III. METODOLOGI PENELITIAN
|
|
- Susanti Sugiarto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia. Lambatnya tanggapan pemerintah terhadap sinyal-sinyal risis ini menyebaban eadian elangaan pupu teradi hampir merata di seluruh Indonesia. Setelah risis elangaan teradi barulah pemerintah bertinda untu menanganinya. Hal ini berpengaruh terhadap nasib petani yang berhubungan langsung dengan omoditi pupu tersebut, sehingga dalam asus ini bisa dibilang petanilah yang menanggug beban elangaan pupu yang teradi. Untu mengatasi hal tersebut diperluan sistem detesi dini yang menangap sinyal-sinyal risis yang emunginan aan teradi sehingga pemerintah dapat melauan tindaan sebelum suatu risis teradi. Hal ini tentunya aan membantu piha petani agar tida selalu menderita menanggung harga pupu yang berada auh di atas harga eceran tertinggi yang ditentuan oleh pemerintah. Oleh arena alasan tersebutlah dibuat aian husus tentang sistem detesi dini bagi petani padi ini. Kaian ini diawali dengan menganalisis fator dan variabel penentu dalam sistem distribusi pupu bersubsidi dengan menggunaan teni perbandingan esponensial dan AHP. Fator dan variabel penentu ini aan diadian sebagai masuan dalam pengembangan sistem detesi dini distribusi pupu bersubsidi bagi petani padi. Sementara itu, arsitetur prototipe detesi dini dirancang untu menduung proses pengambilan eputusan sebelum dan sesudah teradi risis elangaan persediaan pupu. Prototipe ini mempunyai arsitetur sistem yang secara onseptual menyediaan fasilitas input data dan informasi, model pemrosesan data dan menghasilan output berupa informasi intensitas risis dan saran tinda lanutnya. Input model berupa data yang didapatan dari distributor resmi dan elompo tani secara periodi. Data dan informasi ini sesuai dengan strutur rancangan database model detesi dini. Model detesi dini mengolah input data primer dan seunder yang didapat dari BPS serta instansi terait. Gambar 13 menelasan model onseptual arsitetur prototipe detesi dini manaemen risis penyediaan pupu bersubsidi untu petani padi. Dinas Pertanian Gambar 13. Konsep arsitetur prototipe detesi dini manaemen risis penyediaan pupu bersubsidi bagi petani padi 21
2 3.2 Tahapan Penelitian Proses dan metode dalam penelitian ini terdiri atas beberapa tahapan. Keranga tahapan penelitian disaian dalam Gambar 14. Mulai Studi literatur, wawancara, dan survey lapang Identifiasi Masalah - Metode Perbandingan Esponensial - Analytical Hierarchy Process (Saaty, 1980) Analisis Fator Kritis Penyediaan Pupu Bersubsidi Pelatihan JST - Artificial Neural Networ : Probabilistic & Bacward Propogation (Patterson 1996, Seminar et al 2006) Penguian JST Ui Model (OK)? Tida Selesai Ya Gambar 14. Tahapan proses penelitian dan metode yang digunaan Identifiasi Masalah Identifiasi masalah dilauan dengan turun e lapang dan melauan wawancara serta uga studi literatur untu mendapatan gambaran umum tentang permasalahan distribusi dan elangaan yang teradi. Pada aringan syaraf tiruan, identifiasi masalah diperluan untu menganalisis hasil yang diharapan. Hal ini penting dilauan untu mendapatan data yang relevan dengan masalah penelitian yang aan dilauan sehingga hasil yang diharapaan dapat digunaan pada tahap selanutnya Analisis Fator Kritis Penyediaan Pupu Bersubsidi Pada tahap ini dilauan analisis untu menentuan fator-fator yang mungin dan relevan yang dapat mengaibatan elangaan pupu urea yang teradi di Kabupaten Banyumas. Dari fator- 22
3 fator yang didapatan tersebut dilauan pengurutan berdasaran tingat penyebab utama elangaan yang teradi dengan menggunaan Metode Perbandingan Esponensial. Setelah diurutan fator penyebab tersebut dianalisis embali dengan Analytical Hierarchy Process berdasaran penilaian paar. Langah selanutnya adalah membuang fator yang diduga buan merupaan fator ritis dan mengumpulan data seunder dari fator ritis dari dinas setempat dan uga BPS serta berbagai sumber lain. Setelah data terumpul, data dinormalisasi e dalam selang 0.1 dan 0.9 menggunaan persamaan sebagai beriut : 0.8x minx maxx minx 0.1 Normalisasi ini dilauan mengingat salah satu fungsi atifasi sigmoid yang aan digunaan merupaan fungsi asimoti yang nilainya tida pernah mencapai nilai 0 ataupun 1 (Siang 2009) Pelatihan Jaringan Meruu dari penelitian sebelumnya oleh Seminar et al. (2009) maa arsitetur yang digunaan adalah Multi-Layer Percepton dengan menggunaan 2 hidden layer dan Algoritma pembelaarannya adalah Bacpropagation. Menurut Siang (2009), aringan dengan satu hidden layer sudah cuup untu sembarang perawanan antara masuan dan target dengan tingat etelitian yang ditentuan. Aan tetapi penambahan umlah hidden layer adangala membuat pelatihan menadi lebih mudah. Dalam Algoritma Bacpropagtion setidanya ada 3 langah penting dalam pelatihan aringannya, yaitu tahap Fase Mau, Fase Mundur, dan Perubahan Bobot. Beriut adalah tahapan detail dari setiap langah pelatihan Jaringan Bacpropagation. Langah 0. Inisialisasi bobot (biasanya digunaan nilai aca yang ecil) set lau pembelaaran Langah 1. Selama syarat henti salah, lauan langah 2 11 Langah 2. Untu setiap pasangan pelatihan (masuan dan target), lauan langah Fase Mau Langah 3. Langah 4. Langah 5. Setiap unit masuan (X i, i=1,..., n) menerima sinyal masuan x i dan menerusannya e seluruh unit pada lapisan di atasnya (hidden units). Setiap unit tersembunyi esatu (Z h, h = 1,., q) menghitung total sinyal masuan terbobot, z _ in h u o n i1 x u lalu menghitung sinyal eluarannya dengan fungsi ativasi, z h f ( z _ inh ) dan mengiriman sinyal ini eseluruh unit pada lapisan tersembunyi edua Setiap unit tersembunyi pada lapisan edua (ZZ, = 1,., p) menghitung total sinyal masuan terbobot, zz _ in v o n i1 i z h i ih lalu menghitung sinyal eluarannya dengan fungsi ativasi, zz f zz _ in ) ( v h 23
4 Langah 6 Setiap unit output (Y, = 1,...,m) menghitung total sinyal masuan terbobot, y _ in w 0 p 1 zz w, lalu menghitung sinyal eluaran dengan fungsi ativasi y f ( y _ in ) Fase Mundur Langah 7. Langah 8. Langah 9 Setiap unit output (Y, =1,,m) menerima sebuah pola target yang sesuai dengan pola masuan pelatihannya. Unit tersebut menghitung error, ( t y ) f ' ( y _ in ) emudian menghitung oresi bobot (digunaan untu mengubah w ) w dan menghitung oresi bias w 0 zz serta mengiriman nilai e unit pada lapisan tersembunyi (ZZ, = 1.p) Setiap unit tersembunyi (ZZ, = 1.p) menghitung selisih input (dari unit-unit pada layer di atasnya), m _ in w 1 lalu mengaliannya dengan turunan fungsi ativasi untu menghitung informasi errornya, _ in f ' ( zz _ in ) selanutnya menghitung oresi bobot untu mengubah v i nanti, v x dan menghitung oresi biasnya v i 0 dan mengirim e lapisan tersembunyi e dua (Z h, h=1...q). Untu setiap lapisan tersembunyi (Z h, h=1...q): Menumlahan bobot input dari unit-unit pada layer di atasnya, _ in h v p 1 i lalu mengaliannya dengan turunan fungsi ativasi untu menghitung informasi errornya, h _ inh f '( z _ inh ) selanutnya menghitung oresi bobot untu mengubah v i nanti, uih h xi dan menghitung oresi biasnya v 0 h 24
5 Perubahan bobot dan bias Langah 10. Setiap unit output (Y, = 1,..., m) mengubah bias dan bobot-bobotnya (=0,...,p); w ( new) w ( old ) w Setiap unit tersembunyi, ZZ, (h=0...q : =1,..,p) mengubah bias dan bobotnya v h h ( new) v ( old ) v Setiap unit tersembunyi Z h,(i=0,...,n : h =1,..,q) mengubah bias dan bobotnya Langah 11. Ui syarat henti : u ih ( new) u ( old) u ih n 2 Jia besar total square-error ( t y ) lebih ecil dari toleransi yang telah 1 ditentuan atau umlah epoch pelatihan sudah mencapai epoch masimum, maa selesai; ia tida maa embali e langah 1. Nilai toleransi () yang digunaan adalah 1 < 0. ih h Pelatihan aringan ini pada dasarnya bertuuan untu mengubah bobot aringan yang dapat mengingat segala informasi yang telah ita latihan. Proses pelatihan ini biasanya membutuhan watu yang lama untu data yang umlahnya banya arena perubahan bobot dilauan dengan proses iterative hingga batas yang ditentuan tercapai. Batasan inera yang sering digunaan dalam pelatihan aringan Bacpropagation adalah Mean Square Error (MSE). Fungsi ini aan mengambil rata-rata uadrat error yang teradi antara output aringan dan target Penguian Jaringan Seperti halnya pelatihan pada aringan Bacpropagation. Pada penguian aringan Bacpropagation pun memilii tahapan yang terstrutur. Beriut adalah tahapan dari penguian Jaringan Bacpropagation. Langah 0. Inisialisasi bobot (digunaan nilai bobot yang diperoleh dari algoritma pelatihan) Langah 1. Untu setiap vetor masuan x, lauan langah 2-6 Langah 2. Set nilai ativasi dari unit masuan, i = 1,..., n xi s i Langah 3. Setiap unit masuan (X i, i=1,..., n) menerima sinyal masuan x i dan menerusannya e seluruh unit pada lapisan di atasnya (hidden units). Langah 4. Setiap unit tersembunyi esatu (Z h, h = 1,., q) menghitung total sinyal masuan terbobot, z _ in h u o n i1 x u lalu menghitung sinyal eluarannya dengan fungsi ativasi, z h f ( z _ inh ) dan mengiriman sinyal ini eseluruh unit pada lapisan tersembunyi edua i i ih 25
6 Langah 5. Langah 6 Setiap unit tersembunyi pada lapisan edua (ZZ, = 1,., p) menghitung total sinyal masuan terbobot, zz _ in v o n i1 lalu menghitung sinyal eluarannya dengan fungsi ativasi, zz f zz _ in ) z ( Setiap unit output (Y, = 1,...,m) menghitung total sinyal masuan terbobot, y _ in w 0 p 1 zz h v w h, Lalu menghitung sinyal eluaran dengan fungsi ativasi y f y _ in ) ( Pada dasarnya langah penguian sama dengan langah pelatihan namun hanya sampai pada tahap pertama atau tahap feedforward dan tida dilanutan pada tahap selanutnya. Karena tuuan dari proses penguian hanya untu mencari eluaran buan untu melauan perubahan bobot dan minimasi error Validasi dan Perhitungan Error Validasi dan perhitungan error bertuuan untu penguuran eaurasian. Ada dua macam perhitungan error yang dipaai, yaitu Mean Square Error (MSE) untu membadingan hasil target aringan dan Mean Absolute Percentage Error (MAPE) untu menghitung persentase tingat aurasi aringan. Validasi yang aan digunaan pada penelitian ali ini adalah validasi silang (cross validation). Validasi silang merupaan suatu metode statisti yang digunaan menganalisa dan menguur eauratan hasil percobaan pada data yang independen. Metode ini membagi sebuah data menadi beberapa subdata yang selanutnya subdata satu digunaan untu mengonfirmasi ebenaran subdata yang lain. MSE merupaan salah satu dari beberapa macam error yang sering dipaai. MSE merupaan rata-rata uadrat dari selisih antara output aringan dengan target output. Tuuan utama adalah memperoleh nilai error ini seecil-ecilnya dengan secara iteratif mengganti nilai bobot yang terhubung pada semua neuron pada aringan syaraf. Untu mengetahui seberapa banya bobot yang harus diganti, setiap iterasi memerluan perhitungan error yang berasosiasi dengan setiap neuron pada output dan hidden layer. Rumus dari MSE yang aan digunaan pada metode aringan syaraf adalah sebagai beriut : Perhitungan MAPE hampir sama dengan perhitungan MAE, hanya hasilnya dinyataan dalam persentase. Formula beriut merupaan rumus dari MAPE : Dimana : m adalah umlah pola yang dihitung n c adalah nilai vetor target atau nilai sebenarnya n d adalah nilai eluaran atau nilai pendugaan. 26
7 3.3 Identifiasi Fator Kritis Penentuan fator ritis dilauan dengan melauan dua tahapan. Tahapan pertama adalah dengan melauan identifiasi fator risis dilauan dengan teni perbandingan esponensial. Tahap egiatan yang dilauan adalah sebagai beriut: 1. Menyusun semua alternatif fator yang dipertimbangan melalui studi literatur dan wawancara paar. 2. Tentuan riteria-riteria penting dalam pemilihan fator tersebut. 3. Lauan penilaian terhadap semua alternatif fator pada setiap riteria. 4. Susun matri penilaian dan identifiasi arah dan rentang penilaian. 5. Lauan penghitungan sor atau nilai total setiap alternatif fator. 6. Tentuan urutan prioritas fator didasaran pada sor atau nilai total masing-masing alternatif. Sedangan tahapan selanutnya adalah analisis dan prioritasi fator-fator ritis yang mempengaruhi risis penyediaan pupu bersubsidi di Banyumas dilauan dengan menggunaan metode Analitical Hierarchy Process (AHP). Komponen-omponen pada setiap hierari di elaborasi dari analisis dan sintesis pada tahap sebelumnya. 3.4 Arsitetur Jaringan Propagasi Bali Dalam membentu arsitetur aringan ada beberapa hal penting yang harus diperhatian, antara lain learning rate dan momentum. Learning rate menentuan seberapa cepat aringan syaraf tersebut mempelaari pola dari data training. Momentum meningatan ecepatan dalam menemuan nilai yang diinginan. Pemaaian parameter momentum ini bertuuan agar proses penyesuaian bobot tetap cenderung dalam arah yang sama. Nilai ini harus dipilih dengan benar, ia terlalu ecil maa proses pembelaaran aan lama dan ia terlalu besar maa aan teradi penyimpangan. Sedangan momentum menunuan bahwa bobot pada iterasi sebelumnya mempengaruhi bobot searang. Selain learning rate dan momentum ada beberapa hal yang bisa dimanipulasi untu mengoptimalan pelatihan Bacpropagation. Hal-hal tersebut antara lain adalah fungsi ativasi, pemilihan bobot awal, penentuan umlah iterasi, penentuan umlah layer, hidden layer, neuron input, output dan toleransi error berdasaran MSE (Renaldy 2007) Penentuan Learning rate dan Momentum Tuuan penentuan learning rate dan momentum ini adalah untu menentuan perubahan bobot yang terbai agar target proses pelatihan dengan error yang terecil dapat tercapai sesuai target. Dalam standar Bacpropagation, learning rate berupa suatu onstanta yang nilainya tetap selama proses iterasi. Aibatnya, unu era algoritma sangat dipengaruhi oleh besarnya learning rate yang dipaai. Selain learning rate, momentum uga mempengaruhi perubahan bobot aringan selama masa pelatihan. Penambahan momentum ini dimasudan untu menghindari perubahan bobot yang mencolo aibat adanya data yang sangat berbeda dengan data yang lain (Siang 2009). Dalam penelitian ini aan digunaan beberapa nilai learning rate dan momentum untu mendapatan nilai error yang paling masimal. Penentuan nilai parameter learning rate dan momentum pada penelitian ini ditentuan dengan trial dan error. Adapun nilai momentum dan learning rate adalah onstanta nilai diantara 0 dan 1. 27
8 Meruu pada penelitian Hendri (2010) aan digunaan masing-masing tiga onstanta untu mencari mana nilai learning rate dan momentum yang terbai yang aan digunaan adalah arsitetur aringan Bacpropagation ini. Adapun nilai Nilai learning rate yang diuicobaan pada penelitian ini adalah 0.005, 0.3, 0.2, 0.1 sedangan nilai momentum yaitu 0.1, 0.6 dan Penentuan Fungsi Ativasi Dalam bacpropagation, fungsi ativasi yang dipaai harus memenuhi beberapa syarat yaitu : continue, terdiferensial dengan mudah dan merupaan fungsi yang tida turun. Alternatif lain adalah menggunaan fungsi linear hanya untu layar output (Siang 2009). Berdasaran tinauan pustaa tersebut maa fungsi yang dipaai dalam pembentuan arsitetur aringan dalam penelitian ini adalah fungsi sigmoid bipolar untu semua fungsi masuan e layar beriutnya dan fungsi linear untu layar eluaran Pemilihan Bobot Awal Bobot awal aan mempengaruhi apaah aringan mencapai titi minimum loal atau global dan seberapa cepat onvergensinya. Bobot yang menghasilan nilai turunan ativasi yang ecil sedapat mungin dihindari arena aan menyebaban perubahan bobot menadi sangat ecil. Demiian pula nilai bobot awal tida boleh terlalu besar arena nilai turunan fungsi ativasi menadi ecil uga. Oleh arena itu dalam standar bacpropagation, bobot diisi dengan bilangan aca ecil (Siang 2009). Salah satu cara menentuan bobot dengan bilangan aca ecil adalah dengan menentuannya secara manual untu menghasilan hasil yang bai, namun cara ini teradang tida pratis dan membutuhan tambahan watu untu melauannya. Namun pada penelitian ini penentuan bobot aringan ditentuan oleh MATLAB secara aca agar mempercepat proses pelatihan aringannya Penentuan Jumlah Iterasi Jumlah iterasi sering uga disebut uga sebagai epoch dalam Bacpropagation. Satu epoch adalah satu silus yang melibatan seluruh pola data training (training pattern). Dalam proses belaar aringan bacpropagation biasanya memerluan banya epoch. Pada penelitian ini ditentuan banyanya iterasi yang dilauan pada proses belaar adalah 5000 epoch. Jumlah ini diperiraan cuup dan merupaan referensi dari penelitian Seminar et al. (2009) dapat menghasilan performansi aringan yang bai Penentuan Jumlah Layer, Hidden Layer, dan Neuron Input dan Output Penentuan arsitetur hidden layer terdiri atas dua bagian, yaitu penentuan umlah layar dan uuran layar. Jumlah layar yang digunaan dalam hidden layer adalah satu layar. Hal ini dilauan arena dua pertimbangan, yaitu arena umlah data training dan watu training. Selain itu performansi dengan satu hidden layer uga bai untu networ dengan node yang tida begitu banya. Dalam penelitian ini, digunaan umlah unit input terdiri dari delapan input data dengan dua unit hidden layer dan satu unit output. 28
9 3.4.6 Penentuan Toleransi Galat Dalam Bacpropagation defaultnya perhitungan unu era dilauan berdasaran uadrat rata-rata esalahan atau Mean Square Error (MSE). MSE digunaan untu menampilan batas nilai agar iterasi dihentian. Iterasi aan berhenti ia MSE lebih ecil daripada batas yang ditentuan atau umlah epoch mencapai batas yang ditentuan. Pada penelitian ini, nilai yang diset adalah hal ini disesuaian dengan pendapat Dhaneswara et al. (2004), semain ecil MSE, JST semain ecil esalahannya dalam mempredisi elas dari record yang baru. Maa pelatihan JST dituuan untu memperecil MSE dari satu silus e silus beriutnya sampai selisih nilai MSE pada silus ini dengan silus sebelumnya lebih ecil atau sama dengan batas minimal yang diberian. Rincian arsitetur aringan yang aan dirancang untu melauan pelatihan Bacpropagation disaian pada Tabel 2. Tabel 2. Arsitetur JST yang aan diembangan Karateristi Spesifiasi Neuron input layer 9 neuron Jumlah Hidden layer 2 layer Neuron output layer 1 neuron Fungsi ativasi Sigmoid bipolar dan linear Toleransi galat Epoch / Iterasi 5000 Penentuan Bobot Bilangan aca ecil dari MATLAB 3.5 Data Percobaan dan Pelatihan Oleh arena aringan syaraf tiruan beera berdasaran pola watu masa lalu, maa pada penelitian ini digunaan seumlah data deret watu yaitu data-data fator penyebab risis pada tahapan analisis sebelumnya. Adapun contoh data yang emunginan merupaan fator penyebab elangaan pupu adalah data ebutuhan pupu Urea, data penggunaan dosis pupu urea, data loss pupu selama distribusi, data perbedaan harga antara pupu subsidi dan non-subsidi, data besarnya subsidi yang diberian oleh pemerintah, data perubahan harga gabah dan bahan bau dan data lain yang berhubungan dengan penyebab elangaan pupu dari 27 ecamatan yang ada di Kabupaten Banyumas. Data input ini merupaan data deret watu yang diambil dari Januari 2006 hingga Desember Atribut-atribut tersebut dipilih arena eteraitan antar atribut diperoleh dengan menggunaan metode ausalitas antar atribut data. Data yang diperoleh aan dibagi menadi dua bagian, yaitu data yang digunaan sebagai data pelatihan dan sisanya data yang digunaan sebagai data penelitian atau simulasi. Pembagian data ini dilauan dengan Rasio 80: 20. Nilai ini memilii arti 80% data digunaan sebagai data pelatihan aringan dan 20% data digunaan sebagai data penelitian atau simulasi (Salya 2006). 29
10 3.6 Watu dan Tempat Penelitian Penelitian ini dilauan mulai dari bulan July sampai dengan Otober 2010 bertempat di Kabupaten Banyumas tepatnya di Dinas Pertanian Tanaman Pangan. Pengolahan data dan uicoba Jaringan dilauan di Laboratorium Teni Manaemen Industri, Institut Pertanian Bogor. 3.7 Spesifiasi Sistem Pengimplementasian sistem aringan syaraf tiruan ini menggunaan MATLAB versi (R2009a). MATLAB merupaan perangat luna yang coco dipaai sebagai alat omputasi yang melibatan data yang banya dan menggunaan matris dan vetor. Fungsi-fungsi yang terdapat pada toolbox MATLAB memudahan pengguna melauan perhitungan dengan menggunaan data yang besar. Selain itu, MATLAB uga menyediaan fungsi-fungsi husus untu menyelesaian model aringan syaraf tiruan (Siang 2009). Spesifiasi perangat eras dan perangat luna lainnya yang digunaan dalam penelitian ini adalah : 1. CPU : Intel Dual Core 1.86GHz 1 MB Cache 2. Memory 1 GB Memory 3. Mouse 4. Modem 5. Sistem operasi Microsoft Windows XP SP 2 6. Microsoft Office Expert Choice. 30
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS 1 Ihwannul Kholis, 2 Ahmad Rofii. 1 Universitas 17 Agustus 1945 Jaarta,
Lebih terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETWORK DAN PRINCIPAL COMPONENT ANALYSIS
Jurnal Teni dan Ilmu Komputer SISTEM PENGENALAN AJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETORK DAN PRINCIPAL COMPONENT ANALYSIS FACE RECOGNITION SYSTEM USING BACKPROPAGATION ARTIFICIAL
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
Lebih terperinciPENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperinciSistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation
Sistem Peramalan Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Syaraf Tiruan Bacpropagation Anindita Septiarini 1 dan Nur Sya baniah 2 1 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman
Lebih terperinciSistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation
Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Sistem Penduung Keputusan Penerima Beasiswa SMK Menggunaan Metode Bacpropagation Teti Rohaeti 1, Yoyon Kusnendar Suprapto 2, Eo Mulyanto 3
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperinci1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba
JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA Nurmalasari Rusmiati 1 Sistem Informasi, Faultas Ilmu Komputer, Universitas Gunadarma
Lebih terperinciModel Pembelajaran Off-Line Menggunakan Jaringan Syaraf Tiruan Untuk Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teknik Elektronika PENS 2009
Model Pembelaaran Off-Line Menggunaan Jaringan Syaraf Tiruan Untu Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teni Eletronia PENS 2009 Arie Setya Wulandari#, Eru Puspita S.T., M.Kom#2 # Jurusan
Lebih terperinciBAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN
BAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN Kompetensi : 1. Mahasiswa memahami onsep pembelaaran dalam JST Sub Kompetensi : 1. Dapat mengetahui prinsip algoritma Perceptron 2. Dapat mengetahui
Lebih terperinciSistem Informasi Peramalan Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST Backpropagation
1 Sistem Informasi Peramalan Beban Listri Janga Panang di Kabupaten Jember Menggunaan JST Bacpropagation Dodi Setiabudi Abstra Kebutuhan energi listri sebagai salah satu infrastrutur penting sangat diutamaan.
Lebih terperinciPENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER
PENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER Wiaria Gazali 1 ; Haryono Soeparno 2 1 Jurusan Matematia, Faultas Sains dan Tenologi, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciDany Candra Febrianto ) dan Hindayati Mustafidah )
Penerapan Jaringan Saraf Tiruan dengan Metode Pembelaaran Bacpropagation untu Mengetahui Tingat Kualifiasi Calon Siswa pada Sistem Informasi Penerimaan Siswa Baru di MAN 2 Banarnegara (Application of Artificial
Lebih terperinciARSITEKTUR 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 terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciTEKNIK PERAMALAN TINGKAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN
TENI PERAMALAN TINGAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN Sri Mulyana Program Studi Ilmu omputer F MIPA UGM Seip Unit III Yogyaarta Telp (0274)546194 e-mail : smulyana@ugm.ac.id Abstra Tingat penualan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG Oleh : M.Rizi.H.S, Andri Heryandi,S.T, Bambang Siswoyo,Ir,M.Si Jl. Dipati Uur Bandung Teni Informatia Universitas
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN
Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan PREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN Rudy Ansari STMIK Indonesia Banarmasin e-mail: rudy.ansari@gmail.com ABSTRAK
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciII. DASAR TEORI I. PENDAHULUAN
IMPLEMENTASI JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK UNTUK MENDETEKSI GOLONGAN DARAH PADA MANUSIA M. Fuad Latief *, R. Rizal Isnanto, Budi Setiyono Abstra - Membran sel darah manusia mengandung bermacam-macam
Lebih terperinciMakalah Seminar Tugas Akhir
Pengaturan Kecepatan Motor DC Menggunaan Jaringan Syaraf Tiruan Feedforward Bacpropagation Sorihi *, Wahyudi **, Iwan Setiawan ** Abstra - Jaringan syaraf bacpropagation merupaan aringan syaraf yang telah
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING
APLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING Hendra William *), Achmad Hidayatno, and Aub Aulian Zahra Jurusan Teni Eletro, Universitas Diponegoro
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
Lebih terperinciPENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION Praditya Firmansyah *, Wahyul Amien Syafei**, Iwan
Lebih terperinciPENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT
PENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT Oleh : DONNY WAHYU SAPUTRO G06499031 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 terperinciAPLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES. : Agus Sumarno NRP :
APLIKASI WAELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES Nama : Agus Sumarno NRP : 06 00 706 Jurusan : Matematia Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si Abstra Model time series
Lebih terperinciPERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION
PERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION Wellie Sulistanti Abstract- Tuuan dari penelitian ini untu mengapliasian cara era aringan syaraf tiruan dengan menggunaan
Lebih terperinciPrediksi Jumlah Kasus Demam Berdarah Dengue Menggunakan Jaringan Syaraf Tiruan (Studi Kasus daerah Kab. Sleman, Provinsi DIY)
Jurnal PROte Vol. 3 No. 1, 216 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Iis Hamsir Ayub Wahab Program Studi Teni Eletro Faultas Teni, Universitas Khairun Email: hamsir@unhair.ac.id
Lebih terperinciBAB II PENGENALAN WAJAH
BAB II PENGENALAN WAJAH Sistem pengenalan waah dapat dibagi menadi empat tahap, yaitu tahap pengolahan citra, detesi waah, estrasi fitur dan tahap pengenalan waah. Pada tugas ahir ini aan lebih diteanan
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR)
PENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR) Oleh: ¹ HERLY MARDANI (000298) ² BAMBANG SISWOYO,
Lebih terperinciAKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA
AKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA Aris Puji Widodo, Suhartono 2, Eo Adi Sarwoo 3, dan Zulfia Firdaus 4,2,3,4 Departemen Ilmu Komputer/Informatia,
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciAPLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK. Tesis
APLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Tesis Program Studi Teni Eletro Jurusan Ilmu-ilmu Teni disusun oleh : Wiwien Widyastuti 8475/I-/820/02 PROGRAM PASCASARJANA
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN POLA GEOMETRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Muhamad Tonovan *, Achmad Hidayatno **, R. Rizal Isnanto ** Abstra - Pengenalan waah adalah
Lebih terperinciKAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Media Informatia, Vol. 5, No. 2, Desember 2007, 99-111 ISSN: 0854-4743 KAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Anita Desiani Jurusan Matematia,
Lebih terperinciPENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Sutino 1, Helmie Arif Wibawa 2, Priyo Sidi Sasongo 3 123 Jurusan Ilmu Komputer/Informatia, FSM,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciAPLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA ABSTRACT
APLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA Manyu Fauzi, Minarni Nur Trilita Mahasiswa S3 MRSA, Jurusan Teni Sipil-ITS dan Pengaar Jurusan Teni Sipil Univ. Riau Mahasiswa S3
Lebih terperinciPENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC. Oleh:
1 PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC Oleh: NURHADI SUSANTO G64103059 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
Lebih terperinciBAB 3 METODE PENELITIAN
36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciSISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN
SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN Julian Supardi, Rz. Abdul Aziz, Syepriansyah Seolah Tggi Manaemen Informatia dan Komputer Darmaaya Jl. Z.A Pagar Alam No. 93 Bandar Lampung Indonesia
Lebih terperinciDETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN
Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: 1979-911X Yogyaarta, 11 Desember 2010 DETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN Uning Lestari
Lebih terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
Lebih terperinciADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoko Sumaryono ABSTRACT
Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 6 ADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoo Sumaryono ABSTRACT Noise is inevitable in communication
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Tempat dan Watu Penelitian Penelitian ini dilauan di Jurusan Matematia Faultas Matematia dan Ilmu Pengetahuan Alam Universitas Lampung. Watu penelitian dilauan selama semester
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciSTUDI KOMPARASI IMPLEMENTASI JARINGAN BASIS RADIAL DAN FUZZY INFERENCE SYSTEM TSK UNTUK PENYELESAIAN CURVE FITTING
STUDI KOPARASI IPEENTASI JARINGAN BASIS RADIA DAN FUZZY INFERENCE SYSTE TSK UNTUK PENYEESAIAN CURVE FITTING Sri Kusumadewi Teni Informatia Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyaarta cicie@fti.uii.ac.id
Lebih terperinciIII DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT
III DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT 3.1 Studi Literatur tentang Pengelolaan Sampah di Beberapa Kota di Dunia Kaian ilmiah dengan metode riset operasi tentang masalah
Lebih terperinciPerbandingan Antara Algoritma Penghapusan Bising Adaptif LMS dan Adaptif RLS dalam Penghapusan Bising Kendaraan
Perbandingan Antara Algoritma Penghapusan Bising Adaptif LMS dan Adaptif RLS dalam Penghapusan Bising Kendaraan Sri Arttini Dwi Prasetyowati 1), Adhi Susanto ), homas Sriwidodo ), Jazi Eo Istiyanto 3)
Lebih terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciProsiding Semirata FMIPA Universitas Lampung, 2013
Sistem Pengenalan Nomor Plat Kendaraan Berbasis Foto Diital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunaan Algoritma Bacpropagation Zaiful Bahri, Suamto dan Joo Risanto Jurusan Matematia
Lebih terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinciPENERAPAN NEURAL NETWORK MODEL BACKPROPAGATION DAN GENERAL REGRESSION NEURAL NETWORK
Eo Sediyono PENERAPAN NEURAL NETWORK MODEL BACKPROPAGATION DAN GENERAL REGRESSION NEURAL NETWORK Oleh : Eo Sediyono Abstra Telah dilauan penelitian tentang identifiasi citra untu mengidentifiasi enis daging
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
MAKALAH SEMINAR TUGAS AKHIR Peramalan Kebutuhan Beban Janga Pende Menggunaan Jaringan Syaraf Tiruan Bacpropagation Oleh : Dinar Atia Sari (L2F002572) Jurusan Teni Eletro Faultas Teni Universitas Diponegoro
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series)
III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunaan data seunder bersifat runtun watu (time series) dalam periode tahunan dan data antar ruang (cross section). Data seunder tersebut
Lebih terperinciKecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Wajah (Face Recognition)
No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional Kecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Waah (Face Recognition) Wawan Setiawan (Universitas Pendidian
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Variabel Variabel ialah sesuatu yang nilainya berubah-ubah menurut watu atau berbeda menurut elemen/tempat. Umumnya nilai arateristi merupaan variabel dan diberi simbol huruf X.
Lebih terperinciPenerapan Sistem Persamaan Lanjar untuk Merancang Algoritma Kriptografi Klasik
Penerapan Sistem Persamaan Lanjar untu Merancang Algoritma Kriptografi Klasi Hendra Hadhil Choiri (135 08 041) Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar Tugas Ahir PENDETEKSI POSISI MENGGUNAKAN SENSOR ACCELEROMETER MMA7260Q BERBASIS MIKROKONTROLER ATMEGA 32 Muhammad Riyadi Wahyudi, ST., MT. Iwan Setiawan, ST., MT. Abstract Currently, determining
Lebih terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih terperinciBAB 2 LANDASAN TEORI. relevan, lengkap, dan terkini sejalan dengan permasalahan yang dihadapi. Di sini juga
BAB 2 LANDASAN TEORI Dalam landasan teori ini, pada dasarnya aan dielasan mengenai teori yang relevan, lengap, dan terini sealan dengan permasalahan yang dihadapi. Di sini uga terdapat hubungan antara
Lebih terperinciESTIMASI TRAJECTORY MOBILE ROBOT MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER SQUARE ROOT (ENKF-SR)
SEMINAR NASIONAL PASCASARJANA SAL ESIMASI RAJECORY MOBILE ROBO MENGGUNAKAN MEODE ENSEMBLE KALMAN FILER SQUARE ROO (ENKF-SR) eguh Herlambang Zainatul Mufarrioh Firman Yudianto Program Studi Sistem Informasi
Lebih terperinciBAB 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
Lebih terperinciPengambilan Data dan Analisis
METODOLOGI PENELITIAN Watu dan Loasi Penelitian Penelitian dilasanaan mulai bulan November 2003 sampai dengan Juni 2004 di Kecamatan Rengasdenglo, Telagasari dan Cilamaya Kabupaten Karawang Jawa Barat
Lebih terperinciAPLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia APLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Lebih terperinciUJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure
8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher
Lebih terperinciPEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER
PEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER Tantri Windarti Program Studi Sistem Informasi STMIK Surabaya Jl Raya Kedung Baru 98, Surabaya
Lebih terperinciPERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI
PERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciBAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
Lebih terperinciTRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI
TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
Lebih terperinciPENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI
PENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
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 terperinci