ESTIMASI BIAYA KONSEPTUAL KONSTRUKSI BANGUNAN JALAN LAYANG (FLYOVER) DENGAN MENGGUNAKAN METODE JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
|
|
- Suryadi Susanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 ESTIMASI BIAYA KONSEPTUAL KONSTRUKSI BANGUNAN JALAN LAYANG (FLYOVER) DENGAN MENGGUNAKAN METODE JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Ganjar Giwangkoro, Yusuf Latief, Wisnu Isvara Teknik Sipil, Fakultas Teknik, Universitas Indonesia ABSTRAK Estimasi biaya proyek jalan layang dengan akurasi yang tinggi pada fase konseptual pengembangan proyek sangat penting untuk perencanaan dan studi kelayakan. Namun, sejumlah kesulitan muncul ketika melakukan estimasi biaya selama tahap konseptual. Mayor masalah yang dihadapi adalah kurangnya informasi awal, kurangnya database jalan layang, kurangnya metode estimasi biaya yang sesuai, dan faktor ketidakpastian. Untuk mencapai optimasi model, perlu digunakan variabel yang tepat dan baik sebagai input sehingga keakurasian output yang dihasilkan dapat dipertanggungjawabkan. Variabel yang mempengaruhi biaya proyek jalan layang yang digunakan pada penelitian ini adalah panjang, lebar, lokasi, tipe pondasi, tahun pembuatan. Variabel tersebut kemudian dimasukkan dalam arsitektur jaringan yang paling cocok dan terbaik sehingga akurasi mencapai 28% sesuai standar AACE. Kata kunci: Jalan layang, Metode jaringan saraf tiruan, Estimasi biaya konseptual. ABSTRACT Project cost estimating of flyover with high accuracy in the conceptual phase of project development is essential for planning and feasibility studies. However, a number of difficulties arise when performing cost estimates during the conceptual stage. The major problems encountered is the lack of initial information, the lack of database, the lack of appropriate methods of cost estimation, and uncertainty factors. To reach model optimization, correct and good variables are needed as inputs to gain output which is accurate and accountable. The variables which affect the project cost and use in this research are length, width, type of pondation, location and year. The variables then run in the most suitable network architecture and the best, so that the accuracy reached 28% according to the standard AACE. Keywords: Flyover, Artificial neural network, Conceptual cost estimate
2 PENDAHULUAN Tahap estimasi biasa awal proyek merupakan tahapan yang sangat penting sekali dalam manajemen proyek konstruksi karena berpengaruh dengan keputusan penting yang akan diambil. Keberhasilan suatu proyek konstruksi tergantung sekali kepada tingkat keakurasian estimasi yang dilakukan mulai dari tahap konseptual,estimasi kelayakan dan estimasi detail. Estimasi biaya berkembang melalui tahap preliminary dan konseptual yang kemudian menjadi estimasi detail atau final, keakurasian tergantung dengan informasi yang diketahui saat proses estimasi berlangsung [1]. Tingkat akurasi dalam estimasi biaya konseptual juga dapat berpengaruh dari teknik atau cara dalam mendapatkan informasi tersebut dan memprosesnya dengan metodemetode tertentu seperti analisis regresi, permodelan probabilitas dan neural network [2]. Estimasi biaya konseptual juga mengacu sebagai estimasi biaya pradesain dimana hal ini dilakukan di awal sekali proses pembangunan proyek konstruksi berjalan, sebelum adanya gambar rancana keluar [3]. Oleh karena itu tingkat akurasi dan ketepatan biaya masih minim sekali, yang disebabkan informasi yang diperoleh minim. Pada tahun 1943 McCulloch dan Pitts telah menemukan suatu metode yang bernama metode Artificial Neural Networks (ANN) atau biasa disebut dengan sistem jaringan saraf tiruan yang telah berkembang pesat dan telah digunakan pada berbagai aplikasi dalam komputer [4]. Jaringan saraf tiruan merupakan satu dari beberapa cara sistem memproses informasi yang didesain menirukan cara kerja otak manusia dalam memecahkan suatu masalah dengan menggunakan kegiatan-kegiatan yang berbasis data masa lalu untuk diproses kembali melalui perubahan bobot sinapsisnya. Artificial Neural Networks (ANN) membawa suatu perubahan dalam dunia teknologi AI (Artificial Intelegence) melebihi cara tradisional yang ada sebelumnya dengan berusaha mencoba meniru cara kerja otak manusia melalui proses manipulasi data sehingga dapat menghasilkan suatu keputusan [5]. Catatan data-data historis masa lalu tetap merupakan data yang dominan, informasi dan sumber pengetahuan untuk mengestimasi biaya dalam membuat strategi rencana anggaran suatu proyek konstruksi. Pada tahap konseptual desain juga dapat sebagai sarana untuk mengeksplorasi dari perbedaan konfigurasi konseptual desain untuk meningkatkan biaya desain. Hal ini mungkin dapat sebagai tambahan pengetahuan pekerja desain dan konstruksi untuk dapat lebih fokus menghadapi tugas yang lebih sulit [6].
3 Untuk menjalankan proses mengestimasi biaya menggunakan metode ANN, para peneliti manajemen konstruksi hanya akan memperhitungkan beberapa detail bangunan tersebut untuk dijadikan sebagai parameter yang nantinya akan diinput ke dalam komputer dan akan menghasilkan output berupa nilai estimasi biaya. Contohnya untuk mengestimasi biaya suatu proyek konstruksi berupa jalan layang (flyover), hal-hal yang dapat dijadikan sebagai parameter adalah panjang jalan, lebar jalan, tinggi jalan, dan luas bentang jalan. Dari berbagai penjelasan sebelumnya, tujuan dari penulisan ini bermaksud untuk mencoba menyelesaikan berbagai kesulitan yang biasa dihadapi dalam tahap konseptual yang penyebab umumnya adalah kekurangan sejumlah informasi dan basis data pada proyek-proyek sebelumnya, sejumlah keraguan atau ketidakpastian, metode yang dahulu dipakai untuk mengestimasi dari proyek sebelumnya yang sejenis dengan menggunakan metode jaringan saraf tiruan atau Artificial Neural Network (ANN) pada suatu proyek konstruksi bangunan khususnya jalan layang (flyover). TINJAUAN TEORITIS Artificial Intelegence (AI) merupakan suatu teknologi menggunakan perangkat lunak komputer yang sudah digunakan oleh para peneliti untuk melakukan berbagai macam penelitian salah satunya dalam bidang konstruksi. Salah satu penelitian yang sedang dikembangkan oleh para peneliti adalah sistem kerja jaringan saraf tiruan manusia (Neural Network System). Maksud dari metode ini adalah para ahli mencoba untuk menggantikan sistem kerja otak manusia ke dalam sistem komputer, yang nantinya diharapkan sistem komputer ini mampu menyelesaikan masalah lebih cepat, lebih teliti, dan lebih akurat bila dibandingkan dengan kerja manusia. Artificial Neural Network (ANN) dapat menangani data yang samar, data yang corrupted, data yang hilang dan data yang tidak detail dengan tetap menghasilkan solusi jawaban yang terbaik [7]. ANN selain memiliki teknik permodelan yang menyerupai struktur kerja otak manusia, juga memiliki kelebihan lain yaitu mampu untuk dilatih pada situasi yang telah lampau atau sebelumnya [8]. Pada dasarnya sel syaraf biologi mempunyai neuron-neuron yang saling terhubung. Neuron tersebut memiliki tiga komponen penting, yaitu dendrit, soma dan akson. Bagian-bagian ini memiliki kemampuan yang berbeda dalam membentuk syaraf manusia [9].
4 Tabel 1. Analogi Antara ANN dengan Jaringan Syaraf Biologi ANN Dendrit Soma Akson Sinapsis Biologis Input Node Output Bobot Sumber : Erna Dwi Astuti, Pengantar Jaringan Syaraf Tiruan (Teori dan Aplikasi), Tiruan neuron dalam struktur jaringan saraf tiruan adalah sebagai elemen pemroses yang dapat berfungsi seperti halnya sebuah neuron. Meskipun masih jauh dari sempurna, namun kinerja dari tiruan neuron ini identik dengan kinerja dari sel biologi otak manusia yang telah dikenal saat ini. Christos dan Dimitri membagi 3 elemen pembentuk neuron, diantaranya [10] : a. Himpunan unit yang dihubungkan dengan jalur koneksi. Jalur-jalur tersebut memiliki bobot yang berbeda. Bobot yang nilainya positif akan memperkuat sinyal dan bobot yang bernilai negatif akan memperlemah sinyal yang dibawanya. Jumlah, struktur dan pola hubungan antar unit-unit tersebut akan menentukan arsitektur jaringan. b. Suatu unit penjumlah yang akan menjumlahkan input-input sinyal yang sudah dikalikan dengan bobotnya. Misalnya X 1.. X 2, X m adalah unit- unit input dan W j1, W j2.. W jm adalah bobot penghubung dari unit-unit keluaran U, maka unit penjumlah akan memberikan keluaran sebesar U = X 1 W j1 + X 2 W j2 + + X m W jm c. Fungsi aktifasi yang akan menentukan apakah sinyal dari input neuron akan diteruskan ke neuron lain atau tidak. Artificial Neural Network merupakan suatu kumpulan unit komputasional sederhana yang saling berhubungan erat. Unit-unit tersebut biasanya disebut nodes, seperti yang terdapat dalam neuron biologis. Input yang masuk ke sebuah node merupakan jumlah muatan output dari node sebelumnya yang berhubungan [11]. Neuron pada neural network dimodelkan sebagai sebuah proses yang mengeluarkan sebuah output dari berbagai input. Berikut adalah contoh permodelan sederhana dari suatu neuron.
5 Gambar 1. Struktur Unit Jaringan Saraf Tiruan Sederhana Pemodelan jaringan saraf tiruan tersusun atas beberapa elemen penghitung tak linier yang masing-masing saling berhubungan melalui suatu pembobot yang disusun secara paralel. Pembobot inilah yang nantinya akan beradaptasi (berubah) selama jaringan saraf tiruan dalam masa pelatihan. Sebelum dapat menyelasaikan suatu masalah, pelatihan penting dilakukan oleh jaringan saraf tiruan. Melalui pelatihan ini, nantinya jaringan saraf tiruan dapat memperoleh tanggapan yang benar sesuai yang diinginkan terhadap input yang diberikan kepadanya. Walaupun input atau masukan yang diberikan kepadanya dapat berubah-ubah karena suatu keadaan, namun jaringan saraf tiruan ini tetap dapat memberikan tanggapan yang benar. Pada umumnya jaringan saraf tiruan atau ANN mempunyai tiga buah layer, yaitu sebagai berikut [12]: Layer input Layer tersembunyi (hidden), proses pengolahan data input Layer output Gambar 2. Model ANN dengan 3 Layer
6 Model jaringan saraf tiruan dikelompokan menjadi empat jenis, yaitu : a. Jaringan saraf tiruan feedforward. Jenis ini mencakup semua model jaringan saraf tiruan yang bersifat acyclic, yaitu hanya bisa menyampaikan informasi searah dari neuron masukan ke neuron keluaran. b. Jaringan saraf tiruan rekurens. Berbeda dengan jaringan saraf sebelumnya, jaringan saraf tiruan rekurens menyampaikan informasi secara dua arah (mempunyai hubungan antar neuron yang cyclic). c. Jaringan saraf tiruan modular. Jenis ini berdasar pada kesimpulan riset biologi bahwa otak manusia tidak berfungsi sebagai satu jaringan yang sangat besar, tetapi sebagai kumpulan jaringan-jaringan kecil. d. Jenis lainnya mencakup model-model lain yang tidak tercakup pada tiga jenis jaringan saraf tiruan diatas, seperti holographic associative memory, instantaneously trained networks, spikling neural networks. Pelatihan sebuah jaringan yang menggunakan backpropagation terdiri dari tiga lngkah, yaitu : pelatihan pola input secara feedforward, perhitungan dan propagasi balik dari kumpulan kesalahan dan penyesuaian bobot. Sesudah pelatihan, aplikasi dalam jaringan hanya terdiri dari fase feedforward. Backpropagation juga berkemampuan untuk memperbaiki penimbang pada lapisan tersembunyi (hidden layer). Ketika Jaringan diberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju ke unit-unit pada lapisan tersembunyi untuk diteruskan ke unit-unit lapisan keluaran. Kemudian unit-unit lapisan keluaran memberikan tanggapan yang disebut sebagai keluaran jaringan. Saat keluaran jaringan tidak sama dengan keluaran yang diharapkan maka keluaran akan menyebar mundur (backward) pada lapisan tersembunyi diteruskan ke unit pada lapisan masukan. Oleh karenanya maka mekanisme pelatihan tersebut dinamakan backpropagation/propagasi balik. Prosedur pembelajaran algoritma Backpropagation mempunyai tiga fase. Fase pertama adalah maju, pola masukan dihitung maju mulai dari layar masukan hingga layaran keluaran dengan menggunakan fungsi aktivasi yang telah ditentukan sebelumnya. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut
7 dipropagasikan mundur, dimulai dari garis gariss yang berhubungan langsung dengan unit-unit layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. METODE PENELITIAN Penelitian ini dilakukan untuk mengetahui parameter-parameter apa saja yang harus diperhitungkan terhadap estimasi biaya pada tahap konseptual yang dapat meningkatkan tingkat akurasi pada estimasi biaya konseptual pada pembangunan konstruksi jalan layang (flyover). Untuk menyelesaikan penelitian ini diperlukan metode penelitian yang sesuai. Penelitian ini menggunakan strategi penelitian kuantitatif, karena tujuan yang ingin dicapai adalah menemukan fakta berdasarkan catatan dari dokumen, serta membutuhkan pengujian hipotesa penelitian. Strategi dalam metode penelitian perlu mempertimbangkan 3 (tiga) faktor, yaitu jenis pertanyaan yang akan digunakan, pengendalian terhadap peristiwa yang diteliti dan fokus terhadap peristiwa yang sedang berjalan [13]. Untuk masalah ini, pendekatan yang paling sesuai adalah studi kasus dan eksperimen. Rumusan Masalah yang diperlukan untuk mendapatkan hasil yang diinginkan seperti apa dan bagaimana, dapat dikelompokkan sebagai berikut : a. Apa sajakah faktor-faktor yang mempengaruhi biaya konseptual pembangunan konstruksi jalan layang (flyover)? b. Bagaimana mengembangkan suatu model berdasarkan faktor-faktor yang mempengaruhi biaya pembangunan konstruksi jalan layang (flyover) dengan menggunakan metode jaringan saraf tiruan (ANN) untuk meningkatkan akurasi estimasi biaya pada tahap konseptual? Pada penelitian kali ini digunakan dua macam variabel, yaitu variabel terikat (dependent variable), serta variabel bebas (dependent variabel). Variabel terikat adalah variabel yang memberikan reaksi jika dihubungkan dengan variabel bebas. Variabel bebas merupakan merupakan variabel yang mempengaruhi variabel lain. Variabel ini faktornya diukur, dimanipulasi, atau dipilih untuk menentukan hubungan dengan suatu gejala yang diteliti. Survey dan wawancara dilakukan untuk mencari variabel-variabel yang nantinya akan digunakan sebagai parameter untuk menjalankan metode ini. Hasil dari survey dan wawancara yang telah dilakukan sebelumnya, dapat terkumpul data-data dan informasi yang diharapkan dapat mengahasilkan suatu analisis yang tepat dan akurat terhadap faktor-faktor yang paling dominan
8 dalam rangka meningkatkan kinerja akurasi estimasi biaya tahap konseptual proyek konstruksi jalan layang (flyover). Analisis penelitian bersifat deskriptif untuk menjawab rumusan masalah yang pertama, serta trial and error untuk masalah permodelan estimasi biaya dengan menilai hasil kinerjanya dengan menggunakan metode ANN ini. Dengan mencari rata-rata eror yang paling kecil antara prediksi biaya hasil model ANN dengan aktual biaya konstruksi proyek Jalan Layang melalui data-data historis bisa diketahui kinerja dari model tersebut. Metode MMRE atau MAPE (the Mean Magnitude of Relative Error) dan metode MSE (the Mean Square Error) dilakukan dengan program Matlab dapat membantu dalam pembentukan permodelan ANN sebagai alat bantu komputasi dalam perhitungan. Persamaan statistik juga dapat membantu permodelan ANN. HASIL PENELITIAN Data proyek yang tersedia untuk menjalankan penelitian ini terdapat sebanyak 28 data proyek dengan menggunakan 5 variabel sebagai parameternya. Kelima variabel tersebut meliputi Lokasi proyek, Tahun pembuatan, Jenis pondasi serta Panjang dan Lebar jalan layang. Dengan ouput yang tersedia adalah Nilai kontrak dari proyek tersebut. Data 25 yang awal digunakan sebagai data untuk pelatihan hingga menemukan nilai akurasi yg kecil, sedangkan 3 buah data terkahir merupakan data untuk pengujian kinerja dari model ANN yang didapatkan. Sehingga nanti terlihat tingkat akurasi yang masih termasuk sesuai dengan AACE yaitu berada dalam rentang - 20% sampai +30% dari biaya proyek sebenarnya. Penulis melakukan banyak sekali pelatihan untuk mencari nilai MMRE yang paling kecil. Berikut penulis tampilkan beberapa macam pelatihan permodelan yang didapatkan setelah menjalankan metode ANN tersebut hingga menghasilkan permodelan yang paling kecil rata-ratanya : a. Permodelan I (5-7-1) Pada permodelan yang pertama ini digunakan permodelan Maksudnya adalah dengan menggunakan 5 neuron sebagai input, dengan 7 neuron pada hidden layer dan 1 output yang dihasilkan. Setelah dijalankan dengan menggunakan bantuan program Matlab R2009a untuk menjalankan metode ANN maka dapat dilihat nilai MMRE nya. Dari permodelan ini ternyata didapatkan hasil yang sangat tidak bagus sekali, yakni nilai MMRE yang sangat tinggi sekali,
9 sehingga dapat disimpulkan model ini tidak cocok dijadikan sebagai temuan. Nilai MMRE yang didapat adalah 119%, sangat jauh dari apa yang menjadi standar AACE. Berikut tabel hasil pelatihan dengan permodelan ini : Tabel 2. Rekap Hasil Permodelan (5-7-1) Validasi Asli ANN selisih Akurasi % % % MMRE 119% b. Permodelan II (5-2-1) Karena nilai MMRE pada pelatihan I masih sangat besar, maka dilakukan kembali trial and eror pada percobaan selanjutnya. Untuk percobaan pelatihan yang kedua kalinya, menggunakan permodelan (5-2-1). Sama seperti yang dijelaskan sebelumnya, maksudnya adalah dengan menggunakan 5 neuron sebagai input, dengan 2 neuron pada hidden layer dan 1 output yang dihasilkan. Setelah program dijalankan, nilai MMRE yang didapatkan lebih kecil dari yang sebelumnya hampir mendekati ketentuan AACE, yaitu dengan nilai 35%. Namun hal ini tetap saja masih tidak termasuk ketentuan karena batas maksimalnya adalah 30%. Berikut tabel hasil pelatihan dengan permodelan (5-2-1) ini : Tabel 3. Rekap Hasil Permodelan (5-2-1) Validasi Asli ANN selisih Akurasi % % % MMRE 35% c. Permodelan III (5-10-1) Dari pelatihan menggunakan permodelan yang ke II masih tidak sesuai dengan apa yang dicari, maka tetap terus dilakukan pelatihan hingga mendapatkan nilai MMRE yang lebih kecil dari pelatihan sebelumnya. Ternyata dengan menggunakan permodelan yang ke III ini, didapatkan
10 hasil nilai yang cukup bagus dan sesuai dengan AACE, yakni nilai dengan angka 28%. Berikut tabel hasil rekap pada permodelan ke III : Tabel 4. Rekap Hasil Permodelan (5-10-1) Validasi Asli ANN selisih Akurasi % % % MMRE 28% d. Permodelan IV (5-8-1) Walaupun pada permodelan yang sebelumnya sudah mendapatkan hasil yang sesuai dengan ketentuan AACE, tetapi penulis masih mencoba lagi melakukan pelatihan guna mendapatkan permodelan yang lebih baik dengan nilai MMRE yang lebih kecil lagi. Pada pelatihan kali ini dicoba dengan menggunakan permodelan (5-8-1). Setelah program dijalankan, ternyata nilai yang didapat justru meningkat. Nilai yang didapatkan yaitu 58%, jauh sekali dari standar yang telah ditentukan oleh AACE. Berikut tabel hasil rekap pada permodelan ini : Tabel 5. Rekap Hasil Permodelan (5-8-1) Validasi Asli ANN selisih Akurasi % % % 58% Setalah melakukan berkali-kali pelatihan dengan berbagai macam permodelan, maka penulis menentukan bahwa permodelan yang akan digunakan sebagai hasil penelitian yakni permodelan ke-iii dengan arsitektur jaringan (5-10-1). Maksudnya adalah dengan menggunakan 5 neuron sebagai input, dengan 2 neuron pada hidden layer dan 1 output yang dihasilkan. Dengan kata lain 5 variabel sebagai parameter, dengan 10 neuron pada hidden layer dan 1 output yakni nilai kontrak dari proyek tersebut. Karena dengan permodelan ini nilai MMRE yang diperoleh yaitu 28%. Sesuai dengan ketentuan AACE yaitu berkisar antara -20% hingga +30%.
11 PEMBAHASAN Penelitian ini pada dasarnya adalah bertujuan untuk mencari faktor-faktor apa sajakah yang mempengaruhi biaya pembangunan jalan layang (flyover) dan membuat permodelan ANN untuk melihat keakuratab estimasi biaya pada tahap konseptual. Dari berbagai macam percobaan pelatihan dengan metode ANN seperti yang di contohkan diatas, diperoleh hasil nilai MMRE yang paling kecil yakni 28% dengan permodelan arsitektur ANN (5-10-1). Dengan nilai yang diperoleh seperti itu, maka cukup sesuai dengan ketentuan AACE yakni berada dalam rentang kisaran -20% hingga +30%. Berikut merupakan range data-data yang digunakan dalam pelatihan ini sehingga terlihat rentang, mean dan modus dari masing-masing variabel : Tabel 6. Karakteristik dan Range Variabel ANN Variabel Nama Variabel Unit Range Modus Mean X1 Lokasi Flyover Kategori SumUt, SumSel, Banten, Jakarta, JaBar Jakarta - X2 Tahun Pembangunan Tahun X3 Panjang Flyover meter X4 Lebar Flyover meter X5 Tipe Pondasi Kategori Tiang pancang, Bored pile Bored Pile - Y Nilai Kontrak Rupiah 3,114,123, ,241,827,000-55,471,922,723,429 Dengan karakteristik dan range masing-masing variabel seperti pada tabel diatas, maka sistem pelatihan dijalankan dan akan ditemukan model ANN dengan melakukan proses pengujian yang bersifat trial and eror. Dalam menjalankan program Matlab dengan metode ANN tersebut, nantinya akan diperoleh juga rangkuman kriteria karakteristik pelatihan yang digunakan pada permodelan tersebut. Selain itu juga akan didapatkan nilai bobot input model ANN, nilai bobot bias input dan juga nilai bobot akhir lapisan. Berikut adalah model ANN terbaik yang ditemukan dan juga nilai dari masing-masing bobot input model ANN, bobot bias input dan bobot akhir lapisan ANN :
12 Tabel 7. Kriteria Model ANN Terbaik Training Parameter Nilai Fungsi Deskripsi Data 25 data pelatihan dan 5 data pengujian Pelatihan/Pengujian Jumlah input 5 Jumlah output 1 Jumlah hidden layer 1 Jumlah neuron hidden 10 Trial yang terbaik layer Algoritma pembelajaran Backpropagation Fungsi Pembelajaran Gradient Descent Momentum Fungsi Aktivasi Sigmoid Bipolar Normalisasi data Ya Learning data 0-1 Trial yang terbaik Momentum 0-1 Trial yang terbaik Kriteria iterasi berhenti Maksimum epoch Kinerja tujuan (Goal) 10-3 Maksimum kegagalan 5 Gradient minimum Tabel 8. Bobot Input Model ANN Bobot Input
13 Tabel 9. Bobot Bias Input Bobot Bias Input Tabel 10. Bobot Akhir Lapisan Bobot Akhir Lapisan Pada dasarnya variabel yang digunakan sebagai input dalam metode ANN secara keseluruhan memiliki pengaruh yang besar terhadap biaya proyek. Pada penelitian kali ini, variabel-variabel yang bisa diuji tingkat sensitivitasnya terhadap biaya proyek diantaranya adalah panjang jalan layang, lebar jalan layang dan waktu pembangunan. Untuk variabel tipe pondasi dan lokasi proyek tidak dapat dilihat uji sensitivitasnya karena banyak faktor yang terkait. Tiap variabel yang diuji ini memiliki sensitivitas yang berbeda, berikut grafik sensitivitasnya : Sensitivitas Tahun vs Biaya Biaya y = 88.58x R² = Tahun Gambar 3. Grafik Sensitiitas Tahun Terhadap Biaya
14 Biaya Sensitivitas Panjang vs Biaya y = 0.306x R² = Panjang Gambar 4. Grafik Sensitiitas Panjang Terhadap Biaya Sensitivitas Lebar vs Biaya Biaya y = 26.11x R² = Lebar Gambar 5. Grafik Sensitiitas Lebar Terhadap Biaya Setelah melakukan uji sensitivitas variabel terhadap biaya proyek, terlihat dari grafik diatas hasil uji sensitivitas tersebut mengalami kenaikan secara signifikan. Hal ini terjadi karena dipengaruhi oleh Indeks Harga Konstruksi (IHK). IHK ini setiap tahunnya pasti tidak selalu statis, selalu mengalami kenaikan ditiap tahunnya karena pengaruh inflasi dan faktor-faktor lainnya yang terjadi pada tahun tersebut. Dan biasanya di tiap daerah memiliki indeks yang berbeda-beda. Pengaruh lainnya bisa saja timbul pada saat kegiatan konstruksi tersebut berlangsung. Selama kegiatan konstruksi berlangsung mungkin terdapat suatu kejadian yang mempengaruhi juga kepada biaya proyek.
15 KESIMPULAN Untuk melakukan estimasi biaya pada tahap konseptual, khususnya pada penelitian kali ini dengan objek jalan layang maka bisa menggunakan metode artificial neural nework dengan bantuan program Matlab R2009a. setelah dilakukan beberapa kali uji pelatihan maka model yang diperoleh yang paling bagus adalah dengan 28 data proyek. Masing-masing dengan 25 data pelatihan proyek dan 3 data terakhir sebagai data pengujian. Faktor-faktor yang mempengaruhi biaya proyek juga digunakan sebagai variabel dalam pelatihan, variabel yang digunakan antara lain : lokasi, panjang jalan layang, lebar jalan layang, tipe pondasi dan tahun pembuatan. Dan hasil arsitektur terbaik yang diperoleh adalah (5-10-1). Maksudnya adalah fungsi aktivasi sigmoid bipolar dengan layer input dengan 5 neuron, hidden layer dengan 10 neuron dan layer output dengan 1 neuron. Nilai MMRE yang didapatkan adalah sebesar 28%. SARAN Setelah melakukan penelitian ini dan mendapatkan hasil temuan yang telah dipaparkan sebelumnya, maka penulis dapat memberikan saran yang dapat dilakukan agar dapat menambah sempurnanya penelitian ini. Saran yang dapat diberikan adalah : a. Model ANN akan berjalan lebih efektif jika data yang akan dijadikan sebagai input lengkap dan semakin banyak variasinya. Oleh karena itu mencari data-data proyek yang sebanyak-banyaknya wajib dilakukan. Carilah data proyek dengan variabel yang berbagai macam dan lengkap. b. Jika memang terdapat data yang tidak lengkap variabelnya, maka data tersebut dapat dieliminasi atau dihilangkan. Namun untuk menghilangkan data tersebut harus hati-hati, hal ini dapat dilakukan dengan regresi salah satunya menggunakan SPSS atau metode regresi lainnya. Karena hal ini mempengaruhi akan kinerja ANN dalam membuat model dan membaca pola data tersebut. c. Gunakanlah data range yang lebih beragam agar data dapat terlatih dengan lebih baik dan dapat memecahkan masalah pada input data baru.
16 REFERENCES [1] Hashem Al-Tabtabai et al, (1999), Preliminary Cost Estimation of Highway Construction Using Neural Network, Journal Cost Engineering ABI/Inform Global page.19. [2] Rifat Sonmez, (2005), Review of Conceptual Cost Modeling Techniques, Journal AACE International Transaction ProQuest page.es71. [3] Rifat Sonmez (2004), Conceptual Cost Estimation of Building Projects With Regression Analysis and Neural Netwroks, Canadian Journal of Civil Engineering ProQuest page.677. [4] Julian Bagus (2010), Permodelan Estimasi Biaya Pada Proyek Konstruksi Bangunan Pabrik dengan Teknik Jaringan Saraf Tiruan, Tesis Teknik Sipil Universitas Indonesia. [5] Robert A. McKim (1993), Neural Network Application to Cost Engineering, Journal Cost Engineering ProQuest page.31. [6] Onuegbu O. Ugwu dan Mohan M. Kumaraswamy, Neural Network Based Decision Support For Estimating Cost of Highway Bridge, Journal of The International Construction Research Conference. [7] Nikola K., Cost Estimastion of Highway Projects in Developing Countries : ANN Approach, Journal of The Eastern Asia Society for Transport. [8] Attala M. dan Hegazy (2003), Predicting Cost Deviation in Reconstruction Projects: ANN vs Regression, Journal of Construction Engineering and Manajement ASCE. [9] Erna Dwi Astuti (2009), Pengantar Jaringan Saraf Tiruan (Teori dan Aplikasi), Star Publishing, Wonosobo. [10] Christos dan Dimitri, (1996), Neural Network for Cost Estimation, Journal Cost Engineering ABI/Inform Global. [11] Indra Gunawan, (2004), Rekomendasi Tindakan Koreksi Pada Pengendalian Biaya Tenaga Kerja Dengan Metode Hybrid Probabilitic Neural Network, Tesis Teknik Sipil, Universitas Indonesia. [12] Maurdhi Hary P. dan Agus Kurniawan, (2006), Supervised Neural Network, Jakarta. [13] Robert Yin, (1996), Studi Kasus : Desain dan Metode, Raja Grafindo Persada, Jakarta.
17
PREDIKSI 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 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 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 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 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciJARINGAN SYARAF TIRUAN 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 terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih 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 terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
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 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 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 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 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 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 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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih 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 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 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 terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciBAB I PENDAHULUAN. paling parah dan paling lama tingkat pemulihannya akibat krisis keuangan
BAB I PENDAHULUAN 1.1 Latar Belakang Krisis keuangan yang terjadi di Asia pada pertengahan tahun 1997 diawali di Thailand dan merembet ke berbagai negara di Asia lainnya seperti di Indonesia, Malaysia,
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 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 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 terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
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 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih 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 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 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 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 terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih 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 terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
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 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 terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN Titik Misriati AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan titik.tmi@bsi.ac.id ABSTRACT
Lebih terperinciPRISMA FISIKA, Vol. I, No. 1 (2013), Hal ISSN :
Prediksi Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik Abraham Isahk Bekalani, Yudha Arman, Muhammad Ishak Jumarang Program
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pengklasifikasian merupakan salah satu metode statistika untuk mengelompok atau menglasifikasi suatu data yang disusun secara sistematis. Masalah klasifikasi sering
Lebih terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
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 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 terperinciPrediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan
Prediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan Kusuma Dewangga, S.Kom. Jurusan Ilmu Komputer Universitas Gadjah Mada Jl. Bulaksumur, Yogyakarta kusumadewangga@gmail.com
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 terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR Sofi Dwi Purwanto Teknik Informatika Universitas Islam Negeri Maulana Malik
Lebih 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 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 terperinciSTUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
STUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muh. Ishak Jumarang 1), Lyra Andromeda 2) dan Bintoro Siswo Nugroho 3) 1,3) Jurusan Fisika,
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 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 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 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 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 terperinciPERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA
PERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA Budho Setyonugroho 1), Adhistya Erna Permanasari 2), Sri Suning Kusumawardani
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 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 terperinciJARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA
doi: https://doi.org/10.5281/zenodo.1207339 JARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA Siti Aisyah (1), Abdi Dharma (2), Mardi Turnip (3) Sistem Informasi Fakultas Teknologi dan Ilmu Komputer
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 terperinciSebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran
Sebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran Kecerdasan Buatan Pertemuan 11 Jaringan Syaraf Tiruan (Artificial Neural Network)
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 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 terperinci2.1. Dasar Teori Bandwidth Regression
2.1. Dasar Teori 2.1.1. Bandwidth Bandwidth adalah ukuran kapasitas dari sistem transmisi (Comer, 2004) Bandwidth adalah konsep pengukuran yang sangat penting dalam jaringan, tetapi konsep ini memiliki
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 terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar belakang Hujan merupakan salah satu unsur iklim yang berpengaruh pada suatu daerah aliran sungai (DAS). Pengaruh langsung yang dapat diketahui yaitu potensi sumber daya air. Besar
Lebih terperinciANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA Julpan 1 *, Erna Budhiarti Nababan 1 & Muhammad Zarlis 1 1 Program S2 Teknik Informatika
Lebih 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 terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Parameter Gauss Untuk dapat melakukan pengolahan data menggunakan ANN, maka terlebih dahulu harus diketahui nilai set data input-output yang akan digunakan. Set data inputnya yaitu
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 terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciPEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK
PEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK Bilqis Amaliah 1, Amethis Oktaorora 2 1,2 Teknik Informatika, FTIf - ITS,Surabaya
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 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 terperinciANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR
Jurnal Barekeng Vol. 8 No. Hal. 7 3 (04) ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR Analysis of Backpropagation Artificial Neural Network to
Lebih terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciANALISIS 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 terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
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 terperinciPemodelan Sistem dengan Metode Neural Network Back Propagation. Modeling System Using Neural Network Backpropagation
Pemodelan Sistem dengan Metode Neural Network Back Propagation Modeling System Using Neural Network Backpropagation Dwi Sudarno Putra 1), Toto Sugiarto 1) & Meri Azmi 2) 1) Jurusan Teknik Otomotif Universitas
Lebih terperinciESTIMASI PRODUKTIVITAS PEKERJA KONSTRUKSI DENGAN PROBABILISTIC NEURAL NETWORK
ESTIMASI PRODUKTIVITAS PEKERJA KONSTRUKSI DENGAN PROBABILISTIC NEURAL NETWORK Lila Ayu Ratna Winanda Dosen Teknik Sipil FTSP ITN Malang ABSTRAKSI Pekerjaan konstruksi yang tengah menggeliat bangkit tidak
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI
IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI diajukan oleh Kurniawati Handayani 09.11.3278 kepada SEKOLAH TINGGI MANAJEMEN
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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Gedung kampus merupakan salah satu kontruksi gedung negara yang termasuk dalam kategori bangunan tidak sederhana. Adanya kebijakan pemerintah terkait otonomi daerah
Lebih terperinci1.1. Jaringan Syaraf Tiruan
BAB I PENDAHULUAN 1.1. Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi yang digambarkan sebagai berikut
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 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Pencemaran air Air merupakan salah satu komponen utama dalam lingkungan yang berperan penting dalam kehidupan (Warlina, 2004). Air, yang bersumber dari sungai, danau, gletser,
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 I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kebutuhan akan prediksi semakin meningkat pada era globalisasi saat ini sejalan dengan keinginan masyarakat khususnya pelaku bisnis untuk memberikan tanggapan
Lebih terperinciESTIMASI KONSUMSI ENERGI LISTRIK BALI BERBASIS ANN
ESTIMASI KONSUMSI ENERGI LISTRIK BALI BERBASIS ANN Jurusan Teknik Elekro Fakultas Teknik Universitas Udayana Kampus Bukit Jimbaran Bali 80361, tlp (0361)703315 Email : mertasana@ee.unud.ac.id Abstrak Aspek
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 terperincioleh WAHYUNI PUTRANTO NIM. M SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
PERBANDINGAN METODE GRADIENT DESCENT DAN GRADIENT DESCENT DENGAN MOMENTUM PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN KURS TENGAH RUPIAH TERHADAP DOLAR AMERIKA oleh WAHYUNI PUTRANTO NIM.
Lebih terperinciESTIMASI BIAYA PERANGKAT LUNAK MENGGUNAKAN IMPROVED BACKPROPAGATION
ESTIMASI BIAYA PERANGKAT LUNAK MENGGUNAKAN IMPROVED BACKPROPAGATION Rocky Yefrenes Dillak Abstrak : Estimasi biaya perangkat lunak merupakan bagian tak terpisahkan dari pengembangan perangkat lunak. Mengabaikan
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
Lebih terperinci