PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI MAGNITUDO LETUSAN GUNUNG DENGAN METODE BACKPROPAGATION STUDI KASUS GUNUNG MERAPI SUMATERA
|
|
- Glenna Sasmita
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI MAGNITUDO LETUSAN GUNUNG DENGAN METODE BACKPROPAGATION STUDI KASUS GUNUNG MERAPI SUMATERA Ferdian Detria 1), Rini Sovia, S.Kom, M.Kom 1), Randy Permana, S.Kom, M.Kom 1) Universitas Putra Indonesia YPTK Padang, Indonesia ABSTRAK Jaringan syaraf tiruan merupakan cabang dari kecerdasan buatan yang meniru atau mencontoh cara kera otak manusia. Jaringan syaraf tiruan dapat dimplementasikan pada berbagai macam aplikasi untuk menyelesaikan banyak masalah khususnya dalam bidang peramalan. Salah satu algoritma yang sering digunakan adalah Backpropagation. Backpropagation Merupakan salah satu algoritma yang dapat digunakan untuk mengetahui pola magnitudo letusan gunung. Ada dua tahapan yang digunakan pada metode backpropagation ini yaitu tahap pelatihan dan tahap penguian. Pada tahap pelatihan pola berusaha untuk mengenali masukan dan pada tahap penguian pola yang sudah dikenali diuikan sehingga diketahui pola aringan yang ada dapat mengenali dan melakukan prediksi terhadap perhitungan rata-rata magnitudo letusan gunung. Kata Kunci : Jaringan Syaraf Tiruan, Backpropagation,Kecerdasan Buatan, Algoritma, Magnitudo. 1. Pendahuluan Gunung berapi teradi akibat endapan magma didalam perut bumi yang didorong keluar oleh gas yang bertekanan tinggi. Indonesia berada pada pertemuan antara 3 lempeng besar yang terdiri dari 2 lempeng benua dan 1 lempeng samudera. Oleh karena itu, sangat waar kalau tatanan tektonik Indonesia sangat kompleks. Di bagian barat sampai selatan Indonesia merupakan daerah zona subduksi yang uga merupakan alur gunung api. Di Indonesia terdapat sekitar 129 buah gunung berapi yang masih aktif dan merentang disepanang 700 KM mulai dari Aceh (Sumatera), Jawa, Sulawesi (Bukit Barisan), Nusa Tenggara dan Maluku. Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan aringan syaraf biologi / manusia. Salah satu metode yang digunakan adalah prediksi dengan bantuan kecerdasan buatan menggunakan metode Backpropagation. Backpropagation memiliki tiga layer dalam proses pelatihannya, yaitu input layer, hidden layer dan output layer. Backpropagation ini merupakan perkembangan dari single layer network. Dengan adanya hidden layer pada Backpropagation dapat menyebabkan tingkat error pada Backpropagation lebih kecil dibanding tingkat error pada single layer network. Karena hidden layer pada Backpropagation berfungsi sebagai tempat untuk menyesuaikan bobot, sehingga di dapatkan nilai bobot yang baru yang bisa diarahkan mendekati dengan target output yang diinginkan. Berdasarkan latar belakang dan permasalahan diatas, maka penulis tertarik untuk meneliti masalah ini dengan udul Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Magnitudo Letusan Gunung Dengan Metode Backpropagation Studi Kasus Gunung Merapi Sumatera Barat. 78
2 2. Tinauan Literatur 2.1 Gunung Api Para ahli sampai saat ini belum mendapatkan kata sepakat mengenai batasan atau istilah baku tentang definisigunung api secara elas. Ilmu yang secara khusus mempelaari gunung api adalah vulkanologi. Ada beberapa ahli yang mendeinisikan gunung api. Koesmoemadinata (1977) menyatakan bahwa gunung api adalah lubang saluran yang menghubungkan suatu wadah berisi bahan yang disebut magma. Suatu ketika bahan tersebut ditempatkan melalui saluran bumi dan sering terhimpun disekelilingnya sehingga membangun suatu kerucut yang dinamakan kerucut gunung api. Matahalemual (1982) menyatakn bahwa gunung api (vulkan) adalah suatu bentuk timbunan dimuka bumi, pada umumnya berupa suatu kerucut raksasa, kerucut terpancung kubah ataupun bukit yang diakibatkan oleh penerobosan magma kepermukaan bumi. 2.2 Rekayasa Perangkat Lunak Rekayasa perangkat lunak (software engineering) merupakan pembangunan dengan menggunakan prinsip atau konsep rekayasa dengan tuuan menghasilkan perangkat lunak yang bernilai ekonomi yang dipercaya dan bekera secara efisisen menggunakan mesin. Untuk membangun perangkat lunak yang benar-benar baik maka diperlukan tahapan-tahapan rekayasa perangkat lunak (Rosa dan Shalahuddin, 2013). 1. Proses Rekayasa Perangkat Lunak Menurut Rosa A. S dan M. Salahuddin (2013: 8) menyatakan proses rekayasa perangkat lunak dilakukan selama pembangunan perangkat lunak. Proses-proses yang dilakukan dalam rekayasa perangkat lunak secara garis besar adalah sebagai berikut : Gambar 1 : Tahapan Umum Rekayasa Perangkat Lunak 2.3 UML 1. Use Case Diagram Use case diagram merupakan pemodelan untuk melakukan sistem informasi yang akan dibuat. Use case mendefenisikan sebuah interaksi antara satu atau lebih aktor dengan sistem informasi yang akan dibuat. Secara kasar, use case digunakan untuk mengetahui fungsi apa saa yang ada di dalam sebuah sistem informasi dan siapa saa yang berhak menggunakan fungsi-fungsi itu (Rosa A. S dan M. Salahuddin, 2013). 79
3 2. Class Diagram Class diagram menggambarkan sturuktur sistem dari segi pendefenisisan kelas-kelas yang akan dibuat untuk membangun sistem. Kelas memiliki apa yang disebut atribut dan metode atau operasi (Rosa A. S dan M. Salahuddin, 2013). 3. Sequence Diagram Diagram sequence menggambarkan kelakuan obek pada use case dengan mendeskripsikan waktu hidup obek dan message yang dikirim dan diterima antar obek. 4. Collaboration (Communication) Diagram Collaboration (Communication) diagram menggambarkan interaksi antar obek/bagian dalam bentuk urutan pengiriman pesan. 5. Activity Diagram Activity diagram menggambarkan workflow (aliran kera) atau aktivitas dari sebuah sistem atau proses bisnis atau menu yang ada pada perangkat lunak. Yang perlu diperhatikan disini adalah bahwa diagram aktivitas menggambarkan aktivitas sistem bukan apa yang dilakukan aktor (Rosa A. S dan M. Salahuddin, 2013). 6. Statechart Diagram Statechart diagram digunakan untuk menggambarkan perubahan status atau transisi status dari sebuah mesin atau mesin atau obek. 7. Deployment Diagram Deployment diagram menunukkan konfigurasi komponen dalam proses eksekusi aplikasi. 2.4 Kecerdasan Buatan Kecerdasan buatan berasal dari bahasa Inggris Artificil Intelligence atau disingkat AI, yaitu intelligence adalah kata sifat yang berarti cerdas, sedangkan artificial artinya buatan. Kecerdasan buatan yang dimaksud disini meruuk pada mesin yang mampu berpikir, menimbang tindakan yang akan diambil, dan mampu mengambil keputusan seperti yang dilakukan oleh manusia. Berikut beberapa definisi kecerdasan buatan yang telah didefinisikan oleh beberapa ahli (Sutoo, 2011). John McCarthy dari Stanford mendefinisikan kecerdasan sebagai Kemampuan untuk mencapai sukses dalam menyelesaikan suatu permasalahan. Herbert Alexander Simon (June 15, February 9, 2001) : Kecerdasan Buatan merupakan kawasan penelitian, aplikasi, dan instruksi yang terkait dengan pemrograman komputer untuk melakukan sesuatu hal yang dalam pandangan manusia adalah cerdas. 2.5 Jaringan Syaraf Tiruan Jaringan syaraf Tiruan sederhana pertama kali diperkenalkan oleh McCulloch dan Pitts di tahun McCulloch dan Pitts menyimpulkan bahwa kombinasi beberapa neuron sederhana menadi sebuah sistem neural akan meningkatkan kemampuan komputasinya. Bobot dalam aringan yang diusulkan oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika sederhana. Fungsi aktivasi yang dipakai adalah fungsi threshold. JST dibentuk sebagai generalisasi model matematika dari aringan syaraf biologi, dengan asumsi sebagai berikut : a. Pemprosesan informasi teradi pada banyak elemen sederhana (neuron). b. Sinyal dikirimkan diantara neuron-neuron melalui penghubung. 80
4 c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. d. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linear) yang dikenakan pada umlah input yang diterima. Besarnya output ini selanutnya dibandingkan dengan suatu batas ambang. Berdasarkan arsitekturnya, model Jaringan Syaraf Tiruan dapat digolongkan menadi (Dini, 2010): a. Jaringan Layar Tunggal (Single Layer Network) Pada aringan ini sekumpulan input neuron dihubungkan langsung dengan sekumpulan output nya. Sinyal mengalir searah dari layer input sampai layer output. Setiap simpul dihubungkan dengan simpul lainnya yang berada diaytasnya dan dibawahnya, tetapi tidak dengan simpul yang berada pada lapisan yang sama. Model yang masuk kategori ini antara lain : ADALINE, Hopfield, Perceptron, LVQ, dan lain-lain. Pada gambar 2.2 diperlihatkan arsitektur aringan layer tunggal dengan n input (x1, x2,,xn) dan m output (y1,y2,,ym). Gambar 2 Jaringan Layer Tunggal b. Jaringan Layar Jamak (Multiple Layer Network). Jaringan ini merupakan perluasan dari aringan layer tunggal. Dalam aringan ini, selain unit masukan dan keluaran, ada unit-unit lain (sering disebut layer tersembunyi). Dimungkinkan pula ada beberapa layer tersembunyi. Gambar 3 Jaringan Layer Jamak c. Jaringan Requirent Model aringan ini mirip dengan aringan layar tunggal atau amak. Hanya saa, ada simpul keluaran yang memberikan sinyal pada unit masukan (sering disebut feedback loop). Dengan kata lain sinyal mengalir dua arah, yaitu mau dan mundur. 2.6 Jaringan Syaraf Tiruan Algoritma Backpropagation Backpropagation merupakan model Jaringan Syaraf Tiruan dengan layar amak. Seperti halnya model Jaringan Syaraf Tiruan lainnya, Backpropagation melatih aringan untuk mendapatkan keseimbangan antara kemampuan aringan untuk mengenali pola yang digunakan selama 81
5 pelatihan serta kemampuan aringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan. Salah satu bidang dimana Backpropagtion dapat diaplikasikan dengan baik adalah bidang peramalan ( forecating ). Peramalan yang sering kita dengar adalah peramalan besarnya penualan nilai tukar valuta asing, prediksi besarnya aliran sungai,dll. Ada beberapa fungsi aktivasi yang sering digunakan dalam Jaringan Syaraf Tiruan antara lain: a. Fungsi Sigmoid Biner Fungsi ini digunakan untuk aringan syaraf yang dilatih menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai antara 0 sampai 1. Karena itu, fungsi ini sering digunakan untuk aringan syaraf yang membutuhkan nilai keluaran yang terletak pada interval 0 sampai 1. Fungsi sigmoid biner dirumuskan sebagai berikut: 1 y = f(x) = 1+e ax f (x) =σf x [1 f x ] Gambar 4 : Fungsi Sigmoid Biner b. Fungsi Sigmoid Bipolar Fungsi ini hampir sama dengan fungsi sigmoid biner, hanya saa keluaran dari fungsi ini antara sampai -1. Sedangkan fungsi sigmoid bipolar dirumuskan seperti berikut ini: y = f(x) = f'(x) = σ 2 1 e x 1+e σx 1 + f x [1 f x ] Gambar 5 : Fungsi Sigmoid Bipolar c. Fungsi Linear (Identitas) Fungsi linear memiliki nilai keluaran yang sama dengan nilai masukkannya terlihat. Fungsi linear dirumuskan sebagai berikut: Gambar 6 : Fungsi Sigmoid Linear 82
6 2.7 Matlab MATLAB (Matrix Laboratory) adalah sebuah program untuk analisis dan komputasi numerik dan merupakan suatu bahasa pemrograman matematika lanutan yang dibentuk dengan dasar pemikiran menggunkan sifat dan bentuk matriks. Pada awalnya, program ini merupakan interface untuk koleksi rutin-rutin numeric dari proyek LINPACK dan EISPACK, dan dikembangkan menggunkan bahasa FORTRAN namun sekarang merupakan produk komersial dari perusahaan Mathworks, Inc.yang dalam perkembangan selanutnya dikembangkan menggunakan bahasa C++ dan assembler (utamanya untuk fungsi-fungsi dasar MATLAB). MATLAB (Matrix Laboratory) yang merupakan bahasa pemrograman tingkat tinggi berbasis pada matriks sering digunakan untuk teknik komputasi numerik, yang digunakan untuk menyelesaikan masalah-masalah yang melibatkan operasi matematika elemen, matrik, optimasi, aproksimasi, dan lain-lain. 2.8 PHP (Personal Home Page) PHP merupakan secara umum dikenal sebagai bahasa pemrograman script script yang membuat dokumen HTML secara on the fly yang dieksekusi di server web, dokumen HTML yang dihasilkan dari suatu aplikasi buatan dokumen HTML yang dibuat dengan menggunakan editors teks atau editor HTML. Dikenal uga sebagai bahasa pemrograman server side (Betha Sidik, 2012). 2.9 MySQL MySQL merupakan Software RDBMS (atau server database) yang dapat mengelola database dengan sangat cepat, dapat menampung data dalam umlah sangat besar, dapat diakses oleh banyak user (multi user), dan dapat melakukan suatu proses secara sinkron atau berbarengan (multithreaded). 3. HASIL DAN DISKUSI 3.1 Analisa Sistem dalam Memprediksi magnitudo letusan gunung Analisa sistem merupakan suatu uraian dari sistem informasi yang utuh menadi suatu bagian yang terbentuk dari komponen yang berguna untuk mengidentifikasi dan mengevaluasi permasalahan, hambatan yang teradi sehingga dapat diusulkan suatu perbaikan dalam mengembangkan sistem dengan menggunakan perangkat lunak (software) Jaringan Syaraf Tiruan dengan metoda backpropagation dalam memprediksi maknitudo letusan gunung disumbar. Tabel 1: Data Rata-Rata Magnitudo Di dalam penelitian ini data diambil dari nilai rata-rata magnitudo tiap bulanya, di mana pola inputnya sebagai berikut: 83
7 Tabel 2 : Data yang digunakan pada JST Keterangan : 1. Magnitudo bulan Januari, disimpan pada variable X 1 2. Magnitudo bulan Februari, disimpan pada variable X 2 3. Magnitudo bulan Maret,disimpan pada variable X 3 4. Magnitudo bulan April, disimpan pada variable X 4 5. Magnitudo bulan Mei, disimpan pada variable X 5 6. Magnitudo bulan Juni, disimpan pada variable X 6 7. Magnitudo bulan Juli, disimpan pada variable X 7 8. Magnitudo bulan Agustus, disimpan pada variable X 8 9. Magnitudo bulan September, disimpan pada variable X Magnitudo bulan Oktober, disimpan pada variable X Magnitudo bulan November, disimpan pada variable X Magnitudo bulan Desember, disimpan pada variable X Target, disimpan pada variable T. Tabel 3: Data Input Pelatihan Tabel 4 : Data input penguian 3.2 Proses Transformasi Fungsi aktivasi yang digunakan untuk mengolah data di atas adalah fungsi sigmoid( biner), maka data harus ditransformasikan dulu karena range keluaran fungsi aktivasi sigmoid adalah [0,1]. Data ditransformasikan ke interval yang lebih kecil, misalnya pada interval [0.1, 0.9] adalah: x = 0.8(x a) b - a di mana: x : nilai a : data minimum b : data maksimum 84
8 Dengan transformasi ini maka data terkecil akan menadi 0.1 dan data terbesar akan menadi 0.9. Pada tabel 5 di bawah ini menunukan hasil transformasi yang nantinya dipakai sebagai data pelatihan Backpropagation. Tabel 5 : Hasil Transformasi Data Input Pelatihan a : data minimum = 0,191 b : data maksimum = 0,766 X1 = 0.8*( )/ =0.625 X2 = 0.8*( )/ =0.425 X3 = 0.8*( )/ =0.468 X4 = 0.8*( )/ =0.522 X5 = 0.8*( )/ =0.223 X6 = 0.8*( )/ =0.435 X7 = 0.8*( )/ =0.363 X8 = 0.8*( )/ =0.376 X9 = 0.8*( )/ =0.278 X10 = 0.8*( )/ =0.624 X11 = 0.8*( )/ =0.501 X12 = 0.8*( )/ =0.479 Tabel 6 : Hasil Transformasi Data Input Peguian a : data minimum = b : data maksimum =0766 X1 = 0.8*( )/ =0.331 X2 = 0.8*( )/ =0.625 X3 = 0.8*( )/ =0.550 X4 = 0.8*( )/ =0.581 X5 = 0.8*( )/ =0.350 X6 = 0.8*( )/ =0.426 X7 = 0.8*( )/ =0.100 X8 = 0.8*( )/ =0.311 X9 = 0.8*( )/ =0.265 X10= 0.8*( )/ =0.681 X1 = 0.8*( )/ =0.514 X12 = 0.8*( )/ = Arsitektur dan Algoritma Pembelaaran Pada penelitian ini arsitektur Jaringan Syaraf Tiruan yang digunakan untuk pola prediksi rata-rata magnitudo adalah Jaringan Syaraf Tiruan backpropagation terdiri dari : 1. Lapisan Input, dengan 12 simpul masing-masing untuk magnitudo Januari (x1), Februari (x2), Maret (x3), April (x4), Mei (x5), Juni (x6), Juli (x7), Agustus (x8), September (x9), Oktober (x10), November (x11) dan Desember (x12) 85
9 2. Lapisan Output, dengan 1 simpul yaitu nilai rata (pola yang didapatkan) (t) sebagai nilai yang menadi prediksi untuk menghitung rata-rata besar magnitudo dari letusan gunung. 3. Lapisan Tersembunyi,Bentuk arsitektur Jaringan Syaraf Tiruannya dapat dilihat pada gambar 4.1 berikut : Gambar 7 : Lapisan Tersembunyi 3.4 Arsitektur Jaringan Perhitungan magnitudo letusan gunung Pada proses pelatihan ini,penulis akan mencoba melakukan pelatihan dengan menggunakan beberapa pola mana yang sesuai dan akurat yang dapat menghitung magnitudo yang tepat. Polapola tersebut yaitu sebagai berikut: Pola 1 a. Jumlah neuron pada input layer sebanyak 12 neuron b. Jumlah neuron pada hidden layer sebanyak 1 neuron c. Toleransi error sebesar d. Learning rate sebesar 0.8 e. Momentum sebesar 0.5 f. Max epoch sebanyak Pola 2 a. Jumlah neuron pada input layer sebanyak 12 neuron b. Jumlah neuron pada hidden layer sebanyak 2 neuron c. Toleransi error sebesar d. Learning rate sebesar 0.7 e. Momentum sebesar 0.4 f. Max epoch sebanyak Pola 3 a. Jumlah neuron pada input layer sebanyak 12 neuron b. Jumlah neuron pada hidden layer sebanyak 3 neuron c. Toleransi error sebesar d. Learning rate sebesar 0.8 e. Momentum sebesar 0.5 f. Max epoch sebanyak Pola 4 a. Jumlah neuron pada input layer sebanyak 12 neuron b. Jumlah neuron pada hidden layer sebanyak 4 neuron c. Toleransi error sebesar d. Learning rate sebesar 0.5 e. Momentum sebesar 0.5 f. Max epoch sebanyak Pola 5 a. Jumlah neuron pada input layer sebanyak 12 neuron b. Jumlah neuron pada hidden layer sebanyak 5 neuron c. Toleransi error sebesar d. Learning rate sebesar 0.8 e. Momentum sebesar 0.5 f. Max epoch sebanyak
10 3.5 Perancangan Pada tahap perancangan ini hasil analisis yang telah didapatkan akan diterapkan pada langkahlangkah algoritma backpropagation menggunkan fungsi aktivasi sigmoid. Adapun langkahlangkah penggunaan algoritma backpropagation adalah : Fase-fase Algoritma Backpropagation 1. Tahap Initialization Merupakan tahapan untuk mendefenisikan/menset awal nilai untuk variabel-variabel yang diperlukan, seperti : nilai input, weight, output yang diharapkan, learning rate dan sebagainya. 2. Tahap Activation Pada tahap activation ini dilakukan dua kegiatan yaitu : menghitung actual output pada hidden layer dan menghitung actual output pada output layer. 3. Tahap Weight Training Pada tahap weight training ini dilakukan dua kegiatan yaitu menghitung error gradient pada output layer dan menghitung error gradient pada hidden layer 4. Iteration Tahapan terakhir ini adalah tahapan untuk penguian di mana ika error yang diharapkan belum ditemukan maka akan kembali lagi ke tahapan ke 2 (dua) yaitu tahap activation. Berikut ini diberikan contoh perhitungan pelatihan atau peramalan dengan Jaringan Syaraf Tiruan untuk menentukan pola rata-rata magnitudo, sebagai contoh pelatihan menggunakan 12 buah variabel input vector x, yaitu : X1 = Besar Magnitudo bulan Januari X2 = Besar Magnitudo bulan Februari X3 = Besar Magnitudo bulan Maret X4 = Besar Magnitudo bulan April X5 = Besar Magnitudo bulan Mei X6 = Besar Magnitudo bulan Juni X7 = Besar Magnitudo bulan Juli X8 = Besar Magnitudo bulan Agustus X9 = Besar Magnitudo bulan September X10 = Besar Magnitudo bulan Oktober X11 = Besar Magnitudo bulan November X12 = Besar Magnitudo bulan Desember Tabel 7 : Data Input Arsitektur aringan yang akan dipilih dimisalkan terdiri dari umlah input layer terdiri dari 12 neuron yang variabelnya adalah rata-rata magnitudo bulan Januari sampai dengan Desember sebagai input dan rata-rata magnitudo dalam setahun sebagai target (output). Untuk membentuk Jaringan Syaraf Tiruan, terlebih dahulu dilakukan inisialisasi bobot awal. Bobot awal yang menghubungkan simpul-simpul pada lapisan input dan lapisan tersembunyi untuk 87
11 arsitektur di atas adalah v = (v 11, v 12, v 13, v 21, v 22, v 23, v 31, v 32, v 33, v n..., v 121, v 122, v 123 ) dan bobot bias dipilih secara acak. Demikian pula bobot awal yang menghubungkan simpul-simpul pada lapisan tersembunyi dan lapisan output (w 1,w 2, w 3 ) uga dipilih secara acak. Tabel 8 : Bobot awal dan bias input ke hidden dari matlab Tabel 9 : Bobot awal dan hidden ke output dari matlab Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil. Langkah 1 : Jika kondisi perhitungan belum terpenuhi, lakukan langkah 2-9. Langkah 2 : Untuk setiap pasang data pelatihan, lakukan 3-8. Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya keunit tersembunyi diatasnya. Langkah 4 : Hitung semua keluaran diunit tersembunyi Z (= 1,2.,p) : n Z_net= v o xiv i i 1 Z_net 1 = (0.6251*0.2154)+( *0.4515)+(0.4689* )+ (0.5228*0.4262)+( *0.3052)+( *-0.233)+( *0.2391)+( * )+( *0.191)+( * )+( *0.1639)+( * ) = Z_net 2 = (0.6251*0.3187)+( *0.1659)+( *0.0513)+ (0.5228* )+( * )+( * ) + ( *0.4314)+ (0.3768*0.2256)+ ( *0.3161)+( *0.1023)+( * )+ (0.4798* ) = Z_net 3 = (0.6251* -0.25)+( * )+( * )+ (0.5228* )+( * )+( * )+( * )+(0.3768* )+ ( * )+ ( * )+( * ) + (0.4798* ) =
12 f Z= 1 z1 = 1 e 1 z2 = 1 e 1 z3 = 1 e ( z _ net ) z _ net e 1 = = = 0,00178 Langkah 5 : Hitung keluaran unit Yk Karena aringannya hanya memiliki sebuah unit keluaran y maka y_net k Y_netk = w z w Y_netk= ( * )+( * ) +( * ) = ( sesuai dengan Y matlab) 1 = e = Langkah 6 : Hitung factor diunit keluaran Yk ko p 1 k k = (( )*0.2696)*( ) = ( t y) y(1 y) Suku perubahan bobot Wk (dengan =0.2 ) w z z w 10= 0.2*( )= w 11= *( )*( 0.2)= w 12= *(0.0318)*( 0.2)= w 13= *(0.0318)*( 0.2)= Langkah 7 : Hitung penumlahan kesalahan dari unit tersembunyi ( ) k k _net1 = *0.3897= _net2 = * = _net3 = *0.9004= _ net m k 1 w k Faktor kesalahan diunit ( ) tersembunyi _ net f ( z _ net 1= *(0.0098)*( )= ) _ net z (1 z ) 89
13 2= *(0.1947)*( )= = *(0,0017)*( )= Tabel.10 : Perubahan bobot input ke hidden Langkah 8 : Hitung semua perubahan bobot Perubahan bobot unit keluaran : w ( baru ) w ( lama) w k k w 10 (baru)= = w 11 (baru)= = w 12 (baru)= = w 13 (baru)= = k Pengolahan data secara manual ini selanutnya akan diolah dengan menggunakan MATLAB untuk beberapa pola arsitektur aringan. Hasil yang diperoleh dari proses pengolahan data menggunakan Matlab selanutnya akan dibandingkan dengan hasil pengolahan data secara manual untuk melihat perbedaan hasilnya. Dalam menggunakan metode backpropagation, pola arsitektur yang dipakai sangat mempengaruhi dalam proses penentuan hasil. Setiap hasil yang diperoleh oleh suatu pola arsitektur memungkinkan berbeda dengan hasil yang didapatkan dengan menggunakan pola arsitektur yang lain. 5. Kesimpulan Setelah melakukan analisa data, perancagan, penerapan dan penguian sistem, dapat diambil beberapa kesimpulan, diantaranya: 1. Aplikasi Jaringan Syaraf Tiruan dapat dibangun untuk mencari perhitungan terbaik dalam pelatihan dan penguian, sehingga ditemukan perhitungan yang dapat menentukan perhitungan dalam memprediksi besaran magnitudo letusan gunung berapi di Sumatera Barat. 2. Berdasarkan perhitungan terbaik yang ditemukan dapat diterapkan dalam bahasa pemrograman PHP dan bahasa pemrograman MysQL 3. Hasil yang diharapkan dapat membantu dan dapat memberikan informasi kepada pihak BMKG dalam melakukan perhitungan prediksi magnitudo letusan gunung merapi. 90
14 Referensi [1] Abdur Rashid Khan,2011. Application of Expert System with Fuzzy Logic in Teachers Performance Evaluation [2] Amartya Neogi,2011. A Cascaded Fuzzy Inference System for University Non-Teaching Staff Performance Appraisal [3] Irvan Subakti Sistem Berbasis Pengetahuan. Surabaya. Jurusan Manaemen Fakultas Ekonomi,2007. Bisnis dan Manaemen. UNiversitas Lampung,Lampung [4] Sri Kusuma Dewi Artificial Intelligence. Yogyakarta. Graha Ilmu [5] Sri Kusuma Dewi, Sri Hartanti Neuro-Fuzzy Integrasi Sistem Fuzzy & Jaringan Syaraf. Yogyakarta. Graha Ilmu [6] Agus Naba Belaar Cepat Fuzzy Logic Menggunakan MATLAB. Yogyakarta. Andi [7] Supriyono Analisis Perbandingan Logika Fuzzy Dengan Regresi Berganda Sebagai Alat Peramalan. 91
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih 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 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 terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
Lebih terperinciResearch of Science and Informatic BROILER CHICKENS WEIGHT PREDICTION BASE ON FEED OUT USING BACKPROPAGATION
Sains dan Informatika Vol.2 (N0.2) (2016): 1-9 1 Andre Mariza Putra, Chickens Weight Prediction Using Backpropagation JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih 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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih 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 terperinciBAB III METODOLOGI PENELITIAN
38 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Peramalan, Curah Hujan, Knowledge Discovery in Database, Jaringan Saraf Tiruan, Backpropagation, Optimalisasasi Backpropagation Pengumpulan
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 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 terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 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 terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan diuraikan materi yang mendukung dalam pembahasan evaluasi implementasi sistem informasi akademik berdasarkan pengembangan model fit HOT menggunakan regresi linier
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciBAB 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 terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih 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 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 terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih 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 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 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih 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 terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciBAB 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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciBAB 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 terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar belakang Hujan merupakan salah satu unsur iklim yang berpengaruh pada suatu daerah aliran sungai (DAS). Pengaruh langsung yang dapat diketahui yaitu potensi sumber daya air. Besar
Lebih 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 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 terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka berpikir Perubahan nilai tukar rupiah terhadap mata uang asing tidak dapat dihindari. Untuk mengatasi perubahan yang tidak pasti ini diperlukan suatu prediksi.
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 menggambarkan desain penelitian peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Kecerdasan Buatan (Artificial Intelligence) Kecerdasan buatan (Artificial Intelligence) adalah bagian dari ilmu komputer yang mempelaari bagaimana membuat mesin (komputer) dapat
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Analisis merupakan proses penguraian konsep ke dalam bagian-bagian yang lebih sederhana, sehingga struktur logisnya menjadi jelas. Metode untuk menguji, menilai, dan
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 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 terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN
SISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN Ahyuna 1), Komang Aryasa 2) 1), 2) Jurusan Teknik Informatika, STMIK Dipanegara Makassar 3) Jl. Perintis
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR
Jurnal Barekeng Vol. 8 No. Hal. 7 3 (04) ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR Analysis of Backpropagation Artificial Neural Network to
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 terperinci2 2 ... v... 3 Santoso... 21 abawa... 29... 37... 53... 59... 67... 77 Yohakim Marwanta... 85... 89... 101 ... 109... 117 D. Jaringan Komputer Amirudd... 135 andha... 141... 151... 165 Syahrir... 171...
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 terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch
Lebih 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 terperinciGambar 3.1 Desain Penelitian
METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Permalan Time Series, Harga Minyak Bumi, Jaringan Syaraf Tiruan, Backpropagation Pengumpulan Data Harga Minyak Bumi di Indonesia Perancangan
Lebih terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciBAB III METODE PENELITIAN. Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu
BAB III METODE PENELITIAN 3.1 Pengumpulan Data Beban Listrik dari PLN Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu selama lima tahun pada periode 2006-2010, selanjutnya data
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih 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 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 terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciKLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION A B S T R A K
KLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION Oleh : Gunawan Abdillah, Agus Komarudin, Rachim Suherlan A B S T R A K Kelainan jantung anak merupakan salah
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciPERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION
Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION Fahmi Hasobaran Dalimunthe
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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR Sofi Dwi Purwanto Teknik Informatika Universitas Islam Negeri Maulana Malik
Lebih terperinciANALISA PREDIKSI JUMLAH ORDER BARANG DENGAN ALGORITMA BACK PROPAGATION (Studi Kasus pada MART 165)
ANALISA PREDIKSI JUMLAH ORDER BARANG DENGAN ALGORITMA BACK PROPAGATION (Studi Kasus pada MART 165) Muhammad Reza Putra, S. Kom, M. Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang e-mail:
Lebih terperinciBAB I PENDAHULUAN. kecerdasan buatan, kecerdasan buatan merupakan salah satu bagian ilmu
BAB I PENDAHULUAN A Latar Belakang Masalah Jaringan Syaraf Tiruan merupakan bagian dari sistem kecerdasan buatan, kecerdasan buatan merupakan salah satu bagian ilmu pengetahuan yang digunakan untuk menyelesaikan
Lebih terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
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 terperinciJARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom Outline Konsep JST Model Struktur JST Arsitektur JST Aplikasi JST Metode Pembelajaran Fungsi Aktivasi McCulloch
Lebih terperinciPROTOTIPE SISTEM PRAKIRAAN CUACA BERDASARKAN SUHU DAN KELEMBAPAN DENGAN METODE LOGIKA FUZZY DAN BACKPROPAGATION BERBASIS MIKROKONTROLER
PROTOTIPE SISTEM PRAKIRAAN CUACA BERDASARKAN SUHU DAN KELEMBAPAN DENGAN METODE LOGIKA FUZZY DAN BACKPROPAGATION BERBASIS MIKROKONTROLER Ratna Aisuwarya 1, Dodon Yendri, Werman Kasoep 2, Kiki Amelia 3,
Lebih terperinciMENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB
POLITEKNOSAINS VOL. X NO. 2 Juni 2011 MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB Yaya Finayani Teknik Elektro, Politeknik Pratama Mulia, Surakarta 57149, Indonesia ABSTRACT
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,
Lebih terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih 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 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 terperinciJARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION UNTUK PENENTUAN KELULUSAN SIDANG SKRIPSI
JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION UNTUK PENENTUAN KELULUSAN SIDANG SKRIPSI ekson Arizona Matondang Dosen Tetap STMIK Budi Darma Medan Jl Sisingamangaraja No 338 Sp Limun Medan http://wwwstmik-budidarmaacid
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 terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih 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 terperinciAnalisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia Muhammad Ulinnuha
Lebih terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
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 terperinci