BAB II TINJAUAN PUSTAKA. Tabel 2.1 Nilai Key Lagu Nilai Key Key 0 C 1 C-Sharp (C#) 2 D. 3 E-Flat (E ) 4 E 5 F 6 F-Sharp (F#) 7 G.
|
|
- Ivan Hardja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II TINJAUAN PUSTAKA 2.1 Teori Musik Key merupakan kunci dari sebuah lagu. Key mengidentifikasi not/nada (tonic), chord (paduan nada), mayor/minor, yang merepresentasikan titik focus nada pada suatu bagian (Jehan, 2010). Key hasil ekstraksi musik bernilai 0 sampai dengan 11. Key untuk masing masing nilai dapat dilihat pada tabel 2.1. Tabel 2.1 Nilai Key Lagu Nilai Key Key 0 C 1 C-Sharp (C#) 2 D 3 E-Flat (E ) 4 E 5 F 6 F-Sharp (F#) 7 G 8 A-Flat (A ) 9 A 10 B-Flat 11 B Mode adalah jenis skala yang terkait dengan not/nada (tonic). Mode digunakan untuk mengetahui jenis mayor atau minor dari suatu key (Jehan, 2010). Hasil ekstraksi mode bernilai 0 atau 1. Musik memiliki mode minor jika bernilai 1 dan memiliki mode mayor jika bernilai 0. Loudness merupakan kenyaringan secara keseluruhan dari musik dalam nilai decibels (db). Loudness merupakan bagian dari segmen (satu set 5
2 6 entitas suara di bawah satu detik) yang nilainya didapat dari 2 data yaitu nilai db pada onset dan nilai db maksimal pada musik. Nilai db pada offset setara dengan nilai db pada onset pada satu segmen (Jehan, 2010). Loudness pada setiap musik memiliki nilai minimum db dan nilai maksimum db. Energi pada musik bukan merupakan sesuatu yang konstan, tetapi berubah dari waktu ke waktu. Artinya pada satu lagu bisa memiliki energi yang meningkat namun pada lagu lain memiliki energy yang cenderung menurun. Energi dapat dikontrol dengan menggunakan instrument, dinamika, dan irama pada musik. Meningkatkan jumlah instrument dapat meningkatkan energi musik. Musik yang keras umumnya lebih energik daripada musik yang lembut. Energi pada setiap musik memiliki nilai minimum 0.0 dan nilai maksimum 1.0. Semakin energik musik maka nilai energi semakin besar begitu pula sebaliknya, semakin lembut musik maka semakin kecil nilai energinya. Tempo adalah kecepatan atau laju pada bagian rata rata durasi dari suatu lagu yang dinyatakan dalam beats per minute (BPM). Beats merupakan unit dasar waktu dari potongan musik yang dihitung dalam detik (Jehan, 2010). Nilai maksimum tempo adalah BPM dan nilai minimum tempo adalah 0.0 BPM. Genre adalah suatu pengelompokan musik berdasarkan jenis seperti pop, blues, dan jazz. Tidak ada pengelompokkan jumlah genre secara pasti di dunia. Genre musik dapat ditandai oleh musisi, peneliti, atau dipengaruhi latar belakang budaya suatu bangsa (Mei Lan, 2009). Bahkan beberapa negara memiliki genre musik tersendiri seperti genre Soukous (Africa Rumba) yang merupakan genre khusus di Benua Afrika. Menurut allmusic.com terdapat 500 sampai 800 genre berbeda dari seluruh dunia. Hal ini semakin menunjukkan bahwa jumlah genre tidak dapat diklasifikasi dengan pasti.
3 7 2.2 Pengambilan Dataset Dataset adalah kumpulan data yang digunakan dalam penelitian. Data yang digunakan adalah nilai dari hasil ekstraksi fitur musik yang dihasilkan oleh Echonest dan nama genre musik yang diperoleh dari last.fm dan 7digital.com. Echonest yang dapat diakses pada alamat the.echonest.com merupakan platform yang menyediakan array data musik dan dapat digunakan untuk membangun suatu aplikasi berbasis musik, seperti aplikasi +Music yang merupakan ekstensi dari Google Chrome sehingga browser dapat memiliki soundtrack tersendiri. Masing masing data musik memiliki detail fitur yang dapat diekstrak oleh Echonest API. Secara umum data musik yang diberikan Echonest adalah data artis dan data lagu. Sedangkan data nama genre musik diperoleh dari web musik last.fm dan 7digital.com. Last.fm juga digunakan dalam penelitian mengenai music information retrieval (Lamere, 2008) sedangkan 7digital.com digunakan dalam penelitian mengenai kumpulan dataset lagu (Bertin, Ellis, Whitman, & Lamere, 2011). Untuk dapat menggunakan Echonest API pengembang harus memiliki API Key yang dapat diperoleh secara gratis pada web tersebut. Dengan menggunakan Echonest API pengembang dapat memanggil method yang tersedia dalam XML dan JSON. Method yang disediakan antara lain Artist API Methods, Song API Methods, Track API Methods, Playlist API Methods, dan Catalog API Methods. Pada penelitian ini method yang digunakan adalah Song API Methods untuk memanggil data mengenai lagu yang diinginkan. Echonest API juga mendukung berbagai ID lagu atau artis (digunakan saat pemanggilan method) yang diperoleh dari partner acces database musik seperti 7digital dan MusicBrainz. Pada penelitian ini data lagu diambil oleh Echonest API dari 7digital.com dengan menggunakan format XML. Berikut merupakan contoh query song method untuk mengekstraksi fitur musik : 6LL&format=xml&results=1&artist=bruno%mars&title=grenade&bucket=id:7di gital-us&bucket=audio_summary&bucket=tracks. Pada URL song method terdapat API key (api_key=96ganoiwhex5zi6ll), format hasil yang diinginkan (format=xml),
4 8 jumlah musik yang ditampilkan (result=1), nama artis (artist=bruno%mars), judul lagu (title=grenade), sumber ID lagu (bucket=id:7digital-us), parameter untuk menampilkan ringkasan dari lagu (bucket=audio_summary), dan parameter untuk menampilkan detail dari lagu (bucket=tracks). Gambar 2.1 menampilkan hasil ekstraksi fitur dari query di atas untuk lagu Grenade dari Bruno Mars. Hasil ekstraksi fitur yang digunakan sebagai dasar data klasifikasi musik adalah nilai key, mode, loudness, energi, dan tempo. Gambar 2.1 Contoh Hasil Ekstraksi Fitur 2.3 Social Tagging Social tagging dapat diartikan sebagai label yang diberikan kepada suatu item seperti artis, musik, dan album (Lamere, 2008). Tag yang diberikan mengandung informasi dari item tersebut, misalnya tag Pop yang merupakan
5 9 informasi genre dari musik. Tag berbeda dengan keyword yang bersifat terikat dan terkontrol dengan tata bahasa. Ketika tag dibuat oleh berbagai pengunjung maka pandangan dan penilaian pada lagu akan menjadi kompleks karena semakin banyak tag yang muncul semakin banyak pula macam penilaian yang dilakukan pengguna pada lagu atau artis. Misalkan satu penyanyi dapat diberikan tag yang berbeda, seperti penyanyi Bruno Mars yang memiliki 63 tag berbeda seperti Pop dan Male Vocalist yang diberikan oleh pengunjung. Genre yang digunakan pada penelitian merupakan tag pada web musik last.fm dan 7digital.com. Tag genre pada Last.fm yang digunakan sebagai dasar penelitian adalah acoustic, blues, classical, country, electronic, emo, hip hop, jazz, metal, pop, reggae, r & b, rock, dan soul. Sedangkan pada situs 7digital.com terdapat 20 tag genre namun yang digunakan sebagai dasar penelitian adalah genre pop, rock, hip hop, r & b, soul, electronic, jazz, metal, country, dan reggae. Pemilihan tag genre didasari atas kesesuaian antara Last.fm dan 7digital.com serta kepopuleran suatu genre bagi para pengunjung dan pendengar musik. Pemberian tag merupakan suatu hal yang dapat dilakukan oleh setiap pengunjung situs tanpa mengkhawatirkan kesalahan pemberian tag. Misalnya pengunjung yang tidak yakin secara pasti genre yang dimiliki oleh artis maka dapat memberi tag lebih dari satu seperti Pop atau Slow Pop. Ada beberapa alasan dan motivasi pengunjung web memberi tag pada lagu atau artis (Lamere, 2008) di antaranya: a. Suatu item diberi tag untuk membantu pengambilan informasi secara pribadi dari suatu item. Misalnya pengunjung memberi banyak tag untuk satu lagu baru dengan Favorite, Pop, Happy, untuk memberikan deksripsi sebanyak banyaknya pada satu lagu. b. Suatu item diberi tag untuk menemukan musik yang diinginkan di kemudian hari. Misalnya pengguna memberi satu tag Accoustic untuk beberapa lagu sehingga dapat menjadi playlist jika nantinya ingin mendengarkan lagu lagu yang bergenre akustik.
6 10 c. Pengunjung memberi tag pada suatu item untuk mengekspresikan selera musiknya kepada pengunjung lain. Misalnya pada Last.fm terdapat tag Seen Live yang menunjukkan artis atau band yang pernah ditonton konsernya. d. Suatu item diberi tag untuk memberi informasi dan pengetahuan baru bagi pengunjung lain. Misalnya pengunjung yang tidak mengetahui genre musik dari artis Taylor Swift dapat melihat pada tag yang diberikan pada artis tersebut. e. Pengunjung memberi tag pada suatu item untuk menunjukkan opini mereka terhadap item tersebut. Misalnya pengunjung memberi tag Awesome pada lagu yang disukai. f. Suatu item diberi tag sebagai hasil dari suatu permainan. Misalnya permainan untuk memberi tag Saddest Song pada lagu paling sedih yang diketahui. 2.4 Jaringan Saraf Tiruan Backpropagation Jaringan saraf tiruan (JST) backpropagation (perambatan galat mundur) merupakan metode sistematik untuk pelatihan multilayer jaringan saraf tiruan (Kiki & Kusumadewi, 2008). Pada backpropagation, setiap unit yang berada di input layer terhubung dengan setiap unit yang ada di hidden layer. Hal serupa berlaku pula pada hidden layer. Setiap unit pada lapisan tersmbunyi terhubung dengan setiap unit yang ada di output layer. Berikut merupakan lapisan (multilayer neural networks) yang ada pada backpropagation: a. Input layer (1 buah). Input layer terdiri dari neuron neuron atau unit unit input, mulai dari unit input 1 sampai unit input n. b. Hidden layer (minimal 1 buah). Hidden layer terdiri dari unit unit tersembunyi mulai dari unit tersembunyi 1 sampai unit tersembunyi p. c. Output layer (1 buah). Output layer terdiri dari unit unit keluaran mulai dari unit keluaran 1 sampai unit keluaran m. Gambar 2.2 menunjukkan arsitektur backpropagation dengan n buah input (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), dan m buah unit keluaran.
7 11 vji merupakan bobot garis dari unit unit input xi ke unit layar tersembunyi zj. wkj merupakan bobot dari unit layar tersembunyi zj ke unit keluaran yk. Gambar 2.2 Arsitektur Backpropagation (Dhaneswara & Moertini, 2004) Pelatihan backpropagation meliputi 3 fase (Siang, 2005). Fase pertama adalah perambatan maju yaitu pola input dihitung maju mulai dari input layer hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah perambatan mundur. Selisih antara keluaran actual (actual output) dengan keluaran target (desired output) merupakan nilai kesalahan yang dipropagasi mundur. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner yang memiliki range (0, 1) untuk menghitung nilai keluaran dari hidden layer lalu mengirimkan nilai tersebut ke seluruh unit pada output layer dan menghitung nilai keluaran pada setiap unit di output layer (Siang, 2005). Rumus fungsi sigmoid biner adalah
8 12 (2.1) dengan turunan,... (2.2) Gambar fungsi sigmoid biner terlihat pada gambar 2.3. Gambar 2.3 Gambar Fungsi Sigmoid Biner Algoritma pelatihan backpropagation dengan fungsi aktivasi sigmoid bipolar adalah sebagai berikut: 0 : Inisialisasi bobot dengan bilangan acak kecil. 1 : Jika kondisi tidak tercapai, lakukan langkah : Untuk setiap pasang data pelatihan, lakukan langkah 3-8. Perambatan Maju 3 : Tiap unit input (xi, i = 1, 2,, n) menerima sinyal xi dan meneruskan sinyal ini ke semua unit lapisan tersembunyi. 4 : Hitung semua keluaran di unit tersembunyi zj (j = 1,.., p)... (2.3)
9 13. (2.4) 5 : Hitung semua keluaran jaringan di unit yk (k = 1, 2,.., m).. (2.5). (2.6) Perambatan Mundur 6 : Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap unit keluaran yk (k = 1, 2,, m).... (2.7) Hitung koreksi bobot (digunakan untuk memperbaharui wjk) dengan laju percepatan α.. (2.8) 7 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi zj (j = 1, 2,, p).. (2.9) Hitung informasi kesalahan δ dengan mengalikan dengan turunan fungsi aktivasi. (2.10)
10 14 Hitung perubahan bobot vji (yang akan digunakan untuk merubah bobot vji). (2.11) Perubahan Bobot 8 : Hitung semua perubahan bobot. Perubahan bobot garis yang menuju unit keluaran: (2.12) Perubahan bobot garis yang menuju unit tersembunyi: (2.13) 9 : Tes kondisi berhenti menggunakan RMSE atau maksimum iterasi. Langkah - langkah tersebut dilakukan berulang ulang sehingga dihasilkan jaringan yang memberikan tanggapan benar terhadap semua masukannya (Hermawan, 2006). Kondisi akan berhenti saat nilai benar di bawah nilai tertentu yang ditentukan atau maksimum iterasi tercapai. Nilai RMSE didapat dengan menghitung jumlah keseluruhan nilai sum square error (SSE). SSE dihitung sebagai berikut: 1. Hitung lapisan prediksi atau keluaran model untuk masukan pertama. 2. Hitung selisih antara nilai luar prediksi dengan nilai target atau sinyal latihan untuk setiap keluaran. 3. Kuadratkan setiap keluaran kemudian hitung seluruhnya... (2.14)
11 15 RMSE dihitung sebagai berikut: 1. Hitung SSE. 2. Hasil SSE dibagi dengan perkalian antara banyak data pada latihan dan banyak keluaran, kemudian diakarkan... (2.15) Setelah pelatihan selesai dilakukan, backpropagation diaplikasikan dengan menggunakan tahap perambatan maju dari algoritma pelatihan (Puspitaningrum, 2006). Prosedur aplikasinya adalah sebagai berikut: 0 : Inisialisasi bobot. Bobot ini diambil dari bobot bobot terakhir yang diperoleh dari algoritma pelatihan. 1 : Untuk setiap vektor masukan, lakukan langkah : Setiap unit input xi menerima sinyal input xi dan menyiarkan sinyal xi ke semua unit pada hidden layer. 3 : Setiap unit di hidden layer zj menghitung sinyal keluaran dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal sinyal masukan xi. Sinyal keluaran dari hidden layer kemudian dikirim ke semua unit pada output layer. (2.16) 4 : Setiap unit keluaran yk menghitung sinyal keluaran dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal sinyal masukan bagi lapisan ini, yaitu sinyal masukan zj dari hidden layer.. (2.17)
BAB 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Suara Manusia Menurut Inung Wijayanto (2013), produksi suara manusia memerlukan tiga elemen, yaitu sumber daya, sumber suara dan pemodifikasi suara. Ini adalah dasar dari teori
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI. dengan kasus atau metode yang akn diteliti. Pemanfaatan metode multilayer
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Penelitian ini menggunakan beberapa sumber pustaka yang berhubungan dengan kasus atau metode yang akn diteliti. Pemanfaatan metode multilayer
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
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 terperinciArsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah memin
BACK PROPAGATION Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih 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 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 III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH
BAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu data saham Astra Internasional Tbk tanggal 2 Januari
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 terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
Lebih 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 terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV.
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV. Bryan Ponsel) Des Indeks Giawa Mahasiswa Teknik Informatika STMIK Budi
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di Laboratorium Pemodelan Fisika, Jurusan Fisika, Fakultas Matematika dan Ilmu
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
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 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 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 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 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 terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciPROSIDING SEMINAR ILMIAH NASIONAL: MEMBANGUN PARADIGMA KEHIDUPAN MELALUI MULTIDISIPLIN ILMU
JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SUKUK NEGARA RITEL BERDASARKAN KELOMPOK PROFESI DENGAN BACKPROPOGATION DALAM MENDORONG LAJU PERTUMBUHAN EKONOMI 1 Solikhun, 2 Agus Perdana Windarto, 3 Handrizal,
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI
Media Informatika, Vol. 2, No. 2, Desember 2004, 1-11 ISSN: 0854-4743 JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI Kiki, Sri Kusumadewi Jurusan Teknik Informatika,
Lebih 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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
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 terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciAnalisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi
Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi Kiki, Sri Kusumadewi Laboratorium Komputasi & Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA)
PEMBANGUNAN SISTEM PENDETEKSI PENYALAHGUNAAN NARKOBA MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION Dwi Putri Pangrestu 1, Nelly Indriani Widiastuti 2 Teknik Informatika Universitas
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini akan dibahas mengenai teori-teori pendukung pada penelitian ini. Adapun teori tersebut yaitu teori jaringan saraf tiruan dan algoritma backpropragation. 2.1. Jaringan Saraf
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 terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciBAB 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 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 terperinciANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES
ANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES Thomas Brian Universitas Trunojoyo Madura Bangkalan, Indonesia thomasbrian2112@yahoo.com Abstrak Salah satu algoritma
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih 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 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 terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
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 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih 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 terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output
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 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 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 terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Model Penelitian Penelitian yang dilakukan dapat dijelaskan dengan lebih baik melalui blok diagram seperti yang terliat pada Gambar 3.1. Suara Manusia Rekam suara Hasil rekaman
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 177-183 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI SUARA MANUSIA BERDASARKAN JENIS KELAMIN MENGGUNAKAN EKSTRAKSI
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 IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN Pada tugas akhir ini akan dirancang sebuah perangkat lunak untuk prediksi kebangkrutan perusahaan berdasarkan laporan keuangan perusahaan yang pernah terdaftar (listed) di
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih 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 terperinciyaitu dalam ketepatan pengenalan pola berdasarkan kelas untuk menampilkan genre.
16 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Seiring dengan berkembangnya teknologi komunikasi berbasis digital, masyarakat membutuhkan lagu-lagu yang telah dibuat dalam bentuk digital. Musik digital
Lebih terperinciBAB II LANDASAN TEORI. titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
BAB II LANDASAN TEORI 2. Citra/Image Citra atau yang lebih sering dikenal dengan gambar merupakan kumpulan dari titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan diuraikan materi yang mendukung dalam pembahasan evaluasi implementasi sistem informasi akademik berdasarkan pengembangan model fit HOT menggunakan regresi linier
Lebih 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 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 Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih 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 terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN Analisa dan perancangan yang akan dilakukan adalah menganalisa mengenai tahapan sistem bekerja serta menguji tingkat akurasi dari metode tersebut dalam proses pencarian musik.
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 terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
Lebih terperinciBAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. Koefisien Maksimum Energi Maksimum Jarak Gelombang R - R
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Database Sinyal EKG Ekstraksi Ciri Sinyal Jantung (Wibowo, 2016) Keluaran : Koefisien Maksimum Energi Maksimum Jarak Gelombang R -
Lebih terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU
ANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU Rosmelda Ginting 1*, Tulus 1, Erna Budhiarti Nababan 1 Program S2 Teknik Informatika
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 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 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 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 terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI 2.1. Citra Digital Citra digital dapat didefenisikan sebagai fungsi f(x,y) yaitu dua dimensi, dimana x dan y merupakan koordinat spasial dan f(x,y) disebut dengan intensitas atau
Lebih terperinciABSTRACT. Kata kunci: Fuzzy Tsukamoto, Jaringan Syaraf Tiruan, Backpropagation 1. LATAR BELAKANG MASALAH
PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN DAN FUZZY TSUKAMOTO COMPARISON OF SHARE PRICE PREDICTION USING ARTIFICIAL NEURAL NETWORK AND FUZZY TSUKAMOTO ABSTRACT
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Genre musik adalah pengelompokan musik sesuai dengan kemiripan satu dengan yang lain, seperti kemiripan dalam hal frekuensi musik, struktur ritmik, dan konten harmoni. Genre
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih 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 terperinci