KARAKTERISTIK JARINGAN SYARAF TIRUAN UNTUK ANALISIS AKTIVASI NEUTRON 1)
|
|
- Utami Susman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 KARAKTERISTIK JARINGAN SYARAF TIRUAN UNTUK ANALISIS AKTIVASI NEUTRON 1) R. Muhammad Subekti, Dhandhang Purwadi dan Rokhmadi Pusat Pengembangan Teknologi Reaktor Riset (P2TRR) BATAN, Serpong Tangerang ABSTRAK KARAKTERISTIK JARINGAN SYARAF TIRUAN UNTUK ANALISIS AKTIVASI NEUTRON. Analisis aktivasi neutron (AAN) adalah salah satu metode analisis untuk mengetahui beberapa unsur penyusun dari suatu materi. Materi asing yang telah diiradiasi dapat diketahui identitasnya dengan mengenali pola spektrum gamma. Proses pengenalan akan lebih mudah bila kita memiliki suatu sistem yang cerdas dan salah satu pilihan sistem cerdas tersebut adalah aringan syaraf tiruan (JST). Spektrum gamma yang dipancarkan oleh unsur radioaktif mempunyai pola yang spesifik, sehingga sistem cerdas ini akan mencoba mengklasifikasi data masukan. detektor Hp-Ge pertama kali mendeteksi radiasi gamma dari materi asing, dan kemudian dicacah menggunakan alat penganalisis kanal ganda (MCA). Sistem cerdas berbasis JST menggunakan metode umpan mau dan backpropagation yang sudah diperbaiki. Pada simulasi pertama, sistem JST diui untuk mengenali 50 materi dimana sistem sudah dilatih menggunakan hanya 1 data untuk setiap klasifikasi. Hasilnya adalah kemampuan identifikasi JST 100 % atau mempunyai kehandalan yang baik Kata kunci : aktivasi neutron, spektrum gamma, sistem cerdas, radioaktif, materi asing. ABSTRACT ARTIFICIAL NEURAL NETWORK CHARACTERISTIC FOR NEUTRON ACTIVATED ANALYSIS. Neutron activated analysis (NAA) is one of analysis methods to identify some structured nuclide from material. The stranger irradiated material could be identifying by the gamma spectrum pattern analysis. The recognition process will be done easily if we have a smart system and the one of the smart system choices is artificial neural network (ANN). The gamma spectrum that was irradiated from radioactive nuclide has specific pattern, therefore smart system will be tried to classify the input data. Firstly, Hp-Ge detector detects the gamma radiation from stranger material, and then counted by multi channel analysis instrument (MCA). The smart system based ANN uses the feed forward method and the improved backpropagation. On the first simulation, ANN system was tested to identify 50 material, in which the system has been trained by using one data only for each clasification. The result showed that the ANN appreciates 100 % identification capability or has a good performance. Keyword : neutron activity, gamma spectrum, smart system, radioactive, stranger material. 1. Diaukan dalam Seminar Sains dan Teknologi Nuklir di PPTN BATAN, Bandung.
2 PENDAHULUAN Jaringan syaraf tiruan (JST) adalah suatu teknologi yang diilhami dari aringan syaraf biologi pada manusia, dapat dilatih untuk mengenali terhadap suatu obyek yang memiliki pola tertentu. Dengan pelatihan yang terstruktur, JST yang telah terbimbing bisa mengenali ataupun menemukan kembali obyek tertentu sekalipun diacak dengan obyek lain [1]. Berangkat dari sifat spektrum radiasi unsur radioaktif yang spesifik dan terlatihnya JST untuk mengenali dan mengidentifikasi pola spektrum unsur radioaktif standard, maka JST dapat digunakan untuk mengidentifikasi unsur-unsur radioaktif yang ada di dalam sampel. Seak ditemukan unsur radioaktif pada tahun 1896 oleh Becquerel, penelitian tentang unsur radioaktif semakin pesat baik yang menyangkut penelitian dan pengembangan unsur itu sendiri maupun aplikasi dan manfaatnya pada kehidupan manusia. Salah satu aktivitas penelitian dan pengembangan terhadap unsur radioaktif adalah pengembangan metode analisis aktivasi neutron (AAN). Metode AAN memiliki sensitivitas yang lebih baik dari pada metode lainnya (gavitrimeter, kalorimeter, spektrografi, dan spektrometri massa), seperti terlihat pada Gambar Gravitrimetri Kalorimetri Spektrographi Spektroskopi Massa Analisis Pengaktipan Neutron Metode Lain Gambar 1. Perbandingan sensivitas metode AAN dibandingkan dengan metode analisis lain. 2
3 Data mentah dari alat ukur (detektor gamma) dalam metode AAN berupa spektrum, dengan variabel bebasnya adalah energi sinar gamma dan dependent variable-nya adalah distribusi cacah photon gamma yang tercatat oleh detektor [2]. Suatu hal yang sangat spesifik dari unsur radioaktif adalah spektrumnya, antara unsur yang satu dengan lainnya tidaklah sama. Dengan sifat yang spesifik ini, unsur radioaktif dapat dengan mudah dikenali polanya, sehingga dapat diidentifikasi dengan mudah pula antara unsur satu dengan unsur lainnya. Dalam penelitian ini akan dilakukan pengamatan spektrum radiasi dengan menggunakan aringan syaraf tiruan, dengan tuuan untuk dilatih mengenali dan mengidentifikasi unsurunsur tersebut, sehingga diperoleh karakteristik JST dalam menganalisis spektrum gamma. Penelitian ini dibatasi pada spektrum gamma saa yang dipancarkan dari unsur radioaktif. Pengamatan dilakukan dengan menggunakan detektor Germanium kemurnian tinggi Hp-Ge dan dicacah dengan menggunakan multi channel analyzer (MCA). Sifat penelitian adalah simulasi terhadap spektrum gamma dari sumber tunggal. Keluaran dari JST yang dibuat berupa angka biner sepuluh digit. Dengan memakai JST yang sudah terlatih maka dilakukan identifikasi terhadap sampel. TEORI Secara biologis gambar di atas menyerupai bangun sel yang sebenarnya. Keluaran dari tiap lapisan sebelumnya merupakan masukan bagi lapisan di mukanya, seperti terlihat pada Gambar 2. Gambar 2. Skema aringan syaraf tiruan umpan mau Dengan umlah aringan besar syaraf tiruan memiliki sifat fault-tolerant, yakni kerusakan pada sedikit atau sebagian kecil sel dalam aringan tidak akan banyak berpengaruh terhadap keluaran sistem [3]. JST dibangkitkan oleh serangkaian masukan yang masing-masing 3
4 menggambarkan keluaran neuron yang lain. Setiap masukan dikalikan dengan suatu faktor pembobot tertentu dan kemudian semua masukan terbobot itu diumlahkan untuk menentukan tingkat aktivitas suatu neuron, seperti terlihat pada Gambar 3. Gambar 3. Proses umpan mau di titik aktif Dengan demikian, secara matematis proses umpan mau dilihat dari satu titik aktif seperti yang terlihat pada Gambar 3, persamaan umumnya adalah : υ = w. x (1) ( l ) P i = 0 ( l ) i Dimana : = neuron pada lapisan tersembunyi ke-l l = lapisan tersembunyi x = masukan dari lapisan aktif υ = keluaran dari lapisan aktif w = bobot p = umlah neuron ( l 1 ) i Gambar 4. Jenis fungsi transfer yang bisa digunakan dalam aringan syaraf tiruan Jenis-enis fungsi yang bisa digunakan sebagai fungsi transfer JST dapat dilihat pada Gambar 4. 4
5 Fungsi sigmoid digunakan sebagai fungsi transfer dengan alasan bahwa fungsi sigmoid memiliki gradien yang proporsional dengan refleksi keluaran. Persamaan umum fungsi transfer sigmoid adalah : y = 1 1+ exp( υ ) (2) X 1 W11 Σ F Y1 W 12 W1n X2 W21 W22 Σ F Y1 W2n Wm1 X n Wm2 Wmn Σ F Yn Gambar 5. JST lapis tunggal. Gambar 6. Proses koreksi bobot pada JST Model JST yang telah digambarkan pada Gambar 5 di atas adalah model umpan mau tanpa umpan balik dari keluaran ke masukan, sedangkan sistem biologis menunukkan sifat umpan balik dimana skema numerik diperlihatkan pada Gambar 6. Karena itu, sistem JST memiliki umpan balik terhadap bobot yang akan mempengaruhi lapisan pertama dan 5
6 seterusnya sehingga dalam proses belaar selalu diberikan harga bobot yang teriterasi sampai mencapai suatu keadaan yang optimal [3,4]. Ralat global E pada lapisan keluaran aringan syaraf tiruan umpan mau adalah : E = 1 2 N ( d 2 ο ) (3) Dengan : d = keluaran yang diharapkan ο = keluaran JST Metode backpropagation bekera dari ralat keluaran aringan yang diumpankan ke belakang merambat sampai ke lapisan aktif terdepan. Algoritma dasar metode backpropagation memiliki beberapa kelemahan iterasi mundur [2,5,6], sehingga pada penguian digunakan metode backpropagation yang sudah dimodifikasi. Persamaan gradien lokal pada masing-masing lapisan aringan dapat ditulis sebagai berikut : p ( y ( n) ). δ ( n ) = y ( n).1 δ ( n). w ( n) (4) dimana : = posisi neuron pada lapisan tersembunyi l. k = posisi neuron pada lapisan tersembunyi (l+1). Penggunaan persamaan (3) untuk masing-masing lapisan aringan dimana l = L, sehingga gradien lokal dapat ditulis sebagai menadi : δ ( L) k ( l+ 1) k ( L) [ e ( n) ][. ο ( n) ]. [( 1 ο ( n) )] ( l+ 1) k ( n) = (5) dimana : = posisi neuron pada lapisan keluaran L. Dengan demikian, aliran proses generalisasi aringan pada lapisan tersembunyi l adalah sebagai berikut : w i ( l 1) ( n + 1) = w ( n) + α [ w ( n) w ( n 1)] + ηδ ( n). y ( n) (6) i i dimana : η = nilai lau belaar α = konstanta momentum Metode backpropagation yang akan diterapkan sudah diperbaiki untuk meningkatkan kinera JST secara signifikan dan persamaan lengkapnya adalah sebagai berikut [7] : w ( l ) i i ( l ) ( l 1) [( 1 α ) δ ( n) + ( n) ] ( l ) ( n + 1) = w ( n) η αδ (7) i i 6
7 Advanced Bp. Momentum Bp. Perbaikan Ralat Jumlah Iterasi Gambar 7. Karakteristik JST menggunakan backpropagation yang sudah dimodifikasi Penguian kinera aringan syaraf tiruan menggunakan persamaan baru hasil perbaikan persamaan dasar metode backpropagation terlihat pada Gambar 6 dimana terlihat karakteristik JST hasil modifikasi dibandingkan dengan persamaan hasil pengembangan terakhir (advanced backpropagation). Kehandalan metode hasil perbaikan dibandingkan dengan metode berbasis momentum term adalah faktor lau belaar yang bisa menggandakan kecepatan belaar meskipun hasil yang diberikan tidak signifikan. Dengan demikian, penggunaan backpropagation yang sudah diperbaiki akan menopang kehandalan sistem cerdas dalam hal kecepatan proses pengenalan pola. TATA KERJA Data masukan JST berumlah 8192 data sesuai dengan umlah kanal pada multi channel analyzer (MCA). Jumlah data ui yang digunakan adalah 50 data dan diklasifikasikan dalam 10 enis sumber radiasi, yaitu : 241 Am, 198 Au, 133 Ba, 60 Co, 137 Cs, 98 Mo, 22 Na, 45 Sc, 64 Zn, dan 94 Zr. Dengan demikian masing-masing klasifikasi memiliki 5 data hasil pencacahan. Dari tiap kelompok diambil satu data untuk pelatihan secara acak. Pola belaar menggunakan pola kompetisi penuh, sehingga hanya ada satu pemenang di antara 10 klasifikasi keluaran. Pola ini sangat cocok digunakan untuk pelatihan yang memiliki keluaran tunggal di mana hasil yang diharapkan hanya tebakan satu klasifikasi saa. Sedangkan pola semi kompetisi akan dikembangkan untuk mengantisipasi keluaran lebih dari satu, sehingga sangat bagus digunakan dalam identifikasi beberapa sumber radiasi sekaligus. 7
8 Penguian dilakukan dengan melakukan variasi parameter-parameter JST seperti momentum, lau belaar, umlah neuron, umlah lapisan tersembunyi. Kemudian dilanutkan dengan simulasi kemampuan fault tolerance dengan cara melakukan variasi umlah kerusakan sel pada lapisan masukan, lapisan tersembunyi bagian depan dan lapisan tersembunyi bagian belakang. HASIL DAN PEMBAHASAN Hasil penguian berupa variasi parameter-parameter JST seperti momentum, lau belaar, umlah neuron, umlah lapisan tersembunyi terlihat pada Tabel 1, Tabel 2, dan Gambar 3. Tabel 1. Hasil penguian dengan melakukan variasi terhadap momentum Variasi momentum berdasarkan nilai ralat = Parameter 0,00 0,05 0,10 0,15 0,20 α Tabel 2. Hasil penguian dengan melakukan variasi terhadap lau belaar Variasi lau belaar berdasarkan nilai ralat = Parameter 1,00 0,95 0,90 0,85 0,80 η Jumlah Iterasi Jumlah Neuron Gambar 8. Karakteristik neuron pada JST 8
9 Data pada Tabel 1 dan Tabel 2 memperlihatkan bahwa kita bisa mengambil nilai optimal JST, yaitu momentum optimal 0,05 dan lau belaar optimal 1,00. Parameter optimal ini menunukkan bahwa sistem optimal akan diperoleh bila digunakan lau belaar maksimal ditambah dengan sedikit percikan momentum. Kestabilan sistem sangat sensitif terhadap perubahan momentum. Hasil penguian pada Tabel 1 menunukkan bahwa semakin besar nilai momentum, proses sistem akan semakin lambat, padahal penambahan nilai momentum diharapkan mempercepat proses iterasi, yaitu dengan melakukan lompatan perkiraan harga mendekati posisi yang dicari. Namun saat posisi yang dicari berhasil didekati, iterasi beralan lambat karena lompatan harga menadi tidak beraturan. Kondisi yang lebih optimal akan diperoleh bila saat ralat sistem mendekati harga yang diinginkan, momentum secara otomatis mengecil sampai batas minimal, namun kondisi dinamis ini masih belum diterapkan. Hal sebaliknya teradi pada variasi lau belaar dimana hasilnya terlihat pada Tabel 2, semakin kecil harga lau belaar, proses sistem semakin tidak optimal. Hal ini lebih mudah dimengerti karena memaksimalkan lau belaar berarti memaksimalkan nilai optimal. Sedangkan penguian terhadap variasi umlah neuron terlihat pada Gambar 8 membentuk karakteristik neuron. Nilai optimal neuron sangat relatif, semakin besar umlah neuron akan berimbang dengan daya tampung untuk pustaka data baru, sebatas kecepatan proses bisa diterima dimana perbedaan kecepatan proses dengan umlah neuron antara relatif tidak signifikan. Bila sistem menggunakan neuron kurang dari 15, daya tampung pustaka sangat miskin sehingga sistem akan sulit konvergen karena nilai ralat yang diinginkan belum tercapai. Sebaliknya, bila sistem menggunakan neuron lebih dari 100, daya tampung pustaka sangat berlimpah sehingga mampu dilatih mengenali pola-pola baru dalam umlah banyak, tapi hal ini tidak efisien karena waktu proses belaar meningkat secara signifikan, padahal kebutuhan terhadap data baru sudah bisa diantisipasi oleh umlah neuron kurang dari 100. Lebar daerah kera menunukkan kemampuan JST menyesuaikan diri terhadap besarnya beban pelatihan. Hasil penguian berupa variasi terhadap umlah kerusakan sel pada lapisan masukan, kerusakan bobot bagian depan dan kerusakan bobot bagian belakang terlihat pada Tabel 3, Tabel 4 dan Tabel 5, sehingga diperoleh nilai maksimal fault tolerance secara berurutan masing-masing 35%, 17% dan 18%. Penelasan karakteristik kerusakan sel terhadap keberhasilan identifikasi terlihat pada Gambar 9 di bawah ini, dimana gambar ini merupakan penilaian global berdasarkan data pada Tabel 3, Tabel 4 dan Tabel 5. 9
10 Tabel 3. Hasil penguian dengan melakukan variasi terhadap umlah kerusakan sel pada lapisan masukan Parameter Jumlah kerusakan sel pada lapisan masukan 30 % 35 % 36 % 37 % 38 % 39 % 40 % 45 % 45 % Identifikasi 100 % 100 % 98 % 95 % 92 % 90 % 84 % 78 % 63 % Tabel 4. Hasil penguian dengan melakukan variasi terhadap umlah kerusakan sel pada bobot bagian depan Parameter Jumlah kerusakan sel pada lapisan tersembunyi 10 % 15 % 16 % 17 % 18 % 19 % 20 % 25 % 30 % Identifikasi 100 % 100 % 100 % 100 % 98 % 95 % 94 % 87 % 81 % Tabel 5. Hasil penguian dengan melakukan variasi terhadap umlah kerusakan sel pada bobot bagian belakang Parameter Jumlah kerusakan sel pada lapisan tersembunyi 10 % 15 % 16 % 17 % 18 % 19 % 20 % 25 % 30 % Identifikasi 100 % 100 % 100 % 100 % 100 % 98 % 96 % 88 % 83 % Hasil penguian kerusakan sel pada Tabel 3, Tabel 4 dan Tabel 5 terlihat bahwa kemampuan JST untuk mereduksi kerusakan sel sangat handal sekali yaitu 35%, 17% dan 18% untuk lapisan masukan, bobot bagian depan dan bobot bagian belakang. Karakteristik kerusakan sel pada lapisan masukan memberikan pengertian lain bahwa kesalahan teknis dan non teknis sehingga data yang diperoleh tidak baik masih dapat dianalisis dengan baik oleh JST, dimana maksimal kerusakan data adalah 35%. Dengan demikian, bila kerusakan data masukan berumlah 2867 (data masukan berumlah 8192), JST masih bisa melakukan analisis dengan baik dan benar. 10
11 Lapisan masukan Bobot bagian depan Bobot bagian belakang Persentase kerusakan sel Gambar 9. Karakteristik kerusakan sel JST pada lapisan masukan, lapisan tersembunyi bagian depan dan lapisan tersembunyi bagian belakang Hasil-hasil penguian parameter JST di atas merupakan data-data penting dalam pengembangan perangkat lunak berbasis JST untuk AAN, sehingga pada tahap tersebut pengenalan data sumber radiasi gamma menadi inti penelitian karena melibatkan data yang umlahnya sangat banyak. Secara umum, semua penguian parameter JST menggunakan pendekatan statis, dimana pendekatan dinamis akan bekera berbasis nilai optimal dari pendekatan statis. Dasar pendekatan dinamis adalah gerakan nilai parameter optimal, misalnya gerakan parameter momentum. Saat awal iterasi momentum bernilai maksimal dan semakin dekat dengan ralat yang dikehendaki, momentum akan terus berubah mengecil sampai pada batas minimal, yaitu 0. Secara keseluruhan, sistem JST yang digunakan memiliki beberapa nilai optimal yang spesifik terhadap kasus yang dihadapi. Sistem JST yang digunakan mengunakan JST yang sudah teroptimasi dan merupakan hasil pengembangan dari metode standart backpropagation. Sistem JST yang teroptimasi ini memiliki kehandalan yang sangat baik dimana perbedaan kecepatan backpropagation hasil pengembangan ini dibandingkan dengan backpropagation standart cukup luar biasa, yaitu mencapai % [7]. 11
12 KESIMPULAN JST mampu mengidentifikasi unsur-unsur yang ada dalam sampel dengan kehandalan mencapai 100%. Penguian JST menghasilkan data-data optimal yang membentuk karakteristik statis JST dimana data optimal tersebut adalah momentum = 0,05; lau belaar = 1,00; lapisan tersembunyi = 1; dan umlah neuron kera antara 15 sampai 100 neuron, sehingga lebar daerah kera menunukkan kemampuan JST menyesuaikan diri terhadap besarnya beban pelatihan. Kehandalan terhadap kerusakan sel sebagai ciri fault tolerance pada lapisan masukan, bobot bagian depan dan bobot bagian belakang secara berurutan adalah 35%, 17% dan 18%. UCAPAN TERIMA KASIH Ucapan terima kasih disampaikan kepada Bapak Balza Achmad yang membantu berupa saran pengembangan metode analisis serta staf BPTR atas dorongan kepada penulis. Ucapan terima kasih uga disampaikan kepada Kepala Pusat PPTRR atas kesempatan luas dalam mengembangkan JST. DAFTAR PUSTAKA 1. BOSE, NK and LIANG, P, Neural Network Fundamental With Graphs, Algorithms and Aplications, Mc Graw-Hill, Inc, NY USA SHOGO SUZUKI, The Development of Instrumental Neutron Activation Analysis for Environmental Samples Analysis, Edition I, HAYKIN S, Neural Networks, Macmillan College Publishing Company, NY USA, JEROMEL. DUGGAN, Laboratory Investigation in Nuclear Science, The Nucleus, Inc, Texas USA, SETIAWAN S, Mengenal Network Saraf, Andi Offset, Yogyakarta, SETIAWAN S, Artificial Intelegence, Andi Offset, Yogyakarta, SUBEKTI RM, Perbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer, Proceding Simposium Himpunan Fisika Nasional, Serpong,
Identifikasi Unsur-unsur Radioaktif dengan Menggunakan Jaringan Syaraf Tiruan
Identifikasi Unsur-unsur Radioaktif dengan Menggunakan Jaringan Syaraf Tiruan Rokhmadi 1 dan R. Muhammad Subekti 1 1. Pusat Pengembangan Teknologi Reaktor Riset (P2TRR) BATAN, Serpong Abstrak Jaringan
Lebih terperinciPerbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer
Perbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer R. Muhammad Subekti 1 1. P2TRR BATAN, Kompleks Puspiptek Gedung 31, Serpong, Tangerang 15310 Abstrak Algoritma umum metode
Lebih terperinciOPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK
OPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK ABSTRAK Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Algoritma umum metode propagasi
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK BERBASIS KECERDASAN BUATAN UNTUK ANALISIS KONDISI GINJAL PASIEN. R. Muhammad Subekti *
PENGEMBANGAN PERANGKAT LUNAK BERBASIS KECERDASAN BUATAN UNTUK ANALISIS KONDISI GINJAL PASIEN ABSTRAK R. Muhammad Subekti * PENGEMBANGAN PERANGKAT LUNAK BERBASIS KECERDASAN BUATAN UNTUK ANALISIS KONDISI
Lebih 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 terperinciPENGEMBANGAN PERANGKAT LUNAK UNTUK ANALISIS SPEKTRUM GAMMA HASIL AKTIVASI NEUTRON 1. R. Muhammad Subekti, Dhandhang Purwadi, Amir Hamzah, Kristedjo 2
PENGEMBANGAN PERANGKAT LUNAK UNTUK ANALISIS SPEKTRUM GAMMA HASIL AKTIVASI NEUTRON 1 R. Muhammad Subekti, Dhandhang Purwadi, Amir Hamzah, Kristedjo 2 ABSTRAK PENGEMBANGAN PERANGKAT LUNAK UNTUK ANALISIS
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 terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 004 Yogyakarta, 19 Juni 004 Klasifikasi Pola Menggunakan Jaringan Probabilistik Sri Kusumadewi Jurusan Teknik Informatika, Universitas Islam Indonesia Jl.
Lebih 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 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 terperinciPerbandingan Arsitektur Multilayer Feedforward Network dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array
Nico Saputro Perbandingan Arsitektur Multilayer Feedforard Netork dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array Abstrak Jaringan Syaraf Tiruan dapat diimplementasikan secara perangkat
Lebih terperinciKLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK
KLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK Sri Kusumadewi Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta cicie@fti.uii.ac.id ABSTRACT More application often used
Lebih terperinciIdentifikasi Unsur-Unsur Berdasarkan Spektrum Emisi Menggunakan Jaringan Syaraf Tiruan
Jurnal Sains & Matematika (JSM) ISSN 0854-0675 Volume 15, Nomor 1, Januari 2007 Artikel Penelitian: 9-14 Identifikasi Unsur-Unsur Berdasarkan Spektrum Emisi Menggunakan Jaringan Syaraf Tiruan Eko Prasetyo
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Kecerdasan Buatan (Artificial Intelligence) Kecerdasan buatan (Artificial Intelligence) adalah bagian dari ilmu komputer yang mempelaari bagaimana membuat mesin (komputer) dapat
Lebih 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 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 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 terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
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 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 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 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 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 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 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 terperinciSIMULASI EFISIENSI DETEKTOR GERMANIUM DI LABORATORIUM AAN PTNBR DENGAN METODE MONTE CARLO MCNP5
290 Simulasi Efisiensi Detektor Germanium Di Laboratorium AAN PTNBR Dengan Metode Monte Carlo MCNP5 ABSTRAK SIMULASI EFISIENSI DETEKTOR GERMANIUM DI LABORATORIUM AAN PTNBR DENGAN METODE MONTE CARLO MCNP5
Lebih terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih 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 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 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 terperinciESTIMASI PERMEABILITAS RESERVOIR DARI DATA LOG MENGGUNAKAN JARINGAN SYARAF TIRUAN PADA FORMASI MENGGALA PT CHEVRON PACIFIC INDONESIA
ESTIMASI PERMEABILITAS RESERVOIR DARI DATA LOG MENGGUNAKAN JARINGAN SYARAF TIRUAN PADA FORMASI MENGGALA PT CHEVRON PACIFIC INDONESIA Liana Zamri *, Juandi M, Muhammad Edisar Jurusan Fisika Fakultas Matematika
Lebih 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 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 terperinciANALISA PREDIKSI TINGKAT PENGANGGURAN DENGAN JARINGAN SYARAF TIRUAN
Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: 907-5022 Yogyakarta, 6 Juni 2007 ANALISA PREDIKSI TINGKAT PENGANGGURAN DENGAN JARINGAN SYARAF TIRUAN Prisa Marga Kusumantara, I Gede
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 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 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 terperinciKLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Siti Amiroch Universitas Islam Darul Ulum Lamongan, amirast_117@yahoo.com Abstract. In the stock market, stock price prediction is
Lebih 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 terperinciSIMULASI PENGUKURAN EFFISIENSI DETEKTOR HPGe DAN NaI (Tl) MENGGUNAKAN METODE MONTE CARLO MCNP5
ABSTRAK SIMULASI PENGUKURAN EFFISIENSI DETEKTOR HPGe DAN NaI (Tl) MENGGUNAKAN METODE MONTE CARLO MCNP5 Annisatun Fathonah dan Suharyana Jurusan Fisika FMIPA Universitas Sebelas Maret Jl. Ir Sutami No.36
Lebih terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
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 terperinciMILIK UKDW. Bab 1 PENDAHULUAN. 1.1 Latar Belakang
Bab 1 PENDAHULUAN 1.1 Latar Belakang Beberapa tahun belakangan ini, jaringan syaraf tiruan telah berkembang dengan pesat. Berbagai aplikasi telah memanfaatkan jaringan syaraf tiruan dalam penerapannya,
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 terperinciIMPLEMENTASI JARINGAN SARAF TIRUAN HAMMING DALAM KASUS PENGENALAN POLA ANGKA DAN HURUF. Oleh : M. Husaini., S.T., M.T Dosen IAIN Bandar Lampung
IMPLEMENTASI JARINGAN SARAF TIRUAN HAMMING DALAM KASUS PENGENALAN POLA ANGKA DAN HURUF Oleh : M. Husaini., S.T., M.T Dosen IAIN Bandar Lampung 1. ABSTRAKSI Jaringan Saraf Tiruan (JST) mempunyai prinsip
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 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 terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
Lebih terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
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 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 terperinciSIMULASI KURVA EFISIENSI DETEKTOR GERMANIUM UNTUK SINAR GAMMA ENERGI RENDAH DENGAN METODE MONTE CARLO MCNP5
SIMULASI KURVA EFISIENSI DETEKTOR GERMANIUM UNTUK SINAR GAMMA ENERGI RENDAH DENGAN METODE MONTE CARLO MCNP5 Rasito, P. Ilham Y., Muhayatun S., dan Ade Suherman Pusat Teknologi Nuklir Bahan dan Radiometri
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 terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciBAB 1 PENDAHULUAN. datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk
BAB 1 PENDAHULUAN 1.1. Latar Belakang Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan kecerdasan buatan yang semakin pesat dewasa ini ditunjukkan oleh aplikasinya diberbagai bidang. Salah satu cabang dari kecerdasan buatan yang sudah dikenal
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciBAB 2 LANDASAN TEORI
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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
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 terperinciPENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN. Disusun oleh : Mario Herryn Tambunan ( )
PENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN Disusun oleh : Mario Herryn Tambunan (1022056) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
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 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 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 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 terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
Lebih terperinciANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD SKRIPSI
ANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD SKRIPSI SISKA MELINWATI 061401040 PROGRAM STUDI SARJANA ILMU KOMPUTER DEPARTEMEN
Lebih terperinciANALISIS DAN PERANCANGAN JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION PADA APLIKASI PENGENALAN TANDA TANGAN
Analisis dan Perancangan Tanda Tangan Wilis K, Fani W, Heru Cahya R ANALISIS DAN PERANCANGAN JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION PADA APLIKASI PENGENALAN TANDA TANGAN Wilis Kaswidjanti,
Lebih terperinciPengenalan Pola Angka Menggunakan Back Propagation Neural Network Agus Purwo Handoko 4)
ISSN : 1693 1173 Pengenalan Pola Angka Menggunakan Back Propagation Neural Network Agus Purwo Handoko 4) Abstrak Jaringan perambatan mundur (Back Propagation Neural Network ) dilatih dengan metode belaar
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION ABSTRAK Eka Putri Tambun (0722118) Jurusan Teknik Elektro Universitas Kristen
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
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 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 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 terperinciFarah Zakiyah Rahmanti
Farah Zakiyah Rahmanti Latar Belakang Struktur Dasar Jaringan Syaraf Manusia Konsep Dasar Permodelan JST Fungsi Aktivasi JST Contoh dan Program Jaringan Sederhana Metode Pelatihan Supervised Learning Unsupervised
Lebih terperinciDIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
DIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Bambang Yuwono 1), Heru Cahya Rustamaji 2), Usamah Dani 3) 1,2,3) Jurusan Teknik Informatika UPN "Veteran" Yogyakarta
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 terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih 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 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 terperinciEVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN (Studi Kasus pada Pengenalan Karakter Angka Tulisan Tangan) Iwan Suhardi Jurusan Teknik
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih 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 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 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 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 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 terperinciSLOPE CORRECTION PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
SLOPE CORRECTION PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Disusun Oleh : Apriliyanto Taufik Betama (1022070) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. drg. Suria Sumantri, MPH, No.
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 terperinciPENERAPAN METODE NEURAL NETWORK DENGAN STRUKTUR BACKPROPAGATION UNTUK PREDIKSI STOK OBAT DI APOTEK (STUDI KASUS : APOTEK ABC)
Seminar Nasional Aplikasi Teknologi Informasi 0 (SNATI 0) ISSN: 907-50 ogyakarta, 7-8 Juni 0 PENERAPAN METODE NEURAL NETWORK DENGAN STRUKTUR BACKPROPAGATION UNTUK PREDIKSI STOK OBAT DI APOTEK (STUDI KASUS
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 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 I PENDAHULUAN. paling parah dan paling lama tingkat pemulihannya akibat krisis keuangan
BAB I PENDAHULUAN 1.1 Latar Belakang Krisis keuangan yang terjadi di Asia pada pertengahan tahun 1997 diawali di Thailand dan merembet ke berbagai negara di Asia lainnya seperti di Indonesia, Malaysia,
Lebih terperinciPEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG
PEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG T 610.28 PUT Abstrak Penelitian ini bertujuan untuk memperlihatkan suatu metoda pengenalan multi pola dari
Lebih terperinci