APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION
|
|
- Irwan Kusuma
- 7 tahun lalu
- Tontonan:
Transkripsi
1 APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika, Universitas Kristen Satya Wacana, Jl. Diponegoro 52-60, Salatiga Jawa Tengah Indonesia tlp ABSTRAK Keterbatasan penyandang tunanetra untuk membaca bacaan konvensional mengakibatkan diperlukannya suatu pengembangan alat yang dapat mengenali pola tulisan yang kemudian diubah ke dalam besaran fisis lain. Langkah awal dalam pengembangan tersebut dapat menggunakan Jaringan Syaraf Tiruan (JST). Metode JST yang dipakai adalah algoritma backpropagation. Pada pemrograman JST dalam penelitian ini, terdapat proses pelatihan yang dilakukan pada 1 sampai 10 unit hidden dengan 168 buah huruf kapital, di mana semakin banyak jumlah unit hidden, semakin baik pula pengenalan pola huruf yang diberikan, ditandai dengan nilai performance (unjuk kerja) serta nilai R pada regresi yang semakin baik. Namun, penambahan jumlah unit hidden yang sangat banyak tidaklah efisien, karena waktu pelatihannya pun semakin lama, sedangkan output yang dihasilkan jaringan pun tidak jauh berbeda (khususnya 5-10 unit hidden). Dalam proses aplikasi jaringan, dengan menggunakan 78 buah huruf kapital (termasuk 26 huruf tulisan tangan ), didapatkan bahwa huruf-huruf yang sebelumnya belum diketahui oleh jaringan, dapat dikenali dengan baik. Di mana semakin besar jumlah unit hidden, semakin baik pula pengenalannya. Pada pengaplikasian jaringan ini, dihasilkan jaringan yang paling maksimal pengenalannya adalah jaringan dengan 5 unit hidden dan 7 unit hidden dengan total prosentasi keberhasilan 70,51% dan 76,92%. Kata kunci: jaringan saraf tiruan, backpropagation, pola tulisan,huruf PENDAHULUAN Salah satu metode yang dipakai oleh penyandang tunanetra untuk membaca adalah dengan menggunakan huruf braille. Ketika menggunakan huruf braille, penyandang tunanetra harus menyentuh huruf yang dibaca dengan menggunakan tangan, mengenali pola huruf yang dipegang, setelah itu merangkai huruf-huruf berikutnya menjadi sebuah kata lalu menjadi kalimat dan seterusnya. Namun masyarakat tunanetra khususnya yang berada di Indonesia masih harus berjuang untuk mendapatkan buku edisi huruf braille untuk dibaca. Masalah tersebut membuat ketersediaan buku edisi huruf braille sampai saat ini masih cukup terbatas mengingat biaya cetak yang tidak murah. Agar penyandang tunanetra juga dapat membaca buku konvensional (bukan cetakan huruf braille), maka dibutuhkan suatu pengembangan, misalnya menggunakan sistem yang dapat mengenali pola tulisan dan memberitahukan huruf, kata, atau kalimat kepada penyandang tunanetra tersebut. Sistem tersebut dapat dibangun dengan menggunakan suatu algoritma untuk mengenali pola tulisan yang terhubung dengan sistem penampil yang memproses tulisan menjadi bentuk besaran fisis lain, seperti suara atau tekstur, yang dalam hal ini dipilih metode jaringan syaraf tiruan. Pada penelitian ini, dibatasi pada pengaplikasian jaringan syaraf tiruan khususnya model Backpropagation pada pengenalan pola tulisan, khususnya huruf kapital dan pembuatan rangkaian alat sederhana sebagai media pengambil serta pemroses data berbentuk tulisan. Penelitian ini diharapkan dapat berguna bagi pengembangan ilmu pengetahuan, di mana secara teoritis, pemrograman serta interface yang dipakai pada penelitian ini dapat dijadikan sebagai bahan ajar bagi mahasiswa. Kontribusi praktisnya adalah diharapkan pemrograman serta rangkaian alat sederhana yang dibuat dapat dipakai sebagai referensi untuk membuat alat bantu baca guna membantu para penyandang tunanetra agar dapat mengakses sumber-sumber bacaan konvensional, yang F3-1
2 biasanya hanya ditujukan untuk kaum awas (bukan tunanetra). Dengan demikian, para penyandang tuna netra akan mendapatkan hak akses informasi yang lebih luas dan bahkan setara dengan kaum awas. DASAR TEORI 1 Jaringan Syaraf Tiruan (Artificial Neural Network) Sejarah perkembangan jaringan syaraf tiruan telah dimulai pada tahun 1940 dengan mengasosiasikan cara kerja otak manusia dengan logika numerik yang diadaptasi peralatan komputer[1]. Sederhananya, jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Di mana jaringan syaraf tiruan menyerupai otak manusia dalam mendapatkan pengetahuan yaitu dengan proses learning (belajar) dan menyimpan pengetahuan yang didapat di dalam kekuatan koneksi antarneuron[2]. Hal tersebut membuat JST mampu mengenali kegiatan dengan berbasis pada data. Data akan dipelajari oleh JST sehingga memiliki kemampuan untuk memberi keputusan terhadap data yang belum dipelajari [3]. JST ditentukan oleh 3 hal, yakni: pola hubungan antarneuron (arsitektur jaringan), metode untuk menentukan bobot penghubung (metode training / learning / algoritma) dan fungsi aktivasi [4]. Perbandingan struktur jaringan syaraf biologi dan jaringan syaraf tiruan dapat dilihat pada Gambar 1. Pada jaringan syaraf biologi, neuron memiliki 3 komponen penting yaitu dendrit, soma dan axon. Dendrit menerima sinyal dari neuron lain. Sinyal tersebut berupa impuls elektrik yang dikirim melalui celah sinaptik melalui proses kimiawi. Sinyal tersebut dimodifikasi (diperkuat/diperlemah) di celah sinaptik. Berikutnya, soma menjumlahkan semua sinyal-sinyal yang masuk. Kalau jumlahan tersebut cukup kuat dan melebihi batas ambang (threshold), maka sinyal tersebut akan diteruskan ke sel lain melalui axon. Sedangkan pada jaringan syaraf tiruan, neuron Y menerima input dari neuron x 1, x 2 dan x 3 dengan bobot hubungan masing-masing adalah w 1, w 2 dan w 3. Kemudian ketiga impuls neuron yang ada dijumlahkan, sehingga dapat ditulis: net = x 1 w 1 + x 2 w 2 + x 3 w 3... (1) Besarnya impuls yang diterima oleh Y mengikuti fungsi aktivasi y = f(net). Apabila nilai aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi aktivasi (keluaran model jaringan) juga dapat dipakai sebagai dasar untuk merubah bobot [4]. Gambar 1. Perbandingan struktur jaringan syaraf biologi dengan jaringan syaraf tiruan 2 Model Jaringan Backpropagation Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi. Gambar 2 adalah arsitektur Backpropagation dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran. V ij merupakan bobot garis dari unit masukan x i ke unit layar tersembunyi z j (v j0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layar tersembunyi z j ). w kj merupakan bobot dari unit layar tersembunyi z j ke unit keluaran y k (w k0 merupakan bobot dari bias di layar tersembunyi ke unit keluaran z k )
3 Gambar 2. Arsitektur Backpropagation 4 Pelatihan Standar Backpropagation Pelatihan Backpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi[4]. METODOLOGI 1. Penentuan Pola Huruf dan Target Pada penelitian ini, pola huruf yang dipakai adalah pola huruf latin kapital. Jenis huruf yang dipakai untuk proses pelatihan (training) adalah jenis huruf Times New Roman, Calibri, Tahoma, Comic Sans MS, Arial dan Kozuka Gothic Pro H serta tambahan 12 huruf jenis Franklin Gothic Book. Huruf yang dipakai kemudian diproses dengan metode rgb2gray dan graythresh agar warnanya hanya terbagi atas 2 bagian, hitam dan putih. Setelah itu huruf dipartisi menjadi 9x7 data digital, seperti yang dapat dilihat pada gambar 3. Pola huruf dan matriks huruf, selengkapnya dapat dilihat pada informasi pendukung. Gambar 3. Pemrosesan huruf menjadi 9x7 data digital Selain menentukan pola huruf, unit target juga harus ditentukan. Pada penelitian ini, unit target berupa vektor matriks 0 dan 1 sebanyak 5 bit. Unit target terdiri dari 5 bit karena disesuaikan dengan jumlah huruf yang berjumlah 26, dimana 5 bit berarti memiliki 2 5 atau 32 kemungkinan, dimana yang dibutuhkan pada penelitian ini hanyalah 26 kemungkinan pola unit target. Pasangan huruf dan unit target yang diinginkan dapat dilihat pada tabel berikut. `Tabel 1. Tabel Pasangan huruf dan unit target
4 Huruf Vektor target Huruf Vektor target Huruf Vektor target A B C D E F G H I J K L M N O P Q R S T U V W X Y Z Proses pelatihan (training) Sebelum dapat digunakan maka JST model Backpropagation harus diberikan pelatihan lebih dahulu. Dalam proses latihan ini diberikan berbagai pola huruf dengan output yang sudah diketahui. JST Backpropagation akan melakukan perubahan bobot terus menerus untuk setiap pola yang diberikan hingga pola dapat dikenali dengan benar, yaitu diindikasikan dengan nilai kesalahan minimum. Jadi, ketika keluaran Backpropagation belum sesuai dengan target yang ingin dicapai, Backpropagation akan terus melakukan perubahan bobot. Perubahan bobot untuk seluruh pola yang diberikan disebut epoch[5]. Lebih lengkapnya dapat dilihat pada gambar 4. Gambar 4. Diagram alir pelatihan JST Backpropagation Proses pelatihan dilakukan dengan mengubah-ubah jumlah unit pada layer tersembunyi, yakni 1 sampai dengan 10 unit. 3. Aplikasi jaringan Setelah dilakukan proses pembelajaran (training), maka dilakukan proses pengaplikasian dengan menggunakan jaringan syaraf tiruan (JST) yang sebelumnya sudah diberi pelatihan. Alur kerja utama sistem pengolahan data berbasis jaringan syaraf tiruan (JST), dapat dilihat secara lengkap pada gambar 5. Gambar 5. Diagram alir aplikasi jaringan saraf tiruan Dapat dilihat pada gambar 5, bahwa huruf yang telah melewati proses rgb2gray dan graythresh kemudian diproses dengan cara partisi menjadi 63 data (ukuran 9x7 sel). Di mana pada setiap sel diberikan nilai tertentu, misalnya pada bagian yang gelap (terkena tulisan), diberi
5 nilai 1 sedangkan pada bagian yang terang (tidak terkenai tulisan) diberi nilai -1. Kemudian sejumlah 63 data yang telah dipartisi dijadikan sebagai input JST, dimana keluarannya berupa pengenalan pada pola huruf tertentu. Pengaplikasian jaringan ini dilakukan untuk setiap network dengan jumlah unit yang berbeda-beda serta jenis huruf yang tidak dipakai pada proses pelatihan, yaitu MS Sans Serif, Segoe UI Semibold dan huruf tulisan tangan. Hal ini bertujuan untuk mengetahui sensitivitas jaringan dalam pengenalan pola huruf yang tidak dikenali sebelumnya. Untuk proses aplikasi dengan menggunakan huruf tulisan tangan, pengambilan obyek huruf dengan menggunakan webcam. HASIL DAN PEMBAHASAN Proses pelatihan (training) menggunakan 6 jenis huruf kapital sebagai bahan pembelajaran, yakni Times New Roman, Calibri, Tahoma, Comic Sans MS, Arial dan Kozuka Gothic Pro H. Proses pelatihan dilakukan dengan mengubah-ubah jumlah unit pada layer tersembunyi, yakni 1 sampai dengan 10 unit. Dalam proses pelatihan, selain 6 jenis huruf yang dipakai, ditambah juga 1 jenis huruf yaitu jenis Franklin Gothic Book, namun huruf yang ditambah hanyalah huruf B, C, D, F, J, K, O, R, S, W, Y, Z. Hal ini dikarenakan tingkat pengenalan pada huruf-huruf tersebut cukup rendah, sehingga untuk memperkuat pengenalan pada huruf-huruf di atas, maka ditambah huruf-huruf tersebut sebagai bahan pelatihan. Dari hasil pelatihan (training) yang dilakukan, didapatkan data sebagai berikut: Tabel 2. Data hasil pelatihan (training) Pelatihan Jumlah unit pada hidden layer Jumlah iterasi Performance (mse) Regresi (besarnya R) Waktu iterasi (menit) ,196 0, : ,136 0, : ,0913 0, : ,0491 0, : ,0133 0, : , , : , , : , , : , , : , , :20 Dari hasil yang didapatkan, terlihat bahwa dengan adanya penambahan jumlah unit pada hidden layer (unit hidden), performance (unjuk kerja) jaringan lebih baik, terbukti dengan nilai mse (mean squared error) yang semakin kecil. Selain berpengaruh terhadap performance dari jaringan, penambahan jumlah unit pada hidden layer juga berpengaruh terhadap grafik regresi. Di mana, jika jumlah unit semakin di tambah, maka nilai R semakin mendekati nilai 1, sehingga nilai output yang dihasilkan semakin mendekati target yang diinginkan. Hal tersebut dapat diperjelas dengan membandingkan grafik regresi dari pelatihan dengan jumlah unit 1 dengan yang berjumlah 10. F3-5
6 (a) (b) Gambar 6. Perbandingan grafik regresi untuk (a) 1 unit hidden dan (b) 10 unit hidden Dari kedua grafik di atas dapat terlihat dengan jelas bahwa grafik yang paling baik adalah grafik dari unit yang berjumlah 10. Di mana, garis berwarna biru yang merupakan garis kemiringan data, berhimpit dengan dengan garis putus-putus yang merupakan garis ketika output (Y) = target (T). Selain itu juga terlihat bahwa nilai output pada unit yang berjumlah 10 adalah output = 1*target+0,0014 sedangkan untuk unit yang berjumlah 1, output = 0,21*target+0,37. Hal ini memperlihatkan bahwa, pengenalan pola dalam proses pelatihan dengan menggunakan 10 unit lebih baik dari 1 unit. Namun jika melihat kembali tabel 1, nilai R sudah mencapai performa terbaiknya (R=0,9) pada unit hidden yang ke-5.
7 Hal-hal di atas menandakan bahwa semakin banyak unit hidden semakin baik jaringan mengenali pola-pola huruf yang diberikan. Tetapi jika dilihat dari waktu yang diperlukan untuk melakukan training, semakin banyak unit tersembunyi, semakin lama proses training, sedangkan output yang dihasilkan jaringan relatif sama (5 10 hidden unit ). Ini menandakan bahwa tidaklah efisien jika menggunakan jumlah hidden unit yang banyak. Setelah melakukan pelatihan (training) maka network yang sudah diperoleh dapat diaplikasikan untuk pengenalan huruf dengan menggunakan jenis huruf yang tidak dipakai pada proses pelatihan. Huruf yang dipakai adalah MS Sans Serif, Segoe UI Semibold serta huruf dengan tulisan tangan. Aplikasi jaringan juga dilakukan pada 1 10 unit hidden. Dari pengaplikasian jaringan yang dilakukan, didapatkan data sebagai berikut: Tabel 3. Data pengaplikasian jaringan untuk huruf MS Sans Serif Unit hidden Jumlah huruf yang terdeteksi dengan benar Prosentase keberhasilan (%) 1 2 7, , , , , , , , , Tabel 4. Data pengaplikasian untuk huruf Segoe UI Semibold Unit hidden Jumlah huruf yang terdeteksi dengan benar Prosentase keberhasilan (%) 1 2 7, , , , , , , , , ,69 Dari data pengaplikasian jaringan di atas, dapat dilihat bahwa jaringan (network) yang dihasilkan dari proses training dapat mengenali pola huruf yang sebelumnya belum dikenal, di mana semakin banyak unit hidden yang diberikan, semakin baik pengenalan pola hurufnya. Jika dilihat pada bagian pengujian huruf MS Sans Serif, kesuksesan pengenalan hurufnya sangat baik, jika dibandingkan dengan hasil pengujian pada huruf Segoe UI Semibold. Hal ini disebabkan oleh bentuk fisik huruf MS Sans Serif hampir sama dengan salah satu huruf yang dilatihankan (training), yakni huruf Arial. Sedangkan huruf Segoe UI Semibold memiliki bentuk fisik yang berbeda dengan huruf yang dilatihankan sehingga hasil pengujiannya tidak begitu baik. Hal ini disebabakan oleh jaringan (network) dengan bobot-bobot serta bias yang dihasilkan dari proses training sudah sangat baik dalam pengenalan pola huruf yang hampir sama dengan huruf-huruf yang dijadikan sebagai bahan training. Sedangkan untuk pola huruf yang cukup berbeda dengan yang dilatihankan, jaringan belum cukup baik untuk mengenali F3-7
8 polanya, tetapi hasil yang didapatkan sudah cukup baik, karena pengenalan pola untuk unit hidden 5 10 sudah lebih dari 50%. Selain menggunakan huruf MS Sans Serif dan Segoe UI Semibold, dipakai pula huruf tulisan tangan sebagai bahan pengaplikasian jaringan yang telah dibuat. Di mana hasil pengambilan obyek huruf tulisan tangan dengan menggunakan peralatan sederhana (webcam) sudah cukup baik. Pengaplikasian ini juga menggunakan jaringan dengan jumlah unit hidden yang berbeda-beda. Hasil pengaplikasian jaringan dengan menggunakan tulisan tangan dapat dilihat pada tabel berikut: Tabel 5. Data pengujian huruf tulisan tangan Unit hidden Jumlah huruf yang terdeteksi dengan benar Prosentase keberhasilan (%) 1 2 7, , , , , , , , , ,77 Terlihat dari tabel data di atas, bahwa jaringan yang menghasilkan pengenalan pola huruf dengan tulisan tangan paling maksimal adalah jaringan dengan 7 unit hidden. Dari semua aplikasi jaringan yang dilakukan, keberhasilan total dari setiap unit hidden yang dipakai, dapat dilihat pada tabel berikut: Tabel 6. Prosentase keberhasilan total pada aplikasi jaringan Unit Prosentase hidden keberhasilan total (%) 1 7, , , , , , , , , ,82 Data prosentase keberhasilan total di atas, menunjukkan bahwa jaringan yang baik untuk mengenali pola tulisan yang sebelumnya belum dikenal adalah jaringan yang menggunakan 5 dan 7 unit hidden dengan total prosentase keberhasilan sebesar 70,51% dan 76,92%. Sehingga jika ingin mengaplikasikan jaringan untuk keperluan pengenalan pola huruf, maka cukup dipakai jaringan dengan 5 unit hidden atau 7 unit hidden. F3-8
9 KESIMPULAN Pola tulisan, khususnya pola huruf kapital dapat dikenali dengan menggunakan jaringan syaraf tiruan, khususnya metode Backpropagation. Dari proses pelatihan (training), huruf-huruf yang dijadikan bahan pelatihan dapat dikenali dengan baik. Di mana, semakin besar jumlah unit hidden, semakin baik pengenalan pola tulisan. Tetapi hal itu berpengaruh pada lamanya proses pelatihan, jika jumlah unit hidden semakin banyak, maka lama proses pelatihannya pun semakin lama, sedangkan output yang dihasilkan jaringan relatif sama (5 10 hidden unit ). Hal ini menandakan bahwa tidaklah efisien jika menggunakan jumlah hidden unit yang terlalu banyak. Dalam proses aplikasi jaringan, didapatkan pula bahwa huruf-huruf yang sebelumnya belum diketahui oleh jaringan, dapat dikenali dengan baik. Di mana semakin besar jumlah unit hidden, semakin baik pula pengenalannya. Namun penggunaan unit hidden yang terlalu banyak tidaklah efisien. Pada pengaplikasian jaringan ini, jaringan (network) yang paling maksimal pengenalannya adalah jaringan dengan 5 unit hidden dan 7 unit hidden dengan total prosentasi keberhasilan sebesar 70,51% dan 76,92%. Sehingga jika ingin mengaplikasikan jaringan (network) yang sudah dibuat ini pada pengenalan pola huruf lain, cukup dipakai jaringan dengan 5 unit hidden atau 7 unit hidden. DAFTAR PUSTAKA [1] Muis, Saludin. Teknik Jaringan Saraf Tiruan. Yogyakarta : 2006 [2] Islam, M.J, dkk. Neural Network Based Handwritten Digits Recognition- An Experiment and Analysis. University of Windsor, Canada: hal 2. [3] Luthfie, Syafiie Nur. Implementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0.Universitas Gunadarma, Depok: hal 1. [4] Siang, Jong Jek. Jaringan Saraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Yogyakarta: F3-9
Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN METODE PERCEPTRON PADA PENGENALAN POLA NOTASI
APLIKASI JARINGAN SARAF TIRUAN METODE PERCEPTRON PADA PENGENALAN POLA NOTASI Muhamad Arifin SMK Telkom Malang Email: arifin@smktelkom-mlg.sch.id Khoirudin Asfani Fakultas Teknik, Universitas Negeri Malang
Lebih terperinciPRISMA FISIKA, Vol. I, No. 1 (2013), Hal ISSN :
Prediksi Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik Abraham Isahk Bekalani, Yudha Arman, Muhammad Ishak Jumarang Program
Lebih terperinciBAB 2 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 Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia Muhammad Ulinnuha
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN 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 terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciBAB 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 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 terperinciIDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN
IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN Galih Probo Kusuma, Dr Melania Suweni Muntini, MT Jurusan Fisika Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih 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
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 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 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 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 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 terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih 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 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 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 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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
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 terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
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 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 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 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 terperinciDOKUMENTASI ULANG NASKAH BRAILLE MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
DOKUMENTASI ULANG NASKAH BRAILLE MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Chairisni Lubis 1, Yoestinus 2 1 Fakultas Teknologi Informasi, Universitas Tarumanagara-Jakarta, Chairisni.fti.untar@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 terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciGambar 2.1 Neuron biologi manusia (Medsker & Liebowitz, 1994)
BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks, serta memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang
Lebih terperinci1.1. Jaringan Syaraf Tiruan
BAB I PENDAHULUAN 1.1. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi yang digambarkan sebagai berikut
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
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 terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih 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 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 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 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 terperinciDETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION
No Makalah : 299 Konferensi Nasional Sistem Informasi 2012, STMIK - STIKOM Bali 23-25 Pebruari 2012 DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION Ratri Dwi Atmaja 1,
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 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 terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih 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 terperinciPENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK
PENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK Eko Budi Wahyono*), Suzuki Syofian**) *) Teknik Elektro, **) Teknik Informatika - Fakultas Teknik Abstrak Pada era modern
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI 2.1. Citra Digital Citra digital dapat didefenisikan sebagai fungsi f(x,y) yaitu dua dimensi, dimana x dan y merupakan koordinat spasial dan f(x,y) disebut dengan intensitas atau
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih 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 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 terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
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 terperinciPrediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan
Prediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan Kusuma Dewangga, S.Kom. Jurusan Ilmu Komputer Universitas Gadjah Mada Jl. Bulaksumur, Yogyakarta kusumadewangga@gmail.com
Lebih terperinciBAB 1 PENDAHULUAN. 1 Universitas Kristen Maranatha. Gambar 1.1 : Ilustrasi jaringan syaraf manusia yang diadaptasi untuk ANN (Kriesel, 2011)
BAB 1 PENDAHULUAN 1.1 Latar Belakang Rentannya kesalahan yang dapat terjadi oleh pekerjaan yang dilakukan oleh manusia dalam menganalisa, atau ketika mencoba membangun relasi antar fitur yang berjumlah
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih 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 terperinciIMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI
IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com
Lebih terperinciAplikasi Jaringan Saraf Tiruan Sebagai Penterjemah Karakter Braille Ke Bentuk Abjad
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Aplikasi Jaringan Saraf Tiruan Sebagai Penterjemah
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 terperinciIDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION
IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION Dila Deswari [1], Hendrick, MT. [2], Derisma, MT. [3] Jurusan Sistem Komputer, Fakultas Teknologi Informasi, Universitas Andalas [1][3]
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 terperinciPuji Pangastuti. kemampuan jaringan dalam menentukan pola yang digunakan selama masa pelatihan diharapkan dapat mengoptimalkan hasil yang diinginkan.
METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGUKUR TINGKAT KORELASI PRESTASI MAHASISWA (STUDI KASUS PADA UNIVERSITAS DIAN NUSWANTORO SEMARANG) Puji Pangastuti Abstract - The university now increasingly
Lebih terperinciFAKULTAS SAINS DAN TEKNOLOGI UIN SUSKA RIAU. IIS AFRIANTY, ST., M.Sc
IIS AFRIANTY, ST., M.Sc Sistem Penilaian Tugas dan Keaktifan : 15% Quiz : 15% UTS : 35% UAS : 35% Toleransi keterlambatan 15 menit Handphone: Silent Costume : aturan UIN Laki-laki Perempuan Menggunakan
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 terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
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 terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini akan dibahas mengenai teori-teori pendukung pada penelitian ini. Adapun teori tersebut yaitu teori jaringan saraf tiruan dan algoritma backpropragation. 2.1. Jaringan Saraf
Lebih terperinciBAB 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 terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciJARINGAN SYARAF TIRUAN DAN NAIVE BAYES UNTUK MENDETEKSI PENYAKIT GAGAL GINJAL DI RSUD Dr. ADHYATMA TUGUREJO SEMARANG
JARINGAN SYARAF TIRUAN DAN NAIVE BAYES UNTUK MENDETEKSI PENYAKIT GAGAL GINJAL DI RSUD Dr. ADHYATMA TUGUREJO SEMARANG Yudi Setyawan 1 *, Zulfikar Adi Nugroho 2 1,2 Prodi Statistika, Fakultas Sains Terapan,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan saraf tiruan Jaringan Syaraf Tiruan (JST) atau neural network adalah suatu metode komputasi yang meniru sistem jaringan Syaraf biologis pada manusia. Metode ini menggunakan
Lebih terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
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 IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
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 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 terperinciSebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran
Sebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran Kecerdasan Buatan Pertemuan 11 Jaringan Syaraf Tiruan (Artificial Neural Network)
Lebih terperinciPengelompokan Huruf Cetak Menggunakan Algoritma Adaptive Resonance Theory 1 (ART 1)
Pengelompokan Huruf Cetak Menggunakan Algoritma Adaptive Resonance Theory 1 (ART 1) Elisabeth Lany Oktorina/0222135 Email: geffen_ladi@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Jln.Prof.Drg.Suria
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciPENGGUNAAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK SELEKSI PENERIMAAN MAHASISWA BARU PADA JURUSAN TEKNIK KOMPUTER DI POLITEKNIK NEGERI SRIWIJAYA
PENGGUNAAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK SELEKSI PENERIMAAN MAHASISWA BARU PADA JURUSAN TEKNIK KOMPUTER DI POLITEKNIK NEGERI SRIWIJAYA Tesis untuk memenuhi sebagian persyaratan mencapai
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Artificial Neural Network atau jaringan syaraf tiruan merupakan bidang yang sangat berkembang saat ini. Pemanfaatan teknologi mesin dan computer yang tidak terbatas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinci