Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN
|
|
- Adi Muljana
- 7 tahun lalu
- Tontonan:
Transkripsi
1 METODE PEMBELAJARAN Sebelum suatu Jarngan Neural Buatan (JNB) dgunaan untu menglasfasan pola, terlebh dahulu dlauan proses pembelaaran untu menentuan strutur arngan, terutama dalam penentuan nla bobot. Dalam bagan n aan delasan beberapa metode pembelaaran yatu metode Hebb, Perceptron, Adalne/Madalne, Bacpropagaton,. HEBB Jarngan Hebb adalah arngan neural buatan yang mempunya aturan pembelaaran yang sederhana. Hebb mengusulan bahwa pembelaaran dlauan dengan memodfas bobot dmana a 2 neuron yang terhubung adalah on dalam watu yang sama, maa bobot dantara eduanya harus dtngatan. Metode n emudan dembangan dengan menambah satu prnsp lannya yatu bobot uga aan dtngatan bla edua neuron off dalam watu yang sama. Karaterst Jarngan Hebb mempunya araterst sebaga berut : Jarngan laps tunggal o Jarngan terdr dar satu atau lebh unt masuan dan satu unt eluaran. o Mempunya sebuah bas yang berperlau sepert bobot yang bsa dsesuaan yang terleta pada ones dar sebuah unt yang selalu mengeluaran snyal + agar bobot bas bsa dlath sepert bobot lannya dengan proses yang sama dalam algortma pelathan. Fungs atvas Fungs yang dgunaan adalah fungs denttas, artnya eluaran layer nput sama dengan masuannya. F(y_n) = y_n () Arstetur Arstetur arngan Hebb dtunuan pada gambar. Pada arngan n, terdapat n unt masuan, yatu X,, X,, X n dengan bobot w,, w,, w n, dan sebuah unt eluaran, yatu Y. Selan tu, terdapat sebuah unt yang selalu memberan snyal + dmana bobotnya dber nama bas (b).
2 X w b X w w n Y X n Gambar. Arstetur Hebb Algortma Pembelaaran Untu melath arngan, dlauan langah-langah berut n : Langah 0. Insalsas seluruh bobot w = 0 =, 2,, n Langah. Untu setap pasangan vetor masuan pelathan dan target eluaran, s:t (s adalah vetor masuan pelathan dan t adalah vetor target eluaran), lauan langah 2-4 Langah 2. Set atvas untu unt masuan : x = s =, 2,, n Langah 3. Set atvas untu unt eluaran : y = t Langah 4. Sesuaan bobot untu w (new) = w (old) + x y =, 2,, n Sesuaan bas : b(new) = b(old) + y =, 2,, n Perlu dcatat bahwa bas dsesuaan sama sepert sebuah bobot dar sebuah unt yang eluaran snyalnya selalu +. Perubahan bobot dapat uga despresan dalam bentu vetor sebaga w (new) = w (old) + xy (2) Hal n serng dtuls dalam bentu perubahan bobot,?w, sebaga?w = xy (3) sehngga w (new) = w (old) +?w (4) 2
3 Algortma Penguan Untu mengu suatu masuan, dlauan langah-langah berut n : Langah 0. Insalsas bobot (dgunaan nla bobot yang dperoleh dar algortma pelathan) Langah. Untu setap vetor masuan x, lauan langah 2-4 Langah 2. Set nla atfas dar unt masuan, =,., n x = s Langah 3. Htung total masuan e unt eluaran y _n = b + Langah 4. Gunaan fungs atfas F(y_n) = y_n x w Dmana nla F(y_n) menad nla eluaran dar unt eluaran (Y). 2. PERCEPTRON Aturan pembelaaran perceptron mempunya emampuan yang lebh ba darpada aturan pembelaaran Hebb dalam memecahan permasalahan. Dengan beberapa asums, dantaranya adalah bobot yang ngn dcar harus ada, Perceptron dapat selalu menemuan bobot yang sesua. Dmana bobot yang sesua alah bobot arngan yang dapat menghaslan eluaran yang benar untu setap pola masuan pelathan. Karaterst Jarngan Perceptron mempunya araterst sebaga berut : Jarngan laps tunggal o Terdr dar satu atau lebh unt masuan dan satu unt eluaran. o Mempunya sebuah bas yang berperlau sepert bobot yang bsa dsesuaan yang terleta pada ones dar sebuah unt yang selalu mengeluaran snyal + agar bobot bas bsa dlath sepert bobot lannya dengan proses yang sama dalam algortma pelathan. Fungs atvas 3
4 Fungs yang basa dgunaan adalah fungs tangga bpolar dengan suatu nla batas tetap (?) a y_ n >? f (y _n ) = 0 a? y_n? (5) a y _n <? Apabla esalahan terad untu suatu pola masuan pelathan, bobot aan dubah sesua dengan formula w (new) = w (old) + a t x (6) dmana nla target t adalah + atau dan a adalah lau pembelaaran. Ja esalahan tda terad, maa bobot tda aan dubah. Pelathan aan dlauan terus sampa tda ada esalahan yang terad. Arstetur Arstetur arngan Perceptron dtunuan pada gambar. Pada arngan n, terdapat n unt masuan, yatu X,, X,, X n dengan bobot w,, w,, w n, dan sebuah unt eluaran, yatu Y. Selan tu, terdapat sebuah unt yang selalu memberan snyal + dmana bobotnya dber nama bas (b). X w b X w w n Y X n Gambar 2. Arstetur Perceptron untu melauan lasfas elas Tuuan dar arngan dengan arstetur sepert pada gambar 2 adalah untu menglasfas setap pola masuan, apaah termasu atau tda termasu e dalam suatu elas. Bla termasu maa unt eluaran aan menghaslan respon +, dan bla tda termasu maa unt eluaran aan menghaslan respon -. Algortma Pelathan Untu melath arngan, dlauan langah-langah berut n : Langah 0. Insalsas seluruh bobot dan bas (Agar sederhana, set bobot dan bas menad 0) 4
5 Set lau pembelaaran a (0 < a = )) (Agar sederhana, a bsa dset menad ) Langah. Selama onds berhent adalah salah, lauan langah 2-6 Langah 2. Untu setap pasangan pelathan s :t, lauan langah 3-5 Langah 3. Set atfas dar unt masuan x = s Langah 4. Htung respon dar unt eluaran y _n y = 0 = b + x w a a a y _n >?? y_n? y_ n <? Langah 5. Sesuaan bobot dan bas a esalahan terad untu pola n Ja y t, maa w (new) = w (old) + a t x b (new) = b (old) + a t a tda, maa w (new) = w (old) b(new) = b(old) Langah 6. Tes onds berhent : Algortma Penguan Ja mash ada bobot yang berubah pada langah 2, embal e langah ; Ja tda, embal e langah 2. Setelah pelathan, sebuah arngan perceptron bsa dgunaan untu menglasfas pola masuan. Langah-langah penguan adalah sebaga berut Langah 0. Insalsas bobot (dgunaan nla bobot yang dperoleh dar algortma pelathan) Langah. Untu setap vetor masuan x, lauan langah 2-4 Langah 2. Set nla atfas dar unt masuan, =,., n x = s Langah 3. Htung total masuan e unt eluaran y _n = b + x w 5
6 Langah 4. Gunaan fungs atfas f (y _n ) = 0 a a a y_ n >?? y_n? y _n <? Dmana nla f(y_n) menad nla eluaran dar unt eluaran (Y). 3. ADALINE Adalne (Adaptve Lnear Neuron) dembangan oleh Wdrow dan Hoff pada tahun 960. Adalne dlath dengan menggunaan aturan delta, yang uga denal sebaga aturan least mean squares (LMS) atau Wdrow-Hoff. Karaterst Jarngan Adalne mempunya araterst sebaga berut : Jarngan laps tunggal o Jarngan terdr dar satu atau lebh unt masuan dan satu unt eluaran. o Mempunya sebuah bas yang berperlau sepert bobot yang bsa dsesuaan yang terleta pada ones dar sebuah unt yang selalu mengeluaran snyal + agar bobot bas bsa dlath sepert bobot lannya dengan proses yang sama dalam algortma pelathan. o Beberapa arngan Adalne yang menerma snyal dar unt masuan yang sama dalam dombnasan menad sebuah arngan laps tunggal sepert perceptron. o Beberapa Adalne uga bsa dombnasan sehngga eluaran dar sebagan Adalne menad masuan untu Adalne yang lan, dan aan membentuan arngan laps banya yang dsebut Madalne (Many Adaptve Lnear Neuron). Fungs atvas Fungs yang dgunaan adalah fungs tangga a y _n 0 F (y _ n ) = (7) a y _n < 0 Arstetur 6
7 Arstetur arngan Adalne dtunuan pada gambar 3. Pada arngan n, terdapat n unt masuan, yatu X,, X,, X n dengan bobot w,, w,, w n, dan sebuah unt eluaran, yatu Y. Selan tu, terdapat sebuah unt yang selalu memberan snyal + dmana bobotnya dber nama bas (b). X w b X w w n Y X n Algortma Pembelaaran Langah 0. Insalsas bobot Gambar 3. Arstetur Adalne (basanya dgunaan blangan aca yang ecl) Set lau pembelaaran a (0, = na =, dmana n adalah umlah unt masuan) Langah. Selama syarat hent salah, lauan langah 2-6 Langah 2. Untu setap pasangan pelathan (masuan dan target) bpolar s:t, lauan langah 3-5 Langah 3. Set nla atfas dar unt masuan, =,., n x = s Langah 4. Htung total masuan e unt eluaran y _n = b + x w Langah 5. Perbaru bobot dan bas, =,., n b(new) = b(old) + a (t y_n) w (new) = w (old) + a (t y_n) x 7
8 Langah 6. U syarat hent : Ja perubahan bobot (a (t y_n)) terbesar yang terad dalam langah 2 adalah lebh ecl dar tolerans (e) yang telah dtentuan, maa selesa; a tda maa embal e langah Nla tolerans (e) yang dgunaan adalah < e = 0. Dalam menentuan nla lau pembelaaran (a), umumnya dgunaan nla yang ecl (msalan a = 0.). Apabla nla a terlalu besar, proses pembelaaran tda aan onvergen. Ja terlalu ecl nla yang dplh, pembelaaran aan menad terlalu lambat. Agar prats, saran nla a yang bsa dplh adalah 0, = na = dmana n adalah umlah unt masuan. Algortma Penguan Setelah pelathan, sebuah arngan Adalne bsa dgunaan untu menglasfas pola masuan. Bla nla target adalah bvalen (bner atau bpolar), fungs tangga bsa dgunaan sebaga fungs atvas dar unt eluaran. Prosedur umum n adalah langah-langah yang dgunaan apabla target adalah bpolar : Langah 0. Insalsas bobot (dgunaan nla bobot yang dperoleh dar algortma pelathan) Langah. Untu setap vetor masuan x, lauan langah 2-4 Langah 2. Set nla atfas dar unt masuan, =,., n x = s Langah 3. Htung total masuan e unt eluaran y _n = b + Langah 4. Gunaan fungs atfas F (y _ n ) = x w a a y _n 0 y _n < 0 Dmana nla F(y_n) menad nla eluaran dar unt eluaran (Y). 4. MADALINE Madalne (Many Adaptve Lnear Neuron) merupaan ombnas dar beberapa Adalne yang datur sedeman rupa sehngga membentu arngan laps banya. 8
9 Karaterst Jarngan Madalne mempunya araterst sebaga berut : Jarngan laps banya Fungs atvas Fungs atvas dgunaan untu menghtung snyal eluaran dar setap arngan Adalne yang membentu arngan Madalne. Dmana Fungs yang dgunaan adalah fungs tangga Arstetur a y _n 0 F (y _ n ) = (8) a y _n < 0 Arstetur Madalne tergantung epada ombnas Adalne yang dgunaan. Pada gambar 4 dtunuan sebuah Madalne sederhana yang mempunya 2 Adalne tersembuny dan sebuah Adalne eluaran. Keluaran dar 2 Adalne tersembuny, Z dan Z 2, dtentuan oleh snyal yang berasal dar unt masuan yang sama yatu X dan X 2. Penggunaan lapsan tersembuny, Z dan Z 2, memberan emampuan omputas arngan yang tda dtemuan pada arngan laps tunggal, tetap uga menyebaban pelathan menad lebh rumt. Persamaan (8) dgunaan sebaga fungs atvas oleh setap unt eluaran Adalne (Z, Z 2, dan Y). b X w w 2 Z v b 3 w 2 v 2 Y Z 2 X 2 w 22 b 2 Gambar 4. Arstetur Madalne dengan 2 Adalne tersembuny dan sebuah Adalne eluaran Algortma Pembelaaran Terdapat 2 macam algortma pembelaaran untu Madalne yang dsebut MRI dan MRII. Dalam algortma MRI, hanya bobot-bobot pada Adalne tersembuny saa yang dsesuaan, sedangan bobot pada unt eluaran nlanya tetap. Pada 9
10 algortma MRII terdapat metode untu menyesuaan seluruh bobot dalam arngan. Untu menelasan langah-langah dalam MRI dan MRII, dgunaan contoh arstetur Madalne yang terdapat pada gambar 4. Algortma MRI Pada MRI, bobot v dan v 2 serta bas b 3, yang memberan snyal masuan e unt eluaran Y, dtentuan sedeman rupa sehngga respon dar unt Y adalah a snyal Z atau/dan Z 2 adalah, dan adalah - a Z dan Z 2 mengrman snyal -. Dengan ata lan, unt Y melauan fungs loga OR terhadap snyal yang dterma dar Z dan Z 2. Sehngga bobot-bobot yang menuu e Y adalah : v = 2, v 2 = 2, b 3 = 2 Bobot pada Adalne tersembuny pertama (w dan w 2 ) dan bobot pada Adalne tersembuny edua (w 2 dan w 22 ) dsesuaan menurut langah-langah berut n : Fungs atvas untu unt Z, Z 2, dan Y adalah f (x) = a a Langah 0. Insalsas bobot x 0 x < 0 Set bobot v, v 2 dan b 3 menggunaan nla yang telah delasan sebelumnya. Set bobot lannya (w, w 2, w 2, w 22, b, dan b 2 ) menggunaan blangan aca ecl. Set lau pembelaaran a dengan blangan aca ecl (0, = na =, dmana n adalah umlah unt masuan). Langah. Selama syarat hent salah, lauan langah 2-8 Langah 2. Untu setap pasangan pelathan (masuan dan target) bpolar s:t, lauan langah 3-7 Langah 3. Set atfas dar unt masuan, =,., n x = s 0
11 Langah 4. Htung masuan arngan e setap unt Adalne tersembuny z_n = b + x w + x 2 w 2 z_n 2 = b 2 + x w 2 + x 2 w 22 Langah 5. Tentuan eluaran dar setap unt Adalne tersembuny z = f(z_n ) z 2 = f(z_n 2 ) Langah 6. Tentuan eluaran dar arngan y_n = b 3 + z v + z 2 v 2 y = f(y_n) Langah 7. Tentuan esalahan dan penyesuaan bobot : Ja t = y, ta ada penyesuaan bobot. Sebalnya, a t =, maa sesuaan bobot pada Z J, yatu unt yang masuan arngannya palng mendeat 0, b J (new) = b J (old) + a ( z_n J ) w J (new) = b J (old) + a ( z_n J ) a t = -, maa sesuaan bobot pada seluruh unt Z yang meml masuan arngan yang postf, Langah 8. U syarat hent. b (new) = b (old) + a (- z_n ) w (new) = w (old) + a (- z_n ) x Ja tda ada perubahan bobot (atau telah mencapa level yang cuup), atau a telah mencapa umlah masmum dar teras perubahan bobot (pada langah 2), maa berhent; a tda lanutan. Algortma MRII Pada aturan pembelaaran n, seluruh bobot dar setap lapsan dalam arngan aan dlath. Langah-langah yang dlauan adalah sebaga berut : Langah 0. Insalsas bobot Set lau pembelaaran a dengan blangan aca ecl (0, = na =, dmana n adalah umlah unt masuan).
12 Langah. Selama syarat hent salah, lauan langah 2-8 Langah 2. Untu setap pasangan pelathan (masuan dan target) bpolar s:t, lauan langah 3-7 Langah 3. Set atfas dar unt masuan, =,., n x = s Langah 4. Htung masuan arngan e setap unt Adalne tersembuny z_n = b + x w + x 2 w 2 z_n 2 = b 2 + x w 2 + x 2 w 22 Langah 5. Tentuan eluaran dar setap unt Adalne tersembuny z = f(z_n ) z 2 = f(z_n 2 ) Langah 6. Tentuan eluaran dar arngan y_n = b 3 + z v + z 2 v 2 y = f(y_n) Langah 7. Tentuan esalahan dan sesuaan bobot a perlu : Ja t? y, lauan langah 7a-b untu setap unt tersembuny yang masuan arngannya adalah cuup deat dengan 0 (ataan, antara 0,25 dan 0,25). Mula dengan unt yang masuan arngannya adalah palng deat dengan 0, lalu untu yang palng deat berutnya, dan seterusnya. Langah 7a : Ubah eluaran unt (dar + menad, atau sebalnya) Langah 7b : Htung embal respon dar arngan. Langah 8 : U syarat hent. Ja esalahan berurang : Sesuaan bobot pada unt n (gunaan nla eluaran yang baru sebaga target dan lauan aturan Delta). Ja tda ada perubahan bobot (atau telah mencapa level yang cuup), atau a telah mencapa umlah masmum dar teras perubahan bobot (pada langah 2), maa berhent; a tda lanutan. 2
13 Algortma Penguan Setelah pelathan, sebuah arngan Madalne bsa dgunaan untu menglasfas pola masuan. Bla nla target adalah bvalen (bner atau bpolar), fungs tangga bsa dgunaan sebaga fungs atvas dar unt eluaran. Prosedur umum n adalah langah-langah yang dgunaan apabla target adalah bpolar : Langah 0 : Insalsas bobot (dgunaan nla bobot yang dperoleh dar algortma pelathan) Langah : Untu setap arngan Adalne, lauan langah 2-5 Langah 2 : Untu setap vetor masuan x, lauan langah 2-4 Langah 3 : Set nla atfas dar unt masuan, =,., n x = s Langah 4 : Htung total masuan e unt eluaran y _n = b + Langah 5 : Gunaan fungs atvas x w Dmana nla F(y_n) menad nla eluaran dar unt eluaran arngan. 5. BACKPROPAGATION Keterbatasan arngan neural laps tunggal menyebaban penurunan mnat dalam JNB pada tahun 970-an. Pada setar tahun 985 mnat tersebut mula bangt embal setelah penemuan metode pembelaaran yang efetf untu arngan neural laps banya. Jarngan Propagas-Bal dembangan oleh Rumelhart, Hnton dan Wllams dan dpopuleran pada buu Parallel Dstrbuted Processng (Rumelhart and McLelland, 986). Prnsp dasar algortma propagas-bal meml tga fase: o Fase feedforward pola nput pembelaaran o Fase alulas dan bacpropagaton error yang ddapat. o Fase penyesuaan bobot. Arstetur yang dgunaan adalah arngan perceptron laps banya (multlayer perceptrons). Hal n merupaan generalsas dar arstetur perceptron laps tunggal (sngle-layer perceptron). Secara umum, algortma arngan n membutuhan 3
14 watu pembelaaran yang memang lambat, namun setelah pembelaaran/pelathan selesa, aplasnya aan memberan output yang sangat cepat. Karaterst Jarngan Bacpropagaton mempunya araterst sebaga berut : Jarngan laps banya o Terdr dar satu lapsan unt-unt masuan, satu atau lebh lapsan tersembuny dan satu lapsan unt eluaran. Arstetur arngannya pada dasarnya serupa dengan perceptron, namun meml lapsan tersembuny (hdden layers), sehngga dsebut mult-layer perceptrons. o Setap neuron pada suatu lapsan dalam arngan Propagas-Bal mendapat snyal masuan dar semua neuron pada lapsan sebelumnya beserta satu snyal bas. Fungs atvas o Fungs atvas untu arngan propagas-bal harus meml beberapa araterst : ontnyu, dapat ddferensasan, dan monoton tda turun. Juga lebh dngnan dem efsens omputas, turunan fungsnya uga mudah dhtung. Basanya, fungsnya dharapan untu bersaturas atau mendeat masmum dan mnmumnya secara asmtot. o Fungs yang serng dgunaan adalah : fungs sgmod bner (range : [0,]), dengan turunannya, f ( x) = (9) x + e [ f ( x) ] f '( x) = f ( x) (0) fungs sgmod bpolar (range : [-,]), dengan turunannya, f 2 f ( x) = () x + e ' ( x) = [ + f ( x) ] [ f ( x) ] (2) 2 4
15 v 0 Benyamn Kusumoputro Ph.D v 0p v 0 w0m w0 w 0 X v Z w Y v p v wm w v w X v Z w Y vp w m v n v n w p w p X n v np Z p w pm Y m Gambar 5. Arstetur Bacpropagaton Arstetur Suatu arngan neural laps-banya (MLP) dengan satu laps tersembuny dtunuan oleh gambar 5. Pada gambar tersebut, laps masuan (nput layer) dtunuan oleh unt-unt X, sementara laps eluaran (output layer) dtunuan oleh unt-unt Y. Laps tersembuny (hdden layer) dtunuan oleh unt-unt Z. Dalam hal n, laps tersembuny dapat terdr lebh dar satu lapsan. Bas untu suatu unt output Y, dberan oleh w 0. Bas n bertnda seolah sebaga bobot pada ones yang berasal dar suatu unt/neuron yang eluarannya selalu. Unt-unt tersembuny uga dapat meml bas. Alran snyal pada gambar dnyataan dengan arah panah. Sedangan, pada fase propagas-bal, snyal drm pada arah yang berlawanan. 5
16 Algortma o Algortma n ddasaran pada aturan error-correcton learnng rule. Pelathannya terdr dar tga tahap: proses pelathan pola masuan secara feedforward; penghtungan dan propagas-bal dar error yang ddapat; penyesuaan bobot. o Penerapan JNB cuup dengan melbatan proses feedforward-nya saa. o Algortma n mengasumsan hanya terdapat satu lapsan tersembuny (hdden layer) saa. Untu arngan dengan lebh dar satu lapsan tersembuny, algortma d bawah cuup dmodfasan sedt. Pada algortma d bawah, pada fase feedforward langah 4 dlauan berulang-ulang untu setap lapsan tersembuny dengan menganggap snyal masuan terbobot berasal dar unt d lapsan sebelumnya. Sedangan pada fase bacpropagaton, langah 7 dlauan berulang-ulang untu setap lapsan tersembuny. Pada dasarnya satu lapsan tersembuny sudah cuup untu sembarang pemetaan ontnyu dar pola nput e pola output pada sembarang tngat auras. Mespun, dua laps tersembuny bsa membuat pembelaaran lebh mudah pada beberapa stuas. o Algortma Pembelaaran Langah 0. Insalsas bobot (basanya dgunaan nla aca yang ecl) Set lau pembelaaran α Langah. Selama syarat hent salah, lauan langah 2 9 Langah 2. Untu setap pasangan pelathan (masuan dan target), lauan langah 3 8. Feedforward: Langah 3. Setap unt masuan (X, =,, n) menerma snyal masuan x dan menerusannya e seluruh unt pada lapsan d atasnya (hdden unts). Langah 4. Setap unt tersembuny (Z, =,, p) menghtung total snyal masuan terbobot, 6
17 z _ n = v + x v, 0 n = lalu menghtung snyal eluarannya dengan fungs atvas, z ( z _ ) = f, n dan mengrman snyal n e seluruh unt pada lapsan d atasnya (lapsan output). Langah 5. Setap unt output (Y, =,, m) menghtung total snyal masuan terbobot, y _ n = w + x w, 0 p = lalu menghtung snyal eluaran dengan fungs atvas, y ( y _ ) = f. n Bacpropagaton of error: Langah 6. Setap unt output (Y, =,, m) menerma sebuah pola target yang sesua dengan pola masuan pelathannya. Unt tersebut menghtung nformas esalahan, δ = ( t y ) f '( y _ n ) emudan menghtung ores bobot (dgunaan untu mengubah w nant), w = αδ dan menghtung ores bas z w 0 = αδ, serta mengrman nla δ e unt pada lapsan d bawahnya. Langah 7. Setap unt tersembuny (Z, =,, p) menghtung selsh nput (dar unt-unt pada layer d atasnya), m δ _ n = δ w, = lalu mengalannya dengan turunan fungs atvas untu menghtung nformas errornya, ( z _ n ) δ = δ _ n f ', selanutnya menghtung ores bobot untu mengubah v nant, 7
18 v = αδ x, dan menghtung ores basnya, v 0 = αδ. Perubahan bobot dan bas: Langah 8. Setap unt output (Y, =,, m) mengubah bas dan bobotbobotnya ( = 0,, p): w ( new) = w ( old) + w. Setap unt tersembuny (Z, =,, p) mengubah bas dan bobotnya ( =,, n): Langah 9. U syarat hent : v ( new) = vw ( old ) + v 2 Ja besar total squared-error ( t y ) lebh ecl dar n = tolerans yang telah dtentuan atau umlah epoh pelathan sudah mencapa epoh masmum, maa selesa; a tda maa embal e langah Nla tolerans ( ε ) yang dgunaan adalah < ε 0. o Algortma Penguan Langah 0. Insalsas bobot (dgunaan nla bobot yang dperoleh dar algortma pelathan) Langah. Untu setap vetor masuan x, lauan langah 2-4 Langah 2. Set nla atvas dar unt masuan, =,., n x = s Langah 3. Untu =,, p z _ n = v + x v, z 0 ( z _ ) = f. n Langah 4. Untu =,, m n = y _ n = w + z w, y 0 ( y _ ) m = = f. n 8
19 o Pemlhan bobot awal dan bas Pemlhan bobot awal mempengaruh apaah arngan aan mencapa error mnmum global (atau loal), dan a tercapa, seberapa cepat onvergensnya. Update bobot tergantung pada fungs atvas unt yang lebh dalam (pember snyal nput) dan turunan fungs atvas unt yang lebh luar (penerma snyal nput), sehngga perlu dhndar pemlhan bobot awal yang menyebaban eduanya bernla 0. Ja menggunaan fungs sgmod, nla bobot awal tda boleh terlalu besar arena dapat menyebaban nla turunannya menad sangat ecl (atuh d daerah saturas). Sebalnya uga tda boleh terlalu ecl, arena dapat menyebaban net nput e unt tersembuny atau unt output menad terlalu deat dengan nol, yang membuat pembelaaran terlalu lambat. D sn dberan dua contoh model nsalsas bobot dan bas. Insalsas Aca. Bobot dan bas dnsalsas nla aca antara -0.5 dan 0.5 (atau antara - dan, atau pada nterval lan yang sesua). Insalsas Nguyen-Wdrow. Cara n memberan lau pembelaaran yang lebh cepat. Berut contohnya untu arstetur dengan satu laps tersembuny. o Bobot dar unt/neuron tersembuny e unt/neuron output dnsalsas dengan nla aca antara -0.5 dan 0.5. o Bobot dar neuron nput e neuron tersembuny dnsalsas sebaga berut : (). Set : n = umlah unt nput p = umlah unt tersembuny ß = fator sala = ( p ) / n 0.7 = 0.7 n p. (2). Untu setap unt tersembuny ( =,, p). lauan (3) (6). (3). Untu =,, n (semua unt nput), v (old) = blangan aca antara -0.5 dan 0.5 (atau antara? dan?). (4). Htung nla norm v (old). 9
20 (5). Insalsas ulang bobot-bot dar unt nput ( =,, n) : (6). Set bas : v 0 = blangan aca antara ß dan ß. 20
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS Ihwannul Khols, ST. MT. Unverstas 7 Agustus 945 Jaarta hols27@gmal.com Abstra Pengenalan pola data
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciIMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN
E-Jurnal Matemata Vol. 5 (4), November 2016, pp. 126-132 ISSN: 2303-1751 IMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN I Made Dw Udayana Putra 1, G. K. Gandhad
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)
Semnar Nasonal Aplas Tenolog Informas 00 (SNATI 00) ISSN: 0-0 Yogyaarta, Jun 00 FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK) Sr Kusumadew Jurusan Ten Informata,
Lebih terperinciAnalisis Variasi Parameter Backpropagation Artificial Neural Network dan Principal Component Analysis Terhadap Sistem Pengenalan Wajah
ELECTRANS, Jurnal Ten Eletro, Komputer dan Informata http://eournal.up.edu/ndex.php/electrans Analss aras Parameter Bacpropagaton Artfcal Neural Networ dan Prncpal Component Analyss Terhadap Sstem Pengenalan
Lebih terperinciBAB II TEORI DASAR. Analisis Kelompok
BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan
Lebih terperinciEKSPEKTASI SATU PEUBAH ACAK
EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt
Lebih terperinciBAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh
BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla
Lebih terperinciImplementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0
Implementas Jarngan Saraf Truan Bacpropagaton Pada Aplas Pengenalan Waah Dengan Jara Yang Berbeda Menggunaan MATLAB 7.0 Syafe Nur Luthfe Jurusan Ten Informata, Unverstas Gunadarma Jl. Margonda Raya 100,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan
Lebih terperinciFUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)
Semnar Nasonal plas enolog Informas (SNI ) Yogyaarta, Jun FUZZY BCKPROPGION UNUK KLSIFIKSI POL (Stud asus: lasfas ualtas produ) Sr Kusumadew Jurusan en Informata, Faultas enolog Industr Unverstas Islam
Lebih terperinciKarakterisasi Matrik Leslie Ordo Tiga
Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember
Lebih terperinciBab III. Plant Nonlinear Dengan Fase Nonminimum
Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciJARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU
JARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU Ea Saputra LF096585 Jurusan Ten Eletro Faultas Ten Unverstas Dponegoro Abstra Jarngan saraf truan merupaan suatu metode yang salah satunya
Lebih terperinciJaringan Syaraf Tiruan (Artificial Neural Networks)
Jarngan Syaraf Truan (Artfcal Neural Networks) BAB I PENDAHULUAN. Searah JST JST : merupakan cabang dar Kecerdasan Buatan (Artfcal Intellgence ) JST : menru cara kera otak mahluk hdup yatu sel syaraf (neuron)
Lebih terperinciCreated by Simpo PDF Creator Pro (unregistered version)
Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena
Lebih terperinciBAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA
BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model
Lebih terperinciBAB 2 LANDASAN TEORI
10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata
Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola
Lebih terperinciBAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)
BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang
Lebih terperinciPEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE
PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE Dew Arfanty Azm, Dra.Madu Ratna,M.S. dan 3 Prof. Dr.
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciIDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER
IDENIFIKASI SISEM NONLINIE DENGAN MENGGUNAKAN ECUEN NEUAL NEOK DAN ALGOIMA DEAD-ZONE KALMAN FILE ully Soelaman, angga fa Faultas enolog Informas Insttut enolog Sepuluh Nopember Kampus Keputh, Suollo, Surabaya
Lebih terperinciBAB II DIMENSI PARTISI
BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan
Lebih terperinciMETODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND
METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND Rully Soelaman, Suc Hatnng Rn dan Dana Purwtasar Faultas Tenolog Informas, Insttut Tenolog Sepuluh Nopember (ITS), Surabaya, 60, Indonesa
Lebih terperinciBAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).
BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO 3. Smulas Monte Carlo Smulas Monte Carlo merupaan bentu smulas probablst dmana solus dar suatu masalah dberan berdasaran proses rendomsas (aca).
Lebih terperinciINVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN
Buletn Ilmah ath. Stat. dan erapannya (Bmaster) Volume 5, No. 3 (6), hal 8. INVERS DRAZIN DARI SUAU ARIKS DENGAN ENGGUNAKAN BENUK KANNIK JRDAN Eo Sulstyono, Shanta artha, Ea Wulan Ramadhan INISARI Suatu
Lebih terperinciImplementasi Metode Backpropagation untuk Mengenali Teks pada Natural Scene Image
Jurnal Pengembangan Tenolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 8, Agustus 2018, hlm. 2527-2533 http://-pt.ub.ac.d Implementas Metode Bacpropagaton untu Mengenal Tes pada Natural Scene
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah
BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciIII FUZZY GOAL LINEAR PROGRAMMING
7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang
Lebih terperinciSISTEM JARINGAN SYARAF KABUR SKRIPSI. Diajukan untuk Memenuhi Salah Satu Syarat. Memperoleh Gelar Sarjana Sains. Program Studi Matematika
SISTEM JARINGAN SYARAF KABUR SKRIPSI Dauan untu Memenuh Salah Satu Syarat Memperoleh Gelar Sarana Sans Program Stud Matemata Dsusun oleh: Ssra Mardawat NIM : 0534006 PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA
Lebih terperinciUSULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG
Usulan Penerapan Teor Marov Dalam Pengamblan Keputusan Perawatan Tahunan Pada Pt. Pupu Kujang USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG Nof Ern,
Lebih terperinciAnalisis Sensitivitas
Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,
Lebih terperinciPembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1
Lecture : Mxed Strategy: Graphcal Method A. Metode Campuran dengan Metode Grafk Metode grafk dapat dgunakan untuk menyelesakan kasus permanan dengan matrks pembayaran berukuran n atau n. B. Matrks berukuran
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciPENYELESAIAN SISTEM PERSAMAAN TAK LINIER
PENYELESIN SISTEM PESMN TK LINIE Mater Kulah: Pengantar; Iteras Satu Tt; Iteras Newton # PENGNT # erut n adalah contoh seumpulan buah persamaan ta lner smulta dengan buah varabel ang ta detahu:... ( 57...
Lebih terperinciANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING
Semnar Nasonal Tenolog Informas dan Multmeda 207 STMIK AMIKOM Yogyaarta, 4 Februar 207 ANALIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING Sgt Kamseno ), Bara Satya 2) ), 2) Ten Informata
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciPerbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield
Perbandngan Masalah Optmas TSP dengan Menggunaan Algortma Ant Colony dan Jarngan Hopfeld 1 Yulan, Moh.Isa Irawan, dan 3 Mardljah 1,, 3 Jurusan Matemata, Insttut Tenolog Sepuluh Noember Kampus ITS, Surabaya
Lebih terperinciPengolahan lanjut data gravitasi
Modul 6 Pengolahan lanjut data gravtas 1. Transformas/proyes e bdang datar (metode Damney atau Euvalen Tt Massa). Pemsahan Anomal Loal/Resdual dan Anomal Regonal a. Kontnuas b. Movng average c. Polynomal
Lebih terperinciKOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda
KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,
Lebih terperinciRANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN
RANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN Erfant Fatkhyah Jurusan Teknk Informatka, Fakultas Teknolog Industr, Insttut Sans & Teknolog AKPRIND Yogyakarta Emal: erfunthye@yahoocod
Lebih terperinciVI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar
VI. KETIDAKPASTIAN 12 Dalam enyataan sehar-har banya masalah dduna n tda dapat dmodelan secara lengap dan onssten. Suatu penalaran dmana adanya penambahan fata baru mengabatan etdaonsstenan, dengan cr-cr
Lebih terperinciTEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA
IndoMS Journal on Statstcs Vol, No (4), Page 39-49 TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA Arum Handn Prmandar, Abdurahman Jurusan
Lebih terperinciBAB IV HASIL ANALISIS
BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan
Lebih terperinciProsedur Komputasi untuk Membentuk Selang Kepercayaan Simultan Proporsi Multinomial
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Prosedur Komputas untu Membentu Selang Kepercayaan Smultan Propors Multnomal S - 11 Bertho Tantular Departemen Statsta FMIPA UNPAD bertho@unpad.ac.d
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2 Masalah Transportas Jong Jek Sang (20) menelaskan bahwa masalah transportas merupakan masalah yang serng dhadap dalam pendstrbusan barang Msalkan ada m buah gudang (sumber) yang
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON
STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1), I Dewa Gede Ra Mardana 2), Sandy Wrakusuma 3) 1), 2), 3)
Lebih terperinciSTATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil
Bab 7 STATISTIKA A. KOMPETENSI DASAR DAN PENGALAMAN BELAJAR Kompetens Dasar Setelah mengut pembelajaran n sswa mampu:. Menghayat dan mengamalan ajaran agama yang danutnnya. 2. Meml motvas nternal, emampuan
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1) Sandy Wrakusuma 2) 1) S1 Sstem Komputer, STIKOM Surabaya, emal: madha@stkom.edu 2) S1
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciPendekatan Hurdle Poisson Pada Excess Zero Data
SEMINAR NASIONAL MAEMAIKA DAN PENDIDIKAN MAEMAIKA UNY 05 Pendeatan Hurdle Posson Pada Excess Zero Data S - 7 Def Yust Fadah, Resa Septan Pontoh Departemen Statsta FMIPA Unverstas Padadaran def.yust@unpad.ac.d
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,
Lebih terperinciPengaruh Kelembaban dan Seri Tanah Terhadap Mutu dan Produksi Tanaman Tembakau Temanggung dengan Metode MANOVA
Pengaruh Kelembaban dan Ser Tanah Terhadap Mutu dan Produs Tanaman Tembaau Temanggung dengan Metode MANOVA Mftala Al Rza ), Sutno ), dan Dumal ) ) Jurusan Statsta, Faultas MIPA, Insttut Tenolog Sepuluh
Lebih terperinciBab III Model Estimasi Outstanding Claims Liability
Bab III Model Estmas Outstandng Clams Lablty. Model ELRF Suatu model yang dgunaan untu menasr outstandng clams lablty, tda cuup hanya melbatan data pada run-off trangle saa. Sebab, pembayaran lam d masa
Lebih terperinciPengembangan Metode Pengelompokan Obyek Penutup Lahan Dan Parameter Sosial-Ekonomi Untuk Daerah Kalimantan Barat
Pengembangan Metode Pengelompokan Obyek Penutup Lahan Dan Parameter Sosal-Ekonom Untuk Daerah Kalmantan Barat Oleh: W. Setawan, A. Murn, B. Kusumoputro, dan D. Hardanto. PENDAHULUAN Peneltan n bertuuan
Lebih terperinciV E K T O R Kompetensi Dasar :
MODUL PEMELJRN I V E K T O R Kompetens Dasar : 1. Mahasswa mampu memaham perbedaan besaran vetor dan salar serta memberan contohcontohna dalam ehdupan sehar-har, 2. Mahasswa mampu melauan operas penumlahan
Lebih terperinciPENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI
PENJADWALAN PEKERJAAN DENGAN MENGGUNAKAN DISPATCHING RULES DI PT. TIGA SERANGKAI PUSTAKA MANDIRI Yunarstanto 1 Irwan Iftad 1 Iwan Ngabd Raharjo 2 Abstract: Producton flow n PT. Tga Seranga Pustaa Mandr
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciHybrid intelligent system adalah kombinasi lebih dari dua teknologi cerdas.
Teny Handhayan Pendahuluan Hybrd ntellgent system adalah kombnas lebh dar dua teknolog cerdas. Contohnya kombnas Neural Network dengan Fuzzy membentuk Neuro-fuzzy system Perbandngan Expert Systems, Fuzzy
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN :
JURNA MATEMATIKA DAN KOMPUTER Vol. 6. No. 2, 59-70, Agustus 2003, ISSN : 1410-8518 MASAAH RUTE TERPENDEK PADA JARINGAN JAAN MENGGUNAKAN AMPU AU-INTAS Stud Kasus: Rute Peralanan Ngesrep Smpang ma Eko Bud
Lebih terperinciIDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY
Anfudn Azz dan Tanzl Kurnawan, Identfkas Pola Jar IDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY (Frnger Prnt Pattern Identfcaton by Bdrectonal Assocatve Memory
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciLucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman
Lucas Theorem Untu Mengatur Penympanan Memor yang Lebh Aman Hendra Hadhl Chor (135 8 41) Program Stud Ten Informata ITB Jalan Ganesha 1, Bandung e-mal: hendra_h2c_mathematcan@yahoo.com; f1841@students.f.tb.ac.d
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciBAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode
BAB III ANALISIS DISKRIMINAN 3. Analss Dsrmnan Analss dsrmnan (dscrmnant analyss) merupaan salah satu metode yan dunaan dalam analss multvarat. Dalam analss dsrmnan terdapat dua jens varabel yan terlbat
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciIV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN
69 IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN Dtnau dar sfat hubungan antar persamaan terdapat dua ens model persamaan yatu model persamaan tunggal dan model sstem persamaan. Model persamaan tunggal adalah
Lebih terperinciNilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4
Statsta, Vo. 7 No. 2, 65 71 Nopember 27 Na Krts Permutas Esa untu Anova Satu Arah Krusa-Was pada Kasus Banyanya Sampe, = 4 Inne Maran, Yayat Karyana, dan Aceng Komarudn Mutaqn Jurusan Statsta FMIPA Unsba
Lebih terperinciBAB VI MODEL-MODEL DETERMINISTIK
BAB VI MODEL-MODEL DETERMINISTIK 6. Masalah Penyaluran Daya Lstrk Andakan seorang perencana sstem kelstrkan merencakan penyaluran daya lstrk dar beberapa pembangkt yang ternterkoneks dan terhubung dengan
Lebih terperinciBAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)
BAB TINJAUAN TEORITIS. Knsep Dasar Infes, Saluran Pernafasan, Infes Aut, dan Infes Saluran Pernafasan Aut (ISPA.. Infes Infes adalah masunya uman atau mrrgansme e dalam tubuh manusan dan berembang ba sehngga
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciPENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD
ORBITH Vl. 7 N. 3 Nvember 11: 366-37 ENGUJIAN ROORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN ENDEKATAN DISTRIBUSI BINOMIAL TERHADA DISTRIBUSI NORMAL STANDARD Oleh: Endang Tryan Staf engajar
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN REKUREN PADA IDENTIFIKASI SISTEM NONLINIER DENGAN ALGORITMA OPTIMAL BOUNDED ELLIPSOID
APLIKASI JARINGAN SARAF IRUAN REKUREN PADA IDENIFIKASI SISEM NONLINIER DENGAN ALGORIMA OPIMAL BOUNDED ELLIPSOID Rully Soelaman, Mohammad Azs Efend Faultas enolog Informas, Insttut enolog Sepuluh Nopember
Lebih terperinciMODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)
Paradgma, Vol. 13 No. 2 Agustus 2009 hlm. 189 194 MODEL REGRESI SEMIPARAMERIK SPLINE UNUK DAA LONGIUDINAL PADA KASUS KADAR CD4 PENDERIA HIV Lls Laome 1) 1) Jurusan Matemata FMIPA Unverstas Haluoleo Kendar
Lebih terperinciPERANCANGAN JARINGAN AKSES KABEL (DTG3E3)
PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
Lebih terperinciBAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN
BAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN Kompetensi : 1. Mahasiswa memahami onsep pembelaaran dalam JST Sub Kompetensi : 1. Dapat mengetahui prinsip algoritma Perceptron 2. Dapat mengetahui
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciIMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN
SISFO-Jurnal Sstem Informas IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN Fazal Mahananto 1), Mahendrawath ER 2), Rully Soelaman 3) Jurusan Sstem Informas,
Lebih terperinciMETODE SIMPLEKS. Fitriani A/09/2009 Jurusan Pendidikan Matematika UPI
METODE SIMPLEKS A Bentu Standa Model Pogam Lnea Pelu dngatan embal bahwa pemasalahan model pogam lnea dapat meml pembatas-pembatas lnea yang betanda,,, dan peubah-peubah eputusannya dapat meupaan peubah
Lebih terperinciOleh : Wahyu Safi i Dosen Pembimbing : Drs. Soehardjoepri, M.Si
Analsa Penerapan Metode Robust Locally Weght Regresson Smoothng Scatterplots Pada Oblgas ( Analyss of Applcaton Robust Locally Weght Regresson Smoothng Scatterplots s Method n Oblgaton ) Oleh : Wahyu Saf
Lebih terperinciCatatan Kuliah 12 Memahami dan Menganalisa Optimisasi dengan Kendala Ketidaksamaan
Catatan Kulah Memaham dan Menganalsa Optmsas dengan Kendala Ketdaksamaan. Non Lnear Programmng Msalkan dhadapkan pada lustras berkut n : () Ma U = U ( ) :,,..., n st p B.: ; =,,..., n () Mn : C = pk K
Lebih terperinciEFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR
EFISIENSI DAN AKURASI GABUNGAN METODE FUNGSI WALSH DAN MULTIGRID UNTUK MENYELESAIKAN PERSAMAAN INTEGRAL FREDHOLM LINEAR Masduk Jurusan Penddkan Matematka FKIP UMS Abstrak. Penyelesaan persamaan ntegral
Lebih terperinciPRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel
PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan
Lebih terperincie + Dengan menggunakan transformasi logit dari π(x), maka model regresi fungsi logit dapat didefinisikan sebagai berikut (2) π(x) e
ANALISIS PEMAKAIAN KEMOTERAPI PADA KASUS KANKER PAYUDARA DENGAN MENGGUNAKAN METODE REGRESI LOGISTIK MULTINOMIAL (STUDI KASUS PASIEN DI RUMAH SAKIT X SURABAYA Aref Yudssanta, dan Dra. Madu Ratna, M.S Jurusan
Lebih terperinciBAB V INTEGRAL KOMPLEKS
6 BAB V INTEGRAL KOMPLEKS 5.. INTEGRAL LINTASAN Msal suatu lntasan yang dnyatakan dengan : (t) = x(t) + y(t) dengan t rl dan a t b. Lntasan dsebut lntasan tutup bla (a) = (b). Lntasan tutup dsebut lntasan
Lebih terperinciπ(x) JURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-112
JURNAL SAINS DAN SENI ITS Vol., No., (Sept. ) ISSN: 3-98X D- Analss Pemaaan Kemoterap pada Kasus Kaner Payudara dengan Menggunaan Metode Regres Logst Multnomal (Stud Kasus Pasen d Rumah Sat X Surabaya)
Lebih terperinciMATERI KULIAH STATISTIKA I UKURAN. (Nuryanto, ST., MT)
MATERI KULIAH STATISTIKA I UKURAN (Nuryanto, ST., MT) Ukuran Statstk Ukuran Statstk : 1. Ukuran Pemusatan Bagamana, d mana data berpusat? Rata-Rata Htung = Arthmetc Mean Medan Modus Kuartl, Desl, Persentl.
Lebih terperinci