Sistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation
|
|
- Teguh Lesmono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Sistem Peramalan Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Syaraf Tiruan Bacpropagation Anindita Septiarini 1 dan Nur Sya baniah 2 1 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman aninditaseptiarini@gmail.com 2 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman nieya_om@yahoo.co.id Abstract An accurate forecasting system of the amount of ater production is required by Regional Water Company (PDAM) to determine the policy (maing decision) in the field of ater production. The obect of the research designing and developing a forecasting system using artificial neural netors and bacpropagation algorithm. In this research, the data is selected consider the influence to the forecasting amount of ater production, in this case become input of ANN, i.e.: number of population, number customer by the type of them, the amount of ater processed, the amount ater that used in installations for the production, the amount ater delivered, leaage and the amount ater treatment plant. The output of the application is the prediction results of production. The used data is production data recorded on PDAM, started year 2000 to The algorithm hich used for forecasting the ater production is the bac propagation algorithm. Based on the results of research, obtained that the hidden layer is 80 units, galat is 0.1 and learning rate is 0.01 and traingdx learning techniques have gaven an optimal test result. Keyords: Forecasting the amount of Water Production, Artificial Neural Netors, Bac propagation. Pendahuluan Air merupaan salah satu sumber daya alam yang memilii fungsi sangat penting dan merupaan omponen lingungan hidup yang penting bagi elangsungan hidup manusia dan mahlu hidup lainnya. Seiring pertumbuhan pendudu di Samarinda, maa umlah air yang diprodusi secara terus menerus menunuan peningatan sealan dengan peningatan ebutuhan air bersih di masyaraat. Aibatnya timbul beberapa fator persoalan dalam menghadapi ebutuhan air, salah satunya apabila umlah air yang di produsi dan disaluran lebih besar daripada permintaan aan air, maa aan timbul persoalan pemborosan volume air pada perusahaan. Sedangan apabila umlah air yang diprodusi dan disaluran lebih sediit atau tida memenuhi ebutuhan onsumen maa aan teradi air tida mengalir, yang aibatnya merugian piha onsumen. Oleh arena itu diperluan penyusuaian antara persediaan produsi air dengan permintaan atau ebutuhan air pada onsumen. Syarat mutla yang pertama harus dilasanan untu mencapai tuuan itu adalah piha PDAM mengetahui permintaan air di masa depan sehingga umlah produsi air pun bisa dipredisi. Untu menghadapi resio serta menghindari emunginan pemborosan maa diperluan perhitungan yang dapat memberian gambaran seberapa besar produsi yang dihasilan untu memenuhi ebutuhan pelanggan pada masa aan datang. Pada penelitian ini predisi menggunaan teni ecerdasan buatan menggunaan Jaringan Syaraf Tiruan (JST). Konsep dari JST untu mempredisi umlah produsi air PDAM dengan cara pola data umlah produsi air PDAM periode masa lalu yang dimasuan edalam sistem dilauan proses pelatihan menggunaan JST dengan metode Bacpropagation. Setelah dilauan proses pelatihan, sistem aan menghasilan bobot-bobot yang aan digunaan untu mempredisi umlah produsi air PDAM pada periode tahun-tahun selanutnya. Pada penerapan tersebut dapat dilihat arti penting suatu peramalan terhadap ebutuhan manaemen produsi umlah air PDAM. Hasil peramalan aan sangat berguna bagi PDAM Samarinda untu masa yang aan datang, arena umlah produsi air merupaan fator utama dalam pelayanan penyaluran air. Oleh sebab itu pentingnya suatu peramalan untu produsi air agar dapat memenuhi ebutuhan air pada pelanggan sehingga tida adanya eurangan dalam produsi tersebut. Jaringan Syaraf Tiruan Bacpropagation Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang memilii arateristi mirip dengan aringan syaraf biologi / manusia. Program Studi Statistia FMIPA Universitas Mulaarman 43
2 Arsitetur Bacpropagation Bacpropagation terdiri dari n buah masuan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit eluaran. V o dan W 0 masingmasing adalah bias untu unit tersembunyi e- dan untu output e-. Bias V o dan W 0 berperilau seperti bobot dimana output bias ini selalu sama dengan 1. V i adalah bobot onesi antara unit e-i lapisan input dengan unit e- lapisan tersembunyi, sedangan W adalah bobot onesi antara unit ei lapisan tersembunyi dengan unit e- lapisan output. Gambar 1 Arsitetur Bacpropagatio Algoritma Pelatihan Bacpropagation Algoritma bacpropagation dapat dibagi menadi 2 bagian yaitu: 1. Algoritma pelatihan. Terdiri dari 3 tahap: tahap umpan mau, tahap propagasi mudur, dan tahap perubahan bobot. Ketiga fase tersebut diulang-ulang terus hingga ondisi penghentian terpenuhi. Umumnya ondisi penghentian yang sering dipaai adalah umlah iterasi atau esalahan. Iterasi aan dihentian ia umlah iterasi yang dilauan sudah melebihi umlah masimum dari yang ditetapan, atau ia esalahan yang teradi lebih ecil dari batas toleransi yang diiinan. 2. Algoritma apliasi. Yang digunaan hanyalah tahap umpan mau saa. Algoritma Pelatihan 0. Inisialisasi bobot-bobot. Tentuan anga pembelaaran. Tentuan pula nilai toleransi error atau nilai ambang (bila menggunaan nilai ambang sebagai ondisi berhenti); atau set masimal epoch/silus setiap pola pelatihan (bila menggunaan epoch sebagai ondisi berhenti). 1. While ondisi berhenti tida terpenuhi do langah e-2 sampai langah e Untu setiap pasangan pola pelatihan, lauan langah e-3 sampai e-8. Tahap Umpan Mau 3. Setiap unit input x i (dari unit e-1 sampai unit e-n pada lapisan input) mengiriman sinyal input e semua unit yang berada di lapisan di atasnya (e lapisan tersembunyi). 4. Pada setiap unit dilapisan tersembunyi z (dari unit e-1 sampai unit e-p; i=1,,n; =1,,p) sinyal output lapisan tersembunyinya dihitung dengan menerapan fungsi ativasi sigmoid terhadap penumlahan sinyal-sinyal input berbobot x i, emudian diirim elapisan diatasnya. z v o n xi v i1 i (2.1) 5. Setiap unit di lapisan output y (dari unit e-1 sampai unit e-m; i=1,,n; =1,,m) dihitung sinyal outputnya dengan menerapan fungsi ativasi terhadap penumlahan sinyalsinyal input berbobot z bagi lapisan ini. y o p z 1 (2.2) Tahap Propagasi Mundur 6. Setiap unit output y (dari unit e-1 sampai unit e-m; =1,,p; =1,,m) menerima poola target t lalu informasiesalahan lapisan output dihitung. diirim e lapisan di baahnya dan digunaan untu menghitung besar oresi bobot dan bias ( dan 0 ) antara lapisan tersembunyi dengan lapisan output: t y f ' y t y y 1 y (2.3) merupasn unit esalahan yang aan dipaai dalam perubahan bobot layar dibaahnya (langah 7). Hitung suu perubahan bobot (yang aan dipaai nanti untu merubah bobot ) dengan lau percepatan α (2.4) z (2.5) 0 7. Pada setiap init dilapisan tersembunyi (dari unit e-1 sampai unit e-p; i=1,,n; =1,,p; =1,,m) dilauan perhitungan informasi esalahan lapisan tersembunyi. emudian digunaan untu menghitung besar oresi bobot dan bias ( v i dan v 0 ) antara lapisan input dengan lapisan tersembunyi: m n o i i f ' (2.6) v x v 1 i1 (2.7) v i v 0 zi (2.8) 44 Program Studi Statistia FMIPA Universitas Mulaarman
3 Tahap Perubahan Bobot 8. Pada setiap unit output y (dari unit e-1 sampai unit e-m) dilauan peng-update-an bias dan bobot (=0,,p; =1,,m;) sehingga bias dan bobot yang baru menadi: (baru) = (lama) + (2.9) Dari unit e-1 sampai unit e-p dilapisan tersembunyi uga dilauan peng-update-an pada bias dan bobotnya (i=0,,n; =1,,p): v i (baru) = v 0 (lama) + v i (2.10) 9. Tes ondisi berhenti Algoritma Apliasi 0. Inisialisasi bobot. Bobot ini diambil dari bobot-bobot trahir yang diperoleh dari algoritma pelatihan. 1. Untu setiap vector input, dilauan langah e-2 sampai e Setiap unit input x i (dari unit e-1 sampai unit e-n pada lapisan input; i=1,..,n) menerima sinyal input penguian x i dan menyiaran sinyal x i e semua unit pada lapisan diatasnya (unit-unit tersembunyi). 3. Setiap unit di lapisan tersembunyi z (dari unit e-1 sampai unit e-p; i=1,..,n; =1,,p) menghitung sinyal outputnya dengan menerapan fungsi ativasi terhadap penumlahan sinyal-sinyal input x i. Sinyal output dari lapisan tersembunyi emudian diirim e semua unit pada lapisan di atasnya: n z f v o xiv i (2.11) i1 4. Setiap unit output y (dari unit e-1 sampai unit e-m; =1,,p; =1,,m) menghitung sinyal outputnya dengan menerapan fungsi ativasi terhadap penumlahan sinyal-sinyal input bagi lapisan ini, yaitu sinyal-sinyal input z dari lapisan tersembunyi: y f p o 1 Hasil dan Pembahasan z (2.12) Data diambil dari data primer dan seunder dari PDAM Samarinda dan Badan Statistia Samarinda. Data primer diperoleh dari observasi lapangan sedangan data seunder adalah data berala (time series). Data yang dipergunaan untu pembelaaran adalah data sebenarnya (actual data), mulai tahun 2000 sampai dengan Sedangan tahun 2009 sebagai data penguian yang dilauan pada tahap predisi. Yang termasu sebagai masuan secara berurutan adalah 1. Jumlah pendudu, disimpan pada variabel X1 2. Jumlah pelanggan menurut enis pelanggan rumah tangga tinggal, disimpan pada variabel X2 3. Jumlah pelanggan menurut enis pelanggan hotel/obe isata, disimpan pada variabel X3 4. Jumlah pelanggan menurut enis pelanggan badan sosial, tempat ibadah, dan rumah sait, disimpan pada variabel X4 5. Jumlah pelanggan menurut enis pelanggan MCK/umum, disimpan pada variabel X5 6. Jumlah pelanggan menurut enis pelanggan niaga dan industri, disimpan pada variabel X6 7. Jumlah pelanggan menurut enis pelanggan instalasi pemerintahan, disimpan pada variabel X7 8. Jumlah pelanggan menurut enis pelanggan pelabuhan, disimpan pada variabel X8 9. Jumlah air diolah, disimpan pada variabel X9 10. Jumlah pemaaian air diinstalasi untu produsi, disimpan pada variabel X Jumlah air yang disaluran PDAM/terual, disimpan pada variabel X Kebocoran, disimpan pada variabel X Jumlah inte pengolahan air/ipa, disimpan pada variabel X13. Simulasi Peramalan Simulasi peramalan produsi air dengan JST metode bacpropagation dilauan dengan menggunaan program MATLAB7 melalui langah-langah sbb.: a. Menyusun Training Set Data (TSD). TSD disusun sebagaimana tersai dalam Tabel 1. b. Membuat Arsitetur Jaringan. (lihat Gambar 3). c. Melauan Pembelaaran Jaringan. d. Melauan simulasi peramalan umlah produsi menggunaan JST dengan masuan baru, dimana masuan baru tersebut merupaan data proyesi dari 13 fator penting yang berpengaruh dalam ramalan mulai tahun 2010 sampai dengan (lihat tabel 2) e. Diperolehnya hasil eluaran peramalan beban tenaga listri tahun Ketia proses pelatihan berlangsung, grafi pelatihan yang menunuan perbandingan antara error dan epoch aan ditampilan hingga aringan onvergen atau epoch (iterasi masimum), dan hasil evaluasi data pelatihan yang menunuan oefisiensi olerasi bernilai (mendeati 1), menunuan hasil yang bai untu ecocoan output aringan dengan target sebagaimana terlihat pada gambar 2 dan 3. Hasil-Hasil Simulasi Hasil simulasi dari penelitian ramalan umlah produsi air yang dilauan untu tahun dapat dilihat pada gambar 2, gambar 3, tabel 2 dan tabel 3. Program Studi Statistia FMIPA Universitas Mulaarman 45
4 Tabel 1. Data masuan dan data target untu pembelaaran Satuan A DATA MASUKKAN 1 Jumlah Pendudu Orang 516, , , , , , , , ,117 Jumlah Pelanggan menurut Jenis Pelanggan Sambungan 2 Rumah Tangga Tinggal Sambungan 47,923 52,601 54,359 55,493 55,960 63,585 71,172 76,639 82,983 3 Hotel/Obe Wisata Sambungan ,992 2,111 2,241 2,980 3, Badan Sosial, tempat Ibadah dan Rumah Sait Sambungan MCK/Umum Sambungan Niaga dan Industri Sambungan 2,910 3,382 1,807 1,848 1,968 2,138 2,247 6,382 6,559 7 Instalasi Pemerintahan Sambungan Pelabuhan Sambungan Jumlah Air diolah M3 25,838,609 27,393,908 29,231,338 31,144,838 35,326,099 42,232,268 44,168,658 41,404,532 49,188, Jumlah Pemaaian Air di Instalasi untu Produsi M3 681, , , ,870 2,151,839 2,985,055 2,881,007 1,525,850 2,802, Jumlah Air yang disaluran PDAM / Terual M3 15,046,891 17,013,394 18,954,364 20,826,031 22,623,162 24,733,957 26,423,282 28,110,828 32,219, Kebocoran M3 10,109,992 9,554,660 9,633,914 9,566,937 10,551,098 14,513,256 14,864,369 11,967,854 14,166, Jumlah Inte Pengolahan Air / IPA Unit B DATA TARGET 1 Produsi M3 25,156,883 26,568,054 28,588,278 30,392,968 33,174,260 39,247,213 41,287,651 40,078,682 46,386,066 Jumlah Pendudu Jumlah pelanggan rumah tangga tinggal Jumlah pelanggan hotel dan obe isata Jumlah pelanggan badan sosial,tempat ibadah & RS Jumlah pelanggan MCK/Umum Jumlah pelanggan niaga dan industri Jumlah pelanggan instalasi pemerintahan Jumlah pelanggan pelabuhan Jumlah air diolah Jumlah pemaaian air di instalasi untu produsi Jumlah air yang disaluran PDAM / terual Jumlah ebocoran Jumlah instalasi pengolahan air / IPA x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 Predisi Produsi Air Lapisan Masuan Lapisan tersembunyi Lapisan Keluaran Gambar 2 Arsitetur aringan untu mempredisi umlah produsi air Tabel 2 Data Hasil Proyesi Masuan untu Predisi Tahun Data Masuan X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 Target Program Studi Statistia FMIPA Universitas Mulaarman
5 Gambar 2 (a) Antarmua Grafi Pelatihan (b) Antarmua Hubungan antara Target dengan Output Jaringan untu Penguian Pada penelitian ini dilauan 2 bagian percobaan yaitu menggunaan variabel pelatihan yang berbeda-beda dan menggunaan umlah data (matri) yang berbeda untu membandingan selisih eluaran JST dengan data inputannya. Adapun hasil percobaan dapat dilihat pada table 3. Tabel 3 Hasil Percobaan Variabel Pelatihan Jumlah Jumlah Rata-rata Selisih Percobaan Lapisan Konstanta Tampilan Masimal Matri Matri antra eluaran JST Galat Tersembunyi Belaar Iterasi Iterasi Pelatihan Predisi dengan data inputan x 9 13 x x 9 13 x x 9 13 x x 9 13 x x 9 13 x x 9 13 x x 9 13 x x x x x x x x x x x Dari hasil percobaan penelitian ini, diperoleh baha variabel pelatihan dan umlah data (matri) yang digunaan mempengaruhi umlah rata-rata selisih antara eluaran JST dengan data inputan. Percobaan 1 sampai dengan 7 merupaan percobaan dimana variabel pelatihannya diubahubah dengan matri pelatihan beruuran 13 x 9 dan matri predisi beruuran 13 x 7. Percobaan 8 sampai dengan 12 merupaan percobaan dengan variabel pelatihan dengan matri pelatihan beruuran 13 x 12 dan matri predisi beruuran 13 x 4. Pada bagian percobaan 8 sampai dengan 9 menunuan rata-rata selisih yang lebih ecil antara eluaran JST dengan data inputan dibandingan dengan percobaan 1 sampai dengan 7 diarenaan lebih banyanya data pelatihan (matri pelatihan) yang dilatihan. Kesimpulan Jaringan syaraf tiruan metode bacpropagation yang diterapan pada sistem peramalan umlah produsi air memberian hasil yang bai. Hal ini ditunuan dengan ecocoan output aringan dengan target yang oefisiensi olerasi bernilai (mendeati 1). Penerapan aringan syaraf tiruan untu peramalan membutuhan atu yang cuup lama arena perlu melauan banya percobaan dalam menetapan umlah lapisan tersembunyi, penentuan besarnya onstanta belaar serta menerapan teni pembelaaran pada aringan yang direncanaan. Berdasaran hasil penelitian didapat baha umlah layar tersembunyi sebanya 80 unit, galat sebesar 0.1 dan onstanta belaar sebesar 0,01 dan teni pembelaaran traingdx telah memberian hasil penguian yang optimal. Program Studi Statistia FMIPA Universitas Mulaarman 47
6 Konstanta belaar merupaan nilai yang menunuan ecepatan belaar dari aringan. Nilai yang terlalu tinggi dapat menyebaban aringan menadi tida stabil sedangan nilai yang terlalu ecil dapat menadian atu belaar yang lama. Semain ecil galat, berpengaruh pada besarnya iterasi. Untu menghasilan proses pelatihan yang bai perlunya ombinasi dan pemilihan nilai lapisan tersembunyi, galat dan ontanta belaar seoptimal mungin. Jumlah data yang digunaan pada penelitian berbanding lurus dengan inera sistem ini, artinya semain banya data latih yang digunaan untu penelitian, hasil predisinya aan semain membai. Daftar Pustaa 1. Amin, Z Predisi Jumlah Kebutuhan Air Bersih PDAM Madiun 5 Tahun Mendatang (2013). Sripsi Teni Sipil, Universitas Sebelas Maret Suraarta. 2. Andriasa, M.F. dan Mistianingsih Penerapan Jaringan Syaraf Tiruan Untu Mempredisi Jumlah Pengangguran di Provinsi Kalimantan Timur dengan Menggunaan Algoritma Pembelaaran Bacpropagation. Informatia Mulaarman. Vol 5 No. 1, pp Hermaan, A. Jaringan Saraf Tiruan Teori dan Apliasi. Yogyaarta: Penerbit Andi. 4. Kuncoro, A.H. dan Dalimi, R Apliasi Jaringan Syaraf Tiruan Untu Peramalan Beban Tenagaa Listri Janga Panang Pada Sistem Kelistrian Di Indonesia. Edisi No. 3, pp ISSN Kusumadei, S Membangun Jaringan Syaraf Tiruan Menggunaan Matlab dan Excel Lin. Yogyaarta: Graha Ilmu. 6. Siang, J.J Jaringan Syaraf Tiruan dan Pemrogramannya Dengan Matlab. Yogyaarta: Penerbit Andi. 7. Sugiharto, A Pemograman GUI dengan Matlab. Yogyaarta: Penerbit Andi. 48 Program Studi Statistia FMIPA Universitas Mulaarman
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG Oleh : M.Rizi.H.S, Andri Heryandi,S.T, Bambang Siswoyo,Ir,M.Si Jl. Dipati Uur Bandung Teni Informatia Universitas
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciSistem Informasi Peramalan Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST Backpropagation
1 Sistem Informasi Peramalan Beban Listri Janga Panang di Kabupaten Jember Menggunaan JST Bacpropagation Dodi Setiabudi Abstra Kebutuhan energi listri sebagai salah satu infrastrutur penting sangat diutamaan.
Lebih terperinciPENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinci1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba
JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA Nurmalasari Rusmiati 1 Sistem Informasi, Faultas Ilmu Komputer, Universitas Gunadarma
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS 1 Ihwannul Kholis, 2 Ahmad Rofii. 1 Universitas 17 Agustus 1945 Jaarta,
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING
APLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING Hendra William *), Achmad Hidayatno, and Aub Aulian Zahra Jurusan Teni Eletro, Universitas Diponegoro
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETWORK DAN PRINCIPAL COMPONENT ANALYSIS
Jurnal Teni dan Ilmu Komputer SISTEM PENGENALAN AJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETORK DAN PRINCIPAL COMPONENT ANALYSIS FACE RECOGNITION SYSTEM USING BACKPROPAGATION ARTIFICIAL
Lebih terperinciSistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation
Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Sistem Penduung Keputusan Penerima Beasiswa SMK Menggunaan Metode Bacpropagation Teti Rohaeti 1, Yoyon Kusnendar Suprapto 2, Eo Mulyanto 3
Lebih terperinciBAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN
BAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN Kompetensi : 1. Mahasiswa memahami onsep pembelaaran dalam JST Sub Kompetensi : 1. Dapat mengetahui prinsip algoritma Perceptron 2. Dapat mengetahui
Lebih terperinciModel Pembelajaran Off-Line Menggunakan Jaringan Syaraf Tiruan Untuk Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teknik Elektronika PENS 2009
Model Pembelaaran Off-Line Menggunaan Jaringan Syaraf Tiruan Untu Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teni Eletronia PENS 2009 Arie Setya Wulandari#, Eru Puspita S.T., M.Kom#2 # Jurusan
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
Lebih terperinciTEKNIK PERAMALAN TINGKAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN
TENI PERAMALAN TINGAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN Sri Mulyana Program Studi Ilmu omputer F MIPA UGM Seip Unit III Yogyaarta Telp (0274)546194 e-mail : smulyana@ugm.ac.id Abstra Tingat penualan
Lebih terperinciPrediksi Jumlah Kasus Demam Berdarah Dengue Menggunakan Jaringan Syaraf Tiruan (Studi Kasus daerah Kab. Sleman, Provinsi DIY)
Jurnal PROte Vol. 3 No. 1, 216 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Iis Hamsir Ayub Wahab Program Studi Teni Eletro Faultas Teni, Universitas Khairun Email: hamsir@unhair.ac.id
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR)
PENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR) Oleh: ¹ HERLY MARDANI (000298) ² BAMBANG SISWOYO,
Lebih terperinciAKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA
AKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA Aris Puji Widodo, Suhartono 2, Eo Adi Sarwoo 3, dan Zulfia Firdaus 4,2,3,4 Departemen Ilmu Komputer/Informatia,
Lebih terperinciII. DASAR TEORI I. PENDAHULUAN
IMPLEMENTASI JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK UNTUK MENDETEKSI GOLONGAN DARAH PADA MANUSIA M. Fuad Latief *, R. Rizal Isnanto, Budi Setiyono Abstra - Membran sel darah manusia mengandung bermacam-macam
Lebih terperinciDany Candra Febrianto ) dan Hindayati Mustafidah )
Penerapan Jaringan Saraf Tiruan dengan Metode Pembelaaran Bacpropagation untu Mengetahui Tingat Kualifiasi Calon Siswa pada Sistem Informasi Penerimaan Siswa Baru di MAN 2 Banarnegara (Application of Artificial
Lebih terperinciPENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER
PENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER Wiaria Gazali 1 ; Haryono Soeparno 2 1 Jurusan Matematia, Faultas Sains dan Tenologi, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN POLA GEOMETRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Muhamad Tonovan *, Achmad Hidayatno **, R. Rizal Isnanto ** Abstra - Pengenalan waah adalah
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION
JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan E-mail : yuyun.dl@gmail.com
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN
Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan PREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN Rudy Ansari STMIK Indonesia Banarmasin e-mail: rudy.ansari@gmail.com ABSTRAK
Lebih terperinciARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET
Prosiding SNaPP2012 : Sains, Tenologi, dan Kesehatan ISSN 2089-3582 ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET 1 John Maspupu 1 Pussainsa LAPAN, Jl Dr Dundunan No 133 Bandung
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 terperinciPERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION
PERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION Wellie Sulistanti Abstract- Tuuan dari penelitian ini untu mengapliasian cara era aringan syaraf tiruan dengan menggunaan
Lebih terperinciMakalah Seminar Tugas Akhir
Pengaturan Kecepatan Motor DC Menggunaan Jaringan Syaraf Tiruan Feedforward Bacpropagation Sorihi *, Wahyudi **, Iwan Setiawan ** Abstra - Jaringan syaraf bacpropagation merupaan aringan syaraf yang telah
Lebih terperinciKAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Media Informatia, Vol. 5, No. 2, Desember 2007, 99-111 ISSN: 0854-4743 KAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Anita Desiani Jurusan Matematia,
Lebih terperinciPENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Sutino 1, Helmie Arif Wibawa 2, Priyo Sidi Sasongo 3 123 Jurusan Ilmu Komputer/Informatia, FSM,
Lebih terperinciPENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT
PENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT Oleh : DONNY WAHYU SAPUTRO G06499031 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciProsiding Semirata FMIPA Universitas Lampung, 2013
Sistem Pengenalan Nomor Plat Kendaraan Berbasis Foto Diital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunaan Algoritma Bacpropagation Zaiful Bahri, Suamto dan Joo Risanto Jurusan Matematia
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
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 terperinciAPLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA ABSTRACT
APLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA Manyu Fauzi, Minarni Nur Trilita Mahasiswa S3 MRSA, Jurusan Teni Sipil-ITS dan Pengaar Jurusan Teni Sipil Univ. Riau Mahasiswa S3
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciz_in ( ) dan mengaplikasikan fungsi aktivasi untuk menghitung sinyal output ( ) Propagasi balik:
LAMPIRAN 4 Lampiran Algoritma aringan syaraf tiruan propagasi balik Langkah 0 Inisialisasi bobot Langkah Selama kondisi berhenti bernilai salah, lakukan langkah -9. Langkah Untuk setiap pasangan, lakukan
Lebih terperinciPENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION Praditya Firmansyah *, Wahyul Amien Syafei**, Iwan
Lebih terperinciBAB II PENGENALAN WAJAH
BAB II PENGENALAN WAJAH Sistem pengenalan waah dapat dibagi menadi empat tahap, yaitu tahap pengolahan citra, detesi waah, estrasi fitur dan tahap pengenalan waah. Pada tugas ahir ini aan lebih diteanan
Lebih terperinciAPLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES. : Agus Sumarno NRP :
APLIKASI WAELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES Nama : Agus Sumarno NRP : 06 00 706 Jurusan : Matematia Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si Abstra Model time series
Lebih terperinciPENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC. Oleh:
1 PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC Oleh: NURHADI SUSANTO G64103059 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
Lebih terperinciSISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN
SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN Julian Supardi, Rz. Abdul Aziz, Syepriansyah Seolah Tggi Manaemen Informatia dan Komputer Darmaaya Jl. Z.A Pagar Alam No. 93 Bandar Lampung Indonesia
Lebih terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
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 terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION Restiana Putri Abstract - On a government agencies Badan Keluarga Berencana
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 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 terperinciPEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER
PEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER Tantri Windarti Program Studi Sistem Informasi STMIK Surabaya Jl Raya Kedung Baru 98, Surabaya
Lebih terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciTRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI
TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB II LANDASAN TEORI. Proses utama dari pengenalan karakter adalah menerima karakter input dan
BAB II LANDASAN TEORI 2.1 Pengenalan Teori Proses utama dari pengenalan arater adalah menerima arater input dan memerisa apaah hasil input tersebut sesuai dengan salah satu arater yang ada. Bagian yang
Lebih terperinciBAB 2 LANDASAN TEORI. relevan, lengkap, dan terkini sejalan dengan permasalahan yang dihadapi. Di sini juga
BAB 2 LANDASAN TEORI Dalam landasan teori ini, pada dasarnya aan dielasan mengenai teori yang relevan, lengap, dan terini sealan dengan permasalahan yang dihadapi. Di sini uga terdapat hubungan antara
Lebih terperinciDETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN
Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: 1979-911X Yogyaarta, 11 Desember 2010 DETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN Uning Lestari
Lebih terperinciPENERAPAN NEURAL NETWORK MODEL BACKPROPAGATION DAN GENERAL REGRESSION NEURAL NETWORK
Eo Sediyono PENERAPAN NEURAL NETWORK MODEL BACKPROPAGATION DAN GENERAL REGRESSION NEURAL NETWORK Oleh : Eo Sediyono Abstra Telah dilauan penelitian tentang identifiasi citra untu mengidentifiasi enis daging
Lebih terperinciPengambilan Data dan Analisis
METODOLOGI PENELITIAN Watu dan Loasi Penelitian Penelitian dilasanaan mulai bulan November 2003 sampai dengan Juni 2004 di Kecamatan Rengasdenglo, Telagasari dan Cilamaya Kabupaten Karawang Jawa Barat
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciAPLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia APLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Lebih terperinciIII DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT
III DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT 3.1 Studi Literatur tentang Pengelolaan Sampah di Beberapa Kota di Dunia Kaian ilmiah dengan metode riset operasi tentang masalah
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 terperinciMAKALAH SEMINAR TUGAS AKHIR
MAKALAH SEMINAR TUGAS AKHIR Peramalan Kebutuhan Beban Janga Pende Menggunaan Jaringan Syaraf Tiruan Bacpropagation Oleh : Dinar Atia Sari (L2F002572) Jurusan Teni Eletro Faultas Teni Universitas Diponegoro
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
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 3 METODE PENELITIAN
36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye
Lebih terperinciAplikasi Neural-Fuzzy pada Regresi Interval untuk Data Time Series
Apliasi Neural-Fuzzy paa Regresi Interval untu Data Time Series Sri Kusumaewi Jurusan Teni Informatia, Universitas Islam Inonesia, Yogyaarta Jl. Kaliurang K, 4, Yogyaarta (04 E-mail : cicie@fti.uii.ac.i
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 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 terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Siti Amiroch Universitas Islam Darul Ulum Lamongan, amirast_117@yahoo.com Abstract. In the stock market, stock price prediction is
Lebih terperinciMANAJEMEN DISTRIBUSI MULTI PRODUK BERDASARKAN BOBOT PROSENTASE PENJUALAN DAN EFISIENSI BIAYA DISTRIBUSI (STUDI KASUS DI PT THAMRIN BROTHERS)
Seminar Nasional Apliasi Tenologi Informasi 2011 (SNATI 2011) ISSN: 1907-5022 Yogyaarta, 17-18 Juni 2011 MANAJEMEN DISTRIBUSI MULTI PRODUK BERDASARKAN BOBOT PROSENTASE PENJUALAN DAN EFISIENSI BIAYA DISTRIBUSI
Lebih terperinciPENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU
PENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU Wahyudi 1, Adhi Susanto 2, Sasongo P. Hadi 2, Wahyu Widada 3 1 Jurusan Teni Eletro, Faultas Teni, Universitas Diponegoro, Tembalang,
Lebih terperinci3 METODE PENELITIAN. 3.1 Tempat dan Waktu
22 3 METODE PENELITIAN 3.1 Tempat dan Watu Penelitian ini aan dilasanaan di dua pabri gula yaitu di PT. Perebunan Nusantara VII (Persero unit usaha PG Bungamayang dan PG Jatituuh Cirebon. Pemilihan dua
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION Havid Syafwan 1, Herman Saputra 2 *1 Program Studi Manajemen Informatika, AMIK
Lebih terperinciPrediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada Toko Buku Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation
Predisi Perilau Pola Pengunjung Terhadap Transasi Pada Too Buu Gramedia Menggunaan Jaringan Syaraf Tiruan Metode Bac Propagation Iriansyah BM Sangadji Teni Informatia STT PLN Jl Lingar Luar Duri Kosambi
Lebih terperinciPERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION
PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION (Forecast The Number of Vehicle in Jakarta Using Backpropagation Neural Net ) Zumrotus Sya diyah Universitas Darussalam Ambon,
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciKecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Wajah (Face Recognition)
No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional Kecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Waah (Face Recognition) Wawan Setiawan (Universitas Pendidian
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Variabel Variabel ialah sesuatu yang nilainya berubah-ubah menurut watu atau berbeda menurut elemen/tempat. Umumnya nilai arateristi merupaan variabel dan diberi simbol huruf X.
Lebih terperinciBAB 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
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 terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciPelatihan Feedforward Neural Network Menggunakan PSO untuk Prediksi Jumlah Pengangguran Terbuka di Indonesia
Jurnal Pengembangan Tenologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 2017, hlm. 1260-1269 http://j-ptii.ub.ac.id Pelatihan Feedforward Neural Networ Menggunaan PSO untu Predisi
Lebih terperinciIdentifikasi Sinyal Electromyograph (Emg) Pada Gerak Ekstensi-Fleksi Siku Dengan Metode Konvolusi Dan Jaringan Syaraf Tiruan
Identifiasi Sinyal Electromyograph (Emg) Pada Gera Estensi-Flesi Siu Dengan Metode Konvolusi Dan Jaringan Syaraf Tiruan Ria Rohana, Kemalasari, Paulus Susetyo Wardana Jurusan Teni Eletronia, Politeni Eletronia
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Tiruan 2.1.1. Latar Belaang Jaringan Syaraf Tiruan dibuat pertama ali pada tahun 1943 oleh neurophysiologist Waren McCulloch dan logician Walter Pits, namun tenologi
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
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 terperinci