KOMPUTASI PARALEL ASINKRON PADA JARINGAN SARAF TIRUAN
|
|
- Dewi Johan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Seminar asinal Aplikasi Teknlgi Infrmasi 28 (SATI 28) ISS: KOMUTASI ARALEL ASIKRO ADA JARIGA SARAF TIRUA Agus Virgn Departemen Teknik Elektr rdi Teknik Kmputer Institut Teknlgi Telkm Jl. Telekmunikasi 1, Dayeuh Klt Bandung 27 Telepn Kantr : 22-79, Telpn ribadi : agv@stttelkm.ac.id ABSTRAK Jaringan Saraf Tiruan (JST) merupakan suatu mdel matematis yang mengambil sifat-sifat kmputasi Jaringan Saraf Manusia. Selama ini untuk memudahkan pemdelan, pada JST waktu prses tiap sel saraf manusia yang disebut neurn dianggap sama/sinkrn (Synchrnus aralel rcessing/s). enelitian ini menganalisa JST bila waktu prses tiap neurn tidak sama (Asynchrnus aralel rcessing/a) dan membandingkan perfrmansi antara JST A dan JST S. Sebagai studi kasus, diambil salah satu algritma JST yaitu rpagasi Balik (Back rpagatin/b). Simulatr digunakan untuk menghasilkan data rata-rata jumlah kuadrat errr (Eav) dan jumlah pla uji yang dikenali dengan benar. Dari data Eav tersebut dapat dihasilkan grafik Eav, dan dari jumlah pla uji yang dikenali dengan benar dapat ditentukan Tingkat Generalisasi (TG). Data dan grafik Eav serta Tingkat Generalisasi dijadikan parameter perfrmansi. Setelah dilakukan penelitian diperleh hasil bahwa pada beberapa jaringan JST rpagasi Balik A (JST B A) memiliki perfrmansi lebih baik dibanding JST rpagasi Balik S (JST B S). Hal ini membuka kemungkinan untuk memperleh bbt yang lebih baik pada suatu aplikasi yang telah memperleh bbt terbaik hasil JST B S. 1. EDAHULUA enelitian ini bertujuan untuk mengamati prses kmputasi paralel JST (umumnya dilakukan secara serial di sebuah kmputer sehingga hasil dari kmputasi setiap sel JST selalu sinkrn) jika digunakan metda asinkrn dimana setiap sel akan mengeluarkan hasil sesuai dengan kecepatan kmputasinya sendiri-sendiri, sehingga akan didapatkan prses kmputasi yang asinkrn. 2. LADASA TEORI Ditinjau dari sudut bahasa, paralel adalah kemampuan melakukan beberapa kegiatan dalam satu waktu. Sedangkan beberapa defenisi prses paralel antara lain adalah melakukan beberapa kegiatan berbeda dalam satu waktu, membagi satu kegiatan menjadi beberapa bagian yang bekerja secara bersamaan, penggunaan k resurce (sumberdaya) untuk menyelesaikan n pekerjaan, penggunaan k resurce untuk menyelesaikan satu pekerjaan. Beberapa kendala timbul akibat mekanisme yang harus dijalani leh prses paralel. Idealnya bila suatu aplikasi dijalankan pada n buah prsesr unifrm (seragam) secara paralel, maka kecepatan kmputasi untuk aplikasi tersebut akan meningkat sebesar n kali. amun keadaan ini jarang dicapai karena beberapa hal berikut : Sangat sulit menjaga tiap prsesr berjalan secara terus menerus pada kecepatan maksimumnya. Ketergantungan data suatu prsesr terhadap prsesr lainnya. Sebuah prsesr harus menunggu data hasil dari prsesr lain sebelum menjalankan prsesnya. emakaian recurse (sumber daya) secara bersama. Biasanya prsesr-prsesr yang bekerja secara paralel menggunakan recurse-recurse secara bergantian dimana pada satu saat hanya bleh ada satu prsesr yang menggunakan satu recurse. Hal ini menyebabkan sebuah prsesr harus menunggu sebuah sumber daya yang akan dipakai bila sumber daya tersebut sedang dipakai leh prsesr lain. JST merupakan mdel matematis yang mengambil inspirasi dari struktur dan sistem kerja JSM yang mempunyai ciri []: Terdiri dari sejumlah besar elemen prses sederhana yang disebut neurn. Antar neurn dihubungkan leh synapses yang berisi bbt sebagai dasar pengetahuan Bekerja secara massive parallelism Mampu belajar dari pengalaman Secara garis besar pada JST terdapat dua tahap kmputasi yaitu : Tahap Belajar ada tahap ini prses dimulai dengan memasukkan pla-pla belajar kedalam jaringan. Dengan menggunakan pla-pla ini jaringan akan mengubah-ubah bbt yang menjadi penghubung antara nde. Satu peride C-1
2 Seminar asinal Aplikasi Teknlgi Infrmasi 28 (SATI 28) ISS: dimana seluruh pla belajar telah diprses yang disebut 1 (satu) iterasi. ada setiap 1 iterasi dilakukan evaluasi terhadap keluaran jaringan. Tahap ini berlangsung pada beberapa iterasi dan berhenti setelah jaringan menemukan bbt yang sesuai dimana suatu keadaan yang diinginkan telah terpenuhi. Selanjutnya bbt ini menjadi knwledge base (dasar pengetahuan) pada tahap pengenalan. Tahap engenalan ada tahap ini dilakukan pengenalan terhadap suatu pla masukan dengan menggunakan bbt hasil tahap belajar. Dalam memprses infrmasi ditinjau dari ada tidaknya umpan balik, secara garis besar terdapat dua arsitektur JST, yaitu : Arsitektur Umpan Maju (Feed frward) Aliran infrmasi masuk melalui lapisan input diteruskan ke lapisan hidden dan selanjutnya ke lapisan Output. ada lapisan hidden dan Output dilakukan penglahan infrmasi tanpa umpan balik. Arsitektur Balik Maju (Back frward) ada arsitektur ini penglahan infrmasi berlawanan dengan arsitektur umpan maju dimana keluaran dari suatu nde diumpan balikkan menjadi nilai masukan bagi nde lain. JST rpagasi Balik A erbedaan waktu prses tiap nde dalam menghitung keluaran, menyebabkan perbedaan keluaran yang digunakan JST B A dan JST B S. Bila pada JST B S keluaran yang digunakan selalu yang terbaru, maka pada JST B A keluaran terbaru dipakai bila sebuah nde telah menghasilkan, sedangkan untuk yang belum digunakan keluaran lama. rses yang terjadi pada tahap belajar dijelaskan dengan mengamati aliran infrmasi selama tw past cmputatin. Frward pass ada langkah ini dilakukan perhitungan keluaran lapisan demi lapisan. rses pada suatu lapisan akan dimulai bila Jumlah de Selesai (JS) suatu lapisan telah memenuhi. Bila t adalah saat perhitungan keluaran suatu lapisan dimulai, maka keluaran suatu nde pada lapisan tersebut dirumuskan dengan h h ( a + 1 ) j sigmid () t i ij i = 1 h ( a + 1 ) k sigmid ( t) j jk j = 1 y = f ( ( C w ) + ) φ...(2.1) y = f ( ( y w ) + φ k )(2.2) Setelah dilakukan perhitungan keluaran, selanjutnya dilakukan perhitungan errr ek( n) = dk( n) y () t k ( n) (2.) Backward pass h j ada JSM perubahan bbt disebabkan leh adanya sinyal keluaran dari suatu neurn ke neurn lain. Hal ini menunjukkan bahwa kmputasi perubahan bbt pada JST keluaran suatu nde digunakan sama dengan keluaran yang digunakan pada perhitungan keluaran. hal ini menyebabkan gradien errr lkal yang dirumuskan dengan EO = y.( 1 y ). e (2.) k () t k () t k k EH = y.( 1 y ). E w j h h () t j () t j k kj k = 1 Q (2.) dan perubahan bbt dirumuskan dengan h w ( a + 1 ) jk = w ( a) jk + α. EOk. y ( t) j (2.) w + 1 = w + α. EH. C (2.7) h ( h a ) ij ( aij ) j () t i ilai C (t)i, y h (t)j, y (t)k sama dengan C (a+1)i, y h (a+1)j, y (a+1)k untuk nde-nde yang berstatus 1 dan C (a)i, y h (a), y (a)k untuk yang berstatus. Metda Batas emberhentian Tahap Belajar Secara matematis makna dari keluaran nde berstatus adalah nde tersebut dihubungkan dengan nde pada lapisan sebelumnya melalui bbt lama atau bbt pada pla ke a (w a ) dan nde berstatus 1 dihubungkan melalui bbt terbaru atau pada pla ke a+1 (w a+1 ). Sedangkan untuk menghitung nilai E(n) yang digunakan adalah w a+1. Hal ini menyebabkan seluruh perhitungan untuk menghasilkan E(n) (perhitungan keluaran dan errr) harus menggunakan nilai terbaru atau dengan kata lain dilakukan secara S.. ERACAGA SIMULATOR Gambar dibawah ini memperlihatkan flw chart (diagram alir) simulasi. Masukkan Bbt Awal Masukkan la Algritma Belajar JST B A -Data Eav -Bbt A JS= 1,..,p,q Mulai -Stuktur Jaringan - Delta Eav dan Jumlah Iterasi Belajar S S Inisialisasi Bbt Awal Masukkan la Algritma Belajar JST B S -Data Eav -Bbt S -Bbbt Awal Jaringan Baru Selesai Masukkan Bbt S Masukkan la Algritma engenalan JST B S Jumlah data yang dikenal degan benar la Baru Masukkan Bbt A Masukkan la Masukan JS atau Urutan Algritma engenalan JST B A Jumlah data yang dikenal dengan benar JS atau Urutan Baru la Baru Gambar.1 Flw chart Simulasi Secara garis besar simulasi ini dibagi kedalam langkah yaitu Masukan Simulasi, Bbt Awal, la Masukan, Algitma dan Hasil Simulasi. C-2
3 Seminar asinal Aplikasi Teknlgi Infrmasi 28 (SATI 28) ISS: a. Masukan Simulasi ada langkah ini dilakukan pembentukan struktur jaringan. Khusus pada tahap belajar dimasukkan Eav dan jumlah iterasi. b. Bbt Awal ada langkah ini dimasukkan bbt yang akan digunakan pada algritma JST B. Bbt yang digunakan tergantung pada tahap kmputasi (belajar atau pengenalan) dan jenis prses paralel (S atau A). ada tahap belajar digunakan bbt awal dan pada tahap pengenalan digunakan bbt hasil belajar jaringan tersebut. Bbt awal berasal dari inisialisai bbt bila jenis prses paralelnya S, sedangkan bila A digunakan bbt awal yang dihasilkan pada simulasi tahap belajar JST B S untuk jaringan yang sama. Tahap kmputasi dan jenis prses paralel ditentukan setelah langkah masukan simulasi dan sebelum langkah bbt awal. c. la Masukan ada langkah ini dimasukkan pla yang akan digunakan pada tahap belajar atau pengenalan. d. Algritma JST B ada prses ini dijalankan algritma JST B sesuai dengan tahap kmputasi dan jenis prses paralelnya. Algritma pengenalan dapat diulangulang untuk pla yang berbeda. Khusus untuk JST B A pada tahap belajar dilakukan berulang-ulang dari JS 1,..,1,1 sampai 1,..,, Q. Sedangkan pada tahap pengenalan untuk pla yang sama dapat diulang pada JS yang berbeda. e. Hasil Simulasi ada langkah ini dilakukan penyimpanan keluaran simulasi. Keluaran simulasi ini digunakan sebagai data yang dianalisa.. AALISA DATA ercbaan dan analisa dilakukan pada tahap belajar dan pengenalan JST rpagasi Balik S dan A. Beberapa bentuk jaringan yang ditentukan secara sembarang, pada tahap belajar dilatih mengenali 1 pla belajar dan pada tahap pengenalan di uji mengenali pla uji. la belajar dan pla uji terdapat pada pla percbaan dalam lampiran B halaman 1-. Setiap jaringan menggunakan knstanta belajar sebesar. [], e av 1 -,1 iterasi dan tleransi errr (ε) sebesar, (ptimalisasi pengenalan). Bentuk-bentuk jaringan yang digunakan adalah 7, 8,,, 7, 7 untuk jaringan dengan 1 lapisan hidden dan,,,, 8, 7, 7 untuk 2 lapisan hidden. Setiap satu pla input dipasangkan dengan satu pla utput. Untuk itu pada percbaan ini digunakan sebanyak jenis pla utput yang masing-masing terdiri atas 1 pla. 1 Uji Simulatr Uji simulatr dilakukan untuk mengetahui kebenaran hasil simulasi. Uji simulatr dapat dilakukan dengan cara membandingkan hasil yang diperleh dengan keadaan yang diinginkan. ada JST B keadaan yang diinginkan adalah kemampuan mengenali seluruh pla belajar. Sebagai cnth diambil salah satu JST B S jaringan. ada tahap belajar diperleh hasil sebagai berikut. Tabel.1 Hasil tahap belajar JST B S Eav terkecil Iterasi Eav knvergen Iterasi,89 1,89 1 ilai Eav knvergen yang cukup kecil pada tabel.1 menunjukkan bbt yang dihasilkan jaringan tersebut cukup baik. JST rpagasi Balik A Dengan mengunakan bbt awal dan kndisi jaringan yang digunakan pada tahap belajar JST B S, dilakukan tahap-tahap percbaan sebagai berikut. Seluruh jaringan dicba satu kali. Setiap JS yang memiliki nilai Eav terkecil <1 dicba sebanyak kali. Hal ini dilakukan dengan harapan dihasilkan nilai yang lebih baik. Setiap JS yang memiliki nilai Eav terkecil <1-1 dicba sebanyak 2 kali. Hal ini dilakukan dengan harapan dihasilkan nilai yang lebih baik. Dari tahap percbaan tersebut telah dilakukan sebanyak kali percbaan. Jumlah percbaan ini dianggap cukup untuk melihat perbandingan perfrmansi. Dari data-data yang dihasilkan diperleh beberapa data yang memiliki nilai Eav terkecil dan Eav knvergen yang lebih baik dari JST B S. ada tabel.2 diperlihatkan 1 buah data dari beberapa data tiap jaringan yang memiliki perfrmansi tahap belajar JST B A lebih baik dari JST B S. C-
4 Seminar asinal Aplikasi Teknlgi Infrmasi 28 (SATI 28) ISS: Tabel.2 Data hasil tahap belajar JST B A yang lebih baik dari JST B S Jaringan JS Eav terkecil Iterasi Eav knvergen Iterasi S S S S S Dari tabel.2 terlihat bahwa untuk setiap jaringan selalu terdapat JS kurang 1 nde dari jumlah nde pada salah satu lapisannnya ( misal JS untuk jaringan 7). engenalan pla belajar JST B A ada percbaan pengenalan pla belajar ada jaringan yang mampu mengenali seluruh pla dan ada yang tidak. Setiap jaringan yang mampu mengenali seluruh pla belajar selanjutnya dicba untuk mengenali pla uji. Bila data tersebut dibandingkan dengan hasil JST B S maka terdapat beberapa data yang lebih baik. Data-data tersebut sebagai berikut. Tabel. Data pengenalan pla uji JST B A yang lebih baik dari JST B S ada tabel. terlihat data hasil pengenalan pla uji JST B A yang lebih baik dari JST B S. Dari 2 kali percbaan kemungkinan mendapatkan data yang lebih baik bervariasi untuk tiap jaringan. amun kemungkinan terbesar pada jaringan dengan 2 lapisan hidden selalu diperleh jaringan dengan JS kurang 1 nde dari jumlah nde pada salah satu lapisannnya. Misal JS 8, 8 dan 7 untuk jaringan 8. Sedangkan pada jaringan dengan 1 lapisan hidden dihasilkan jaringan dengan JS lapisan hidden minimal kurang 1 nde dari jumlah nde nya. Misal JS 81, 82,.., 8, 91, 92,, 9 dan 9 untuk jaringan 9. Jar J S 1 7 S S 7 S S 7 S S S 2 8 Kenal Angka-angka pada klm kenal dan klm jumlah menunjukkan jumlah percbaan. Misal pada jaringan dengan JS, dari 2 kali percbaan diperleh data yang lebih baik sebanyak 1 percbaan yang terdiri dari mampu mengenali 8% sebanyak 1 percbaan, % 2 percbaan dan 2% 1 percbaan. 2 % % % % % % % % % % J l h C-
5 Seminar asinal Aplikasi Teknlgi Infrmasi 28 (SATI 28) ISS: KESIMULA DA SARA.1 Kesimpulan a. JST B A lebih baik dari JST B S pada tahap pengenalan, sedangkan JST B SOO lebih baik pada tahap belajar b. engenalan pla uji menunjukkan bahwa data JST B A yang lebih baik dari JST B S dihasilkan bila. Jaringan 1 lapisan hidden JS lapisan hidden minimal kurang 1 nde dari jumlah nde lapisan hidden. Misal JS 81, 82,.., 8, 91, 92,, 9 dan 9 untuk jaringan 9. Jaringan 2 lapisan hidden JS pada salah satu lapisan kurang 1 nde dari jumlah nde nya. Misal JS 8, 8 dan 7 untuk jaringan 8.2 Saran a. Bila bbt terbaik JST B S suatu aplikasi yang memiliki 1 atau 2 lapisan hidden telah ditemukan, sebaiknya dilakukan 2 kali tahap belajar dan pengenalan JST B A pada JS tertentu.. b. ada penelitian selanjutnya perlu dilakukan penelitian tentang : JST B A untuk jaringan dengan, atau lapisan hidden sesuai dengan struktur jaringan sering digunakan. A pada algritma JST lain yang sudah ada. Algritma JST baru yang dapat menerapkan A JSM secara murni. REFERESI [1] Desiani, A. dan Arhami, M. Knsep Kecerdasan Buatan. ADI Ygyakarta, Ygyakarta, 2. [2] Hermawan, A. Jaringan Syaraf tiruan Teri dan Aplikasi. ADI ygyakarta, Ygyakarta, 2. [] Myers, Catherine E., Delay Learning in Artificial eural etwrk. Chapman & Hall Lndn, Lndn [] eilsen, F. eural etwrks algrithms and applicatins. iels Brck Business Cllege, 21. [] uspitaningrum, D. engantar Jaringan Syaraf Tiruan. ADI Ygyakarta, Ygyakarta, 2. [] Siang, J.J., Jaringan Saraf Tiruan dan emgramannya Menggunakan Matlab, ADI Ygyakarta, Ygyakarta 2. C-
6 Seminar asinal Aplikasi Teknlgi Infrmasi 28 (SATI 28) ISS: C-
PENERAPAN 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 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 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 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 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 terperinciModifikasi Motif Kain Tradisional Menggunakan Cellular Automata
Mdifikasi Mtif Kain Tradisinal Menggunakan Cellular Autmata Purba Daru Kusuma Prgram Studi Sistem Kmputer Universitas Telkm Bandung, Indnesia purbdaru@gmail.cm Abstrak Metde cellular autmata telah diimplementasikan
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 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 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 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 terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
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 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 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 terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. Berdasarkan System Development Life Cycle (SDLC) metode waterfall yang
BAB III ANALISIS DAN PERANCANGAN SISTEM Berdasarkan System Develpment Life Cycle (SDLC) metde waterfall yang digunakan dalam pembuatan aplikasi penentuan harga jual, terdapat beberapa tahapan yang terdiri
Lebih terperinciDESAIN FUZZY STATE MACHINE UNTUK MENGHASILKAN VARIASI RESPON NPC (NON-PLAYABLE CHARACTER) PADA SEBUAH GAME
DESAIN FUZZY STATE MACHINE UNTUK MENGHASILKAN VARIASI RESPON NPC (NON-PLAYABLE CHARACTER) PADA SEBUAH GAME Surya Adi Wijaya 1, Susi Juniastuti 2, Supen Mardi SN 3, Mch. Hariadi 4 Pasca Sarjana Jurusan
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 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
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 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 terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Tinjauan Pustaka 2.1.1 Pengertian Dasar Penjadwalan Prduksi Lading dan Scheduling merupakan salah satu pin dalan fungsi dan kegiatan pengawasan prduksi. Pemuatan (Lading) mempunyai
Lebih terperinciPENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Alfa Ceria Agustina (1) Sri Suwarno (2) Umi Proboyekti (3) sswn@ukdw.ac.id othie@ukdw.ac.id Abstraksi Saat ini jaringan saraf tiruan
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 ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI
IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com
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 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 terperinciBAB 2 LANDASAN TEORI. Sejak komputer ditemukan, para peneliti telah berpikir adakah kemungkinan agar
BAB 2 LANDASAN TEORI 2.1 Machine Learning Sejak kmputer ditemukan, para peneliti telah berpikir adakah kemungkinan agar kmputer dapat belajar. Jika kita mengerti bagaimana cara memprgram kmputer agar mereka
Lebih terperinciKonsep Sistem Informasi Manajemen
Knsep Sistem Infrmasi Manajemen Sistem Infrmasi Sistem Infrmasi telah menjadi pndasi bagi mdel dan prses bisnis Sistem Infrmasi memungkinkan distribusi pengetahuan: suatu sistem kmunikasi antara manusia
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 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 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 terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciPERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION
Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION Fahmi Hasobaran Dalimunthe
Lebih 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 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih terperinciMetode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat
Prosiding Semirata FMIPA Universitas Lampung, 2013 Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat Andi Ihwan Prodi Fisika FMIPA Untan, Pontianak
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 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 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 terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. menggunakan model waterfall. Pada model waterfall terdapat tahapan analisis
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Sistem Pada tahapan ini dilakukan beberapa prses yang berhubungan dengan tahapan awal metde penelitian. Pada metde penelitian yang diambil menggunakan
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 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 terperinciPemodelan dan Pemetaan Potensi Energi Angin Menggunakan Jaringan Syaraf Tiruan (JST) di Bendungan Karangkates Kabupaten Malang
Pemodelan dan Pemetaan Potensi Energi Angin Menggunakan Jaringan Syaraf Tiruan (JST) di Bendungan Karangkates Kabupaten Malang O L E H : A H M A D Z A K I Z A K A R I A ( 2 4 0 6 1 0 0 0 5 7 ) Pembimbing
Lebih terperinciMEMBANGUN E-GOVERNMENT
1 MEMBANGUN E-GOVERNMENT 1. Pendahuluan Di era refrmasi ini, kebutuhan masyarakat akan transparansi pelayanan pemerintah sangatlah penting diperhatikan. Perkembangan teknlgi infrmasi menghasilkan titik
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 terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih terperinciBAB III METODE PENELITIAN. Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu
BAB III METODE PENELITIAN 3.1 Pengumpulan Data Beban Listrik dari PLN Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu selama lima tahun pada periode 2006-2010, selanjutnya data
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 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 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 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 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 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 terperinciBAB 2 TINJAUAN PUSTAKA. menggunakan teknik statistik, matematika, kecerdasan buatan, tiruan dan machinelearning
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data mining adalah kombinasi secara logis antara pengetahuan data, dan analisa statistik yang dikembangkan dalam pengetahuan bisnis atau suatu proses yang menggunakan
Lebih terperinciTEKNIK KENDALI KONVERTER DC-DC
60 TEKNIK KENDAI 5 KONVERTER DC-DC 5. Pendahuluan Pada aplikasi knverter dc-dc sebagai catu daya mde penyaklaran tentunya diinginkan dapat memberikan tegangan keluaran yang tetap pada keadaan mantap ataupun
Lebih terperinciAnalisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia Muhammad Ulinnuha
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. aplikasi penjualan perangkat komputer pada CV. Data Baru. Berdasarkan tahaptahap
BAB III ANALISIS DAN PERANCANGAN SISTEM Pada bab ini akan dibahas mengenai hasil analisis dan perancangan aplikasi penjualan perangkat kmputer pada CV. Data Baru. Berdasarkan tahaptahap analisis dan perancangan
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 terperinciRANCANG BANGUN ALAT BANTU PENENTU POLA DISTRIBUSI INPUT DENGAN MEMANFAATKAN JARINGAN SYARAF TIRUAN DENGAN MENGGUNAKAN PERSENTIL SEBAGAI PENCIRI
RANCANG BANGUN ALAT BANTU PENENTU POLA DISTRIBUSI INPUT DENGAN MEMANFAATKAN JARINGAN SYARAF TIRUAN DENGAN MENGGUNAKAN PERSENTIL SEBAGAI PENCIRI Aris Tjahyanto Jurusan Sistem Informasi, Fakultas Teknologi
Lebih terperincisystem) yang elemennya terdiri dari hardware, software dan brainware. Ketiga
PENGETAHUAN DASAR KOMPUTER 1. Knsep Kmputer Dari beberapa pendapat tentang definisi kmputer, maka yang disebut dengan kmputer adalah perangkat elektrnik yang dapat menerima masukan (input), dan selanjutnya
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciStudi Pohon Steiner dan Penggunaannya dalam Perancangan Chip dan Jaringan
Studi Phn Steiner dan Penggunaannya dalam Perancangan Chip dan Jaringan Samuel Simn NIM: 15060 Prgram Studi Teknik Infrmatika ITB, Bandung Email: if160@students.if.itb.ac.id Abstrak Makalah ini membahas
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih 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 terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciBAB 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 terperinciPRISMA FISIKA, Vol. I, No. 1 (2013), Hal ISSN :
Prediksi Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik Abraham Isahk Bekalani, Yudha Arman, Muhammad Ishak Jumarang Program
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 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 terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
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 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 terperinciDESAI EVALU IMPLEM BAB I PENDAHULUAN
BAB I PENDAHULUAN Pertemuan ke : 1 Alkasi waktu : 0,5 Jam Kmpetensi dasar : 1. Mahasiswa mampu memahami pentingnya mempelajari perancangan antarmuka pengguna. Indikatr : 1. Menuliskan dan menjelaskan knsep
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 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 terperinciBAB V NNGoS GAUDREAU
49 BAB V NNGS GAUDREAU 5.1 Pendahuluan Besarnya kemungkinan munculnya suatu kejadian / utcme dari suatu peristiwa disebut sebagai peluang atau prbabilitas. Prbabilitas ini mempunyai distribusi harga antara
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 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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciBAB I PENDAHULUAN. sangat membutuhkan alat pengukur kemiringan kendaraan terhadap media yang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Kendaraan bermtr ataupun tak bermtr, khususnya kendaraan rda dua sangat membutuhkan alat pengukur kemiringan kendaraan terhadap media yang dilaluinya. Karena
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 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 terperinci5. Kinerja. 6. Tipe Fisik. 7. Karakteristik Fisik. 8. Organisasi
Arsitektur Sistem Kmputer MEMORI Memri adalah bagian dari kmputer tempat prgram prgram dan data data disimpan. Istilah stre atau strage untuk memri, meskipun kata strage sering digunakan untuk menunjuk
Lebih terperinciJARINGAN SYARAF TIRUAN DAN NAIVE BAYES UNTUK MENDETEKSI PENYAKIT GAGAL GINJAL DI RSUD Dr. ADHYATMA TUGUREJO SEMARANG
JARINGAN SYARAF TIRUAN DAN NAIVE BAYES UNTUK MENDETEKSI PENYAKIT GAGAL GINJAL DI RSUD Dr. ADHYATMA TUGUREJO SEMARANG Yudi Setyawan 1 *, Zulfikar Adi Nugroho 2 1,2 Prodi Statistika, Fakultas Sains Terapan,
Lebih terperinciPenyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks
Penyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks Dewi Erla Mahmudah 1, Ratna Dwi Christyanti 2, Moh. Khoridatul Huda 3,
Lebih terperinci. IMPLEMENTASI MATRIKS PADA MATEMATIKA BISNIS DAN EKONOMI
Techn.COM, Vl. JJ, N.2, Mei 2012: 74-81. IMPLEMENTASI MATRIKS PADA MATEMATIKA BISNIS DAN EKONOMI Yuniarsi Rahayu'), Bw Nurhadiyn') l,l)p,.gram Sludi Teknik Infrmatika, Falrultas Ilmu Kmputer Universitas
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 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pengklasifikasian merupakan salah satu metode statistika untuk mengelompok atau menglasifikasi suatu data yang disusun secara sistematis. Masalah klasifikasi sering
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 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 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 terperinciSoftware Requirement (Persyaratan PL)
Sftware Requirement ( PL) Arna Fariza 1 Rekayasa Perangkat Lunak Tujuan Memperkenalkan knsep persyaratan user dan sistem Menjelaskan persyaratan fungsinal dan nnfungsinal Menjelaskan bagaimana persyaratan
Lebih terperinciSistem Pendukung Keputusan untuk Investasi Perumahan Area Malang Menggunakan Algoritma Bayesian
13 Sistem Pendukung Keputusan untuk Investasi Perumahan Area Malang Menggunakan Algritma Bayesian Mhammad Taufan AZ, Sunary dan Wijn Abstrak Faktr yang menjadi pertimbangan dalam menentukan keputusan untuk
Lebih terperinciBAB 1 PENDAHULUAN. tersebut harus terhubung dengan telepon rumah. Hal ini dikenal dengan Dial-Up
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dewasa ini teknlgi infrmasi berkembang dengan sangat pesat. Bisa dibayangkan bahwa beberapa tahun yang lalu untuk dapat bisa menikmati internet para pengguna harus
Lebih terperinciPENGANTAR SISTEM KENDALI
1 I PENGANTAR SISTEM KENDALI Deskripsi : Bab ini memberikan gambaran secara umum mengenai sistem kendali, definisi-definisi, pengertian sistem kendali lingkar tertutup dan sistem kendali lingkar terbuka,
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 terperinci