PEMODELAN JARINGAN SARAF TIRUAN (Artificial Neural Networks) UNTUK IDENTIFIKASI KAWANAN LEMURU DENGAN MENGGUNAKAN DESKRIPTOR HIDROAKUSTIK
|
|
- Herman Budiaman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PEMODELAN JARINGAN SARAF TIRUAN (Artificial Neural Networks) UNTUK IDENTIFIKASI KAWANAN LEMURU DENGAN MENGGUNAKAN DESKRIPTOR HIDROAKUSTIK AMIR HAMZAH MUHIDDIN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007
2 PERNYATAAN MENGENAI DISERTASI DAN SUMBER INFORMASI Dengan ini saya menyatakan bahwa disertasi Pemodelan Jaringan Saraf Tiruan (Artificial Neural Networks) Untuk Identifikasi Kawanan Lemuru Dengan Menggunakan Deskriptor Hidroakustik adalah karya sendiri dengan arahan komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir disertasi ini. Bogor, April 2007 Amir Hamzah Muhiddin NIM C
3 ABSTRAK AMIR HAMZAH MUHIDDIN. Pemodelan Jaringan Saraf Tiruan (Artificial Neural Networks) Untuk Identifikasi Kawanan Lemuru Dengan Menggunakan Deskriptor Hidroakustrik. Dibimbing oleh INDRA JAYA, TOTOK HESTIRIANOTO dan DANIEL R. MONINTJA. Dalam disertasi ini dilakukan pemodelan Jaringan Saraf Tiruan Perambatan Balik (JSTPB) untuk mengidentifikasi kawanan lemuru (Sardinella lemuru) dengan menggunakan deskriptor hidroakustik. Dalam pemodelan ini identifikasi dengan Metode Statistik Analisis Gerombol (Cluster Analysis) dan Metode Analisis Diskriminan (Descriminant Function Analysis) digunakan sebagai pembanding. Deskriptor hidroakustik yang digunakan terdiri dari 15 jenis deskriptor hidroakustik yang dikelompokkan kedalam kelompok deskriptor morfometrik, batimetrik, dan energetik. Ke-15 jenis deskriptor diekstrak dari 114 kawanan ikan dengan 58 diantaranya adalah kawanan ikan teridentifikasi (data latih) sedangkan 56 lainnya adalah kawanan ikan yang belum teridentifikasi (data uji). Analisis gerombol dilakukan dengan 35 kawanan ikan data latih dan 56 kawanan ikan data uji dengan masing-masing 11 deskriptor, sedangkan analisis diskriminan dilakukan dengan 56 kawanan data uji yang sebelumnya telah diidentifikasi dengan analisis gerombol dan 15 deskriptor hidroakustik. Hasil analisis gerombol menunjukkan bahwa +89% dari 56 kawanan tersebut adalah kawanan lemuru (50 kawanan) dengan 4 spesies kawanan ikan yaitu kawanan lemuru (12 kawanan), protolan (15 kawanan), sempenit (16 kawanan), dan campuran (7 kawanan) sedangkan 11% sisanya (6 kawanan) adalah kawanan nonlemuru. Dengan analisis diskriminan, klasifikasi terhadap 56 kawanan ikan dapat dilakukan dengan ketepatan hingga 98,2%, hanya 1 spesies kawanan sempenit yang teridentifikasi sebagai kawanan campuran sedang ke-55 kawanan ikan lainnya dapat diklasifikasikan dengan benar. Dari hasil analisis ini didapatkan 8 deskriptor utama yaitu deskriptor panjang (L), tinggi (H), luas (A), keliling (P), elongasi (E) dari kelompok deskriptor morfometrik; deskriptor tinggi relatif (Trel) dari kelompok deskriptor batimetrik; dan deskriptor rataan energi hamburan balik (Er) dan densitas (Dv) dari kelompok deskriptor energetik. Ada 3 tipe model jaringan yang digunakan dalam disertasi ini, yaitu model Jaringan Saraf Tiruan Perambatan Balik 1(JSTPB1), 2(JSTPB2), dan 3(JSTPB3). JSTPB1 adalah jaringan dengan 8 deskriptor utama hasil analisis statistik diskriminan pada lapisan masukan, JSTPB2 adalah jaringan yang menggunakan data deskriptor masukan yang sama banyaknya dengan data deskriptor yang digunakan metode statistik yaitu 15 deskriptor, JSTPB3 adalah jaringan yang menggunakan deskriptor hasil analisis tingkat kontribusi deskriptor pada JSTPB2 yang jumlahnya disamakan dengan jumlah deskriptor masukan JSTPB1, 8 deskriptor, tetapi dengan kelompok deskriptor yang berbeda. Dengan metode ini digunakan 114 kawanan ikan dengan 15 deskriptor hidroakustik. Setelah menggunakan beberapa model alternatif, model jaringan yang dipilih untuk digunakan dalam disertasi ini adalah model jaringan 8(8-1) untuk JSTPB1
4 dan JSTPB3 yaitu model dengan lapisan tersembunyi tunggal dengan 8 unit sel pada lapisan masukan dan 8 unit sel pada lapisan tersembunyi, sedangkan JSTPB2 menggunakan model jaringan 15(15-1) yaitu model jaringan dengan 15 unit sel masukan pada lapisan masukan dan 15 unit sel pada lapisan tersembunyi. Untuk mendapatkan hasil identifikasi yang optimal maka komposisi akhir data latih dan uji yang digunakan dalam Metode Jaringan Saraf Perambatan Balik adalah 80 pola data pada data latih dan 30 pola data pada data uji. Dengan komposisi data seperti yang disebutkan di atas, didapatkan ketepatan tingkat identifikasi masingmasing untuk JSTPB1 100%, JSTPB2 70%, JSTPB3 73,3% dengan jumlah hitungan iterasi masing-masing JSTPB1 10 kali iterasi, JSTPB2 32 kali iterasi, dan JSTPB3 14 kali iterasi. Hasil analisis kontribusi pareto pada JSTPB2 menunjukkan bahwa dari 15 jenis deskriptor yang digunakan, hanya kelompok deskriptor morfometrik dan energetik yang berperan besar dalam analisis ini. Kelompok deskriptor morfometrik yaitu; deskriptor keliling (P), panjang (L), luas(a), elongasi (E), dan tinggi (H), kelompok deskriptor energetik yaitu; kurtosis (K), skewness (S), dan intensitas hamburan balik (Er). Deskriptordeskriptor ini selanjutnya digunakan sebagai deskriptor masukan JSTPB3. Dalam disertasi ini disimpulkan bahwa; (1) Metode Statistik dan Jaringan Saraf Tiruan Perambatan Balik dapat digunakan dengan baik untuk identifikasi dan klasifikasi kawanan ikan pelagis, (2) Dari kedua metode didapatkan bahwa Morfometrik kawanan ikan berperan lebih besar dalam proses identifikasi dan klasifikasi dibanding energetik dan batimetrik, (3) Model jaringan saraf yang ideal adalah 8(8-1) untuk JSTPB1 dan JSTPB3 serta 15(15-1) untuk JSTPB2, (4) Untuk mendapatkan tingkat ketepatan yang optimum maka data kawanan ikan yang akan diidentifikasi dengan metode ini maksimum berjumlah 35,7% dari total data latih yang tersedia. Kata kunci: identifikasi, kawanan lemuru, deskriptor hidroakustik, metode jaringan saraf tiruan.
5 ABSTRACT AMIR HAMZAH MUHIDDIN. Modeling of Artificial Neural Networks for Identification of Lemuru Schools Using Hydroacoustic Descriptors. Supervised by INDRA JAYA, TOTOK HESTIRIANOTO and DANIEL R. MONINTJA In this dissertation, Back Propagation Artificial Neural Networks (BPANN) model was used to identify schools of lemuru (Sardinella lemuru) utilizing hydroacoustic descriptors. Statistical methods of Cluster Analysis and Discriminant Function Analysis were used for comparison. Hydroacoustic descriptor approach categorized as morphometric, bathymetric, and energetic descriptors was performed by using 15 types of hydroacoustic descriptors. The 15-descriptor types were extracted from 114 fish schools echogram of which 58 were identified (training data) while the other 56 schools were unidentified (testing data). Cluster analysis was performed on 35 fish school training data and 56 fish school testing data, each with 11 descriptors, while discriminant analysis was performed on 56 school testing data which had previously been identified with cluster analysis and 15 hydroacoustic descriptors. Results of cluster analysis showed that +89% of the 56 schools were lemuru (50 schools) with 4 fish species school namely lemuru (12 schools), protolan (15 schools), sempenit (16 schools), and combination (7 schools), while remaining 11% (6 schools) were non-lemuru schools. Using discriminant analysis, classification of 56 fish schools can be obtained with 98.2% accuracy; only 1 school of sempenit species was identified as combination of fish school, whereas the other 55 schools were correctly classified. Further, 8 key descriptors of the school were found, namely length (L), height (H), area (A), perimeter (P), Elongation (E) from morphometric descriptor category, Relative Altitude (Trel) from bathymetric descriptor category, and mean backscattering energy (Er) and Density (Dv) from energetic descriptor category. Three neural models were used in this dissertation: (1) Back Propagation Neural Network 1 (BPANN1), (2) BPANN2, and (3) BPANN3. BPANN1 was network with 8 key descriptors obtained from discriminant statistical analysis on input layer. BPANN2 was a network that used the same 15 input descriptors data with those used in statistical method. BPANN3 was network that used descriptors obtained from analysis of degree of descriptor s contribution in BPANN2 with the same number of input descriptors as in BPANN1, but with different descriptor category. These methods used 114 fish schools with 15 hydroacoustic descriptors. After simulating several alternative models, the selected network models in this dissertation was network model 8(8-1) for BPANN1 and BPANN3, model with one hidden layer and 8 unit cells on input layer and 8 unit cell on hidden layer, whereas BPANN2 used network model 15(15-1), network model with 15 unit cells on input layer and 15 unit cells on hidden layer. In order to obtain optimal identification results, final composition of training and testing data used in Back Propagation Neural Network was 84 data patterns in training data and 30 data patterns in testing data. With this composition, degrees of identification accuracy for BPANN1, BPANN2, and BPANN3 were 100%, 70%, and 73.3% and with number of iteration were 10, 32, and 14, respectively. Results from pareto
6 contribution analysis on BPANN2 showed that from 15 descriptor types used, only morphometric and energetic descriptor categories play major roles in this analysis. The descriptors from morphometric category were perimeter (P), length (L), area (A), elongation (E), and height (H), while descriptors from energetic category were kurtosis (K), skewness (S), and mean intensity of back-scattering (Er). These descriptors were then used as input descriptors for BPANN3. In conclusion: 1) Statistical method and Back Propagation Neural Network can be well utilized to identify and classify pelagic fish schools, 2) Morphometric of fish schools played a larger role in identification and classification process compared to energetic and bathymetric, 3) Ideal neural network model was 8(8-1) for BPANN1 and BPANN3, and 15(15-1) for BPANN2, 4) In order to obtain optimum degree of accuracy, a maximum number of fish schools to be identified in the computation was 35.7% of total available training data. Keywords: identification, lemuru schools, hydroacoustic descriptor, artificial neural networks method.
7 Hak cipta milik Institut Pertanian Bogor, tahun 2007 Hak cipta dilindungi Undang-undang 1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumber a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah b. Pengutipan tidak merugikan kepentingan yang wajar IPB 2. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apapun tanpa izin IPB
8 PEMODELAN JARINGAN SARAF TIRUAN (Artificial Neural Networks) UNTUK IDENTIFIKASI KAWANAN LEMURU DENGAN MENGGUNAKAN DESKRIPTOR HIDROAKUSTIK AMIR HAMZAH MUHIDDIN Disertasi Sebagai salah satu syarat untuk memperoleh gelar Doktor pada Departemen Pemanfaatan Sumberdaya Perikanan SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007
9 LEMBAR PENGESAHAN Judul Disertasi Nama NIM Program Studi : Pemodelan Jaringan Saraf Tiruan (Artificial Neural Networks) Untuk Identifikasi Kawanan Lemuru Dengan Menggunakan Deskriptor Hidroakustik : Amir Hamzah Muhiddin : C : Teknologi Kelautan Disetujui, Komisi Pembimbing Dr. Ir. Indra Jaya, MSc. Ketua Dr. Ir. Totok Hestirianoto, MSc. Anggota Prof. Dr. Ir. Daniel R. Monintja Anggota Diketahui, Program Studi Teknologi Kelautan Ketua, Dekan Sekolah Pascasarjana IPB, Prof.Dr.Ir. John Haluan.MSc Prof. Dr.Ir.Khairil Anwar Notodiputro.MS Tanggal Ujian : Tanggal Lulus :
10 RIWAYAT HIDUP Penulis lahir di Jakarta pada tanggal 20 November 1963, sebagai anak ketiga dari enam bersaudara pasangan Bapak Hammad Muhiddin dan Ibu Hadawijah. Pendidikan Sekolah Dasar, Sekolah Menengah Pertama, Sekolah Menengah Atas ditempuh di Ujung Pandang. Setamat SMA tahun 1982 penulis melanjutkan pendidikan S1 di Institut Teknologi Bandung (ITB) melalui Program Perintis I di Jurusan Teknik Geodesi. Penulis menyelesaikan pendidikan di ITB tahun 1990 dengan skripsi berjudul Hitungan tiga dimensi dengan kontrol tinggi untuk penentuan posisi horisontal skripsi yang berkaitan dengan Teknologi Global Positioning System (GPS). Sebelum dan setelah menyelesaikan studi di ITB penulis terlibat dalam beberapa kegiatan survey topografi dan hidrografi di beberapa daerah. Tahun 1992 hingga saat ini penulis bekerja di Universitas Hasanuddin (UNHAS) sebagai staf pengajar di Jurusan Ilmu Kelautan dan bertugas di Laboratorium Geomorfologi dan Menejemen Pantai. Sebelum melanjutkan pendidikan ke Institut Pertanian Bogor (IPB), dengan beasiswa UCE- CEPI Kanada penulis mengikuti kursus bahasa Inggris selama 9 bulan di IALF Denpasar Bali dan melanjutkan pendidikan S2 di University of Waterloo Kanada dalam bidang lingkungan tetapi karena sesuatu hal pendidikan tersebut tidak penulis selesaikan. Dengan beasiswa BPPS, penulis melanjutkan pendidikan S2 di Program Studi Teknologi Kelautan IPB tahun 2000 dan menyelesaikan pendidikan S2 dengan thesis berjudul Pengamatan sinoptik sifat optik Perairan Muara Sungai Cimandiri Teluk Pelabuhan Ratu pada Januari 2003, thesis yang berkaitan dengan bidang pengindraan jauh kelautan. Saat ini penulis juga tercatat sebagai dosen luar biasa di Fakultas Teknik Universitas Muslim Indonesia Makassar.
11 PRAKATA Penggunaan Metode Jaringan Saraf Tiruan untuk mengidentifikasi kawanan ikan lemuru termasuk relatif baru. Sebelumnya metode yang digunakan untuk itu adalah Metode Statistik. Beberapa keunggulan Metode Jaringan Saraf Tiruan terhadap Metode Statistik menjadikan metode ini menarik untuk diteliti. Penulis mencoba mempelajari faktor-faktor yang berkaitan dengan penggunaan jaringan saraf tiruan dalam bidang perikanan. Dengan selesainya penelitian dan tulisan disertasi ini, penulis menyampaikan ucapan terima kasih kepada Bapak Dr. Ir. Indra Jaya, Msc., sebagai ketua komisi pembimbing, Bapak Dr. Ir. Totok Hestirianoto, MSc., dan Bapak Prof. Dr. Ir. Daniel R. Monintja masing-masing sebagai anggota komisi pembimbing atas bimbingan, saran dan kritik yang diberikan selama masa penelitian dan penulisan disertasi ini. Khusus kepada Bapak Prof. Dr. Ir. Daniel R. Monintja penulis mengucapkan banyak terimakasih atas kemudahan yang diberikan kepada penulis sehingga penulis dapat langsung meneruskan pendidikan S2 ke S3 di PS.TKL IPB. Ucapan terima kasih juga disampaikan kepada Bapak Ir. Duto Nugroho, MSi.(Kepala BRPL-DKP), dan Dr. Ir. Bambang Sadatomo, MSc. (Peneliti senior BRPL-DKP) atas kesempatan yang diberikan untuk mengikuti pelayaran survey akustik jalur Semarang-Tarakan yang sangat berkesan bagi penulis dan juga atas bantuan data akustik yang diberikan. Terima kasih juga penulis haturkan kepada rekan-rekan alumni ITB di BPPT, Dr. Ir. Ridwan Djamaluddin, M.Sc., Ir. Amarsyah di Departemen Kelautan dan Perikanan Gambir, dan rekan-rekan alumni ITB lainnya yang telah membantu menyediakan data survei akustik Selat Bali tahun 1998, 1999, 2000 yang penulis gunakan sebagai data penelitian dalam disertasi ini. Tidak lupa diucapkan terima kasih kepada kamerad Syaiful Akbar, David Pranata, Ultra Syahbunan, dan Arwin Lubis atas segala dukungan moral dan materil yang diberikan. Kepada seluruh rekan-rekan mahasiswa, staf pengajar dan administrasi Program Studi Teknologi Kelautan (PS TKL) IPB diucapkan terima kasih atas dukungan dan bantuannya selama ini dan kepada rekan Fauziyah diucapkan terima kasih atas izin untuk menggunakan dan memodifikasi Program ADA-2004.
12 Kepada Rektor Universitas Hasanuddin, Rektor Institut Pertanian Bogor, dan Direktur Jenderal Pendidikan Tinggi Departemen Pendidikan Nasional diucapkan terima kasih atas kesempatan dan bantuan beasiswa yang diberikan selama penulis menempuh pendidikan di IPB. Terakhir kepada kedua orang tua, anak (Dhila, Dayat, dan Iba), istri (Niar), dan saudara-saudara tercinta atas dukungan moral dan materil yang diberikan terus menerus penulis mengucapkan beribu terima kasih. Semoga seluruh bantuan yang diberikan bernilai ibadah dan diberikan balasan yang setimpal dari Allah SWT. Bogor, April 2007 Penulis
13 DAFTAR ISI Halaman DAFTAR ISI... DAFTAR TABEL... DAFTAR GAMBAR... DAFTAR LAMPIRAN... GLOSARI xii xv xvii xx xxi 1 PENDAHULUAN Latar Belakang Batasan Masalah Tujuan Manfaat Penelitian Hipotesis TINJAUAN PUSTAKA Jaringan Saraf Tiruan Sel saraf tiruan (artificial neural) Koneksitas sel saraf tiruan (topology) Aturan pembelajaran (learning rule) Arsitektur JST Aplikasi JST dalam bidang perikanan Ikan Pelagis Kawanan dan gerombolan ikan pelagis Struktur kawanan ikan pelagis Ukuran kawanan ikan pelagis Bentuk kawanan ikan pelagis METODOLOGI Data Akustik Pemrosesan data akustik Data hasil tangkapan Matriks data akustik xii
14 Halaman 3.2 Hitungan Nilai Deskriptor Deskriptor Akustik Identifikasi, Klasifikasi dan Penentuan Deskriptor Utama dengan Metode Statistik Arsitektur JST Rancangan Awal JST Validasi Silang Hasil Validasi Silang DESKRIPTOR HIDROAKUSTIK KAWANAN IKAN PELAGIS Pendahuluan Metode Penelitian Hasil Analisis korelasi Analisis komponen utama Pembahasan Kesimpulan IDENTIFIKASI DAN KLASIFIKASI KAWANAN IKAN PELAGIS DENGAN METODE STATISTIK Pendahuluan Metode Penelitian Hasil Analisis gerombol Analisis diskriminan Pembahasan Kesimpulan IDENTIFIKASI DAN KLASIFIKASI KAWANAN IKAN PELAGIS DENGAN JARINGAN SARAF TIRUAN PERAMBATAN BALIK Pendahuluan Metode Penelitian Perancangan awal dan pelatihan JSTPB Perancangan akhir dan uji coba JSTPB Hasil Hasil perancangan awal dan pelatihan JSTPB Hasil perancangan akhir dan uji coba JSTPB Pembahasan Kesimpulan xiii
15 Halaman 7 PEMBAHASAN UMUM Karakteristik Kawanan Lemuru Jaringan Saraf Tiruan Perambatan Balik KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN xiv
16 DAFTAR TABEL Halaman 1 Contoh deskriptor yang digunakan untuk identifikasi sardine, anchovy, dan horse mackarel (Haralabous & Georgakarakos, 1996) 21 2 Deskriptor hidroakustik (Fauziyah, 2005) Rangkuman nilai rataan dan koefisien keragaman (kk dalam %) deskriptor morfometrik kawanan ikan berdasarkan selang waktu pengukuran Matriks korelasi antar deskriptor morfometrik Rangkuman nilai rataan dan koefisien keragaman (kk dalam %) deskriptor batimetrik kawanan ikan berdasarkan selang waktu pengukuran Matriks korelasi antar deskriptor batimetrik Rangkuman nilai rataan dan koefisien keragaman (kk dalam %) deskriptor energetik kawanan ikan berdasarkan selang waktu pengukuran Matriks korelasi antar deskriptor energetik Matriks korelasi antar deskriptor morfometrik, batimetrik, dan energetik Deskriptor hidroakustik untuk analisis statistik (Fauziyah, 2005) Kelompok kawanan ikan hasil analisis gerombol Hasil pengelompokan 56 kawanan ikan (data A) dengan Metode Analisis Gerombol Terbimbing Nilai rataan deskriptor pada masing-masing kelompok Koefisien fungsi diskriminan dan struktur matriks fungsi Eigenvalue dari kempat fungsi diskriminan Hasil klasifikasi dengan Metode Analisis Diskriminan xv
17 Halaman 17 Perbandingan hasil pelatihan beberapa metode pelatihan JSTPB model 8(5-1) dengan menggunakan data pelatihan yang sama Perbandingan hasil pelatihan berdasarkan arsitektur jaringan yang berbeda dengan fungsi aktivasi tansig-purelin Deskriptor pada unit sel masukan JSTPB Hasil identifikasi dan klasifikasi dengan JSTPB Hasil identifikasi dan klasifikasi dengan JSTPB Deskriptor pada unit sel masukan JSTPB Hasil identifikasi dan klasifikasi dengan JSTPB Rangkuman hasil identifikasi dan klasifikasi dengan metode yang berbeda xvi
18 DAFTAR GAMBAR Halaman 1 Jaringan sel saraf biologi Sebual sel saraf dengan masukan tunggal Sebuah sel saraf dengan r masukan Pemrosesan umpan balik Arsitektur JSTPB sederhana JST dengan satu lapisan, dengan r masukan dan s buah sel saraf Arsitektur JST umpan maju (feed-forward) dengan banyak lapisan JST dengan banyak lapisan (multi layer) dengan r masukan dan s buah sel saraf Contoh deskriptor citra akustik kawanan ikan dengan intensitas hamburan balik yang berbeda pada setiap titik pikselnya Sardinella lemuru Bleeker, 1853 (DKP) Bentuk berlian dalam kawanan ikan (He, 1989) Bentuk-bentuk kawanan ikan yang terdeteksi dengan peralatan Sonar (He, 1989) Pola sebaran ikan di dalam kolom air (Reid, 2000) Diagram alir metode penelitian Lintasan survei kapal Baruna Jaya IV di Selat Bali tahun 1998, 1999, Deskriptor hidroakustik kawanan ikan pelagis Diagram alir analisis deskriptor hidroakustik xvii
19 Halaman 18 Citra akustik kawanan ikan setelah proses binerisasi (b) dan sebelumnya (a) Hasil plot AKU deskriptor hidroakustik Karakteristik deskriptor hasil AKU pada malam dan siang hari Diagram alir identifikasi dan klasifikasi dengan Metode Statistik Contoh beberapa citra akustik kawanan ikan di Selat Bali Posisi anggota kelompok kelima kawanan ikan terhadap fungsi diskriminan 1 dan Karakteristik 8 deskriptor utama dari kelima kelompok kawanan ikan Diagram alir proses perancangan hingga operasional JSTPB Grafik fungsi aktivasi Sigmoid Bipolar dan Linier Diagram alir algoritma jaringan Grafik hasil pelatihan dengan jumlah unit sel masukan yang berbeda (a) Jumlah unit masukan Vs Jumlah iterasi (b) Jumlah unit sel masukan Vs MSE Grafik hasil pelatihan dengan jumlah unit sel lapisan tersembunyi yang berbeda (a) Jumlah unit sel tersembunyi Vs Jumlah iterasi (b) Jumlah unit sel tersembunyi Vs MSE Grafik hasil pelatihan berdasarkan arsitektur jaringan yang berbeda dengan fungsi aktivasi tansig-purelin (a) Model JSTPB Vs Jumlah iterasi (b) Model JSTPB Vs MSE Grafik hasil pelatihan dengan jumlah pola masukan yang berbeda (a) Jumlah pola masukan Vs Jumlah iterasi (b) Jumlah pola masukan Vs MSE Hasil simulasi data uji model JSTPB1 dengan arsitektur 8(8-1) dengan Metode Pelatihan Levenberg-Marquard Diagram Pareto JSTPB xviii
20 Halaman 34 Hasil simulasi data uji model JSTPB2 15(15-1) dengan Metode Pelatihan Levenberg-Marquard Diagram Pareto JSTPB Hasil simulasi data uji model JSTPB3 8(8-1) dengan Metode Pelatihan Levenberg-Marquard Diagram Pareto JSTPB xix
21 DAFTAR LAMPIRAN Halaman 1 Data latih mentah Data latih dalam bentuk z-score Data latih dalam bentuk bipolar Histogram deskriptor hidroakustik data latih Data uji mentah Data uji dalam bentuk logaritmik Data uji dalam bentuk z-score Data uji dalam bentuk bipolar Histogram deskriptor hidroakustik data uji Hasil analisis gerombol Hasil analisis diskriminan Hasil hitungan JSTPB Hasil hitungan JSTPB Hasil hitungan JSTPB Jumlah iterasi Vs ketepatan dari seluruh model JSTPB Jumlah iterasi Vs ketepatan dari seluruh model JSTPB Jumlah iterasi Vs ketepatan dari seluruh model JSTPB Deskripsi, sebaran, dan produksi lemuru xx
22 GLOSARI DAFTAR ISTILAH Akustik (acoustics) Arsitektur (architecture) = Ilmu tentang suara yang mempelajari sifat perambatan suara di dalam suatu medium. = Deskripsi tentang jumlah sel, lapisan tersembunyi, fungsi aktivasi, dan koneksi antar lapisan. Bias = Parameter sel saraf yang ditambahkan ke masukan terbobot yang selanjutnya diproses oleh fungsi aktivasi. Bobot (weight) = Besaran pengali yang berfungsi menguatkan atau melemahkan masukan yang diberikan kedalam sebuah sel saraf. Citra akustik (echogram) Deskriptor (descriptor) Fungsi aktivasi (activation function) = Rekaman dari rangkaian gema yang divisualisasikan. = Variabel atau peubah yang menggambarkan ciri atau sifat dari pantulan akustik, baik berupa morfometrik, batimetrik, dan energetik. = Fungsi aktivasi adalah fungsi yang secara spesifik menentukan langkah yang harus dilakukan oleh sebuah sel setelah sel tersebut menerima sinyal terbobot. Gema (echo) = Gelombang suara yang dipantulkan obyek. Gerombolan (shoaling) Hamburan balik (backscattering) = Kelompok ikan yang terdiri dari beberapa kawanan ikan, bersifat tidak homogen, dan memiliki karakteristik masing-masing. = Jumlah energi per satuan waktu yang dipantulkan oleh target selama transmisi suara dari transducer. Iterasi (epoch) = Pengulangan yang dilakukan untuk pemrosesan data. Jaringan saraf tiruan (artificial neural networks) = Model yang dibuat untuk simulasi sistem saraf biologi. xxi
23 Jarak euklidean (D) (euclidean distance) Jaringan umpan maju (feedforward network) Kawanan (schooling) Kekuatan target (target strength) Klasifikasi (classification) = Jarak antara vektor 1(x 1, x 2,,x n ) dan 2(y 1, y 2,,y n ) yang n 2 2 dihitung dengan D 12 = (xi yi ) i= 1 = Lapisan jaringan yang hanya menerima masukan dari lapisan sebelumnya. = Salah satu kelompok dari gerombolan, bersifat homogen, tersinkronisasi dan terpolarisasi ketika beruaya. = Rasio intensitas gema yang diukur pada jarak 1m dari permukaan transducer dengan intensitas yang datang mengenai target. = Asosiasi antar vektor masukan dan vektor target. Lemuru campuran = Kawanan ikan yang tercampur yang terdiri dari sempenit, protolan, dan lemuru. Lemuru protolan = Lemuru yang berukuran panjang total antara 11-15cm. Lemuru sempenit = Lemuru yang berukuran panjang total kurang dari 11cm. Pelatihan (training) Perambatan balik (back propagation) = Proses yang dilakukan terhadap setiap masukan terbobot dan bias agar jaringan mencapai kondisi tertentu yang diinginkan. = Metode pelatihan terbimbing dimana galat di rambatkan balik ke lapisan dibawahnya dengan terlebih dahulu diberi bobot. Perceptron = Jaringan lapisan tunggal dengan fungsi aktivasi biner. Sel saraf (neuron) = Elemen dasar pemrosesan pada jaringan saraf. xxii
24 DEFINISI DESKRIPTOR Batimetrik (bathymetric) Dimensi fraktal (fractal dimension) = Posisi kawanan ikan dalam kolom perairan = Bangun dengan dimensi bukan bilangan bulat. Elongasi (elongation) Energetik (energetic) Kedalaman minimum (minimum depth) Ketinggian minimum (minimum altitude) Ketinggian relatif (relative altitude) Kurtosis = Rasio antara panjang dan tinggi kawanan = Sifat internal kawanan dilihat dari pancaran energinya. = Jarak terdekat antara permukaan laut dengan kawanan. = Jarak terdekat antara dasar perairan dengan kawanan. = Rasio antara rataan ketinggian kawanan dengan kedalaman perairan (%) = Ukuran yang digunakan dalam menentukan ekor dan puncak suatu sebaran. Luas = Total pixel dalam citra akustik kawanan ikan. Panjang (length) = Jarak antar pixel terdepan dan terbelakang dari kawanan. Rataan energi akustik (mean acoustic energy) Rataan kedalaman (mean depth) Skewness = Energi akustik dari pixel atau backscattering cross section. = Jarak dari permukaan laut ke titik tengah kawanan. = Kemenjuluran, menyatakan sifat sebaran terhadap nilai rataannya. Tinggi (height) = Jarak antara sel tertinggi dan terendah dari kawanan ikan. xxiii
25 DAFTAR SINGKATAN ADA-2004 = Acoustics Descriptor Analyzer Version 2004 AFD = Analisis Fungsi Diskriminan AG = Analisis Gerombol AKU = Analisis Komponen Utama JST = Jaringan Saraf Tiruan JSTPB = Jaringan Saraf Tiruan Perambatan Balik MDA = Matriks Data Akustik MSE = Mean Square Error SV = Backscattering Volume TS = Target Strength xxiv
PEMODELAN JARINGAN SARAF TIRUAN (Artificial Neural Networks) UNTUK IDENTIFIKASI KAWANAN LEMURU DENGAN MENGGUNAKAN DESKRIPTOR HIDROAKUSTIK
PEMODELAN JARINGAN SARAF TIRUAN (Artificial Neural Networks) UNTUK IDENTIFIKASI KAWANAN LEMURU DENGAN MENGGUNAKAN DESKRIPTOR HIDROAKUSTIK AMIR HAMZAH MUHIDDIN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
Lebih terperinciCitra akustik Ikan Uji. Matriks Data Akustik. Hitungan Deskriptor. 15 Desk. teridentifikasi. 8 Desk. utama. Rancangan awal JSTPB JSTPB1
3 METODOLOGI Secara garis besar metode penelitian dalam disertasi ini berkaitan dengan permasalahan identifikasi kawanan ikan secara hidroakustik yang berkaitan dengan pengukuran dan pemrosesan data hidroakustik,
Lebih terperinci6 IDENTIFIKASI DAN KLASIFIKASI KAWANAN IKAN PELAGIS DENGAN JARINGAN SARAF TIRUAN PERAMBATAN BALIK
6 IDENTIFIKASI DAN KLASIFIKASI KAWANAN IKAN PELAGIS DENGAN JARINGAN SARAF TIRUAN PERAMBATAN BALIK 6.1 Pendahuluan Seperti telah diketahui, terdapat banyak sekali model jaringan saraf tiruan (JST) (Fauset,
Lebih terperinciHASIL DAN PEMBAHASAN 4.1 Pengambilan data akustik ikan
IV HASIL DAN PEMBAHASAN 4.1 Pengambilan data akustik ikan Data akustik yang dikumpulkan dalam penelitian ini meliputi 3 (tiga) jenis ikan yaitu ikan mas, nila dan patin masing-masing sebanyak 5 ekor. Pengambilan
Lebih terperinci5 IDENTIFIKASI DAN KLASIFIKASI KAWANAN IKAN PELAGIS DENGAN METODE STATISTIK
5 IDENTIFIKASI DAN KLASIFIKASI KAWANAN IKAN PELAGIS DENGAN METODE STATISTIK 5.1 Pendahuluan Dalam bidang perikaan, metode statistik adalah metode analisis yang paling sering digunakan dalam melakukan identifikasi
Lebih terperinciIII METODE PENELITIAN
III METODE PENELITIAN 3.1 Lokasi dan Waktu Penelitian Penelitian ini dilakukan di Waduk Ir. H. Djuanda dan Laboratorium Akustik Fakultas Perikanan dan Ilmu Kelautan IPB Bogor. Kegiatan penelitian ini terbagi
Lebih terperinciI PENDAHULUAN 1.1. Latar belakang
I PENDAHULUAN 1.1. Latar belakang Perairan umum daratan Indonesia memiliki keanekaragaman jenis ikan yang tinggi, sehingga tercatat sebagai salah satu perairan dengan mega biodiversity di Indonesia. Komisi
Lebih terperinciMODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG
MODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini
Lebih terperinciADLN - Perpustakaan Universitas Airlangga ABSTRAK. viii
Muhammad Arif Santoso, 2015. Peramalan Penjualan Produk Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine. Skripsi ini dibawah bimbingan Auli Damayanti,S.Si, M.Si dan Dr. Herry Suprajitno,
Lebih terperinciPENENTUAN KARAKTERISTIK KAWANAN IKAN PELAGIS DENGAN MENGGUNAKAN DESKRIPTOR AKUSTIK
PENENTUAN KARAKTERISTIK KAWANAN IKAN PELAGIS DENGAN MENGGUNAKAN DESKRIPTOR AKUSTIK (Determination of Pelagic Fish Schools Characteristics Using Acoustic Descriptors) Fauziyah 1 dan Indra Jaya 2 ABSTRAK
Lebih terperinciMODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG
MODEL PERAMALAN HARGA SAHAM DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK TRIANA ENDANG SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK ACOUSTIC DESCRIPTOR ANALYZER (ADA-VERSI 2004) UNTUK IDENTIFIKASI KAWANAN IKAN PELAGIS
PENGEMBANGAN PERANGKAT LUNAK ACOUSTIC DESCRIPTOR ANALYZER (ADA-VERSI 2004) UNTUK IDENTIFIKASI KAWANAN IKAN PELAGIS (Development of Acoustics Descriptor Analyzer (ADA- version 2004) for Pelagic Fish School
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 terperinciIDENTIFIKASI DAN KLASIFIKASI KAWANAN LEMURU SELAT BALI BERDASARKAN DATA HIDROAKUSTIK DENGAN METODE STATISTIK
IDENTIFIKASI DAN KLASIFIKASI KAWANAN LEMURU SELAT BALI BERDASARKAN DATA HIDROAKUSTIK DENGAN METODE STATISTIK Identification and Classification of Lemuru Schoal of Bali Strait Based on Hydroaccoustics Data
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI
PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September
Lebih terperinciIDENTIFIKASI DAN KLASIFIKASI KAWANAN LEMURU SELAT BALI BERDASARKAN DATA HIDROAKUSTIK DENGAN METODE STATISTIK
IDENTIFIKASI DAN KLASIFIKASI KAWANAN LEMURU SELAT BALI BERDASARKAN DATA HIDROAKUSTIK DENGAN METODE STATISTIK Identification and Classification of Lemuru Schoal of Bali Strait Based on Hydroaccoustics Data
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 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciMUHAMMAD SULAIMAN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR
PENDEKATAN AKUSTIK DALAM STUDI TINGKAH LAKU IKAN PADA PROSES PENANGKAPAN DENGAN ALAT BANTU CAHAYA (THE ACOUSTIC APPROACH TO FISH BEHAVIOUR STUDY IN CAPTURE PROCESS WITH LIGHT ATTRACTION) MUHAMMAD SULAIMAN
Lebih terperinciIDENTIFIKASI, KLASIFIKASI DAN ANALISIS STRUKTUR SPESIES KAWANAN IKAN PELAGIS BERDASARKAN METODE DESKRIPTOR AKUSTIK FAUZIYAH
IDENTIFIKASI, KLASIFIKASI DAN ANALISIS STRUKTUR SPESIES KAWANAN IKAN PELAGIS BERDASARKAN METODE DESKRIPTOR AKUSTIK FAUZIYAH SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2005 PERNYATAAN MENGENAI
Lebih terperinciPENGEMBANGAN ALGORITMA PEMUTUAN EDAMAME MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN DEDY WIRAWAN SOEDIBYO
PENGEMBANGAN ALGORITMA PEMUTUAN EDAMAME MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN DEDY WIRAWAN SOEDIBYO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS
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 terperinciPERANCANGAN SISTEM KONTROL POSISI DAN KECEPATAN PADA KAPAL SELAM MENGGUNAKAN JARINGAN SARAF TIRUAN
ABSTRAK PERANCANGAN SISTEM KONTROL POSISI DAN KECEPATAN PADA KAPAL SELAM MENGGUNAKAN JARINGAN SARAF TIRUAN Agus Syahril / 0322013 Jurusan Teknik Elektro, Fakultas Teknik Universitas Kristen Maranatha Jl.
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 terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
Lebih terperinciANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD SKRIPSI
ANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD SKRIPSI SISKA MELINWATI 061401040 PROGRAM STUDI SARJANA ILMU KOMPUTER DEPARTEMEN
Lebih terperinci2 TINJAUAN PUSTAKA. Gambar 1 Jaringan sel saraf biologi (Artificial Neural Networks in Medicine Juli 2005).
2 TINJAUAN PUSTAKA 2.1 Jaringan Saraf Tiruan Jaringan saraf manusia tersusun atas 10 10 sel saraf yang masing-masing selnya tersambung dengan 10 3 hingga 10 5 sel saraf. membentuk suatu jaringan yang sangat
Lebih terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih 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 terperinciPENGUKURAN KARAKTERISTIK AKUSTIK SUMBER DAYA PERIKANAN DI LAGUNA GUGUSAN PULAU PARI KEPULAUAN SERIBU
PENGUKURAN KARAKTERISTIK AKUSTIK SUMBER DAYA PERIKANAN DI LAGUNA GUGUSAN PULAU PARI KEPULAUAN SERIBU Oleh: Arief Wijaksana C64102055 PROGRAM STUDI ILMU DAN TEKNOLOGI KELAUTAN FAKULTAS PERIKANAN DAN ILMU
Lebih terperinciPENGEMBANGAN TEKNIK PENENTUAN DINI JENIS KELAMIN KOI 1
PENGEMBANGAN TEKNIK PENENTUAN DINI JENIS KELAMIN KOI 1 (Development of a Technique for Early Sexing of Koi (Ornamental Carp)) Indra Jaya 2 dan Muhammad Iqbal 2 ABSTRAK Salah satu faktor utama yang dihadapi
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2004/2005
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2004/2005 PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANS FORMAS I WAVELET DIS KRIT D AN JARINGAN S ARAF
Lebih terperinciPERBANDINGAN HASIL KLASIFIKASI ANALISIS DISKRIMINAN DAN JARINGAN SYARAF TIRUAN
TUGAS AKHIR - ST 1325 PERBANDINGAN HASIL KLASIFIKASI ANALISIS DISKRIMINAN DAN JARINGAN SYARAF TIRUAN ANANG SETIYO BUDI NRP 1303 100 060 Dosen Pembimbing Dra. Kartika Fitriasari, M.Si Adatul Mukarromah,
Lebih terperinciPERBANDINGAN HASIL PENGGEROMBOLAN METODE K-MEANS, FUZZY K-MEANS, DAN TWO STEP CLUSTER
PERBANDINGAN HASIL PENGGEROMBOLAN METODE K-MEANS, FUZZY K-MEANS, DAN TWO STEP CLUSTER LATHIFATURRAHMAH SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN MENGENAI TUGAS AKHIR DAN SUMBER
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 terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 Peramalan Harga Indeks Saham Hang Seng dengan Menggunakan Jaringan
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 terperinciKarakteristik Shoaling Ikan Pelagis Menggunakan Data Akustik Split Beam di Perairan Selat Bangka Pada Musim Timur
ISSN 0853-7291 Karakteristik Shoaling Ikan Pelagis Menggunakan Data Akustik Split Beam di Perairan Selat Bangka Pada Musim Timur Fauziyah, Hartoni dan Agussalim A Jl. Lingkar Kampus UNSRI Inderalaya PS
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 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 terperinciLAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM
LAPORAN SKRIPSI DETEKSI KANKER OTAK PADA DATA MRI MELALUI JARINGAN SYARAF TIRUAN DENGAN EKSTRAKSI FITUR DISCRETE WAVELET TRANSFORM Oleh : Saeful Anwar 2009-51-030 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT
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 terperinci1 PENDAHULUAN 1.1 Latar Belakang
1 PENDAHULUAN 1.1 Latar Belakang Survei hidroakustik dalam bidang perikanan dilakukan dengan tujuan untuk memperkirakan stok ikan di suatu perairan. Untuk memenuhi harapan tersebut, survei-survei yang
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 terperinci3 METODE PENELITIAN 3.1 Waktu dan Lokasi Penelitian 3.2 Kapal Survei dan Instrumen Penelitian
3 METODE PENELITIAN 3.1 Waktu dan Lokasi Penelitian Penelitian ini merupakan bagian dari Ekspedisi Selat Makassar 2003 yang diperuntukkan bagi Program Census of Marine Life (CoML) yang dilaksanakan oleh
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLOBAL FEATURE EXTRACTION, MOMEN INVARIAN DAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION ABSTRAK Eka Putri Tambun (0722118) Jurusan Teknik Elektro Universitas Kristen
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 terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih 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 terperinciEstimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan
Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan Andi Ihwan 1), Yudha Arman 1) dan Iis Solehati 1) 1) Prodi Fisika FMIPA UNTAN Abstrak Fluktuasi suhu udara berdasarkan
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciBAB 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 terperinciANALISIS BIPLOT UNTUK MEMETAKAN MUTU SEKOLAH YANG SESUAI DENGAN NILAI UJIAN NASIONAL SUJITA
ANALISIS BIPLOT UNTUK MEMETAKAN MUTU SEKOLAH YANG SESUAI DENGAN NILAI UJIAN NASIONAL SUJITA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan
Lebih terperinciINTERPRETASI SEB NILAI TARGET STRENGTH (TS) DAN DENSITAS DEmRSAL DENGAN BlETODE AIE)ROAKUSTIK DI TELUK PELABUWAN RATU
INTERPRETASI SEB NILAI TARGET STRENGTH (TS) DAN DENSITAS DEmRSAL DENGAN BlETODE AIE)ROAKUSTIK DI TELUK PELABUWAN RATU Oleh: Munawir C64102020 PR AN TEKNOLOGI KELAUTAN AN DAN I Lm KELAUTAN INSTITUT PERTANLAN
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 terperinciPERBANDINGAN HASIL PEMODELAN ARTIFICIAL NEURAL NETWORKS DAN KERNEL SMOOTHING PADA DATA REGRESI NON LINIER
TUGAS AKHIR - ST 1325 PERBANDINGAN HASIL PEMODELAN ARTIFICIAL NEURAL NETWORKS DAN KERNEL SMOOTHING PADA DATA REGRESI NON LINIER ADITYA HIDAYAT JATI NRP 1302100044 Dosen Pembimbing Dra. Kartika Fitriasari,
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 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 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 terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
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 terperinciIDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN
IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN Galih Probo Kusuma, Dr Melania Suweni Muntini, MT Jurusan Fisika Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciFAKULTAS ILMU DAN TEKNOLOGI KEBUMIAN
PERBANDINGAN APLIKASI METODE REGRESI LINIER BERGANDA DAN JARINGAN SYARAF TIRUAN DALAM PEMBUATAN PETA ZONA NILAI TANAH (StudiKasus: KecamatanRegol, Kota Bandung) TUGAS AKHIR Karyailmiah yang diajukansebagaisalahsatusyaratmemperolehgelarsarjana
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 terperinci3 METODOLOGI LAUT BALI. Pengambengan. 20 m. gs ratu. 200 m SAMUDERA INDONESIA
3 METODOLOGI 3.1 Tempat dan Waktu Penelitian Penelitian ini dilakukan pada bulan April 2003 Agustus 2004 di Laboratorium Akustik Fakultas Perikanan dan Ilmu Kelautan IPB Bogor dan UPT Baruna Jaya BPPT
Lebih terperinciKata kunci : Slant correction, jaringan saraf tiruan, multilayer perceptron, backpropagation.
SLANT CORRECTION MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER PERCEPTRON Disusun oleh : Nama : George L. Immanuel NRP : 0922080 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha
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 terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK ECG atau elektrocardiogram merupakan suatu perekaman aktivitas listrik dari pola sinyal detak jantung. Aktivitas listrik dari sel yang dicatat secara grafik dengan perantaraan elektroda intrasel
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 terperinciPERBANDINGAN METODE INTERPOLASI ABRIDGED LIFE TABLE
PERBANDINGANN METODE INTERPOLASI ABRIDGED LIFE TABLE DAN APLIKASINYA PADA DATAA KEMATIAN INDONESIA VANI RIALITA SUPONO SEKOLAH PASCASARJANAA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS
Lebih terperinciPERAMALAN JUMLAH SAMPAH MASYARAKAT KOTA MEDAN PADA TAHUN 2016 MENGGUNAKAN JARINGAN SYARAF TIRUAN SKRIPSI YONA WULANDARI
PERAMALAN JUMLAH SAMPAH MASYARAKAT KOTA MEDAN PADA TAHUN 2016 MENGGUNAKAN JARINGAN SYARAF TIRUAN SKRIPSI YONA WULANDARI 120803065 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN JARINGAN SARAF TIRUAN ELMAN DENGAN ALGORITME GRADIENT DESCENT ADAPTIVE LEARNING RATE
PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN JARINGAN SARAF TIRUAN ELMAN DENGAN ALGORITME GRADIENT DESCENT ADAPTIVE LEARNING RATE oleh BETA VITAYANTI M0110012 SKRIPSI Ditulis dan diajukan untuk
Lebih terperinciANALISIS KAPASITAS PENANGKAPAN (FISHING CAPACITY) PADA PERIKANAN PURSE SEINE DI KABUPATEN ACEH TIMUR PROVINSI NANGGROE ACEH DARUSSALAM Y U S T O M
ANALISIS KAPASITAS PENANGKAPAN (FISHING CAPACITY) PADA PERIKANAN PURSE SEINE DI KABUPATEN ACEH TIMUR PROVINSI NANGGROE ACEH DARUSSALAM Y U S T O M SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009
Lebih terperinciSEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI
SEBARAN ASIMTOTIK PENDUGA KOMPONEN PERIODIK FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT RO FAH NUR RACHMAWATI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2010 PERNYATAAN
Lebih terperinciMODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA TUGAS AKHIR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
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 terperinciANALISIS VARIASI MUKA LAUT DI PERAIRAN SABANG, SIBOLGA, PADANG, CILACAP DAN BENOA MENGGUNAKAN METODE WAVELET
ANALISIS VARIASI MUKA LAUT DI PERAIRAN SABANG, SIBOLGA, PADANG, CILACAP DAN BENOA MENGGUNAKAN METODE WAVELET Oleh : Imam Pamuji C64104019 PROGRAM STUDI ILMU DAN TEKNOLOGI KELAUTAN FAKULTAS PERIKANAN DAN
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 terperinciPERBANDINGAN ANTARA UNWEIGHTED LEAST SQUARES (ULS) DAN PARTIAL LEAST SQUARES (PLS) DALAM PEMODELAN PERSAMAAN STRUKTURAL MUHAMMAD AMIN PARIS
PERBANDINGAN ANTARA UNWEIGHTED LEAST SQUARES (ULS) DAN PARTIAL LEAST SQUARES (PLS) DALAM PEMODELAN PERSAMAAN STRUKTURAL MUHAMMAD AMIN PARIS SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN
Lebih terperinciPENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN. Disusun oleh : Mario Herryn Tambunan ( )
PENGENALAN HURUF TULISAN TANGAN BERBASIS CIRI SKELETON DAN STATISTIK MENGGUNAKAN JARINGAN SARAF TIRUAN Disusun oleh : Mario Herryn Tambunan (1022056) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciPERBANDINGAN METODE PENDUGAAN PARAMETER DALAM PEMODELAN PERSAMAAN STRUKTURAL LA MBAU
v PERBANDINGAN METODE PENDUGAAN PARAMETER DALAM PEMODELAN PERSAMAAN STRUKTURAL LA MBAU Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Departemen Matematika SEKOLAH PASCASARJANA
Lebih terperinciUNIVERSITAS BINA NUSANTARA ANALISIS DAN PERANCANGAN PENGENALAN SIDIK JARI DENGAN METODE BIDIRECTIONAL ASSOCIATIVE MEMORY
UNIVERSITAS BINA NUSANTARA Pernyataan Kesiapan Skripsi Untuk Ujian Pendadaran Penyataan Penyusunan Skripsi Kami, Darwin Wibisono David Hariyanto Kusdyanto dengan ini menyatakan bahwa Skripsi yang berjudul
Lebih terperinciPRODUKTIVITAS PRIMER FITOPLANKTON DAN KAITANNYA DENGAN UNSUR HARA DAN CAHAYA DI PERAIRAN MUARA JAYA TELUK JAKARTA USMAN MADUBUN
PRODUKTIVITAS PRIMER FITOPLANKTON DAN KAITANNYA DENGAN UNSUR HARA DAN CAHAYA DI PERAIRAN MUARA JAYA TELUK JAKARTA USMAN MADUBUN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI
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 terperinciJARINGAN SYARAF TIRUAN UNTUK PENGENALAN JENIS KAYU BERBASIS CITRA G A S I M
JARINGAN SYARAF TIRUAN UNTUK PENGENALAN JENIS KAYU BERBASIS CITRA G A S I M SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 ABSTRAK Pengenalan jenis kayu yang sering dilakukan dengan menggunakan
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciMUHAMMAD SULAIMAN SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR
PENDEKATAN AKUSTIK DALAM STUDI TINGKAH LAKU IKAN PADA PROSES PENANGKAPAN DENGAN ALAT BANTU CAHAYA (THE ACOUSTIC APPROACH TO FISH BEHAVIOUR STUDY IN CAPTURE PROCESS WITH LIGHT ATTRACTION) MUHAMMAD SULAIMAN
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 terperinciKLASIFIKASI CITRA SATELIT MENGGUNAKAN JARINGAN SYARAF TIRUAN UNTUK MENGEKSTRAKSI TAMPAKAN PERMUKIMAN DAERAH PERKOTAAN
KLASIFIKASI CITRA SATELIT MENGGUNAKAN JARINGAN SYARAF TIRUAN UNTUK MENGEKSTRAKSI TAMPAKAN PERMUKIMAN DAERAH PERKOTAAN (Studi Kasus: Kota Bandarlampung) TESIS MAGISTER Diajukan untuk melengkapi tugas dan
Lebih terperinciPERBANDINGAN METODE KLASIFIKASI REGRESI LOGISTIK DAN JARINGAN SARAF TIRUAN PADA KASUS PENGKLASIFIKASIAN DATA DEMOGRAFI SKRIPSI
PERBANDINGAN METODE KLASIFIKASI REGRESI LOGISTIK DAN JARINGAN SARAF TIRUAN PADA KASUS PENGKLASIFIKASIAN DATA DEMOGRAFI SKRIPSI SITI HARDIANTI 070803022 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. menggunakan teknik statistik, matematika, kecerdasan buatan, tiruan dan machinelearning
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data mining adalah kombinasi secara logis antara pengetahuan data, dan analisa statistik yang dikembangkan dalam pengetahuan bisnis atau suatu proses yang menggunakan
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 terperinciPENGENALAN KARAKTER DAN MANAJEMEN DATABASE PADA FORMULIR ISIAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN KARAKTER DAN MANAJEMEN DATABASE PADA FORMULIR ISIAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) SKRIPSI ANTONI SIAHAAN 051401063 PROGRAM STUDI S-1 ILMU
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 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 terperinciPENGENALAN POLA PIN BARCODE MENGGUNAKAN METODE BACKPROPAGATION DAN METODE PERCEPTRON SKRIPSI ARDI HASIHOLAN
PENGENALAN POLA PIN BARCODE MENGGUNAKAN METODE BACKPROPAGATION DAN METODE PERCEPTRON SKRIPSI ARDI HASIHOLAN 091401072 PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS
Lebih terperinci