JARINGAN SARAF FUZZY UNTUK MENGEVALUASI KELAYAKAN PEMINJAMAN KREDIT Natalia Shovgun
|
|
- Sukarno Kartawijaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 JARINGAN SARAF FUZZY UNTUK MENGEVALUASI KELAYAKAN PEMINJAMAN KREDIT Natalia Shovgun Abstrak: Masalah penilaian kelayakan kredit peminjam selau adalah dalam hal pertimbangan. Solusinya adalah dengan menggunakan aplikasi fuzzy neural network, dan yang disarankan adalah fuzzy TSK dan Fuzzy Mamdani. Penelitian experimental dari aplikasi ini didalam tugas kami terbawa dan terkomparasi dengan metode klasik yang sudah pernah dilakukan. Modifikasi dari algortima fuzzy neural network adaption and learning juga disarankan. Keyword: jaringan saraf fuzzy, kredit, logika fuzzy ACM klasifikasi kata kunci : h4, aplikasi sistem informasi, H.4.2 Tipe sistem penunjang keputusan Pendahuluan Tugas utama dari bank komersial adalah aktivitas kredit. Penyediaan pinjaman menjadi laba terbesar, hampir setengah dari keseluruhan laba, walupun sangat beresiko. Resiko pinjaman selalu dihubungkan dengan kemungkinan kelakuan buruk si peminjam dan itu adalah salah satu resiko yang paling signifikan dari bank komersial. Pinjaman konsumen untuk perorangan adalah produk bank yang dasar. Pihak bank akan mentafsir kelayakan dari potensial peminjam sebelum memberikan pinjaman. Metode ini meminimalisir kerugian bank. Pemilihan peminjam dengan hati-hati dan penafsiran kelayakan pemberian kredit yang efektif adalah jalan utama dari penafsiran dan mengurangi resiko kredit. Informasi dari membuat keputusan tentang pinjaman mungkin tidak akurat, tidak lengkap dan informasi tentang si peminjam mungkin akan seperti itu sehinggal akan sulit untuk diformalkan. Analisa metode yang ada dari analisis kredit menunjukan kemungkinan penggunaan metode berbasis logika fuzzy. Metode ini bisa bekerja dengan kedua karakter kuantiti dan kualitas dan pengambilan keputusan berbasis pada aturan-aturan yang sudah dipahami. Untuk contohnya, teknik penilaian kelayakan individu menggunakan metode paired comparasion dan sistem logika dengan tipe logika mamdani kesimpulan sudah di bahas di (kuznetsov,2007). Tapi kesimpulan dari fuzzy ini adalah mereka tidak bisa belajar otomatis (dengan sendiri). Parameter dan tipe dari funsi member, yang menjelaskan faktor dari kelayakan kredit, diberikan oleh seorang ahli (kreditor) dan mungkin itu saja tidak cukup. Jaringan Saraf Fuzzy mengkombinasikan keuntungan penggunaan kesimpulan fuzzy dan jaringan saraf kemampuan untuk beradaptasi dan belajar sendiri (belajar ototmatis) dan kemampuan untuk menafsirkan hasil dari proses. Untuk menganalisa kelayakan pemberian kredit menggunakan jaringan saraf fuzzy mamdani (zaychenko,2008) dan jaringan saraf fuzzy dengan hasil Sugeno. Pekerjaan ini sungguh-sungguh tentang pembelajaran tentang jaringan saraf fuzzy dalam masalah penilaian kelayakan dari peminjam. Perbandingan hasil penilaian menggunakan jaringan saraf fuzzy TSK menggunakan meotode klasik sperti model logika sudah dilakukan dan populer di beberapa tahun adalah jaringan bayes. Juga menyediakan metode untuk menyeting dasar aturan yang akan menjadi dasar membuat keputusan saat melakukan peminjaman.
2 Metode untuk penilaian kelayakan peminjam dan fitur-fiturnya Berdasarkan dari kuisoner peminjam, bank harus memutuskan apakah akan memberikan kredit. Dimana disetiap formulir bisa digunakan sebagai vektro X 1, X 2,..., X i,..., X M, where Х і jalan lain untuk mengformlkan data peminjam dan paramater pinjaman. Vektor ini adalah input dari network. Keputusan dari pemberian pinjaman ke peminjam adalah output dari network. pada umunya, untuk mengatasi masalah ini menggunakan linier or logistic regression (Duffie, 2003). Menggunakan linier regression kita akan mempunyai fungsi untuk menentukan kredit rating dengan aproksimasi dari fungsi linier yang menggunakan argument sebagai karakteristik vektor dari si peminjam, i.e: p a 0 a 1 x 1 a 2 x 2 a N x N, where a 0 the free term; a i, i = 1,, N nilai dari karakteristik si pemjam ; x i - karakteristik si peminjam Semua metode regresi sensitive untuk di korelasikan antar karakteristik, jadil di model ini jangan di korelasikan ssecara juat dengan variabel independen. Tambahan, regresi koefesien tidak memberikan informasi yang cukup tentang tentang mekasnisme dari pengaruh karakteristik si peminjam ke resiko. Jaringan Bayes digunakan dalam situasi yang agak tidak menentu. Jaringan bayes adalah triple N=< v,g,j> where V adalah satu set sebuah variable, G adalah graphik acylic terarah yang sesuai ke proses model variabel acak, J adalah gabungan probabilitas disitribusi dari variabel V = {x1,x2..xn}. Jaringan Bayes mungkin akan menyajikan menggunakan diskrit dan variable yang berkelanjutan disebut Hybird Bayesian Networks. Detail dari jaringan bayes dapat dicari di (Dawid, 2007). Dalam Jaringan Saraf Fuzzy, hasil diperoleh dengan menggunakan logika fuzzy, tapi korepondensi fungsi member disesuaikan dengan learning algoritma Jaringan saraf fuzzy. Dengan deminikian, the network menggunakan priori informasi untuk mencari pengetahuan bari dan itu secara logika jelas untuk pengguna. Kami mempertimbangkan 2 perbedaan jaringan saraf fuzzy, fuzzy menggunakan mamdani tipe aturan fuzzy yang enggunakan berdasarkan aturan. R i : if х 1 is А i1 and x 2 is A i2 and and x n is A in then y i is С i, dimana х i and y i adalah sebuah input dan output variable dari jaringan, А i and С i adalah input dan output dari fuzzy set. FNN with Sugeno-type fuzzy rules (FNN TSK) use next base of rules: R k : if x 1 is А 1 ; x 2 is А 2 ;.; x n is А N, then y i p i 0 N p ij x j, where A is fuzzy sets of variable x, i=1,2 N (data of borrower) for rule R with membership function i i k ( к ) 1 А ( x i ). х c 1 ( ) 2 i i b i Untuk pelatihan jaringan mengunakan algoritma back-propaganda. Untuk mencari parameter dari fungsi member digunakan gradien atau metode genetic. Dalama metode gradient, untuk mengkonfigurasi parameter fungsi member dapat menggunakan meotde resilient prpagation (riedmile, 1992) untuk mengurangi proses pembelajaran. Setiap algortima pertimbangan mempunyai kelemahan masing-masing. Dengan demikina algoritma gradient sangat tergantung pada kondisi awal, dan genetic yang sering berdekatan untuk optima lokal. Tujuan penulis adalah untuk menggunakan algoritma hybird pada setiap permulaan. j 1
3 approksimasasi (nilai awal dari fungsi member) ditemukan menggunakan algoritma genetic, dan setelah itu dipertimbakan sebagai nilai awal dari algortima gradient. Meningkatkan aturan adalah alogirtma yang paling efisien bersama algoritma mengadapatasi Fuzy Neural Network. Tujuan algoritma ada di [kruglov 2002], berbasis penilaian ketepatan aproksimasi. Dalam algoritma ini, kami menambahkan beberapa autran, jika pengetahuan yang ada berbasis memberi berlebihan sebuah eror ke poin terkahir. Dalam [juang, 1999] diusulkan sebuah adaptasi berbasis firing streng pada aturas-aturannya, algortima ini lebih cepat dibanding algoritma yang berbasis ketepatan aproksmasi. Dalam algoritma ini sebuah aturan baru diberikan jika kondisinya : k k I arg max 1 k r F ( x) F in, where F ( x(t)) w k is firing strength of rule k for input vector t, аnd F in is a pre-specified threshold that decays during the learning process. In new rule the parameters of membership functions are set as follows:. j j j j j j b j ( I ) j itulah, kami menambahkan sebuah aturan, jika tidak ada satupun aturan terdeskripsi dengan cukup bagus pada input vecotr. Untuk lebih efisiennya diusulkan menjadi : if f o min( f 1, f 2,..., f m ) R, where f k c x i, k 1, m is jarak antara titik tengah setiap funsi member untuk setiap autran dan current point, R const lalu aturan baru sudah digenerasi. Dengan demikian akan menaikan kontrol dari jumlah aturan. Demikian struktur optimasi jaringan dibangun dan pelatihan jangka pendek. Hasil Ekperimen sampel data dari salah satu bank ukraina, yang terdiri dari 1000 sampel data yang digunakan untuk analisa kredit menggunakan meotde usulan. Kemungkinan penggunaan Fuzy Neuarl Network dapat dilihat di gambar 1. seperti yang dapat diliha di gamabar, persentasi dari klasifikasi yang salah berkurang dengan peningkatan pelatihan. Kesalahan lebih sedikit saat menggunakan FNN. Untuk mencegah re-training FNN TSK dapat di edit kompleksitas nya dari struktur jaringan menggunakan adaptasi parametrer algoritma dalam sesuai menggunakan ukuran pelatihan. Membangun algortima mungkin akan menjadi penelitian yang bertahap (berkelanjutan). set data yang terdiri dari nilai : umur peminjam, kelamin, status perkawinan, jumlah tanggunan, penghgasilan, pengalaman kerja, kernyataan, tanggungan bulanan dan reply. Setelah analisa korelasi menggunakan program Netica telah dibuat bayesian network. gambar 2. Hasil tebaik adalah yang menggunakan FNN TSK sejak persenttasi dari klasifikasi yang benar tidak tergantung pada tipe fungsi member kami dapat mengatakan dari sebuah konstruksi otomatus berbasis aturan dalam penunjang keputusan pemberian kredit sudah berhasil. Untuk contoh. jika kami melatih the rule base hanya menggunakan 2 aturan: aturan 1 : jika umur rendah, kelamin wanitam tidak kawin, jumlah tanggunan tinggi, penghasilan rendah, pengalaman kerja tinggi, waktu dirumah tinggi, tanggunan bulanan rendah, jawabannya adalah Tidak. aturan 2 : jika umur tinggi, kelamin laki2, menikah, tanggugan sedikit, bayaran tinggi, penglaaman rendah, waktu di rumah rendah, tanggunan perbulan tinggi, jawabannya adalah YA.
4 kami mempunyai interpretasi yang jelas dari proses pengambil keputusan, institusi perkreditan memberikan kesempatan untuk mengevaluasi dan penyesuaian kredit untuk menawarkan ke peminjam sebuah alternatif parameter pinjaman. Kesimpulan Mempertimbangkan dari artikel ini, praktek aplikasi FNN untuk masalah penilain kelayakan peminjam. Hasilnya dibandingkan dengan metode klasik seperti logit model dan bayesian network. persentasi terbaik dari klasifikasi yang benat menunjukan FNN TSK dengan gabungan (combinasi dari meotde gradient dan meotde genetic) learning algoritma. sebuah algoritma adapatsi untuk FNN baru sudah di usulkan, jadi kita dapat membangun sistem dengan berbasis rule aturan secara otomatis. Sebagai jawabannya, ada konstruksi strukltur jaringan yg optimal dalam yang sesuai dalam pelatiahn set.
5 Bibliography [Dawid, 2007] Philip Dawid, Steffen L. Lauritzen, David J. Spiegelhalter Probabilistic Networks and Expert Systems: Exact Computational Methods for Bayesian Networks; Springer Science, 2007, 325 p. [Duffie, 2003] Darrell Duffie, Kenneth J. Singleton Credit Risk: Pricing, Measurement, and Management, Princeton University Press, 2003, 396 p. [HÁJEK,2008] Petr HÁJEK, Vladimír OLEJ MUNICIPAL CREDITWORTHINESS MODELLING BY NEURAL NETWORKS // Acta Electrotechnica et Informatica Vol. 8, No. 4, 2008, pp [Juang, 1999] CF Juang and CT Lin A recurrent self-organizing neural fuzzy inference network// IEEE transaction of neural networks, Volume 10, Number 4, pp , July 1999 [Kruglov, 2002] Kruglov VV, Borisov VV, Artificial Neural Networks; Theory and Practice 2nd ed., Stereotype M: Hotline Telecom, p. [Kuznetsov, 2007] Kuznetsov L., Evaluation of credit history of individuals on the basis of fuzzy models // Managing large systems, 2007, 21, pp [Riedmille, 1992] Riedmiller M., Brawn H. RPROP - a fast adaptive learning algorithms, Technacal Report // Karlsruhe: University Karlsruhe, [Zaychenko Yu, 2008] Zaychenko Yu.Р., Сredit risk estimation on the base of fuzzy logic // System Research and Information Technologies, 2010, 2, pp Author s Information Shovgun Natalia, PhD student, The National Technical University of Ukraine Kyiv Polytechnic Institute, Kyiv, shovgun@gmail.com Major Fields of Scientific Research: Neural network and fuzzy set
6 Resume 1. Judul : JARINGAN SARAF FUZZY UNTUK MENGEVALUASI KELAYAKAN KREDIT PEMINJAM 2. latar belakang : Tugas utama dari bank komersial adalah aktivitas kredit. Penyediaan pinjaman menjadi laba terbesar, hampir setengah dari keseluruhan laba, walupun sangat beresiko. Resiko pinjaman selalu dihubungkan dengan kemungkinan kelakuan buruk si peminjam dan itu adalah salah satu resiko yang paling signifikan dari bank komersial. Pihak bank akan mentafsir kelayakan dari potensial peminjam sebelum memberikan pinjaman. Metode ini meminimalisir kerugian bank. Pemilihan peminjam dengan hati-hati dan penafsiran kelayakan pemberian kredit yang efektif adalah jalan utama dari penafsiran dan mengurangi resiko kredit. 3. tujuan : Analisa metode yang ada dari analisis kredit menunjukan kemungkinan penggunaan metode berbasis logika fuzzy. 4. metode : Dimana disetiap formulir bisa digunakan sebagai vektro X 1, X 2,..., X i,..., X M, where Х і jalan lain untuk mengformlkan data peminjam dan paramater pinjaman. 5. hasil Hasil tebaik adalah yang menggunakan FNN TSK sejak persenttasi dari klasifikasi yang benar tidak tergantung pada tipe fungsi member kami dapat mengatakan dari sebuah konstruksi otomatus berbasis aturan dalam penunjang keputusan pemberian kredit sudah berhasil. Untuk contoh. jika kami melatih the rule base hanya menggunakan 2 aturan: aturan 1 : jika umur rendah, kelamin wanitam tidak kawin, jumlah tanggunan tinggi, penghasilan rendah, pengalaman kerja tinggi, waktu dirumah tinggi, tanggunan bulanan rendah, jawabannya adalah Tidak. aturan 2 : jika umur tinggi, kelamin laki2, menikah, tanggugan sedikit, bayaran tinggi, penglaaman rendah, waktu di rumah rendah, tanggunan perbulan tinggi, jawabannya adalah YA.
7 kami mempunyai interpretasi yang jelas dari proses pengambil keputusan, institusi perkreditan memberikan kesempatan untuk mengevaluasi dan penyesuaian kredit untuk menawarkan ke peminjam sebuah alternatif parameter pinjaman. 6. kesimpulan : sebuah algoritma adapatsi untuk FNN baru sudah di usulkan, jadi kita dapat membangun sistem dengan berbasis rule aturan secara otomatis. Sebagai jawabannya, ada konstruksi strukltur jaringan yg optimal dalam yang sesuai dalam pelatiahn set.
MODEL PREDIKSI PRODUCTION DELAY DALAM PROSES PRODUKSI STRIP MILL DENGAN METODE ADAPTIVE NEURO- FUZZY INFERENCE SYSTEM
Journal Industrial Servicess Vol. 3 No. 2 Maret 2018 MODEL PREDIKSI PRODUCTION DELAY DALAM PROSES PRODUKSI STRIP MILL DENGAN METODE ADAPTIVE NEURO- FUZZY INFERENCE SYSTEM Yusraini Muharni Jurusan Teknik
Lebih terperinciPenerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
Lebih terperinciPENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO
PENILAIAN KINERJA DOSEN DENGAN MENGGUNAKAN METODE SUGENO Magdalena Simanjuntak Program Studi Teknik Informatika, STMIK Kaputama E-mail : magdalena.simanjuntak84@gmail.com ABSTRACT This study aimed to analyze
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4B3 SOFT COMPUTING Disusun oleh: Syahrul Mubarok PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR PENGESAHAN Rencana Pembelajaran
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
Lebih terperinciEVALUASI MEMBANGKITKAN FUNGSI KEANGGOTAAN PADA FUZZY MODEL MAMDANI. Rafiqa Dewi
EVALUASI MEMBANGKITKAN FUNGSI KEANGGOTAAN PADA FUZZY MODEL MAMDANI Rafiqa Dewi Dosen STIKOM Tunas Bangsa Pematangsiantar, Sumatera Utara-Indonesia Jalan Sudirman Blok A No. 1, 2, 3 Pematangsiantar E-mail:
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam mencapai tujuan pembangunan ekonomi diperlukan peran serta lembaga keuangan untuk membiayai pembangunan tersebut. Lembaga keuangan memegang peranan penting dalam
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Artificial Neural Network Artificial neural network (ANN) / jaringan saraf tiruan adalah konsep yang merefleksikan cara kerja dari jaringan saraf biologi kedalam bentuk artificial
Lebih terperinciBAB 1 PENDAHULUAN. Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan sistem yang kompleks. Logika fuzzy memberikan rangka kerja yang kuat dalam memecahkan masalah
Lebih terperinciLogika Fuzzy. Farah Zakiyah Rahmanti 2016
Logika Fuzzy Farah Zakiyah Rahmanti 2016 Topik Bahasa Alami Crisp Logic VS Fuzzy Logic Fungsi Keanggotaan (Membership Function) Fuzzifikasi (Fuzzyfication) Inferensi (Inference) Komposisi (Composition)
Lebih terperinciBAB III METODE PENELITIAN. pegawai negeri pada instansi pemerintahan, seperti digambarkan sebagai
30 BAB III METODE PENELITIAN Tugas akhir ini berupa proyek (pengembangan), di mana sistem yang ada dapat memberikan suatu penyelesaian dari permasalahan mengenai analisa tingkat resiko yang akan dihadapi
Lebih terperinciJurnal Elektro ELTEK Vol. 2, No. 1, April 2011 ISSN:
Perbandingan Penggunaan Metode Radial Basis Function Network () Dari Metode Fuzzy Neural Netwotk () Dalam Memperkirakan Beban Jangka Pendek di GI. Gondang Wetan Pasuruan Rory Asrial, Almizan Abdullah,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat
BAB IV HASIL DAN PEMBAHASAN A. Analisis Tingkat Kesehatan Bank Tingkat kesehatan bank dapat diketahui dengan melihat peringkat komposit bank tersebut. Menurut peraturan Bank Indonesia No. 13/1/PBI/2011
Lebih terperinciAplikasi Algoritma Genetika Untuk Merancang Fungsi Keanggotaan Pada Kendali Logika Fuzzy
Aplikasi Algoritma Genetika Untuk Merancang Fungsi Keanggotaan Pada Kendali Logika Fuzzy Hendry Setiawan, Thiang, Hany Ferdinando Jurusan Teknik Elektro, Universitas Kristen Petra Siwalankerto 121-131,
Lebih terperinciPenerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas
Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak
Lebih terperinciFuzzy Logic. Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic.
Fuzzy Systems Fuzzy Logic Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic. Masalah: Pemberian beasiswa Misalkan
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciOPTIMASI FUNGSI KEANGGOTAAN FUZZY MENGGUNAKAN METODE MAMDANI TERHADAP PREDIKSI PERILAKU PEMBELI
Techno.COM, Vol. 14, No. 4, November 2015: 266-271 OPTIMASI FUNGSI KEANGGOTAAN FUZZY MENGGUNAKAN METODE MAMDANI TERHADAP PREDIKSI PERILAKU PEMBELI Sandhopi 1, Sendi Novianto 2, Erna Zuni Astuti 3 1,2,3
Lebih terperinciBAB I PENDAHULUAN. ada tiga, yaitu association rules, classification dan clustering.
BAB I PENDAHULUAN 1.1. Latar Belakang Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data. Informasi yang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah yang dihadapi seluruh Negara di dunia terutama Negara berkembang seperti Indonesia adalah kemiskinan. Kemiskinan atau tingkat kesejahteraan yang rendah menjadi
Lebih terperinciSIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA
SIMULASI PENGENDALIAN KECEPATAN MOBIL OTOMATIS MENGGUNAKAN LOGIKA FUZZY DAN ALGORITMA GENETIKA Helmy Thendean, M.Kom 1) Albert, S.Kom 2) Dra.Chairisni Lubis, M.Kom 3) 1) Program Studi Teknik Informatika,Universitas
Lebih terperinciMetode Fuzzy. Analisis Keputusan TIP FTP UB
Metode Fuzzy Analisis Keputusan TIP FTP UB Pokok Bahasan Pendahuluan Logika Klasik dan Proposisi Himpunan Fuzzy Logika Fuzzy Operasi Fuzzy Contoh Pendahuluan Penggunaan istilah samar yang bersifat kualitatif
Lebih terperinciSISTEM PENGENDALIAN PERSEDIAAN DENGAN PERMINTAAN DAN PASOKAN TIDAK PASTI (Studi Kasus pada PT.XYZ) AYU TRI SEPTADIANTI
SISTEM PENGENDALIAN PERSEDIAAN DENGAN PERMINTAAN DAN PASOKAN TIDAK PASTI (Studi Kasus pada PT.XYZ) AYU TRI SEPTADIANTI 1209100023 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Semakin bertambah tahun, semua peralatan konvensional semakin tergantikan dengan adanya peralatan elektronik. Di setiap sisi kehidupan pada saat ini menggunakan peralatan
Lebih terperinciJika kecepatan mobil adalah : 50 km/jam dan jaraknya adalah 0,75 m berapa posisi pedal yang harus di injak? Denganketentuan aturan sebagai berikut :
SOAL : Suatu sistem pengendali kecepatan mobil dengan dengan logika fuzzy digunakan untuk mengendalikan kecepatannya, mobil ini memiliki sensor jarak, sensor kecepatan dan situasi dari sistem pengendali
Lebih terperinciJURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 31-40 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DATA RUNTUN WAKTU DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada masa sekarang ini komputer memiliki peran yang cukup besar dalam membantu menyelesaikan pekerjaan manusia. Seiring dengan perkembangan teknologi dan kecerdasan
Lebih terperinciSolusi MATLAB. Double Click salah satu kotak input sehingga muncul Membership Function Editor. Pada Membership Function Editor:
PRAKTIKUM 2 Studi Kasus 2: Metode Sugeno Suatu perusahaan mampu memproduksi rata-rata 50.000 unit barang per hari, dan dalam 3 bulan terakhir permintaan tertinggi sebesar 75.000 unit. Barang yang tersedia
Lebih terperinciDecision Support System. by: Ahmad Syauqi Ahsan
15 Decision Support System by: Ahmad Syauqi Ahsan Kenapa Manajer butuh bantuan IT? 2 Alternatif penyelesaian yang harus dipertimbangkan semakin banyak dan selalu bertambah. Keputusan-keputusan harus dibuat
Lebih terperinciProf. Erich P., Johannes Kepler Univ. Suyanto, Artificial Intelligence
Prof. Erich P., Johannes Kepler Univ. Suyanto, Artificial Intelligence 12/11/2009 1 Pada hidup sehari-hari, kita terbiasa dengan ucapan kecil, agak panas, sekitar jam 2. Ucapan yang tidak presisi (imprecise
Lebih terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
Lebih terperinciMetode Kernel. Machine Learning
MMA10991 Topik Khusus Machine Learning Metode Kernel Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciSeminar Nasional Inovasi Dan Teknologi Informasi (SNITI 3) ISSN : Samosir, November 2016
Analisis Penerapan Fuzzy Inference System (FIS) Dengan Metode Mamdani Pada Sistem Prediksi Mahasiswa Non Aktif (Studi Kasus : AMIK Tunas Bangsa Pematangsiantar) Anjar Wanto 1 1 Fakultas Ilmu Komputer-Teknologi
Lebih terperinciFuzzy Set Logika Fuzzy Fuzzy System
Fuzzy Set Logika Fuzzy Fuzzy System 1 Crisp Set Crisp set membedakan anggota dan non anggota dengan batasan pasti Misalkan A sebuah crisp set dan x anggota A maka : A [x]=1 Jika y bukan anggota A maka
Lebih terperinciAPLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI)
APLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI) 1Venny Riana Agustin, 2 Wahyu H. Irawan 1 Jurusan Matematika, Universitas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk prediksi Beban Daya
Lebih terperinciPENERAPAN LOGIKA FUZZY UNTUK MENGUKUR KINERJA FRONTLINER PEGAWAI BANK BRI
PENERAPAN LOGIKA FUZZY UNTUK MENGUKUR KINERJA FRONTLINER PEGAWAI BANK BRI Deval Gusrion Universitas Putra Indonesia YPTK Padang, Indonesia devalgusrion@gmail.com ABSTRACT Performance measurement front-liner
Lebih terperinciAnalisis Fungsi Implikasi Max-Min dan Max-Prod Dalam Pengambilan Keputusan
128 ISSN: 2354-5771 Analisis Fungsi Implikasi Max-Min dan Max-Prod Dalam Pengambilan Keputusan Raheliya Br Ginting STT Poliprofesi Meda E-mail: itink_ribu@yahoo.com Abstrak Pengambilan keputusan harus
Lebih terperinciPERAMALAN BEBAN JANGKA PENDEK PADA HARI LIBUR DI BALI MENGGUNAKAN METODE GENERALIZED REGRESSION NEURAL NETWORK (GRNN)
PERAMALAN BEBAN JANGKA PENDEK PADA HA LIBUR DI BALI MENGGUNAKAN METODE GENERALIZED REGRESSION NEURAL NETWORK () Juniar Doan Wihardono 1, Agus Dharma 2, I Made Mataram 3 Jurusan Teknik Elektro dan Komputer,
Lebih terperinciBACKPROPAGATION NEURAL NETWORK UNTUK OPTIMASI AKURASI PADA PREDIKSI FINANCIAL DISTRESS PERUSAHAAN
BACKPROPAGATION NEURAL NETWORK UNTUK OPTIMASI AKURASI PADA PREDIKSI FINANCIAL DISTRESS PERUSAHAAN Riska Yanu Fa rifah dan Zulfiqar Busrah Dosen Jurusan Teknik Informatika Universitas Cokroaminoto Palopo
Lebih terperinciLogika Himpunan Fuzzy
Logika Himpunan Fuzzy 1 Fungsi Keanggotaan untuk crisp logic True False 1 0 80F Panas Temperature f temperature >= 25C, Panas (1 atau Benar); f temperature < 25C, tidak Panas (0 atau Salah). Fungsi keanggotaan
Lebih terperinciModel Evaluasi Performa Mahasiswa Tahun Pertama Melalui Pendekatan Fuzzy Inference System dengan Metode Tsukamoto
Model Evaluasi Performa Mahasiswa Tahun Pertama Melalui Pendekatan Fuzzy Inference System dengan Metode Tsukamoto Zaenal Abidin Program studi Sistem Informasi STMIK Teknokrat Bandar Lampung, Indonesia
Lebih terperinciMengenal Artificial Intelligence, Machine. Learning, Neural Network, dan Deep Learning
Mengenal Artificial Intelligence, Machine Learning, Neural Network, dan Deep Learning Abu Ahmad www.teknoindonesia.com E-mail: abuahmad@promotionme.com Abstract Dengan semakin canggihnya teknologi dan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Seiring berkembangnya teknologi informasi, kebutuhan akan informasi yang digunakan untuk mendukung business intelligent suatu perusahaan juga meningkat. Informasi penting
Lebih terperinciPERBANDINGAN PENERAPAN METODE FUZZY MAMDANI DAN SUGENO DALAM MEMPREDIKSI TINGGINYA PEMAKAIAN LISTRIK ( STUDI KASUS KELURAHAN XYZ)
PERBANDINGAN PENERAPAN METODE FUZZY MAMDANI DAN SUGENO DALAM MEMPREDIKSI TINGGINYA PEMAKAIAN LISTRIK ( STUDI KASUS KELURAHAN XYZ) Edy Victor Haryanto 1, Fina Nasari 2 1,2 UniversitasPotensiUtama Jl. K.
Lebih terperinciPERBANDINGAN DAN ANALISIS SUPPORT VECTOR MACHINE DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK KLASIFIKASI GENRE MUSIK
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.2 Agustus 2016 Page 1662 PERBANDINGAN DAN ANALISIS SUPPORT VECTOR MACHINE DAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK KLASIFIKASI GENRE MUSIK
Lebih terperinciJaringan Neuro-Fuzi Berbasis Algoritma Genetik Dinamis Multiresolusi untuk Pemodelan Sistem Chaotic Diskrit Henon
Jaringan Neuro-Fuzi Berbasis Algoritma Genetik Dinamis Multiresolusi untuk Pemodelan Sistem Chaotic Diskrit Henon Oyas Wahyunggoro 1, Gunawan Ariyanto 2 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciPENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT
PENERAPAN NAÏVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT Dedy Ahmad Kurniawan 1), Danny Kriestanto 2) Teknik Informatika, STMIK AKAKOM e-mail: dedyahmad.akakom10@gmail.com 1), danny@akakom.ac.id 2) ABSTRAK
Lebih terperinciBABI PENDAHULUAN. 1.1 Latar Belakang
BABI PENDAHULUAN 1.1 Latar Belakang Setiap perusahaan dituntut untuk siap menghadapi persaingan yang semakin ketat dengan perusahaan lain. Makin intensifnya persaingan yang dihadapi, telah menyebabkan
Lebih terperinciBAB I Pengenalan Kecerdasan Buatan (Artificial Inteligent / AI ) Created A.Tohir from Dosen Mr.Zulkifli
BAB I Pengenalan Kecerdasan Buatan (Artificial Inteligent / AI ) Created A.Tohir from Dosen Mr.Zulkifli Definisi Kecerdasan Buatan Merupakan salah satu bagian dari ilmu komputer Yang membuat agar mesin
Lebih terperinciPREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI SAMUEL ANTHONIUS MADUWU
PREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI SAMUEL ANTHONIUS MADUWU 091402118 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
Lebih terperinciRegresi Linier Berganda untuk Penentuan Nilai Konstanta pada Fungsi Konsekuen di Logika Fuzzy Takagi-Sugeno
Regresi Linier Berganda untuk Penentuan Nilai Konstanta pada Fungsi Konsekuen di Logika Fuzzy Takagi-Sugeno Zaenal Abidin (23515015) Program Studi Magister Informatika Sekolah Teknik Elektro dan Informatika
Lebih terperinciPERANCANGAN SISTEM PAKAR UNTUK PENENTUAN JURUSAN DENGAN MENGGUNAKAN PENDEKATAN BAYESIAN NETWORK
PERANCANGAN SISTEM PAKAR UNTUK PENENTUAN JURUSAN DENGAN MENGGUNAKAN PENDEKATAN BAYESIAN NETWORK EDWIEN SYAHRIAL MUCHTAR Jakarta, 082123474755, edwiensyahrial@ymail.com ANDRE GIOVAN Jakarta, 081310396049,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini penulis akan menjelaskan mengenai landasan teori yang digunakan pada penelitian ini. Penjabaran ini bertujuan untuk memberikan pemahaman lebih mendalam kepada penulis
Lebih terperinciProject Akhir UAS. 2. daftar isi a. fuzzy b. jst. 3. daftar gambar. 4. isi fuzzy step by step langkah penyelesaikan latihan soal
Project Akhir UAS Laporan diketik dalam bentuk laporan yang tersusun dari 1. cover a. nama b. nim c. kelompok : A11.4610 / A11.4609 d. warna : biru -> A11.4610 putih -> A11.4609 2. daftar isi a. fuzzy
Lebih terperinciSIDANG TUGAS AKHIR IMPLEMENTASI FUZZY RULES UNTUK PERENCANAAN DAN PENENTUAN PRIORITAS DI PDAM KOTA SURABAYA. oleh: WINDA ZULVINA
SIDANG TUGAS AKHIR IMPLEMENTASI FUZZY RULES UNTUK PERENCANAAN DAN PENENTUAN PRIORITAS PEMELIHARAAN PERALATAN PRODUKSI DI PDAM KOTA SURABAYA oleh: WINDA ZULVINA 5206100040 Dosen Pembimbing : Mahendrawathi
Lebih terperinciPROBABILISTIC FUZZY NEURAL NETWORK UNTUK DETEKSI DINI PENYAKIT JANTUNG KORONER
Jurnal Informatika Mulawarman Vol. 6 No. 2 Juli 2011 75 PROBABILISTIC FUZZY NEURAL NETWORK UNTUK DETEKSI DINI PENYAKIT JANTUNG KORONER 1) Fetty Tri Anggraeny 2) Heliza Rahmania Hatta 1) Universitas Pembangunan
Lebih terperinciIMPLEMENTASI FUZZY TSUKAMOTO DALAM PENENTUAN KESESUAIAN LAHAN UNTUK TANAMAN KARET DAN KELAPA SAWIT
IMPLEMENTASI FUZZY TSUKAMOTO DALAM PENENTUAN KESESUAIAN LAHAN UNTUK TANAMAN KARET DAN KELAPA SAWIT Maya Yusida 1, Dwi Kartini 2, Andi Farmadi 3, Radityo Adi Nugroho 4, Muliadi 5 123Prodi Ilmu Komputer
Lebih terperinciPraktikum 10 Tim Asisten Praktikum Sistem Pakar
FUZZY LOGIC TOOLBOX IN MATLAB (MAMDANI) Praktikum 10 Tim Asisten Praktikum Sistem Pakar EXAMPLE Studi Permasalahan: Suatu Perusahaan akan melakukan perkiraan terhadap produksi suatu barang tiap bulan.
Lebih terperinciSTUDI PENGGUNAAN LOGIKA FUZZY UNTUK PENGALOKASIAN KANAL DINAMIK PADA KOMUNIKASI SELULER
STUDI PENGGUNAAN LOGIKA FUZZY UNTUK PENGALOKASIAN KANAL DINAMIK PADA KOMUNIKASI SELULER Sony E Naibaho (), Rahmad Fauzi (2) Konsentrasi Teknik Telekomunikasi, Departemen Teknik Elektro Fakultas Teknik
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab landasan teori bertujuan untuk memberikan penjelasan mengenai metode atau pun teori yang digunakan dalam laporan tugas akhir ini, sehingga dapat membangun pemahaman yang sama antara
Lebih terperinciBAB I PENDAHULUAN. Indonesia. Menurut Undang-Undang No.25 Tahun 1992 koperasi Indonesia adalah
BAB I PENDAHULUAN A. Latar Belakang Koperasi merupakan salah satu badan usaha yang sudah lama dikenal di Indonesia. Menurut Undang-Undang No.25 Tahun 1992 koperasi Indonesia adalah badan usaha yang beranggotakan
Lebih terperinciPREDIKSI JUMLAH PRODUKSI BARANG BEDASARKAN JUMLAH PERMINTAAN DAN DATA JUMLAH PERSEDIAAN CV.CIHANJUANG INTI TEKNIK MENGGUNAKAN LOGIKA FUZZY MAMDANI
PREDIKSI JUMLAH PRODUKSI BARANG BEDASARKAN JUMLAH PERMINTAAN DAN DATA JUMLAH PERSEDIAAN CV.CIHANJUANG INTI TEKNIK MENGGUNAKAN LOGIKA FUZZY MAMDANI Rizka Munia Yogaswara 1), Gunawan Abdillah 2), Dian Nursantika
Lebih terperinciBAB II TINJAUAN PUSTAKA. Istilah kredit berasal dari bahasa Yunani Credere yang berarti
BAB II TINJAUAN PUSTAKA 2.1 Kredit Istilah kredit berasal dari bahasa Yunani Credere yang berarti kepercayaan, oleh karena itu dasar dari kredit adalah kepercayaan. Seseorang atau semua badan yang memberikan
Lebih terperinciPENERAPAN ALGORITMA RADIAL BASIS FUNCTIONS UNTUK PREDIKSI KELAYAKAN PEMBERIAN KREDIT
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 607~612 607 PENERAPAN ALGORITMA RADIAL BASIS FUNCTIONS UNTUK PREDIKSI KELAYAKAN PEMBERIAN KREDIT Ahmad Setiadi AMIK BSI Karawang e-mail:
Lebih terperinciAPLIKASI LOGIKA FUZZY UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN MATLAB
52 APLIKASI LOGIKA FUZZY UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN MATLAB (Hansi Effendi) *) ABSTRACT This research is conducted to apply Fuzzy Logic which is implemented in short term load
Lebih terperinciBAB I PENDAHULUAN. nya, khususnya perkembangan pada teknologi informasi dan komunikasi.
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Ilmu pengetahuan dan teknologi yang sangat pesat dalam beberapa tahun ini, membuat masyarakat membangun berbagai macam peralatan sebagai alat bantu. Dalam menjalankan
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN JARINGAN SARAF TIRUAN ELMAN DENGAN ALGORITME GRADIENT DESCENT ADAPTIVE LEARNING RATE
PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN JARINGAN SARAF TIRUAN ELMAN DENGAN ALGORITME GRADIENT DESCENT ADAPTIVE LEARNING RATE oleh BETA VITAYANTI M0110012 SKRIPSI Ditulis dan diajukan untuk
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN Pasar modal memiliki peran penting bagi perekonomian suatu negara karena pasar modal menjalankan tiga fungsi, yaitu pertama sebagai tempat berinteraksi pembeli
Lebih terperinciImplementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk Peramalan Pemakaian Air di Perusahaan Daerah Air Minum Tirta Moedal Semarang
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Implementasi Adaptive Neuro-Fuzzy Inference System (Anfis) untuk
Lebih terperinciPREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION
PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION (NEFCLASS) (STUDI KASUS: PROGRAM STUDI S1 TEKNIK INFORMATIKA, UNIVERSITAS TELKOM) Rita Rismala 1, Serli Fatriandini 2, Retno
Lebih terperinciIMPLEMENTASI FUZZY TERHADAP SISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN KELAYAKAN PEMBIAYAAN PENGAJUAN KREDIT BARANG.
Jurnal Informatika, Vol. 12, No. 2, Desember 2012 Septilia Arfida IMPLEMENTASI FUZZY TERHADAP SISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN KELAYAKAN PEMBIAYAAN PENGAJUAN KREDIT BARANG 1Septilia Arfida 1Jurusan
Lebih terperinciIV CONTOH KASUS DAN PEMBAHASAN
() 700 + 0 Z (X) 0 () () (4) Z X 6 6 + d d + = + d d + = a (X) 00 + 50 + d 50 d + = 00 + 5 a (X) 5 (5) 680 Z X 70 + d 4 d 4 + = (7) 50 a (X) 5 (8) x 5 x 00 x 50 x 4 0 (9) x i, d i, d i + 0; d i, d i +
Lebih terperinciBAB 1 PENDAHULUAN. datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk
BAB 1 PENDAHULUAN 1.1. Latar Belakang Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan
Lebih terperinciPREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Technologia Vol 9, No.1, Januari Maret 2018 11 PREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Yusri Ikhwani Fakultas Teknologi Informasi Universitas Islam
Lebih terperinciAnalisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic
Analisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic Luh Kesuma Wardhani, Elin Haerani Jurusan Teknik Informatika Fakultas Sains dan Teknologi UIN SUSKA Riau
Lebih terperinciGambar 1. Hop multi komunikasi antara sumber dan tujuan
Routing pada Jaringan Wireless Ad Hoc menggunakan teknik Soft Computing dan evaluasi kinerja menggunakan simulator Hypernet Tulisan ini menyajikan sebuah protokol untuk routing dalam jaringan ad hoc yang
Lebih terperinciBAB 3 PENDEKATAN LOGIKA SAMAR DALAM PEMROSESAN CITRA. Dalam dunia pemetaan untuk skala yang besar, teknik penginderaan jarak jauh
BAB 3 PENDEKATAN LOGIKA SAMAR DALAM PEMROSESAN CITRA 3.1 Pemrosesan Citra Konvensional. Dalam dunia pemetaan untuk skala yang besar, teknik penginderaan jarak jauh merupakan solusi yang sangat baik. Informasi
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciAnalisis Rule Inferensi Mamdani dalam Menentukan Beasiswa Peningkatan Prestasi Akademik ( PPA)
Analisis Rule Inferensi Mamdani dalam Menentukan Beasiswa Peningkatan Prestasi Akademik ( PPA) Khairul Saleh, M. Kom, Universitas Asahan; address, telp/fax of institution/affiliation Jurusan Teknik Informatika,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarang ini hampir semua perusahaan yang bergerak di bidang industri dihadapkan pada suatu masalah yaitu adanya tingkat persaingan yang semakin kompetitif. Hal ini
Lebih terperinciIMPLEMENTASI FUZZY MAMDANI DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KESESUAIAN BIDANG PEMINATAN MAHASISWA (STUDI KASUS : UNIVERSITAS POTENSI UTAMA)
IMPLEMENTASI FUZZY MAMDANI DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KESESUAIAN BIDANG PEMINATAN MAHASISWA (STUDI KASUS : UNIVERSITAS POTENSI UTAMA) Alfa Saleh Teknik Informatika, Fak. Ilmu Komputer
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciANALISIS RULE INFERENSI FUZZY MAMDANI DALAM MENENTUKAN IPK AKHIR. Abstrak
ANALISIS RULE INFERENSI FUZZY MAMDANI DALAM MENENTUKAN IPK AKHIR Khairul Saleh, S. Kom, M. Kom, Universitas Asahan; address, telp/fax of institution/affiliation Jurusan Teknik Informatika, Fakultas Teknik
Lebih terperinciPeramalan Nilai Kontrak Konstruksi PT X dengan Menggunakan Pendekatan Regresi Time Series dan ANFIS
JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-928X D-201 Peramalan Nilai Kontrak Konstruksi PT X dengan Menggunakan Pendekatan Regresi Time Series dan ANFIS Arif Nur Wijiyanto, Dwi Endah
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperinciANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN
ANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN Khairul Saleh Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara Jalan Universitas
Lebih terperinciBAB I PENDAHULUAN. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Setelah berkembangnya AI (Artifical Intelligence), banyak sekali ditemukan sejumlah algoritma yang terinspirasi dari alam. Banyak persoalan yang dapat diselesaikan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data runtun waktu dari fenomena real seperti data finansial biasanya bersifat nonstasioner. Tipe data runtun waktu finansial biasanya dicirikan oleh pola-pola seperti
Lebih terperinciSVM untuk Regresi Ordinal
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciAbstract. Keywords: Artificial Neural Network
Abstract Artificial Neural Network is one of the technologies which have developed because of Information Technology development itself. Nowadays, more and more large companies are implementing Artificial
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciSegitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 1, May 2007, 9 16 Segitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi Hary Budiarto Pusat Teknologi Informasi
Lebih terperinciMetode Mamdani Untuk Klasifikasi Dalam Prediksi Indeks Pembangunan Manusia Di Kota Banda Aceh
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 Metode Mamdani Untuk Klasifikasi Dalam Prediksi Indeks Pembangunan Manusia Di Kota Banda Aceh T - 42 Yudha Al Afis, Agus Maman Abadi Prodi Matematika,
Lebih terperinciDesain Sistem Pakar Fuzzy untuk Diagnosa Kanker Prostat. Nurul Hidayat, Maharani Fakultas Sains dan Teknik Universitas Jenderal Soedirman
Desain Sistem Pakar Fuzzy untuk Diagnosa Kanker Prostat Nurul Hidayat, Maharani Fakultas Sains dan Teknik Universitas Jenderal Soedirman Abstract: In this study a fuzzy expert system design for diagnosing,
Lebih terperinciDe Perceptron Aplikasi Market Basket Analysis berbasis web menggunakan Perceptron
De Perceptron Aplikasi Market Basket Analysis berbasis web menggunakan Perceptron oleh: Yulian Purnama Wim Permana 03/171209/PA/09787 03/165273/PA/09313 Ditujukan Kepada: Prof. Drs. H. Subanar Ph.D. selaku
Lebih terperinciPLUG-IN CLASSIFIER DENGAN BAYESIAN STATISTICS UNTUK MENDETEKSI SITUS WEB PALSU
PLUG-IN CLASSIFIER DENGAN BAYESIAN STATISTICS UNTUK MENDETEKSI SITUS WEB PALSU Anisah, Sapto W. Indratno Jurusan Matematika FMIPA ITB Abstrak Meningkatnya penipuan melalui situs web palsu mendorong orang
Lebih terperinciDesain Sistem Kontrol Functional Electrical Stimulation menggunakan Fuzzy orde 2
Desain Sistem Kontrol Functional Electrical Stimulation menggunakan Fuzzy orde 2 Hendi Wicaksono Agung D 1,3, Achmad Arifin, Ph.D 2. (1) Program Pasca Sarjana Jurusan Teknik Elektro Bidang Studi Elektronika
Lebih terperinci