PEMODELAN DISTRIBUSI INTENSITAS BUNYI RUANG POWER STATION DIESEL GENERATOR MENGGUNAKAN STRUKTUR MODEL JARINGAN SYARAF TIRUAN
|
|
- Suryadi Sugiarto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 94 JURNAL TEKNIK MESIN, TAHUN 20, NO., APRIL 202 PEMODELAN DISTRIBUSI INTENSITAS BUNYI RUANG POWER STATION DIESEL GENERATOR MENGGUNAKAN STRUKTUR MODEL JARINGAN SYARAF TIRUAN Oleh: Edy Prasetyo Hidayat, Susetiyadi Purwonugroho 2 Dosen Jurusan Teknik Kelistrikan Kapal, PPNS - ITS Gedung PPNS, Jl. Teknik Kimia, Kampus ITS Sukolilo, Surabaya, 60 edi.ph202@gmail.com dan punky@ppns.ac.id Abstract: Bogasari Flour Mills also used 8 Diesel Generator as Electrics Power Station. However only 2 of it were actively used every day and the others were ust standby. This paper presents the distribution model of sound intensity generated by Diesel Generators which were function of distance coordinate to listeners and constant value of room acoustic. Based on sound intensity with 77 taking points on variety of point and frequency, distribution number of intensity on each point were modeled by using artificial nerve network model. Input model was distance of taking point to Diese Generator number 5 and 6, while the output was sound intensity on those points. Artificial nerve network model consisted of three layers : first layer was input layer with 3 neuron cell, second layer was hidden layer with 8 cell, and the third layer was output layer with cell. From 200 epoch on network model, the model was obtained with 5,9% error average toward the result of measurement. Kata-kata kunci: Power Station, Diesel Generator, Model Jaringan Syaraf Tiruan Indofood Sukses Makmur Tbk. Bogasari Flour Mills merupakan suatu unit pembangkit atau penghasil tenaga listrik yang terdiri dari beberapa Diesel Generator Setting (GenSet), dimana GenSet ini membantu mensuplai seluruh kebutuhan energi di PT ISM Tbk. Kegiatan di Power Station ini menimbulkan kebisingan yang tinggi, dimana kebisingan dapat mengganggu aktifitas dan kesehatan Operator. Tingkat kebisingan pada suatu titik dari sumber bunyi diperoleh dengan melakukan pengukuran intensitas bunyi pada beberapa titik di dalam ruang Power Station. Jumlah pengambilan titik pengukuran adalah 77 titik, dan frekuensi pada tiap titik adalah 6 Hz, 3.5 Hz, 63 Hz, 25 Hz, 250 Hz, 500 Hz, 000 Hz, 2000 Hz, 4000 Hz, 8000 Hz. Intensitas sumber bunyi pada suatu titik adalah umlah logaritmik dari intensitas masing masing frekuensi sumber bunyi pada titik tersebut (Widiana, 2007). Intensitas bunyi pada suatu titik ruang Power Station dipengaruhi oleh arak titik dari sumber bunyi dan konstanta akustik ruangan. Kemudian hasil pengukuran intensitas bunyi terhadap koordinat titik pengukuran tersebut dimodelkan menggunakan struktur model Jaringan Syaraf Tiruan. Bunyi dan Kebisingan Bunyi didengar sebagai rangsangan pada telinga oleh getaran-getaran melalui media elastis, dan manakala bunyi-bunyi tersebut
2 Edy P.H & Susetiyadi P, Pemodelan Distribusi Intensitas Bunyi, tidak dikehendaki maka dinyatakan sebagai kebisingan. Terdapat dua parameter yang menentukan kualitas suatu bunyi yaitu : (a). Frekuensi, merupakan umlah getaran atau gelombang setiap detiknya yang dinyatakan dalam satuan Hertz (Hz), (b). Intensitas, merupakan besarnya energi persatuan luas yang biasa disebut keras lemahnya bunyi dan dinyatakan dalam suatu logaritmis yang disebut decibel (Suma mur, 976). Kebisingan pada suatu tempat diukur menggunakan Sound Level Meter dengan cara mengukur besarnya intensitas bunyi pada frekuensi tertentu. Sound Level Meter ini bisa untuk mengukur besarnya Intensitas Bunyi antara db pada frekuensi Hz, dan dilengkapi dengan sistem kalibrasi. Beberapa standard yang memberikan pemaparan bising yang diiinkan, salah satunya adalah Kep Menaker RI No. Kep-5/MEN/999 tentang NAB Faktor Fisika di tempat kera ditunukkan pada tabel. Sumber titik memiliki distribusi penyebaran suara sipheris (melingkar), sehingga seiring dengan bertambahnya arak, intensitas bunyi uga akan berkurang, seperti ditunukkan pada Gambar berikut. Gambar. Distribusi penyebaran suara Tabel. Nilai Ambang Batas Kebisingan Standar Depnaker Waktu Pemaanan per Hari (Jam) Intensitas Kebisingan (db) ,5 03 3,75 06, , ,2 5 4,06 8 7,03 2 3,52 24, , , , , 39 Sumber : (Suma mur, 976). Besarnya Intensitas Bunyi (I) adalah berbading terbalik dengan kuadrat arak sumber bunyi terhadap titik pengukuran secara proporsional seperti pada persamaan berikut. I I r R 2 R () 2 r Kekuatan bunyi (decibel) pada arak r dari sumber bunyi dihitung menggunakan persamaan 2 berikut. I r L r LR 20 log (2) I R Untuk menentukan besar total Intensitas Bunyi (desibel) dalam pengukuran pada masing masing frekuensi dilakukan dengan menumlahkan intensitasnya. Oleh karena decibel (LI) bukan besaran fisis, maka yang dapat diumlahkan adalah tekanan bunyi (p) atau intensitas bunyi (I) pada masingmasing frekuensi, yaitu sebagai berikut (Smith et al, 996).
3 96 JURNAL TEKNIK MESIN, TAHUN 20, NO., APRIL 202 I I... f I f 2 I f 3 I fn (3) I L I 0 log (4) I 0 L I = Tingkat kebisingan (db) I f = Intensitas bunyi pada frekuensi f (watt/m 2 ) I 0 = Intensitas bunyi threshold of hearing (0-2 watt/m 2 ) Kekuatan bunyi decibel dalam sebuah ruangan dipengaruhi oleh arak sumber bunyi terhadap titik pengukuran, arah sumber bunyi dan konstanta ruangan, sebagaimana diformulasikan pada persamaan 5 berikut (Irwin & Graff, 979). Q 4 L Lw 0 log (5) 2 4r R L = Kekuatan bunyi (db) L w = Kekuatan sumber bunyi (db) Q = Directivity Sumber R = Kontanta Ruang (m 2 ) r = arak sumber terhadap penerima (m) n Q Q0 3 0Ni i (6) 2 Ni i (7) Jarak langsung antara sumber dengan penerima dihitung berdasarkan Gambar 2 dan persamaan 8, 9, 0. δ = [( r + r2) (r3 + r4)] (8) δ2 = [( r5 + r6) (r3 + r4)] (9) δ3 = [( r7 + r8) (r3 + r4)] (0) Adapun gambaran akustik ruangan dengan barrier seperti ditunukkan pada Gambar 2 berikut. r5 Sumber Bunyi H d L r r6 r3 d2 r4 r7 r2 r8 H3 Pendengar H2 Gambar 2 Akustik ruangan dengan barrier Model Jaringan Syaraf Tiruan (JST) Model Jaringan Syaraf Tiruan yang digunakan untuk pemodelan adalah Jaringan Syaraf Tiruan Backpropagation. Jaringan Syaraf Tiruan Backpropagation (BP) pertama kali diperkenalkan oleh Rumelhart, Hinton dan William pada tahun 986, kemudian Rumelhart dan Mc Clelland mengembangkannya pada tahun 988. Asitektur aringan BP dengan satu lapisan dalam ditunukan pada gambar 3. Pada Gambar 3 tersebut ditunukan arah sinyal pada fase feedforward. Sedangkan selama operasi fase pelatihan backpropagation, sinyal-sinyal error dikirim dalam arah sebaliknya (Lanny, 2007). Gambar 3. Struktur Model Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan tersusun atas sekumpulan elemen pemroses (neuron) atau simpul atau sel yang terinterkoneksi dan terorganisasi dalam lapisan-lapisan. Setiap sel memproses sinyal dengan fungsi aktifasinya. Beberapa fungsi aktifasi dalam Jaringan Syaraf Tiruan adalah fungsi linier, sigmoid, sigmoid bipolar, fungsi bell (J.S.R. Jang dkk, 997). Keunggulan utama dari sistem Jaringan Syaraf Tiruan adalah kemampuan untuk "belaar" dari contoh yang diberikan. Pada algoritma belaar Jaringan Syaraf Tiruan Back Propagation digunakan sinyal
4 Edy P.H & Susetiyadi P, Pemodelan Distribusi Intensitas Bunyi, referensi dari luar (sebagai pengaar) dibandingkan dengan sinyal keluaran JST, hasilnya berupa sinyal kesalahan. Algoritma belaar dari Jaringan Syaraf Tiruan Back Propagation seperti ditunukkan pada Gambar 4 berikut. 4. Mengaktifkan fungsi aktifasi keluaran neuron output yang merupkan output JST Yk. Y k ( l ) (4) e 5. Merevisi bobot Jaringan Syaraf Tiruan berdasarkan nilai kesalahan dari keluaran target terhadap output JST Gambar 4 Algoritma belaar JST Back Propagation. W e e e 2 by l i Vi new Vi old i by 2 2 W X ( e ) ( e ) ee l new Wi old (5) 2 ( e ) e Y r Y k (6) Z Algoritma pembalaaran Jaringan Syaraf Tiruan yang ditunukkan pada Gambar 3 tersebut diatas adalah dengan merevisi bobot aringan berdasarkan nilai kesalahan antara target referensi dengan keluaran aringan syaraf tiruan. Langkah revisi bobot Jaringan Syaraf Tiruan adalah sebagai berikut (Widodo, 2005) :. Menumlahkan perkalian vektor bobot input (Vi) terhadap input JST (Xi) b V X () i i i 2. Mengaktifkan fungsi keluaran neuron (fungsi aktifasi) ke aringan hidden layer (lapisan aringan tersembunyi). Z e b (2) 3. Menumlahkan perkalian vektor bobot hidden layer (W) terhadap keluaran neuron (Z) W Z (3) l l METODE PENELITIAN Tahapan yang dilakukan dalam memperoleh model Distribusi Intensitas dalam ruang Power Station PT Indofood Sukses Makmur Tbk. adalah :. Melakukan pengukuran intensitas bunyi dalam ruangan power station (diambil 77 titik pengukuran). Pengukuran dilakukan dalam frekuensi 6 Hz, 3.5 Hz, 63 Hz, 25 Hz, 250 Hz, 500 Hz, 000 Hz, 2000 Hz, 4000 Hz, 8000 Hz. 2. Menghitung nilai intensitas bunyi menggunakan penumlahan logaritmik dari frekuensi terendah 6 Hz sampai frekuensi tertinggi 8000 Hz. Formulasi yang digunakan adalah : If /0 If 2 /0 Ip 0 log(0 0...) (7) 3. Menghitung koordinat titik pengukuran diukur dari posisi Generator 5 dan 6. Generator 5 dan 6 bekera dan yang lainnya sebagai standby, karena intensitas tertinggi di panel operator
5 98 JURNAL TEKNIK MESIN, TAHUN 20, NO., APRIL 202 teradi pada saat Generator 5 dan 6 bekera. 4. Merancang model Jaringan Syaraf Tiruan distribusi intensitas bunyi dalam ruangan. Flowchart yang menelaskan metode penelitian ditunukkan pada Gambar 5 berikut. Revisi Bobot Start Pengukuran Intensitas Bunyi Intensitas Bunyi Pada Tiap Titik Pengukuran Transformasi Posisi Koordinat Terhadap Generator 5 dan 6 Posisi Koordinat Titik Pengukuran terhadap Generator 5 dan 6 Disain Model JST: 2 Input, Hiden Layer, Layer Output. Menentukan Bobot Input, hiden layer, dan output. Menghitung Output JST (Perambatan Mau) Apakah Jumlah Pelatihan ke 500 Pilih bobot input, hidden dan output layer End Gambar 5. Alur Metode Pemodelan Jumlah pengambilan titik pengukuran intensitas bunyi 77 titik, masing masing titik dihitung araknya terhadap posisi Generator 5 dan Generator 6, hasilnya ditunukkan pada tabel 2 berikut (Widiana, 2007). Tabel 2. Kekuatan bunyi dan radius tiap titik pengukuran terhadap posisi Generator 5 dan Generator 6. Titik ke Radius Titik ke Radius T db RG5 RG6 T db RG5 RG6 9,9 27,9 33, ,3 2,9 2,9 2 92,3 27,8 33, 4 08, 5,6 5,6 3 92,0 28,2 33, ,9 9, 9, 4 93,5 24,4 29, ,3 0,9 8,8 5 9,2 24,0 29, ,7 8, 5, 6 9,9 24, 29, , 6,6,6 7 92,0 24,8 30, , 7,0 2,9 8 92,7 2,2 26, ,2 9, 6,6 9 93,5 20,3 25, ,7 2, 8, 0 95,9 20,2 25,5 49 0,2 0,6 5,6 94,9 20,7 25, ,7 0,3 5, 2 92,2 22,0 26,9 5 02,3,4 7,0 3 94,8 8,5 23,4 52 0, 3,5 0,0 4 96, 7, 22, ,9 6,6 2,4 5 96,0 6,4 2, ,9 4,9 0,0 6 95,0 6,6 2, ,6 4, 8,8 7 95,3 7,6 22, ,6 4,3 9, 8 98,2 4, 9, ,0 5,5 0,9 9 96,9 2,8 8, 58 97,4 9,0 4, 20 97,6 2,6 7, ,4 8, 2,8 2 96,2 3,5 8, ,2 7,9 2, ,3 5,3 9,9 6 97, 8,5 3, ,7 2,4 6, ,7 9,9 5, , 0,0 4, ,6 23,4 8, ,3 8,8 4, 64 96,6 22,2 7, 26 98,7 9, 4, ,5 2,7 6, ,8 0,9 5, ,4 2,8 6, ,4 8, 2, 67 95,4 22,6 7,6 29 0, 5,6 0, ,3 26,3 2, ,7 5, 0, ,7 25,6 20,3 3 0,8 7,0, ,9 25,5 20, ,8 0,0 3,5 7 95,2 25,9 20, ,6 8,8 0, ,4 26,9 22, ,9 5, 8, 73 92,4 30,5 25, ,7,6 6, ,5 29,7 24, ,8 2,9 7,0 75 9,8 29,3 24, ,8 6,6 9, 76 93,3 29,4 24, 38 03,9 7,0 7,0 77 9,6 30,0 24, ,5 3,8 3,8
6 Edy P.H & Susetiyadi P, Pemodelan Distribusi Intensitas Bunyi, Fungsi aktifasi seluruh neuron menggunakan fungsi aktifasi sigmoid, yang mana karakteristik dari fungsi sigmoid memiliki nilai antara 0 sampai, sehingga nilai input dan output neuron pada tabel 2 diskala sehingga berada antara nilai 0, sampai 0,9. Formulasi skala besaran input dan output aringan ditunukkan pada persamaan 8. 0,8( x x min) Xs 0, (8) x max x min PEMBAHASAN DAN HASIL Analisis dilakukan untuk menghitung nilai bobot Jaringan Syaraf Tiruan dan menghitung akurasi keluaran model Jaringan Syaraf Tiruan terhadap target referensi. Akurasi model dapat direpresentasikan melalui nilai absolut error antara model JST terhadap hasil pengukuran intensitas bunyi. Model Jaringan Syaraf Tiruan dilatih dengan merambatkan balik error antara model terhadap target (hasil pengukuran). Pembelaaran dilakukan dengan umlah epoch (pelatihan) 200 epoch. Selama 200 epoch, kurva nilai absolut error pada pelatihan ke-k seperti ditunukkan pada gambar 5. Gambar 5. Nilai umlah absolut error pada pelatihan ke- k Adapun output model JST (yout) terhadap hasil pengukuran (yt) di tiap titik pengukuran seperti ditunukkan pada Tabel 3. Tabel 3 Output model JST (yout) terhadap hasil pengukuran (yt) di tiap titik pengukuran Titik yout yt Titik yout yt 88,65 9, ,94 09,3 2 92,2 92, ,30 08,0 3 92,55 9, ,69 02, ,25 93, ,37 02, ,94 9,8 44 0,93 04,75 6 9,33 9, ,63 06, ,4 92, ,49 05, ,30 92, ,89 02,8 9 93,0 93,5 48 0,78 99, ,99 95, ,68 0,5 96,55 94, ,94 00, ,4 92, ,6 02,3 3 92,55 94, ,90 0, ,33 96, ,84 97, ,77 96, ,02 99, ,6 95, ,88 98, ,59 95, ,67 98, ,87 98, ,7 98, ,77 96, ,09 97, ,52 97, ,50 97, ,5 96, ,44 98, ,80 96, ,26 97, ,88 97, ,5 96, ,25 99, 63 96,67 95, ,6 97, ,6 96, ,95 98, ,56 96, ,20 97, ,50 95, ,35 00, ,36 95, ,75 0, ,3 93, ,3 00, ,96 92,7 3 00,95 0, ,35 95, ,74 00, ,8 95, ,89 02, ,0 93, ,36 03, ,05 92, ,37 05, ,89 93, ,48 04, ,7 9, ,87 02, ,25 93, ,44 03, ,0 9, ,22 08,5
7 00 JURNAL TEKNIK MESIN, TAHUN 20, NO., APRIL 202 Jumlah absolut error pada pelatihan ke 200 adalah 4,5779 pada skala 0, sampai 0,9. Jumlah titik pengukuran 77 titik, sehingga error rata rata tiap posisi adalah umlah absolut error dibagi umlah titik pengukuran, hasilnya adalah 0,059 atau 5,9%. Output model Jaringan Syaraf Tiruan pada posisi koordinat pengukuran titik ke sampai titik ke 77, dan intensitas bunyi hasil pengukuran pada titik ke-k seperti ditunukkan tabel 3. Berdasarkan kurva gallat error yang ditunukkan pada Gambar 5, umlah epoch efektif adalah 80 epoch. Bertambahnya umlah epoch untuk melatih aringan lebih dari 80 epoch tidak efisien karena penurunan umlah error mutlak atau gradiennya terlalu kecil yaitu Bobot Jaringan Syaraf Tiruan pada pelatihan ke 200 dari sel input ke sel hidden dan dari sel hidden ke sel output adalah sebagai berikut : W2 = [ ; ;.0582; ; ;.3753;.047; 0.443; 0.906;.904;.2572; ;.963; ;.043;.089; ; ; 3.886; 2.035; 3.874; ; 3.040; 2.999] W23 = [ ; ; ; ; 46.48; ; ; ] Grafik intensitas bunyi di tiap titik pengukuran pada model JST dibandingkan hasil pengukuran seperti ditunukkan pada Gambar 6. Gambar 6 Grafik intensitas bunyi model JST terhadap hasil pengukuran pada titik ke- k KESIMPULAN Berdasarkan analisis dan pembahasan yang telah dilakukan diperoleh kesimpulan sebagai berikut :. Pemodelan distribusi intensitas bunyi di dalam ruangan Electrics Power Station PT. Indofood Sukses Makmur Tbk. Bogasari Flour Mills menggunakan model JST memiliki umlah error mutlak 4, Error rata-rata model Jaringan Syaraf Tiruan (JST) terhadap hasil pengukuran intensitas bunyi pada tiap titik pengukuran adalah 5,9%. 3. Jumlah epoch efektif untuk melatih aringan adalah 80 epoch. DAFTAR PUSTAKA Irwin, J.D., Graff, E.R., 979, Industrial Noise and Vibration Control, Prentice Hall, New Jersey. J.S.R. Jang dkk., 997, Neuro Fuzzy And Soft Computing, Prentice Hall inc, A Viacom Company Upper Saddle River, USA. Lanny W. Panaitan, 2007, Dasar Dasar Komputasi Cerdas, Penerbit Andi Yogyakarta. Suma mur, 976, Higiene Perusahaan dan Kesehatan Kera, Penerbit Gunung Agung, Jakarta.
8 Edy P.H & Susetiyadi P, Pemodelan Distribusi Intensitas Bunyi,... 0 Smith, B.J., Peters, R.J., Stephanie Owen 996, Acoustic and Noise Connttrol, Addision Wesley Longman Limited, England. Widiana, Dika R., 2007, Rancang Bangun Sistem Isolasi Kebisingan Pada Ruang Power Station di PT Indofood Sukses Makmur Tbk. Bogasari Flour Mills Sura baya, Tugas Akhir Program Studi Teknik Keselamatan dan Kesehatan Kera PPNS ITS, Surabaya. Widodo, Thomas S., 2005, Sistem Neuro Fuzzy untuk Pengolahan Informasi, Pemodelan, dan Kendali, Penerbit Graha Ilmu Yogyakarta.
OPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK
OPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK ABSTRAK Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Algoritma umum metode propagasi
Lebih terperinciANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA Julpan 1 *, Erna Budhiarti Nababan 1 & Muhammad Zarlis 1 1 Program S2 Teknik Informatika
Lebih 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Kecerdasan Buatan (Artificial Intelligence) Kecerdasan buatan (Artificial Intelligence) adalah bagian dari ilmu komputer yang mempelaari bagaimana membuat mesin (komputer) dapat
Lebih terperinciPerbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer
Perbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer R. Muhammad Subekti 1 1. P2TRR BATAN, Kompleks Puspiptek Gedung 31, Serpong, Tangerang 15310 Abstrak Algoritma umum metode
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 terperinciPerbandingan Arsitektur Multilayer Feedforward Network dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array
Nico Saputro Perbandingan Arsitektur Multilayer Feedforard Netork dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array Abstrak Jaringan Syaraf Tiruan dapat diimplementasikan secara perangkat
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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciBAB 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 terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih 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 terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih 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 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 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 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 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 terperinciPRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM
ISSN 1412 3762 http://jurnal.upi.edu/electrans ELECTRANS, VOL.11, NO.2, SEPTEMBER 2012, 18-26 PRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY
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 terperinciPERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION
PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION (Forecast The Number of Vehicle in Jakarta Using Backpropagation Neural Net ) Zumrotus Sya diyah Universitas Darussalam Ambon,
Lebih terperinciKLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN
Lebih terperinciKOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
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 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 terperinciIdentifikasi Unsur-unsur Radioaktif dengan Menggunakan Jaringan Syaraf Tiruan
Identifikasi Unsur-unsur Radioaktif dengan Menggunakan Jaringan Syaraf Tiruan Rokhmadi 1 dan R. Muhammad Subekti 1 1. Pusat Pengembangan Teknologi Reaktor Riset (P2TRR) BATAN, Serpong Abstrak Jaringan
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 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 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Suara Manusia Menurut Inung Wijayanto (2013), produksi suara manusia memerlukan tiga elemen, yaitu sumber daya, sumber suara dan pemodifikasi suara. Ini adalah dasar dari teori
Lebih terperinciFarah Zakiyah Rahmanti
Farah Zakiyah Rahmanti Latar Belakang Struktur Dasar Jaringan Syaraf Manusia Konsep Dasar Permodelan JST Fungsi Aktivasi JST Contoh dan Program Jaringan Sederhana Metode Pelatihan Supervised Learning Unsupervised
Lebih terperinciANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA
ANALISA DAN PENGENALAN SUARA JANTUNG MENGGUNAKAN WAVELET DAN JST DALAM MENGKLASIFIKASIKAN JENIS KELAINAN KATUP JANTUNG PADA MANUSIA Sidang Tesis S2 Teknik Sistem Pengaturan FTI-ITS Surabaya EDY SETIAWAN
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih 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 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 terperinciPERANCANGAN SISTEM KONTROL POSISI DAN KECEPATAN PADA KAPAL SELAM MENGGUNAKAN JARINGAN SARAF TIRUAN
ABSTRAK PERANCANGAN SISTEM KONTROL POSISI DAN KECEPATAN PADA KAPAL SELAM MENGGUNAKAN JARINGAN SARAF TIRUAN Agus Syahril / 0322013 Jurusan Teknik Elektro, Fakultas Teknik Universitas Kristen Maranatha Jl.
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciKLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION A B S T R A K
KLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION Oleh : Gunawan Abdillah, Agus Komarudin, Rachim Suherlan A B S T R A K Kelainan jantung anak merupakan salah
Lebih 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 TINGKAT KEBISINGAN DI CABIN ABK (ANAK BUAH KAPAL) KN.P 329 AKIBAT MESIN
PENGENDALIAN TINGKAT KEBISINGAN DI CABIN ABK (ANAK BUAH KAPAL) KN.P 329 AKIBAT MESIN Ratih Dwilestari Pembimbing I : Ir. Tutug Dhanardono, MT. Pembimbing II : Ir. Heri Joestiono Jurusan Teknik Fisika Fakultas
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih 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 terperinciPENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK
PENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK Eko Budi Wahyono*), Suzuki Syofian**) *) Teknik Elektro, **) Teknik Informatika - Fakultas Teknik Abstrak Pada era modern
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Siti Amiroch Universitas Islam Darul Ulum Lamongan, amirast_117@yahoo.com Abstract. In the stock market, stock price prediction is
Lebih terperinciFAKULTAS SAINS DAN TEKNOLOGI UIN SUSKA RIAU. IIS AFRIANTY, ST., M.Sc
IIS AFRIANTY, ST., M.Sc Sistem Penilaian Tugas dan Keaktifan : 15% Quiz : 15% UTS : 35% UAS : 35% Toleransi keterlambatan 15 menit Handphone: Silent Costume : aturan UIN Laki-laki Perempuan Menggunakan
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 terperinciEstimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan
Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan Andi Ihwan 1), Yudha Arman 1) dan Iis Solehati 1) 1) Prodi Fisika FMIPA UNTAN Abstrak Fluktuasi suhu udara berdasarkan
Lebih 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 terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciSTUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
STUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muh. Ishak Jumarang 1), Lyra Andromeda 2) dan Bintoro Siswo Nugroho 3) 1,3) Jurusan Fisika,
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 terperinciBAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an
Lebih terperinciANALISIS DAN PERANCANGAN JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION PADA APLIKASI PENGENALAN TANDA TANGAN
Analisis dan Perancangan Tanda Tangan Wilis K, Fani W, Heru Cahya R ANALISIS DAN PERANCANGAN JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION PADA APLIKASI PENGENALAN TANDA TANGAN Wilis Kaswidjanti,
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK BERBASIS KECERDASAN BUATAN UNTUK ANALISIS KONDISI GINJAL PASIEN. R. Muhammad Subekti *
PENGEMBANGAN PERANGKAT LUNAK BERBASIS KECERDASAN BUATAN UNTUK ANALISIS KONDISI GINJAL PASIEN ABSTRAK R. Muhammad Subekti * PENGEMBANGAN PERANGKAT LUNAK BERBASIS KECERDASAN BUATAN UNTUK ANALISIS KONDISI
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 terperinciPENGENDALIAN TINGKAT KEBISINGAN PADA AUTOMATIC CAR WASH DI PT. IN N OUT
1 PENGENDALIAN TINGKAT KEBISINGAN PADA AUTOMATIC CAR WASH DI PT. IN N OUT Avininda Galih M 1),Ir. Tutug Dhanardono, MT 2) Ir Heri Joestiono 3) Department of Engineering Physics, Faculty of Industrial Technology
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Jaringan Syaraf Tiruan (artificial neural network), atau disingkat JST menurut Hermawan (2006, hlm.37) adalah sistem komputasi dimana arsitektur dan operasi
Lebih 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 terperinciMENENTUKAN POLA RADIASI BUNYI DARI SUMBER BERBENTUK CORONG. Robi ullia Zarni 1, Defrianto 2, Erwin 3
MENENTUKAN POLA RADIASI BUNYI DARI SUMBER BERBENTUK CORONG Robi ullia Zarni 1, Defrianto 2, Erwin 3 1 Mahasiswa Program Studi S1 Fisika 2 Bidang Akustik Jurusan Fisika 3 Bidang Material Jurusan Fisika
Lebih terperinciPENENTUAN PENGURANGAN KEBISINGAN OLEH KARPET PADA RUANG TERTUTUP
PENENTUAN PENGURANGAN KEBISINGAN OLEH KARPET PADA RUANG TERTUTUP Yugo Setiawan*, Juandi M, Krisman Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Bina Widya Pekanbaru,
Lebih terperinciPOSITRON, Vol. V, No. 1 (2015), Hal ISSN :
POSITRON, Vol. V, No. (5), Hal. - 5 ISSN : -97 Prediksi Ketinggian Gelombang Laut Perairan Laut Jawa Bagian Barat Sebelah Utara Jakarta dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Prada Wellyantama
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih 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 II TINJAUAN PUSTAKA
5 BAB II TINJAUAN PUSTAKA 2.1. Klasifikasi Klasifikasi adalah tugas pembelaaran yang memetakan setiap himpunan atribut x ke salah satu label kelas y yang telah didefinisikan sebelumnya. Klasifikasi dapat
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 terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
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 terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
Lebih terperinciSIMULASI APLIKASI ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM) TIRUAN PID PADA PENGENDALIAN TINGGI PERMUKAAN AIR
SIMULASI APLIKASI ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM) TIRUAN PID PADA PENGENDALIAN TINGGI PERMUKAAN AIR Oyas Wahyunggoro dan Gideon Charles Teknik Elektro UGM, Yogyakarta email : oyas@mti.gadjahmada.edu
Lebih terperinciPengenalan Pola Angka Menggunakan Back Propagation Neural Network Agus Purwo Handoko 4)
ISSN : 1693 1173 Pengenalan Pola Angka Menggunakan Back Propagation Neural Network Agus Purwo Handoko 4) Abstrak Jaringan perambatan mundur (Back Propagation Neural Network ) dilatih dengan metode belaar
Lebih terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
Lebih terperinciJaringan Syaraf Tiruan
07/06/06 Rumusan: Jaringan Syaraf Tiruan Shinta P. Sari Manusia = tangan + kaki + mulut + mata + hidung + Kepala + telinga Otak Manusia Bertugas untuk memproses informasi Seperti prosesor sederhana Masing-masing
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB 2 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 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 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 terperinciPENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION 1 Andrian Rakhmatsyah 2 Sayful Hakam 3 Adiwijaya 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM)
ANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM) Hanura Ian Pratowo¹, Retno Novi Dayawati², Agung Toto Wibowo³ ¹Teknik Informatika,,
Lebih terperinciPREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION
JIMT Vol. 4 No. Juni 207 (Hal 47-55) ISSN : 2450 766X PREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION J.R. Mustakim, R. Ratianingsih 2 dan D. Lusiyanti 3,2,3 Program Studi
Lebih terperinciPREDIKSI ANGKA PARTISIPASI SEKOLAH DI JAWA TENGAH UMUR TAHUN DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK
PREDIKSI ANGKA PARTISIPASI SEKOLAH DI JAWA TENGAH UMUR 16-18 TAHUN DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK R.Mh.Rheza Kharis *), R. Rizal Isnanto, Ajub Ajulian Zahra Jurusan Teknik Elektro,
Lebih terperinciAplikasi Jaringan Syaraf Tiruan Untuk Penentuan Status Gizi Balita Dan Rekomendasi Menu Makanan Yang Dibutuhkan
119 Aplikasi Jaringan Syaraf Tiruan Untuk Penentuan Status Gizi Balita Dan Rekomendasi Menu Makanan Yang Dibutuhkan Fitri, Onny Setyawati, dan Didik Rahadi S Abstrak -Status gizi balita dapat ditentukan
Lebih terperinciBAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN V.1 Kesimpulan Setelah dilakukan perancangan sistem evaluasi mutu berbasis komputer (logika fuzzy, pengolahan citra dan JST), maka dapat disimpulkan bahwa : 1. Program logika
Lebih terperinciMENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB
POLITEKNOSAINS VOL. X NO. 2 Juni 2011 MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB Yaya Finayani Teknik Elektro, Politeknik Pratama Mulia, Surakarta 57149, Indonesia ABSTRACT
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 terperinciESTIMASI PERMEABILITAS RESERVOIR DARI DATA LOG MENGGUNAKAN JARINGAN SYARAF TIRUAN PADA FORMASI MENGGALA PT CHEVRON PACIFIC INDONESIA
ESTIMASI PERMEABILITAS RESERVOIR DARI DATA LOG MENGGUNAKAN JARINGAN SYARAF TIRUAN PADA FORMASI MENGGALA PT CHEVRON PACIFIC INDONESIA Liana Zamri *, Juandi M, Muhammad Edisar Jurusan Fisika Fakultas Matematika
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 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 terperinciANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD SKRIPSI
ANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD SKRIPSI SISKA MELINWATI 061401040 PROGRAM STUDI SARJANA ILMU KOMPUTER DEPARTEMEN
Lebih terperinciJurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN
PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal
Lebih terperinci