Abstrak. Kata kunci : Jaringan Syaraf Tiruan, Backpropagation, Prakiraan Beban. 1. Pendahuluan
|
|
- Widya Susman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 STUDI ANALISIS PENERAPAN JARINGAN SYARAF TIRUAN UNTUK PRAKIRAAN BEBAN KELISTRIKAN SE JAWA BALI Oleh Nasrif, Ir,MT, Endang Sri Rahayu, Ir, Mkom, Iyoni Teknik Elektro Fakultas Teknologi Industri Universitas Jayabaya Jakarta Abstrak Metode Jaringan Syaraf Tiruan adalah metode yang sangat banyak digunakan dalam penelitian dan pengembangan sistem daya listrik.dalam makalah ini akan dijelaskan mengenai studi penerapan Jaringan Syaraf Tiruan Backpropagation error untuk prakiraan beban listrik se Jawa-Bali. Data histori beban, informasi kalender dan informasi lainnya diolah oleh jaringan syaraf tiruan pada fase pembelajaran. Hasil pembelajaran tersebut menghasilkan bobot bobot jaringan yang nantinya digunakan dalam prakiraan beban. Kata kunci : Jaringan Syaraf Tiruan, Backpropagation, Prakiraan Beban. 1. Pendahuluan Prakiraan beban adalah masalah yang sangat penting dalam pengoperasian dan perencanaan sistem daya listrik. Untuk meminimalisasi biaya operasi, supplier listrik menggunakan prakiraan beban untuk mengontrol banyaknya unit generator yang bisa dioperasikan. Prakiraan jangka pendek ( Short term Forecasting ) adalah prakiraan beban dari jam ke jam dan merupakan hal yang sangat penting dalam pemeliharaan harian pada Power Plant dan juga untuk studi dan analisa aliran daya. Dalam berbagai penelitian yang dilakukan di negara maju, informasi kalender ( hari libur, hari akhir pekan, hari hari dalam seminggu, hari perayaan nasional, dll ) dan data histori merupakan faktor yang dominan dalam penentuan struktur Jaringan Syaraf Tiruan yang digunakan dalam prakiraan beban. Sedangkan informasi lainnya seperti temperatur/cuaca, temperatur rata rata dan temperatur puncak di lokasi yang akan diprediksi besar bebannya banyak yang tidak menggunakan informasi tersebut dalam prakiraan beban dengan Jaringan Syaraf Tiruan. Berbagai variasi metode yang digunakan dalam penelitian dan aplikasi jaringan syaraf tiruan dalam prakiraan beban, ada yang menggunakan metode Unsupervised Leaning, yaitu suatu metode pembelajaran jaringan syaraf tiruan tanpa pengawasan. Maksudnya adalah pola input yang akan diajarkan ke jaringan tanpa membutuhkan pola output, sedangkan metode yang lainnya adalah metode Supervised Learning, yaitu suatu metode pembelajaran yang membutuhkan pasangan pola input dan pola output. Dalam penelitian ini digunakan metode Backpropagation Error yang merupakan salah satu metode dari metode Supervised Learning. 2. Klasifikasi dan Karakteristik Beban Gambar 1 merupakan kurva beban listrik se jawa-bali perjam dalam 2 minggu, yaitu tanggal 1 sampai dengan tanggal 12 bulan September Pola beban hari demi hari dalam seminggu ( senin sabtu ) hampir sama, hanya sedikit variasi, begitu juga dengan kurva beban pada hari akhir pekan ( hari minggu ). Beban puncak umumnya tejadi pada jam
2 wib, hal ini wajar terjadi karena semua penerangan rumah, TV, kulkas dan lainnya pada digunakan, sedangkan dari jam wib beban cendrung turun, karena kebanyakan peralatan rumah tangga yang menggunakan tenaga listrik tidak digunakan pada jam jam tersebut, karena jam-jam tersebut adalah jam istirahat. Beban cendrung naik mulai jam , karena pada jam tersebut banyak aktifitas industri, seperti pemanasan mesin industri, dll. Dari jam beban cendrung stabil, karena pada jam-jam tersebut kegiatan industri sudah stabil. Jaringan syaraf dikarakteristikkan sebagai : 1. Suatu bentuk yang dihubungkan dengan neuron. 2. Dipakai suatu metode untuk mendapatkan nilai penimbang pada sambungan tersebut (disebut algoritma pembelajaran) dan 3. Funsi Aktifasi, yaitu suatu fungsi yang digunakan untuk mengolah sinyal input menjadi sinyal keluaran neuron. Umumnya yang digunakan adalah fungsi sigmoid seperti berikut : Y_output = 1 / (1 + e -y_input )...1 Gambar 1. Kurva beban Jawa-Bali perjam dalam 2 minggu 3. Jaringan Syaraf Tiruan Dengan pendekatan artificial intelligent (kecedasan buatan) manusia berusaha menirukan bagaimana pola-pola dibentuk oleh jaringan syaraf manusia. Artificial Neural Network (jaringan syaraf buatan telah dikembangkan sebagai generalisasi model matematik dari pembelajaran manusia atau jaringan biologi dengan asumsi : Pemrosesan informasi terjadi pada elemen-elemen dasar disebut dengan Neuron. Sinyal/informasi lewat antar neuron melalui suatu sambungan jaringan. Masing-masing sambungan diberi suatu weight (penimbang) yang pada umumnya bersifat mengalikan sinyal-sinyal. Masing-masing neuron diaplikasikan diaplikasikan sebagai suatu fungsi aktivasi Struktur JST Backpropagation Error Gambar 2 merupakan struktur jaringan syaraf tiruan Backpropagation Error dengan 3 lapisan ( Layer ), yaitu 1 lapisan input, 1 lapisan hidden, 1 lapisan output. Untuk lapisan hidden bisa lebih dari 1 lapisan, tidak ada aturan yang baku untuk menentukan banyaknya lapisan tersebut. Lapisan Input berfungsi untuk menerima sinyal input eksternal dan selanjutnya output dari lapisan input ini (setelah dimasukkan kedalam fungsi aktifasi) digunakan oleh lapisan hidden untuk diproses. Output lapisan hidden digunakan oleh lapisan output untuk menghitung output jaringan. Proses ini disebut dengan Feed forward. Output jaringan dibandingkan dengan Target, jika errornya lebih besar dari yang diharapkan, maka terjadi proses balik, dari lapisan output ke lapisan hidden dan dari lapisan hidden ke lapisan input. Proses ini disebut sebagai proses Backward. Proses ini tujuannya adalah untuk mendapatkan bobot jaringan, yang nantinya digunakan untuk proses mapping atau proses pengujian hasil pembelajaran jaringan. Untuk lebih jelasnya dapat disimak pada bagian algoritma pembelajaran berikut ini.
3 LAPISAN INPUT LAPISAN HIDDEN Gambar 2. Struktur JST LAPISAN OUTPUT 3.2. Algoritma Pembelajaran Secara rinci algoritma trainingnya adalah sebagai berikut : Langkah 1:memberi inisialisasi factor penimbang (diberi nilai kecil karena random ) Langkah 2:Ulangi step 2 hingga kondisi step terpenuhi. Feed Forward Langkah 3:Masing-masing unit input ( X I, I=1, n) menerima sinyal input x i dan disebarkan sinyal tersebut ke semua unit layer bagian atas (unit hidden) Langkah 4:masing-masing unit unit hidden menjumlah factor penimbang : Z_in j = v oj + v ij x Xi..(2) Dan menghitung sesuai dengan fungsi aktivasi Z j = f ( z_inj ).... (3) Dan kemudian mengirim semua sinyal tersebut ke semua unit dia tasnya (output point) Langkah 5:Masing-masing unit output (Yk, k=1, m) dijumlahkan factor Penimbang. Y_ink = wok + wjk x Zj.(4) Dan menghitung sesuai dengan fungsi aktivasi Yk = f ( y_ink )..(5) Back Propagasi Error Langkah 6:Masing-masing unit output (Yk, k=1, m) menerima pola target Sesuai dengan pola masukan saat training dan menghitung error δ k = (t k y k ) f (y_in k )..(6) menghitung pembetulan factor penimbang (selanjutnya untuk mem perbaiki w jk ). w jk = αδ k Z j....(7) Menghitung pembetulan koreksi w ok = αδ k. (8) Dan mengirim nilai δ k ke unit layer di bawahnya. Langkah 7:Masing-masing unit hidden (Zj, j=1,p) mewnjumlahkan delta inputnya (dari unit layer diatasnya) δ_in k = Σ δ k w jk...(9) kemudian dikalikan dengan turunan dari fungsi aktivasinya untuk menghitung error δ j = δ_in j f (z_in j ).(10) kemudian menghitung pembetulan penimbang (digunakan untuk memperbaiki vij kemudian) v ij = αδ j x (11) dan menghitung pembetulan bias (untuk memperbaiki voj kemudian) v oj = αδ j... (12) Memperbaiki Penimbang DanB ias Langkah 8:Masing-masing unit output (Yk, k=1, m) diperbaiki bias dan penimbangnya (j=0,,p): W jk (baru) = w jk (lama) + w jk.(13) Masing-masing unit hidden (Zj, j=1, p) diperbaiki bias dan penimbangnya (I=0,, n) : v jk (baru) = v jk (lama) + v jk.(14) Langkah 9:Uji kondisi pemberhentian Gambar 3 adalah flowchart algoritma pembelajaran JST Backpropagation Error. Prosedure umum dalam pemberian nilai awal penimbang adalah bilangan random antar 0,5 dan 0,5 (atau antara 1 dan 1). Sedangkan konstanta pembelajaran umumnya diberi nilai dan momentum umumnya diberi nilai antara hal tersebut dapat dilakukan dengan cara trial and error.semakin besar nilaikonstanta pembelajaran, maka semakin cepat proses
4 pembelajarannya, tetapi semakin besar kesalahannya. Sedangkan semakin tinggi nilai momentum, maka jaringan semakin sulit mencapai konvergent. Penentuan Parameter P : jumlah pola η : Konstanta belajar α : Momentum Inisialisasi Bobot V,W : Random E = 0 Hitung Output Node Y = f(v Z ) O = f( W Y ) Hitung Error E = E + 0.5( d 0 ) 2 Hitung sinyal error δo = 0.5 ( dk ok )( 1 ok ) 2 δy = 0.5 δo ( 1 y) 2 Wj Koreksi Bobot W = W + ηw δo Y V = V + η δy Z Masih ada pola? Gambar 3. Flowchart pembelajaran JST Backpropagation Error n E > Emax Stop n 4. Metode pemilihan struktur JST dalam Prakiraan Beban Kelistrikan se Jawa Bali Struktur jaringan syaraf tiruan yang digunakan dalam prakiraan beban y y kelistrikan se Jawa Bali dibagi dalam 2 metode yaitu : 4.1 Metode pemilihan struktur JST dalam prakiraan beban per 1 jam Metode prakiraan beban per 1 jam didasari dari data beban histori, temperatur dan informasi lain yang mempengaruhi beban perjam pada suatu daerah. Model jaringan yang digunakan sebagai berikut : Net Struktur : ( 9 net input, 8 net hidden dan 1 net output) Net input terdiri dari : 1. Jam ke i :1 24 ( Data beban pada jam yang akan diramal pada hari yang dimaksud) 2. Temperatur pada jam dan hari yang dimaksud. Jika temperatur tidak digunakan dalam prakiraan beban, maka cukup di isi dengan angka Data beban hari sebelumnya pada jam ke i 4. Data beban pada jam sebelumnya pada hari yang dimaksud 5. Data beban pada jam yang dimaksud 6. Akhir pekan : 1,0 ( jika akhir pekan di isi 1, jika bukan di isi 0 ) 7,8,9 Hari dalam seminggu : ( Jika hari senin di isi 001, selasa 010, rabu 011, kamis 100, jumat 101, sabtu 101, minggu 111) OUTPUT Data beban jam selanjutnya ( I + 1 ) pada hari yang dimaksud Metode pemilihan struktur dalam prakiraan beban per 24 jam Metode prakiraan beban per 24 jam didasari data histori beban yang umum terjadi, misalnya data beban hari minggu dipengaruhi oleh data hari sabtu dan hari senin. Berikut adalah model persamaan non linier beban yang digunakan sebagai model prakiraan beban dalam 1 hari ( 24 jam ) : y(i) = F(Wi,Y(i-1) (15) dimana : y(i) ={y(i,t): t=1,2,,24} vector actual beban pada hari ke I y(i,t): Aktual beban pada hari I jam ke t
5 Y(i-1)=[y(I-1),y(i-2),,y(i-k)] T k : Indek banyaknya data Wi : Vector bobot F(.,.): Fungsi vector non linier Pola beban di klasifikasikan dalam 2 bentuk pola yaitu pola data hari dalam seminggu dan pola data akhir pekan. Pola data harian dalam seminggu ditentukan dengan menggunakan persamaan berikut : y(i-1)=f(wi, Y(i-2))..(16) dimana : y(i-1) : Data output pada hari ke i Y(i-2) = [y(i-2),y(i-3)] T adalah data beban pada hari ke i pada 2 minggu sebelumnya. Sedangkan untuk menentukan pola beban akhir pekan menggunakan persamaan sebagai berikut : y(id) = F(Wi,y(id-1),d=1,2 5..(17) dimana : y(id) : Data output pada akhir pekan ke i d : Type awal perhitungan hari. Missal i1 adalah sabtu atau i2 adalah senin Y(id-1) = [y(i-1),y(i-2)] T adalah data beban pada akhir pekan ke i pada 2 minggu sebelumnya. Net Struktur : Net Input : 48 unit ( 24 jam hari ke i pada 1 minggu sebelumnya dan 24 jam Pada hari ke i pada 2 minggu sebelumnya) Net Hidden : 10 unit Net Output : 24 unit ( 24 jam pada hari ke i ) 5. Kesimpulan 1. Data histori beban, informasi kalender dan informasi cuaca merupakan data yang digunakan oleh JST dalam proses pembelajaran. 2. Klasifikasi dan karakteristik beban faktor yang dominan dalam menentukan struktur jaringan Syaraf Tiruan 3. Inisialisasi parameter (bobot,konstanta pembelajaran dan momentum) dan struktur jaringan sangat menentukan dalam proses pembelajaran JST. 6. Referensi 1. Jie Bao Short-term Load Forecasting based on Neural Network and Moving Average Artificial Intelligence Lab, Lowa State University 2. Pauli Murto, Raimo P.H Neural network models for short-term load forecasting Helsinki University of Technology. 3. K.Y.Lee, J.H. Park Short-term Load forecasting using an artificial Neural Network Transaction on Power System, Vol 7, no.1 Feb T.Matsui, T.Iisaka,Y.Fukuyama Peak Load Forecasting using analizable struktured Neural Network IEEE PES [Bakirtzis 2000] V.Petridis, A.Kehagias, A. Bakirtzis, S. Kiartzis Short-term Load Forecasting using predictive Modular Neural 6. A.Piras A. Germond, B.Buchenel, K.Imhof, Y. Jaccard Hetereogeneous Artificial Neural Network for Short-term Load Forecasting IEEE PICA Min-Huei Kim, M. Godoy Simões, Bimal K. Bose, Neural Network-based Estimation of Power Electronic Waveforms, IEEE Trans. Power elect., vol. 11, no.2, March Valluru B. Rao, Hayagriva V. Rao + + Neural Network And Fuzzy Logic, Management Information Source, Inc, New York, USA, Mauridhi Herry P, I Y O N I, Perhitungan Jumlah Sel Darah Merah Menggu nakan Jaringan Syaraf Tiruan ( Sub Judul : Jaringan Syaraf Tiruan ) Tugas Akhir Teknik Listrik Industri PENS ITS 2000.
6 10. Era Purwanto, Son Kuswandi, Riyanto Sigit, Agustinus Erwin Setiawan, Implementasi Pengaturan Kecepatan Motor Induksi Dengan Pengendali Cerdas (Algoritma Neural Network) Tugas akhir Teknik Listrik Industri PENS ITS Wahyu Tjatur SA, et.al. Neural Network Finite Element for Analyzing Voltage Distribution in an Homogeneous Material, EEPIS Journal Elect. Power Control and Telec., vol.4, no.1, Dec Abdul Bari Implementasi Pengendali Cerdas Pada Sistem Docking Auto Pilot Kapal Laut Tugas Akhir 1999, PENS ITS 13. Muhammad Saiful Arifin Pengenalan bentuk kepala manusia untuk menentukan jenis kelamin dengan menggunakan metode Jaringan Syaraf Tiruan Tugas Akhir Teknik Elektro ITS 1997
ANALISA 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 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 terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih 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 terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih terperinciStudi Modifikasi standard Backpropagasi
Studi Modifikasi standard Backpropagasi 1. Modifikasi fungsi objektif dan turunan 2. Modifikasi optimasi algoritma Step Studi : 1. Studi literatur 2. Studi standard backpropagasi a. Uji coba standar backpropagasi
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih 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 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 terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinci2014 ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di negara yang memiliki jumlah populasi penduduknya besar dan perkembangan industrinya mengalami peningkatan, tentunya memiliki tingkat kebutuhan akan sumber
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV.
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV. Bryan Ponsel) Des Indeks Giawa Mahasiswa Teknik Informatika STMIK Budi
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 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 terperinciArsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah memin
BACK PROPAGATION Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output
Lebih terperinciPeramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor
23 Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor Fachrudin Pakaja, Agus Naba dan Purwanto Abstrak Prediksi penjualan adalah salah satu cara untuk meningkatkan laba perusahaan,
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih 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 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 terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini akan dibahas mengenai teori-teori pendukung pada penelitian ini. Adapun teori tersebut yaitu teori jaringan saraf tiruan dan algoritma backpropragation. 2.1. Jaringan Saraf
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 terperinciPengendalian Posisi Mobile Robot Menggunakan Metode Neural Network Dengan Umpan Balik Kamera Pemosisian Global
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Pengendalian Posisi Mobile Robot Menggunakan Metode
Lebih 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 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 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 terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih 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 terperinciPENGENDALIAN POSISI MOBILE ROBOT MENGGUNAKAN METODE NEURAL NETWORK DENGAN UMPAN BALIK KAMERA PEMOSISIAN GLOBAL
PENGENDALIAN POSISI MOBILE ROBOT MENGGUNAKAN METODE NEURAL NETWORK DENGAN UMPAN BALIK KAMERA PEMOSISIAN GLOBAL Randy Reza Kautsar (1), Bima Sena Bayu D S.ST M.T (2), A.R. Anom Besari. S.ST, M.T (2) (1)
Lebih terperinciPERAMALAN BEBAN PUNCAK LISTRIK JANGKA PENDEK MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
Jurnal Reka Elkomika 2337-439X Oktober 2013 Jurnal Online Institut Teknologi Nasional TeknikElektro Itenas Vol.1 No.4 PERAMALAN BEBAN PUNCAK LISTRIK JANGKA PENDEK MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciBAB 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 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 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 terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciProses Pembelajaran dengan BackPropagation pada kasus penyakit asma
Proses Pembelajaran dengan BackPropagation pada kasus penyakit asma Oleh Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Penyakit asma merupakan penyakit yang menyerang pada saluran
Lebih 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 terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
Lebih terperinciBAB 2 LANDASAN TEORI. suatu perusahaan yang akan memberikan keuntungan dalam bentuk deviden dan capital
BAB 2 LANDASAN TEORI 2.1 Saham Saham adalah tanda penyertaan atau kepemilikan seseorang atau badan, dalam suatu perusahaan yang akan memberikan keuntungan dalam bentuk deviden dan capital gain. Artinya
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 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 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 terperinciEVALUASI MODEL JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK PREDIKSI IKLIM EKSTRIM DENGAN KORELASI CURAH HUJAN DAN TINGGI MUKA LAUT DI SEMARANG
Youngster Physics Journal ISSN : 2302-7371 Vol. 4, No. 1, Januari 2015, Hal 67-72 EVALUASI MODEL JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK PREDIKSI IKLIM EKSTRIM DENGAN KORELASI CURAH HUJAN DAN
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 terperinciJurnal Coding, Sistem Komputer Untan Volume 04, No.2 (2016), hal ISSN : x
DETEKSI PENYAKIT PADA TANAMAN JERUK PONTIANAK DENGAN METODE JARINGAN SARAF TIRUAN BACKPROPAGATION [1] Fitrajaya Nugraha, [2] Beni Irawan, [3] Dwi Marisa Midyanti [1] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciIDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION
JURNAL MANUTECH 43 IDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION Yoan Elviralita 1, Asrul Hidayat 2 1 Program Studi Teknik Mekatronika-Politeknik Bosowa 2 Program Studi Perawatan dan Perbaikan
Lebih 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 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 terperinciAPLIKASI ESTIMASI REGISTRASI MAHASISWA BARU MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BERDASARKAN PERBANDINGAN RATIO DOSEN DAN MAHASISWA
APLIKASI ESTIMASI REGISTRASI MAHASISWA BARU MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BERDASARKAN PERBANDINGAN RATIO DOSEN DAN MAHASISWA Debi Setiawan 1 Ramalia Noratama Putri 2 Gunadi 3 ABSTRACT The problem
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciBAB I PENDAHULUAN. kecerdasan buatan, kecerdasan buatan merupakan salah satu bagian ilmu
BAB I PENDAHULUAN A Latar Belakang Masalah Jaringan Syaraf Tiruan merupakan bagian dari sistem kecerdasan buatan, kecerdasan buatan merupakan salah satu bagian ilmu pengetahuan yang digunakan untuk menyelesaikan
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 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 terperinciBAB III METODE PENELITIAN. Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di Laboratorium Pemodelan Fisika, Jurusan Fisika, Fakultas Matematika dan Ilmu
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI
Media Informatika, Vol. 2, No. 2, Desember 2004, 1-11 ISSN: 0854-4743 JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI Kiki, Sri Kusumadewi Jurusan Teknik Informatika,
Lebih terperinciANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU
ANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU Rosmelda Ginting 1*, Tulus 1, Erna Budhiarti Nababan 1 Program S2 Teknik Informatika
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
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 terperinciAnalisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi
Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi Kiki, Sri Kusumadewi Laboratorium Komputasi & Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih 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 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 terperinci1. Pendahuluan Pasar modal memungkinkan para investor mempunyai berbagai pilihan investasi yang sesuai dengan preferensi risiko mereka. Seandainya tid
OPTIMASI PORTOFOLIO MENGGUNAKAN JARINGAN SARAF TIRUAN Rima Marina Yusiana Jurusan Teknik Informatika, Universitas Gunadarma, Depok Email: rima.marina@yahoo.com Abstraksi Dalam penulisan ini data yang digunakan
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 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 terperinciSIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana
SIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana Mahasiswa Program Studi Teknik Informatika, Universitas
Lebih terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
Lebih terperinciJURNAL SAINS DAN INFORMATIKA
39 Fauzul Sains Amri, dan Jaringan Informatika Syaraf Vol.1 Tiruan (N0.1) untuk (2015): Memprediksi 37-43 JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih 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 terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION Havid Syafwan 1, Herman Saputra 2 *1 Program Studi Manajemen Informatika, AMIK
Lebih terperinciBAB II DASAR TEORI. 2.1 Citra Digital
BAB II DASAR TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f (x,y) dua dimensi,dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinciBAB III METODE PENELITIAN
3.1. Kerangka Pemikiran BAB III METODE PENELITIAN Permasalahan yang akan dijawab atau tujuan yang ingin dicapai pada penelitian ini adalah untuk melakukan prakiraan beban listrik jangka pendek atau untuk
Lebih terperinciPrediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
Scientific Journal of Informatics Vol 3, No 1, Mei 2016 p-issn 2407-7658 http://journalunnesacid/nju/indexphp/sji e-issn 2460-0040 Prediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Jaringan Saraf Tiruan (JST) Jaringan saraf tiruan pertama kali secara sederhana diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. McCulloch dan Pitts menyimpulkan bahwa
Lebih terperinciPRAKIRAAN BEBAN LISTRIK KOTA PONTIANAK DENGAN JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) AGUS HASIM
PRAKIRAAN BEBAN LISTRIK KOTA PONTIANAK DENGAN JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) AGUS HASIM SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER
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 terperinciABSTRACT. Kata kunci: Fuzzy Tsukamoto, Jaringan Syaraf Tiruan, Backpropagation 1. LATAR BELAKANG MASALAH
PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN DAN FUZZY TSUKAMOTO COMPARISON OF SHARE PRICE PREDICTION USING ARTIFICIAL NEURAL NETWORK AND FUZZY TSUKAMOTO ABSTRACT
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. forecasting produksi gula berdasarkan hasil laporan tahunan PTPN IX
BAB III ANALISIS DAN PERANCANGAN SISTEM Pada Tugas Akhir ini akan dirancang sebuah Perangkat Lunak untuk forecasting produksi gula berdasarkan hasil laporan tahunan PTPN IX (PERSERO) / PG.Pangka dengan
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Akhir-akhir ini kita banyak mendengar banyak berita bahwa Perusahaan Listrik Negara (PLN) mengalami kerugian yang sangat besar setiap tahunnya yang disebabkan faktor-faktor
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 terperinci134 Sutikno, Indriyati, Sukmawati N.E, Priyo S.S., Helmie A.W., Indra W., Nurdin B., Tri Wardati K., Raditya L.R. dan Diah Putu D.
134 Sutikno, Indriyati, Sukmawati N.E, Priyo S.S., Helmie A.W., Indra W., Nurdin B., Tri Wardati K., Raditya L.R. dan Diah Putu D. Chapter 7 Backpropagation dan Aplikasinya Sutikno, Indriyati, Sukmawati
Lebih terperinciMODEL IDENTIFIKASI PETA SECARA OTOMATIS MENGGUNAKAN KONSEP JARINGAN SARAF TIRUAN BACKPROPAGATION
Media Informatika, Vol. 2, No. 1, Juni 2004, 39-46 ISSN: 0854-4743 MODEL IDENTIFIKASI PETA SECARA OTOMATIS MENGGUNAKAN KONSEP JARINGAN SARAF TIRUAN BACKPROPAGATION Muhammad Erwin Ashari Haryono Laboratorium
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION
JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan E-mail : yuyun.dl@gmail.com
Lebih terperinciImplementasi Metode Backpropagation Untuk Klasifikasi Kenaikan Harga Minyak Kelapa Sawit
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 4, April 2018, hlm. 1547-1552 http://j-ptiik.ub.ac.id Implementasi Metode Backpropagation Untuk Klasifikasi Kenaikan
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 terperinciMETODE PENELITIAN. Tempat dan Waktu Penelitian
METODE PENELITIAN Tempat dan Waktu Penelitian Penelitian ini dilaksanakan pada bulan Maret Juni 2010, di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen Teknik Pertanian,
Lebih terperinciJARINGAN SYARAF TIRUAN MENGGUNAKAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI NILAI UJIAN AKHIR SEKOLAH (STUDI KASUS DI MAN 2 PADANG)
Jurnal Teknologi Vol 7, No 2, Oktober 2017, Hal 183-192 E- ISSN : 2541-1535 ISSN : 2301-4474 JARINGAN SYARAF TIRUAN MENGGUNAKAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI NILAI UJIAN AKHIR SEKOLAH (STUDI
Lebih terperinci