Analisis dan Implementasi Algoritma Differential Evolution Pada Jaringan Syaraf Tiruan Studi Kasus Prediksi Masa Studi Mahasiswa
|
|
- Suparman Atmadja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Analisis dan Implementasi Aloritma Differential Evolution Pada Jarinan Syaraf Tiruan Studi Kasus Prediksi Masa Studi Mahasiswa Fahrudin Julianto 1, Jondri MSi 2, Rita Rismala ST.,MT 3 Fakultas Informatika Telkom University Jln. Telekomunikasi No.1 Kabupaten Bandun 1 fahrudin.julianto@mail.com 2 jondri@telkomuniversity.ac.id 3 rrs@telkomuniversity.ac.id Abstrak Lama masa studi mahasiswa merupakan salah satu parameter pentin dalam evaluasi performansi studi mahasiswa. Untuk itu, sanatlah wajar jika prediksi lama masa studi mahasiswa dibutuhkan oleh manajemen peruruan tini. Pada penelitian ini dibanun sistem prediksi menunakan Jarinan Syaraf Tiruan denan Differential Evolution sebaai aloritma pelatihannya. Differential Evolution merupakan salah satu dari Evolution Alorithms, aloritmaaloritma optimasi yan berbasis evolusi bioloi yan ada di dunia nyata. Berbeda denan metode Evolution Alorithms lainnya yan menunakan mutasi acak, pada Different Evolution, mutasi yan dilakukan adalah mutasi semi terarah. Hal ini sanat mempenaruhi pencarian solusi yan terbukti lebih cepat dibandinkan Genetik Alorithm dan Evolution Strateies. Differential Evolution jua cepat konveren dan sanat mudah diunakan. Data yan diunakan pada penelitian ini adalah data akademik yan berupa data Kartu Hasil Studi mahasiswa. Variabel yan diunakan sebaai input untuk sistem yan dibanun adalah nilai beberapa mata kuliah tahun pertama dan tahun kedua beserta berapa kali setiap mahasiswa menambil mata kuliah tersebut denan output sistem prediksi adalah mahasiswa lulus tepat waktu dan mahasiswa lulus tidak tepat waktu. Akurasi terbaik yan dihasilkan dari sistem yan dibanun adalah 75,9726. Kata Kunci : Differential Evolution, Jarinan Syaraf Tiruan, prediksi masa studi mahasiswa. Abstract Study period is one of the important parameters in the evaluation of student performance. Therefore, it is natural that study period is required by university manaement. In this research, prediction system is built by usin Artificial Neural Networks with Differential Evolution as it s alorithm. Differential Evolution is one of the Evolution Alorithms, optimization alorithm based on evolutionary bioloy that exist in the real world. In contrast to others Evolution Alorithms that use random mutation, at Differential Evolution, mutation is carried out semi-directed mutation that can reatly affect the search for solutions that proved faster than Genetic Alorithm and Evolution Strateies. Differential Evolution is fast converence and easy to use. The data used in this final project is academic data in the form of Kartu Hasil Studi. Variables are used as inputs to the prediction system is the value of several courses in the first and second years alon with the number of times each student took the course. The output of prediction system is the students who raduate on time and the students who do not raduate on time. The best accuration produced by sistem is 75,9726. Keywords: Artificial Neural Networks, Differential Evolution, study period. 1. Pendahuluan Semakin ketatnya persainan dalam mendapatkan lapanan pekerjaan menuntut peruruan tini menhasilkan sarjana yan berkualitas dan berdaya sain [3]. Oleh sebab itu, dalam manajemen pendidikannya, setiap peruruan tini selalu melakukan evaluasi performansi mahasiswa. Lama masa studi mahasiwa merupakan salah satu parameter pentin dalam evaluasi performansi studi
2 mahasiswa. Mampu memprediksi masa studi mahasiswa akan memberikan manfaat yan besar bai peruruan tini. Selanjutnya, prediksi masa studi mahasiswa dapat diunakan sebaai acuan dalam menevaluasi proses pendidikan, kurikulum pendidikan dan kebijakan-kebijakan lain yan terkait performansi mahasiswa secara keseluruhan [2]. Beberapa penelitian terkait prediksi masa studi mahasiswa diantaranya adalah Prediksi Potensi Drop Out Mahasiswa denan sistem yan dibanun denan Evolvin fuzzy menunakan variabel prediktor IPK dan TPA (Tes Potensi Akademik) [1]. Penelitian lainnya adalah Prediksi Kelulusan Tepat Waktu yan dibanun denan NEFCLASS menunakan prediktor IPK dan beberapa variabel hasil analisis terhadap data mata kuliah tahun pertama (TPB) [2]. Menacu pada penelitian-penelitian tersebut dan masih terus berkembannya penelitian tentan prediksi masa studi mahasiswa, pada penelitian ini penulis membanun sistem prediksi masa studi mahasiswa denan output berupa lulus tepat waktu dan lulus tidak tepat waktu. Variabel input yan diunakan adalah nilai beberapa mata kuliah tahun pertama dan tahun kedua beserta berapa kali setiap mahasiswa menambil mata kuliah tersebut. Model prediksi yan diunakan adalah Jarinan Syaraf Tiruan (JST) denan aloritma pelatihan adalah Differential Evolution (DE).DE merupakan salah satu aloritma optimasi yan berbasis evolusi bioloi yan ada di dunia nyata.[8] Berbeda denan metode EAs lainnya yan menunakan mutasi acak. Pada DE, mutasi yan dilakukan adalah mutasi semi terarah denan menunakan differential mutation [8]. DE bisa menemukan minimum lobal dari funsi multidimensional dan multimodal denan probabilitas yan tini tanpa terpenaruh oleh nilai parameter awal.[8] DE baik diunakan untuk masalah optimasi bernilai real dan cepat konveren.[6][8] 2. Dasar Teori 2.1 Jarinan Syaraf Tiruan Jarinan syaraf tiruan (JST) adalah sistem penolah informasi yan meniru sistem syaraf manusia[7]. Sama seperti sistem syaraf manusia yan tersusun oleh neuron, JST jua tersusun oleh perceptron (neuron pada JST) sebaai unit pemrosesan informasi yan merupakan dasar dari operasi JST [7] Model Neuron Terdapat tia elemen dasar dari model neuron, yaitu[7] : a. Sekumpulan sinapsis yaitu jalur penhubun antar neuron, dimana masin-masin sinapsis memiliki kekuatan hubunan atau bobot. b. Suatu adder untuk menjumlahkan sinyalsinyal input yan sudah dikalikan denan bobot sinapsis yan sesuai. c. Suatu funsi aktivasi untuk menentukan output berdasarkan dari hasil penjumlahan sinyal-sinyal input denan bobot sinapsis yan sesuai. Contoh model neuron[7] : Gambar 2.1 model neuron Funsi Aktivasi Funsi aktivasi diunakan untuk menentukan output dari suatu neuron[9]. Beberapa funsi aktivasi yan serin diunakan pada JST, antara lain : a. Funsi Hard Limit b. Funsi Symmetric Hard Limit c. Funsi Linear d. Funsi Simoid Biner e. Funsi Simoid Bipolar Arsitektur Jarinan Beberapa arsitektur jarinan yan serin dipakai dalam JST antara lain[7] : a. Sinle-Layer Network Sekumpulan unit/neuron pada input layer dihubunkan denan sekumpulan unit pada output layer. Setiap unit input diproyeksikan denan semua unit output. b. Multi-Layer Network Jarinan denan satu atau lebih hidden layer. Setiap unit input diproyeksikan ke semua hidden unit pada hidden layer dan setiap hidden unit diproyeksikan ke setiap unit output. Jika hidden layer lebih dari satu, maka setiap unit input diproyeksikan ke semua hidden unit pada hidden layer pertama, kemudian setiap hiddenunit pada layer pertama diproyeksikan ke semua hidden unit pada hidden layer berikutnya dan seterusnya sampai hidden layer terakhir dan kemudian
3 dilanjutkan denan proyeksi dari hidden unit pada hidden layer terakhir ke semua unit output. c. Recurrent Network Jarinan yan mempunyai minimal satu feedback loop. Recurrent network bisa terdiri dari satu atau lebih layer. Unit output pada pada jarinan ini memberikan kembali outputnya sebaai sinyal input pada semua unit input Proses Pelatihan Proses pelatihan pada JST dapat didefinisikan sebaai suatu proses dimana parameter-parameter bebas JST diadaptasikan melalui suatu proses peransanan berkelanjutan oleh linkunan dimana jarinan berada [7]. Jenis pelatihan pada JST yaitu[7] : a. Supervised Learnin (Pelatihan denan penawasan) Dalam poses pelatihan ini, JST diberikan suatu ransanan dari linkunan dimana penetahuan tentan linkunan tersebut sudah diketahui (biasa direpresentasikan denan input-output). Denan ransanan tersebut JST akan memberikan respon. Respon tersebut merepresentasikan aksi yan dilakukan oleh JST. Parameter-parameter JST berubah-ubah berdasarkan ransanan dan sinyal kesalahan (sinyal kesalahan adalah perbedaan antara output JST dan output yan diininkan). Sinyal kesalahan diunakan sebaai umpan balik ke jarinan. Proses perubahan ini dilakukan terusmenerus sampai JST mampu memetakan sekumpulan input-output denan akurasi yan tini. b. Unsupervised Learnin (Pelatihan tanpa penawasan) Dalam proses pelatihan ini, terdapat suatu layer pada jarinan dimana neuron-neuronnya bersain meraih kesempatan untuk memberikan respon kepada jarinan tentan ciri khas dari data masukan. Berdasarkan dari ciriciri yan diberikan oleh neuron tersebutlah, jarinan menhasilkan output. 2.2 Differential Evolution Defferential Evolutian (DE) merupakan suatu metode optimasi denan pendekatan heuristik untuk mencari nilai minimum dari funsi ruan kuntinyu yan nonlinier dan non-differentiable. DE merupakan salah satu dari Evolution Alorithms, aloritma-aloritma optimasi meta-heuristic yan berbasis mekanisme evolusi bioloi yan ada di dunia nyata seperti mutasi, perkawinan atau rekombinasi, seleksi alam dll[8]. DE bisa menemukan minimum lobal dari funsi multidimensional dan multimodal denan probabilitas yan tini[8]. DE mencari nilai minimum secara paralel menunakan sejumlah individu dalam suatu populasi. Pada DE, individuindividu direpresentasikan denan nilai-nilai real yan bisa dipandan sebaai suatu vektor. Individu baru didapatkan denan menunakan perhitunan tertentu berbasis pada perbedaan jarak vektor antar individu oran tua[8]. DE menunakan sejumlah NP vektor parameter sebaai suatu populasi pada setiap enerasi G. X i,g, i =, 1, 2,..., NP-1 (2.1) Selama proses pencarian nilai minimum (minimasi), vektor parameter tetap berjumlah NP. Populasi awal dibankitkan secara acak[8] Representasi individu DE menunakan representasi bilanan real untuk merepresentasikan individu ke dalam bentuk kromosom denan en-en yan bernilai real dimana individu bisa dipandan sebaai suatu vektor[5]. Perbedaan antara dua individu dapat dihitun sebaai jarak antara dua vektor [5] Seleksi oran tua Pemilihan oran tua dilakukan denan probabilitas yan sama untuk setiap individu tanpa memperhatikan nilai fitness-nya[8]. Pemilihan oran tua dilakukan denan menunakan distribusi uniform[8] Differential Mutation Differential mutation merupakan proses untuk membankitkan vektor individu baru denan melibatkan individu oran tua [8]. Ada beberapa skema DE untuk membankitkan vektor individu baru. Skema DE yan diunakan pada penelitian ini adalah Skema DE2. Skema DE2 melibatkan empat individu sebaai oran tua dimana tia individu merupakan individu yan dipilih secara acak dan satu individu merupakan veektor terbaik pada enerasi saat ini. Pada skema DE2, differential mutation dilakukan berdasarkan rumus : v = x r1,g + λ. (x best,g x r1,g ) + F. (x r2,g x r3,g ) (2.2) Dimana : x best,g adalah individu terbaik saat ini r 1, r 2, r 3 [, NP-1] dan r i adalah inteer, F >. r 1, r 2, r 3 adalah bilanan inteer, dimana satu denan yan lain tidak boleh sama nilainya dan dipilih secara acak dalam interval [, NP-1]. Ketia bilanan tersebut menyatakan indeks oran tua dan bisa berbeda untuk setiap proses pembankitan individu baru.
4 F adalah suatu bilanan real dan merupakan konstanta yan menontrol penuatan differential variation (x r2,g x r3,g ). λ adalah suatu variabel kontrol bernilai real yan diunakan untuk mempertajam arah pencarian yan berhubunan denan vektor terbaik saat ini[8]. Berikut adalah ilustrasi proses differential mutation skema DE2 : vektor x i,g akan tetap muncul pada enerasi berikutnya[8] Proses evolusi pada Differential Evolution Berikut adalah proses evolusi pada DE[4] : inisialisasi populasi Seleksi oran tau selesai Diferential mutation Selesi survivor rekombinasi Gambar 2.3 proses evolusi pada Gambar 2.2 proses differential mutation skema DE Rekombinasi Untuk meninkatkan keberaaman vektor-vektor parameter, maka vektor v hasil differential mutation direkombinasikan denan suatu vektor sembaran dalam populasi, misal vektor x i,g. Proses rekombinasi menhasilkan vektor baru u seperti berikut[8] : u = (u 1, u 2,..., u D ) rekombinasi dilakukan denan cara : u j = v j, untuk j = <n> D, <n+1> D,..., <n+l-1> D dan u j = untuk j yan lainnya dimana: simbol <> D menyatakan funsi modulo denan modulus D. Modulo adalah suatu funsi denan output sisa pembaian. contoh : <8> 3 = 2. n merupakan bilanan bulat yan dipilih secara acak dalam interval [, D-1]. L merupakan bilanan bulat yan dipilih secara acak dalam interval [, D-1] denan probabilitas Pr (L=v) = (CR) v dimana CR [,1] adalah probabilitas crossover. Pembankitan bilanan acak untuk n dan L dilakukan untuk setiap pembankitan vektor baru v [8] Seleksi survivor Vektor hasil rekombinasi u akan menantikan vektor x i,g pada enerasi berikutnya jika u menhasilkan nilai yan lebih baik daripada vektor v i,g. Tetapi jika u memberikan nilai yan lebih buruk, maka u tidak menantikan vektor x i,g yan berarti 3. Perancanan Sistem Pada penelitian ini dibanun sistem prediksi masa studi mahasiswa menunakan Jarinan Syaraf Tiruan denan aloritma pelatihan Differential Evolution untuk menoptimasi bobot-bobot jarinan pada Jarinan Syaraf Tiruan. Berikut ini adalah alur sistem yan dibanun : Gambar 3.1 Alur sistem prediksi masa studi mahasiswa. Dilakukan preprocessin terhadap parameterparameter yan diunakan sebaai input sistem. Selanjutnya, hasil preprocessin diunakan sebaai inputan JST untuk membankitkan bobot-bobot jarinan. Pembankitan bobot-bobot jarinan dilakukan secara berulan sejumlah populasi dari DE yan diininkan. Setiap bobot-bobot hasil pembankitan JST didekodekan menjadi sebuah kromosom. Selanjutnya kromosom-kromosom hasil decode diunakan untuk proses DE. Proses DE menhasilkan kromosom yan berisi bobot-bobot yan optimal. Selanjutnya, bobot-bobot yan optimal
5 hasi proses DE tersebut diunakan pada JST untuk diuji akurasi system yan dibanun. 4. Hasil Penujian Proses penujian diunakan untuk menetahui parameter-parameter apa saja yan mempenaruhi performansi sistem yan dibanun. Performansi sistem diukur berdasarkan akurasi data testin. Berikut ini adalah scenario penujian dan hasil penujian dari sistem yan dibanun : 4.1 Skenario 1 parameter-parameter yan dibandinkan adalah : a. Persentase data dan testin = 5-5 dan 8-2 b. Jumlah neuron pada hidden layer = 5 dan 15 c. Jumlah populasi DE = 5 dan 1 d. Epoch DE = 5 dan 1 e. Denan menunakan parameter CR =,8, F =,8 dan lambda =,8 Tabel 4.1 hasil penujian 1 Neu ron pada hidd en Persen tase data Popu lasi DE Epo ch DE Max fitne ss DE Akur asi data traini n Akur asi data testi n , ,8 84 7, , , , , , , , , , , , , , , , , , , , , , , , , , ,5 21 8, , , , , , , , , , , ,1 67, ,9 77,7 69, Skenario 2 parameter yan dibandinkan adalah parameter mutasi pada DE yaitu Crossover Rate, F, dan lambda. Untuk jumlah populasi, jumlah epoch pada DE, jumlah hidden neuron pada JST dan persentase data dan data testin, akan menunakan hasil dari penujian skenario 1. Adapun nilai dari parameter-parameter yan dibandinkan adalah : a. Nilai Crossover Rate yaitu,1,,5 dan,8 b. Nilai F yaitu,1,,5 dan,8 c. Nilai lambda yaitu,1,,5 dan,8 Crossov er Rate F Tabel 4.2 hasil penujian 2 Lam bda Max fitness Akuras i data Akuras i data testin,1,1,1 85,813 79,591 69,178,1,1,5 86,261 8,442 69,178,1,1, ,442 71,917,1,5,1 86,628 8,272 69,178,1,5,5 87,1 81,972 71,917,1,5,8 87,193 81,462 73,972, ,636 79,61 71,917,1,8.5 86,654 81,972 71, ,912 81,632 73,287,5,1,1 82,513 73,129 71,232,5,1,5 81,167 69,387 69,178,5,1,8 82,39 7,918 71,917,5,5,1 87,119 8,442 69,863,5,5,5 87,61 82,142 7,547,5,5,8 87,28 81,82 72,62,5,8,1 83,736 77,381 67,123,5,8,5 85,247 79,591 6,274,5,8,8 86, ,88,8,1,1 81,77 69,727 69,178,8,1,5 8,39 69,287 69,178,8,1,8 8,99 69,387 69,178,8,5,1 89,592 86,94 67,88,8,5,5 85,488 78,571 69,863,8,5,8 84,344 77,721 72,62,8,8,1 83,666 77,21 72,62,8,8,5 86,654 81,972 71,232,8,8,8 85,362 79,251 75, Skenario 3 Pada skenario 3, dilakukan prediksi masa studi mahasiswa menunakan Jarinan Syaraf Tiruan denan aloritma pelatihan BackPropaation. Parameter-pamameter pada Jarinan Syaraf Tiruan
6 denan aloritma pelatihan Back Propaation sama seperti parameter pada Jarinan Syaraf Tiruan denan aloritma pelatihan Differential Evolution. Parameter-parameter itu adalah : a. Persentase data dan testin = 5-5 dan 8-2 b. Jumlah neuron pada hidden layer = 5 dan 15 c. Epoch DE = 5 dan 1 d. Learnin rate =,2,,5 dan,8 Tujuan dari skenario 3 adalah sebaai pembandin untuk menetahui performansi sistem prediksi yan dibanun menunakan Jarinan Syaraf Tiruan denan aloritma pelatihan Differential Evolution dilihat dari akurasi sistem prediksi yan dihasilkan oleh Jarinan Syaraf Tiruan denan aloritma pelatihan Back Propaation. Jumla h hidde n Tabel 4.3 hasil penujian skenario 3 Data epoc h Learnin Rate akuras i data Akura si data testin Kesimpulan dan Saran 5.1 Kesimpulan a. Differential Evolution bisa diunakan untuk proses pelatihan pada Jarinan Syaraf Tiruan. Berdasarkan hasil penelitian, akurasi yan dihasilkan Jarinan Syaraf Tiruan denan menunakan aloritma Differential Evolution berada dalam rentan nilai yan mirip denan akurasi yan dihasilkan oleh Jarinan Syaraf Tiruan denan aloritma Back Propaation yan biasa diunakan untuk aloritma pelatihan Jarinan Syaraf Tiruan. b. Parameter F yan menyatakankonstanta yan menontrol penuatan differential variationpada Differential Evolutiondan lambda yan menyatakan variabel kontrol yan diunakan untuk mempertajam arah pencarian yan berhubunan denan vektor terbaik saat iniadalah parameter yan mempunyai penaruh yan dominan dalam proses pelatihan c. Akurasi prediksi terbaik yan dihasilkan dari penujian adalah 75, Saran a. Menunakan metode preprocessin tertentu untuk menolah data mentah b. Menunakan aloritma pelatihan yan lain untuk proses pelatihan pada JST c. Menunakan data dan data testinyan lebih banyak d. Memprediksi masa studi mahasiswa denan output berupa tahun atau semester yan ditempuh mahasiswa. Daftar Pustaka [1] Adha, Rahmadhil Penunaan Aloritma Genetika dan Sistem Fuzzy Untuk Prediksi Potensi Drop Out Mahasiswa IT Telkom 211 [2] Fatriandini, Serli Pembanunan Model Prediksi Kelulusan Tepat Waktu menunakan Neuro Fuzzy. Bandun. Universitas Telkom [3] Meinanda, dkk. 29. Prediksi Masa Studi Sarjana denan Artificial Neural Network. Bandun. Institut Teknoloi Bandun [4] Rizki Syaherli Chan, Mohd Analisis dan Implementasi Differential Evolution untuk optimasi Artificial Neural Networks pada Prediksi Konsumsi Bahan Bakar Minyak. Bandun. Universitas Telkom [5] Rismala, Rita Analisis Perbandinan Evolution Strateies dan differential Evolution pada Prediksi Data Time Series Studi Kasus Kurs Jual Emas. Bandun. Institut Teknoloi Telkom [6] Sttart, Abdul. 28. Differential Evolution for Neural Networks Learnin Enhancement. Malaysia. Universiti Teknoloi Malaysia [7] Suyanto.ST,. MSc 211. Artificial Intellience Searchin, Reasonin, Plannin dan Learnin. Bandun. Informatika [8] Suyanto.ST., MSc 28. Evolutionary Computation Komputasi Berbasi Evolusi dan Genetika. Bandun. Informatika
7 [9] Wisesty, Untari Novia. 21. Analisis dan Implementasi Aloritma Conjuate Gradient Polak Ribiere Untuk Pelatihan Backpropaation Studi Kasus Sistem Peramalan Temperatur Udara. Bandun. Institut Teknoloi Telkom [1] diakses pada tanal 25 Maret 214
BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai konsep dasar masalah. penjadwalan kuliah, algoritma memetika serta komponen algoritma
BAB II LANDASAN TEORI Pada bab ini akan dibahas menenai konsep dasar masalah penjadwalan kuliah, aloritma memetika serta komponen aloritma memetika. Aoritma memetika diilhami dari proses evolusi makhluk
Lebih terperinciPerancangan Model Sistem Prediksi Nilai Tukar Rupiah terhadap Dollar Amerika Menggunakan Jaringan Syaraf Tiruan QuickPropagation
ISSN : 3-36 e-proceeding of Engineering : Vol., No. Desember 4 Page 764 Perancangan Model Sistem Prediksi Nilai Tukar Rupiah terhadap Dollar Amerika Menggunakan Jaringan Syaraf Tiruan QuickPropagation
Lebih terperinciPrediksi Data Time Series Tingkat Inflasi di Indonesia dengan Menggunakan Differential Evolution
Data Time Series Tingkat Inflasi di Indonesia dengan Menggunakan Differential Evolution Rita Rismala, S.T. 1, Suyanto, S.T., M.Sc., Retno Novi Dayawati, S.Si., M.T. 1,, Institut Teknologi Telkom 1 rismala.rita@gmail.com,
Lebih terperinciANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM)
ANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM) Hanura Ian Pratowo¹, Retno Novi Dayawati², Agung Toto Wibowo³ ¹Teknik Informatika,,
Lebih terperinciPREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION
PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION (NEFCLASS) (STUDI KASUS: PROGRAM STUDI S1 TEKNIK INFORMATIKA, UNIVERSITAS TELKOM) Rita Rismala 1, Serli Fatriandini 2, Retno
Lebih terperinciPERANCANGAN PENGATURAN DURASI LAMPU LALU LINTAS ADAPTIF
PERANCANGAN PENGATURAN DURASI LAMPU LALU LINTAS ADAPTIF Rudericus Andika Pramudya, Mahmud Imrona 2, Fhira Nhita 3,2,3 Prodi S Teknik Informatika, Fakultas Teknik, Universitas Telkom rudericusdika@gmail.com,
Lebih terperinciPREDIKSI TIME SERIES TINGKAT INFLASI INDONESIA MENGGUNAKAN EVOLUTION STRATEGIES
PREDIKSI TIME SERIES TINGKAT INFLASI INDONESIA MENGGUNAKAN EVOLUTION STRATEGIES Universitas Telkom Jl.Telekomunikasi No. 1, Terusan Buah Batu, Bandung ritaris@telkomuniversity.ac.id Abstrak Prediksi tingkat
Lebih terperinciMENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB
POLITEKNOSAINS VOL. X NO. 2 Juni 2011 MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB Yaya Finayani Teknik Elektro, Politeknik Pratama Mulia, Surakarta 57149, Indonesia ABSTRACT
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciPREDIKSI TINGKAT INFLASI DI INDONESIA BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA. Rita Rismala 1, Said Al Faraby 2
PREDIKSI TINGKAT INFLASI DI INDONESIA BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA Rita Rismala 1, Said Al Faraby 2 1,2 Prodi S1 Informatika, Fakultas Informatika, Universitas Telkom 1 ritaris@telkomuniversity.ac.id,
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciBAB 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 terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB 2 LANDASAN TEORI. 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 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciOPTIMASI HASIL PREDIKSI KETERSEDIAAN ENERGI SUMBER DAYA MINERAL MENGGUNAKAN ALGORITMA GENETIKA
OPTIMASI HASIL PREDIKSI KETERSEDIAAN ENERGI SUMBER DAYA MINERAL MENGGUNAKAN ALGORITMA GENETIKA Eka Handayani 1, Jondri,Drs.,M.T. 2, Siti Sa adah,s.t.,m.t. 3 1,2,3 ProdiS1 Teknik Informatika, Fakultas Teknik,
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4B3 SOFT COMPUTING Disusun oleh: Syahrul Mubarok PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR PENGESAHAN Rencana Pembelajaran
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 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 terperinciPREDICTION OF AGRICULTURAL COMMODITIES PRICE USING HYBRID RADIAL BASIS FUNCTION NEURAL NETWORK WITH GENETIC ALGORITHM
PREDIKSI HARGA KOMODITAS PERTANIAN MENGGUNAKAN HYBRID ALGORITMA JARINGAN SYARAF TIRUAN ARSITEKTUR RADIAL BASIS FUNCTION (RBF) DENGAN ALGORITMA GENETIKA PREDICTION OF AGRICULTURAL COMMODITIES PRICE USING
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
Lebih 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 terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih 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 terperinciKETERAMPILAN BERPIKIR TINGKAT TINGGI PESERTA DIDIK SMA PADA PEMBELAJARAN KONSEPPROTISTAMELALUI PENDEKATAN INKUIRI TERBIMBING. Oleh : Fathul Zannah *
KETERAMPILAN BERPIKIR TINGKAT TINGGI PESERTA DIDIK SMA PADA PEMBELAJARAN KONSEPPROTISTAMELALUI PENDEKATAN INKUIRI TERBIMBING Oleh : Fathul Zannah * Abstrak Keiatan pembelajaran di SMAN 2 Banjarbaru sudah
Lebih terperinciPenerapan Algoritme Genetika Pada Kasus Optimasi Penentuan Bibit dan Pemerataan Subsidi pupuk (Studi Kasus: Desa Pandansari, Kabupaten Kediri)
Jurnal Penembanan Teknoloi Informasi dan Ilmu Komputer eissn: 2548964X Vol. 2, No. 5, Mei 2018, hlm. 18031812 http://jptiik.ub.ac.id Penerapan Aloritme Genetika Pada Kasus Optimasi Penentuan Bibit dan
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciJaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit
Jaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit Abidatul Izzah 1), Ratih Kartika Dewi 2) 1)2) Jurusan Teknik Informatika ITS Surabaya Jl. Teknik
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciPenerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem Tri Kusnandi Fazarudin 1, Rasyid Kurniawan 2, Mahmud Dwi Sulistiyo 3 1,2 Prodi S1 Teknik Informatika,
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Literatur Algoritma genetik merupakan salah satu algoritma yang biasanya digunakan dalam optimalisasi data. Namun penggunaan algoritma genetik dalam melakukan peramalan
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar / Umum 2.1.1 Genetic Algorithm Genetic algorithm adalah suatu algoritma yang biasanya digunakan untuk mencari solusi-solusi yang optimal untuk berbagai masalah
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciSTUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA
STUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA (Agustinus N., et al. STUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA Agustinus Noertjahyana
Lebih terperinciFUZZY ELMAN RECURRENT NEURAL NETWORK DALAM PERAMALAN HARGA MINYAK MENTAH DI INDONESIA DENGAN OPTIMASI ALGORITMA GENETIKA TUGAS AKHIR SKRIPSI
FUZZY ELMAN RECURRENT NEURAL NETWORK DALAM PERAMALAN HARGA MINYAK MENTAH DI INDONESIA DENGAN OPTIMASI ALGORITMA GENETIKA TUGAS AKHIR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciPERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK
PERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK Rudy Adipranata 1) Felicia Soedjianto 2) Wahyudi Tjondro Teknik Informatika,
Lebih terperinciTAHUN AKADEMIK 2016/2017. : PENGANTAR INTELEGENSI BUATAN : Betha Nurina Sari, M.Kom. : Open Book via Google Form (90 Menit)
IFT 501 PANITIA UJIAN AKHIR SEMESTER GANJIL FAKULTAS ILMU KOMPUTER UNIVERSITAS SINGAPERBANGSA KARAWANG Jl. H.S. Ronggowaluyo Telukjambe Telp. (0267) 641177 Ex 307 Fax (0267) 641367 Karawang 41361 TAHUN
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4C3 EVOLUTIONARY COMPUTATION Disusun oleh: Untari Novia Wisesty Syahrul Mubarok PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciPenggunaan Deep Learning untuk Prediksi Churn pada Jaringan Telekomunikasi Mobile Fikrieabdillah
ISSN : 2355-9365 e-proceeding of Engineering : Vol3, No2 Agustus 2016 Page 3882 Penggunaan Deep Learning untuk Prediksi Churn pada Jaringan Telekomunikasi Mobile Fikrieabdillah Ilmu Komputasi Universitas
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 terperinciOptimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
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 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 terperinciISSN : Anggit Nourislam, ST. 1, Jondri, Drs., MT. 2, Siti Saadah, ST., MT. 3
ANALSIS DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN - PROPAGASI BALIK DALAM MEMPREDIKSI PRODUKSI DAN KONSUMSI MINYAK BUMI, GAS BUMI, DAN BATU BARA DI INDONESIA Anggit Nourislam, ST. 1, Jondri, Drs., MT. 2,
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciTINJAUAN PUSTAKA. i dari yang terkecil ke yang terbesar. Tebaran titik-titik yang membentuk garis lurus menunjukkan kesesuaian pola
TINJAUAN PUSTAKA Analisis Diskriminan Analisis diskriminan (Discriminant Analysis) adalah salah satu metode analisis multivariat yan bertujuan untuk memisahkan beberapa kelompok data yan sudah terkelompokkan
Lebih terperinciPerbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek
Perbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek Rudy Adipranata 1, Felicia Soedjianto 2, Wahyudi Tjondro Teknik Informatika,
Lebih terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciPREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION
JIMT Vol. 4 No. Juni 207 (Hal 47-55) ISSN : 2450 766X PREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION J.R. Mustakim, R. Ratianingsih 2 dan D. Lusiyanti 3,2,3 Program Studi
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 Peramalan Harga Indeks Saham Hang Seng dengan Menggunakan Jaringan
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih 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 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 terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Dalam beberapa tahun terakhir ini, peranan algoritma genetika terutama untuk masalah optimisasi, berkembang dengan pesat. Masalah optimisasi ini beraneka ragam tergantung dari bidangnya. Dalam
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciBAB II LANDASAN TEORI
27 BAB II LANDASAN TEORI 2.1. Penelitian Terkait Penelitian terkait yang menggunakan algoritma genetika untuk menemukan solusi dalam menyelesaikan permasalahan penjadwalan kuliah telah banyak dilakukan.
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 terperinciOptimasi Penjadwalan Ujian Menggunakan Algoritma Genetika
Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika Nia Kurnia Mawaddah Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Jurusan Matematika, FMIPA Universitas Brawijaya, Malang 65145 Abstrak Penjadwalan
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 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 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 terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION Restiana Putri Abstract - On a government agencies Badan Keluarga Berencana
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN Titik Misriati AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan titik.tmi@bsi.ac.id ABSTRACT
Lebih terperinciABSTRAK. Kata Kunci : Curah Hujan, Levenberg Marquardt, Backpropagation. ABSTRACT
ABSTRAK Dufan, Ariel. 2016. Prediksi Curah Hujan Dengan Menggunakan Algoritma Levenberg- Marquardt Dan Backpropagation (Studi Kasus : BMKG Kota Tanjungpinang), Skripsi. Tanjungpinang: Jurusan Teknik Informatika,
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Metoda analisa data secara statistik dapat diaplikasikan untuk mendapatkan pengertian terhadap proses-proses yang berubah waktu yang sangat kompleks untuk dimodelkan secara analitik. Data pertama-tama
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 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 terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
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 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 terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
Lebih terperinciPERAMALAN NILAI TUKAR MATA UANG MENGGUNAKAN ALGORITMA GRADIEN CONJUGATE DENGAN METODE FLETCHER-REEVES
PERAMALAN NILAI TUKAR MATA UANG MENGGUNAKAN ALGORITMA GRADIEN CONJUGATE DENGAN METODE FLETCHER-REEVES Wafistrietman Corris¹, Retno Novi Dayawati², Tjokorda Agung Budi Wirayuda³ ¹Teknik Informatika,, Universitas
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
Latar Belakan PENDAHULUAN Sistem penenalan biometrik menunakan karakteristik fisiolois yan dimiliki manusia sebaai dasar dari penenalannya. arakteristik fisiolois manusia yan diunakan sebaai dasar penenalan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
34 BAB 3 METODOLOGI PENELITIAN 3.1. Pendahuluan Pengenalan pola (pattern recognition) adalah proses klasifikasi dari suatu objek atau pola menjadi beberapa kategori atau kelas, yang mana bertujuan untuk
Lebih terperinciSKRIPSI HYBRIDRADIAL BASIS FUNCTION(RBF) DENGAN ALGORITMA GENETIKA DAN ALGORITMA SIMULATED ANNEALING UNTUK PREDIKSI KONSUMSI LISTRIK
SKRIPSI HYBRIDRADIAL BASIS FUNCTION(RBF) DENGAN ALGORITMA GENETIKA DAN ALGORITMA SIMULATED ANNEALING UNTUK PREDIKSI KONSUMSI LISTRIK LUTHFI HIDAYATI PROGRAM STUDI S-1 MATEMATIKA DEPARTEMEN MATEMATIKA FAKULTAS
Lebih terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciBAB II LANDASAN TEORI. Beberapa penelitian yang telah dilakukan sebelumnya terkait dengan
BAB II LANDASAN TEORI 2.1. State of The Art Beberapa penelitian yang telah dilakukan sebelumnya terkait dengan judul yang diangkat adalah : Tian Syung Lan, dkk. melakukan menggunakan metode Neural Network
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar belakang Hujan merupakan salah satu unsur iklim yang berpengaruh pada suatu daerah aliran sungai (DAS). Pengaruh langsung yang dapat diketahui yaitu potensi sumber daya air. Besar
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 terperinci