OPTIMASI KANDUNGAN GIZI SUSU KAMBING PERANAKAN ETAWA (PE) MENGGUNAKAN ELM-PSO DI UPT PEMBIBITAN TERNAK DAN HIJAUAN MAKANAN TERNAK SINGOSARI-MALANG
|
|
- Deddy Makmur
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal Teknolog Informas dan Ilmu Komputer (JTIIK) p-issn: Vol. 4, No. 1, Maret 2017, hlm e-issn: OPTIMASI KANDUNGAN GIZI SUSU KAMBING PERANAKAN ETAWA (PE) MENGGUNAKAN ELM-PSO DI UPT PEMBIBITAN TERNAK DAN HIJAUAN MAKANAN TERNAK SINGOSARI-MALANG Imam Cholssodn 1, Sutrsno 2, Aref Andy Soebroto 3, Latfah Hanum 4, Canny Amerlyse Caesar 5 1,2,3,4,5 Fakultas Ilmu Komputer Unverstas Brawjaya Emal: 1 mamcs@ub.ac.d, 2 trsno@ub.ac.d, 3 arefas@ub.ac.d, 4 hanum_latfah@ymal.com, 5 camerlyse@outlook.com (Naskah masuk: 30 Desember 2016, dterma untuk dterbtkan: 14 Februar 2017) Abstrak Susu merupakan salah satu sumber proten hewan yang mengandung semua zat yang dbutuhkan tubuh. Ternak penghasl susu utama d Indonesa yatu sap perah, namun produks susunya belum dapat mencukup kebutuhan masyarakat. Alternatfnya adalah kambng peranakan etawa (PE). Tnggnya kualtas kandungan gz susu sangat dpengaruh oleh beberapa faktor salah satunya, yatu faktor pakan. Bagan peternakan kambng PE d UPT Pembbtan Ternak dan Hjauan Makanan Ternak Sngosar-Malang mash menghadap permasalahan, yatu rendahnya kemampuan dalam memberkan komposs pakan terhadap kambng PE. Kekurangan tersebut berpengaruh terhadap kualtas susu yang dhaslkan. Dperlukan pengetahuan rekayasa kandungan gz susu untuk menentukan komposs pakan dalam menghaslkan susu premum dengan kandungan gz optmal. Penuls menggunakan metode Extreme Learnng Machne (ELM) dan Partcle Swarm Optmzaton (PSO) untuk membuat pemodelan pakan kambng dalam mengoptmas kandungan gz susu kambng. Dalam analsa pengujan konvergens menggunakan metode ELM-PSO yang dlakukan dengan kasus untuk berat badan kambng 32 kg, serta jens pakan yang dgunakan yatu rumput Odot 70% dan rumput Raja 30% menghaslkan sstem mencapa kestablan dalam konvergens pada teras ke-20 dengan ftness terbak yatu Kata Kunc: Susu Kambng, Optmas, Artfcal Neural Network (ANN), Partcle Swarm Optmzaton (PSO), Genetc Algorthm (GA), Kandungan Nutrs Pakan. Abstract Mlk s one of the anmal proten sources whch t contans all of the substances needed by human body. The man mlk producer cattle n Indonesa s dary cow, however ts mlk producton has not fulflled the socety needs. The alternatve s the goat, the Etawa crossbreed (PE). The hgh qualty of mlk nutrents content s greatly nfluenced by some factors one of them, s the food factor. The PE goat lvestock dvson of the UPT Cattle Breedng and the Cattle Food Greenery n Sngosar-Malang stll faces the problem, t s the low ablty n gvng the food composton for PE goat. Ths flaw affects the qualty of the produced mlk. It needs the artfcal scence of the mlk nutrents contans n order to determne the food composton to produce premum mlk wth the optmum nutrents contan. The wrter uses the method of the Extreme Learnng Machne (ELM) and the Partcle Swarm Optmzaton (PSO) to make the modelng of goat food n optmzng the content of goat mlk nutrents. In the analyss of the convergence that s done wth the case of 32 kg goat weght, also the food type used s the 70 % Odot grass and 30% Raja grass that system get a stablty on the 20 th teraton wth a ftness value s Keywords: Goat Mlk, Optmzaton, Extreme Learnng Machne (ELM), Partcle Swarm Optmzaton (PSO), The Food Nutrents Contan. 1. PENDAHULUAN Susu merupakan bahan makanan stmewa yang mengandung semua zat yang dbutuhkan tubuh yang mudah dcerna dan dmanfaatkan oleh tubuh. Susu merupakan jens bahan pangan hewan berupa caran puth yang dhaslkan oleh ternak mamala sepert sap, kerbau atapun kambng dan dperoleh dengan cara pemerahan (Hamdah, Sukada, & Swacta, 2012). Menurut Kepala Badan Kependudukan dan Keluarga Berencana Nasonal (BKKBN) Surya Chandra Surapaty menjelaskan bahwa laju 31 pertumbuhan penduduk Indonesa saat n mencapa 1,49% tap tahun dar jumlah penduduk Indonesa (Akuntono, 2015). Serng dengan bertambahnya populas penduduk dan pendapatan serta kesadaran masyarakat akan gz mengakbatkan kebutuhan proten hewan menjad menngkat sehngga perlu dlakukan pemenuhan kebutuhan proten hewan dengan cara menngkatkan salah satu produks ternak, yatu susu (Nur, Setyowat, & Wahyunngsh, 2015). Ternak penghasl susu utama d Indonesa adalah sap perah Peranakan Fresan Holsten (PFH) yang produks susunya relatf mash rendah.
2 32 Jurnal Teknolog Informas dan Ilmu Komputer (JTIIK), Vol. 4, No. 1, Maret 2017, hlm Rendahnya produks susu sap perah jens PFH tdak dapat mencukup kebutuhan proten hewan yang dbutuhkan oleh masyarakat. Ternak perah alternatf yang cocok untuk dkembangkan dan dapat dterma oleh masyarakat adalah kambng peranakan etawa (PE) (Nur, Setyowat, & Wahyunngsh, 2015). Kambng PE adalah salah satu penyeda proten hewan asal ternak berupa dagng atau susu. Salah satu kelebhan susu kambng adalah kandungan gznya relatf lebh lengkap dan sembang (Ftryanto, Astut, & Utam, 2013). Bagan peternakan kambng peranakan etawa (PE) d UPT Pembbtan Ternak dan Hjauan Makanan Ternak Sngosar-Malang mash menghadap permasalahan, yatu rendahnya kemampuan dalam memberkan treatment komposs pakan terhadap kambng peranakan etawa. Kekurangan tersebut selan mengakbatkan lambatnya pertumbuhan produks susu juga berpengaruh terhadap kualtas susu yang dhaslkan (Nugroho, 2010). Permasalahan rekayasa kandungan gz susu kambng agar dapat optmal tersebut dapat dselesakan dengan beberapa metode pemodelan. Pada peneltan yang sebelumnya, permasalahan rekayasa kandungan gz susu kambng dapat doptmalkan dengan menggunakan metode pemodelan Artfcal Neural Network (ANN) dan Genetc Algorthm (GA) serta Artfcal Neural Network (ANN) dan Partcle Swarm Optmzaton (PSO). Berdasarkan peneltan sebelumnya yang menggunakan metode ANN-GA, ddapatkan bahwa kandungan proten dengan kualtas susu premum untuk berat badan 36 kg adalah mengalam kenakan proten sebesar 0.707% dan penurunan lemak sebesar 0.879% setelah dlakukan proses optmas (Amerlyse, Hanum & Cholssodn, 2016). Sedangkan, berdasarkan peneltan sebelumnya yang menggunakan metode ANN-PSO, ddapatkan bahwa kenakan kandungan proten dengan kualtas susu premum untuk berat badan 36 kg adalah % dan penurunan kandungan lemak sebesar % setelah doptmas (Amerlyse, Hanum & Cholssodn, 2016). Pada peneltan sebelumnya yang dlakukan oleh Karpagachelv S. (2014) tentang pengklasfkasan snyal ECG dengan menggunakan hybrd algorthm,yatu ELM dan PSO. EKG adalah hasl rekaman jantung yang dgunakan untuk menyeldk penyakt jantung. EKG dapat dklasfkaskan sebaga snyal normal dan abnormal. Penerapan ELM dan PSO pada pengklasfkasan snyal ECG bertujuan untuk mengoptmalkan pemlhan ftur dan parameter dar ELM. Hasl dar peneltan n menjelaskan bahwa pengklasfkasan snyal ECG dengan menggunakan pendekatan hybrd algorthm ELM dan PSO lebh unggul dan akurat jka dbandngkan dengan pengklasfkasan snyal ECG secara tradsonal (S, 2014). Berdasarkan beberapa peneltan yang sebelumnya, permasalahan rekayasa kandungan gz susu kambng PE dselesakan dengan menggunakan metode Extreme Learnng Machne (ELM) dan Partcle Swarm Optmzaton (PSO) sebaga metode otpmasnya. Pada peneltan n dusulkan teknk optmas kandungan gz susu kambng PE d UPT Pembbtan Ternak dan Hjauan Makanan Ternak Sngosar- Malang menggunakan kombnas Extreme Learnng Machne (ELM) dan Partcle Swarm Optmzaton (PSO) berdasarkan pada paper sebelumnya oleh Karpagachelv S. Alasan utama menggunakan penggabungan kedua metode tersebut agar hasl yang ddapatkan dar sstem kam dapat mencapa hasl yang optmal dengan pembelajaran yang cepat. 2. DASAR TEORI 2.1 Extreme Learnng Machne (ELM) ELM n pertama kal dperkenalkan oleh Huang (2004), dan ELM merupakan jarngan syaraf truan (JST) feedforward dengan sngle hdden layer atau dsebut dengan Sngle Hdden Layer Feedforward Neural Networks (SLFNs) (Sun, Cho, Au, & Yu, 2008). Pada Gambar 1 dan Gambar 2, Metode pembelajaran ELM dbuat untuk mengatas beberapa kelemahan dar JST feedforward, terutama dalam hal learnng speed. Berkut model matemats dar ELM pada data, y ) (Huang, Zhu, & Sew, 2005). (x Gambar 1. Arstektur ELM Langkah-langkah tranng algortma ELM tanpa bas (Cholssodn, 2016): 1. Buat random W jk sebaga bobot masukan. 2. Htung matrk keluaran hdden layer H = 1/(1+exp(-X.W T )) 3. Htung output weght ˆ H.Y dmana H + =(H T.H) -1.H T 4. Htung Yˆ H.ˆ Langkah-langkah testng algortma ELM tanpa bas: 1. Dketahu W jk, dan ˆ 2. Htung H = 1/(1+exp(-X test.w T )) 3. Htung Yˆ H.ˆ 4. Htung nla evaluas, msal dengan MAPE, MAE, MSE atau lannya.
3 Cholssodn, dkk, Optmas Kandungan Gz Susu 33 x (0) x s, xmn, d rd xmax, d xmn, d d (1) 1,, n, 1,, n X d adalah poss partkel ke- pada dmens ke-d, dmana r j ~U(0,1) merupakan nla acak (random) dengan range [0,1]. Insalsas poss dar setap partkel (X d ) dan kecepatan dar setap partkel (V d ). Kecepatan awal dapat dnsalsas menjad nol. Dtunjukkan pada Persamaan (2). V d ( 0) 0 (2) Gambar 2. Arstektur ELM dengan bas Langkah-langkah tranng algortma ELM dengan bas: 1. Buat random W jk sebaga bobot masukan dan nla bas b jka ada. Ukuran matrk bas b adalah [1 x j] 2. Htung matrk keluaran hdden layer H = 1/(1+exp(-(X.W T + ones(n tran,1)*b))). Dan N tran adalah banyaknya data tranng. 3. Htung output weght dmana H + =(H T.H) -1.H T 4. Htung Yˆ H.ˆ ˆ H.Y Langkah-langkah testng algortma ELM dengan bas: 1. Dketahu W jk, nla bas b jka ada, dan 2. Htung H = 1/(1+exp(-(X test.w T + ones(n test,1)*b))) 3. Htung Yˆ H.ˆ 4. Htung nla evaluas, msal dengan MAPE, MAE, MSE atau lannya. D mana batas bawah dan batas atas nla W jk ada yang menggunakan [-1;1], [-0.5;0.5] atau nla batas lannya yang bsa dgunakan untuk skenaro pengujan, begtu juga dengan b. 2.2 Algortma Partcle Swarm Optmzaton (PSO) PSO merupakan sebuah algortma pencaran berbass populas berdasarkan smulas perlaku sosal burung dalam sebuah swarm. Perlaku sosal n terdr dar tndakan ndvdu dan pengaruh dar ndvdu-ndvdu lan dalam suatu kelompok. Setap ndvdu berperlaku secara terdstrbus dengan menggunakan kecerdasannya (ntellgence) sendr dan juga dpengaruh kelompok kolektfnya. Berkut langkah-langkah dalam algortma PSO: 1. Insalsas Partkel Dasumskan bahwa sebuah partkel untuk setap dmensnya harus berada dalam doman yang ddefnskan oleh dua vektor, x mn dan x max yang mewakl batas bawah dan batas atas setap dmens yang dtunjukkan pada Persamaan (1) berkut (Engelbrecht, 2007). ˆ V d merupakan kecepatan partkel ke- pada dmens ke-d, poss terbak ndvdu ke- (pbest ) awal untuk setap partkel dnsalsaskan dengan poss partkel pada t = 0 yang dtunjukkan pada Persamaan (3). pbest 0) x (0) (3) ( 2. Fungs Objektf PSO Untuk mendapatkan nla ftness, suatu partkel harus devaluas berdasarkan suatu fungs objektf tertentu. Jka permasalahannya adalah optmas, maka untuk memaksmalkan fungs, dgunakan fungs objektf f h. Akan tetap, jka permasalahannya adalah optmas untuk memnmalkan fungs h, maka dgunakan fungs objektf f 1/ h. Rumus ftness untuk mengoptmalkan dan memnmalkan dtunjukkan pada Persamaan (4). h 1 ftness x _ optmal (4) x _ mn x_optmal = nla yang ngn doptmalkan x_mn = nla yang ngn dmnmalkan 3. Personal Best PSO Personal Best PSO dalam kasus maksmal optmas secara umum ddapatkan dengan membandngan nla ftness saat n dengan nla pbest sebelumnya, jka ftness saat n > dar ftness sebelumnya, maka pbest = poss saat n, sepert yang dtunjukkan pada Persamaan (5). pbest (t + 1) = { pbest (t) jka f(x d (t + 1)) f(pbest (t)) (5) x d (t + 1) jka f(x d (t + 1)) < f(pbest (t)) pbest (t + 1) = pbest teras sekarang pbest (t) = pbest teras sebelumnya f(x d (t + 1))= nla ftness teras sekarang
4 34 Jurnal Teknolog Informas dan Ilmu Komputer (JTIIK), Vol. 4, No. 1, Maret 2017, hlm Global Best PSO Pencaran nla gbest pada kasus secara umum dengan cara mencar argumen dar nla maksmal semua pbest dalam teras t yang dtunjukkan pada persamaan (6) berkut: n k arg Max 1 f ( pbest ( t)) (6) gbest(t) = pbest k (t) argmax n =1 = argumen maksmal f(pbest (t)) = nla ftness pbest teras (t) 5. Update Kecepatan dan Poss Kecepatan (V ) dan poss dar partkel (X ) dubah menggunakan persamaan (7). V t t w* vd c1 * Rand() *( pd xd ) c2 * Rand() *( p x ) (7) t1 t d gd d Dengan membandngkan antara kecepatan dan v max. v k ( x x ) (8) max * max mn Rumus perubahan poss (X ): t1 t1 t1 x x V (9) d d Rumus W nersa (w): wmax w w( ) w max max d w mn (10) max Dmana dan masngmasng adalah nla awal dan nla akhr bobot nersa yang nlanya secara berurutan adalah 0,9 dan 0,4. Sedangkan adalah jumlah max teras maksmum yang dgunakan. = kecepatan partkel ke- pada dmens ke-d pada teras ke-t = poss partkel ke- pada dmens ke-d pada teras ke-t = bobot nersa = komponen kogntf dan sosal = pbest atau poss terbak partkel pada = gbest atau poss terbak partkel secara keseluruhan 6. Konds berhent Jka telah mencapa konds akhr (mencapa nla teras maksmum atau perulangan telah mencapa nla konvergen) maka perulangan berhent dan nla optmumnya ddapatkan namun jka belum maka kembal melakukan perulangan. w mn 3. PEMBAHASAN Metode yang dusulkan dalam peneltan n, pada Gambar 3, yatu menggabungkan ELM-PSO dalam sstem. Sstem kerjanya dbag menjad 2 bagan langkah, langkah yang pertama hanya menjalankan metode ELM untuk mendapatkan W jk sebaga bobot masukan yang optmal, atau hanya menggunakan tranng algortma ELM tanpa bas. Kemudan langkah yang ke-2 adalah mengoptmas parameter pakan dengan PSO menggunakan proses testng ELM. Berkut adalah detal langkahnya: 1. Melakukan proses tranng data menggunakan algortma ELM untuk memperoleh nla nput weght (W jk ) dan output weght ( ) 2. Input weght dan output weght dgunakan pada algortma PSO pada tahapan testng ELM. Pada algortma PSO akan dlakukan proses nsalsas partkel dan partkel yang telah terbentuk akan dproses ke dalam testng ELM hngga dperoleh hasl denormalsasnya. Hasl denormalsas tersebut akan dgunakan untuk memperoleh nla ftness yang dhaslkan oleh setap partkel. Kemudan, sstem akan mencar nla personal best (pbest) dan global best (gbest) serta dlakukan proses update kecepatan dan poss hngga dperoleh satu partkel dengan nla ftness terbesar sebaga hasl yang dharapkan. Tabel 1. Kumpulan data berdasarkan perlakuan Abu: zat pakan anorgank yang mengandung unsur-unsur yang dbutuhkan. Proten kasar (PK): bahan organk kompleks dengan peranan yang banyak. Lemak kasar (LK): kandungan total lpda dalam jumlah yang sebenarnya. Serat kasar (SK): ssa-ssa sel tumbuhan yang tahan terhadap reaks hdrolss. Dalam kasus peneltan n, kandungan nutrs pakan hjauan berupa Abu, PK, LK dan SK (sebaga X k ) beserta kandungan gz susunya berupa proten, lemak, laktosa dan densty (sebaga Y ) akan dkomputas lebh lanjut menggunakan ELM pada langkah ke-1. Pada Tabel 1, dapat dgunakan sebaga gambaran untuk merepresentaskan partkel pada PSO. Setap partkel memlk dmens yang merupakan kandungan nutrs (Abu, PK, LK, dan SK), yatu X j (t) = [Abu PK LK SK] atau dapat dtunjukkan pada Persamaan (11). ˆ X j (t) = [X 1 (t) X 2 (t) X 3 (t) X 4 (t)] (11)
5 Ftness Cholssodn, dkk, Optmas Kandungan Gz Susu 35 Kemudan untuk rumus ftness-nya menggunakan batasan hanya dua macam varabel output yang akan dkomputas (bsa dbuat sembang kompossnya, atau berbandng terbalk, atau dengan menggunakan suatu konstanta pengal sebaga pembobotan) dan output yang lannya dabakan, yatu memaksmalkan kandungan proten dan memnmalkan kandungan lemak, dengan formulas yang dtunjukkan pada Persamaan (12). 1 ftness proten (12) lemak Xk dan Y ELM (Tranng) Wjk dan ˆ Langkah ke-1 yang dgunakan dbatas yang hanya 32 kg, tetap juga bsa dbuat berbeda. Dalam peneltan n mengoptmalkan kandungan Proten dan memnmalkan kandungan Lemak pada kelas Premum. Grafk pengujan konvergens dtunjukkan pada Gambar Pengujan Konvergens Percobaan 1 Percobaan 2 Percobaan 3 Percobaan 4 Percobaan 5 Percobaan 6 Percobaan 7 Percobaan 8 Percobaan 9 Percobaan 10 Gambar 4. Grafk Pengujan Konvergens ELM-PSO Hasl yang dharapkan Insalsas Xj(t=0), Vj(t=0) dan pbestj(t=0)=xj(t=0) Y ELM (Testng) Tentukan gbestgj(t=0) Konds Berhent? T Langkah ke-2 Dalam 10 kal percobaan terlhat bahwa sstem mula menunjukkan konvergens pada teras ke-10, namun mash belum mencapa kestablan. Pada grafk terlhat bahwa sstem mencapa kestablan teras pada teras ke-20.nla ftness yang ddapatkan setelah teras ke-20 akan menghaslkan nla ftness yang sama dengan teras sebelumnya. Pada grafk juga dtunjukkan nla ftness terbesar yang dhaslkan oleh metode ELM-PSO yatu pada Percobaan 4 dengan ftness terbesar Update kecepatan (Vj(t+1)) Update poss (X j(t+1)) ELM (Testng) Update pbestj(t+1) Update gbestgj(t+1) Gambar 3. Algortma ELM-PSO 4. PENGUJIAN DAN ANALISIS Pengujan konvergens metode ELM-PSO dengan parameter PSO yang sudah duj sebelumnya yatu teras maksmal PSO = 100 teras, nla wmax = 0.6 dan wmn = 0.3, nla c 1 = 1 dan c 2 = 1.5, nla k = 0.6. Dengan parameter ELM yatu nterval yang dgunakan adalah [-0.5,0.5], jumlah hdden layer =4, jumlah data yang dgunakan adalah 5 data. Terdapat 2 jens pakan yang dgunakan dalam pengujan, yatu Rumput Raja dengan raso pakan 70% dan Rumput Odot dengan raso pakan 30%. Berat badan kambng 5. PENUTUP 5.1 Kesmpulan 1. Algortma ELM-PSO dapat dgunakan untuk mengoptmas komposs pakan kambng PE agar susu yang dhaslkan memlk kandungan gz susu yang maksmal, dmana cara kerjanya adalah dengan melakukan proses tranng data menggunakan algortma ELM untuk memperoleh nla nput dan output weght yang nantya akan dgunakan pada algortma PSO. Pada algortma PSO akan dlakukan proses nsalsas partkel dan partkel yang telah terbentuk akan dproses ke dalam ELM hngga dperoleh hasl denormalsasya. Hasl denormalsas tersebut akan dgunakan untuk memperoleh nla ftness yang dhaslkan oleh setap partkel. Kemudan, sstem akan mencar nla personal best (pbest) dan global best (gbest) serta dlakukan proses update kecepatan dan poss hngga dperoleh satu partkel dengan nla ftness terbesar. 2. Hasl pengujan yang dlakukan pada peneltan n melput pengujan parameter optmal pada PSO serta pengujan konvergens metode ELM-PSO. Parameterparameter optmal PSO adalah teras
6 36 Jurnal Teknolog Informas dan Ilmu Komputer (JTIIK), Vol. 4, No. 1, Maret 2017, hlm maksmal PSO = 100 teras, nla wmax = 0.6 dan wmn = 0.3, nla c 1 = 1 dan c 2 = 1.5, nla k = 0.6. Parameter-parameter tersebut menghaslkan ftness terbak sebesar dengan poss partkel terbak yatu [ ]. Pada pengujan konvergens ddapatkan bahwa sstem mencapa telah kestablan nla ftness, yatu pada teras ke Saran 1. Dharapkan pada peneltan berkutnya dalam optmas komposs pakan kambng PE dapat dtambahkan atrbut lan sepert harga pakan agar sstem dapat memberkan komposs pakan terbak dengan harga pakan yang dmnmalkan. 2. Dharapkan pada peneltan berkutnya dalam menggunakan metode ELM-PSO juga dlakukan pengujan terhadap nterval yang dgunakan untuk mengetahu nterval yang dapat menghaslkan solus optmal. 6. DAFTAR PUSTAKA AKUNTONO, I. (2015, September 29). Mengkhawatrkan, Angka Kelahran d RI Tap Tahun Setara Jumlah Penduduk Sngapura. Retreved Januar 8, 2016, from Kompas.com [onlne]: /Mengkhawatrkan.Angka.Kelahran.d.RI.Tap.Tahun.Sejumlah.Penduduk.Sngapura AMERILYSE, C., LATIFAH H. & CHOLISSODIN I Perbandngan Metode ANN-PSO dan ANN-GA dalam Pemodelan Komposs Pakan Kambng Peranakan Etawa (PE) untuk Optmas Kandungan Gz (Stud Kasus pada UPT Pembbtan Ternak dan Hjauan Makanan Ternak Sngosar-Malang). Jurnal Teknolog Informas dan Ilmu Komputer (JTIIK) FILKOM UB Vol. 3 No. 3, ATMIYATI Potens Susu Kambng Sebaga Obat dan Sumber Proten Hewan Untuk Menngkatkan Gz Petan. Bogor: Bala Peneltan Ternak. CHOLISSODIN, I Modul Analss Bg Data Semester Ganjl ENGELBRECHT, A. P Computatonal Intellgence: An Introducton 2nd ed. West Sussex: John Wley & Sons Ltd. FITRIYANTO, ASTUTI, T. Y., & UTAMI, S Kajan Vskostas dan Berat Jens Susu Kambng Peranakan Etawa(PE) pada Awal, Puncak dan Akhr Laktas. Jurnal Ilmah Peternakan, HAMIDAH, E., SUKADA, I. M., & SWACITA, I. B Kualtas Susu Kambng Peranakan Etawah Post-Thawng pada Penympanan Suhu Kamar. Indonesa Medcus Veternus Eds 3, HUANG, G. B., ZHU, Q. Y., & SIEW, C. K Extreme Learnng Machne: A New Learnng Scheme of Feedforward Neural Networks. Proceedng of Internatonal Jont Conference on Neural Networks. Hungary: Budapest. HUANG, G. B., ZHU, Q. Y., & SIEW, C. K Extreme Learnng Machne: Theory and applcatons. Elsever scence: Neurocomputng 70, NUGROHO, B. A Pasar Susu Duna dan Poss Indonesa. JIIPB Vol. 20 No. 1, NUR, D. M., SETYOWATI, E., & WAHYUNINGSIH, S Performans Produks Susu Kambng Peranakan Etawah(PE) Berdasarkan Partas, Umur, Bobot Badan, dan Status Kebuntngan d "MADUKARA FARM", Kota Batu. Unverstas Brawjaya, 1-7. PRIHATMININGSIH, G. E., PURNOMOADI, A., & HARJANTI, D. W Hubungan antara Konsums Proten dengan Produks, Proten dan Laktosa Susu Kambng Peranakan Ettawa. Jurnal Ilmu-lmu Peternakan 25 Vol.2, S, K Classfcaton of ECG Sgnals Usng Hybrd Partcle Swarm Optmzaton n Extreme Learnng Machne. Journal of Appled Scences and Engneerng Research, Vol 3, No. 5, SUBEKTI, E Ketahanan Pakan Ternak Indonesa. Medagro, Vol.5, No.2, SUN, Z., CHOI, T., AU, K., & YU, Y Sales Forecastng usng Extreme Learnng Machne wth Applcaton n Fashon Retalng. Elsever Decson Support Systems 46, SUTAMA, I. K., & BUDIARSANA, I Kambng Peranakan Etawah Penghasl Susu sebaga Sumber Pertumbuhan Baru Sub-Sektor Peternakan d Indonesa. Bala Peneltan Ternak, UMIYASIH, U., & ANGGRAENY, Y. N Petunjuk Tekns Ransum Sembang, Strateg Pakan pada Sap Potong. Pasuruan: Pusat Peneltan dan Pengembangan Peternakan. ZERDA, E. R Analss dan Penerapan Algortma Partcle Swarm Optmzaton (PSO) pada Optmas Penjadwalan Sumber Daya Proyek. Bandung : Unverstas Telkom. ZURIATI, Y., MAHESWARI, R., & SUSANTY, H Karakterstk Kualtas Susu Segar dan Yoghurt dar Tga Bangsa Kambng Perah dalam Mendukung Program Ketahanan dan Dversfkas Pangan. Semnar Nasonal Teknolog Peternakan dan Veterner,
Analitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciPENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
Lebih terperinciMETODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS
TESIS METODE KLASTERISASI DATA BERBASIS ARTIFICIAL BEE COLONY DAN K-HARMONIC MEANS Oleh : I Made Wdartha NRP. 5109201009 Dosen Pembmbng : Dr. Agus Zanal Arfn, S.Kom, M.Kom Anny Yunart, S.Kom, M.Comp.Sc
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciAPLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO)
APLIKASI PENJADWALAN MATA KULIAH MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) Irfrans Kusmarna, Luh Kesuma Wardhan 2, Muhammad Safrzal 3,3 Jurusan Teknk Informatka, Fakultas Sans dan Teknolog,
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciPENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD
Semnar Nasonal Sstem dan Informatka 2007; Bal, 6 November 2007 PENYELESAIAN SHORTEST PATH PROBLEM DENGAN JARINGAN SARAF TIRUAN HOPFIELD Nur Hasanah ) Istkhomah 2) Taufq Hdayat 3) Sr Kusumadew 4) Jurusan
Lebih terperinciPENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION
PENYELESAIAN PERMASALAHAN OPTIMASI CONSTRAINED NONLINEAR DENGAN PARTICLE SWARM OPTIMIZATION Yudh Purwananto Rully Soelaman dan Bambang Santoso. Fakultas Teknolog Informas Insttut Teknolog Sepuluh Nopember
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA DAN PEMILIHAN MITRA BADAN PUSAT STATISTIK (BPS) KABUPATEN GUNUNGKIDUL MENGGUNAKAN METODE SAW BERBASIS WEB Putr Har Ikhtarn ), Bety Nurltasar 2), Hafdz Alda
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Pustaka 2.1.1 Tmetable Tmetable merupakan alokas subjek yang memlk kendala untuk dtempatkan pada ruang waktu (Gan dkk, 2004). Permasalahan Tmetable cukup luas. Masalah
Lebih terperinciAnalisa dan Penerapan Metode Particle Swarm Optimization Pada Optimasi Penjadwalan Kuliah
Jurnal Teknk Informatka, Vol 1 September 2012 Analsa dan Penerapan Metode Partcle Swarm Optmzaton Pada Optmas Penjadwalan Kulah Rasha Ashla Rachman 1), Dadang Syarf 2), Rka Perdana Sar 3) 1) Program Stud
Lebih terperinciOPTIMASI METODE DISCRIMINATIVELY REGULARIZED LEAST SQUARE CLASSIFICATION DENGAN ALGORITMA GENETIKA
Vol. 5, o. 3, Januar 2010 ISS 0216-0544 OPIMASI MEODE DISCRIMIAIVELY REGULARIZED LEAS SQUARE CLASSIFICAIO DEGA ALGORIMA GEEIKA * Arad Retno r Hayat Rrd, ** Agus Zanal Arfn, *** Anny Yunart * Program Stud
Lebih terperinciSWARM INTELLIGENCE (Teori & Case Study)
Judul SWARM INTELLIGENCE (Teor & Case Study) PSO, ACO, ABC, ACO-SVR, etc Oleh: Imam Cholssodn Ef Ryandan PENGANTAR Buku n member pemahaman konsep lanjut dan detal penyelesaan untuk pengembangan Swarm Intellgence
Lebih terperinciOPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO)
OPTIMISASI PELETAKAN DAN SIZING DISTRIBUTED GENERATION (DG) MENGGUNAKAN TWO LAYER PARTICLE SWARM OPTIMIZATION (TLPSO) Efrta Arfah Z Jurusan Teknk Elektro, FTI-ITATS Surabaya Jl. Aref Rahman Hakm 100 Tlp
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciPrediksi Jumlah Follower Official Account Line Menggunakan Regresi dan Algoritma Genetika
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 11, November 217, hlm. 1312-132 http://j-ptk.ub.ac.d Predks Jumlah Follower Offcal Account Lne Menggunakan Regres dan
Lebih terperinciBAB IV PERHITUNGAN DAN ANALISIS
BAB IV PERHITUNGAN DAN ANALISIS 4.1 Survey Parameter Survey parameter n dlakukan dengan mengubah satu jens parameter dengan membuat parameter lannya tetap. Pengamatan terhadap berbaga nla untuk satu parameter
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciPENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY
PENERAPAN METODE FORGY PADA PERILAKU LEBAH PENJELAJAH DALAM ARTIFICIAL BEE COLONY I Made Wdartha Program Stud Teknk Informatka Fakultas Matematka dan Ilmu Pengetahuan Alam Unverstas Udayana emal : madewdartha@cs.unud.ac.d
Lebih terperinciJurnal Teknologi Elektro, Universitas Mercu Buana ISSN:
KECERDASAN BUATAN BERBASIS PARTICLE SWARM OPTIMIZATION, ANT COLONY OPTIMIZATION DAN FIREFLY ALGORITHM UNTUK MEREDAM OSILASI GANGGUAN PADA SISTEM PEMBANGKIT LISTRIK Pressa P. Surya Unverstas Muhammadyah
Lebih terperinciPENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Studi Kasus pada Data Inflasi Indonesia)
PENERAPAN METODE MAMDANI DALAM MENGHITUNG TINGKAT INFLASI BERDASARKAN KELOMPOK KOMODITI (Stud Kasus pada Data Inflas Indonesa) Putr Noorwan Effendy, Amar Sumarsa, Embay Rohaet Program Stud Matematka Fakultas
Lebih terperinciOPTIMASI MASALAH PENUGASAN. Siti Maslihah
JPM IIN ntasar Vol. 01 No. 2 Januar Jun 2014, h. 95-106 OPTIMSI MSLH PNUGSN St Maslhah bstrak Pemrograman lner merupakan salah satu lmu matematka terapan yang bertuuan untuk mencar nla optmum dar suatu
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciHybrid intelligent system adalah kombinasi lebih dari dua teknologi cerdas.
Teny Handhayan Pendahuluan Hybrd ntellgent system adalah kombnas lebh dar dua teknolog cerdas. Contohnya kombnas Neural Network dengan Fuzzy membentuk Neuro-fuzzy system Perbandngan Expert Systems, Fuzzy
Lebih terperinciOptimasi Fungsi Keanggotaan Fuzzy
Optmas Fungs Keanggotaan Fuzzy Tsukamoto Dua Tahap Menggunakan Algortma Genetka Pada Pemlhan Calon Penerma Beasswa dan BBP-PPA (Stud Kasus: PTIIK Unverstas Brawjaya Malang) Bunga Amela Restuputr 1, Wayan
Lebih terperinciBAB III METODE PENELITIAN. yang digunakan meliputi: (1) PDRB Kota Dumai (tahun ) dan PDRB
BAB III METODE PENELITIAN 3.1 Jens dan Sumber Data Jens data yang dgunakan dalam peneltan n adalah data sekunder. Data yang dgunakan melput: (1) PDRB Kota Duma (tahun 2000-2010) dan PDRB kabupaten/kota
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciKata kunci : daya, bahan bakar, optimasi, ekonomis. pembangkitan yang maksimal dengan biaya pengoperasian unit pembangkit yang minimal.
Makalah Semnar Tugas Akhr MENGOPTIMALKAN PEMBAGIAN BEBAN PADA UNIT PEMBANGKIT PLTGU TAMBAK LOROK DENGAN METODE LAGRANGE MULTIPLIER Oleh : Marno Sswanto, LF 303 514 Abstrak Pertumbuhan ndustr pada suatu
Lebih terperinciBab III Analisis dan Rancangan Sistem Kompresi Kalimat
Bab III Analss dan Rancangan Sstem Kompres Kalmat Bab n bers penjelasan dan analss terhadap sstem kompres kalmat yang dkembangkan d dalam tess n. Peneltan n menggunakan pendekatan statstcal translaton
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciImplementasi Metode Particle Swarm Optimization-Dempster Shafer untuk Diagnosa Indikasi Penyakit pada Budidaya Ikan Gurami
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 2, Februar 2018, hlm. 503-509 http://j-ptk.ub.ac.d Implementas Metode Partcle Swarm Optmzaton-Dempster Shafer untuk
Lebih terperinciBAB II TEORI ALIRAN DAYA
BAB II TEORI ALIRAN DAYA 2.1 UMUM Perhtungan alran daya merupakan suatu alat bantu yang sangat pentng untuk mengetahu konds operas sstem. Perhtungan alran daya pada tegangan, arus dan faktor daya d berbaga
Lebih terperinciRoy Madi Mahasiswa Teknik Informatika, FT UMRAH
OPTIMASI WAKTU KEBERANGKATAN FERRY TANJUNGPINANG BATAM DENGAN METODE PARTICLE SWARM OPTIMIZATION (Stud Kasus : Pelabuhan Sr Bntan Pura, Kota Tanjungpnang) Roy Mad Mahasswa Teknk Informatka, FT UMRAH (roymad0@gmal.com)
Lebih terperinciBAB I PENDAHULUAN. Latar Belakang. tinggi bagi kesehatan. Buwono (1993) mengungkapkan bahwa susu
BAB I PENDAHULUAN Latar Belakang Susu kambng merupakan suatu produk yang memlk nla manfaat tngg bag kesehatan. Buwono (1993) mengungkapkan bahwa susu merupakan sumber gz yang palng lengkap sekalgus palng
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Ketahanan pangan adalah ketersedaan pangan dan kemampuan seseorang untuk mengaksesnya. Sebuah rumah tangga dkatakan memlk ketahanan pangan jka penghunnya tdak berada
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciPeramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
Lebih terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciKlasifikasi Tingkat Resiko Stroke Menggunakan Improved Particle Swarm Optimization dan Support Vector Machine
Konferens Nasonal Sstem & Informas 016 STT Ibnu Sna Batam, 11 13 Agustus 016 1 Klasfkas Tngkat Resko Stroke Menggunakan Improved Partcle Swarm Optmzaton dan Support Vector Machne Imam Cholssodn 1), Faar
Lebih terperinciMODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 29 MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Stud Kasus : Kota Surabaya Rokhana DB 1, Sutkno 2, Agnes Tut
Lebih terperinciPENGENALAN HURUF BRAILLE BERBASIS JARINGAN SYARAF TIRUAN METODA HEBBRULE
1 PENGENALAN HURUF BRAILLE BERBASIS JARINGAN SARAF TIRUAN METODA HEBBRULE un Ennggar 1, Wahyul Amen Syafe, ST, MT 2, Bud Setyono,ST,MT 2 Jurusan Teknk Elektro, Fakultas Teknk Unverstas, Dponegoro Jl. Prof.
Lebih terperinciBab V Aliran Daya Optimal
Bab V Alran Daya Optmal Permasalahan alran daya optmal (Optmal Power Flow/OPF) telah menjad bahan pembcaraan sejak dperkenalkan pertama kal oleh Carpenter pada tahun 196. Karena mater pembahasan tentang
Lebih terperinciGambar 3.1 Diagram alir penelitian
BAB 3 METODE PENELITIAN 3.1 Dagram Alr Peneltan Materal Amorph Magnetk (Fe 73 Al 5 Ga 2 P 8 C 5 B 4 S 3 ) Ekspermen DfraksNeutron (I vs 2theta) Smulas Insalsas atom secara random Fungs struktur, F(Q) Perhtungan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tnjauan Pustaka Dar peneltan yang dlakukan Her Sulstyo (2010) telah dbuat suatu sstem perangkat lunak untuk mendukung dalam pengamblan keputusan menggunakan
Lebih terperinciPrediksi Penerimaan Zakat menggunakan Metode Support Vector Regression (SVR) dengan Flower Pollination Algorithm (FPA)
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 548-964X Vol. 1, No. 7, Jun 017, hlm. 534-544 http://j-ptk.ub.ac.d Predks Penermaan Zakat menggunakan Metode Support Vector Regresson (SVR)
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciKata kunci : substrat, penentuan rasio, jaringan syaraf tiruan, algoritma genetik
OPTIMASI PEETUA KOMPOSISI SUBSTRAT PADA PORTABLE BIODIGESTER DEGA METODE JARIGA SYARAF TIRUA-ALGORITMA GEETIK (Kurna Cholsh Artayasa, Suyanto, ST. MT, Dr. Dhany Arfanto, ST. M. Eng.) Jurusan Teknk Fska
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciIMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas
Lebih terperinciPEMILIHAN LAHAN TERBAIK UNTUK TANAMAN KELAPA SAWIT MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING
Semnar Nasonal Inovas Dan Aplkas Teknolog D Industr 2017 ISSN 2085-4218 ITN Malang, 4 Pebruar 2017 PEMILIHAN LAHAN TERBAIK UNTUK TANAMAN KELAPA SAWIT MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING Helza
Lebih terperinciAnalisis Kecepatan Dan Percepatan Mekanisme Empat Batang (Four Bar Lingkage) Fungsi Sudut Crank
ISSN 907-0500 Analss Kecepatan Dan Percepatan Mekansme Empat Batang (Four Bar ngkage Fungs Sudut Crank Nazaruddn Fak. Teknk Unverstas Rau nazaruddn.unr@yahoo.com Abstrak Pada umumnya analss knematka dan
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON
STMIK AMIKOM Yogyakarta, 6-8 Februar 2015 PENGENALAN POLA TULISAN TANGAN AKSARA JAWA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1), I Dewa Gede Ra Mardana 2), Sandy Wrakusuma 3) 1), 2), 3)
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penjadwalan Baker (1974) mendefnskan penjadwalan sebaga proses pengalokasan sumber-sumber dalam jangka waktu tertentu untuk melakukan sejumlah pekerjaan. Menurut Morton dan
Lebih terperinciPENGEMBANGAN MODEL PERSEDIAAN BAHAN BAKU DENGAN MEMPERTIMBANGKAN WAKTU KADALUWARSA DAN FAKTOR UNIT DISKON
PENGEMBANGAN MODEL PERSEDIAAN BAHAN BAKU DENGAN MEMPERTIMBANGKAN WAKTU KADALUWARSA DAN FAKTOR UNIT DISKON Har Prasetyo Jurusan Teknk Industr Unverstas Muhammadyah Surakarta Jl. A. Yan Tromol Pos 1, Pabelan,
Lebih terperinciOPTIMAL GENERATOR SCHEDULING BASED ON PARTICLE SWARM OPTIMIZATION
Semnar Nasonal Informatka 009 (semnasif 009) ISSN: 1979-38 UPN Veteran Yogyakarta, 3 Me 009 OPTIMAL GENERATOR SCHEDULING BASED ON PARTICLE SWARM OPTIMIZATION Mackel Tuegeh 1, Ad Soeprjanto, Maurdh Hery
Lebih terperinciPERBANDINGAN METODE SAW DAN TOPSIS PADA KASUS UMKM
PERBANINGAN METOE SAW AN TOPSIS PAA KASUS UMKM Muh. Alyazd Mude al.mude@yahoo.com Teknk Informatka Unverstas Muslm Indonesa Abstrak alam pengamblan keputusan terhadap masalah berdasarkan sebuah analsa
Lebih terperinciMatematika Eigenface Menggunakan Metrik Euclidean
Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciPRESENTASI TUGAS AKHIR KI091391
PRESENTASI TUGAS AKHIR KI09191 IMPLEMENTASI SEGMENTASI CITRA RESONANSI MAGNETIK OTAK MENGGUNAKAN ALGORITMA FUZZY C-MEANS YANG DIMODIFIKASI BERDASARKAN KORELASI ANTAR PIKSEL (Kata Kunc : Segmentas Fuzzy
Lebih terperinciANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE M. Fachrurroz, M.T. 1, Nov Yuslan, M.T. 2 1,2 Jurusan Teknk Informatka Fakultas Ilmu Komputer, Unverstas Srwjaya 1 obetsobets@gmal.com,
Lebih terperinciHAK CIPTA (HKI) Judul Invensi: METODE OPTIMISASI KONFIGURASI JARINGAN DISTRIBUSI BERBASIS LOGIKA FUZZY DAN PARTICLE SWARM OPTIMIZATION
0 HAK CIPTA HKI 1 Judul Invens: METODE OPTIMISASI KONFIGURASI JARINGAN DISTRIBUSI BERBASIS LOGIKA FUZZY DAN PARTICLE SWARM OPTIMIZATION Inventor: Dr. Ramadon Syahputra, S.T., M.T. Ir. Agus Jamal, M.Eng.
Lebih terperinciMENGANALISA GANGGUAN PADA 331 WEIGHT FEEDER 2 UNTUK MENINGKATKAN PRODUKSI DI PT. SEMEN GRESIK (PERSERO).Tbk PABRIK TUBAN ABSTRAK
Nelson ulstono Teknk Mesn Unverstas Islam Malang 015 MENGANALIA GANGGUAN PADA 331 WEIGHT FEEDER UNTUK MENINGKATKAN PRODUKI DI PT. EMEN GREIK (PERERO).Tbk PABRIK TUBAN Nelson ulstono, Teknk Mesn, Fakultas
Lebih terperinciPENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON
PENGENALAN POLA TULISAN TANGAN AKSARA JAWA HA NA CA RA KA MENGGUNAKAN MULTI LAYER PERCEPTRON Madha Chrstan Wbowo 1) Sandy Wrakusuma 2) 1) S1 Sstem Komputer, STIKOM Surabaya, emal: madha@stkom.edu 2) S1
Lebih terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciPERANCANGAN JARINGAN AKSES KABEL (DTG3E3)
PERCG JRIG KSES KBEL (DTG3E3) Dsusun Oleh : Hafdudn,ST.,MT. (HFD) Rohmat Tulloh, ST.,MT (RMT) Prod D3 Teknk Telekomunkas Fakultas Ilmu Terapan Unverstas Telkom 015 Peramalan Trafk Peramalan Trafk Peramalan
Lebih terperinciMetode Algoritma Genetika dan Darwinian Particle Swarm Optimization dengan Variable Acceleration Factor Untuk Fungsi Multimodal
Vol. 5, No. 3 Desember 2016 ISSN 2088-2130;e-ISSN 2502-4884 Metode Algortma Genetka dan Darwnan Partcle Swarm Optmzaton dengan Varable Acceleraton Factor Untuk Fungs Multmodal Arad Retno Tr Hayat Manajemen
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB IV METODE PENELITIAN. Penelitian mengenai Analisis Pengaruh Kupedes Terhadap Performance
BAB IV METODE PENELITIAN 4.1 Lokas dan Waktu Peneltan Peneltan mengena Analss Pengaruh Kupedes Terhadap Performance Busness Debtur dalam Sektor Perdagangan, Industr dan Pertanan dlaksanakan d Bank Rakyat
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciBAB I PENDAHULUAN. Anemia adalah keadaan saat jumlah sel darah merah atau jumlah
BAB I PENDAHULUAN 1.1 Latar Belakang Anema adalah keadaan saat jumlah sel darah merah atau jumlah hemoglobn (HB) atau proten pembawa oksgen dalam sel darah merah berada d bawah normal,anema dalam kehamlan
Lebih terperinciPERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT
BIAStatstcs (05) Vol. 9, No., hal. -7 PERANCANGAN PARAMETER DENGAN PENDEKATAN TAGUCHI UNTUK DATA DISKRIT Faula Arna Jurusan Teknk Industr, Unverstas Sultan Ageng Trtayasa Banten Emal : faulaarna@yahoo.com
Lebih terperinciRANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN
RANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN Erfant Fatkhyah Jurusan Teknk Informatka, Fakultas Teknolog Industr, Insttut Sans & Teknolog AKPRIND Yogyakarta Emal: erfunthye@yahoocod
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciPENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT
PENGEMBANGAN MODEL PERSEDIAAN DENGAN MEMPERTIMBANGKAN WAKTU KADALUARSA BAHAN DAN FAKTOR INCREMENTAL DISCOUNT Har Prasetyo Jurusan Teknk Industr Unverstas Muhammadyah Surakarta Jl. A. Yan Tromol Pos Pabelan
Lebih terperinciP n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman
OTIMISASI enjadualan Optmal embangkt Oleh : Zurman Anthony, ST. MT Optmas pengrman daya lstrk Dmaksudkan untuk memperkecl jumlah keseluruhan baya operas dengan memperhtungkan rug-rug daya nyata pada saluran
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciMODIFIED IMPROVED PARTICLE SWARM OPTIMIZATION FOR OPTIMAL GENERATOR SCHEDULING
Semnar Nasonal Aplkas Teknolog Informas 009 (SNATI 009) ISSN: 1907-50 Yogyakarta, 0 Jun 009 MODIFIED IMPROVED PARTICLE SWARM OPTIMIZATION FOR OPTIMAL GENERATOR SCHEDULING Mackel Tuegeh 1, Soeprjanto, Maurdh
Lebih terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciPeramalan Jumlah Pemakaian Air di PT. Pembangkitan Jawa Bali Unit Pembangkit Gresik Menggunakan Support Vector Regression
Jurnal Pengembangan Teknolog Informas dan Ilmu Komputer e-issn: 548-964X Vol., No. 10, Oktober 018, hlm. 3788-3795 http://j-ptk.ub.ac.d Peramalan Jumlah Pemakaan Ar d PT. Pembangktan Jawa Bal Unt Pembangkt
Lebih terperinci