SIMULASI APLIKASI ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM) TIRUAN PID PADA PENGENDALIAN TINGGI PERMUKAAN AIR
|
|
- Iwan Sudjarwadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 SIMULASI APLIKASI ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM) TIRUAN PID PADA PENGENDALIAN TINGGI PERMUKAAN AIR Oyas Wahyunggoro dan Gideon Charles Teknik Elektro UGM, Yogyakarta oyas@mti.gadjahmada.edu Abstract Application of the conventional method (PID method) in the control system has some limitation due to the nonlinear and high order characteristic of the controllred plant, time delay and the disturbance from the environment. The use of Artificial Neural Network and Fuzzy Logic was expected to overcome that limitation due to the ability in mapping the nonlinier and multiple input-output data pairs. Artificial Neural Network makes the knowledge by learning from some data pairs and save its knowledge to be used later. On the other hand, fuzzy system need the expert in formulating its knowledge. ANFIS is a combination of two methods above. The research was carried out with simulation using MATLAB. In this research, the the ANFIS controller was optimized using PID controller supervised learning, then was applied to control water level. As a result, for normal input, the ANFIS controller has the same performance as PID controller, but for noisy input, the ANFIS controller has better performance than PID controller. Keywords : Artificial Neural Network, Fuzzy System, ANFIS, PID System, Water Level Control System. A. Pendahuluan 1. Pengendali Logika Fuzi Metode pengendalian dengan menerapkan prinsip logika fuzi disebut FLC (fuzzy logic controller). Cara kerja pengendali ini mirip dengan seorang operator kendali, tidak memperhatikan struktur internal plant, hanya mengamati error sebagai selisih antara setpoint dengan keluaran sistem dan mengubah setting panel kendali untuk meminimalkan error tersebut. Sebuah FLC terdiri atas unit fuzifikasi, basis pengetahuan fuzi, mesin keputusan fuzi dan unit defuzifikasi. 2. Jaringan Saraf Tiruan Seperti halnya jaringan saraf biologis, jaringan saraf tiruan terdiri atas satuan-satuan pemroses, yang berupa neuron. Setiap neuron mendapat masukan dari neuron yang lain, melakukan komputasi atas masukan terbobot, kemudian memberikan keluarannya ke neuron lain. Satu buah neuron dapat terhubung ke lebih dari satu neuron lain. Neuron menjumlahkan isyarat masukan terbobot, kemudian menerapkan fungsi aktivasi atas masukan neto. Jaringan saraf tiruan terdiri atas lapisanlapisan, yang pada setiap lapisan terdapat beberapa neuron. Jaringan saraf yang paling sederhana adalah jaringan saraf lapis tunggal, hanya terdiri atas lapisan masukan dan keluaran. Jaringan saraf yang memiliki lebih dari dua lapisan, disebut jaringan saraf lapis banyak. Lapisan yang ada di antara masukan dan keluaran disebut lapisan tersembunyi (hidden layer). Keunggulan utama yang dimiliki oleh jaringan saraf tiruan adalah kemampuan belajar. Jaringan saraf dapat dilatih mengenali pola masukan tertentu dan menyimpan pengetahuannya dalam bentuk bobot-bobot. Pengetahuan tersebut dapat digunakan lagi, dengan memberikan masukan yang sama atau berbeda dengan masukan sebelumnya. Secara umum, pembelajaran pada jaringan saraf tiruan dapat berupa pembelajaran terbimbing (Supervised learning) dan pembelajaran takterbimbing (unsupervised learning). Pada pembelajaran terbimbing diperlukan "guru" yang berfungsi menentukan target bagi jaringan dalam proses belajar. Jika keluaran jaringan tidak sesuai dengan target, maka jaringan akan dilatih. Algoritma pembelajarannya menggunakan perambatan balik yang merupakan pengembangan dari aturan belajar delta (LMS) yang menggunakan gradien galat untuk mengubah parameter jaringan. Pada pembelajaran takterbimbing, jaringan belajar dari lingkungannya. Contoh jaringan saraf yang menggunakan pembelajaran takterbimbing ialah jaringan saraf koheren. 1
2 3. Jaringan Saraf Adaptif Berbeda dengan jaringan saraf tiruan, jaringan adaptif terdiri atas simpul-simpul yang terhubung oleh directional link. Pada directional link tidak terdapat bobot atau parameter. Parameter jaringan terdapat pada simpul-simpul penyusunan jaringan. Ada dua jenis simpul yang menyusun jaringan adaptif, yaitu : 1) simpul bujursangkar, yaitu simpul yang keluarannya bergantung pada parameter simpul dan aturan belajar yang ditetapkan padanya, dan 2) simpul lingkaran yang tidak terdapat parameter dan simpul hanya melakukan operasi tertentu (penjumlahan, perkalian, max, min, dan lain-lain) atas masukan yangditerimanya. Pembelajaran pada jaringan adaptif adalah mengubah parameter simpul sehingga diperoleh ukuran keluaran jaringan yang sesuai dengan keluaran target. 4. ANFIS ANFIS adalah singkatan dari Adaptive Neuro-Fuzzy Inference System atau Adaptive Network Based Fuzzy Inference System. Dari katakata penyusunnya, ANFIS dapat diartikan sebagai sistem inferensi fuzi berbasis jaringan saraf adaptif, atau sistem inferensi fuzi berbasis jaringan adaptif. ANFIS adalah sistem inferensi fuzi yang diimplementasikan dalam jaringan adaptif. Pada ANFIS, parameter adalah fungsi keanggotaan premis dan konsekuensi. Pembelajaran ANFIS adalah pengubahan parameter fungsi keanggotaan masukan dan keluaran. Pembelajaran ANFIS dapat menggunakan algoritma perambatan balik atau algoritma hybrid. Algoritma hybrid adalah gabungan antara algoritma perambatan balik dengan metode kuadrat terkecil (Least Squares Estimate). Metode kuadrat terkecil digunakan untuk menentukan parameter konsekuensi, sedangkan perambatan balik digunakan untuk memperbaharui bobot premis. Fungsi alih pengendali dapat ditulis :...(3) dengan K adalah bati proporsional, T i adalah tetapan waktu integral, dan T d adalah tetapan waktu diferensial. B. Implementasi ANFIS Tiruan PID pada Pengendalian Tinggi Permukaan Air 1. Pengendali Logika Fuzi Pada sistem kendali, sistem logika fuzi digunakan sebagai pengendali yang memberikan isyarat kendali ke plant yang dikendalikan. Pada umumnya pengendali logika fuzi (fuzzy logic controller) membangkitkan isyarat kendali berdasar galat dan perubahan galat antara nilai target dan nilai terukur. Struktur pengendali logika fuzi ditunjukkan oleh gambar 1 sebagai berikut. Gambar 1. Sistem kendali dengan pengendali logika fuzi. Pada penelitian ini disimulasikan pengendali logika fuzi dengan dua masukan, satu keluaran yang masing-masing ada lima fungsi keanggotaan, dan sistem inferensi fuzi Mamdani. Banyaknya aturan ada 25. Masukan adalah peubah dengan semesta wacana [-1,1] dan lima fungsi keanggotaan Bell seperti terlihat di gambar Pengendali PID Pengendali PID mempunyai persamaan hubungan masukan-keluaran sebagai berikut....(1) Dalam ranah Laplace dituliskan sebagai berikut. atau...(2) Gambar 2. Fungsi keanggotaan masukan error dan error rate. Parameter fungsi keanggotaan tersebut terdapat di tabel 1. Aturan fuzi yang digunakan disusun dalam sebuah FAM (Fuzzy Allocation Map) seperti di tabel 2. 2
3 Tabel 1. Parameter masukan sistem fuzi. pengendali PID konvensional, kemudian ANFIS digunakan untuk mengendalikan plant. Sebagai tiruan PID, ANFIS belajar menirukan PID selama pelatihan. ANFIS yang dihasilkan kemudian digunakan untuk membangkitkan isyarat kendali yang selanjutnya dilolohkan ke plant. Konfigurasi ANFIS sebagai tiruan PID saat pelatihan terlihat di gambar 4. Tabel 2. Fuzzy Allocation Map Gambar 4. Pelatihan ANFIS tiruan PID. Fungsi keanggotaan keluaran berupa lima buah fungsi keanggotaan segitiga dengan semesta wacana [-1,1], ditunjukkan di gambar 3. Dari hasil tuning PID didapatkan nilai K=1, T i = 2, dan T d = 0,2. Data pelatihan ANFIS berjumlah 250 pasang data dengan setiap pasang data terdiri atas [e(k) de(k) u(k)]. Data pengecekan berjumlah sama dengan data pelatihan. Jumlah parameter yang diperbaharui pada saat pelatihan adalah 30 parameter taklinier dan 75 parameter linier untuk fungsi keanggotaan Bell dan 20 parameter taklinier serta 75 parameter linier untuk fungsi keanggotaan segitiga. Kinerja pelatihan ANFIS dinyatakan dengan akar rerata kuadrat galat (RMSE) antara target pelatihan dan keluaran ANFIS. Setelah ANFIS dilatih menirukan PID, pengendali PID dilepas dan digunakan untuk mengendalikan plant. Gambar 5 menunjukkan konfigurasi ANFIS pada saat pengendalian. Gambar 3. Fungsi keanggotaan keluaran sistem fuzi. Parameter fungsi keanggotaan keluaran adalah seperti terdapat di tabel 3. Gambar 5. ANFIS tiruan PID saat pengendalian. Tabel 3. Parameter fungsi keanggotaan keluaran. Setelah dilatih ANFIS digunakan untuk mengendalikan sistem tinggi permukaan air. Hasil pengendalian dengan ANFIS kemudian dibandingkan dengan hasil pengendalian fuzi konvensional dan PID sebagai "guru"-nya. 3. Sistem Tinggi Permukaan Air Sistem tinggi permukaan air dapat digambarkan sebagai berikut. 2. Pengendali ANFIS Kelebihan ANFIS adalah kemampuan belajaran, seperti yang dimiliki oleh jaringan saraf tiruan. Pengendali ANFIS dapat belajar dari 3
4 Pada pengendali ANFIS, fungsi keanggotaan sebelum pelatihan terlihat di gambar 9 dan sesudah pelatihan terlihat di gambar 10. Gambar 6. Sistem tinggi permukaan air. Hubungan antara perubahan tinggi dan perubahan aliran adalah resistansi R. Secara matematis ditulis : perubahantinggi( m) R =...(4) perubahan aliran( m 3 / s) Persamaan hubungan masukan-keluaran dapat ditulis sebagai berikut. RC dh + h = Rq i...(5) dt Sistem tinggi permukaan air yang digunakan dalam penelitian ini memiliki parameterparameter sebagai berikut. Resistansi, R = 10 s/m 2 Kapasitansi, C = 0,1963 m 2 Bati katup, K v = 1. Gambar 9. Fungsi keanggotaan sebelum pelatihan. Gambar 10. Fungsi keanggotaan sesudah pelatihan. Kurva RMSE pelatihan ANFIS tiruan PID terlihat di gambar 11. C. Hasil dan Pembahasan Hasil pengendalian menggunakan pengendali logika fuzi konvensional terlihat di gambar 7. Gambar 11. Kurva RMSE pelatihan ANFIS tiruan PID. Keluaran plant terkendali PID (sebagai "guru") terlihat di gambar 12. Gambar 7. Keluaran plant terkendali logika kabur (fuzi) konvensional. Hasil pengendalian plant berderau acak untuk pengendali logika fuzi terlihat di gambar 8. Gambar 12. Keluaran plant terkendali PID. Keluaran plant terkendali ANFIS tiruan PID terlihat di gambar 13. Gambar 8. Keluaran plant terkendali logika fuzi untuk masukan berderau acak. 4
5 Gambar 13. Keluaran plant terkendali ANFIS tiruan PID. Keluaran plant terkendali PID untuk masukan berderau acak terlihat di gambar 14. Gambar 14. Keluaran plant terkendali PID untuk masukan berderau acak. Hasil keluaran plant terkendali ANFIS tiruan PID untuk masukan berderau acak terlihat di gambar 15. Gambar 15. Keluaran plant terkendali ANFIS tiruan PID untuk masukan berderau acak. Hasil dari gambar 7 menunjukkan bahwa pengendali logika fuzi konvensional dapat memberikan hasil yang cukup memuaskan pada pengendalian sistem tinggi permukaan air. Hasil pengendalian yang diperoleh hampir sama dengan hasil pengendalian dengan pengendali PID (gambar 12) ataupun pengendali ANFIS (gambar 13). Hasil pengendalian dengan pengendali logika fuzi konvensional bergantung pada pengetahuan yang dimiliki oleh sistem fuzi yang digunakan, dengan demikian kemampuan "pakar" dalam menyusun pengetahuan fuzi sangat penting. Untuk plant dengan masukan berderau (gambar 8), hasil pengendalian dengan logika fuzi konvensional lebih baik dari hasil pengendalian dengan pengendali PID konvensional (gambar 14). Gambar 9 dan 10 menunjukkan fungsi keanggotaan sebelum dan sesudah pelatihan. Secara makro, fungsi keanggotaan sebelum dan setelah pelatihan hampir sama, tetapi secara mikro berbeda, yaitu fungsi keanggotaan kedua pada masukan 1 maupun masukan 2. Kinerja pelatihan ANFIS dinyatakan dengan akar rerata kuadrat galat (RMSE) antara target pelatihan dan keluaran ANFIS seperti terlihat di gambar 11. Salah satu keunggulan sistem fuzi adalah bersifat taklinier sehingga sesuai untuk memodelkan sistem-sistem taklinier. Isyarat kendali yang masuk ke plant tidak linier terhadap galat yang diterima oleh pengendali. Penggunaan ANFIS sebagai pengendali plant dengan masukan berderau (gambar 15) dapat memberikan hasil yang lebih baik dari pengendali PID (gambar 14). Sedangkan untuk masukan tanpa derau hasil pengendali ANFIS (gambar 13) sama dengan pengendali PID (gambar 12) karena dilatih menggunakan PID sebagai "guru"-nya. D. Kesimpulan 1. ANFIS memiliki kemampuan belajar dari data, seperti yang dimiliki oleh jaringan saraf tiruan. 2. ANFIS dapat digunakan sebagai pengendali sistem tinggi permukaan air. 3. ANFIS dapat belajar menirukan pengendali PID, kemudian ANFIS dapat digunakan untuk menggantikan pengendali PID sebagai "guru"-nya. 4. Hasil pengendali ANFIS tiruan PID tidak lebih baik dari pengendali PID sebagai "guru"-nya untuk masukan biasa, namun untuk masukan berderau hasil pengendali ANFIS dapat lebih baik dari pengendali PID. DAFTAR PUSTAKA Anonim Fuzzy Logic Toolbox User Guide. The Mathworks, Inc. Apple Hill Drive, Natick. Fauset, L Fudamental of Neural Network, Algorithm and Application. Prentice Hall, Inc., Englewood Cliffs, New Jersey. Hanselman, D. Littlefield, B Mastering Matlab, A Comprehensive Tutorial and 5
6 Reference. Prentice Hall, Upper Saddle River, New Jersey. Jacquet, R.G Modern Digital Control System. Marcel Dekker, Inc. 70 Madison Avenue, New York. Ogata, K Modern Control Engineering. Prentice Hall, Inc., New Jersey. Olsson, G., Piani, G Computer Systems for Automation and Control. Prentice Hall International (UK) Ltd. Tarsimin "Simulasi ANFIS dalam Sistem Kendali". Jurusan Teknik Elektro Fakultas Teknik UGM. Wang, L.X A Course in Fuzzy System and Control. Prentice Hall, Inc. Upper Saddle River. New Jersey. Widrow, B., Stearns, S.D Adaptive Signal Processing. Prentice Hall Inc, Englewood Cliffs, New Jersey. 6
Jaringan Neuro-Fuzi Berbasis Algoritma Genetik Dinamis Multiresolusi untuk Pemodelan Sistem Chaotic Diskrit Henon
Jaringan Neuro-Fuzi Berbasis Algoritma Genetik Dinamis Multiresolusi untuk Pemodelan Sistem Chaotic Diskrit Henon Oyas Wahyunggoro 1, Gunawan Ariyanto 2 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciBAB I PENDAHULUAN. kendali dengan campur tangan manusia dalam jumlah yang sangat kecil.
BAB I PENDAHULUAN A. Latar Belakang Perkembangan teknologi pada saat ini mulai bergeser kepada otomatisasi sistem kendali dengan campur tangan manusia dalam jumlah yang sangat kecil. Banyaknya penemuan
Lebih terperinciJURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 31-40 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DATA RUNTUN WAKTU DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Lebih terperinciKode/SKS : TEL 212/2 Prasyarat : -
Nama MatakuIiah : Teknik Neuro Fuzzy Kode/SKS : TEL 212/2 Prasyarat : - Status Mata Kuliah : Wajib Umum Deskripsi Singkat Mata Kuliah : Mata kuliah Teknik Neuro Fuzzy mempelajari penerapan kecerdasan dan
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciPENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR ABSTRAK
PENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR Rosihan Ari Yuana Program Studi Pendidikan Matematika Universitas Sebelas Maret ABSTRAK Aplikasi jaringan
Lebih terperinciSTUDI PERANCANGAN PENGONTROL NEURO-FUZZY PADA PEMBANGKIT LISTRIK TENAGA SURYA
STUDI PERANCANGAN PENGONTROL NEURO-FUZZY PADA PEMBANGKIT LISTRIK TENAGA SURYA T 621.312 44 WIT ABSTRAK Pengontrol neuro-fuzzy (NFC) yang menirukan invers dari sistem dinamik merupakan salah satu alternatif
Lebih terperinciDAFTAR ISI.. LEMBAR PENGESAHAN SURAT PERNYATAAN ABSTRAK.. ABSTRACT... DAFTAR TABEL.. DAFTAR PERSAMAAN..
ABSTRAK Perkembangan teknologi yang semakin pesat, membuat semakin sedikitnya suatu industri yang memakai operator dalam menjalankan suatu proses produksi. Pada saat ini, kontrol otomatis lebih banyak
Lebih terperinciSIMULASI KENDALI ADAPTIF MENGGUNAKAN ALGORITMA LMS UNTUK IDENTIFIKASI PLANT ORDE-2
SIMULASI KENDALI ADAPTIF MENGGUNAKAN ALGORITMA LMS UNTUK IDENTIFIKASI PLANT ORDE-2 SUKARMAN Sekolah Tinggi Teknologi Nuklir-BATAN Jl. Babarsari Kotak Pos 1008, DIY 55010 Telp. 0274.489716, Faks.489715
Lebih terperinciSistem Pengemudian Otomatis pada Kendaraan Berroda dengan Model Pembelajaran On-line Menggunakan NN
Sistem Pengemudian Otomatis pada Kendaraan Berroda dengan Model Pembelajaran On-line Menggunakan Eru Puspita Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember Kampus ITS Keputih
Lebih terperinciDAFTAR ISI. HALAMAN JUDUL... i. LEMBAR PENGESAHAN PEMBIMBING... ii. LEMBAR PENGESAHAN DOSEN PENGUJI... iii. HALAMAN PERSEMBAHAN...
DAFTAR ISI HALAMAN JUDUL... i LEMBAR PENGESAHAN PEMBIMBING... ii LEMBAR PENGESAHAN DOSEN PENGUJI... iii HALAMAN PERSEMBAHAN... iv HALAMAN MOTTO... v KATA PENGANTAR... vii ABSTAKSI... ix DAFTAR ISI... x
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 terperinciPengaturan Kecepatan Motor DC Menggunakan Kendali Hybrid PID-Fuzzy
ABSTRAK Pengaturan Kecepatan Motor DC Menggunakan Kendali Hybrid PID-Fuzzy Felix Pasila, Thiang, Oscar Finaldi Jurusan Teknik Elektro Universitas Kristen Petra Jl. Siwalankerto 121-131 Surabaya - Indonesia
Lebih terperinci3.5.1 Komponen jaringan syaraf Adaptif Neuro Fuzzy Inference System (ANFIS) Simulink MATLAB Mikrokontroler...
DAFTAR ISI HALAMAN PERSETUJUAN TESIS... i PERNYATAAN... ii KATA PENGANTAR... iii DAFTAR ISI... v DAFTAR TABEL... viii DAFTAR GAMBAR... ix INSTISARI... xii ABSTRACT... xiii BAB I PENDAHULUAN... 1 1.1 Latar
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
Lebih terperinciPRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM
ISSN 1412 3762 http://jurnal.upi.edu/electrans ELECTRANS, VOL.11, NO.2, SEPTEMBER 2012, 18-26 PRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY
Lebih terperinciMODEL KONTROL PREDIKSI BERBASIS ANFIS PADA HEAT EXCHANGER
MODEL KONTROL PREDIKSI BERBASIS ANFIS PADA HEAT EXCHANGER Ruslim Jurusan Teknik Elektro, Fakultas Teknik, Universitas Borneo Tarakan ruslim_s@yahoo.co.id ABSTRAKS Model dinamik dari sistem Heat Exchanger
Lebih terperinciDesain Kendali pada Sistem Steam Drum Boiler dengan Memperhitungkan Control Valve
Desain Kendali pada Sistem Steam Drum Boiler dengan Memperhitungkan Control Valve ROFIKA NUR AINI 1206 100 017 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH
Lebih terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
Lebih 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 terperinciDesain PI Controller menggunakan Ziegler Nichols Tuning pada Proses Nonlinier Multivariabel
Desain PI Controller menggunakan Ziegler Nichols Tuning pada Proses Nonlinier Multivariabel Poppy Dewi Lestari 1, Abdul Hadi 2 Jurusan Teknik Elektro UIN Sultan Syarif Kasim Riau JL.HR Soebrantas km 15
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Di era modern seperti saat ini, energi listrik menjadi salah satu kebutuhan dasar dalam kehidupan masyarakat. Berbagai peralatan rumah tangga maupun industri saat ini
Lebih terperinciAnalisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi
Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi Kiki, Sri Kusumadewi Laboratorium Komputasi & Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciPREDIKSI DATA RUNTUN WAKTU MENGGUNAKAN JARINGAN SYARAF TIRUAN
PREDIKSI DATA RUNTUN WAKTU MENGGUNAKAN JARINGAN SYARAF TIRUAN TIME SERIES DATA PREDICTION USING ARTIFICIAL NEURAL NETWORKS Agung Mubyarto Prodi Teknik Elektro, Universitas Jenderal Soedirman Jl. Kampus
Lebih terperinciPERANCANGAN SISTEM KONTROL POSISI DAN KECEPATAN PADA KAPAL SELAM MENGGUNAKAN JARINGAN SARAF TIRUAN
ABSTRAK PERANCANGAN SISTEM KONTROL POSISI DAN KECEPATAN PADA KAPAL SELAM MENGGUNAKAN JARINGAN SARAF TIRUAN Agus Syahril / 0322013 Jurusan Teknik Elektro, Fakultas Teknik Universitas Kristen Maranatha Jl.
Lebih terperinciPenerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
Lebih terperinciPerbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca
NATURALA Journal of Scientific Modeling & Computation, Volume 1 No.1 2013 7 ISSN 23030135 Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca Candra Dewi 1, M. Muslikh
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI
Media Informatika, Vol. 2, No. 2, Desember 2004, 1-11 ISSN: 0854-4743 JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI Kiki, Sri Kusumadewi Jurusan Teknik Informatika,
Lebih terperinciESTIMASI PRODUKTIVITAS PEKERJA KONSTRUKSI DENGAN PROBABILISTIC NEURAL NETWORK
ESTIMASI PRODUKTIVITAS PEKERJA KONSTRUKSI DENGAN PROBABILISTIC NEURAL NETWORK Lila Ayu Ratna Winanda Dosen Teknik Sipil FTSP ITN Malang ABSTRAKSI Pekerjaan konstruksi yang tengah menggeliat bangkit tidak
Lebih terperinciPENERAPAN FUZZY LOGIC CONTROLLER UNTUK MEMPERTAHANKAN KESETABILAN SISTEM AKIBAT PERUBAHAN DEADTIME PADA SISTEM KONTROL PROSES DENGAN DEADTIME
PENERAPAN FUZZY LOGIC CONTROLLER UNTUK MEMPERTAHANKAN KESETABILAN SISTEM AKIBAT PERUBAHAN DEADTIME PADA SISTEM KONTROL PROSES DENGAN DEADTIME Mukhtar Hanafi Program Studi Teknik Informatika Fakultas Teknik
Lebih terperinci+ - KONTROLER. Σ Kontroler Plant. Aktuator C(s) R(s) Sensor / Elemen ukur
KONTROLER PENGANTAR merupakan salah satu komponen dalam sistem pengaturan yang memegang peranan sangat penting. menghasilkan sinyal kontrol yang menjadi masukan bagi plant sedemikian hingga plant memberikan
Lebih terperinciBAB I PENDAHULUAN 1 BAB I PENDAHULUAN. Perkembangan kecerdasan buatan atau artificial intelligence sejak pertama kali
BAB I PENDAHULUAN 1 BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan kecerdasan buatan atau artificial intelligence sejak pertama kali dikemukakan pada tahun 1956 di konferensi Dartmouth sampai sekarang
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciIMPLEMENTASI KONTROLER NEURAL FUZZY PADA PENGATURAN KECEPATAN MOTOR INDUKSI 3 FASA
IMPLEMENTASI KONTROLER NEURAL FUZZY PADA PENGATURAN KECEPATAN MOTOR INDUKSI 3 FASA Ratna Ika Putri 1, Mila Fauziyah 2 1 Politeknik Negeri Malang 2 Politeknik Negeri Malang E-mail: Ikaputri_ratna@yahoo.com,
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih terperinciAnalisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic
Analisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic Luh Kesuma Wardhani, Elin Haerani Jurusan Teknik Informatika Fakultas Sains dan Teknologi UIN SUSKA Riau
Lebih terperinciT 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia
T 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia Aidatul Fitriah 1, Agus Maman Abadi 2 1) Program Studi Matematika, FMIPA Universitas Negeri Yogyakarta 2) Jurusan Pendidikan Matematika,
Lebih terperinciSistem Pembelajaran Promosi Jabatan pada Perusahaan Menggunakan Adaptive Neouro FIS
Sistem Pembelajaran Promosi Jabatan pada Perusahaan Menggunakan Adaptive Neouro FIS Warnia Nengsih Jurusan Komputer, Politeknik Caltex Riau, Pekanbaru 28265, email: war nia @pcr.ac.id Abstrak- Kinerja,
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 terperinciBAB III METODELOGI PENELITIAN. media cacing dengan metode adaptive neuro fuzzy inference system (ANFIS)
BAB III METODELOGI PENELITIAN 3.1 Studi Literatur Untuk memehami cara rancang bangun pengontrol suhu dan kelembaban media cacing dengan metode adaptive neuro fuzzy inference system (ANFIS) dibutuhkan studi
Lebih terperinciRancang Bangun Modul Praktikum Teknik Kendali dengan Studi Kasus pada Indentifikasi Sistem Motor-DC berbasis Arduino-Simulink Matlab
Rancang Bangun Modul Praktikum Teknik Kendali dengan Studi Kasus pada Indentifikasi Sistem Motor-DC berbasis Arduino-Simulink Matlab Fahmizal, Nur Sulistyawati, Muhammad Arrofiq Departemen Teknik Elektro
Lebih terperinciJurnal MIPA 39 (1)(2016): Jurnal MIPA.
Jurnal MIPA 39 (1)(2016): 40-44 Jurnal MIPA http://journal.unnes.ac.id/nju/index.php/jm PENGENDALIAN KELAJUAN KENDARAAN MENGGUNAKAN FUZZY LOGIC CONTROLLER (FLC) PADA SISTEM CRUISE KONTROL Susanto, Sunarno
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciIDENTIFIKASI TIGA JENIS BUNGA IRIS MENGGUNAKAN ANFIS
IDENTIFIKASI TIGA JENIS BUNGA IRIS MENGGUNAKAN ANFIS Abdul Kadir Program Pascasarjana Teknik Elektro Universitas Gadjah Mada, Yogyakarta E-mail: akadir@mti.ugm.ac.id Abstract This paper was based on our
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 terperinciPenyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks
Penyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks Dewi Erla Mahmudah 1, Ratna Dwi Christyanti 2, Moh. Khoridatul Huda 3,
Lebih 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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada tahun 1950-an, banyak dijumpai motor arus searah konvensional (MASK) sebagai penggerak mekanik. Hal demikian didasarkan atas anggapan bahwa MASK memiliki kemudahan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Artificial Neural Network Artificial neural network (ANN) / jaringan saraf tiruan adalah konsep yang merefleksikan cara kerja dari jaringan saraf biologi kedalam bentuk artificial
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 terperinciTabel 1. Parameter yang digunakan pada proses Heat Exchanger [1]
1 feedback, terutama dalam kecepatan tanggapan menuju keadaan stabilnya. Hal ini disebabkan pengendalian dengan feedforward membutuhkan beban komputasi yang relatif lebih kecil dibanding pengendalian dengan
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 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 terperinciDESAIN PENGENDALIAN KETINGGIAN AIR DAN TEMPERATUR UAP PADA SISTEM STEAM DRUM BOILER DENGAN METODE SLIDING MODE CONTROL (SMC)
DESAIN PENGENDALIAN KETINGGIAN AIR DAN TEMPERATUR UAP PADA SISTEM STEAM DRUM BOILER DENGAN METODE SLIDING MODE CONTROL (SMC) OLEH : Teguh Herlambang (1206 100 046) DOSEN PEMBIMBING: Dr. Erna Apriliani,
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
Lebih terperinciKENDALI LOGIKA FUZI PADA SISTEM LEVEL AIR DENGAN MIKROKONTROLER AT8535. Pandapotan Siagian, ST, M.Eng ABSTRAK
KENDALI LOGIKA FUZI PADA SISTEM LEVEL AIR DENGAN MIKROKONTROLER AT8535 Pandapotan Siagian, ST, M.Eng ABSTRAK Sistem kontrol volume level pengisian penampungan air dapat di kontrol secara otomatis. Kontrol
Lebih terperinciANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM)
ANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM) Hanura Ian Pratowo¹, Retno Novi Dayawati², Agung Toto Wibowo³ ¹Teknik Informatika,,
Lebih terperinciPerancangan Dan Implementasi Sistem Pengaturan Kecepatan Motor Bldc Menggunakan Kontroler Pi Berbasiskan Neural-Fuzzy Hibrida Adaptif
F68 Perancangan Dan Implementasi Sistem Pengaturan Kecepatan Motor Bldc Menggunakan Kontroler Pi Berbasiskan Neural-Fuzzy Hibrida Adaptif Agung Setyadi Wicaksono, Rushdianto Effendie A. K., dan Eka Iskandar
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 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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
Lebih terperinciPenggunaan Mamdani Fuzzy Expert System untuk Mengevaluasi Kinerja Dosen
Penggunaan Mamdani Fuzzy Expert System untuk Mengevaluasi Kinerja Dosen Dwi Rolliawati Fakultas Ilmu Komputer, Sistem Komputer, Universitas Narotama dwi.roliawati@narotama.ac.id Abstrak Dosen sebagai pendidik
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 terperinciPREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI SAMUEL ANTHONIUS MADUWU
PREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI SAMUEL ANTHONIUS MADUWU 091402118 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
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 terperinciJurnal Coding, Sistem Komputer Untan Volume 04, No. 3 (2016), hal ISSN: X
SISTEM PENDUKUNG KEPUTUSAN PREDIKSI CURAH HUJAN DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (Studi Kasus: Kota Pontianak) [1] Ruspina Ningsih, [2] Beni Irawan, [3] Fatma Agus Setyaningsih [1][3]
Lebih terperinciDESAIN SISTEM KONTROL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) STUDI KASUS: PENGONTROLAN KETINGGIAN AIR DAN TEMPERATUR UAP STEAM DRUM BOILER
DESAIN SISTEM KONTROL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) STUDI KASUS: PENGONTROLAN KETINGGIAN AIR DAN TEMPERATUR UAP STEAM DRUM BOILER Fatimah Avtur Alifia *), Aris Triwiyatno, and Wahyudi Laboratorium
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI NEUROFUZZY ADAPTIVE BERBASISKAN REAL TIME UNTUK PENGATURAN TEMPERATUR PADA FURNACE
PERANCANGAN DAN IMPLEMENTASI NEUROFUZZY ADAPTIVE BERBASISKAN REAL TIME UNTUK PENGATURAN TEMPERATUR PADA FURNACE Pranata Sulistyawan 2207.100.620 Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember
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 terperinciIMPLEMENTASI MICROKONTROLLER UNTUK SISTEM KENDALI KECEPATAN BRUSHLESS DC MOTOR MENGGUNAKAN ALGORITMA HYBRID PID FUZZY
Implementasi Microkontroller untuk Sistem Kendali Kecepatan (Kristiyono dkk.) IMPLEMENTASI MICROKONTROLLER UNTUK SISTEM KENDALI KECEPATAN BRUSHLESS DC MOTOR MENGGUNAKAN ALGORITMA HYBRID PID FUZZY Roedy
Lebih terperinciRealisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen
Realisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen David Novyanto Candra/0322003 Email: dave_christnc@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Jln.Prof.Drg.Suria
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 terperinciPENGENDALI POSISI MOTOR DC DENGAN PID MENGGUNAKAN METODE ROOT LOCUS
PENGENDALI POSISI MOTOR DC DENGAN PID MENGGUNAKAN METODE ROOT LOCUS Oleh : Agus Nuwolo (1), Adhi Kusmantoro (2) agusnuwolo15461@gmail.com, adhiteknik@gmail.com Fakultas Teknik / Teknik Elektro Universitas
Lebih terperinciRANCANG BANGUN ALAT BANTU PENENTU POLA DISTRIBUSI INPUT DENGAN MEMANFAATKAN JARINGAN SYARAF TIRUAN DENGAN MENGGUNAKAN PERSENTIL SEBAGAI PENCIRI
RANCANG BANGUN ALAT BANTU PENENTU POLA DISTRIBUSI INPUT DENGAN MEMANFAATKAN JARINGAN SYARAF TIRUAN DENGAN MENGGUNAKAN PERSENTIL SEBAGAI PENCIRI Aris Tjahyanto Jurusan Sistem Informasi, Fakultas Teknologi
Lebih terperinciBAB I PENDAHULUAN. manusia akan teknologi tepat guna. Teknologi tepat guna yang mampu memenuhi
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi yang semakin pesat dipicu oleh kebutuhan manusia akan teknologi tepat guna. Teknologi tepat guna yang mampu memenuhi perintah user dalam hal
Lebih terperinciPeramalan Data IHSG Menggunakan Metode Backpropagation
Peramalan Data IHSG Menggunakan Metode Backpropagation Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang, Indonesia hansun@umn.ac.id Diterima 31 Agustus 2012 Disetujui
Lebih terperinciPemodelan Pengendali Logika Samar Secara Manual Pada Kiln PT. Semen Tonasa (Tonasa IV)
Pemodelan Pengendali Logika Samar Secara Manual Pada Kiln PT. Semen Tonasa (Tonasa IV) St. Nawal Jaya 1 1 Progam Studi Teknik Elektro, Fakultas Teknik Unhalu E-mail : stnjaya@gmail.com Abstract This paper
Lebih terperinciPREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION
JIMT Vol. 4 No. Juni 207 (Hal 47-55) ISSN : 2450 766X PREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION J.R. Mustakim, R. Ratianingsih 2 dan D. Lusiyanti 3,2,3 Program Studi
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sistem kendali PID paling banyak digunakan dalam pengendalian di industri. Keberhasilan pengendali PID tergantung ketepatan dalam menentukan konstanta (penguatan) PID
Lebih terperinciMateri 9: Fuzzy Controller
Materi 9: Fuzzy Controller I Nyoman Kusuma Wardana Sistem Komputer STMIK STIKOM Bali Introduction to Fuzzy Logic Kusuma Wardana, M.Sc. 2 Logika Fuzzy dapat diterapkan sebagai algoritma dalam sistem kontrol
Lebih terperinciTOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Lebih 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 terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Metode kendali nonlinier telah menjadi metode yang sangat penting dan sangat bermanfaat dalam dunia kendali selama beberapa dekade terakhir. Beberapa contoh metode
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciSISTEM PREDIKSI SAHAM MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (STUDI KASUS SAHAM MINGGUAN PT ASTRA AGRO LESTARI, TBK)
Vol., No., Agustus 16, 35-39 SISTEM PREDIKSI SAHAM MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (STUDI KASUS SAHAM MINGGUAN PT ASTRA AGRO LESTARI, TBK) Yuniar Farida, S.T, M.T 1) Program Studi Matematika
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 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 RBF PADA SISTEM KONTROL VALVE UNTUK PENGENDALIAN TINGGI MUKA AIR
APLIKASI JARINGAN SYARAF TIRUAN RBF PADA SISTEM KONTROL VALVE UNTUK PENGENDALIAN TINGGI MUKA AIR Wahyudi, Hariyanto, Iwan Setiawan Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro, Jln.
Lebih terperinciImplementasi Fuzzy Logic Controller untuk Pengendalian Level Air
ELEKTRAN, VOL. 2, NO. 1, JUNI 2012 20 Implementasi Fuzzy Logic Controller untuk Pengendalian Level Air Cucun Wida Jurusan Teknik Elektro, Politeknik Negeri Bandung Jl. Gegerkalong Hilir, Ds. Ciwaruga,
Lebih terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Semakin bertambah tahun, semua peralatan konvensional semakin tergantikan dengan adanya peralatan elektronik. Di setiap sisi kehidupan pada saat ini menggunakan peralatan
Lebih terperinciHerry gunawan wibisono Pembimbing : Ir. Syamsul Arifin, MT
PERANCANGAN SISTEM PENGENDALIAN DAYA REAKTOR NUKLIR MENGGUNAKAN LOGIKA FUZZY DI PUSAT TEKNOLOGI NUKLIR BAHAN DAN RADIOMETRI BADAN TENAGA NUKLIR NASIONAL (PTNBR BATAN) BANDUNG Herry gunawan wibisono 2406
Lebih terperinciAPLIKASI SISTEM CERDAS UNTUK PREDIKSI ENERGI LISTRIK PEMAKAIAN SENDIRI DI PT INDONESIA POWER SUB UNIT PLTA KABUPATEN WONOGIRI
APLIKASI SISTEM CERDAS UNTUK PREDIKSI ENERGI LISTRIK PEMAKAIAN SENDIRI DI PT INDONESIA POWER SUB UNIT PLTA KABUPATEN WONOGIRI Herliyani Hasanah Program Studi Teknik Informatika STMIK Duta Bangsa Surakarta
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Barcode Rcognition System Using Backpropagation Neural Networks M. Kayadoe, Francis Yuni Rumlawang, Yopi Andry Lesnussa * Jurusan
Lebih terperinci