unit output). c. Tiap-tiap unit output (Y k, k= 1,2,3,...,m) menjumlahkan sinyal-sinyal input terbobot. p y_in k = w 0k + x i w jk (3) i=1 gunakan fungsi aktivasi untuk menghitung sinyal outputnya: y k=f(y_in k) (4) dan kirimkan sinyal tersebut kesemua unit di lapisan atasnya (unit-unit output). Backpropagation d. Tiap-tiap unit outputnya (Y k, k= 1,2,3,...,m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya: δ k=(t k-y k)f (y_in k) (5) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai w jk) Δw jk=αδ kz j (6) Hitung juga koreksi bias (yang nantinya digunakan untuk memperbaiki nilai w 0k): Δw 0k=αδ k (7) kirimkan δ k ini ke unit-unit yang ada dilapisan bawahnya. e. Tiap-tiap unit tersembunyi (Z j, j= 1,2,3,...,p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya): m δ_in j=δ iw jk (8) k=1 kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error: δ j = δ_in j f (z_in j) (9) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai v ij ): Δv jk=αδ jx k (10) hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai v oj ): Δv 0j=αδ j (11) f. Tiap-tiap unit output (Y k, k= 1,2,3,...,m) memperbaiki bias dan bobotnya (j=0,1,2,...,p): w jk(baru)=w jk(lama)+δw jk (12) Tiap-tiap unit tersembunyi (Z j, j= 1,2,3,...,p) memperbaiki bias dan bobotnya (i=0,1,2,...,n): v ij(baru)=v ij(lama)+δv ij (13) -Tes kondisi berhenti 3. TATAKERJA (BAHAN DAN METODE) Penelitian ini dilakukan dengan menggunakan metode eksperimen dengan cara melatih data input yang diberikan dari sensor infra merah pendeteksi garis. 3.1 Bahan dan Peralatan Instrumen-instrumen yang digunakan dalam penelitian ini adalah: 1. DT ROBOT Line Follower. 2. Sensor Infra merah sebanyak 4 sensor 3. Batere 1,5 Volt x 6 Buah = 9 Volt 4. Track dengan menggunakan isolasi hitam (lebar 1 cm) 383
4 3.2 Tahapan Penelitian Pada tahapan penelitian yang dilakukan adalah seperti terlihat pada Gambar 3. pada Tabel 3. Tabel 1 Kode data sensor infra merah Kode Keterangan 0110 Jalur tepat di tengah. Robot bergerak lurus Jalur agak menyimpang ke kanan. Robot belok kanan Jalur menyimpang ke kanan. Robot tikung kanan Jalur ada di ujung ke kanan. Robot putar kanan Kemungkinan ada tikungan ke kanan. Robot putar kanan Jalur agak menyimpang ke kiri. Robot belok kiri Jalur menyimpang ke kiri. Robot tikung kiri Jalur ada di ujung ke kiri. Robot putar kiri Kemungkinan ada tikungan ke kiri. Robot putar kiri Kemungkinan ada perempatan. Robot bergerak lurus Gambar 3 Tahapan Penelitian Uraian dari tahapan di atas dapat dijelaskan lebih detail lagi. Tahapan pembacaan sensor dilakukan dengan menggunakan sensor infra merah sebanyak 4 pasang sensor (sepasang ensor terdiri atas satu pengirim cahaya dan satu lagi penerima cahaya infra merah). Hasil pembacaan di konversikan pada bentuk dijital. Misalnya pada garis hitam dengan background putih hasil yang dibaca adalah 0001 ini menunjukkan sensor yang ke satu (dibaca mulai dari yang paling kanan) bernilai 1 yang berarti terbaca garis hitam yang lainnya putih. Tahapan kodifikasi adalah memberikan kode tertentu untuk arti dari masing-masing nilai yang dihasilkan dari sensor infra merah. Pengertian kode tersebut terlihat pada Tabel 1. Sedangkan masing-masing kode tersebut diperlukan kecepatan roda kiri atau kanan yang harus dilakukan. Kecepatan roda robot dilakukan dengan cara memberikan nilai (Pulse Width Modulation). Hasil dari program testing DT-ROBOT didapat nilai seperti pada Tabel 2. Tahapan konversi dilakukan untuk pelatihan pada JST. Pada JST dengan backpropagationi dilakukan nilai output berada pada range 0 sampai dengan 1, sedangkan nilai berada antara 0 dampai dengan 350. Untuk mempermudah konversi dapat dilakukan seperti Tabel 2 Nilai pada roda kiri dan kanan NO SENSOR INFRA RED KANAN Tabel 3 Konversi nila pada 0 sd 1 NO KONVERSI Proses pelatihan pada JST dilakukan dengan menggunakan software Matlab versi 7.0. Hasil pelatihan diuji cobakan pada seluruh data tersebut, kemudian hasilnya dianalisis. 4. HASIL DAN PEMBAHASAN Robot line follower yang digunakan adalah yang sudah tersedia di pasaran yaitu DT- ROBOT yang sudah tersedia dengan infra merahnya. DT-Robot yang digunakan tampak dari atas adalah seperti pada Gambar 4. Pembahasan dari penelitian ini dilakukan sesuai dengan tahapan penelitian yang sudah diterangkan. 384
5 Tahapan pertama adalah pembacaan nilai dari sensor infra merah, yang terdiri atas 4 buah sensor seperti terlihat pada Gambar 5. Hasil konvergensi terjadi pada epoch ke 429. Nilai training yang dilakukan seperti pada Tabel 4 dengan menggunakan 4 data input pada sensor infra merah sedangkan nilai output sebanyak 2 buah yaitu kiri dan kanan. Gambar 4. DT-ROBOT yang dilihat dari atas Tabel 4 Nilai Pelatihan yang dilakukan NO SENSOR INFRA RED KANAN Hasil pelatihan terlihat pada Tabel 5. Gambar 5. Sensor Infra Merah Hasil pembacaan dan keterangannnya sesuai dengan Tabel 1. Sedangkan nilai yang dilakukan sesuai dengan Tabel 2 dan nilai konversinya sesuai dengan Tabel 3. Hasil running seperti pada Gambar 6. Tabel 5 Hasil Pelatihan NO SENSOR INFRA RED KANAN Sedangkan hasil pembulatan satu dijit dibelakang koma menjadi seperti pada Tabel 6. Tabel 6. Hasil Pembulatan dari data pelatihan NO SENSOR INFRA RED KANAN Gambar 6. Hasil Running Program Maka hasil keseluruhan dari pelatihan tersebut kemudian dibandingkan dengan data output yang diharapkan. Pengujian hasil 385
6 pengenalan dengan cara membandingkan satu persatu hasil yang diharapkan dengan hasil pelatihan. Hasil keseluruhan dapat dilihat pada Tabel 7. Tabel 7 Hasil pengujian keseluruhan data input dan output N O SENSOR INFRA RED NILAI YG DIHARAPKAN KAN AN HASIL PELATIHAN KAN AN Rata-rata Prosentasi Pengenalan 100% Hasil Tabel 7 menunjukkan 100% hasil pelatihan sama dengan hasil yang diharapkan. Pelatihan dilakukan dengan menggunakan software Matlab versi KESIMPULAN. Kesimpulan dari penelitian ini adalah bahwa jaringan syaraf tiruan dapat diterapkan pada robot line follower. Keunggulan dari JST ini adalah pada saat track lintasan sudah fix maka nilai dapat dilatih dengan baik. Sedangkan kelemahannya adalah penentuan nilai awal perlu dilakukan dengan mencoba-coba. 6. UCAPAN TERIMAKASIH Ucapan terima kasih pada jurusan matematika FMIPA UNPAD yang telah memfasilitasi kegiatan ini. 7. DAFTAR PUSTAKA 1. LINDSAY ANDY. What s a Microcontroller?, Parallax Inc. (2004) 2. WIDODO, 10 Proyek Robot Spektakuler.(2002). 3. DWI TAUFIQ. Build your Own Line Follower Robot. Andi. (2008) 4. VALLURU B. R. AND HAYAGRIVA V. R. C++ Neural Networks and Fuzzy Logic. MIS Press.( 1993). 5. KUSUMADEWI, SRI. Neuro-Fuzzy, Graha Ilmu. (2006) 6. ANDRIANTO HERI. Pemrograman Mikrokontroler AVR ATMEGA 16. Informatika TIM ASISTEN. Diktat Praktikum Mikrokontroler dan Robotika. Laboratorium Hardware. (2010) 8. DT-ROBOT Line Follower Base, diakses tanggal 15 oktober ATmega48_88_168 php, diakses tanggal 15 oktober
APLIKASI JARINGAN SYARAF TIRUAN PADA SISTEM KONTROL ROBOT LINE FOLLOWER DENGAN ALGORITMABACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN PADA SISTEM KONTROL ROBOT LINE FOLLOWER DENGAN ALGORITMABACKPROPAGATION ARTIFICIAL NEURAL NETWORK APPLICATION IN LINE FOLLOWER ROBOT WITH BACKPROPAGATION ALGORITHM Nur Yanti
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 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 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 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 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 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 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 terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciBAB 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 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 terperinciMETODE MOMENT INVARIANT DAN BACKPRORAGATION NEURAL NETWORK PADA PENGENALAN WAJAH. Asep Sholahuddin
METODE MOMENT INVARIANT DAN BACKPRORAGATION NEURAL NETWORK PADA PENGENALAN WAJAH Asep Sholahuddin ABSTRAK METODE MOMENT INVARIANT DAN BACKPROPRAGATION NEURAL NETWORK PADA PENGENALAN WAJAH. Pengenalan wajah
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih 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 terperinciPENGENDALIAN POSISI MOBILE ROBOT MENGGUNAKAN METODE NEURAL NETWORK DENGAN UMPAN BALIK KAMERA PEMOSISIAN GLOBAL
PENGENDALIAN POSISI MOBILE ROBOT MENGGUNAKAN METODE NEURAL NETWORK DENGAN UMPAN BALIK KAMERA PEMOSISIAN GLOBAL Randy Reza Kautsar (1), Bima Sena Bayu D S.ST M.T (2), A.R. Anom Besari. S.ST, M.T (2) (1)
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 terperinciOPTIMASI SENSOR PADA ROBOT LINE FOLLOWER DENGAN JENIS LAPANGAN BERBEDA DENGAN METODE NEURAL NETWORK
OPTIMASI SENSOR PADA ROBOT LINE FOLLOWER DENGAN JENIS LAPANGAN BERBEDA DENGAN METODE NEURAL NETWORK Sumantri K.Risandriya 1, Jecky A Tarigan *Politeknik Negeri Batam Mechatronics Engineering Study Program
Lebih terperinciAnalisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi
Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi Kiki, Sri Kusumadewi Laboratorium Komputasi & Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciBAB I PENDAHULUAN. pesat ditandai dengan persaingan sangat kuat dalam bidang teknologi. Seiring
BAB I PENDAHULUAN 1.1. Latar Belakang Pada abad ke 21 ini, ilmu pengetahuan dan teknologi berkembang sangat pesat ditandai dengan persaingan sangat kuat dalam bidang teknologi. Seiring dengan berkembangnya
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 terperinciIDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION
JURNAL MANUTECH 43 IDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION Yoan Elviralita 1, Asrul Hidayat 2 1 Program Studi Teknik Mekatronika-Politeknik Bosowa 2 Program Studi Perawatan dan Perbaikan
Lebih terperinciALGORITMA BACK PROPAGATION NEURAL NETWORK UNTUK PENGENALAN POLA KARAKTER HURUF JAWA
Nazla Nurmila, Aris Sugiharto, Eko Adi Sarwoko ALGORITMA BACK PROPAGATION NEURAL NETWORK UNTUK PENGENALAN POLA KARAKTER HURUF JAWA Nazla Nurmila, Aris Sugiharto, dan Eko Adi Sarwoko Prodi Ilmu Komputer
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 terperinci134 Sutikno, Indriyati, Sukmawati N.E, Priyo S.S., Helmie A.W., Indra W., Nurdin B., Tri Wardati K., Raditya L.R. dan Diah Putu D.
134 Sutikno, Indriyati, Sukmawati N.E, Priyo S.S., Helmie A.W., Indra W., Nurdin B., Tri Wardati K., Raditya L.R. dan Diah Putu D. Chapter 7 Backpropagation dan Aplikasinya Sutikno, Indriyati, Sukmawati
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 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 terperinciJARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI
Media Informatika, Vol. 2, No. 2, Desember 2004, 1-11 ISSN: 0854-4743 JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI Kiki, Sri Kusumadewi Jurusan Teknik Informatika,
Lebih terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih 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 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 terperinciPengendalian Posisi Mobile Robot Menggunakan Metode Neural Network Dengan Umpan Balik Kamera Pemosisian Global
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Pengendalian Posisi Mobile Robot Menggunakan Metode
Lebih terperinciSIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana
SIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana Mahasiswa Program Studi 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 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 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 terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih 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 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 terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION Havid Syafwan 1, Herman Saputra 2 *1 Program Studi Manajemen Informatika, AMIK
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 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 terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinciPrediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan
Prediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan Kusuma Dewangga, S.Kom. Jurusan Ilmu Komputer Universitas Gadjah Mada Jl. Bulaksumur, Yogyakarta kusumadewangga@gmail.com
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 terperinciPENGENDALIAN SUDUT ARAH MOBILE ROBOT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN SUDUT ARAH MOBILE ROBOT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Diah Putu Dwijayanti, Sutikno, Sukmawati Nur Endah, Priyo Sidik Sasongko Jurusan Ilmu Komputer/ Informatika Fakultas
Lebih terperinciKLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK
KLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK Sri Kusumadewi Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta cicie@fti.uii.ac.id ABSTRACT More application often used
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 terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
diperkuat oleh rangkainan op-amp. Untuk op-amp digunakan IC LM-324. 3.3.2.2. Rangkaian Penggerak Motor (Driver Motor) Untuk menjalankan motor DC digunakan sebuah IC L293D. IC L293D dapat mengontrol dua
Lebih terperinciBAB II DASAR TEORI. 2.1 Citra Digital
BAB II DASAR TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f (x,y) dua dimensi,dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
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 terperinciJARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB,
JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB, sigitkus@ub.ac.id ABSTRAKSI Salah satu kelemahan umum pada pengenalan pola untuk
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era globalisasi sekarang ini teknologi dan informasi semakin berkembang pesat, begitu juga teknologi robot. Robotika merupakan bidang teknologi yang mengalami banyak
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 I PENDAHULUAN. Mikrokontroler merupakan pengontrol mikro atau disebut juga Single Chip
BAB I PENDAHULUAN I.1. Latar Belakang Perkembangan teknologi yang sangat pesat khususnya kemajuan di dunia elektronika dan komputer menyebabkan banyak dihasilkannya suatu penemuanpenemuan yang dianggap
Lebih terperinciAplikasi Jaringan Saraf Tiruan Sebagai Penterjemah Karakter Braille Ke Bentuk Abjad
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Aplikasi Jaringan Saraf Tiruan Sebagai Penterjemah
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 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 terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 1 Edisi.,Volume,. Bulan.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Edisi.,Volume,. Bulan.. ISSN : 289-933 ANALISIS METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN SEL KANKER OTAK Novita Handayani Teknik Informatika
Lebih terperinciBAB II TINJAUAN PUSTAKA. Line follower robot pada dasarnya adalah suatu robot yang dirancang agar
BAB II TINJAUAN PUSTAKA 2.1. Line Follower Robot Line follower robot pada dasarnya adalah suatu robot yang dirancang agar dapat beroperasi secara otomatis bergerak mengikuti alur garis yang telah dibuat
Lebih terperinciAnalisa dan Perbaikan Algoritma Line Maze Solving Untuk Jalur Loop, Lancip, dan Lengkung pada Robot Line Follower (LFR)
Analisa dan Perbaikan Algoritma Line Maze Solving Untuk Jalur Loop, Lancip, dan Lengkung pada Robot Line Follower (LFR) Febi anto 1, Irma Welly 2 1,2 eknik Informatika UIN Sultan Syarif Kasim Riau Jl.
Lebih terperinciJURNAL SAINS DAN INFORMATIKA
39 Fauzul Sains Amri, dan Jaringan Informatika Syaraf Vol.1 Tiruan (N0.1) untuk (2015): Memprediksi 37-43 JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Barcode Rcognition System Using Backpropagation Neural Networks M. Kayadoe, Francis Yuni Rumlawang, Yopi Andry Lesnussa * Jurusan
Lebih terperinciPengenalan Karakter Tulisan Tangan Latin pada Jaringan Saraf Tiruan Metode Backpropagation dengan Input Citra Kamera Digital
Pengenalan Karakter Tulisan Tangan Latin pada Jaringan Saraf Tiruan Metode Backpropagation dengan Input Citra Kamera Digital Dompak Petrus Sinambela 1 Sampe Hotlan Sitorus 2 Universitas Mpu Tantular Jakarta.
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 terperinciPROTOTYPE PENGATURAN LAMPU RUANG DENGAN JARINGAN SYARAF TIRUAN
PROTOTYPE PENGATURAN LAMPU RUANG DENGAN JARINGAN SYARAF TIRUAN Fatwa Yuniarti yuniarti_fatwa@yahoo.com Dosen Pembimbing : Dr. Haryanto, M.Pd, MT haryanto.ftuny@gmail.com Jurusan Pendidikan Teknik Elektro,
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 terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 004 Yogyakarta, 19 Juni 004 Klasifikasi Pola Menggunakan Jaringan Probabilistik Sri Kusumadewi Jurusan Teknik Informatika, Universitas Islam Indonesia Jl.
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 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION
ANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION Program Studi Teknik Informatika STT Wastukancana Jl. Raya Cikopak No.53, Sadang, Purwakarta
Lebih terperinciRANCANG BANGUN MOBILE FIRE FIGHTING ROBOT MENGGUNAKAN JARINGAN SYARAF TIRUAN SKRIPSI
RANCANG BANGUN MOBILE FIRE FIGHTING ROBOT MENGGUNAKAN JARINGAN SYARAF TIRUAN SKRIPSI Oleh MUHAMMAD SYAFIUDDIN 04 03 03 710 6 DEPARTEMEN TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS INDONESIA GANJIL 2007/2008
Lebih terperinciBAB III METODE PENELITIAN. pada blok diagram tersebut antara lain adalah webcam, PC, microcontroller dan. Gambar 3.1 Blok Diagram
BAB III METODE PENELITIAN 3.1 Model Penelitian Pengerjaan Tugas Akhir ini dapat terlihat jelas dari blok diagram yang tampak pada gambar 3.1. Blok diagram tersebut menggambarkan proses dari capture gambar
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciPRESENTASI TUGAS AKHIR. Oleh : M. NUR SHOBAKH
PRESENTASI TUGAS AKHIR PENGEMBANGAN ROBOT PENGIKUT GARIS BERBASIS MIKROKONTROLER SEBAGAI MEJA PENGANTAR MAKANAN OTOMATIS Oleh : M. NUR SHOBAKH 2108 030 061 DOSEN PEMBIMBING : Dr. Ir. Bambang Sampurno,
Lebih terperinciSebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran
Sebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran Kecerdasan Buatan Pertemuan 11 Jaringan Syaraf Tiruan (Artificial Neural Network)
Lebih terperinciPerancangan Robot Pengikut Garis Sederhana Sebagai Perangkat Pelatihan Tingkat Pemula
42 Jurnal AL-AZHAR INDONESIA SERI SAINS DAN TEKNOLOGI, Vol. 1, No. 2, September 2011 Perancangan Robot Pengikut Garis Sederhana Sebagai Perangkat Pelatihan Tingkat Pemula Dwi Astharini*, Rona Regen, Nasrullah,
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
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 notashapire@gmail.com Abstrak
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 terperinciUSER MANUAL LEGO LINE FOLLOWING MATA DIKLAT : SISTEM OTOMASI DAN PENGENDALIAN ELEKTRONIKA
USER MANUAL LEGO LINE FOLLOWING MATA DIKLAT : SISTEM OTOMASI DAN PENGENDALIAN ELEKTRONIKA SISWA XII TEI-1 ELEKTRONIKA INDUSTRI 2008 JURUSAN TEKNIK ELEKTRO SEKOLAH DI SMKN 3 BOYOLANGU CREW 2 CREW MOH.BAHRUDIN
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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih 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 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 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 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 terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Perancangan Perangkat Keras 3.1.1 Blok Diagram Sistem Gambaran sistem dapat dilihat pada blok diagram sistem di bawah ini : Gambar 3.1 Blok Diagram Sistem Berdasarkan blok
Lebih terperinciBAB III PERANCANGAN DAN REALISASI. blok diagram dari sistem yang akan di realisasikan.
33 BAB III PERANCANGAN DAN REALISASI 3.1 Perancangan Diagram Blok Sistem Dalam perancangan ini menggunakan tiga buah PLC untuk mengatur seluruh sistem. PLC pertama mengatur pergerakan wesel-wesel sedangkan
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 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 terperinciAplikasi Graf pada Artificial Neural Network dan Backpropagation Algorithm
Aplikasi Graf pada Artificial Neural Network dan Backpropagation Algorithm Joshua Salimin 13514001 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl.
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Jaringan Saraf Tiruan (JST) Jaringan saraf tiruan pertama kali secara sederhana diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. McCulloch dan Pitts menyimpulkan bahwa
Lebih terperinciStudi Modifikasi standard Backpropagasi
Studi Modifikasi standard Backpropagasi 1. Modifikasi fungsi objektif dan turunan 2. Modifikasi optimasi algoritma Step Studi : 1. Studi literatur 2. Studi standard backpropagasi a. Uji coba standar backpropagasi
Lebih terperinciDesain Perangkat Lunak Berbasis Jaringan Syaraf Tiruan Backpropagation untuk Klasifikasi Citra Rontgen Paru-paru
JURNAL FISIKA DAN APLIKASINYA VOLUME 10, NOMOR 1 JANUARI 2014 Desain Perangkat Lunak Berbasis Jaringan Syaraf Tiruan Backpropagation untuk Klasifikasi Citra Rontgen Paru-paru M. Arief Bustomi, 1, Hasan
Lebih terperinci