ANALISIS FUNGSI AKTIVASI RBF PADA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET
|
|
- Hadian Djaja Lesmana
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Prosiding SaPP0 : Sains, Teknologi, dan Kesehatan ISS AALISIS FUGSI AKTIVASI RBF PADA JST UTUK MEDUKUG PREDIKSI GAGGUA GEOMAGET John Maspupu Pussainsa LAPA, Jl. Dr. Dundunan o. Bandung 407, Tlp Pes. 06. Fax ohn_mspp@yahoo.com Abstrak. Makalah ini membahas suatu fungsi aktivasi khusus pada JST atau aringan syaraf tiruan untuk mendukung sistem prediksi gangguan geomagnet. Fungsi aktivasi khusus ini lebih dikenal dengan sebutan fungsi basis radial (radial basis functions - RBF). Selain itu dalam makalah ini uga diberikan suatu ilustrasi tentang penerapan fungsi aktivasi RBF pada penentuan bobot JST. Untuk mendapatkan tingkat gangguan geomagnet kita perlu mengetahui variasi hari tenang geomagnet. Dengan demikian untuk memprediksi tingkat gangguan geomagnet, cukup diprediksi variasi hari tenangnya dan kemudian dibandingkan dengan hasil-hasil pemantauan variasi harian geomagnet di SPD (Stasiun Pengamat Dirgantara) tertentu. Adapun tuuan dari pembahasan makalah ini adalah menganalisis fungsi radial basis yang digunakan sebagai fungsi aktivasi pada JST untuk memprediksi tingkat gangguan geomagnet. Sedangkan kontribusi dari hasil analisis fungsi aktivasi radial basis ini, nantinya digunakan dalam algoritma JST sebagai suatu kesatuan perangkat lunak (software) yang dapat diterapkan pada sistem prediksi tingkat gangguan geomagnet. Kata kunci : Fungsi aktivasi, RBF, JST, Gangguan, Geomagnet.. Pendahuluan Fungsi basis radial RBF ini telah diperkenalkan dan dikembangkan oleh Buhmann, M. D., (00) dan Chen, S. et. al., (99). Sedangkan teori dan beberapa aplikasi lainnya dapat dilihat pada referensi dari Yee, P. V. and Haykin, S., (00). Begitu uga aplikasi RBF yang menyangkut prediksi gangguan maupun badai geomagnet dapat dilihat pada makalah Gleisner, et.al., (00) dan Kugblenu, et.al., (999). Dari beberapa informasi pada referensi di atas, timbul pemikiran untuk menganalisis dan mengkai fungsi radial basis RBF tersebut sebagai salah satu fungsi aktivasi pada JST. Dengan demikian tuuan pembahasan makalah ini adalah menganalisis fungsi radial basis yang digunakan sebagai fungsi aktivasi pada JST. Selain itu variasi harian geomagnet merupakan hasil penumlahan dari variasi hari tenang dan gangguan geomagnet. Atau dengan perkataan lain gangguan geomagnet adalah selisih antara variasi harian geomagnet dengan variasi hari tenang. Selain itu komponen masukan yang digunakan dalam sistem JST ini adalah waktu lokal (local time), posisi lintang, nomor variasi hari tenang (quiet time daily variations number) dan bilangan bintik matahari (sunspot number). Sedangkan yang menadi target adalah data variasi hari tenang dari SPD (Stasiun Pengamat Dirgantara) Lapan. amun yang menadi masalah adalah bagaimana wuud pembentukan fungsi aktivasi radial basis tersebut? Dan bagaimana penentuan bobot JST pada pembelaaran dengan 65
2 66 John Maspupu menggunakan RBF tersebut?. Manfaat dari hasil analisis fungsi aktivasi radial basis ini, nantinya digunakan dalam algoritma JST sebagai suatu kesatuan perangkat lunak (software) yang dapat diterapkan pada sistem prediksi tingkat gangguan geomagnet.. Pembahasan Arsitektur JST atau aringan syaraf tiruan yang menggunakan fungsi aktivasi radial basis RBF ini memiliki tiga lapisan yaitu : lapisan masukan, satu lapisan tersembunyi dengan fungsi aktivasi RBF nonlinier dan satu lapisan keluaran yang bersifat linier. Arsitektur JST ini dinyatakan dalam bentuk diagram sebagai berikut : Keluaran Y Bobot linier W p Fungsi basis radial Hidden Z p Bobot V i p Masukan X i Gambar. Diagram JST dengan aktivasi fungsi basis radial. Misalkan suatu vector x digunakan sebagai masukan untuk semua fungsi basis radial dengan masing-masing parameter yang berbeda. Dengan demikian JST adalah suatu kombinasi linier dari keluaran fungsi-fungsi basis radial. Sehingga keluarannya adalah suatu pemetaan dari wilayah (domain) R n ke kowilayah (codomain) R atau ditulis, φ : R n R, dengan (x) yang didefinisikan sebagai, i ( x) ai x ci.... () Dalam hal ini adalah banyaknya neuron pada lapisan tersembunyi, c i adalah vektor pusat untuk neuron ke i, dan a i adalah bobot linier neuron keluaran. Pada dasarnya semua masukan terkait dengan setiap neuron di lapisan tersembunyi. orm khusus yang digunakan disini adalah arak Euclidean (Euclidean distance) dengan fungsi basisnya adalah Gauss (Gaussian) lihat Buhmann, M. D., (00) dan Haykin, S.,(999). Prosiding Seminar asional Penelitian dan PKM : Sains, Teknologi dan Kesehatan
3 Analisis Fungsi Aktivasi RBF pada JST untuk Mendukung Prediksi Dengan demikian fungsi basisnya berbentuk sebagai berikut: x i exp x i exp ( x( t) ) c c ci... () Selanutnya bila norm x membesar tanpa batas maka limit fungsi Gauss tersebut akan mendekati nol, atau secara matematis ditulis lim x ci 0. Ini berarti perubahan x parameter dari satu neuron hanya mempunyai suatu efek kecil terhadap nilai masukan yang auh dari pusat. Dengan perkataan lain fungsi aktivasi JST yaitu radial basis (RBF) adalah universal approximators pada suatu himpunan bagian kompak dari Rn. Ini berarti bahwa fungsi aktivasi RBF dengan neuron tersembunyi yang cukup, dapat didekati dengan suatu fungsi kontinyu. Bobot-bobot a i, c i dan β ditentukan dengan cara meng-optimumkan kecocokan antara fungsi dan data. Sebagai tambahan untuk proses non normalisasi di atas, JST atau aringan syaraf tiruan dengan fungsi aktivasi radial basis selalu dapat dinormalisasikan. Sehingga untuk kasus tersebut, pemetaannya didefinisikan sebagai berikut: ai x c def i i ( x) ai u x ci...() i x ci i Dalam hal ini fungsi basisnya mengambil bentuk seperti di bawah ini, u x c i def x i c i x c i...(4) Wuud dari (x) di () dengan fungsi basis di (4) ini, dikenal sebagai fungsi basis radial normal. Sedangkan wuud dari (x) di () dengan fungsi basis di () lebih dikenal sebagai fungsi basis radial non normal. Selain itu geometri dari dua fungsi basis radial yang tidak dinormalkan dapat dilihat pada Gambar. Sedangkan geometri dari dua fungsi basis radial yang dinormalkan dapat dilihat pada Gambar. ISS: Vol, o., Th, 0
4 68 John Maspupu Gambar. Dua fungsi basis radial yang tidak dinormalkan dalam satu dimensi masukan. Pusat fungsi basis yang dilokasikan pada c = 0.75 dan c =.5. Gambar. Dua fungsi basis radial yang dinormalkan dalam satu dimensi masukan. Pusat-pusat fungsi basis yang dilokasikan pada c = 0.75 dan c =.5. Prosiding Seminar asional Penelitian dan PKM : Sains, Teknologi dan Kesehatan
5 Analisis Fungsi Aktivasi RBF pada JST untuk Mendukung Prediksi Penentuan bobot JST pada pembelaaran dengan menggunakan RBF. Suatu pernyataan yang mendukung proses penentuan bobot tersebut adalah sebagai berikut. Misalkan diberikan himpunan { x R i,,..., } dengan sebuah himpunan korespondensi bilangan riil yaitu { R i,,..., }. Selanutnya bentuklah fungsi bernilai riil F : R R yang memenuhi kondisi interpolasi seperti pada referensi Chen, S. et. al., (99) yaitu, i F(x i ) = d i, i =,,...,....(5) Menurut penelasan di makalah Haykin, S.,(999) dan Yee, P. V. and Haykin, S., (00), RBF telah diformulasikan secara eksplisit sebagai, F( x) wi ( x xi )...(6) Kemudian dari (5) dan (6) diperoleh persamaan matriks sebagai berikut, i n d i., w w. w d d =. d...(7) Dalam hal ini i ( x xi ), dengan i, =,,...,. T d d d adalah vektor target atau vektor respon. T w w w adalah vektor bobot linier. i, i,,..., adalah matriks interpolasi yang nonsingulir. Dengan demikian persamaan (7) dapat dtulis menadi w d atau w d. Sedangkan galat (error) sinyal e d y dengan y adalah vektor keluaran. Ilustrasi. Misalkan terdapat masukan 4 pola titik dengan posisi (0,0) atau (,) terkait pada keluaran angka biner 0, sedangkan posisi (,0) atau (0,) terkait pada keluaran angka biner. Selanutnya definisikan suatu pasangan fungsi-fungsi Gaussian φ (x), xt φ (x) (as hidden functions) sebagai berikut: φ (x) = e, t = [,] T dan φ (x) = e xt, t = [0,0] T. Tabel. Spesifikasi fungsi-fungsi tersembunyi untuk XOR Pola masukan x Fungsi φ (x) Fungsi φ (x) (,) (0,) (0,0) (,0) 0,5 0,5 ISS: Vol, o., Th, 0
6 70 John Maspupu Tabel. Perhitungan transformasi masukan-keluaran untuk ilustrasi di atas Posisi data ke Pola masukan x Respons target d Keluaran nyata y 4 (,) (0,) (0,0) (,0) 0 0 0,90-0,0 0,90-0,0 Dari Tabel dan Tabel, diatas diperoleh matriks interpolasi Ф dan vektor target d T sebagai berikut, 0,5 Ф = dan d T = [0 0 ]. 0,5 Karena matriks Ф bukan matriks buur sangkar adi matriks invers Ф - diganti dengan matriks invers samaran Ф + = (Ф T Ф) - Ф T sehingga w = Ф + d. Juga karena fungsi tersembunyi hanya ada dua bentuk yaitu φ (x) dan φ (x) adi setiap unsur pada kolom terakhir dari matriks Ф adalah merupakan nilai fungsi Gaussian yang terpusat pada masing-masing posisi pola masukan yaitu e 0 =. Dengan demikian matriks transpos dari Ф adalah Ф T yang berbentuk sebagai berikut, Ф T = 0,5 0,5. Dari Ф T dan Ф diperoleh matrik invers samaran Ф + seperti dibawah ini yaitu,,656,58 0,68,58 Ф + = (Ф T Ф) - Ф T = 0,68,58,656,58. 0, ,846,0,6 Dengan perkataan lain dapat dihitung matriks bobot w = Ф + d =,6.,60 Sedangkan vektor galat sinyalnya dihitung berdasarkan bentuk formulasi vektor sinyal e d y 0,90 d yaitu e d y. Dengan demikian y e =,0. d y 0,90 d 4 y4,0 Prosiding Seminar asional Penelitian dan PKM : Sains, Teknologi dan Kesehatan
7 Analisis Fungsi Aktivasi RBF pada JST untuk Mendukung Prediksi... 7 Ilustrasi. Misalkan terdapat masukan 4 pola titik dengan posisi (0,0) atau (,) terkait pada keluaran angka biner,sedangkan posisi(,0) atau (0,) terkait pada keluaran angka biner 0. Selanutnya definisikan suatu pasangan fungsi-fungsi Gaussian φ (x), xt φ (x), φ (x), φ 4 (x) (as hidden functions) sebagai berikut: φ (x) = e, t = [,] T xt dan φ (x) = e, t = [0,0] T xt uga φ (x) = e, t = [0,] T serta φ 4 (x) = xt4 e, t 4 = [,0] T. Tabel. Spesifikasi fungsi-fungsi tersembunyi untuk XOR Pola masukan x Fungsi φ (x) Fungsi φ (x) Fungsi φ (x) Fungsi φ 4 (x) (,) (0,) (0,0) (,0) 0,5 0,5 0,5 0,5 Tabel 4. Perhitungan transformasi masukan-keluaran untuk ilustrasi di atas Posisi data ke Pola masukan x Respons target d Keluaran nyata y 4 (,) (0,) (0,0) (,0) 0 0 0,90-0,0 0,90-0,0 Dari Tabel dan Tabel 4, diatas diperoleh matriks interpolasi Ф dan vektor target d T sebagai berikut, 0,5 Ф = 0,5 dan d T = [ 0 0]. 0,5 0,5 Karena matriks Ф adalah matriks buur sangkar adi matriks invers Ф - dapat dihitung sehingga w = Ф - d. Dengan demikian matriks invers dari Ф yaitu Ф - berbentuk sebagai,,7 0,498 0,808 Ф - = 0,808 0,498,7 0,498 0,808 0,498 0,498,7 0,498 0,498 0,498.,7 0,808 Dari Ф - dan d diperoleh matriks bobot w = Ф - d =,58,58. 0,986 0,986 ISS: Vol, o., Th, 0
8 7 John Maspupu Sedangkan vektor galat sinyalnya dihitung berdasarkan bentuk formulasi vektor sinyal e d y 0,099 d yaitu, y e = 0,0. d y 0,099 d 4 y4 0,0. Kesimpulan Metode pembelaaran dengan menggunakan fungsi aktivasi radial basis ini secara teori lebih cocok dikenakan pada algoritma Probabilistic eural etwork (P). amun dalam prakteknya dapat saa dikenakan pada algoritma lainnya seperti algoritma Super-vised. Oleh karena itu fungsi aktivasi radial basis yang dikenakan pada algoritma pelatih-an dengan umpan mau (feedforward) maupun algoritma perambatan mundur dari galat (backpropagation of error), perlu diui keandalannya dengan data-data variasi harian geo-magnet terdahulu untuk mengetahui seberapa besar akurasi hasil prediksinya. Pada akhir-nya semua algoritma tersebut harus diteremahkan ke dalam program komputer sehingga dapat diimplementasikan pada data-data masukan gangguan geomagnet yang siap dipakai (real time data or near real time data). Hal ini dimaksudkan untuk mempermudah dan mempercepat hasil perhitungan nilai-nilai prediksi gangguan geomagnet. Dengan demikian hasil-hasil prediksinya dapat digunakan sebagai dukungan informasi dalam program-program cuaca antariksa nasional(national space weather programs) di Indonesia. 4. Daftar Pustaka Buhmann, M. D., (00). Radial Basis Functions: Theory and Implementations, Cambridge University. Chen, S. et. al., (99). "Orthogonal Least Squares Learning Algorithm for Radial Basis Function etworks", IEEE Transactions on eural etworks, Vol, o. Gleisner, H. and Lundsted, H.,(00) A eural network-based local model for prediction of geomagnetic disturbance, Journal of Geophysical Research, Vol. 06, no. 5, pp Haykin, S.,(999) eural network : A comprehensive foundation, Macmillan Company, ew York. College Publishing Kugblenu, S et.al., (999) Prediction of the geomagnetic storm associated Dst index using an Aalgorithm, Journal EPS,5, pp. 07. Yee, P. V. and Haykin, S., (00). Regularized Radial Basis Function Applications. John Wiley. etworks: Theory and Prosiding Seminar asional Penelitian dan PKM : Sains, Teknologi dan Kesehatan
ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET
Prosiding SNaPP2012 : Sains, Tenologi, dan Kesehatan ISSN 2089-3582 ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET 1 John Maspupu 1 Pussainsa LAPAN, Jl Dr Dundunan No 133 Bandung
Lebih terperinciPrediksi Indeks Gangguan Geomagnet Lokal K Menggunakan Jaringan Fungsi Basis Radial (JFBR)
Vol. 2, No.2, 58-64, Januari 2006 Prediksi Indeks Gangguan Geomagnet Lokal K Menggunakan Jaringan Fungsi Basis Radial (JFBR) Anisa Abstrak Aktivitas geomagnet merupakan salah satu faktor penting dalam
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 terperinciPerbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer
Perbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer R. Muhammad Subekti 1 1. P2TRR BATAN, Kompleks Puspiptek Gedung 31, Serpong, Tangerang 15310 Abstrak Algoritma umum metode
Lebih terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
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 terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011 PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF
Lebih terperinciIdentifikasi Unsur-unsur Radioaktif dengan Menggunakan Jaringan Syaraf Tiruan
Identifikasi Unsur-unsur Radioaktif dengan Menggunakan Jaringan Syaraf Tiruan Rokhmadi 1 dan R. Muhammad Subekti 1 1. Pusat Pengembangan Teknologi Reaktor Riset (P2TRR) BATAN, Serpong Abstrak Jaringan
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 terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
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 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 terperinciOPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK
OPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK ABSTRAK Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Algoritma umum metode propagasi
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciPREDIKSI INDEKS PASAR SAHAM S&P500, DOW JONES DAN NASDAQ COMPOSITE DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION
PREDIKSI INDEKS PASAR SAHAM S&P500, DOW JONES DAN NASDAQ COMPOSITE DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION Feni Andriani 1, Ilmiyati Sari 2 1 Universitas Gunadarma, feni.andriani@staff.gunadarma.ac.id
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 terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB 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 terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Siti Amiroch Universitas Islam Darul Ulum Lamongan, amirast_117@yahoo.com Abstract. In the stock market, stock price prediction is
Lebih terperinciJARINGAN FUNGSI BASIS RADIAL UNTUK MENENTUKAN RELASI FUZZY PADA PERAMALAN RUNTUN WAKTU FUZZY ORDE TINGGI
JARINGAN FUNGSI BASIS RADIAL UNTUK MENENTUKAN RELASI FUZZY PADA PERAMALAN RUNTUN WAKTU FUZZY ORDE TINGGI Winita Sulandari 1, Titin Sri Martini 1, Nughthoh Arfawi Kurdhi 1, Hartatik 2, Yudho Yudhanto 2
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih 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 terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF)
PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF) AINUN JARIAH 1209201721 DOSEN PEMBIMBING 1. Prof. Dr. Mohammad Isa Irawan, M.T 2. Dr Imam Mukhlas, S.Si, M.T
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 terperinciPREDIKSI BINTIK MATAHARI UNTUK SIKLUS 24 SECARA NUMERIK
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 PREDIKSI BINTIK MATAHARI UNTUK SIKLUS 24 SECARA NUMERIK John Maspupu Pussainsa
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih 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 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 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 terperinciANALISIS MULTIVARIAT PADA DATA INDEKS GEOMAGNET GLOBAL
Prosiding SNaPP2011 Sains, Teknologi, dan Kesehatan ISSN:2089-3582 ANALISIS MULTIVARIAT PADA DATA INDEKS GEOMAGNET GLOBAL 1 John Maspupu 1 Pussainsa LAPAN, Jl. Dr. Djundjunan No. 133 Bandung 40173, Tlp.
Lebih terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciPERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION
PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION (Forecast The Number of Vehicle in Jakarta Using Backpropagation Neural Net ) Zumrotus Sya diyah Universitas Darussalam Ambon,
Lebih terperinciBAB I PENDAHULUAN. Kelancaran berkomunikasi radio sangat ditentukan oleh keadaan lapisan E
1 BAB I PENDAHULUAN 1.1 Latar Belakang Kelancaran berkomunikasi radio sangat ditentukan oleh keadaan lapisan E sporadis yang merupakan bagian dari lapisan ionosfer. Untuk mengetahui keadaan lapisan E sporadis
Lebih terperinciMODEL EMPIRIS HARI TENANG VARIASI MEDAN GEOMAGNET DI STASIUN GEOMAGNET TONDANO MANADO
MODEL EMPIRIS HARI TENANG VARIASI MEDAN GEOMAGNET DI STASIUN GEOMAGNET TONDANO MANADO EMPIRICAL MODEL OF QUIET DAILY GEOMAGNETIC FIELD VARIATION AT THE TONDANO MANADO GEOMAGNET STATION Lukman Arifin dan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN RBF PADA SISTEM KONTROL VALVE UNTUK PENGENDALIAN TINGGI MUKA AIR
APLIKASI JARINGAN SYARAF TIRUAN RBF PADA SISTEM KONTROL VALVE UNTUK PENGENDALIAN TINGGI MUKA AIR Wahyudi, Hariyanto, Iwan Setiawan Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro, Jln.
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciPENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK
PENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK Eko Budi Wahyono*), Suzuki Syofian**) *) Teknik Elektro, **) Teknik Informatika - Fakultas Teknik Abstrak Pada era modern
Lebih 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 terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih 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 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 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 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 terperincig(x, y) = F 1 { f (u, v) F (u, v) k} dimana F 1 (F (u, v)) diselesaikan dengan: f (x, y) = 1 MN M + vy )} M 1 N 1
Fast Fourier Transform (FFT) Dalam rangka meningkatkan blok yang lebih spesifik menggunakan frekuensi dominan, akan dikalikan FFT dari blok jarak, dimana jarak asal adalah: FFT = abs (F (u, v)) = F (u,
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 terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
Lebih terperinciPREDIKSI HARGA SAHAM PERUSAHAAN KELAPA SAWIT MENGGUNAKAN PEMODELAN MLP DAN RBF
PRDIKSI HARGA SAHAM PRUSAHAAN KLAPA SAWIT MNGGUNAKAN PMODLAN MLP DAN RBF Linda Sari Dewi Program Studi Sistem Informasi STMIK Nusa Mandiri Jakarta Jl. Damai No. 8 Warung Jati Barat (Margasatwa) Jakarta
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 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciPEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS
PEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS Diana Purwitasari 1, Glory Intani Pusposari 2, Rully Sulaiman 3 Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
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 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 terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciBAB II 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 terperinciPENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
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. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan dalam penelitian ini.
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciKETERKAITAN AKTIVITAS MATAHARI DENGAN AKTIVITAS GEOMAGNET DI BIAK TAHUN
Majalah Sains dan Teknologi Dirgantara Vol. 3 No. 3 September 08:112-117 KETERKAITAN AKTIVITAS MATAHARI DENGAN AKTIVITAS GEOMAGNET DI BIAK TAHUN 1996 01 Clara Y. Yatini, dan Mamat Ruhimat Peneliti Pusat
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih 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 Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN
PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION
JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan E-mail : yuyun.dl@gmail.com
Lebih terperinciBAB 3 PERANCANGAN SISTEM. untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
29 BAB 3 PERANCANGAN SISTEM 3.1 Gambaran Umum Sistem Pada dasarnya untuk pembuatan aplikasi ini, yakni aplikasi pengenalan suara untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
Lebih terperinciStudi Banding antara Metode Minimum Distance dan Gaussian Maximum Likelihood Sebagai Pengklasifikasi Citra Multispektral
JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 2, 26-35, Agustus 2004, ISSN : 40-858 Studi Banding antara Metode Minimum Distance dan Gaussian Maximum Likelihood Sebagai Pengklasifikasi Citra Multispektral
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 terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih 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 terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih 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 terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciPENERAPAN METODE NEURAL NETWORK DENGAN STRUKTUR BACKPROPAGATION UNTUK PREDIKSI STOK OBAT DI APOTEK (STUDI KASUS : APOTEK ABC)
Seminar Nasional Aplikasi Teknologi Informasi 0 (SNATI 0) ISSN: 907-50 ogyakarta, 7-8 Juni 0 PENERAPAN METODE NEURAL NETWORK DENGAN STRUKTUR BACKPROPAGATION UNTUK PREDIKSI STOK OBAT DI APOTEK (STUDI KASUS
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK BERBASIS KECERDASAN BUATAN UNTUK ANALISIS KONDISI GINJAL PASIEN. R. Muhammad Subekti *
PENGEMBANGAN PERANGKAT LUNAK BERBASIS KECERDASAN BUATAN UNTUK ANALISIS KONDISI GINJAL PASIEN ABSTRAK R. Muhammad Subekti * PENGEMBANGAN PERANGKAT LUNAK BERBASIS KECERDASAN BUATAN UNTUK ANALISIS KONDISI
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciALGORITMA FUZZY C-MEANS (FCM) UNTUK PENENTUAN NILAI CENTER RADIAL BASIS FUNCTION (RBF) PADA KLASIFIKASI DATA PENYAKIT KARIES GIGI
ALGORITMA FUZZY C-MEANS (FCM) UNTUK PENENTUAN NILAI CENTER RADIAL BASIS FUNCTION (RBF) PADA KLASIFIKASI DATA PENYAKIT KARIES GIGI Nur Astuti 1, Oni Soesanto, Dwi Kartini 3 1,3 Prodi Ilmu Komputer FMIPA
Lebih terperinciSolusi Numerik Persamaan Transport dengan RBF
Solusi Numerik Persamaan Transport dengan RBF Unpublished M. Jamhuri UIN Malang March 30, 013 Hampiran RBF RBF singkatan dari radial basis function φ(r), adalah sebuah fungsi kontinu dengan satu peubah
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 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 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
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 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih 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 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 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 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 terperinciANALISIS FNS UNTUK SUATU SINYAL ULF GEOMAGNET
Prosiding SNaPP Sains, eknologi, dan esehatan ISSN:89-358 ANALISIS FNS UNU SUAU SINYAL ULF GEOMAGNE John Maspupu Pussainsa LAPAN, Jl. Dr. Djundjunan No. 33 Bandung 473, lp. 66 Pes. 6. Fax. 64998 E-mail:
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:
ISSN: 2339-254 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 205, Halaman 997-005 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PERBANDINGAN METODE KLASIFIKASI REGRESI LOGISTIK BINER DAN RADIAL
Lebih terperinciPENYELESAIAN NUMERIK PERSAMAAN DIFFERENSIAL BIASA MENGGUNAKAN JARINGAN FUNGSI RADIAL BASIS
PENYELESAIAN NUMERIK PERSAMAAN DIFFERENSIAL BIASA MENGGUNAKAN JARINGAN FUNGSI RADIAL BASIS Mohammad Jamhuri Jurusan Matematika FSAINTEK, Universitas Islam Negeri (UIN) Malang Jl. Gaayana No 50 Malang m.amhuri@live.com
Lebih terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
Lebih terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih 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 terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinci