BAB 2 TINJAUAN PUSTAKA
|
|
- Yuliana Makmur
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 pengamatan (diagnosis) terhadap kondisi ayam Secara umum, organ tubuh ayam yang telah terserang suatu penyakit, akan mengalami perubahan baik bentuk, warna, ukuran, maupun tekstur jika dibandingkan dengan organ yang normal Beberapa serangan penyakit pada ayam broiler atau unggas lainnya masih merupakan momok yang menakutkan bagi para peternak Mengapa demikian? Pasalnya, serangan penyakit yang sangat parah sangat merugikan peternak Tidak jarang, peternak gulung tikar akibat peternakannya diserang penyakit Karena itu, sangat penting mengetahui berbagai jenis penyakit yang sering menyerang ayam 22 Jaringan Syaraf Biologis Para ahli bedah otak sering membicarakan mengenai adanya pengaktifan neuron, pembuatan koneksi baru, atau pelatihan kembali pola-pola tingkah laku pada otak manusia Sayangnya hingga saat ini bagaimana sesungguhnya aktivitas-aktivitas tersebut berlangsung belum ada yang mengetahui dengan pasti Itulah sebabnya mengapa jaringan syaraf tiruan dikatakan hanya mengambil ide dari cara kerja jaringan syaraf biologis Salah satu contoh pengambilan ide dari jaringan syaraf biologis adalah adanya elemen-elemen pemprosesan pada jaringan syaraf tiruan yang saling terhubung dan
2 8 beroperasi secara paralel Ini meniru jaringan syaraf biologis yang tersusun dari sel-sel (neuron) Cara kerja dari elemen-elemen pemrosesan jaringan syaraf tiruan juga sama seperti cara neuron meng-code informasi yang diterimanya[10] Pembuatan struktur jaringan syaraf tiruan diilhami oleh struktur jaringan syaraf biologi, khususnya jaringan otak manusia Jaringan syaraf tersusun atas unit pemroses yang disebut neuron Menurut Fausett, sebuah neuron pada jaringan syaraf dianalogikan sebagai neuron biologis di mana sebuah neuron biologis memiliki 3 tipe komponen yaitu dendrit, soma dan axon Dendrit biasanya mendapatkan sinyal-sinyal dari neuron lain, sinyal itu berupa impuls elektrik yang ditransmisikan melalui sebuah penghubung yang disebut synapses dengan bantuan proses kimia Proses kimia inilah yang memodifikasi sinyal masuk atau berupa fungsi aktivasi pada jaringan syaraf Komponen kedua, soma atau cell body, adalah jumlah dari sinyal masuk Di mana soma ini diperoleh dari proses aktivasi dendrit yang ada melalui jalur yang dikenal dengan axon Jalur ini pada jaringan syaraf disimbolkan dengan bobot, di mana bobot inilah yang membedakan nilai koneksi dari setiap jalur yang ada
3 9 Gambar 21 Struktur Dasar Jaringan Syaraf Tiruan dan Struktur Sederhana Sebuah Neuron Struktur pada Gambar 21 adalah bentuk standar dasar satuan unit jaringan syaraf manusia yang telah disederhanakan Jaringan syaraf manusia tersusun tidak kurang dari buah neuron yang masing-masing terhubung oleh sekitar buah dendrit 23 Jaringan Syaraf Tiruan Jaringan syaraf tiruan merupakan sistem pemproses informasi yang memiliki karekteristik mirip dengan jaringan syaraf biologis[6] Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut Istilah buatan disini digunakan karena jaringan syaraf ini di implementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran Jaringan syaraf tiruan merupakan suatu sistem pemrosesan informasi yang memiliki karakteristik-karakteristik menyerupai jaringan syaraf biologi yang dirancang untuk memodelkan otak manusia mengerjakan fungsi atau tugas-tugas tertentu Jaringan syaraf tiruan ini memiliki kemampuan menyimpan pengetahuan berdasarkan pengalaman dan menjadikan simpanan pengetahuan menjadi bermanfaat untuk melakukan pengenalan pola-pola tertentu Jaringan syaraf tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran Sejumlah literatur menganggap bahwa konsep jaringan syaraf tiruan (JST) bermula pada makalah Waffen McCulloch dan Walter Pitts pada tahun 1943 Dalam makalah tersebut mereka mencoba untuk memformulasikan model matematis selsel otak Metode yang dikembangkan berdasarkan sistem syaraf biologi ini, merupakan suatu langkah maju dalam industri komputer
4 10 JST adalah suatu teknologi komputasi yang berbasis pada model syaraf biologis, JST merupakan suatu teknik pemrosesan informasi yang menggunakan model kuantitatif[9] JST terdiri dari sejumlah neuron melalui pendekatan dari sifatsifat komputasi biologis (biological computation) Neuron dapat diartikan sebagai bagian terkecil dari bagian JST yang berfungsi sebagai elemen pemroses[12] Model dari sebuah neuron ditunjukkan pada Gambar 22 bias x 1 w 1 x 2 w 2 Input x i net k f () Fungsi Aktivasi output w i Fungsi Penjumlahan Gambar 22 Model Neuron Dari Gambar 22 dapat dilihat bahwa neuron tersusun dari komponen sebagai berikut: 1 Sekumpulan penghubung atau synapses dengan nilai bobot yang telah disesuaikan, yang berfungsi menghubungkan masukan dan fungsi penjumlahan 2 Sebuah fungsi penjumlah (Summing) yang berfungsi untuk menjumlahkan semua sinyal masukan 3 Fungsi aktivasi yaitu fungsi yang mentransformasikan nilai keluarannya melalui pemetaan sinyal masukan ke dalam sebuah nilai yang sesuai dengan neuron
5 lainnya Fungsi aktivasi diharapkan menghasilkan nilai yang dapat mendekati nilai-nilai maksimum dan minimum target 11 Dari model sebuah neuron dapat dituliskan persamaan: y = f ( w * x i ) keterangan: x i w i f() y = sinyal masukan ke-i = bobot hubungan ke-i = bias = fungsi aktivasi atau elemen pemroses = sinyal keluaran Dalam proses pembelajarannya keluaran dari JST ditentukan oleh pola hubungan antar neuron atau arsitektur JST, metode untuk menentukan bobot penghubung berupa metode pembelajaran serta algoritma dan fungsi aktivasi dari JST itu sendiri Suatu algoritma belajar dari JST tergantung dari arsitektur atau struktur dari jaringan syaraf tersebut 231 Komponen Jaringan Syaraf Ada beberapa tipe jaringan syaraf, namun demikian, hampir semuanya memiliki komponen-komponen yang sama Seperti halnya otak manusia, jaringan syaraf juga terdiri-dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain Pada jaringan syaraf, hubungan ini dikenal dengan nama bobot Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut Gambar 23 menunjukkan struktur neuron pada jaringan syaraf
6 12 Input dari neuron neuron yang lain bobot Fungsi aktivasi Output bobot Output ke neuron neuron yang lain Gambar 23 Struktur neuron jaringan syaraf tiruan Jika kita lihat, neuron buatan ini sebenarnya mirip dengan sel neuron biologis Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula dengan neuronneuron biologis Informasi (disebut dengan: input) akan dikirim ke neuron dengan bobot kedatangan tertentu Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya [8] 232 Manfaat Jaringan Syaraf Tiruan Jaringan syaraf tiruan mulai dilirik banyak kalangan karena mempunyai banyak kelebihan dibandingkan sistem konvensional Jaringan syaraf tiruan mewakili pikiran manusia untuk mendekatkan diri dengan komputer, maksudnya jaringan syaraf tiruan dirancang agar komputer dapat bekerja seperti/layaknya otak manusia Berikut ini beberapa keunggulan dari jaringan syaraf tiruan adalah : 1 Adaptive learning: Suatu kemampuan untuk melakukan suatu kegiatan yang didasarkan atas data yang diberikan pada saat pembelajaran atau dari pengalaman sebelumnya
7 13 2 Self Organisation: Dapat membuat organisasi sendiri atau me-representasikan informasi yang didapat pada saat pembelajaran 3 Real Time Operation: Dapat menghasilkan perhitungan pararel dan dengan device hardware yang khusus yang dibuat akan memberikan keuntungan dengan adanya kemampuan tersebut 4 Fault Tolerance melalui Redundant Information Coding: Kerusakan pada bagian tertentu dari jaringan akan mengakibatkan penurunan kemampuan Beberapa jaringan mempunyai kemampuan untuk menahan kerusakan besar pada jaringan 5 Kelebihan jaringan syaraf tiruan terletak pada kemampuan belajar yang dimilikinya Dengan kemampuan tersebut pengguna tidak perlu merumuskan kaidah atau fungsinya Jaringan syaraf tiruan akan belajar mencari sendiri kaidah atau fungsi tersebut Dengan demikian jaringan syaraf tiruan mampu digunakan untuk menyelesaikan masalah yang rumit atau masalah yang terdapat kaidah atau fungsi yang tidak diketahui 6 Kemampuan jaringan syaraf tiruan dalam menyelesaikan masalah yang rumit telah dibuktikan dalam berbagai macam penelitian 24 Keunggulan Jaringan Syaraf Tiruan Sebagai alat pemecah masalah, JST memiliki keunggulan Beberapa keunggulan yang dimiliki oleh JST yaitu : 1 Mampu memecahkan masalah yang sukar disimulasikan dengan menggunakan teknik analikal logika seperti pada sistem pakar dan teknologi software standar 2 Mampu memahami data yang dimasukkan meskipun data tersebut tidak lengkap (incomplete data) atau data yang terkena gangguan (noisy data) 3 Jaringan syaraf tiruan memiliki kelebihan yang sulit diciptakan dengan pendekatan simbolik (logical) dari teknik tradisional artificial intelligence, yaitu bahwa JST mampu belajar dari pengalaman 4 Pada JST, yang perlu dilakukan adalah tinggal melatih jaringan untuk belajar dengan cara memasukkan set data berisi sekumpulan kasus ke dalam jaringan
8 14 5 Jaringan syaraf tiruan terbuka untuk digabungkan dengan teknologi lain untuk menghasilkan sistem hibrida yang memiliki kemampuan memecahkan masalah dengan lebih baik lagi[10] 25 Arsitektur Jaringan Syaraf Tiruan Arsitektur pada jaringan syaraf tiruan menggambarkan jumlah neuron dan hubungan bobot yang dipakai dan fungsi aktivasi Secara umum arsitektur jaringan syaraf dapat dibedakan menjadi tiga kelas yang berbeda, yaitu jaringan umpan-maju lapisan tunggal (single layer feedforward network atau Perceptron), jaringan umpan-maju lapisan banyak (multilayer perceptron) dan jaringan syaraf tiruan recurrent[7] 251 Jaringan Umpan-Maju Lapisan Tunggal Arsitektur umpan-maju lapis tunggal memiliki satu lapis koneksi bobot Di mana setiap unit dibedakan antara unit masukan dan unit keluaran Unit masukan adalah unit yang menerima sinyal yang berasal dari lingkungan luar, sedangkan unit keluaran adalah respon dari jaringan syaraf yang dapat dibaca Unit masukan secara penuh terhubung dengan unit keluaran tetapi tidak terhubung dengan unit masukan lain, begitu juga halnya unit keluaran tidak terhubung dengan unit keluaran yang lain
9 15 X 1 Y 1 W 11 W i1 W n1 W 1j X i X n W ij W nj W im W 1m Y j Y m W nm Unit Masukan Unit Masukan Gambar 24 Jaringan Umpan-Maju Lapisan Tunggal(Fausett, 1994) 252 Jaringan Umpan-Maju Lapisan Banyak Pada jaringan syaraf umpan-maju lapisan banyak, lapisan masukan tidak langsung terhubung dengan lapisan keluaran Di antara lapisan masukan jaringan terdapat satu atau lebih lapisan tersembunyi Dengan adanya lapisan tersembunyi maka jaringan syaraf dapat menyelesaikan permasalahan yang sulit daripada jaringan syaraf dengan arsitektur lapisan tunggal
10 16 X 1 X i X n Unit Masukan V 1j V ij V 11 V i1 V n1 V np V nj V 1p V ip Z 1 W p1 W j1 Z j Z p Unit Tersembunyi W jk W 11 W pm W jm W 1k W pk W 1m Y 1 Y k Y m Unit Keluaran Gambar 25 Jaringan Umpan-Maju Lapisan Banyak (Fausett, 1994) 253 Jaringan Syaraf Tiruan Recurrent Neuron pada jaringan syaraf recurrent dapat terhubung dengan neuron itu sendiri dan neuron lainnya Jaringan jaringan syaraf recurrent tidak memiliki proses pelatihan, sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif Gambar 26 Jaringan Syaraf Tiruan Recurrent (Fausett, 1994)
11 17 26 Metode Pembelajaran Metode pembelajaran dalam JST dapat dibedakan menjadi pembelajaran terpandu, pembelajaran tak terpandu dan pembelajaran hibrida (reinforcement) 261 Metode Pembelajaran Terpandu Metode pembelajaran pada jaringan syaraf disebut terpandu jika keluaran yang diharapkan atau target telah diketahui sebelumnya Sebelum jaringan mengubah sendiri bobotnya untuk mencapai target, bobot interkoneksi diinisialisasi Proses belajar JST dengan pengawasan adalah proses belajar dengan memberikan latihan untuk mencapai suatu target keluaran yang ditentukan JST mendapatkan latihan untuk mengenali pola-pola tertentu Selisih antara keluaran yang dihasilkan pada proses pembelajaran dan target (error) digunakan untuk mengoreksi bobot JST sehingga JST mampu menghasilkan keluaran sedekat mungkin dengan target yang telah diketahui JST[9] 262 Metode Pembelajaran Tidak Terpandu Pada metode pembelajaran tidak terpandu ini target tidak diperlukan Pada metode ini, tidak hanya ditentukan hasil seperti apakah yang diharapkan selama proses pembelajaran Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu, tergantung pada nilai masukan yang diberikan Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam area tertentu 263 Metode Pembelajaran Hibrida (Reinforcement)
12 18 Merupakan kombinasi dari metode pembelajaran terpandu dan metode pembelajaran tidak terpandu Sebagian dari bobot-bobotnya ditentukan melalui pembelajaran terpandu dan sebagian lainnya melalui pembelajaran tak terpandu 27 Jaringan Syaraf Tiruan Self-Organizing Feature Maps ( SOFM ) Kohonen Self Organizing Feature Maps, disingkat dengan SOFM atau lebih terkenal dengan istilah SOM ditemukan dan dikembangkan oleh Teuvo Kohonen, seorang profesor di Academy of Finland Metode ini memungkinkan untuk menggambarkan data multidimensi kedalam dimensi yang lebih kecil, biasanya satu atau dua dimensi Proses penyederhanaan ini dilakukan dengan mengurangi vektor yang menghubungkan masing-masing node Cara ini disebut juga dengan Vector Quantization Teknik yang dipakai dalam metode SOM dilakukan dengan membuat jaringan yang menyimpan informasi dalam bentuk hubungan node dengan training set yang ditentukan Salah satu hal yang menarik dalam metode SOM adalah kemampuannya untuk belajar secara mandiri (unsupervised leaming) Pada metode belajar secara mandiri, sebuah network akan belajar tanpa adanya target terlebih dahulu Hal ini berbeda dengan beberapa metode neural network yang lain seperti backpropagation, perceptron, dan sebagainya yang memerlukan adanya target saat proses learning dilaksanakan[3] Self-Organizing Feature Maps adalah jaringan syaraf kompetitif dimana neuron disusun dalam kotak dua dimensi yang mewakili ruang fitur Menurut aturan belajar, vektor yang mirip satu sama lain dalam ruang multidimensi akan serupa dalam ruang dua dimensi SOFM sering digunakan hanya untuk memvisualisasikan ruang n-dimensi, tetapi aplikasi utamanya adalah klasifikasi data[4]
13 19 SOFM (Self Organizing Feature Maps) terdiri dari dua lapisan, yaitu lapisan input dan lapisan output Setiap neuron output mempunyai bobot untuk masing-masing neuron input Proses pembelajaran dilakukan dengan melakukan penyesuaian terhadap setiap bobot pada neuron output Setiap input yang diberikan dihitung jarak Euclidean dengan setiap neuron output, kemudian dicari neuron output yang mempunyai jarak minimum Neuron yang mempunyai jarak yang paling kecil disebut neuron pemenang atau neuron yang paling sesuai denga input yang diberikan[5] Terdapat m unit kelompok yang tersusun dalam arsitektur satu atau dua dimensi dan sinyal-sinyal masukan sejumlah n vektor bobot untuk suatu unit kelompok disediakan satu eksemplar dari pola-pola masukan yang tergabung dengan kelompok tersebut Selama proses pengorganisasian sendiri, unit kelompok yang memiliki vektor bobot paling cocok dengan pola masukan (ditandai dengan jarak Euclidean paling minimum) dipilih sebagai pemenang Unit pemenang dan unit tetangganya diperbaharui bobotnya[2] 271 Arsitektur jaringan Self-Organizing Feature Maps (SOFM) Y 1 Y j Y W 11 W i1 W n1 W 1j W ij W nj W 1m W im W nm X 1 X i X n Gambar 27 Arsitektur Jaringan Self-Oraganizing Feature Maps (Fausett, 1994)
14 Algoritma pelatihan jaringan kohonen SOM Algoritma pelatihan jaringan kohonen SOM adalah sebagai berikut : Langkah-0 Inisialisasi bobot Wij Tetapkan parameter cluster (m) dan parameter laju pelatihan (α) Langkah-1 Selama syarat berhenti salah, lakukan langkah-langkah dibawah ini : Langkah (i) Untuk setiap vector masukan X, lakukan beberapa langkah dibawah ini : Langkah (a) Untuk setiap j hitunglah : D(j) = (w ij - x i ) 2 I Langkah (b) Cari indeks j sedemikian sehingga D (j) minimum Langkah (c) Untuk semua unit j didalam ketetanggaan j, dan untuk semua i, hitunglah : w ij(baru) = w ij(lama) + α [ x i - w ij(lama) ] Langkah (ii) Perbarui laju belajar Langkah (iii) Kurangi jari-jari ketetanggaan topologis dengan pencecahan tertentu Langkah (iv) Uji syarat berhenti Bila benar, maka berhenti 273 Contoh algoritma pelatihan jaringan kohonen SOM : 1 Vector-vector yang akan dikelompokkan adalah sebagai berikut: [ ], [ ], [ ], [ ] Jumlah cluster yang diinginkan adalah m=2, dengan bobot awal tiap cluster: w 1 = [ ]; w 2 = [ ]; Ditetapkan laju pelatihan awal α(0) = 06 dan α(t+1) = 05α (t) Radius ketetanggaan R = 0 Carilah matriks bobot setelah 100 iterasi dan tentukan termasuk kelompok cluster yang mana keempat vector masukan diatas Penyelesaian: Step-0 Inisialisasi matriks bobot:
15 21 Inisialisasi radius R = 0 Inisialisasi learning rate α(0) = 06 Step-1 Mulai pelatihan: Step-2 Untuk vector pertama [ ] lakukan langkah 3-5; Step-3 D(1) = (02-1) 2 + (06-1) 2 + (05-0) 2 + (09-0) 2 = 186; D(2) = (08-1) 2 + (04-1) 2 + (07-0) 2 + (03-0) 2 = 098; Step-4 Vektor input tertutup untuk output node 2, maka: J = 2 Step-5 Bobot unit pemenang di perbahurui dengan: w i2 = w i2(old)+ 06[x i -w i2(old) ] Bobot matriks yag diberikan saat ini: Step-2 Untuk vector kedua [ ] lakukan langkah 3-5; Step-3 D(1) = (02-1) 2 + (06-1) 2 + (05-0) 2 + (09-0) 2 = 066; D(2) = (092-1) 2 + (076-1) 2 + (028-0) 2 + (012-0) 2 = 22768; Step-4 Vektor input tertutup untuk output node 2, maka: J = 1 Step-5 Kolom kedua di perbaharui dengan: Step-2 Untuk vector ketiga [ ] lakukan langkah 3-5; Step-3 D(1) = (08-1) 2 + (024-1) 2 + (020-0) 2 + (096-0) 2 = 1865; D(2) = (092-1) 2 + (076-1) 2 + (028-0) 2 + (012-0) 2 = 0676;
16 22 Step-4 Vektor input tertutup untuk output node 2, maka: J = 2 Step-5 Kolom kedua di perbaharui dengan: Step-2 Untuk vector keempat [ ] lakukan langkah 3-5; Step-3 D(1) = (008-0) 2 + (024-0) 2 + (020-1) 2 + (096-1) 2 = 0705; D(2) = (0968-0) 2 + (0304-0) 2 + (0112-1) 2 + (0048-1) 2 = 272; Step-4 Vektor input tertutup untuk output node 2, maka: J = 1 Step-5 Kolom kedua di perbaharui dengan: Step-6 Kurangi dengan learning rate: a = 05(06) = 03 persamaan bobot yang di perbaharui sekarang: w ij(new) = w ij(old)+ 03[x i -w ij(old) ] Matriks bobot setelah 2 kali pelatihan adalah:
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciBAB 2 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 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 terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
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 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 terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 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 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 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB 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 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 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 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 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 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 terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciBAB II 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra merupakan fungsi kontinyu dari intensitas cahaya pada bidang dua dimensi. Intensitas cahaya merupakan hasil kali antara jumlah pancaran (illuminasi) cahaya
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 terperinci2.1 Definisi Operasional Indikator Pemerataan Pendidikan
BAB II TINJAUAN PUSTAKA 2.1 Definisi Operasional Indikator Pemerataan Pendidikan Pendidikan di Indonesia diselenggarakan sesuai dengan sistem pendidikan nasional yang ditetapkan dalam UU No. 20 tahun 2003
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 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 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 terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan Pendahuluan Otak Manusia Sejarah Komponen Jaringan Syaraf Arisitektur Jaringan Fungsi Aktivasi Proses Pembelajaran Pembelajaran Terawasi Jaringan Kohonen Referensi Sri Kusumadewi
Lebih terperinciterinspirasi dari sistem biologi saraf makhluk hidup seperti pemrosesan informasi
25 BAB III JARINGAN SARAF TIRUAN (JST) 3.1 Pengertian JST JST merupakan sebuah model atau pola dalam pemrosesan informasi. Model ini terinspirasi dari sistem biologi saraf makhluk hidup seperti pemrosesan
Lebih terperinciFarah Zakiyah Rahmanti
Farah Zakiyah Rahmanti Latar Belakang Struktur Dasar Jaringan Syaraf Manusia Konsep Dasar Permodelan JST Fungsi Aktivasi JST Contoh dan Program Jaringan Sederhana Metode Pelatihan Supervised Learning Unsupervised
Lebih 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 terperinciPENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION Heru Satria Tambunan AMIK Tunas Bangsa Jalan Sudirman Blok A No. -3, Kota Pematang Siantar, Sumatera
Lebih terperinciJaringan Syaraf Tiruan
07/06/06 Rumusan: Jaringan Syaraf Tiruan Shinta P. Sari Manusia = tangan + kaki + mulut + mata + hidung + Kepala + telinga Otak Manusia Bertugas untuk memproses informasi Seperti prosesor sederhana Masing-masing
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 terperinciJARINGAN SYARAF TIRUAN
JARINGAN SYARAF TIRUAN 8 Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah
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 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 terperinciJARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom Outline Konsep JST Model Struktur JST Arsitektur JST Aplikasi JST Metode Pembelajaran Fungsi Aktivasi McCulloch
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 terperinciVIII.PENGANTAR JARINGAN SYARAF TIRUAN (JST)
VIII.PENGANTAR JARINGAN SYARAF TIRUAN (JST) 3 JARINGAN SYARAF BIOLOGIS (JSB) Otak manusia berisi sekitar 0 sel syaraf (neuron) yang bertugas untuk memproses informasi yang masuk. Tiap sel syaraf dihubungkan
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 4 Model Neural Network
Model Jaringan Neural Buatan (JNB) merupakan suatu sistem yang dibangun berdasarkan cara kerja neural pada makhluk hidup (neural biologis) Neural biologis terdiri atas sel neural yang disebut neuron yang
Lebih terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
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 terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciBAB VIII PENGANTAR JARINGAN SYARAF TIRUAN (JST)
BAB VIII PENGANTAR JARINGAN SYARAF TIRUAN (JST) 8.1 Komponen Jaringan Syaraf JARINGAN SYARAF BIOLOGIS (JSB) Otak manusia berisi sekitar 10 11 sel syaraf (neuron) yang bertugas untuk memproses informasi
Lebih terperinciJARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS)
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS) (Artificial Neural Networks) BAB I PENDAHULUAN 1.1 Sejarah JST JST : merupakan cabang dari Kecerdasan Buatan (Artificial Intelligence ) JST : meniru
Lebih terperinciPENYELESAIAN MASALAH TRAVELING SALESMAN PROBLEM DENGAN JARINGAN SARAF SELF ORGANIZING
Media Informatika, Vol. 6, No. 1, Juni 2008, 39-55 ISSN: 0854-4743 PENYELESAIAN MASALAH TRAVELING SALESMAN PROBLEM DENGAN JARINGAN SARAF SELF ORGANIZING Sukma Puspitorini Program Studi Teknik Informatika
Lebih terperinciPENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Alfa Ceria Agustina (1) Sri Suwarno (2) Umi Proboyekti (3) sswn@ukdw.ac.id othie@ukdw.ac.id Abstraksi Saat ini jaringan saraf tiruan
Lebih 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan diuraikan materi yang mendukung dalam pembahasan evaluasi implementasi sistem informasi akademik berdasarkan pengembangan model fit HOT menggunakan regresi linier
Lebih terperinciMODEL N EURON NEURON DAN
1 MODEL NEURON DAN ARSITEKTUR JARINGAN 1 1 Model Neuron Mengadopsi esensi dasar dari system syaraf biologi, syaraf tiruan digambarkan sebagai berikut : Menerima input atau masukan (baikdari data yang dimasukkan
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 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 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2. Jaringan Saraf Tiruan Jaringan saraf tiruan (JST) pertama kali diperkenankan oleh McCulloch dan Walter Pitts pada tahun 943. Jaringan saraf tiruan merupakan suatu sistem pemrosesan
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 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 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 PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,
Lebih terperinciBAB II TEORI DASAR. Gambar 2.1 Anatomi Jantung
4 BAB II TEORI DASAR 2.1. Jantung Jantung merupakan otot tubuh yang bersifat unik karena mempunyai sifat membentuk impuls secara automatis dan berkontraksi ritmis [4], yang berupa dua pompa yang dihubungkan
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 II MODEL NEURON DAN ARSITEKTUR JARINGAN
BAB II MODEL NEURON DAN ARSITEKTUR JARINGAN Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian JST. Neuron terdiri dari 3 elemen: Himpunan unit2 yang dihubungkan dengan jalus
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 terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Jaringan Saraf Tiruan (JST) Jaringan saraf tiruan pertama kali secara sederhana diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. McCulloch dan Pitts menyimpulkan bahwa
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. menggunakan teknik statistik, matematika, kecerdasan buatan, tiruan dan machinelearning
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data mining adalah kombinasi secara logis antara pengetahuan data, dan analisa statistik yang dikembangkan dalam pengetahuan bisnis atau suatu proses yang menggunakan
Lebih terperinciBAB II DASAR TEORI. 2.1 Citra Digital
BAB II DASAR TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f (x,y) dua dimensi,dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Pola Pengenalan pola (pattern recognition) adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur atau sifat
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 terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih 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 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Ginjal Ginjal adalah organ tubuh yang berfungsi untuk mengeluarkan urine, yang merupakan sisa hasil metabolisme tubuh dalam bentuk cairan. Ginjal terletak pada dinding bagian luar
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Jaringan Syaraf Tiruan (artificial neural network), atau disingkat JST menurut Hermawan (2006, hlm.37) adalah sistem komputasi dimana arsitektur dan operasi
Lebih terperinciPerbandingan Arsitektur Multilayer Feedforward Network dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array
Nico Saputro Perbandingan Arsitektur Multilayer Feedforard Netork dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array Abstrak Jaringan Syaraf Tiruan dapat diimplementasikan secara perangkat
Lebih terperinciBAB I PENDAHULUAN. diatur di dalam otak sebagai pengendali utama tubuh manusia. Otak manusia
BAB I PENDAHULUAN A. Latar Belakang Manusia telah diciptakaan oleh Tuhan dalam bentuk kesempurnaan. Salah satu ciptaan yang menakjubkan adalah otak manusia dimana semua kecerdasaan diatur di dalam otak
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 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 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 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Beban dan Prakiraan Beban Listrik Di dalam sebuah sistem kelistrikan terdapat 2 sisi yang sangat berbeda, yaitu sisi beban dan sisi pembangkitan. Pada sisi beban atau beban
Lebih terperinciOPTICAL CHARACTER RECOGNIZATION (OCR)
LAPORAN JARINGAN SYARAF TIRUAN OPTICAL CHARACTER RECOGNIZATION (OCR) DISUSUN OLEH: DIJAS SCHWARTZ. S (524) FIRNAS NADIRMAN (481) INDAH HERAWATI (520) NORA SISKA PUTRI (511) OKTI RAHMAWATI (522) EKSTENSI
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih 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 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 PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih 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 III METODE PENELITIAN. Pada bab ini akan dijelaskan bahan dan software yang digunakan
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan dan software yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan
Lebih terperinciResearch of Science and Informatic BROILER CHICKENS WEIGHT PREDICTION BASE ON FEED OUT USING BACKPROPAGATION
Sains dan Informatika Vol.2 (N0.2) (2016): 1-9 1 Andre Mariza Putra, Chickens Weight Prediction Using Backpropagation JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih terperinciPERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
PERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Ibrahim Arief NIM : 13503038 Program Studi Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung
Lebih terperinciIMPLEMENTASI JARINGAN SARAF TIRUAN HAMMING DALAM KASUS PENGENALAN POLA ANGKA DAN HURUF. Oleh : M. Husaini., S.T., M.T Dosen IAIN Bandar Lampung
IMPLEMENTASI JARINGAN SARAF TIRUAN HAMMING DALAM KASUS PENGENALAN POLA ANGKA DAN HURUF Oleh : M. Husaini., S.T., M.T Dosen IAIN Bandar Lampung 1. ABSTRAKSI Jaringan Saraf Tiruan (JST) mempunyai prinsip
Lebih terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kebutuhan akan piranti pengenal/pendeteksi yang handal sangat dibutuhkan. Pengembangan teknologi pengenalan yang berupa kecerdasan buatan (Artificial Intelligence)
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Pencemaran air Air merupakan salah satu komponen utama dalam lingkungan yang berperan penting dalam kehidupan (Warlina, 2004). Air, yang bersumber dari sungai, danau, gletser,
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 terperinciP E N D A H U L U A N Latar Belakang
KLASIFIKASI KEKERAPAN KUNJUNGAN LOKASI BERBASIS LOCATION BASED SERVICE (LBS) MENGGUNAKAN SELF-ORGANIZING MAP (SOM) Oleh : Dhanang Fitra Riaji (NRP : 2208205737) PROGRAM MAGISTER JURUSAN TEKNIK INDUSTRI
Lebih terperinciUNIVERSITAS INDONESIA PENGEMBANGAN JARINGAN SYARAF TIRUAN DENGAN METODE SOM FUZZY DAN LVQ FUZZY TESIS DWI SUDARNO PUTRA
UNIVERSITAS INDONESIA PENGEMBANGAN JARINGAN SYARAF TIRUAN DENGAN METODE SOM FUZZY DAN LVQ FUZZY TESIS DWI SUDARNO PUTRA 0906577740 FAKULTAS TEKNIK PROGRAM PASCA SARJANA TEKNIK ELEKTRO DEPOK JULI 2011 UNIVERSITAS
Lebih terperinciCLUSTERING DATA PENCEMARAN UDARA SEKTOR INDUSTRI DI JAWA TENGAH DENGAN KOHONEN NEURAL NETWORK
CLUSTERING DATA PENCEMARAN UDARA SEKTOR INDUSTRI DI JAWA TENGAH DENGAN KOHONEN NEURAL NETWORK Budi Warsito, Dwi Ispriyanti dan Henny Widayanti Program Studi Statistika FMIPA UNDIP Semarang ABSTRACT Industrial
Lebih terperinci