PENGGUNAAN ARTIFICIAL NEURAL NETWORK (ANN) UNTUK MEMODELKAN KEBUTUHAN ENERGI UNTUK TRANSPORTASI
|
|
- Widya Leony Rachman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENGGUNAAN ARTIFICIAL NEURAL NETWORK (ANN) UNTUK MEMODELKAN KEBUTUHAN ENERGI UNTUK TRANSPORTASI Using of Artificial Neural Network in Modelling Transportation Energy Demand Ulil Hamida Sekolah Tinggi Manajemen Industri Jakarta Tanggal Masuk: (12/7/2014) Tanggal Revisi: (19/7/2014) Tanggal disetujui: (1/8/2014) ABSTRAK Tingkat konsumsi energi khususnya BBM (Bahan Bakar Minyak) di Indonesia cenderung meningkat dari tahun ke tahun Peramalan tingkat konsumsi energi dapat dilakukan untuk mendapatkan formulasi kebijakan energi yang tepat Variabel yang diperkirakan mempengaruhi peningkatan konsumsi adalah peningkatan jumlah penduduk, peningkatan GDP, dan pertumbuhan mobilitas/transportasi Penelitian ini bertujuan membangun arsitektur model ANN untuk meramalkan tingkat konsumsi energi untuk transportasi, menganalisis dan membandingkan kelebihan pemakaian ANN dibandingkan tools yang lain dan memperoleh model peramalan tingkat konsumsi energi pada sektor transportasi di Indonesia Data penelitian diperoleh dari Dirjen Sumber Daya Mineral Kementerian Pertambangan dan Energi Penelitian dilakukan dengan penentuan neuron yang diperlukan pada arsitektur ANN Dari penelitian diperoleh bahwa jumlah neuron pada hidden layer yang memberikan nilai MSE terkecil adalah 15 neuron Berdasarkan hal tersebut, maka arsitektur yang digunakan untuk melakukan training pada jaringan ANN untuk peramalan energi adalah 15-1 Proporsi pembagian data 11-5 (training-validasi) merupakan proporsi yang memberikan MSE minimum baik pada saat training maupun validasi Model ANN memberikan rata-rata kesalahan kuadrat (MSE) yang dihasilkan ANN adalah 0, Hasil tersebut lebih baik dibandingkan MSE yang dihasilkan dari regresi majemuk yaitu 17, Model ANN yang dihasilkan digunakan untuk melakukan peramalan konsumsi energi hingga 2015 Dari hasil peramalan tersebut, konsumsi energi selalu meningkat Sebagai saran, untuk mengurangi kesalahan yang dihasilkan akibat overfitting ini pada penelitian selanjutnya perlu digunakan data yang lebih banyak Kata Kunci: peramalan energi transportasi, ANN, regresi linier ABSTRACT The level of energy consumption, especially fuel oil in Indonesia has increased from year to year Forecasting energy consumption level can be one of the bases to get a proper energy policy formulation Variables that affect the increase in consumption are population, GDP, and growth of transportation This study aimed to build the architecture of ANN model to forecast energy consumption for transport This study also analyzed and compared the advantages of using ANN to other tools regression linier Data were obtained from the Director General of Mineral Resources, Ministry of Mines and Energy The research result showed that the number of neurons in the hidden layer that gived the smallest MSE value was 15 neurons Under these conditions, the architecture used to conduct training on the network ANN for forecasting energy was 15-1 Usage of proportion 11-5 (training-validation) gived the minimum MSE either during training or validation ANN model gived mean squared error (MSE) The result was better than the MSE resulting from multiple regression The resulting ANN models used for forecasting energy consumption up to 2015 ANN weakness is overfitting To reduce overfitting, in further research, using more data is necessary Keywords: forecasting energy transportation, ANN, regression linier 57
2 J u r n a l T e k n o l o g i d a n M a n a j e m e n, V o l 12, N o 2, A g u s t u s I PENDAHULUAN Latar Belakang Dewasa ini, issue tentang konservasi energi merupakan topik di semua negara Hal ini tentunya disebabkan karena berbagai kepentingan yang melibatkan energi dan pengaruhnya yang sangat signifikan terhadap perekonomian suatu negara Konsumsi energi dipengaruhi oleh beberapa variabel seperti : ekonomi, demografi, iklim (polusi), harga energi, politik, keamanan, dan sebagainya Banyak negara di dunia termasuk Indonesia mulai merancang kebijakan publik untuk mengantisipasi kenungkinan krisis energi di masa depan dan mengurangi polusi yang semakin parah Kehidupan manusia modern sangatlah mustahil dipisahkan dari energi, karena faktor melekat energi dengan teknologi Peramalan tingkat konsumsi energi dapat menjadi salah satu basis untuk mendapatkan formulasi kebijakan energi yang tepat Tingkat konsumsi energi khususnya BBM (bahan bakar minyak) di Indonesia mempunyai kecenderungan meningkat dari tahun ke tahun Segmentasi konsumsi energi terdiri dari industri, transportasi, rumahan/kantor, dan lain-lain Variabel yang diperkirakan mempengaruhi peningkatan konsumsi adalah peningkatan jumlah penduduk, peningkatan GDP, dan pertumbuhan mobilitas/transportasi Pemakaian energi untuk sektor transportasi di Indonesia sangat besar sekitar 1/3 dari total kebutuhan energi tiap tahunnya Penerapan kebijakan energi yang tepat memerlukan dukungan sistem informasi terkait dengan kebutuhan sektoral Pemodelan untuk meramalkan tingkat konsumsi energi telah banyak dilakukan di berbagai negara, namun penggunaan ANN baru berkembang lima tahun terakhir Berbagai kelebihan yang dimiliki pemodelan ANN antara lain : - Tidak memerlukan banyak asumsi, karena data dapat digunakan secara langsung (apa adanya) - Dapat memodelkan sistem secara nonlinear dengan baik sehingga dapat digunakan secara fleksibel - Mampu memberikan model yang mendekati sistem nyata Permasalahan Permasalahan pada penelitian ini adalah penggunaan artificial neural network (ANN) dalam mengetahui model dalam penggunaan energi untuk kebutuhan transportasi Tujuan Penelitian Penelitian ini bertujuan untuk membangun arsitektur model ANN untuk meramalkan tingkat konsumsi energi untuk transportasi, menganalisis dan membandingkan kelebihan pemakaian ANN dibandingkan tools yang lain dan memperoleh model peramalan tingkat konsumsi energi pada sektor transportasi di Indonesia II METODOLOGI PENELITIAN Metodologi yang digunakan pada penelitian ini adalah: studi pustaka, pengumpulan data energi dari Dirjen Sumber Daya Mineral Kementerian Pertambangan dan Energi Langkah selanjutnya adalah perancangan model ANN untuk peramalan setiap faktor dan untuk permalan energi, implementasi dengan program Matlab, dan diakhiri dengan langkah pengujian dan pembandingan metode regresi linier Artificial Neural Network Artificial neural network atau lazim juga hanya disebut neural network adalah sebuah model yang terdiri dari neuron 58
3 U l i l H a m i d a, P e n g g u n a a n A r t i f i c i a l buatan yang saling berkoneksi dan memiliki karakteristik yang mengitimasi suatu jaringan syaraf biologis Karnidta (2006) menyatakan bahwa node dalam ANN didasari oleh representasi matematis yang disederhanakan dari neuron yang sebenarnya Karakteristik ANN yang ditiru dari jaringan syaraf biologis adalah kemampuan belajar yang dimiliki manusia Kemampuan ini adalah faktor utama yang membedakan sistem saraf tiruan dari aplikasi sistem pakar (expert system) Sistem pakar diprogram untuk membuat kesimpulan (inference) berdasarkan data atau pengetahuan dari lingkungan, sedangkan sistem saraf tiruan dapat menyesuaikan bobot node sebagai tanggapan atas input dan mungkin pada output yang diinginkan ANN telah banyak digunakan dalam area yang luas dengan banyak tujuan Kumar & Haynes (2003) mengidentifikasi beberapa aplikasi ANN yaitu: - Estimasi/prediksi (aproksimasi fungsi, peramalan) - Pengenalan pola (klasifikasi, diagnosis dan analisis diskriminan) - Klustering (pengelompokan tanpa adanya pengetahuan sebelumnya) Optimasi (pencarian solusi terhadap model linier dan non linier yang melibatkan variabel kontinyu/diskrit) Jaringan yang dapat dibentuk ANN bermacam-macam, dari yang paling sederhana hanya berupa satu neuron (single neuron), lalu meningkat lebih rumit menjadi neuron majemuk (multiple neurons) dalam satu lapis (single layer), hingga jaringan yang lebih rumit yaitu multiple neurons dalam multiple layers Kemampuan jaringan tersebut berbeda-beda Semakin rumit suatu jaringan, maka persoalan yang dapat diselesaikan menjadi lebih luas Namun kerumitan jaringan tersebut juga menimbulkan persoalan tersendiri yaitu kebutuhan proses training dan simulasi yang lebih lama Struktur jaringan dapat dilihat pada gambar 1 Input Layer Hidden Layer Gambar 1 Jaringan ANN Multilayer (Fauset, 1994) Output Layer Pada umumnya, lapisan (layer) dalam suatu jaringan dibedakan menjadi 3 macam yaitu input layer, hidden layer dan output layer Penjelasan setiap input tersebut diuraikan di bawah ini: a Input Layer Input layer merupakan layer yang menerima input langsung dari lingkungan Umumnya jumlah input layer disesuaikan dengan jumlah input b Hidden Layers Hidden layers merupakan layer-layer yang berada di antara input layer dan output layer (lihat gambar 1) Pada arsitektur ANN dengan 2 layer, maka hidden layers tidak ada Jumlah neuron pada hidden layers bervariasi Jumlah neuron dan jumlah layer pada hidden layers agar dapat menghasilkan solusi yang memiliki kesalahan minimum 59
4 J u r n a l T e k n o l o g i d a n M a n a j e m e n, V o l 12, N o 2, A g u s t u s 2014 merupakan bagian utama dalam penelitian ANN c Output layer Output layer merupakan layer yang menghasilkan output akhir dari suatu jaringan ANN Jumlah neuron pada layer ini disesuaikan dengan jumlah output yang diinginkan Karnidta (2006) menggolongkan pendekatan dasar dalam paradigma belajar di ANN menjadi dua, yaitu supervised learning dan unsupervised learning 1 Supervised learning Pada pembelajaran supervised learning, selain memerlukan input diperlukan juga output untuk input tersebut Pembelajaran yang dilakukan bertujuan untuk mendapatkan jaringan ANN yang mampu menghasilkan output yang sesuai dengan output yang diinginkan Perbedaan antar output dari jaringan dan output yang diinginkan digunakan untuk mengkalkulasi koreksi pada bobot jaringan syaraf Contoh dari supervised learning adalah perceptron, backpropagation, dan lain-lain 2 Unsupervised learning Pendekatan unsupervised learning merupakan teknik belajar dengan cara neuron-neuron dalam networks mengorganisasikan dirinya untuk menghasilkan kategori dimana kumpulan input akan termasuk didalamnya Dalam pendekatan ini tidak ada nilai target yang ditetapkan Contoh dari tipe belajar ini adalah Kohonen self-organizing feature maps dan Hamming/competitive networks Pemodelan Berdasarkan studi pustaka dihasilkan bahwa faktor-faktor yang berpengaruh pada konsumsi energi adalah faktor ekonomi dan demografi yang ada pada suatu daerah Oleh karena itu terdapat tiga faktor yang dikemukakan memiliki keterkaitan dengan energi yaitu Perubahan jumlah penduduk (POP), Pendapatan Nasional (GDP/GNP), dan Jarak tempuh rata-rata Veh-km Tiga faktor tersebut menjadi input pada jaringan Sebagai output dari jaringan tersebut adalah konsumsi energi Gambar 2 Pemodelan Kebutuhan Energi dengan ANN Pemodelan ANN yang digunakan dapat dituliskan sbb : N M Y = αo + αjƒ { αij E obs,i + βoj } j=1 i=1 Y = perkiraan kebutuhan energi di sektor transportasi ( dalam juta barrel/tahun) E obs = kebutuhan energi untuk transportasi (juta barrel/tahun) M = jumlah neuron layer input N = jumlah neuron layer tersembunyi f = fungsi transfer sigmoid untuk layar tersembunyi Pemodelan dengan tujuan peramalan menggunakan feed forward model di mana input merupakan data kebutuhan energi transportasi dan output adalah peramalan kebutuhan pada masa mendatang 60
5 U l i l H a m i d a, P e n g g u n a a n A r t i f i c i a l Sedangkan layar tersembunyi digunakan untuk memroses informasi Kelemahan pemodelan ANN adalah adanya kemungkinan over fitting, bila penngunaan data untuk training, testing dan validasi tidak sebanding (proportional) Hal ini dapat dihindari dengan menggunakan k- fold validasi silang Kelemahan berikutnya adalah sifat ANN yang black box thinking, yaitu hubungan antara variabel input dan output tidak dijelaskan penyebabnya Sedangkan perbedaan pokok antara ANN dengan model regresi adalah kemampuan ANN untuk menghitung bobot setiap data dalam layar yang tersembunyi dan digunakan terus pada layar selanjutnya untuk mendapatkan output Model regresi hanya dapat menentkan koefisien dari variabel independen Proses validasi k-fold dilakukan sbb : 1 Bagilah data yang tersedia menjadi bagian untuk training, validasi dan testing, 2 pilihlah arsitektur dan parameter training, 3 training model yang dipilih menggunakan data yang sudah ditentukan, 4 evaluasi model menggunakan data validasi, 5 ulangi langkah 2 s/d 4 dengan menggunakan arsitektur dan parameter yang berbeda, 6 pilihlah arsitektur terbaik dari proses training dan validasi, 7 implementasikan arsitektur jaringan yang dipilih dengan data testing III HASIL DAN PEMBAHASAN Pengolahan data dilakukan dengan menggunakan perangkat lunak Mathlab yang menyediakan fasilitas modul Artificial Neural Network Langkah pertama dalam pengolahan data adalah dengan melakukan normalisasi pada data yang dimiliki untuk mendapatkan input yang memiliki rentang dari -1 hingga 1 sebagai syarat dari input pada ANN Normalisai ini diterapkan untuk seluruh data baik GDP, populasi maupun konsumsi kendaraan Mencari Jumlah Neuron yang Tepat untuk Hidden Layer Setelah normalisasi input, langkah selanjutnya adalah mencari jumlah neuron yang tepat untuk digunakan pada hidden layer di jaringan ANN Caranya adalah dengan mencoba satu persatu jaringan dengan hidden layer 1 hingga hidden layer ke 16 Pencarian tersebut menghasilkan data pada tabel 1 Tabel 1 Pencarian Jumlah Hidden Layer Jumlah Neuron pada Hidden Layer Epoch MSE Training MSE Validasi e e e e e
6 J u r n a l T e k n o l o g i d a n M a n a j e m e n, V o l 12, N o 2, A g u s t u s 2014 Jumlah Neuron pada Hidden Layer Epoch MSE Training MSE Validasi e e e e e Untuk menghindari kondisi overfitting yang dihasilkan dari pemodelan ANN, maka digunakan metode k-fold yang salah satunya adalah dengan membagi data training dan data validasi Data yang diperoleh dari pencarian perbandingan yang tepat tercantum pada tabel 3 Tabel 3 Pencarian Perbandingan Data Training dan Data Validasi yang Tepat Jumla Data Training Jumlah Data Validasi Epoch MSE Training MSE Validasi e * e e e * e Dari data tersebut diperoleh bahwa jumlah neuron pada hidden layer yang memberikan nilai MSE terkecil adalah 15 neuron Berdasarkan hal tersebut maka arsitektur yang digunakan untuk melakukan training pada jaringan ANN untuk peramalan energi adalah 15-1 Langkah ini juga digunakan untuk melakukan peramalan GDP, populasi dan konsumsi kendaraan dengan hasil seperti tercantum pada Tabel 2 Tabel 2 Arsitektur Pemodelan Energi dengan ANN Peramalan Jumlah Neuron Optimal GDP 5 Populasi 3 Konsumsi kendaraan (VEH-KM) Mencari Perbandingan Data Training dan Data Validasi e e- 012 Simulasi yang telah dilakukan memberikan hasil bahwa terdapat perbedaan MSE jika proporsi jumlah data yang digunakan untuk mentraining ANN dengan jumlah data yang digunakan untuk melakukan validasi Dari hasil yang diperoleh, didapatkan bahwa proporsi 11-5 (training-validasi) merupakan proporsi yang memberikan MSE minimum baik pada saat training maupun validasi Melakukan Training pada Data Training Setelah ditemukan jumlah neuron yang tepat dan perbandingan jumlah data validasi dan training yang tepat, kemudian dilakukan training pada data energi, GDB, populasi, dan konsumsi kendaraan (VEH-KM) Hasil training tersebut tercantum pada gambar 3 dan hasil validasi tercantum pada gambar
7 U l i l H a m i d a, P e n g g u n a a n A r t i f i c i a l Tabel 4 Data dan Peramalan Kebutuhan Energi Menggunakan ANN - target + output ANN Gambar 3 Hasil Training Kebutuhan Energi Tahun Populasi GDP Veh-km Kebutuh an Energi target + output ANN Gambar 4 Hasil Validasi Kebutuhan Energi Melakukan Peramalan Energi 5 tahun ke Depan dengan Menggunakaan Jaringan Hasil Training Setelah data training digunakan untuk menentukan jaringan ANN yang digunakan, maka jaringan tersebut kemudian digunakan untuk meramalkan konsumsi energi untuk lima tahun ke depan Hasil peramalan tersebut dapat dilihat pada tabel 4 dan gambar 5 Gambar 5 Hasil Peramalan Energi dengan menggunakan ANN 63
8 J u r n a l T e k n o l o g i d a n M a n a j e m e n, V o l 12, N o 2, A g u s t u s 2014 Pengujian dan Pembandingan dengan Metode Regresi Sebagai tahap pengujian, hasil peramalan dengan pendekatan ANN kemudian dibandingkan dengan peramalan dengan metode regresi yang menghasilkan perbandingan sebagai berikut: Gambar 6 Perbandingan Model ANN dengan Regresi Linier Dari data tersebut, jika dihitung ratarata kesalahan kuadratnya (MSE) diperoleh hasil bahwa MSE yang dihasilkan ANN adalah 0, , sedangkan MSE yang dihasilkan dari regresi majemuk adalah 17, Tabel 5 Perbandingan MSE Regresi Linier dan ANN Jumlah data MSE Regresi Majemuk Data Real Regresi Majemuk ANN MSE ANN Berdasarkan hasil tersebut berarti diperoleh bahwa ANN memiliki kinerja yang lebih baik dibandingkan dengan regresi majemuk pada penelitian peramalan energi ini IV KESIMPULAN DAN SARAN Kesimpulan 1 Model untuk peramalan energi dengan menggunakan metode ANN menggunakan input tiga variabel yaitu GDB, populasi dan konsumsi kendaraan (VEH-KM) 2 MSE yang dihasilkan ANN adalah 0, , sedangkan MSE yang dihasilkan dari regresi majemuk adalah 17, Hal ini menjadikan ANN memiliki kinerja yang lebih baik dibandingkan dengan regresi majemuk pada penelitian peramalan energi ini 3 Model ANN yang dihasilkan digunakan untuk melakukan peramalan konsumsi energi hingga 2015 Dari hasil peramalan tersebut, konsumsi energi selalu meningkat Saran ANN memiliki kelemahan yang sangat harus diperhatikan yaitu overfitting Untuk mengurangi kesalahan yang dihasilkan akibat overfitting ini data yang digunakan harus cukup banyak Selain itu untuk peramalan jangan sampai meramalkan untuk jangka waktu yang lama Saran lain untuk mengurangi overfitting ini adalah update jaringan dengan melakukan training jika terdapat data baru V DAFTAR PUSTAKA Fitrisia Adiwijaya Rakhmatsyah, A 2010 Prediksi Produksi BAN GT3 Menggunakan Jaringan Syaraf Tiruan Resilient Propagation dan Weight-Elimination Makalah dalam Konferensi Nasional Sistem dan Informatika Bali: STIMIK STIKOM Bali 64
9 U l i l H a m i d a, P e n g g u n a a n A r t i f i c i a l Kadir, A 2011 Sistem Informasi Manajemen Yogyakarta: Andi Publisher Karnidta, Sherlie 2006 Penerapan Model Artificial Neural Network untuk Meramalkan dan Melakukan Analisis Sensitifitas Variabel Makroekonomi dalam Sistem Peringatan Dini Krisis Mata Uang Tugas Sarjana Teknik Industri, Institut Teknologi Bandung Kumar, K Haynes, JD 2003 Forecasting credit ratings using an ANN and statistical techniques, International Journal of Business Studies, 11, Mastur, I Hadi, Lumenta 2005 Implementasi Jaringan Syaraf Tiruan untuk Mengidentifikasi Pola Desain Berdasarkan Preferensi Pelanggan Menggunakan Kansei Engineering System TEKNOIN Vol10 p Murat, YS Ceylan, H 2006 Use of artificial neural network for transport energy demand modeling Energy Policy vol 34, Elsevier Pao, H 2006 Modeling and Forecasting the Energy Consumption in Taiwan Using Artificial Neural Networks The journal of American Academy of Business, Cambridge, Vol 8 65
PREDIKSI 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 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 terperinciADLN - Perpustakaan Universitas Airlangga ABSTRAK. viii
Muhammad Arif Santoso, 2015. Peramalan Penjualan Produk Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine. Skripsi ini dibawah bimbingan Auli Damayanti,S.Si, M.Si dan Dr. Herry Suprajitno,
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 terperinciPENENTUAN KONSENTRASI KOAGULAN DAN PH OPTIMUM DALAM PENGOLAHAN AIR LIMBAH MENGGUNAKAN MODEL JARINGAN SYARAF TIRUAN
Penentuan Konsentrasi Koagulan (Ulil Hamida) PENENTUAN KONSENTRASI KOAGULAN DAN PH OPTIMUM DALAM PENGOLAHAN AIR LIMBAH MENGGUNAKAN MODEL JARINGAN SYARAF TIRUAN DETERMINING THE OPTIMUM COAGULANT CONCENTRATION
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciBAB 2 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 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 terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kabupaten Purworejo adalah daerah agraris karena sebagian besar penggunaan lahannya adalah pertanian. Dalam struktur perekonomian daerah, potensi daya dukung
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 terperinciPREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION DAN WEIGHT-ELIMINATION
Konferensi Nasional Sistem dan Informatika 1; Bali, November 13, 1 PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION DAN WEIGHT-ELIMINATION Fitrisia, Adiwaya, dan Andrian
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 terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinci1. Pendahuluan 1.1 Latar belakang masalah
1. Pendahuluan 1.1 Latar belakang masalah Emas adalah unsur kimia dalam tabel periodik yang memiliki simbol Au (bahasa Latin: 'aurum') dan nomor atom 79. Emas digunakan sebagai standar keuangan di banyak
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 terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
Lebih 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 terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
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 terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciPERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN
PERAMALAN BEBAN PEMAKAIAN LISTRIK JAWA TENGAH DAN DAERAH ISTIMEWA YOGYAKARTA DENGAN MENGGUNAKAN HYBRID AUTOREGRESSIVE INTEGRATED MOVING AVERAGE NEURAL NETWORK Disusun oleh : Berta Elvionita Fitriani 24010211120005
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 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 terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih 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 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 terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih terperinci2.1. Dasar Teori Bandwidth Regression
2.1. Dasar Teori 2.1.1. Bandwidth Bandwidth adalah ukuran kapasitas dari sistem transmisi (Comer, 2004) Bandwidth adalah konsep pengukuran yang sangat penting dalam jaringan, tetapi konsep ini memiliki
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 terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pengklasifikasian merupakan salah satu metode statistika untuk mengelompok atau menglasifikasi suatu data yang disusun secara sistematis. Masalah klasifikasi sering
Lebih terperinciANALISIS 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 terperinciSTUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
STUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muh. Ishak Jumarang 1), Lyra Andromeda 2) dan Bintoro Siswo Nugroho 3) 1,3) Jurusan Fisika,
Lebih terperinciPEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA)
PEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA) Salmawaty Tansa 1, Bambang Panji Asmara 2 Fakultas Teknik, Jurusan Teknik Elektro,
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih terperinciARSITEKTUR JARINGAN SYARAF TIRUAN UNTUK PEMODELAN PROSES EKSTRAKSI ATURAN DENGAN SEARCH TREE
ARSITEKTUR JARINGAN SYARAF TIRUAN UNTUK PEMODELAN PROSES EKSTRAKSI ATURAN DENGAN SEARCH TREE Rina Dewi Indah Sari 1 dan Gunawan 2 1 Teknik Informatika STMIK ASIA Malang 2 Teknik Informatika STTS Surabaya
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 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 terperinciPERAMALAN HARGA MINYAK MENTAH DUNIA NEURAL NETWORK
PERAMALAN HARGA MINYAK MENTAH DUNIA MENGGUNAKAN METODE RADIAL BASIS FUNCTION NEURAL NETWORK SKRIPSI Disusun oleh: Rahafattri Ariya Fauzannissa 24010211140092 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Akhir-akhir ini kita banyak mendengar banyak berita bahwa Perusahaan Listrik Negara (PLN) mengalami kerugian yang sangat besar setiap tahunnya yang disebabkan faktor-faktor
Lebih 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 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 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 terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI
PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September
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 terperinciPerbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca
NATURALA Journal of Scientific Modeling & Computation, Volume 1 No.1 2013 7 ISSN 23030135 Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca Candra Dewi 1, M. Muslikh
Lebih terperinciPeramalan Beban Listrik Jangka Menengah Menggunakan Jaringan Syaraf Tiruan Pada Sistem Kelistrikan Kota Ambon Soleman Sesa
Beban Listrik Jangka Menengah Menggunakan Jaringan Syaraf Tiruan Pada Sistem Kelistrikan Kota Ambon Soleman Sesa leman.sesa@yahoo.com Teknik Elektro Universitas Brawijaya, Malang, Indonesia. Hadi Suyono
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 MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih 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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR Sofi Dwi Purwanto Teknik Informatika Universitas Islam Negeri Maulana Malik
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 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 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 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 terperinciJurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN
PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal
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 terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
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 PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciBAB 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 terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih 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 terperinciKata Kunci: jaringan transmisi, identifikasi, gangguan hubung singkat, jaringan syaraf tiruan.
ABSTRAK Jaringan syaraf tiruan terdiri dari beberapa neuron yang saling terhubung seperti pada otak manusia. Neuron atau sel saraf adalah sebuah unit pemroses informasi yang merupakan dasar operasi jaringan
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kebutuhan akan prediksi semakin meningkat pada era globalisasi saat ini sejalan dengan keinginan masyarakat khususnya pelaku bisnis untuk memberikan tanggapan
Lebih terperinciPemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat
Pemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat SKRIPSI Disusun oleh: MAULIDA NAJWA 24010212130028 DEPARTEMEN STATISTIKA
Lebih terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih 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 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 terperinciPemilihan Model JST untuk Penentuan Angka Oktana Biogasolin Sesuai dengan Data Masukannya
Yogyakarta, 16 Oktober 2008 Pemilihan Model JST untuk Penentuan Angka Oktana Biogasolin Sesuai dengan Data Masukannya Abdul Wahid dan Bambang Heru Susanto Laboratorium Sistem Proses Kimia, Departemen Teknik
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 terperinciPRAKIRAAN BEBAN LISTRIK KOTA PONTIANAK DENGAN JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) AGUS HASIM
PRAKIRAAN BEBAN LISTRIK KOTA PONTIANAK DENGAN JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) AGUS HASIM SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih 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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih 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 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 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 terperinciPenerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
Lebih terperinciPEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK
PEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK Bilqis Amaliah 1, Amethis Oktaorora 2 1,2 Teknik Informatika, FTIf - ITS,Surabaya
Lebih terperinciANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION
ANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION Program Studi Teknik Informatika STT Wastukancana Jl. Raya Cikopak No.53, Sadang, Purwakarta
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciBAB III METODOLOGI PENELITIAN. Pelaksanaan penelitian ini, memerlukan banyak hal yang harus
BAB III METODOLOGI PENELITIAN III.1 Diagram Alur (Flowchart) Pelaksanaan penelitian ini, memerlukan banyak hal yang harus diperhatikan sebagai persiapan dalam melakukan penelitian. Tujuannya agar memperkecil
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkebunan di Negara kita sangat berperan penting baik dibidang ekonomi maupun sosial karena dapat menghasilkan devisa yang cukup besar. Pembangunan ekonomi jangka
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 terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
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 terperinciPeramalan Data IHSG Menggunakan Metode Backpropagation
Peramalan Data IHSG Menggunakan Metode Backpropagation Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang, Indonesia hansun@umn.ac.id Diterima 31 Agustus 2012 Disetujui
Lebih terperinciUNNES Journal of Mathematics
UJM 4 (1) (2015) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm SISTEM PREDIKSI TAGIHAN LISTRIK USAHA JASA LAUNDRY MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muhamad
Lebih terperinciPrediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
Scientific Journal of Informatics Vol 3, No 1, Mei 2016 p-issn 2407-7658 http://journalunnesacid/nju/indexphp/sji e-issn 2460-0040 Prediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
Lebih 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 terperincioleh WAHYUNI PUTRANTO NIM. M SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
PERBANDINGAN METODE GRADIENT DESCENT DAN GRADIENT DESCENT DENGAN MOMENTUM PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN KURS TENGAH RUPIAH TERHADAP DOLAR AMERIKA oleh WAHYUNI PUTRANTO NIM.
Lebih terperinciPERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA
PERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA Budho Setyonugroho 1), Adhistya Erna Permanasari 2), Sri Suning Kusumawardani
Lebih terperinciPREDIKSI ANGKA PARTISIPASI SEKOLAH DI JAWA TENGAH UMUR TAHUN DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK
PREDIKSI ANGKA PARTISIPASI SEKOLAH DI JAWA TENGAH UMUR 16-18 TAHUN DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK R. Mh. Rheza Kharis *), R. Rizal Isnanto, and Ajub Ajulian Zahra Jurusan Teknik
Lebih terperinciUnnes Journal of Mathematics
UJM 2 (2) (2013) Unnes Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN ARIMA Dwi Prisita
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
44 BAB 4 HASIL DAN PEMBAHASAN 4.1. ARIMA DENGAN SPSS Dalam riset ini digunakan nilai penutupan harian dari saham ANTM pada bulan november 2007 sampai desember 2007. Gambar 1: Data Close Saham Nov Dec 07
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 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 terperinci