PRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Jaringan Syaraf Tiruan Kode/SKS: SS / (2/1/0) Dosen : BSSU Semester : III
|
|
- Hartono Kusnadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 RP-S1-SK-12 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 1 dari 6 A. CAPAIAN PEMBELAJARAN : CP 3.3 : Mampu menyelesaikan masalah di bidang Stat komputasi dan Membuat program untuk mengoptimalkan penggunaan program paket metode statistika yang sudah ada CP.15.1 : Mampu Berkomunikasi secara lisan dan tertulis dalam bhs Indonesia dan Bhs inggris CP15.2 : Mampu mengelola dan bekerja dalam tim CP15.4 : Bertanggung jawab atas hasil kerja mandiri dan kelompok B. Untuk mencapai CP di atas diperlukan sebagai berrikut : Konsep (JST), Pemrograman MATLAB, Arsitektur JST, Perceptron, Proses, Multilayer Perceptron, FFNN, RBFNN, SOM, JST untuk Pemodelan Statistik. C. Mata Kuliah Prasyarat : An. Regresi, Ranc.Perc., An. Multivariate, ADW D. CP secara umum KKNI Level 6 Kemampuan Penguasaan pengetahuan Kemampuan kerja Kemampuan manjerial Sikap dan tata nilai 6.1 Menjelaskan penggunaan konsep Jaringan syaraf Tiruan. Mampu menjelaskan prosedur Jaringan syaraf Tiruan. Mampu mengaplikasikan Jaringan syaraf Tiruan untuk pemodelan statistik Mampu memanfaatkan IPTEKS untuk pemodelan statistic dengan pendekatan Jaringan syaraf Tiruan 6.5 Mampu beradaptasi terhadap situasi yang dihadapi Mampu mengambil keputusan yang tepat berdasarkan pemodelan statistic dengan pendekatan Jaringan syaraf Tiruan dan mampu mengkomunikasikan hasil analisis baik secara lisan maupun tertulis. 6.7 Mampu memberikan petunjuk dalam memilih teknik Jaringan syaraf Tiruan secara mandiri dan kelompok; Bertanggung jawab pada pekerjaan sendiri dan dapat diberi tanggung jawab atas pencapaian hasil kerja organisasi Memiliki EtikaProfesi, kerjasama, menghargai orang lain, patuh aturan, cerdas amanahk reatif 1-CP 3-RE 7-Prosedur Cek soal / Porosedur
2 RP-S1-SK-12 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 2 dari Memahami konsep JST untuk pemodelan Statistik 2.mampu menguasai dasardasar pemrograman 3. Mampu Membangun Sederhana (Perceptron) 1.1 Dapat menjelaskan dan memahami struktur pemodelan JST 1.2 Dapat mengidentifikasi permasalahan yang cocok untuk diselesaikan dengan JST 1.3 Dapat membangun 2.1 Dapat mengoperasikan/ menjalankan program (MATLAB) untuk pemrograman JST 2.2 Dapat membuat algoritma pemrograman 3.1 Dapat mengidentifikasi permasalahan dan menyajikannya dalam bentuk 3.2 Dapat menentukan proses pembeln dan dari arsitektur yang dibuat dengan berbagai fungsi aktivasialgoritma Dasar-dasar JST Dasar-dasar Pemrograman MATLAB Perceptron, Hebb Rule, Ceramah interaktif Diskusi (CID) CID, Latihan Soal (L) CIDL Observasi Aktifitas di kelas (TOA) Tes Tugas1 (ObservasiA ktifitas di kelas Tes &Observasi Aktifitas di kelas(toa) 5%/5% 15%/20% 10%/30% 1-CP 3-RE 7-Prosedur Cek soal / Porosedur
3 RP-S1-SK-12 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 3 dari Mampu Membangun dengan proses pembelan adaptif CP Mampu membangun arsitektur Multilayer Perceptron (FFNN) Cp15.4, 4.1. Dapat mengidentifikasi permasalahan dan menyajikannya dalam bentuk 4.2 Dapat melakukan proses pembelan dari jaringan adaptif dan madaline 4.3 Dapat melakukan proses pembelan dan membuat algoritma untuk jaringan Pattern Association 5.1. Dapat memilih filter adaptive dan metode estimasi bobot 5.2. Dapat menentukan bobot dengan proses Backpropagation Beserta criteria kebaikan model 5.3.Dapat menyusun algoritma untuk jaringan multilayer perceptron (FFNN) Adaline, Madaline, Pattern Association Adaptif dan filter linear FFNN CIDL Praktikum (P) CIDLP TOA 15%/45% TOA Tugas-3 15%/60% 1-CP 3-RE 7-Prosedur Cek soal / Porosedur
4 RP-S1-SK-12 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 4 dari Evaluasi Bersama Mampu membangun arsitektur Multilayer Perceptron (RBFNN) Cp15.4, 6. Mampu Membangun JST untuk pemetaan/ klasifikasi Cp15.4, CP Dapat menentukan jumlah node dan bobot input untuk RBFNN Beserta criteria kebaikan model.dapat menyusun algoritma untuk jaringan multilayer perceptron (RBFNN) 7.1. Dapat membuat arsitektur NN untuk pemetaan/ klasifikasi 7.2. Dapat memilih metode untuk klasifikasi derdasarkan metode JST 7.3. Dapat membuat rancangan pemetaan terorganisasi RBFNN Commette Machines Self Organizing Map (SOM) Learning CIDLP TOA Tugas-3 15%/60% CIDLP TOA 15%/75% 1-CP 3-RE 7-Prosedur Cek soal / Porosedur
5 RP-S1-SK-12 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 5 dari Dapat membuat algoritma pembelan untuk jaringan pemetaan Vector Quantification (LVQ) Mampu merancang model statistik dengan pendekatan JST untuk prediksi. Cp15.4, CP Mampu merancang model statistik dengan pendekatan JST untuk Klasifikasi. 7.1 Dapat merancang JST untuk pemodelan statistic untuk keperluan prediksi 7.2. Dapat memilih terbaik dari rancangan yang dibuat untuk pemodelan statistic 8.1 Dapat merancang JST untuk pemodelan statistic untuk keperluan Klasifikasi 8.2. Dapat memilih terbaik dari rancangan yang dibuat untuk pemodelan statistic Studi kasus FFNN RBFNN Studi kasus FFNN RBF SOM LVQ CIDLP TOA 15%/90% CIDLP TOA 10%/100% 1-CP 3-RE 7-Prosedur Cek soal / Porosedur
6 RP-S1-SK-12 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 6 dari 6 Cp15.4, CP Evaluasi Akhir Semester Pustaka : 1. Haykin, S. 1999, Neural Networks, 2 nd., ed., Prentice Hall 2. Fausett, L., 1994, Fundamental of Neural Networks, Prentice Hall 3. Limin Fu, 1994, Neural Network in Computer Intelligence, McGraw Hill 4. Sivanandam, S.N., Sumathi, S., and Deepa, S. N., 2006, Introduction to Neural Networks using MATLAB 6, McGraw-Hill 1-CP 3-RE 7-Prosedur Cek soal / Porosedur
PRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Struktur Data Kode/SKS: SS / (2/1/0) Dosen : BS Semester : III
RP-S1-SK-09 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 1 dari 6 A. CAPAIAN PEMBELAJARAN : CP 3.3 : Mampu menyelesaikan masalah di bidang Stat komputasi khusunya Struktur data untuk mengoptimalkan
Lebih terperinci2-RP. C. Deskripsi CP secara umum KKNI Level 6
RP-S1-SK-05 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 1 dari 5 A. CAPAIAN PEMBELAJARAN : CP 10.3 : Dapat menjelaskan konsep manajemen dan eksplorasi data dan Mampu melakukan eksplorasi dan
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER
RENCANA PEMBELAJARAN SEMESTER 1. Identitas Nama Departemen : Pendidikan Ilmu Komputer Nama Program Studi : Pendidikan Ilmu Komputer Nama : Jaringan Saraf Tiruan Kode : IK550 lompok : cerdasan Buatan Bobot
Lebih terperinciPRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Analisis Data II Kode/SKS: SS / (2/1/0) Dosen : HK Semester : VII
RP-S1-SK-07 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 1 dari 5 A. CAPAIAN PEMBELAJARAN : CP 3.2 : Melakukan analisis data dengan menggunakan program statistik. CP10.1 : Mampu melakukan manajemen
Lebih terperinciPRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Analisis Data I Kode/SKS: SS / (2/1/0) Dosen : HK Semester : VI
RP-S1-SK-06 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 1 dari 7 A. CAPAIAN PEMBELAJARAN : CP 3.2 : Melakukan analisis data dengan menggunakan program statistik. CP10.1 : Mampu melakukan manajemen
Lebih terperinciSATUAN ACARA PERKULIAHAN
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKA-05/R4 Versi : 1 Revisi : 0 Tggal Revisi : Tggal Berlaku : 1 Agustus 2010 SATUAN ACARA PERKULIAHAN Program Studi : Teknik Informatika Fakultas : Teknologi Industri
Lebih terperinciPRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Teknik Simulasi Kode/SKS: SS / (2/1/0) Dosen : NI, PPO Semester : V
RP-S1-SK-04 Kurikulum 2014, Edisi : September-2014 No.Revisi : 00 Hal: 1 dari 6 A. : 1. CP 3.1 : Membuat suatu sistem informasi manajemen di berbagai bidang 2. CP 9.3 : Mampu merancang pengumpulan data
Lebih terperinciPRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Data Mining Kode/SKS: SS / (2/1/0) Dosen : SWP, KF Semester : VII
RPS1SK08 Kurikulum 2014, Edisi : September2014 No.Revisi : 00 Hal: 1 dari 6 A. : 1. CP 3.2 : Melakukan analisis data dengan menggunakan program statistik 2. CP 10.3 : Mampu menganalisis big data dengan
Lebih terperinciKode/SKS : TEL 212/2 Prasyarat : -
Nama MatakuIiah : Teknik Neuro Fuzzy Kode/SKS : TEL 212/2 Prasyarat : - Status Mata Kuliah : Wajib Umum Deskripsi Singkat Mata Kuliah : Mata kuliah Teknik Neuro Fuzzy mempelajari penerapan kecerdasan dan
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciPRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Perancangan Kualitas Kode/sks : SS141413/ (2/1/0 ) Dosen : SS Semester : V
RP-S1-SI-06 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 1 dari 8 A. CAPAIAN PEMBELAJARAN : CP 1.2 : Menentukan optimasi melalui perancangan eksperimen. CP15.2 : Mampu mengelola dan bekerja
Lebih terperinciPRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Analisis Survival Kode/SKS: SS / (2/1/0) Dosen : SWP Semester :
RP-S1-SLK-03 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 1 dari 5 A. CAPAIAN PEMBELAJARAN : 1. CP 3.2 : Melakukan analisis data dengan menggunakan program statistik 2. CP 5.1 : Menganalisis
Lebih terperinci2-RP. C. Deskripsi CP secara umum KKNI Level 6
RP-S1-SK-03 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 1 dari 5 A. CAPAIAN PEMBELAJARAN : 1. CP 3.3 : untuk mengoptimalkan penggunaan program paket metode statistika yang sudah ada 2. CP 15.1
Lebih terperinciAktuariaa. Dosen : SS. Semester : V No.Revisi : 00. Hal: 1 dari 5. tim. 1).Konsep. dimodifikasi). Kemampuan. Deskripsi. asuransi jiwa
Kode/SKS: SS141427 / (2/1/0) Hal: 1 dari 5 A. CAPAIAN PEMBELAJARAN : CP 2.4 : Mampu memahami dan menerapkann konsep konsep matematika keuangan dan peluang untuk menganalisa masalah dalam asuransi jiwa
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 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 terperinciSILABUS MATA KULIAH. Mata Kuliah : Jaringan Syaraf Tiruan Kode Mata Kuliah : Pengampu : Julian Supardi, M.T
SILABUS MATA KULIAH Mata Kuliah : Kode Mata Kuliah : SKS : 3 SKS Pengampu : Julian Supardi, M.T I. Deskripsi Mata Kuliah Mata muliah ini merupakan matakuliah pilihan.bidang Kajian meliputi Sejarah, Aplikasi-Aplikasi
Lebih terperinciESTIMASI PRODUKTIVITAS PEKERJA KONSTRUKSI DENGAN PROBABILISTIC NEURAL NETWORK
ESTIMASI PRODUKTIVITAS PEKERJA KONSTRUKSI DENGAN PROBABILISTIC NEURAL NETWORK Lila Ayu Ratna Winanda Dosen Teknik Sipil FTSP ITN Malang ABSTRAKSI Pekerjaan konstruksi yang tengah menggeliat bangkit tidak
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 terperinciRENCANA PEMBELAJARAN SEMESTER
RENCANA PEMBELAJARAN SEMESTER Program Studi: Statistika Fakultas: Sains dan Matematika Mata Kuliah: Jaringan Syaraf Tiruan Kode: AST21-415 SKS: 3 Sem: VI Dosen Pengampu: Dr. Budi Warsito, S.Si, M.Si. Capaian
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 terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
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 terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
Lebih terperinciPRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Statistika Spasial Kode/SKS: SS / (2/1/0) Dosen : Sutikno Semester : VII
RP-S1-SLK-01 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 1 dari 5 A. CAPAIAN PEMBELAJARAN : CP 5.2 : Mampu menganalisis data di bidang Statistika Lingkungan dan Kesehatan, serta bidang lainnya
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 terperinci1.1. Jaringan Syaraf Tiruan
BAB I PENDAHULUAN 1.1. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi yang digambarkan sebagai berikut
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
Lebih terperinciPREDIKSI DATA RUNTUN WAKTU MENGGUNAKAN JARINGAN SYARAF TIRUAN
PREDIKSI DATA RUNTUN WAKTU MENGGUNAKAN JARINGAN SYARAF TIRUAN TIME SERIES DATA PREDICTION USING ARTIFICIAL NEURAL NETWORKS Agung Mubyarto Prodi Teknik Elektro, Universitas Jenderal Soedirman Jl. Kampus
Lebih terperinciPRODI. Dosen : MM No.Revisi : 00. Semester : I Hal: 1 dari 5. kelompok. Deskripsi 2 populasi. Kemampuan. Kemampuan kerja.
RP S1 SP 01 A. CAPAIAN PEMAN : 1. CP 11.1 : Mampu menganalisis data secara kuantitatif baik secara univariat maupun Multivariat serta menerapkannya. 2. CP 8.1 : Memformulasikan masalah ke dalam pemodelan
Lebih terperinciSemester : VI Hal: 1 dari 6. No.Revisi : 00. Deskripsi. Kemampuan manjerial. tertulis. Sikap dan. tata nilai 2-RP 1-CP DN, PA,BAK& RN)
PROD S1 STATSTKA FMPA TS RP S1 SP 08 Kurikulum 2014, Edisi : September 2014 A. CAPAAN PEMBELAJARAN : CP 11.11 : Mampu menganalisis data secara KUANTTATF baik secara Univariat maupun Multivariat serta menerapkannya
Lebih terperinciBAB I PENDAHULUAN. diatur di dalam otak sebagai pengendali utama tubuh manusia. Otak manusia
BAB I PENDAHULUAN A. Latar Belakang Manusia telah diciptakaan oleh Tuhan dalam bentuk kesempurnaan. Salah satu ciptaan yang menakjubkan adalah otak manusia dimana semua kecerdasaan diatur di dalam otak
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4A3 Pembelajaran Mesin Disusun oleh: Agung Toto Wibowo Said Al Faraby PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR PENGESAHAN
Lebih terperinciANN : Beberapa Definisi
Artificial Intelligence - STTS 1 of 9 ANN : Beberapa Definisi Valluru B. Rao dan Hayagriva V. Rao 1 : sebuah kelompok unit pengolah (group processing units) yang mana tiap subgrup mengerjakan perhitungannya
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciRENCANA PROGRAM DAN KEGIATAN PEMBELAJARAN SEMESTER (RPKPS)
RENCANA PROGRAM DAN KEGIATAN PEMBELAJARAN SEMESTER (RPKPS) 1. Nama Matakuliah : KECERDASAN BUATAN 2. Kode/SKS : IES5353 / 3 sks 3. Semester : 5 4. Sifat Mata Kuliah : Wajib 5. Prasyarat : Tidak ada 6.
Lebih terperinciSATUAN ACARA PERKULIAHAN
Topik bahasan : Pendahuluan Mahasiswa dapat memahami konsep cerdasan buatan dan aplikasinya dalam bidang rekayasa 1 Setelah mempelajari materi ini, diharapkan mahasiswa : 1.Mampu mengenal permbangan teknologi
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
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 terperinciMembangun Jaringan Syaraf Tiruan (Menggunakan MATLAB & Excel Link)
Pemrograman Dasar Matlab Membangun Jaringan Syaraf Tiruan (Menggunakan MATLAB & Excel Link) Pemrograman Dasar Matlab Sri Kusumadewi Membangun Jaringan Syaraf Tiruan (Menggunakan MATLAB & Excel Link) Membangun
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 terperinci2-RP. rate, 10).Model Antrian. Deskripsi. sistem finansial, sistem komunikasi. Semester : V Hal: 1 dari 7. Dosen : SPW, NI, HY No.
RP S1 SP 06 A. CAPAIAN PEMAN : 1. CP 1.1 : Mampu menerapkan Metode Statistika dalam manajemen. 2. CP 2.2 : Mampu memodelkan & menginterpretasikan fenomena ekonomi 3. CP 8.1 : Mampu memformulasikan masalah
Lebih terperinciResearch of Science and Informatic BROILER CHICKENS WEIGHT PREDICTION BASE ON FEED OUT USING BACKPROPAGATION
Sains dan Informatika Vol.2 (N0.2) (2016): 1-9 1 Andre Mariza Putra, Chickens Weight Prediction Using Backpropagation JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih terperinci2-RP. Penguasaan Pengetahuan. Kemampuan. kerja. Kemampuan. Manajerial. Sikap dan Tata Nilai 5-PBS 1-CP 2-RP 3-RE
RP-S1-SLK-02 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 1 dari 7 A. CAPAIAN PEMBELAJARAN (Learning outcome) : CP 5.1 : Menganalisis data di bidang kedokteran/kesehatan, pertanian/perikanan/kelautan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Mata adalah indra terbaik yang dimiliki oleh manusia sehingga citra (gambar) memegang peranan penting dalam perspektif manuasia. Namun mata manusia memiliki keterbatasan
Lebih terperinciPENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TENGAH BERDASARKAN PERSENTASE PENDUDUK MISKIN TAHUN MENGGUNAKAN METODE KOHONEN
Prosiding Seminar Nasional Matematika dan Terapannya 016 p-issn : 550-0384; e-issn : 550-039 PENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TENGAH BERDASARKAN PERSENTASE PENDUDUK MISKIN TAHUN 009-013 MENGGUNAKAN
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 terperinciBAB I PENDAHULUAN. ke karakteristik tertentu pada manusia yang unik dan berbeda satu sama lain.
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah keamanan (security) merupakan salah satu isu yang sangat penting akhir-akhir ini. Salah satu teknik yang diunggulkan bisa diterapkan untuk permasalahan tersebut
Lebih terperinciPENGEMBANGAN SUMBER BELAJAR MATAKULIAH SISTEM CERDAS KOMPETENSI JARINGAN SYARAF TIRUAN
PENGEMBANGAN SUMBER BELAJAR MATAKULIAH SISTEM CERDAS KOMPETENSI JARINGAN SYARAF TIRUAN Slamet Wahyudi 1, Anik Nur Handayani 2, Heru Wahyu Herwanto 3 1.2.3 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
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 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 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 terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Persaingan dalam dunia bisnis, terlebih lagi bagi perusahaan besar, tidak lepas dari adanya proses jual beli saham. Saham secara umum merupakan surat berharga yang dapat
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 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 terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih terperinci2 2 ... v... 3 Santoso... 21 abawa... 29... 37... 53... 59... 67... 77 Yohakim Marwanta... 85... 89... 101 ... 109... 117 D. Jaringan Komputer Amirudd... 135 andha... 141... 151... 165 Syahrir... 171...
Lebih 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 terperinciHASIL DAN PEMBAHASAN. Generalisasi =
6 Kelas Target Sidik jari individu 5 0000100000 Sidik jari individu 6 0000010000 Sidik jari individu 7 0000001000 Sidik jari individu 8 0000000100 Sidik jari individu 9 0000000010 Sidik jari individu 10
Lebih terperinciJARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION UNTUK PENENTUAN KELULUSAN SIDANG SKRIPSI
JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION UNTUK PENENTUAN KELULUSAN SIDANG SKRIPSI ekson Arizona Matondang Dosen Tetap STMIK Budi Darma Medan Jl Sisingamangaraja No 338 Sp Limun Medan http://wwwstmik-budidarmaacid
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011 PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF
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 terperinciP E N D A H U L U A N Latar Belakang
KLASIFIKASI KEKERAPAN KUNJUNGAN LOKASI BERBASIS LOCATION BASED SERVICE (LBS) MENGGUNAKAN SELF-ORGANIZING MAP (SOM) Oleh : Dhanang Fitra Riaji (NRP : 2208205737) PROGRAM MAGISTER JURUSAN TEKNIK INDUSTRI
Lebih terperinciESTIMASI BIAYA PERANGKAT LUNAK MENGGUNAKAN IMPROVED BACKPROPAGATION
ESTIMASI BIAYA PERANGKAT LUNAK MENGGUNAKAN IMPROVED BACKPROPAGATION Rocky Yefrenes Dillak Abstrak : Estimasi biaya perangkat lunak merupakan bagian tak terpisahkan dari pengembangan perangkat lunak. Mengabaikan
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 terperinciJARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom Outline Konsep JST Model Struktur JST Arsitektur JST Aplikasi JST Metode Pembelajaran Fungsi Aktivasi McCulloch
Lebih terperinciNeural Networks. Machine Learning
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 terperinci1. Pendahuluan 1.1 Latar belakang masalah
1. Pendahuluan 1.1 Latar belakang masalah Emas adalah unsur kimia dalam tabel periodik yang memiliki simbol Au (bahasa Latin: 'aurum') dan nomor atom 79. Emas digunakan sebagai standar keuangan di banyak
Lebih terperinciIDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION
IDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION RULIAH Program Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru Jl. A. Yani Km. 33,3 Loktabat
Lebih terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciDistribusi SKS per Semester
Jumlah SKS Matakuliah Semester dan Peminatan Studi Prodi Teknik Informatika Fakultas Teknologi Industri Universitas Islam Indonesia -FTI UII- Yogyakarta Jumlah SKS dan Semester Untuk mencapai derajat sarjana
Lebih terperinciSISTEM GERAK PARKIR MOBIL OTOMATIS DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
SISTEM GERAK PARKIR MOBIL OTOMATIS DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Eko Budi Setiawan¹, Warih Maharani², Fazmah Arif Yulianto³ ¹Teknik Informatika,, Universitas Telkom Abstrak Proses parkir mobil
Lebih terperinciGambar 2.1 Neuron biologi manusia (Medsker & Liebowitz, 1994)
BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks, serta memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang
Lebih terperinciMODEL N EURON NEURON DAN
1 MODEL NEURON DAN ARSITEKTUR JARINGAN 1 1 Model Neuron Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan sebagai berikut : Menerima input atau masukan (baikdari data yang dimasukkan
Lebih terperinciPENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR ABSTRAK
PENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR Rosihan Ari Yuana Program Studi Pendidikan Matematika Universitas Sebelas Maret ABSTRAK Aplikasi jaringan
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Artificial Neural Network atau jaringan syaraf tiruan merupakan bidang yang sangat berkembang saat ini. Pemanfaatan teknologi mesin dan computer yang tidak terbatas
Lebih terperinciOleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.
Oleh: Angger Gusti Zamzany(1210100 073) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI PENGUJIAN
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 terperinciJARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT )
JARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT ) Rima Liana Gema, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia
Lebih terperinci1.1 Latar Belakang. Universitas Indonesia
BAB 1 PENDAHULUAN Bab ini menjelaskan latar belakang penelitian tugas akhir, pernyataan permasalahan yang timbul dari latar belakang tersebut, tujuan penelitian, batasan masalah, manfaat penelitian, tahapan
Lebih terperinciANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR
Jurnal Barekeng Vol. 8 No. Hal. 7 3 (04) ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR Analysis of Backpropagation Artificial Neural Network to
Lebih terperinci2-RP. Semester : VIIII No.Revisi : 00. Dosen : MM. Hal: 1 dari 5. kelompok, Peran
Hal: 1 dari 5 Deskripsi Mataa Kuliah Tujuan dari Mata Kuliah ini adalah untuk memberikan kemampuan mahasiswa menjadi konsultan statistik yang efektif. Mataa Kuliah ini membutuhkan kematangan dalam berfikir
Lebih terperinciProses Pengelompompokan Saraf Menggunakan Jaringan Saraf Tiruan (JST) dengan Algoritme Self-Organizing Maps (SOM)
Prosiding Statistika ISSN: 2460-6456 Proses Pengelompompokan Saraf Menggunakan Jaringan Saraf Tiruan (JST) dengan Algoritme Self-Organizing Maps (SOM) 1 Tantri Lestari, 2 Abdul Kudus, 2 Sutawanir Darwis
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring perkembangan zaman, teknologi di bidang medis saat ini semakin berkembang. Teknologi sendiri sudah menjadi kebutuhan di segala bidang khususnya bidang biomedis.
Lebih terperinciAPLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT
APLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT Fradika Indrawan Jurusan Teknik Informatika, Universitas Ahmad Dahlan, Yogyakarta Jl.
Lebih terperinciOptimasi Prediksi Kehadiran Pegawai Untuk Intensif Kehadiran Menggunakan Jaringan Saraf Tiruan-Backpropagation
Optimasi Prediksi Kehadiran Pegawai Untuk Intensif Kehadiran Menggunakan Jaringan Saraf Tiruan-Backpropagation Jamaludin Hakim 1), Sri Hartati 2) 1) Program Studi Sistem Informasi Fakultas Teknik dan Sistem
Lebih terperinciCLUSTERING DATA PENCEMARAN UDARA SEKTOR INDUSTRI DI JAWA TENGAH DENGAN KOHONEN NEURAL NETWORK
CLUSTERING DATA PENCEMARAN UDARA SEKTOR INDUSTRI DI JAWA TENGAH DENGAN KOHONEN NEURAL NETWORK Budi Warsito, Dwi Ispriyanti dan Henny Widayanti Program Studi Statistika FMIPA UNDIP Semarang ABSTRACT Industrial
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Tahap 1 : Identifikasi Permasalahan Mencari literatur-literatur yang berhubungan dengan bahan penelitian. Tahap 2 : Pengambilan Data Training : Testing 5 : 1 150 : 30 Dari 10 responden
Lebih terperinci1. PENDAHULUAN 1.1 Latar Belakang
1 1. PENDAHULUAN 1.1 Latar Belakang Program studi merupakan garda terdepan dalam penyelenggaraan pendidikan dari sebuah perguruan tinggi, karena program studi merupakan satuan rencana belajar terkecil
Lebih terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Data adalah kumpulan kejadian yang diangkat dari suatu kenyataan (fakta),at berupa angka-angka, huruf, simbol-simbol, atau gabungan dari ketiganya. Dalam perkembangan selanjutnya,
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 terperinciGARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: SISTEM INFORMASI Semester : 7
GARIS-GARIS BESAR PROGRAM PENGAJARAN PROGRAM STUDI: SISTEM INFORMASI Semester : 7 MATA KULIAH : Sistem Pakar KODE MATA KULIAH / SKS : 410103101 / 3 SKS MATA KULIAH PRASYARAT : - DESKRIPSI MATA KULIAH :
Lebih terperinciAbstract
ANALISIS PENERAPAN ARTIFICIAL NEURAL NETWORK DALAM PENENTUAN BIDANG KOMPETENSI SKRIPSI MAHASISWA (STUDI KASUS DI PROGRAM STUDI TEKNIK INFORMATIKA STMIK NURDIN HAMZAH JAMBI) 1,2,3 Magister Ilmu Komputer,
Lebih terperinci