KLASIFIKASI BERBASIS LVQ MENGGUNAKAN OPTIMASI LEARNING RATE UNTUK MEMILIH SISWA PESERTA OSN
|
|
- Djaja Lesmana
- 7 tahun lalu
- Tontonan:
Transkripsi
1 KLASIFIKASI BERBASIS LVQ MENGGUNAKAN OPTIMASI LEARNING RATE UNTUK MEMILIH SISWA PESERTA OSN Wahyu Hadi Pujianto 1), Mochamad Hariadi 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Kosentrasi CIO) Jurusan Tehnik Elektro, Institut Teknologi 10 November Surabaya 2) Jurusan Teknik Elektro-FTI Institut Teknologi 10 November Surabaya 3) Jurusan Teknik Elektro-FTI Institut Teknologi 10 November Surabaya ABSTRAK Olimpiade Sains Nasional (OSN) pada tingkat SMA dibagi menjadi 8 bidang, yaitu matematika, fisika, biologi, kimia, ekonomi, kebumian, astronomi dan komputer. Setiap sekolah harus mengirimkan minimal 3 siswa tiap bidang olimpiade untuk mengikuti seleksi OSN tingkat kabupaten/kota, sehingga total dipilih 24 siswa berkualitas. Data terdiri dari nilai rapor dan nilai tes potensi akademik (TPA), dengan jumlah variabel adalah 14 butir. Data ini dibagi menjadi dua yaitu data training dan data testing, dipilih secara sistematik sampling, Data diklasifikasikan berbasiskan learning vector quantization (LVQ) menggunakan perubahan nilai learning rate. Hasil penelitian menunjukkan Data semi-ideal merupakan data yang cocok untuk pelatihan data, dengan acuan : jumlah neuron = 2,5 x jumlah data training, learning rate = 0,01, diperoleh hasil klasifikasi terbaik dengan akurasi 81,30% untuk data training dan 79,20% untuk data testing. Kata kunci: Pemilihan, OSN, optimasi learning rate, LVQ PENDAHULUAN Latar Belakang Sekolah merupakan lembaga yang bertujuan meningkatkan kualitas manusia dengan meningkatkan kualitas dan kuantitas pengetahuan yang dimilikinya. Manusia yang dididik di sekolah disebut sebagai siswa atau peserta didik, yang merupakan manusia pada fase perkembangan (tumbuh). Oleh sebab itu, pada fase ini, perlu adanya motivasi atau rangsangan untuk mempercepat siswa menguasai pengetahuan dan berkembang lebih jauh dengan mengeluarkan semua potensi yang dimilikinya. Salah satu strategi untuk memotivasi siswa adalah dengan mengikutsertakan dalam perlombaan, antara lain adalah Olimpiade Sains Nasional, mulai tingkat kabupaten, propinsi, nasional, hingga tingkat internasional. Lomba olimpiade sains (OSN) merupakan agenda tahunan yang dilaksanakan oleh kementrian pendidikan dan kebudayaan untuk sarana pemacu peningkatan kualitas pendidikan sekaligus sarana untuk menyaring peserta didik berkualitas menuju olimpiade sains internasional. Pada tingkat SMA, OSN dibagi menjadi 8 bidang, yaitu matematika, fisika, biologi, kimia, ekonomi, kebumian, astronomi dan komputer. Sekolah harus mengirimkan 3 siswa per bidang untuk mewakili sekolah di tingkat kabupaten, sehingga harus dipilih 24 siswa dengan tingkat kognitif tinggi dan tepat dengan bidang yang dilombakan. Kita tidak hanya memilih siswa dengan prioritas nilai tertinggi tetapi juga melihat kecenderungan penguasaan bidang tertentu, yang secara tidak langsung menunjukkan minatnya. Penempatan siswa pada bidang lomba yang tepat akan mendorong siswa untuk berkembang secara C-15-1
2 maksimal dan memiliki kemungkinan besar untuk mengalahkan siswa lain yang memiliki IQ lebih tinggi tetapi tidak penempatannya tidak sesuai dengan minatnya. Lomba olimpiade untuk tingkat SMA memiliki sasaran pada siswa kelas XI dan seleksi tingkat kabupaten/kota dilaksanakan mulai bulan April. Kelas XI merupakan tahap perkembangan maksimal dari siswa sebelum terganggu/terfokuskan pada UAN, sehingga semua soal disusun mencapai materi kelas XI. Soal yang disusun walaupun merupakan materi yang telah diberikan tetapi memiliki tingkat kesulitan diatas materi di sekolah karena telah dipadukan dengan bahan pengayaan. Dengan demikian dibutuhkan siswa yang berkualitas, yakni secara bahan mentah, ditunjukkan dengan potensi akademik, dan secara kemauan belajar, ditunjukkan oleh nilai akademik (rapor). Dengan demikian, dibutuhkan alat bantu pengambilan keputusan oleh pimpinan untuk menentukan siswa yang tepat mengikuti pembinaan olimpiade di sekolah dan menghindari terjadinya konflik perebutan siswa oleh masing-masing Pembina olimpiade terkait adanya 8 bidang olimpiade dalam OSN, serta ditentukan dalam waktu sesingkat-singkatnya sehingga sesegera mungkin dapat memulai kegiatan pembinaan olimpiade. Penentuan variable yang berpengaruh Dalam SOP OSN 2012, juga dicantumkan syarat kemampuan yang harus dikuasai siswa untuk masing-masing bidang olimpiade yaitu: a) Matematika : memiliki nilai Matematika tidak kurang dari 7.5 (skala 10) b) Fisika : memiliki nilai Fisika tidak kurang dari 7.5 (skala 10) c) Kimia : memiliki nilai Kimia tidak kurang dari 7.5 (skala 10) d) Biologi ; memiliki nilai Biologi tidak kurang dari 7.5 (skala 10) e) Informatika : memiliki nilai matematika tidak kurang dari 7,0 (skala 10), dan mampu mengoperasikan perangkat komputer dengan sistem operasi windows atau linux f) Ekonomi : memiliki nilai Ekonomi dan bahasa Inggris tidak kurang dari 8,0 (sk ala 10), dan mampu mengoperasikan perangkat komputer dengan sistem operasi windows g) Kebumian : memiliki nilai Fisika, Kimia, Geografi masing-masing tidak kurang dari 7,0 (skala 10) h) Astronomi : memiliki nilai Fisika, Matematika, Bahasa Inggris masing-masing tidak kurang dari 7,5 (skala 10), dan mampu mengoperasikan perangkat komputer dengan sistem operasi windows atau linux. Variabel berikutnya yang menjadi pertimbangan adalah hasil Tes Potensi Akademik (TPA). Menurut William stern (dalam crow and crow, 1984) mengatakan bahwa intelegensi adalah kemampuan untuk menyesuaikan diri dengan keadaan baru atau kondisi baru dengan menggunakan alat-alat berfikir sesuai dengan tujuannya. Definisi lain dinyatakan oleh Sternberg (dalam eggen dan kauchak 1997), bahwa intelegansi sebagai tiga dimensi, yaitu; (a) kapasitas untuk memperoleh pengetahuan, (b) kemampuan untuk berfikir dan logika dalam bentuk abstrak, dan (c) kapabilitas untuk memecahkan masalah. Tes potensi akademik akan memuat hal-hal sebagai berikut: a) Intelegensi quotion (IQ) adalah tingkat kecerdasan seseorang untuk memecahkan masalah pada umumnya, khususnya dalam kecepatan melakukan perhitungan sehingga sangat mendukung dalam memahami pelajaran eksak, seperti matematika, fisika, dan kimia, serta menunjukkan kemampuan dalam hal ingatan. b) kemampuan seseorang dalam berbahasa (BA), sangat berpengaruh dalam penguasaan pelajaran bahasa, agama dan seni (kecuali seni grafis). c) kemampuan dalam tata bilangan dan tata hitungan (BT), sangat berpengaruh dalam penguasaan pelajaran eksak. C-15-2
3 d) logika abstrak (LA) yaitu kemampuan berpikir logis dengan menggunakan simbol-simbol, khususnya untuk pelajaran eksak, biologi, dan komputasi. e) kemampuan verbal (KV) yaitu kemampuan berpikir yang terikat pada bahasa. f) kemampuan non verbal (KNV) yai tu kemampuan berpikir seseorang yang tidak terikat dengan bahasa. Metode Learning Vector Quantization (LVQ) Menurut Jang, et al. (1997), LVQ merupakan metode klasifikasi data adaptif berdasarkan pada data pelatihan dengan informasi kelas yang diinginkan. Walaupun merupakan suatu metode pelatihan supervised tetapi LVQ menggunakan teknik data clustering unsupervised untuk pra proses data dan penentuan cluster centernya. Arsitektur jaringan LVQ hampir menyerupai suatu jaringan pelatihan kompetitif kecuali pada masingmasing unit outputnya yang dihubungkan dengan suatu kelas tertentu. Dengan demikian dapat disimpulkan bahwa Learning Vector Quantization (LVQ) adalah salah satu metode jaringan syaraf tiruan yang digunakan dalam klasifikasi dan pengenalan pola. Pada metode ini, masing-masing unit output mewakili kategori atau kelas tertentu. Pada jaringan LVQ, proses pembelajaran atau pelatihan harus dilakukan terlebih dahulu. dalam proses pembelajaran, vector input yang diberikan akan terklasifikasikan secara otomatis. Apabila beberapa vector input memiliki jarak yang sangat berdekatan, maka vector-vektor input tersebut akan dikelompokkan dalam kelas yang sama. Jaringan LVQ tidak sekedar merupakan bentuk dari competitive learning algorithm, namun LVQ memiliki target artinya jaringan LVQ belajar mengklasifikasikan vektor masukan ke kelas target yang ditentukan oleh pengguna. X1 X2 W21 W22 W11 W12 W13 X-W1 Y_in1 F1 Y1 X3 W23 W14 X4 W24 X5 W15 W25 X-W2 Y_in2 F2 Y2 W16 W26 X6 Gambar 1 Arsitektur Jaringan LVQ Pada gambar di atas, ditunjukkan contoh arsitektur jaringan LVQ dengan enam neuron pada lapisan masukan dan dua neuron pada lapisan keluaran. Proses yang terjadi pada setiap neuron adalah mencari jarak vektor masukan ke bobot yang bersangkutan ( W1 dan W2). W1 adalah vektor bobot yang menghubungkan setiap neuron pada lapisan masukan ke neuron C-15-3
4 pertama pada lapisan keluaran, sedangkan W2 adalah vektor bobot yang menghubungkan setiap neuron pada lapisan masukan ke neuron kedua pada lapisan keluaran. Fungsi aktivasi F1 akan memetakan Y_in1 ke Y1=1 apabila X-W1 > X-W2 dan Y1=0, dan sebaliknya fungsi aktivasi F2 akan memetakan Y_in2 ke Y2=1 apabila X-W2 > X-W1 dan Y2=0. Optimasi Learning rate LVQ pada awalnya menggunakan konsep fixed learning rate yaitu nilai learning rate yang tetap selama proses pelatihan. Hal ini merupakan suatu kelemahan, karena terjadi perlakuan sama pada proses training saat vektor bobot bergerak benar dengan vektor bobot bergerak salah. Hal ini diatasi dengan mengunakan konsep adaptive learning rate yang artinya nilai learning rate berubah setiap saat berdasarkan pergerakan vektor bobot, meliputi perkecil nilai learning rate saat pergerakan vektor bobot benar dan sebaliknya, perbesar nilai learning rate saat pergerakan vektor bobot salah Konsep ini kemudian dikenal optimasi learning rate LVQ (OLVQ). Algoritma LVQ Algoritma ini akan mengubah bobot i neuron yang paling dekat dengan vektor masukan, semisal vektor masukan x = ( x1, x2, x 3 ) vector bobot keluaran neuron ke-j adalah w j = ( w1 j, w2 j,..., w nj ), Cj adalah kelas yang diwakili oleh neuron ke-j, T adalah kelas yang benar untuk masukan x dan jarak Euclidean antara vector masukan dan vector bobot dinyatakan oleh: d()() j n xi wij 2 i 1 Dengan xi wij ((),(),(),...()) x1 w1 j x2 w2 j x3 w3 j xn wnj Perubahan bobot neuron dilakukan dengan langkah-langkah berikut: 1. Inisialisasi vektor bobot dan laju pembelajaran α, jika kondisi untuk berhenti salah, laksanakan langkah 2 sampai 6 2. Untuk setiap vector masukan x, laksanakan langkah 3 dan langkah 4 3. Hitung nilai f sehingga d(j) minimum 4. Mengubah bobot neuron ke-j sebagai berikut: ( t 1)()() t t Jika T=Cj, maka w w x w j j j yaitu mendekatkan vektor bobot w ke vektor masukan x ( t 1)()() t t Jika T Cj, maka w w x w j j j yaitu mendekatkan vektor bobot w ke vektor masukan x 5. Mengurangi nilai laju pembelajaran α Jika T=Cj, maka dan sebaliknya, Jika T Cj, maka: dengan α 1 6. Mengecek kondisi untuk berhenti. Jumlah iterasi atau kondisi vektor bobot yang stabil atau nilai α sangat kecil C-15-4
5 METODE Tahapan ini meliputi hal-hal sebagai berikut: 1. Pengumpulan data Data terdiri atas nilai rapor siswa kelas X semester 1 dan 2, yang kemudian diambil nilai reratanya. Selain itu, juga menggunakan data Tes Potensi akademik sejumlah 5 variabel. 2. Pembersihan data Bertujuan membuang data yang memiliki variabel tidak lengkap atau tidak memiliki besar/nilai. Selain itu, juga membuang data yang mengalami penyimpangan pengukuran. 3. Pemetaan variabel input Pemetaan ini diperlukan untuk pembuatan kriterian dalam penentuan target kelas awal pada data. = kondisi tinggi = kondisi rendah Gambar 2 Pemetaan Variabel dan Output 4. Penentuan target dan jenis data Dilakukan oleh 3 orang berdasarkan kriterian yang telah ditentukan, dan hasilnya diputuskan berdasarkan suara terbanyak. Data juga dikelompokkan menjadi dua yaitu data ideal dan data non ideal. Data ideal adalah data yang variabelnya memnuhi kriteria yang ditentukan. Sebaliknya, Data non-ideal adalah data yang kurang memenuhi kriteria yang ditentukan 5. Normalisasi dan scaling data Bertujuan untuk mengkonversi data menjadi nilai baru dengan rentang nilai antara -1 hingga Penentuan data training Training data terdiri atas 2 kelompok data yaitu Data Ideal dan Data semi-ideal. Data Ideal berjumlah 79 butir, dengan 10 butir data disetiap kelas, dan seluruhnya merupakan Data Ideal. Data semi-ideal berjumlah 80 butir, yang setiap kelasnya terdiri atas 5 butir data Ideal dan 5 butir Data non-ideal. 7. Pelatihan dan pengujian data Tahap ini dimulai dengan mencari besar jumlah neuron dan nilai learning rate yang tepat, yang akan digunakan untuk percobaan berikutnya. Kemudian berlanjut pada tahap pelatihan dan pengujian kelompok Data Ideal dan Data semi-ideal. Bobot vektor dari hasil kedua jenis pelatihan digunakan untuk pengujian data siswa tahun sebelumnya. HASIL DAN PEMBAHASAN Pada kegiatan awal, melakukan 10 percobaan dengan variasi jumlah neuron, dan 10 percobaan berikutnya dengan variasi nilai learning rate, yang akhirnya memutuskan untuk C-15-5
6 menggunakan jumlah neuron = 200 butir dan nilai learning rate sebesar 0,01 untuk percobaan berikutnya. Dengan ketentuan ini, nilai MSE minimum = 0,0316, akurasi = 87,3% dan waktu maksimum = 40 menit/ 1000 iterasi. Pada keadaan ini, terlihat grafik penurunan MSE yang bergerak cukup stabil. Pada pelatihan dan pengujian dengan menggunakan Data Ideal sebagai data training. Hasil pelatihan menunjukkan akurasi sebesar 87,3% saat nilai MSE = 0,0316, sedangkan hasil pengujian menunjukkan akurasi sebesar 78%, berselisih 9,7% dibawah akurasi pelatihan. Akurasi 78% berarti hanya mampu mendeteksi 117 butir data benar dari total data 149 butir. Jika hasil klasifikasi data training digabungkan dengan data testing maka diperoleh sebagai berikut: Tabel 1 Tingkat Akurasi Training Data Semi-Ideal Terbaik Deteksi Benar Salah Data ideal ,37% 15 11,63% Data non ideal 72 72,00% 28 28,00% Dengan demikian, sangat terlihat sekali bahwa dengan menggunakan data ideal sebagai data training maka sistem sangat akurat dalam mengklasifikasikan data ideal secara keseluruhan dibandingkan data non-ideal. Pada pelatihan dan pengujian dengan menggunakan Data semi-ideal sebagai data training. Hasil pelatihan menunjukkan akurasi sebesar 81,3% saat nilai MSE = 0,0469, sedangkan hasil pengujian menunjukkan akurasi sebesar 79,2%, hanya berselisih 2,1% dibawah akurasi pelatihan. Akurasi 79,2% berarti hanya mampu mendeteksi 118 butir data benar dari total data 150 butir. Jika hasil klasifikasi data training digabungkan dengan data testing, maka diperoleh sebagai berikut: Tabel 2 Tingkat Akurasi Training Data Semi-Ideal Terbaik Deteksi Benar Salah Data ideal 99 76,74% 30 23,25% Data non ideal 84 84,00% 16 16,00% Dengan demikian, sangat terlihat sekali bahwa dengan menggunakan data semi-ideal sebagai data training maka sistem sangat akurat dalam mengklasifikasikan data non-ideal secara keseluruhan dibandingkan data ideal, tetapi juga akurat dalam mengklasifikasikan data ideal. Pada pengujian data siswa tahun sebelumnya dengan menggunakan bobot terbaik hasil dari kedua jenis pelatihan, maka didapatkan hasil sebagai berikut: Tabel 3 Tingkat Akurasi untuk Data Ta 2009/2010 Bobot yang digunakan Deteksi Benar Deteksi Salah Data Training Ideal ,70% 66 25,29% Data Traning semi-ideal ,20% 57 21,84% Total data = 261 butir Dari hasil tersebut, terlihat penurunan akurasi cukup besar jika menggunakan bobot dari hasil training Data Ideal, tetapi sebaliknya terlihat bahwa bobot dari hasil training Data semi-ideal lebih akurat dalam mengklasifikasikan siswa ke dalam kelas-kelas OSN. Hal ini karena bobot dari hasil training data ideal memiliki area yang kurang tepat untuk melingkupi area Data non- Ideal. C-15-6
7 KESIMPULAN DAN SARAN Kesimpulan dari penelitian ini adalah sebagai berikut: 1. Pelatihan data menggunakan Data Ideal, memberikan akurasi pelatihan yang jauh lebih tinggi daripada Data semi-ideal, karena semua data yang digunakan untuk pelatihan memiliki konsitensi terhadap kriteria yang telah ditentukan. Kelemahan yang timbul yaitu bobot hasil pelatihan ini kurang mampu mengenali data non-ideal. 2. Pelatihan data menggunakan Data semi-ideal, berdasarkan total data keseluruhan, memberikan akurasi yang lebih baik dalam mengenali konsep/kriteria yang telah ditentukan, karena penurunan nilai akurasi hasil pelatihan data terhadap pengujian data adalah kecil dan memiliki proporsi pengenalan benar data ideal terhadap data non-ideal hampir sama. Dengan demikian Data-semi ideal merupakan komposisi terbaik untuk digunakan sebagai data training. 3. Dengan akurasi benar sebesar 78,20% berdasarkan pegujian data menggunakan data siswa tahun sebelumnya, maka metode ini cukup membantu dalam mengklasifikasikan siswa dalam bidang-bidang OSN. Berdasarkan langkah-langkah penelitian yang telah dilakukan, maka beberapa hal yang perlu lebih diperhatikan dan diperbaiki dimasa yang akan datang, yaitu sebagai berikut: a. Pada penelitian selanjutnya, diharapkan untuk sangat berhati-hati dalam penentuan target, mengingat data yang digunakan merupakan data riil, sehingga jarang ditemui data yang sesuai dengan kriteria ideal yang telah ditentukan, sehingga diawal penelitian perlu dibuat kriteria tambahan yang bersifat baku untuk menentukan target kelas/kelompok. b. Perlu dilakukan pengisian kuisioner terkait minat siswa memilih mata pelajaran dan bidang lomba olimpiade sebagai penegas keputusan atas asumsi/anggapan bahwa nilai tertinggi dari semua pelajaran menunjukkan kecondongan/minat siswa terhadap pelajaran tersebut. DAFTAR PUSTAKA Arikunto, Suharsimi, Prof.Dr. (2009). Dasar-dasar Evaluasi Pendidikan (edisi revisi). Jakarta: Bumi Aksara. Depdiknas. (2006). Panduan Pelaksanaan Kurikulum Tingkat Satuan Pendidikan. Jakarta. Fausett, L. (1994). Fundamentals of neural networks: Architectures, algorithms, and applications. Prentice-HallInternational., Inc. Jain AK, Dubes RC. (1988). Algorithms for Clustering Data. New Jersey: Prentice Hall Inc. Salazar GEJ, Veles AC, Parra MCM, Ortega LO. (2002). A Cluster Validity Index for Comparing Non-hierarchical Clustering Methods. Santosa, Budi. (2007). Data mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu. C-15-7
PENGENAL 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 terperinciPENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU Risky Meliawati 1,Oni Soesanto 2, Dwi Kartini 3 1,3Prodi Ilmu Komputer FMIPA UNLAM 2 Prodi Matematika
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 terperinciPEMETAAN SEBARAN MUTU PENDIDIKAN DASAR MENGGUNAKAN METODE SELF ORGANIZING MAPS
PEMETAAN SEBARAN MUTU PENDIDIKAN DASAR MENGGUNAKAN METODE SELF ORGANIZING MAPS Ahmad Mulla Ali Basthoh 1, Surya Sumpeno 2, dan I Ketut Eddy Purnama 3 Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS
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 terperinciOleh: Ulir Rohwana ( ) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T.
Oleh: Ulir Rohwana (1209 100 702) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI HASIL DAN PENGUJIAN
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 terperinciSISTEM PENGENALAN TULISAN TANGAN REAL TIME MENGGUNAKAN METODE DOMINANT POINT DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN TULISAN TANGAN REAL TIME MENGGUNAKAN METODE DOMINANT POINT DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Oleh: Bakhtiar Arifin (1206 100 722) Dosen Pembimbing: Prof. DR. M.
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 terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
Lebih terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih 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 terperinciProses Pengelompompokan Saraf Menggunakan Jaringan Saraf Tiruan (JST) dengan Algoritme Self-Organizing Maps (SOM)
Prosiding Statistika ISSN: 2460-6456 Proses Pengelompompokan Saraf Menggunakan Jaringan Saraf Tiruan (JST) dengan Algoritme Self-Organizing Maps (SOM) 1 Tantri Lestari, 2 Abdul Kudus, 2 Sutawanir Darwis
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 terperinciLEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA
LEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA 1,2,3 Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara e-mail: edgar.audela.bb@students.usu.ac.id,
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 1-6 1 Pengenalan Tulisan Tangan Huruf Latin Bersambung Secara Real Time Menggunakan Algoritma Learning Vector Quantization Ulir Rohwana dan M Isa Irawan
Lebih terperinciKOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN
Lebih terperinciFUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ)
BAB 2 FUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ) Bab ini akan menjelaskan algoritma pembelajaran FNLVQ konvensional yang dipelajari dari berbagai sumber referensi. Pada bab ini dijelaskan pula eksperimen
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 004 Yogyakarta, 19 Juni 004 Klasifikasi Pola Menggunakan Jaringan Probabilistik Sri Kusumadewi Jurusan Teknik Informatika, Universitas Islam Indonesia Jl.
Lebih terperinciPengolahan data merupakan proses awal yang dilakukan dalam program RBFNN sebelum masuk pada proses pelatihan (training) dan pengujian (testing).
Pengolahan data merupakan proses awal yang dilakukan dalam program RBFNN sebelum masuk pada proses pelatihan (training) dan pengujian (testing). Oleh karena itu, di Bab 4 ini untuk memudahkan memahami
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 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 terperinciPenerapan Learning Vector Quantization Penentuan Bidang Konsentrasi Tugas Akhir (Studi Kasus: Mahasiswa Teknik Informatika UIN Suska Riau)
Penerapan Learning Vector Quantization Penentuan Bidang Konsentrasi Tugas Akhir (Studi Kasus: Mahasiswa Teknik Informatika UIN Suska Riau) Elvia Budianita 1, Ulti Desi Arni 2 1,2 Teknik Informatika, UIN
Lebih terperinciAPLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT
APLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT Fradika Indrawan Jurusan Teknik Informatika, Universitas Ahmad Dahlan, Yogyakarta Jl.
Lebih terperinciOleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.
Oleh: Angger Gusti Zamzany(1210100 073) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI PENGUJIAN
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 terperinciDETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION
No Makalah : 299 Konferensi Nasional Sistem Informasi 2012, STMIK - STIKOM Bali 23-25 Pebruari 2012 DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION Ratri Dwi Atmaja 1,
Lebih terperinciEVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN (Studi Kasus pada Pengenalan Karakter Angka Tulisan Tangan) Iwan Suhardi Jurusan Teknik
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciDAFTAR ISI. Halaman Judul. Lembar Pengesahan Pembimbing. Lembar Pengesahan Penguji. Halaman Persembahan. Halaman Motto. Kata Pengantar.
DAFTAR ISI Halaman Judul i Lembar Pengesahan Pembimbing ii Lembar Pengesahan Penguji iii Halaman Persembahan iv Halaman Motto v Kata Pengantar vi Abstraksi viii Daftar Isi ix Daftar Gambar xii Daftar Tabel
Lebih terperinciPENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR ABSTRAK
PENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR Rosihan Ari Yuana Program Studi Pendidikan Matematika Universitas Sebelas Maret ABSTRAK Aplikasi jaringan
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
Lebih terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
Lebih 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 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 terperinciPenerapan Learning Vector Quantization (LVQ) untuk Klasifikasi Status Gizi Anak
IJCCS, Vol.7, No.2, July 2013, pp. 155~166 ISSN: 1978-1520 155 Penerapan Learning Vector Quantization (LVQ) untuk Klasifikasi Status Gizi Anak Elvia Budianita* 1, Widodo Prijodiprodjo 2 1 Jurusan Teknik
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 terperinciANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA Julpan 1 *, Erna Budhiarti Nababan 1 & Muhammad Zarlis 1 1 Program S2 Teknik Informatika
Lebih terperinciKLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK
KLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK Sri Kusumadewi Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta cicie@fti.uii.ac.id ABSTRACT More application often used
Lebih terperinciANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
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 terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciJURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 1
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 1-6 1 Identifikasi Cacat Peluru dengan Menggunakan Pengolahan Citra Digital Berbasis Learning Vector Quantization (LVQ) Angger Gusti Z dan Dwi Ratna S
Lebih terperinciCLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PPMB IPB)
CLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PPMB IPB) Irman Hermadi 1, Imas S. Sitanggang 1, Edward 2 1 Staf Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian
Lebih terperinci1 PENDAHULUAN 1.1 Latar Belakang
1 PENDAHULUAN 1.1 Latar Belakang Curah hujan merupakan faktor yang berpengaruh langsung terhadap perubahan cuaca yang semakin memburuk. Curah hujan merupakan total air hujan yang terjatuh pada permukaan
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 terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
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 terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciKLASIFIKASI 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 terperinciAplikasi Jaringan Syaraf Tiruan Untuk Clustering Polutan Kimia Penyebab Pencemaran Udara
Aplikasi Jaringan Syaraf Tiruan Untuk Clustering Polutan Kimia Penyebab Pencemaran Udara Nur Yanti ), Maria Ulfah 2) ) Teknik Elektronika, Politeknik Negeri Balikpapan nur.yanti@poltekba.ac.id 2) Teknik
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 terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciKLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS
KLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS Nunik Mariastuti Wijilestari, Moch. Hariadi Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 60
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA)
61 LEARNING VECTOR QUANTIZATION UNTUK PENDETEKSIAN ANAK BERBAKAT (GIFTED CHILD) PADA MASA PERKEMBANGAN Nuri Insania Andyani1, Nelly Indriani Widiastuti2 1,2 Teknik Informatika Universitas Komputer Indonesia
Lebih terperinciKLASIFIKASI KUALITAS BUAH GARCINIA MANGOSTANA L. MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
KLASIFIKASI KUALITAS BUAH GARCINIA MANGOSTANA L. MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Endi Permata 1), Andri Suherman 2) 1) Pendidikan Teknik Elektro Universitas Sultan Ageng Tirtayasa Banten
Lebih terperinciANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR
Jurnal Teknik dan Ilmu Komputer ANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR PARAMETER VARIATION ANALYSIS OF LEARNING VECTOR QUANTIZATION
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
34 BAB 3 METODOLOGI PENELITIAN 3.1. Pendahuluan Pengenalan pola (pattern recognition) adalah proses klasifikasi dari suatu objek atau pola menjadi beberapa kategori atau kelas, yang mana bertujuan untuk
Lebih terperinciAplikasi Jaringan Syaraf Tiruan Untuk Penentuan Status Gizi Balita Dan Rekomendasi Menu Makanan Yang Dibutuhkan
119 Aplikasi Jaringan Syaraf Tiruan Untuk Penentuan Status Gizi Balita Dan Rekomendasi Menu Makanan Yang Dibutuhkan Fitri, Onny Setyawati, dan Didik Rahadi S Abstrak -Status gizi balita dapat ditentukan
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciBAB 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 terperinciKLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN
Lebih terperinciPROSIDING ISBN :
P 26 PENGARUH MOTIVASI BERPRESTASI, INTELIGENSI QUOTIENT, DAN FASILITAS BELAJAR TERHADAP PRESTASI OLIMPIADE SAINS DI SMA NEGERI 1 BANTUL TAHUN AJARAN 2011/2012 ARY WIDAYANTO SMA N 1 BANTUL ABSTRAK Penelitian
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Ayam seperti halnya hewan lain juga tidak terlepas dari serangan penyakit. Antisipasi untuk mencegah dan mengenali gejala penyakit yang berbahaya sangatlah penting.
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 terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
Lebih 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 terperinciAplikasi Pengenalan Citra Chord Gitar Menggunakan Learning Vector Quantization (LVQ)
95 Aplikasi Pengenalan Citra Chord Gitar Menggunakan Learning Vector Quantization (LVQ) Imam Suderajad *), Tamam Asrori **), Mohammad ***), Dwi Prananto ****) Teknik Elektro, Universitas Panca Marga Email:
Lebih terperinciKomparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation
Komparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation DOSEN PEMBIMBING Prof. Dr. Moh. Isa Irawan, M.T. Dr. Imam Mukhlash,
Lebih terperinciBAB 4. JARINGAN BERBASIS KOMPETISI
BAB 4. JARINGAN BERBASIS KOMPETISI Jaringan berbasis kompetisi menggunakan ide kompetisi untuk meningkatkan kontras dalam aktivasi neuron (winner take all). Hanya neuron yang aktivasinya diperbolehkan
Lebih terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciBAB 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 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 terperinciPenyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks
Penyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks Dewi Erla Mahmudah 1, Ratna Dwi Christyanti 2, Moh. Khoridatul Huda 3,
Lebih 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 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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
Lebih terperinciz_in ( ) dan mengaplikasikan fungsi aktivasi untuk menghitung sinyal output ( ) Propagasi balik:
LAMPIRAN 4 Lampiran Algoritma aringan syaraf tiruan propagasi balik Langkah 0 Inisialisasi bobot Langkah Selama kondisi berhenti bernilai salah, lakukan langkah -9. Langkah Untuk setiap pasangan, lakukan
Lebih 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 terperinciPENERAPAN ALGORITMA LEARNING VECTOR QUANTIZATION DALAM PENGKLASIFIKASIAN TINGKAT PENCEMARAN AIR SUNGAI
PENERAPAN ALGORITMA LEARNING VECTOR QUANTIZATION DALAM PENGKLASIFIKASIAN TINGKAT PENCEMARAN AIR SUNGAI Muhammad Ridha Rahimi1), Hartatik2 1), 2) Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road
Lebih terperinciPengelompokan Data Guru Untuk Pemilihan Calon Pengawas Satuan Pendidikan Menggunakan Metode Fuzzy C-Means dan Kohonen Self Organizing Maps
Pengelompokan Data Guru Untuk Pemilihan Calon Pengawas Satuan Pendidikan Menggunakan Metode Fuzzy C-Means dan Kohonen Self Organizing Maps Muslem 1, Eko Mulyanto Yuniarno 2, I Ketut Eddy Purnama 3 Magister
Lebih terperinciPENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS
PENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS WULAN ANGGRAENI wulangussetiyo@gmail.com Program Studi Pendidikan Matematika Universitas Indraprasta PGRI Abstract. The purpose of this study was to
Lebih terperinciIDENTIFIKASI JENIS BATU AKIK MENGGUNAKAN METODE LEARNING VEKTOR QUANTIZATION (LVQ)
IDENTIFIKASI JENIS BATU AKIK MENGGUNAKAN METODE LEARNING VEKTOR QUANTIZATION (LVQ) SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S. Kom.) Pada Program Studi Teknik
Lebih terperinciImplementasi Genetic Algorithm Dan Artificial Neural Network Untuk Deteksi Dini Jenis Attention Deficit Hyperactivity Disorder
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 2, Februari 2018, hlm. 688-694 http://j-ptiik.ub.ac.id Implementasi Genetic Algorithm Dan Artificial Neural Network
Lebih terperinciPERBANDINGAN ANTARA METODE KOHONEN NEURAL NETWORK DAN LEARNING VECTOR QUANTIZATION PADA SISTEM PENGENALAN TULISAN TANGAN SECARA REAL TIME
PERBANDINGAN ANTARA METODE KOHONEN NEURAL NETWORK DAN LEARNING VECTOR QUANTIZATION PADA SISTEM PENGENALAN TULISAN TANGAN SECARA REAL TIME Nama Mahasiswa : Asworo NRP : 205 00 077 Jurusan : Matematika FMIPA-ITS
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Nama Mahasiswa : Gigih Prasetyo Cahyono NRP : 1206 100 067 Jurusan : Matematika FMIPA-ITS Dosen Pembimbing : Prof.
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 terperinciSaran Aksi Saham Dengan Pendekatan Fundamental Dan Teknikal Menggunakan Metode Learning Vector Quantization Neural Network
Inggrayana, Saran Aksi Saham Dengan Pendekatan Fundamental Dan Teknikal Menggunakan Metode Learning. 1 Saran Aksi Saham Dengan Pendekatan Fundamental Dan Teknikal Menggunakan Metode Learning Vector Quantization
Lebih terperinciKlasifikasi Status Gizi Balita Berdasarkan Indikator Antropometri Berat Badan Menurut Umur Menggunakan Learning Vector Quantization
Klasifikasi Status Gizi Balita Berdasarkan Indikator Antropometri Berat Badan Menurut Umur Menggunakan Learning Vector Quantization Elvia Budianita 1, Novriyanto 2 Teknik Informatika UIN Suska Riau Jl.H.R
Lebih terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih 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 terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih 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 terperinciPenyelesaian Masalah Symmetric Traveling Salesman Problem Dengan Jaringan Saraf Continuous Hopfield Net
Penyelesaian Masalah Symmetric Traveling Salesman Problem Dengan Jaringan Saraf Continuous Hopfield Net Apul Prima S, Sri Suwarno, R. Gunawan Santosa Fakultas Teknologi Informasi, Program Studi Teknik
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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinci