BAB IV PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK
|
|
- Budi Irawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB IV PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK Bab ini menjelaskan perancangan dan implementasi yang dilakukan. Tahap pertama dimulai dengan merancang beberapa classifier yaitu jaringan saraf tiruan feedforward, jaringan saraf tiruan probabilistic, dan parzen classifier. Kemudian dilanjutkan dengan melakukan perancangan binary particle swarm optimization untuk mengoptimalkan hasil keluaran binary dari masing-masing individual classifier. 4.1 Perancangan perangkat lunak Perancangan perangkat lunak dibagi menjadi tiga bagian utama yaitu perancangan perangkat lunak classifier, perancangan perangkat lunak binary particle swarm optimization, dan perancangan data masukan Perancangan perangkat lunak classifier Rancangan ini meliputi rancangan jaringan saraf tiruan feedforward, jaringan saraf tiruan probabilistic, dan parzen classifier pada permasalahan klasifikasi dengan menggunakan data iris dan wine. Dimana semua rancangan dilakukan dengan menggunkan perangkat lunak MATLAB Rancangan JST Feedforward Perancangan program jaringan saraf tiruan feeedforward digunakan untuk mendapatkan hasil klasifikasi dari data masukan dengan menggunakan metode pembelajaran terawasi (supervised learning). Untuk mendapatkan hasil tersebut, dilakukan langkahlangkah seperti yang digambarkan pada diagram alir berikut ini : 27
2 28 Mulai Mengubah data yang digunakan (iris dan wine) dalam bentuk pasangan input dan target Melakukan testing klasifikasi dari inputan yang diberikan Membangkitkan jaringan saraf tiruan feedforward Mengubah hasil klasifikasi kedalam bentuk keputusan binary Selesai Gambar 4.1 Flowchart rancangan JST feedforward Langkah-langkah yang dilakukan adalah sebagai berikut : 1. Data masukan dibentuk dalam susunan pasangan input dan target. 2. Membuat jaringan saraf tiruan feedforward untuk melakukan training terhadap pasangan input dan target, sehingga nantinya akan didapatkan nilai bobot dan bias yang optimal. 3. Pencarian nilai bobot dan bias yang optimal akan berhenti pada epoch training yang telah ditentukan. 4. Melakukan simulasi klasifikasi dari input yang diberikan dengan menggunakan bobot dan bias yang optimal dari hasil training. 5. Mengubah hasil keluaran klasifikasi pada jaringan saraf tiruan feedforward ke dalam bentuk binary Rancangan JST probabilistic Program Matlab yang akan mengimplementasikan jaringan saraf tiruan probabilistic memiliki karakteristik sebagai berikut :
3 29 Mulai Mengubah data yang digunakan (iris dan wine) dalam bentuk pasangan input dan target Melakukan testing klasifikasi dari inputan yang diberikan Membangkitkan jaringan saraf tiruan probabilistic Mengubah hasil klasifikasi kedalam bentuk keputusan binary Selesai Gambar 4.2 Flowchart rancangan JST probabilistic Langkah-langkah yang dilakukan adalah sebagai berikut : 1. Data masukan dibentuk dalam susunan pasangan input dan target. 2. Membuat jaringan saraf tiruan probabilistic dengan parameter input dan target. 3. Melakukan simulasi terhadap input yang diberikan 4. Mengubah hasil keluaran klasifikasi pada jaringan saraf tiruan feedforward ke dalam bentuk binary Rancangan parzen classifier Perancangan program matlab yang akan mengimplementasikan parzen classifier memiliki karakteristik sebagai berikut :
4 30 Mulai Mengubah data yang digunakan (iris dan wine) dalam bentuk pasangan input dan target Melakukan testing klasifikasi dari inputan yang diberikan Melakukan training dengan menggunkan toolbox parzen classifier Mengubah hasil klasifikasi kedalam bentuk keputusan binary Gambar 4.3 Flowchart rancangan parzen classifier Selesai Langkah-langkah yang dilakukan adalah sebagai berikut : 1. Data masukan dibentuk dalam susunan pasangan input dan target. 2. Melakukan training dengan menggunakan parameter data input, target, dan input simulasi dengan menggunkan parzen classifier toolbox. 3. Mengubah hasil keluaran klasifikasi pada jaringan saraf tiruan feedforward ke dalam bentuk binary Perancangan perangkat lunak binary PSO Rancangan ini digunakan untuk mendapatkan nilai optimal dari output binary masing-masing classifier. Keoptimalan ini dihitung berdasarkan nilai error yang dihasilkan selama proses iterasi dengan menggunkan pembandingan terhadap fungsi aktivasi sigmoid. Berikut adalah diagram alir perancangan program binary PSO yang akan dibuat dengan menggunakan matlab :
5 31 Gambar 4.4 Flowchart rancangan algoritma binary PSO Langkah-langkah yang dilakukan adalah sebagai berikut : 1. Populasi dibangkitkan dari output binary masing-masing classifier. 2. Pembaharuan posisi merupakan nilai binary yang di dapatkan dengan cara membandingkan nilai setiap partikel dengan fugsi sigmoid. 3. Pembaharuan velocity dipengaruhi oleh nilai pbest dan gbest 4. Parameter berikut merupakan nilai statis :
6 32 a. Ukuran dari populasi b. Nilai inertia c. Correction factor d. Bilangan natural 5. Digunakan 2 kriteria untuk berhenti : yang pertama menggunakan ukuran dari populasi, yang kedua adalah batas iterasi Perancangan data Data yang akan digunakan dalam tugas akhir ini didapatkan dari UCI Repository machine learning database, yaitu data iris dan wine. Data iris dan wine tersebut ditunjukkan pada halaman lampiran Dari tabel data iris 8.1 diketahui bahwa data set iris terdiri dari 150 instance dimana terbagi masing-masing menjadi 50 instance pada 3 buah class. Masing-masing class menunjuk jenis bunga iris. Data iris memiliki 5 buah atribut yang terdiri dari 4 atribut numerik dan 1 atribut prediktif (Class). Perhitungan statistik data iris dapat dilihat pada tabel 4.5 berikut : Tabel 4.1 Perhitungan statistic data iris Min Max Mean SD Sepal length Sepal width Petal length Petal width Selanjutnya data kedua yang digunakan pada tugas akhir ini adalah data wine. Data wine merupakan data hasil analisis kimia pertumbuhan anggur disuatu tempat di Italia yang dibudidayakan oleh 3 petani yang berbeda.analisis kimia ini ditentukan dari 13 konstituen yang ada pada 3 buah jenis anggur. Data wine dapat dilihat pada halaman lampiran. Dari tabel data wine dapat diketahui bahwa data wine memiliki 13 atribut dengan jumlah instance sebanyak 178 dimana terbagi sebanyak 59 instance pada class 1, 71 instance pada class
7 33 2, dan 48 instance pada class 3. Data-data seperti yang ditunjukkan diatas dituliskan dalam ms excel, untuk selanjutnya data akan diubah kedalam bentuk matrik didalam matlab dalam bentuk mat file. 4.2 Implementasi perangkat lunak Implementasi perangkat lunak pada tugas akhir ini terbagi kedalam 2 bagian utama yaitu implementasi perangkat lunak classifier dan implementasi perangkat lunak binary particle swarm optimization. Dimana semuanya akan diimplementasikan menggunakan MATLAB Implementasi perangkat lunak classifier Diimplementasikan 3 buah classifier yaitu jaringan saraf tiruan feedforward, jaringan saraf tiruan probabilistic dan parzen classifier.implementasi meliputi data masukan dan implementasi perangkat lunak Data masukan JST Feedforward Data masukan yang digunakan pada jaringan saraf tiruan feedforward ini adalah data iris dan data wine yang telah diubah kedalam bentuk matrik didalam matlab dalam bentuk mat file.. Gambar 4.5 menunjukkan implementasi kode MATLAB untuk membaca data masukan iris
8 34 Gambar 4.5 Kode matlab iris-jst Feedforward Skenario yang digunakan adalah dengan menggunakan setengah data input awal untuk training dan setengah berikutnya digunakan untuk testing dan simulasi nantinya juga akan diujicobakan dengan menggunakan 25 % data dan 75% data. Gambar 4.6 adalah kode program untuk membaca masukan data wine Gambar 4.6 Kode matlab wine-jst Feedforward Input dan target yang digunakan sama-sama menggunakan scenario seperti yang diujicobakan pada data iris, dimana digunakan 25%, 50% dan 75% data.
9 Perangkat lunak JST Feedforward Perangkat lunak memiliki 3 alur utama, yaitu: 1. Membentuk jaringan saraf tiruan feedforward 2. Melakukan training dan simulasi dengan beberapa parameter yang telah ditentukan 3. Mengubah hasil simulasi kedalam bentuk binary. Untuk membentuk jaringan saraf tiruan feedforward digunakan kode program seperti yang ditunjukkan pada gambar 4.7 berikut Gambar 4.7 KOde matlab JST Feedforward Gambar 4.7 diatas membentuk sebuah jaringan saraf tiruan feedforward dengan 2 buah layer dimana terdapat 3 buah neuron pada layer pertama dan 1 neuron pada layer ke dua (output). Fungsi aktivasi yang digunakan pada layer pertama adalah fungsi aktivasi tansig dan pada layer ke dua digunakan fungsi aktivasi purelin yang telah dijelaskan pada bab sebelumnya. Untuk melakukan training dan simulasi, kode MATLAB selengkapnya dapat dilihat pada gambar berikut : Gambar 4.8 Training dan simulasi dengan JST Feedforward
10 36 Iterasi pembelajaran akan berhenti pada saat nilai epoch mencapai nilai 3000 dengan nilai parameter laju pembelajaran yang ditetapkan adalah 0.1 (baris 22-23). Simulasi dilakukan dengan testing terhadap setegah data input terakhir (baris 29).Untuk mengubah hasil simulasi kedalam bentuk binary,kode MATLAB selengkapnya dapat dilihat pada gambar 4.9 Gambar 4.9 Kode untuk mengubah hasil klasifikasi menjadi biner Nilai keluaran yang dihasilkan berupa matrik sejumlah N baris 3 kolom, yang semua elemennya adalah binary, dimana nilai menunjukkan klasifikasi terhadap jenis iris setosa (pada data iris) dan wine tipe 1 (pada data wine).nilai menunjukkan klasifikasi terhadap jenis iris versicolor (pada data iris) dan wine tipe 2 (pada data wine). Nilia menunjukkan klasifikasi terhadap jenis iris virginica (pada data iris) dan wine tipe 3 (pada data wine).
11 Data masukan JST probabilistic Data masukan yang digunakan pada jaringan saraf tiruan probablistic ini adalah data iris dan data wine yang telah diubah kedalam bentuk matrik didalam matlab dalam bentuk mat file.. Gambar 4.10 menunjukkan implementasi kode MATLAB untuk membaca data masukan iris Gambar 4.10 Kode matlab iris-jst probabilistic Skenario yang digunakan adalah sama dengan skenario pada jaringan saraf tiruan feedforward yaitu dengan menggunakan setengah data input awal untuk training dan setengah berikutnya digunakan untuk testing dan simulasi. Gambar 4.11 adalah kode program untuk membaca masukan data wine
12 38 Gambar 4.11 Kode matlab wine- JST probabilistic Input dan target yang digunakan seperti sebelumnya yaitu sama-sama menggunakan setengah data input awal untuk training dan setengah berikutnya digunakan untuk simulasi. Selain itu juga dilakukan training ujicoba terhadap 25% dan 72% data iris dan wine Perangkat lunak JST probabilistic Perangkat lunak memiliki 6 tahapan utama, yaitu: 1. Mengubah matrik target kedalam bentuk vektor 2. Membentuk jaringan saraf tiruan probabilistic. 3. Melakukan simulasi 4. Melakukan simulasi setengah data akhir dari input 5. Mengubah matrik hasil simulasi kedalam bentuk indek 6. Mengubah kedalam bentuk binary
13 39 Untuk mengubah matrik target kedalam bentuk vektor digunakan kode program seperti pada gambar 4.12 berikut ini : Gambar 4.12 Kode matlab mengubah matrik target ke vektor Selanjutnya dibentuk jaringan saraf tiruan probabilistic. Gambar 4.13 menunjukkan implementasi kode MATLAB yang diperlukan Gambar 4.13 Membentuk JST probabilistic Simulasi awal dilakukan dengan menggunaan setengah data awal input yang diberikan seperti pada gambar 4.13 (baris 20). Simulasi kedua dilakukan dengan menggunkan setegah data terakhir dari input, seperti yang ditunjukkan pada gambar 4.14 berikut : Gambar 4.14 Simulasi dengan JST probabilistic Matrik output hasil simulasi selanjutnya diubah dalam bentuk indek dengan menggunakan fungsi vec2ind seperti yang
14 40 ada pada gambar 4.14 (baris 26). Gambar 4.15 merupakan tahapan selanjutnya yaitu mengubah output hasil simulasi kedalam bentuk binary Gambar 4.15 Mengubah output simulasi dalam bentuk biner Nilai keluaran yang dihasilkan berupa matrik sejumlah N baris 3 kolom, yang semua elemennya adalah binary, dimana nilai menunjukkan klasifikasi terhadap jenis iris setosa (pada data iris) dan wine tipe 1 (pada data wine).nilai menunjukkan klasifikasi terhadap jenis iris versicolor (pada data iris) dan wine tipe 2 (pada data wine). Nilia menunjukkan klasifikasi terhadap jenis iris virginica (pada data iris) dan wine tipe 3 (pada data wine).
15 Data masukan parzen classifier Sama seperti pada sub bab sebelumnya, data masukan yang digunakan pada jaringan saraf tiruan probablistic ini adalah data iris dan data wine yang telah diubah kedalam bentuk matrik didalam matlab dalam bentuk mat file.. Gambar 4.16 menunjukkan implementasi kode MATLAB untuk membaca data masukan iris. Gambar 4.16 Kode matlab iris-parzen Skenario yang digunakan adalah sama dengan skenario pada jaringan saraf tiruan feedforward dan probabilistic yaitu dengan mengujicoba training menggunakan 25%, 50%, dan 75% data dan sisa masing-masing berikutnya digunakan untuk testing dan simulasi. Gambar 4.17 adalah kode program untuk membaca masukan data wine. Gambar 4.17 Kode matlab wine-parzen
16 42 Input dan target yang digunakan seperti sebelumnya yaitu sama-sama menggunakan setengah data input awal untuk training dan setengah berikutnya digunakan untuk testing Perangkat lunak classifier Perangkat lunak memiliki 4 tahapan utama, yaitu : 1. Menggunakan setengah data input dan target awal untuk melakukan training. 2. Menggunakan setengah data input akhir untuk melakukan testing. 3. Menggunakan parzen classifier toolbox dengan parameter input-target training dan input testing dan berhenti pada iterasi tertentu yang telah ditentukan. 4. Mengubah hasil keluaran simulasi dalam bentuk binary. Untuk membentuk setengah input dan target awal digunakam kode program seperti pada gambar 4.18 berikut ini : Gambar 4.18 filustrasi menggunakan setengah data untuk training Setelah input dan target didapat, selanjutnya adalah melakukan training dan testing dengan menggunkan parzen classifier toolbox. Implementasi kode programnya seperti terdapat pada gambar 4.19 berikut ini :
17 43 Gambar 4.19 Training dan testing dengan toolbox parzen classifier Setelah dilakukan testing, tahap selanjutnya adalah mengubah output yang dihasilkan dalam bentuk binary. Gambar 4.20 berikut merupakan tahapan untuk mengubah output yang dihasilkan dalam bentuk binary Gambar 4.20 kode matlab mengubah output dalam bentuk binary Sama halnya seperti yang ada pada jaringan saraf tiruan feedforward dan probabilistic, nilai keluaran yang dihasilkan
18 44 berupa matrik sejumlah N baris 3 kolom, yang semua elemennya adalah binary, dimana nilai menunjukkan klasifikasi terhadap jenis iris setosa (pada data iris) dan wine tipe 1 (pada data wine).nilai menunjukkan klasifikasi terhadap jenis iris versicolor (pada data iris) dan wine tipe 2 (pada data wine). Nilia menunjukkan klasifikasi terhadap jenis iris virginica (pada data iris) dan wine tipe 3 (pada data wine) Implementasi perangkat lunak binary PSO Implementasi dilakukan dengan menggunakan bahasa pemrograman MATLAB. Perangkat lunak memiliki 3 tahapan utama, yaitu : 1. Membangkitkan populasi yang diambil dari output masingmasing keputusan, dimana nilai keputusan adalah binary (0 jika classifier dapat mengklasifikasikan dengan benar dan 1 jika classifier salah dalam mengklasifikasikan). 2. Melakukan pembaharuan posisi partikel dengan melakukan pembandingan keputusan masing-masing classifier terhadap fungsi sigmoid sehingga dihasilkan keputusan binary, dimana fungsi sigmoid ini dipengaruhi oleh nilai velocity masingmasing partikel (dalam hal ini direpresentasikan oleh keputusan binary masing-masing classifier )seperti yang telah dijelaskan pada bab sebelumnya. 3. Melakukan pembaharuan nilai pbest dan gbest. 4. Melakukan pembaharuan velocity, dimana nilainya bergantung pada nilai pbest dan gbest. Untuk membangkitkan populasi yang diambil dari output masing-masing keputusan classifier, digunakan kode program seperti yang terdapat pada gambar 4.21 berikut :
19 45 Gambar 4.21 Kode membangkitkan populasi dari output classifier Pada gambar 4.21 diatas diilustrasikan bahwa output classifier yang digunakan adalah keputusan classifier, bukan class dari classifier. Keputusan masing-masing classifier dibentuk dalam suatu matrik, dimana terdapat 3 buah matrik yaitu matrik Decisionffiris yang merepresentasikan keputusan jaringan saraf tiruan feedforward, matrik DecisionPNNiris merepresentasikan keputusan jaringan saraf tiruan probabilistic, dan matrik DecisionParzen yang merepresentasikan keputusan dari Parzen Classifier. Tahapan selanjutnya adalah melakukan pembaharuan posisi partikel yaitu keputusan masing-masing classifier yang diakukan dengan menggunakan kode program seperti pada gambar 4.22 berikut :
20 46 Gambar 4.22 Pembaharuan posisi partikel Dari gambar 4.22 diatas dapat diketahui bahwa posisi partikel adalah binary. Pembaharuan posisi partikel dilakukan dengan cara melakukan pembandingan keputusan masing-masing classifier terhadap fungsi sigmoid yang nilainya dipengaruhi oleh velocity dari partkel dalam hal ini adalah keputusan dari masingmasing classifier itu sendiri. Tahapan selanjutnya adalah melakukan pembaharuan terhadap nilai pbest dan gbest, yang direpresentasikan dalam kode program seperti pada gambar 4.23 dan 4.24 berikut :
21 47 Gambar 4.23 Kode pembaharuan nilai pbest Gambar 4.23 diatas menunjukkan bahwa tahap pembaharuan keputusan pada masing-masing classifier nilainya dievaluasi berdasarkan fungsi kecocokan val. Gambar 4.24 Kode pembaharuan nilai gbest Pada gambar 4.24 diatas menunjukkan tahapan dalam mencari nilai gbest. Nilai gbest ini nantinya akan digunakan untuk memperbaharui nilai velocity seperti yang ada pada gambar 4.25 berikut :
22 48 Gambar 4.25 Kode Pembaharuan nilai velocity Seperti yang terlihat pada gambar 4.25 dapat diketahui bahwa pembaharuan nilai velocity dipengaruhi oleh nilai pbest dan gbest. Halaman ini sengaja dikosongkan
BAB II TINJAUAN PUSTAKA. 2.1 Optimasi Berbasis Particle Swarm
BAB II TINJAUAN PUSTAKA Bab ini akan menjelaskan landasan teori yang digunakan dalam pengerjaan tugas akhir. Pada dasarnya ada 2 buah varian PSO yang akan digunakan, yaitu optimasi berbasis particle swarm
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 terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih 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 terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih terperinciBAB III RANCANG BANGUN
BAB III RANCANG BANGUN 3.1 LANGKAH PENGERJAAN Program identifikasi dengan media biometrik citra iris mata yang menggunakan Metode Jaringan Syaraf Tiruan (JST) terdiri dari dua tahap, yaitu proses pelatihan
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciPEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS
PEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS Diana Purwitasari 1, Glory Intani Pusposari 2, Rully Sulaiman 3 Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinci1 BAB III 2. 3 METODE PENELITIAN
14 1 BAB III 2. 3 METODE PENELITIAN 3.1 Sumber data Data yang digunakan dalam penelitian ini ialah data pengeluaran beban listrik harian sepanjang tahun 2008 sampai dengan tahun 2015 yang didapat dari
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih 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 terperinciPENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
Lebih terperinciBAB 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 terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
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 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 terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka berpikir Perubahan nilai tukar rupiah terhadap mata uang asing tidak dapat dihindari. Untuk mengatasi perubahan yang tidak pasti ini diperlukan suatu prediksi.
Lebih terperinciBAB IV PERANCANGAN DAN PEMBAHASAN
4.1 Data Yang Digunakan BAB IV PERANCANGAN DAN PEMBAHASAN Secara umum, gambaran data yang penulis peroleh dapat dilihat pada lampiran. Data tersebut adalah data hasil proses logging disajikan dalam bentuk
Lebih terperinciIDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION
JURNAL MANUTECH 43 IDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION Yoan Elviralita 1, Asrul Hidayat 2 1 Program Studi Teknik Mekatronika-Politeknik Bosowa 2 Program Studi Perawatan dan Perbaikan
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
Lebih terperinciBAB I PENDAHULUAN. teliti. Sehingga tidak terjadi bentrok baik antar mata pelajaran, guru, kelas
1 BAB I PENDAHULUAN 1.1 Latar Belakang Penjadwalan merupakan salah satu hal terpenting dalam suatu lembaga pendidikan, begitu juga untuk lingkup Sekolah Menengah Kejuruan (SMK). Penjadwalan pelajaran pada
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Analisis merupakan proses penguraian konsep ke dalam bagian-bagian yang lebih sederhana, sehingga struktur logisnya menjadi jelas. Metode untuk menguji, menilai, dan
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciDAFTAR ISI. Halaman Judul. Lembar Pengesahan Pembimbing. Lembar Pengesahan Penguji. Halaman Persembahan. Halaman Motto. Kata Pengantar.
DAFTAR ISI Halaman Judul i Lembar Pengesahan Pembimbing ii Lembar Pengesahan Penguji iii Halaman Persembahan iv Halaman Motto v Kata Pengantar vi Abstraksi viii Daftar Isi ix Daftar Gambar xii Daftar Tabel
Lebih terperinciBAB III. METODOLOGI. kegiatan manusia membuat penelitian dengan domain teknik informatika
BAB III. METODOLOGI 3.1. Kerangka Pikir Teknik informatika yang memiliki andil yang cukup besar dalam berbagai kegiatan manusia membuat penelitian dengan domain teknik informatika merupakan hal yang menarik
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciSistem Pakar Otomatisasi Standar Baku Mutu Limbah Pertambangan Nikel Menggunakan Algoritma Supervised Mechine
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Sistem Pakar Otomatisasi Standar Baku Mutu Pertambangan Nikel Menggunakan Algoritma Supervised Mechine Komang Aryasa1),
Lebih terperinciLaporan Praktikum 1 Jaringan Syaraf Tiruan
TOPIK DALAM JARINGAN SYARAF TIRUAN Laporan Praktikum 1 Jaringan Syaraf Tiruan Muhammad Hafizhuddin Hilman 1006800144 2011 F A K U L T A S I L M U K O M P U T E R UI Pendahuluan Jaringan syarat tiruan atau
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
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 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan dalam penelitian ini.
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciOPTIMASI NAÏVE BAYES CLASSIFIER DENGAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION PADA DATA IRIS
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) p-issn: 2355-7699 Vol. 4, No. 3, September 2017, hlm. 180-184 e-issn: 2528-6579 OPTIMASI NAÏVE BAYES CLASSIFIER DENGAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION
Lebih terperinciBAB I PENDAHULUAN. daya tahan. PT. Propan Raya ICC merupakan sebuah perusahaan yang bergerak di
BAB I PENDAHULUAN I.1. Latar Belakang Cat adalah suatu zat yang memiliki warna dan memiliki daya rekat serta daya tahan. PT. Propan Raya ICC merupakan sebuah perusahaan yang bergerak di bidang pembuatan
Lebih terperinciBAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an
Lebih terperinciKata Kunci: Jaringan Syaraf Tiruan, Metode Backpropagation, penyakit saluran pernafasan.
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih terperinciBAB III METODOLOGI PENELITIAN
38 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Peramalan, Curah Hujan, Knowledge Discovery in Database, Jaringan Saraf Tiruan, Backpropagation, Optimalisasasi Backpropagation Pengumpulan
Lebih terperinciBAB 3 PERANCANGAN SISTEM. untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
29 BAB 3 PERANCANGAN SISTEM 3.1 Gambaran Umum Sistem Pada dasarnya untuk pembuatan aplikasi ini, yakni aplikasi pengenalan suara untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
Lebih terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinci4.1. Pengumpulan data Gambar 4.1. Contoh Peng b untuk Mean imputation
4.1. Pengumpulan data Data trafik jaringan yang diunduh dari http://www.cacti.mipa.uns.ac.id:90 dapat diklasifikasikan berdasar download rata-rata, download maksimum, download minimum, upload rata-rata,
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Lokasi Penelitian Penelitian ini di lakukan di PG. Kebon Agung. Tbk, Desa Kebon Agung Kec. Pakisaji, Kab. Malang, Jawa Timur. Pemilihan lokasi ini dilakukan secara sengaja
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciMODIFIKASI ALGORITMA PROPAGASI BALIK
MODIFIKASI ALGORITMA PROPAGASI BALIK UNTUK PENGENALAN DATA IRIS DAN DATA FERET riwinoto 1, wahyudi 2,tony 3, reinhoran 4, kusumoputro 5 1 Politeknik Batam Jurusan Teknik Informatika E-mail: riwi@polibatam.ac.id
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 terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciRancang Bangun Perangkat Lunak Penentuan Lokasi Untuk Penelitian Pendahuluan Usaha Ritel di Surabaya Dengan Jaringan Saraf Tiruan
Rancang Bangun Perangkat Lunak Penentuan Lokasi Untuk Penelitian Pendahuluan Usaha Ritel di Surabaya Dengan Jaringan Saraf Tiruan Damarendra Universitas Ciputra UC Town, CitraLand, Surabaya 60219 dnugroho@student.ciputra.ac.id
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciPENGGUNAAN JARINGAN SYARAF TIRUAN DENGAN METODE BACKPROPAGATION DALAM MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN (IHSG)
PENGGUNAAN JARINGAN SYARAF TIRUAN DENGAN METODE BACKPROPAGATION DALAM MEMPREDIKSI INDEKS HARGA SAHAM GABUNGAN (IHSG) Oleh: Wisnu HendroMartono, Dian Hartanti Teknik Informatika STT-PLN ABSTRAK Peramalan
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat.
Lebih terperinciProgram Pilihan Ganda Sederhana dengan Java
Program Pilihan Ganda Sederhana dengan Java Posted by Lita Nurlaelati 1:25 PM Programming Kali ini admin berbagi tentang membuat program Java GUI menggunakan Netbeans. Berikut langkah - langkahnya : Buat
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Tulisan Tangan angka Jawa Digitalisasi Pre-Processing ROI Scalling / Resize Shadow Feature Extraction Output Multi Layer Perceptron (MLP) Normalisasi
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciOptimisasi Injeksi Daya Aktif dan Reaktif Dalam Penempatan Distributed Generator (DG) Menggunakan Fuzzy - Particle Swarm Optimization (FPSO)
TESIS Optimisasi Injeksi Daya Aktif dan Reaktif Dalam Penempatan Distributed Generator (DG) Menggunakan Fuzzy - Particle Swarm Optimization (FPSO) Dosen Pembimbing : Prof. Ir. Mochamad Ashari, M.Eng. Ph.D
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
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 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 terperinciBAB 3 METODOLOGI PENELITIAN
34 BAB 3 METODOLOGI PENELITIAN 3.1. Pendahuluan Pengenalan pola (pattern recognition) adalah proses klasifikasi dari suatu objek atau pola menjadi beberapa kategori atau kelas, yang mana bertujuan untuk
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciPERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
PERANCANGAN ALGORITMA KRIPTOGRAFI KUNCI SIMETRI DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Ibrahim Arief NIM : 13503038 Program Studi Teknik Informatika, Institut Teknologi Bandung Jl. Ganesha 10, Bandung
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 3 Contoh data Shorea hasil kodefikasi
8 disajikan contoh data Shorea hasil kodefikasi dari beberapa karakter yang bernilai nominal. Tabel 2 Karakter daun yang bernilai nominal Karakter Nilai Kode Bentuk tulang Tidak menempel 1 daun Permukaan
Lebih terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan perangkat keras dan perangkat lunak di era ini sangat mempengaruhi pola pemakaian komputer. Komputer dapat di program seolah-olah seperti manusia. Salah
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciPERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN
PERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN Oleh : Hera Firdhausa Katili 2409100073 Dosen Pembimbing : Dr.
Lebih terperinciIV. HASIL DAN PEMBAHASAN A.
IV. HASIL DAN PEMBAHASAN A. Persiapan Data Untuk Analisis Jaringan Syaraf Tahapan pertama sebelum merancang model jaringan syaraf tiruan adalah menyiapkan data. Secara garis besar tahapan-tahapan dalam
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
Lebih terperinciLaporan Implementasi Naïve Bayes dan Feed Forward Neural Network untuk Klasifikasi
Laporan Implementasi Naïve Bayes dan Feed Forward Neural Network untuk Klasifikasi dibuat oleh 707 Berusaha Imba: 13514002 M. Diaztanto Haryaputra 13514023 Fanda Yuliana Putri 13514025 Ratnadira Widyasari
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch
Lebih terperinciKLASIFIKASI MENGGUNAKAN KOMBINASI MULTILAYER PERCEPTRON DAN ALIGNMENT PARTICLE SWARM OPTIMIZATION
KLASIFIKASI MENGGUNAKAN KOMBINASI MULTILAYER PERCEPTRON DAN ALIGNMENT PARTICLE SWARM OPTIMIZATION Mustika Mentari 1), Evy Kamilah Ratna Sari 2), Siti Mutrofin 3) 1,2) Pascasarjana Teknik Informatika, Fakultas
Lebih terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
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 terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih 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 JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciKOMPUTASI PARALEL UNTUK SEGMENTASI CITRA DIGITAL DENGAN PARTICLE SWARM OPTIMIZATION
KOMPUTASI PARALEL UNTUK SEGMENTASI CITRA DIGITAL DENGAN PARTICLE SWARM OPTIMIZATION SKRIPSI Diajukan Untuk Memenuhi Sebagian Persyaratan Mencapai Derajat Sarjana Teknik Informatika Agustinus Kristiadi
Lebih terperinci