BAB 3 PERANCANGAN PROGAM
|
|
- Yanti Iskandar
- 6 tahun lalu
- Tontonan:
Transkripsi
1 28 BAB 3 PERANCANGAN PROGAM Pada bab 3 ini menjelaskan bagaimana cara perancangan dari aplikasi peramalan pasien demam berdarah ini baik perancangan sistem maupuun perancangan database yang menjadi pukung dari aplikasi ini. 3.1 Model Aplikasi Pada dasarnya ini aplikasi ini dirancang untuk mencari model neural yang terbaik untuk meramal kesembuhan pasien demam berdarah dengue. Oleh sebab itu penulis menyediakan 6 buah kombinasi model neural dengan memberikan pilihan 2 sampai 7 node pada hidden layer dengan 8 input layer yaitu diagnosis (X 1 ), lama demam (X 2 ), kesadaran (X 3 ), nadi (X 4 ), perdarahan (X 5 ), akral (X 6 ), perfusi (X 7 ), rontgen thorak (X 8 ) dan 1 output layer yaitu kesembuhan pasien (Y). Berikut akan diberikan contoh dari 6 kemungkinan model neural yang terjadi serta proses neural yang terjadi. Untuk mempermudah penghitungan contoh penulis akan menggunakan nilai-nilai yang tidak bervariasi sekalipun pada dasarnya nilai-nilai yang digunakan pada aplikasi akan bervariasi karena bersifat acak. (X 1 ) = 0.5 (X 1 ) = 0.5 Bias = 0.1 (X 1 ) = -0.5 (X 1 ) = -0.5 Y = 1 (X 1 ) = 0.5 (X 1 ) = 0.5 (X 1 ) = -0.5 (X 1 ) = -0.5 (V 11-nm ) = 0.1 (W 11-nm ) = 0.1
2 Model Neural dengan 2 node hidden layer X 1 bias bias X 2 X 3 Z 1 X 4 WeightW Y 1 X 5 X 6 Z 2 X 7 WeightV X 8 Gambar 3.1 Model Neural dengan 2 node hidden layer Gambar di atas memperlihatkan model neural network pada aplikasi peramalan dengan menggunakan 2 hidden layer. Garis panah yang menghubungkan input layer (X 1 sampai X 8 ) dengan hidden layer (Z 1 -Z 2 ) adalah weightv sedangkan garis panah yang menghubungkan hidden layer dengan output layer (Y 1 ) adalah weightw. Contoh Perhitungan Feed Forward Z_in 1 = Bias + V 11 * X 1 + V 21 * X 2 + V 31 * X 3 + V 41 * X 4 + V 51 * X 5 + V 61 * X 6 + V 71 * X 7 + V 81 * X 8
3 30 Z_in 1 = * * * * * * * * -0.5 Z_in 1 = 0.1 Z 1 = 1 Z_in1 1+ e Z 1 = e Z 1 = Z_in 2 = Bias + V 12 * X 1 + V 22 * X 2 + V 32 * X 3 + V 42 * X 4 + V 52 * X 5 + V 62 * X 6 + V 72 * X 7 + V 82 * X 8 Z_in 2 = * * * * * * * * -0.5 Z_in 2 = 0.1 Z 2 = 1 Z_in2 1+ e Z 2 = e Z 1 = Y_in 2 = Bias + W 11 * Z 1 + W 21 * Z 2 Y_in 2 = * * Y_in 2 = Y 1 = 1 Y_in2 1+ e Y 1 = e Y 1 = Contoh Perhitungan Back Propagation of Error 1 = (t k y k ).f (y_in k ) 1 = ( ) 1 = Weight_w jk = Weight_w jk (old) + (α. 1.z 1 ) Weight_w 11 = (0.5 * * ) Weight_w 11 =
4 31 bias = Weight_w 01 = Weight_w 01 (old) + (α. 1 ) Weight_w 01 = (0.5 * ) m _in j = k = 1 δ kwjk _in1 = 1 * Weight_W * Weight_W * Weight_W * Weight_W * Weight_W * Weight_W * Weight_W * Weight_W 81 j = _in j.f (z_in j ) Proses yang sama akan dilakukan untuk mencari nilai node pada hidden layer berikutnya, weight_v dan weight_w yang baru dan nilai bias yang baru. Proses ini akan berulang sampai error (tk yk) lebih kecil dari nilai target error. Karena proses yang dijalani sama (perbedaan hanya terdapat pada jumlah weight dan node hidden layer) maka pada contoh untuk 3 sampai 7 hidden layer berikutnya penulis hanya akan menyertakan bentuk jaringan neural networknya saja.
5 Model Neural dengan 3 node hidden layer X 1 bias bias X 2 Z 1 X 3 X 4 X 5 Z 2 WeightW Y 1 X 6 Z 3 X 7 X 8 WeightV Gambar 3.2 Model Neural dengan 3 node hidden layer Gambar di atas memperlihatkan model neural network pada aplikasi peramalan dengan menggunakan 3 hidden layer. Garis panah yang menghubungkan input layer (X 1 sampai X 8 ) dengan hidden layer (Z 1 -Z 3 ) adalah weightv sedangkan garis panah yang menghubungkan hidden layer dengan output layer (Y 1 ) adalah weightw.
6 Model Neural dengan 4 node hidden layer X 1 bias bias X 2 Z 1 X 3 Z 2 X 4 X 5 Z 3 WeightW Y 1 X 6 X 7 Z 4 X 8 WeightV Gambar 3.3 Model Neural dengan 4 node hidden layer Gambar di atas memperlihatkan model neural network pada aplikasi peramalan dengan menggunakan 4 hidden layer. Garis panah yang menghubungkan input layer (X 1 sampai X 8 ) dengan hidden layer (Z 1 -Z 4 ) adalah weightv sedangkan garis panah yang menghubungkan hidden layer dengan output layer (Y 1 ) adalah weightw.
7 Model Neural dengan 5 node hidden layer bias X 1 bias Z 1 X 2 X 3 Z 2 X 4 Z 3 X 5 Z 4 WeightW Y 1 X 6 Z 5 X 7 X 8 WeightV Gambar 3.4 Model Neural dengan 6 node hidden layer Gambar di atas memperlihatkan model neural network pada aplikasi peramalan dengan menggunakan 6 hidden layer. Garis panah yang menghubungkan input layer (X 1 sampai X 8 ) dengan hidden layer (Z 1 -Z 6 ) adalah weightv sedangkan garis panah yang menghubungkan hidden layer dengan output layer (Y 1 ) adalah weightw.
8 Model Neural dengan 6 node hidden layer X 1 bias bias Z 1 X 2 Z 2 X 3 X 4 Z 3 X 5 Z 4 WeightW Y 1 X 6 Z 5 X 7 X 8 WeightV Z 6 Gambar 3.5 Model Neural dengan 6 node hidden layer Gambar di atas memperlihatkan model neural network pada aplikasi peramalan dengan menggunakan 6 hidden layer. Garis panah yang menghubungkan input layer (X 1 sampai X 8 ) dengan hidden layer (Z 1 -Z 6 ) adalah weightv sedangkan garis panah yang menghubungkan hidden layer dengan output layer (Y 1 ) adalah weightw.
9 Model Neural dengan 7 node hidden layer X 1 bias bias Z 1 X 2 Z 2 X 3 Z 3 X 4 Z 4 Y 1 X 5 WeightW X 6 Z 5 X 7 Z 6 X 8 WeightV Z 7 Gambar 3.6 Model Neural dengan 7 node hidden layer Gambar di atas memperlihatkan model neural network pada aplikasi peramalan dengan menggunakan 7 hidden layer. Garis panah yang menghubungkan input layer (X 1 sampai X 8 ) dengan hidden layer (Z 1 -Z 7 ) adalah weightv sedangkan garis panah yang menghubungkan hidden layer dengan output layer (Y 1 ) adalah weightw.
10 Perancangan Database Pada skripsi ini penulis menggunakan Microsoft Access XP sebagai database. Data disimpan dalam tabel training dengan field-field sebagai berikut: Training Pair Diagnosi Lamademam Kesadaran Nadi Perdarahan Akral Rothorak Output Training pair digunakan sebagai primary key. Semua tipe data yang penulis gunakan untuk database ini adalah double atau tipe data yang dapat menampung angka decimal agar sewaktu ditraining maupun ditesting data dapat diproses, kecuali untuk training pair menggunakan tipe data integer. Output yang ingin dicapai adalah tingkat kesembuhan pasien demam berdarah. 3.3 Pemrosesan Data Karena pada dasarnya Neural Network menggunakan angka dengan kisaran antara -1 sampai 1 maka data yang akan diproses diubah terlebih dahulu dengan metode interpolasi, dengan penghitungan sebagai berikut: Nilai_tengah = nilai_max + nilai_min 2
11 38 Nilai_tengah_rentang = X = nilai_data - nilai_tengah nilai tengah_rentang dimana, nilai_tengah : nilai tengah dari data nilai_tengah_rentang : nilai tengah dari rentang data nilai_max nilai_min 2 nilai_max nilai_min x : nilai maximum dari data : nilai minimum dari data : nilai yang akan diinput Contohnya pada variabel lama demam mempunyai nilai minimum 2, sedangkan nilai maximumnya 6 dan nilai yang akan diolah 4, maka nilai yang akan diinput adalah: Nilai_tengah = = Nilai_tengah_rentang = = X = = Perancangan Program Aplikasi Penerapan Neural Network Penerapan Neural Network untuk menyelesaikan permasalahan di atas dapat digambarkan sebagai berikut :
12 39 Algoritma Peramalan Kesembuhan Pasien Demam Berdarah dengan Backpropagation 1. Inisialisasikan nilai variabel yang akan diinput Inisialisaskan Alfa, Target Error (nilai error minimum yang ingin dipenuhi) Inisialisasikan weight awal pada setiap neuron Inisialisasikan jumlah node pada hidden layer 2. Training nilai-nilai yang sudah diinput dengan FeedForward, Backpropagation, dan Update Weight -FeedForward- Jumlahkan nilai bias dan nilai perkalian antara nilai-nilai weight dengan nilai input yang bersesuaian Masing-masing penjumlahan dimasukan ke dalam fungsi aktivasi logistic dan menjadi input untuk hidden layer Jumlahkan nilai bias dan nilai perkalian antara nilai-nilai weight dengan nilai input yang bersesuaian Masing-masing penjumlahan dimasukan ke dalam fungsi aktivasi logistic dan menjadi nilai output -BackPropagation of Error- Untuk setiap output hitung error antara nilai output sebelumnya dengan nilai output yang terbaru Hitung nilai weight antara hidden layer dan output layer yang baru dan bias yang baru Untuk setiap hidden layer jumlahkan setiap masukan dari output layer Tentukan nilai error dengan mengalikan hasil diatas dengan turunan dari fungsi aktivasi Hitung nilai weight antara hidden layer dan input layer yang baru dan bias yang baru Hitung nilai error Iterasikan sampai nilai error yang dicapai lebih kecil dari nilai target error 3. Inisialisasikan nilai variabel yang akan ditesting Lakukan tahap FeedForward
13 State Trantition Diagram Masukkan Input training Start Training Interpolasikan FeedForward Backpropagation Update Weight < error no yes Masukkan input testing FeedForward Selesai Gambar 3.7 STD Aplikasi Peramalan Kesembuhan Pasien Demam Berdarah dengan Algoritma Backpropagation
14 Perancangan Layar File Aplikasi Peramalan Kesembuhan Pasien Demam Berdarah Diagnosis Alfa 0.5 Error Lama demam Target Error 0.14 Output Kesadaran Nadi Jumlah hidden layer Perdarahan 7 Akral Perfusi Add Training Pair Training Simulate Rontgen Thorak gambar 3.8 Layar Utama Program ini hanya terdiri dari satu layar utama, hal ini dikarenakan penulis ingin membuat aplikasi ini sederhana dan dapat langsung digunakan oleh user. Pada bagian ini pertama-tama user dapat memasukan nilai alpha untuk parameter learning rate, nilai target error untuk nilai maximal error yang diinginkan, dan jumlah node pada hidden layer yang dibatasi hanya sampai 7 node pada hidden layer. Pada aplikasi ini sudah disediakan nilai default untuk ketiga field tersebut. User pertama kali harus me-load input untuk training pair dalam bentuk database, dengan menekan tombol Add Training Pair. Penulis sengaja tidak menyediakan database yang otomatis di-load oleh aplikasi ini agar aplikasi ini
15 42 fleksibel untuk digunakan oleh user-user pada rumah sakit lain yang mempunyai datadata pasien yang berbeda, sehingga data yang akan ditraining akan selalu up to date. Setelah me-load informasi yang diinginkan dari database user diarahkan untuk memilih menekan tombol Training atau menu file-new, karena tombol-tombol lain telah didisabled. Jika tombol training di tekan maka otomatis program akan mentraining data-data yang ada pada database, aplikasi ini juga menyediakan field untuk mengamati proses perubahan nilai error sampai mencapai nilai error yang diinginkan. Aplikasi ini disertai dengan timer yang akan menghitung waktu tiap training. Setiap pen-training-an baru yang dilakukan maka akan dilakukan pula penghitungan waktu ulang. Setelah training user hanya dapat melakukan dua proses, yaitu testing dengan menekan tombol Testing atau new untuk training ulang dengan menekan menu filenew. Jika user ingin melakukan testing maka terlebih dahulu user diminta mengisi nilai-nilai pada field-field yang sudah disediakan. Antara lain: Penyakit lain, Lama di ICU, Tekanan darah bawah awal, Nadi awal, Leukosit awal, Tekanan darah bawah akhir, Diagnosis. Jika sudah maka program siap melakukan testing. 3.5 Spesifikasi Modul Untuk menjelaskan proses-proses yang terdapat pada program aplikasi kriptografi visual ini yang terjadi pada setiap modul, maka akan diperinci dengan spesifikasi modul di bawah ini: Modul FormCreate Modul FormCreate merupakan modul yang dipanggil pertama kali saat mengeksekusi program. Modul Form Create berfungsi untuk melakukan setting
16 43 awal terhadap tampilan awal form utama pada saat program pertama kali dieksekusi. Timer di non-aktifkan Tombol training di non-aktifkan Set waktu awal Index pada hidden layer = 5 Selesai Tombol training sengaja dinon-aktifkan dengan tujuan agar user diarahkan untuk melakukan add training pair pada saat pertama kali menjalankan program. Sedangkan pada index hidden layer penulis memberikan nilai 5 karena pada aplikasi ini penghitungan hidden layer dimulai dari dua atau dengan kata lain pada modul lain array untuk hidden layer sudah ditambah 2 dari awalnya Modul Execute Jika flag = 0, maka Lakukan selama GenEror lebih kecil dari Err Inisialisasi GenEror Lakukan berulang dari i =0 sampai JmlTp-1 Jalankan modul Feed_Forward Jalankan modul Back_Prop Lakukan berulang sebanyak jumlah output layer GenEror = GenEror + Nilai absolut dari(output layer node error); Selesai Jalankan modul update_weight Selesai GenEror := GenEror dibagi (Jumlah training pair * OutputLayer.jmlNode) Jalankan Synchronize(Cetak) Atau lakukan mulai jalankan Feed_Forward jalankan modul Cetak
17 44 Pada modul execute ini dapat dikatakan inti dari program ini, tahap-tahap yang dilakukan pada Neural Network dilakukan di modul ini. Modul ini dipanggil oleh modul TrainingClick setelah sebelumnya menginisialisasi weight dengan memanggil modul Inisialisasi_Weight. Pada modul ini terdapat variable penanda yaitu flags dengan kondisi jika flags masih bernilai 0 maka berarti akan melakukan training. Training akan terus dilakukan selama nilai pada variabel GenEror lebih besar atau sama dengan nilai pada variable err. Lalu jika nilai flags sudah berubah maka akan hanya melakukan 1 kali proses FeedForward Modul FeedForward Lakukan berulang sebanyak jumlah node input layer Node input layer = input Lakukan berulang sebanyak jumlah node hidden layer acc = 0; lakukan berulang sebanyak jumlah node input layer acc = acc + (weightv * input layer) acc = acc + Bias pertama Node hidden layer = 1/(1+exp(-acc)) lakukan berulang sebanyak jumlah node output layer mulai acc = 0 lakukan berulang sebanyak jumlah node hidden layer acc = acc + (WeightW * hidden layer) acc := acc + Bias kedua Node output layer = 1/(1+exp(-acc)) Pada modul ini nilai-nilai yang ada pada input layer dikalikan dengan weightweightnya. Nilai yang didapat dimasukan ke dalam fungsi aktivasi kemudian nilai pada fungsi aktivasi dijadikan input untuk layer pada level diatasnya, yaitu hidden layer. Nilai-nilai pada hidden layer dikalikan dengan weight-weightnya. Nilai yang didapat dimasukan ke dalam fungsi aktivasi.
18 Modul Back_Prop Lakukan berulang sebanyak jumlah node output layer temp = nilai output error output layer = temp output dari output layer error2 output layer = error output layer outputlayer.layernode[i].error2 = outputlayer.layernode[i].error OutputLayer.LayerNode[i].error := OutputLayer.LayerNode[i].error * OutputLayer.LayerNode[i].output; OutputLayer.LayerNode[i].error := OutputLayer.LayerNode[i].error * (1- OutputLayer.LayerNode[i].output); end; for i:=0 to HiddenLayer.jmlNode-1 do begin acc := 0; for j:=0 to OutputLayer.jmlNode-1 do begin acc := acc + (WeightW[i,j] * OutputLayer.LayerNode[j].error); end; HiddenLayer.LayerNode[i].error := acc * HiddenLayer.LayerNode[i].output * (1- HiddenLayer.LayerNode[i].output); end; end; Pada modul ini nilai alpha yang sudah diinput digunakan untuk learning rate backpropagation. Semakin kecil nilai alpha semakin kecil perubahan bobot synapsis jaringan dari iterasi satu ke iterasi lainnya. Peningkatan ini menyebabkan pembelajaran lebih lama. Jika dibuat nilai alpha yang terlalu besar untuk mempercepat pembelajaran, hasilnya perubahan yang besar dari bobot synapsis menyebabkan jaringan menjadi tidak stabil (bolak-balik).
19 Modul Inisialisasi_Weight Set panjang (WeightV,7,Jumlah Hidden); Set panjang (WeightW,Jumlah hidden,1); Lakukan berulang sebanyak 7 kali Lakukan berulang sebanyak jumlah node hidden layer WeightV = random - 0.5; Lakukan berulang sebanyak jumlah node hidden layer Lakukan berulang sekali WeightW = random - 0.5; Set panjang (Bias,2); Set panjang (Bias,JmlHidden); Set panjang (Bias,1); Lakukan berulang sebanyak jumlah node hidden layer Bias = random - 0.5; Lakukan berulang sekali Bias = random - 0.5; Pada modul dilakukan penentuan jumlah maximum node pada hidden layer, jumlah node bias. Pada modul ini dilakukan inisialisasi nilai-nilai weight secara acak dengan kisaran antara 0.5 sampai Nilai-nilai weight yang diinisialisasi akan digunakan untuk melakukan training Modul Update_Weight Lakukan berulang sebanyak jumlah node hidden layer mulai Lakukan berulang sebanyak jumlah node input layer delta = alpha * node input layer * error hidden layer WeightV = WeightV + delta lakukan berulang sebanyak jumlah node output layer mulai lakukan berulang sebanyak jumlah node hidden layer mulai delta = alpha * outpout hidden layer * error node output layer
20 47 WeightW = WeightW + delta; lakukan berulang sebanyak jumlah node hidden layer Bias = Bias + (alpha * error node hidden layer) Lakukan berulang sebanyak jumlah node output layer Bias = Bias + (alpha * error node output layer) Selesai Pada modul ini dilakukan perubahan nilai weight menggunakan nilai pada delta. Nilai delta didapat dari perkalian antara nilai alpha dengan nilai output yang dihasilkan pada oleh layer input dan layer hidden. Pada modul ini juga dilakukan perubahan pada nilai bias Modul Create Constructor_TBPThread.Create(Edit:TEdit;output:tedit;tparray:TDynamicTParray;JTP: integer;b:tdynamicrealarray;al:real;e:real;fl:integer;v:tdynamicrealarray;w:tdyna micrealarray;jmlhid:integer); mulai Randomize WeightV = v WeightW = w FEdit = Edit Foutput = Output TPA = tparray JmlTP = JTP bias = b alpha = al err = e flags = fl JmlHidden = jmlhid InputLayer.JmlNode = 7 setlength(inputlayer.layernode,inputlayer.jmlnode); HiddenLayer.JmlNode = JmlHidden setlength(hiddenlayer.layernode,hiddenlayer.jmlnode) OutputLayer.JmlNode = 1 setlength(outputlayer.layernode,outputlayer.jmlnode) if fl = 0 then Inisialisasi_Weight inherited Create(False) Pada modul ini dilakukan pengiriman nilai antar thread. Karena pada aplikasi ini digunakan multi-thread maka nilai-nilai pada variabel-variabel di kedua thread
21 48 dikirim melalui sebuah constructor. Constructor adalah modul yang digunakan untuk mengambil nilai pada thread lain melalui passing parameter Modul Cetak mulai jika Flags = 0 maka FEdit.Text := FloatToStr(GenEror) Atau lakukan mulai FEdit.Text = FloatToStr(GenEror); foutput.clear lakukan berulang sebanyak jumlah node output layer Foutput.Text = floattostr(outputlayer.layernode.output) Pada modul ini nilai-nilai yang dihasilkan selama proses training dicetak. Pada modul ini juga dilakukan proses pencetakan hasil testing. Karena untuk mencetak pada layer harus menggunakan tipe data string maka nilai yang ingin dicetak diubah terlebih dahulu menggunakan fungsi floattostr Modul ThreadDone mulai timer.enabled = false WeightV = thr.weightv WeightW = thr.weightw bias = thr.bias Application.MessageBox('finish','finish',0) button4.enabled = true button3.enabled = false edit1.enabled := true edit2.enabled := true edit3.enabled := true edit4.enabled := true edit5.enabled := true edit6.enabled := true edit7.enabled := true
22 49 Pada modul ini diberikan pernyataan untuk melakukan training atau learning. Tombol-tombol yang awalnya dinon-aktifkan sebelum training melalui modul ini sekarang diaktifkan kembali. Lalu kolom-kolom yang sebelumnya tidak aktif juga sudah diaktifkan kembali sehingga user sudah dapat melakukan learning. Fungsi dari statement weightv = thr.weightv dan seterusnya adalah untuk mengambil nilai dari thread unit2 untuk bisa digunakan kembali Modul AddTPClick mulai jika OpenDialog1.Execute maka filename = OpenDialog1.FileName tbl.connectionstring := 'Provider=Microsoft.Jet.OLEDB.4.0;Data Source=' + filename + ';Persist Security Info=False' Buka tabel Lakukan berulang selama belum End of File mulai jmltp:=jmltp+1 setlength(tpa,jmltp) tpa[jmltp-1].input[0]:=(tbl.fieldbyname('diagnosi').asfloat-3)/2 tpa[jmltp-1].input[1]:=(tbl.fieldbyname('lamademam').asfloat-4)/2 tpa[jmltp-1].input[2]:=(tbl.fieldbyname('kesadaran').asfloat-3)/2 tpa[jmltp-1].input[3]:=(tbl.fieldbyname('nadi').asfloat) tpa[jmltp-1].input[4]:=(tbl.fieldbyname('perdarahan').asfloat-2.5)/1.5 tpa[jmltp-1].input[5]:=(tbl.fieldbyname('akral').asfloat) tpa[jmltp-1].input[6]:=(tbl.fieldbyname('rothorak').asfloat) tpa[jmltp-1].output[0]:=tbl.fieldbyname('output').asfloat tbl.selanjutnya Modul ini adalah modul yang dijalankan sewaktu user menekan tombol Add Training Pair. Yang pertama kali dilakukan oleh modul ini adalah mengeksekusi fungsi Open Dialog. Fungsi Open Dialog membuka sebuah window untuk user menentukan file database mana yang ingin ditraining lalu menyimpannya dalam variabel filename. Setelah itu dilakukan koneksi antara aplikasi dengan database menggunakan suatu provider : Microsoft.Jet.OLEDB.4.0.
23 50 Seperti yang sudah dijelaskan pada awal bab ini yaitu karena nilai datanya ada yang beragam maka untuk beberapa variabel dilakukan perubahan nilai agar mendapat range nilai yang diinginkan, yaitu -1 sampai Modul TrainingClick alfa = strtofloat(talfa.text) TargetEror = strtofloat(ttargeteror.text) thr:=tbpthread.create(teror,tout,tpa,jmltp,bias,alfa,targeteror,0,weightv,weightw,com bobox1.itemindex+2) dengan thr lakukan OnTerminate = ThreadDone timer1.enabled = true Pada modul ini dilakukan insialisasi untuk variabel alfa dan targeteror. Nilai alfa dan targeteror didapat dari nilai yang ada di layar utama yang oleh penulis sudah diberikan nilai defaultnya yaitu alfa = 0.5 dan targeteror = Pemberian nilai error 0.15 akan dijelaskan pada bab selanjutnya Modul LearningClick Jika (edit1.text <> '') and (edit2.text <> '') and (edit3.text <> '') and (edit4.text <> and (edit5.text <> '') and (edit6.text <> '') and (edit7.text <> '') maka mulai JmlTP = 1 Set panjang (TPA,JmlTP) tpa[jmltp-1].input[0] = (strtofloat(edit1.text)-3)/2 tpa[jmltp-1].input[1] = (strtofloat(edit2.text)-4)/2 tpa[jmltp-1].input[2] = (strtofloat(edit3.text)-3)/2 tpa[jmltp-1].input[3] = strtofloat(edit4.text) tpa[jmltp-1].input[4] = (strtofloat(edit5.text)-2.5)/1.5 tpa[jmltp-1].input[5] = strtofloat(edit6.text) tpa[jmltp-1].input[6] = strtofloat(edit7.text)
24 51 dengan(tbpthread.create(teror,tout,tpa,jmltp,bias,alfa,targeteror,1,weightv,wei ghtw,combobox1.itemindex+2)) lakukan OnTerminate = ThreadDone atau lakukan application.messagebox('field input diisi terlebih dahulu','error',0) Modul ini adalah modul yang akan dijalankan jika user menekan tombol learning. Pada awal modul diberikan validasi untuk user mengisi semua kolom terlebih dahulu agar learning dapat dijalankan. Setelah dijalankan nilai variabel yang diinput diubah terlebih dahulu seperti yang sudah dijelaskan diatas. Lalu melalui fungsi thread modul ini terhubung dengan modul execute yang ada pada unit2 dan menjalankan fungsi feedforward sebanyak 1 kali Modul New1Click JmlTp = 0 setlength(tpa,jmltp) addtp.enabled = true training.enabled = false edit1.text := '' edit2.text := '' edit3.text := '' edit4.text := '' edit5.text := '' edit6.text := '' edit7.text := '' teror.text := ' Modul ini men-set ulang aplikasi agar dapat melakukan training ulang dengan menginisialisasikan variabel JmlTp dengan nilai 0.
25 Modul Exit1Click application.terminate Modul ini menjalankan fungsi untuk menterminasi aplikasi.
BAB IV IMPLEMENTASI DAN EVALUASI NEURAL NETWORK PADA DATA PASIEN DEMAM BERDARAH
53 BAB IV IMPLEMENTASI DAN EVALUASI NEURAL NETWORK PADA DATA PASIEN DEMAM BERDARAH Pada bab ini disajukan pengujian program aplikasi dan ahsil pengujiannya termasuk spesifikasi komputer yang digunakan
Lebih terperinciUNIVERSITAS BINA NUSANTARA
UNIVERSITAS BINA NUSANTARA Program Studi Ganda Teknik Informatika - Matematika Skripsi Sarjana Program Studi Ganda Semester Ganjil 2005/2006 Novan Parningotan S NIM: 0400532004 Abstrak Pada saat ini, penyakit
Lebih terperinciBAB 4 IMPLEMENTASI. minimum 2 Giga Hertz dan memory RAM minimum 256 MB, sedangkan untuk
74 BAB 4 IMPLEMENTASI 4.1 Spesifikasi Kebutuhan Sarana Untuk menjalankan training dalam program peramalan ini diperlukan spesifikasi Hardware dengan prosesor minimum setingkat Intel Pentium IV dengan kecepatan
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output
Lebih terperinciBAB 3 PERANCANGAN PROGRAM APLIKASI
BAB 3 PERANCANGAN PROGRAM APLIKASI 3.1 Rancangan Aplikasi Program aplikasi motion detection yang akan dirancang memiliki struktur hirarki di mana terdapat 3 sub menu dari menu utamanya yaitu sub menu file,
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang
57 BAB 4 IMPLEMENTASI DAN EVALUASI Dalam bab ini, selain menjelaskan mengenai kebutuhan minimum untuk perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang dihasilkan, juga akan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER
BAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER Dalam analisis dan perancangan sistem program aplikasi ini, disajikan mengenai analisis kebutuhan sistem yang digunakan, diagram
Lebih terperinciBAB 3 PERANCANGAN PROGRAM
BAB 3 PERANCANGAN PROGRAM 3.1. Spesifikasi Rumusan Rancangan Program aplikasi ini terdiri dari 2 bagian, bagian input data dan bagian analisis data. Bagian Input Data: pada bagian ini user akan diminta
Lebih terperinciLaporan Implementasi Naïve Bayes dan Feed Forward Neural Network untuk Klasifikasi
Laporan Implementasi Naïve Bayes dan Feed Forward Neural Network untuk Klasifikasi dibuat oleh 707 Berusaha Imba: 13514002 M. Diaztanto Haryaputra 13514023 Fanda Yuliana Putri 13514025 Ratnadira Widyasari
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka berpikir Perubahan nilai tukar rupiah terhadap mata uang asing tidak dapat dihindari. Untuk mengatasi perubahan yang tidak pasti ini diperlukan suatu prediksi.
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Gambaran Umum Manusia mempunyai kemampuan untuk belajar sejak dia dilahirkan, baik diajarkan maupun belajar sendiri, hal ini dikarenakan manusia mempunyai jaringan saraf.
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciBAB 3 PEMBAHASAN. pelayanan kesehatan prima, Pt Binara Guna Mediktama pada tahun 1986 mendirikan
BAB 3 PEMBAHASAN 3.1 Rumah Sakit Pondok Indah 3.1.1 Latar Belakang Guna memenuhi kebutuhan masyarakat akan adanya rumah sakit swasta dengan pelayanan kesehatan prima, Pt Binara Guna Mediktama pada tahun
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 terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB 3 PERANCANGAN SISTEM. untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
29 BAB 3 PERANCANGAN SISTEM 3.1 Gambaran Umum Sistem Pada dasarnya untuk pembuatan aplikasi ini, yakni aplikasi pengenalan suara untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
Lebih 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 terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Analisis merupakan proses penguraian konsep ke dalam bagian-bagian yang lebih sederhana, sehingga struktur logisnya menjadi jelas. Metode untuk menguji, menilai, dan
Lebih terperinciBAB 3 PERANCANGAN PROGRAM APLIKASI
BAB 3 PERANCANGAN PROGRAM APLIKASI 3.1. Gambaran Umum Perancangan Program aplikasi yang dirancang ini akan menggunakan database sebagai sumber data yang dibutuhkan. Database tersebut akan berisi data pintu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Artificial Neural Network Artificial neural network (ANN) / jaringan saraf tiruan adalah konsep yang merefleksikan cara kerja dari jaringan saraf biologi kedalam bentuk artificial
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 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 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 terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN. menentukan dan mengungkapkan kebutuhan sistem. Kebutuhan sistem terbagi menjadi
BAB 3 ANALISIS DAN PERANCANGAN 3. Analisis Kebutuhan Sistem Hal pertama yang perlu dilakukan dalam analisis kebutuhan sistem adalah menentukan dan mengungkapkan kebutuhan sistem. Kebutuhan sistem terbagi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciArsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah memin
BACK PROPAGATION Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan
Lebih terperinciBAB 3 PERANCANGAN SISTEM. mendapatkan input, melakukan proses, dan menghasilkan output yang diinginkan oleh
23 BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras Perangkat keras yang digunakan dalam sistem kali ini berupa rancangan untuk mendapatkan input, melakukan proses, dan menghasilkan output yang diinginkan
Lebih terperinciBAB 1 PENDAHULUAN. saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Cepatnya perubahan fluktuasi harga index saham membuat para pemegang saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung. Saham yang mempunyai
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Kondisi pengolahan data yang telah dijabarkan sebelumnya pada bab 1 (satu) memiliki keterkaitan terhadap permasalahan yang teridentifikasi. Yaitu permasalahan terkait desain
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciProgram Pilihan Ganda Sederhana dengan Java
Program Pilihan Ganda Sederhana dengan Java Posted by Lita Nurlaelati 1:25 PM Programming Kali ini admin berbagi tentang membuat program Java GUI menggunakan Netbeans. Berikut langkah - langkahnya : Buat
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN Pada tugas akhir ini akan dirancang sebuah perangkat lunak untuk prediksi kebangkrutan perusahaan berdasarkan laporan keuangan perusahaan yang pernah terdaftar (listed) di
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM 3.1 Analisis Sistem yang Sedang Berjalan 3.1.1 Gambaran Umum Perusahaan PT. Siem & Co telah berdiri sejak tahun 1955 dan telah mengalami banyak sekali pergantian
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. forecasting produksi gula berdasarkan hasil laporan tahunan PTPN IX
BAB III ANALISIS DAN PERANCANGAN SISTEM Pada Tugas Akhir ini akan dirancang sebuah Perangkat Lunak untuk forecasting produksi gula berdasarkan hasil laporan tahunan PTPN IX (PERSERO) / PG.Pangka dengan
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciBAB 3 PERANCANGAN PROGRAM
BAB 3 PERANCANGAN PROGRAM 3.1 Struktur Menu Program aplikasi kriptografi yang dirancang memiliki struktur hirarki di mana terdapat 3 sub menu dari menu utamanya. Bentuk struktur menu program aplikasi kriptografi
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Gambaran Permasalahan Secara Umum Poligon bukanlah suatu bentuk yang spesifik seperti segitiga sama kaki, persegi, belah ketupat, ataupun jajargenjang, melainkan suatu
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 31 Pendahuluan Algoritma Resilient Backpropagation (RPROP) dibagi menjadi dua bagian proses yaitu forward pass dan backward pass Forward pass berfungsi untuk mendapatkan nilai
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciBAB 3 METODOLOGI. 3.1 Metodologi Penelitian Pengumpulan Bahan Penelitian. Dalam penelitian ini bahan atau materi dikumpulkan melalui :
BAB 3 METODOLOGI 3.1 Metodologi Penelitian 3.1.1 Pengumpulan Bahan Penelitian Dalam penelitian ini bahan atau materi dikumpulkan melalui : 1) Data primer, yaitu memperoleh sumber data penelitian langsung
Lebih terperinciANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU
ANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU Rosmelda Ginting 1*, Tulus 1, Erna Budhiarti Nababan 1 Program S2 Teknik Informatika
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciPERANCANGAN PROGRAM. struktur/hirarki menu, State Transition Diagram (STD), modul dan pseudocode, serta
BAB 4 PERANCANGAN PROGRAM 4. Perancangan Program Dalam perancangan program aplikasi ini, terlebih dahulu dibuat rancangan struktur/hirarki menu, State Transition Diagram (STD), modul dan pseudocode, serta
Lebih terperinciDETEKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
DETEKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK [Enterprise Bankrupcty Detection using Artificial Neural Network] Cynthia G.Y.P NRP. 1205 100 061 Dosen Pembimbing Dr. M Isa Irawan,
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 terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
Lebih terperinciBAB 3 PERANCANGAN SISTEM. ruangan yang menggunakan led matrix dan sensor PING))). Led matrix berfungsi
BAB 3 PERANCANGAN SISTEM 3.1 Pengertian Umum Perancangan Media Penyampaian Informasi Otomatis Dengan LED Matrix Berbasis Arduino adalah suatu sistem media penyampaian informasi di dalam ruangan yang menggunakan
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 terperinciStudi Modifikasi standard Backpropagasi
Studi Modifikasi standard Backpropagasi 1. Modifikasi fungsi objektif dan turunan 2. Modifikasi optimasi algoritma Step Studi : 1. Studi literatur 2. Studi standard backpropagasi a. Uji coba standar backpropagasi
Lebih terperinciBAB 3 RANCANGAN PROGRAM APLIKASI
36 BAB 3 RANCANGAN PROGRAM APLIKASI 3.1 Struktur Menu Pertama-tama, pada program ini, terdapat 2 buah tombol utama, yaitu tombol Kuantitatif, dan tombol Kualitatif. Berikut, digambarkan struktur masingmasing
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciMODUL 2 SELECTION & LOOPING PADA FORM
MODUL 2 SELECTION & LOOPING PADA FORM TUJUAN : Mahasiswa mampu menguasai dan memahami penggunaan logika selection dan looping di Visual Basic.Net dengan implementasi pada Form dan object. Materi : Selection
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih terperinciBAB III 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 terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciBAB III PERANCANGAN SISTEM. dimulai dengan pengambilan data secara langsung dari kendaraan yang akan
BAB III PERANCANGAN SISTEM 3.1 Perancangan Sistem Secara Umum Pada permodelan dinamika dengan jaringan Syaraf tiruan, penelitian dimulai dengan pengambilan data secara langsung dari kendaraan yang akan
Lebih terperinciLEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA
LEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA 1,2,3 Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara e-mail: edgar.audela.bb@students.usu.ac.id,
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
Lebih terperinciBAB III METODE PENELITIAN. sistem yang digunakan untuk menggambarkan aliran data secara keseluruhan
30 BAB III METODE PENELITIAN Metode penelitian pada tugas akhir ini mencakup beberapa tahapan pengerjaan antara lain : 3.1. Perancangan Sistem Perancangan sistem pada penelitian tugas akhir ini terdiri
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
39 BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Masalah Balai Pengobatan masih menggunakan Microsoft Word dan juga menggunakan buku besar dalam proses pencatatan dan mendiagnosa penyakit dan masih
Lebih terperinciBAB 1 PENDAHULUAN. 1 Universitas Kristen Maranatha. Gambar 1.1 : Ilustrasi jaringan syaraf manusia yang diadaptasi untuk ANN (Kriesel, 2011)
BAB 1 PENDAHULUAN 1.1 Latar Belakang Rentannya kesalahan yang dapat terjadi oleh pekerjaan yang dilakukan oleh manusia dalam menganalisa, atau ketika mencoba membangun relasi antar fitur yang berjumlah
Lebih terperinciPERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION
PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION (Forecast The Number of Vehicle in Jakarta Using Backpropagation Neural Net ) Zumrotus Sya diyah Universitas Darussalam Ambon,
Lebih terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciBAB 3 METODOLOGI. Metodologi penelitian yang digunakan dalam penulisan ini adalah studi
BAB 3 METODOLOGI 3.1 Metodologi Penelitian Metodologi penelitian yang digunakan dalam penulisan ini adalah studi kepustakaan dan studi laboratorium dimana penulis mempelajari teori-teori teknik pencarian
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM 3.1 Perancangan Program 3.1.1 Perancangan Perangkat Lunak Perangkat lunak atau piranti lunak adalah: 1. Program komputer yang berfungsi sebagai sarana interaksi antara
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciBAB III ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN Pada bagian ini penulis akan menganalisa kebutuhan kebutuhan dalam membuat aplikasi ini. Setelah semua kebutuhan selesai dianalisa, maka penulis akan melanjutkan ke tahap
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 terperinciPEMBUATAN PERANGKAT LUNAK PERAMALAN MENGGUNAKAN METODE ANN DENGAN MEMANFAATKAN LIBRARY ENCOG JAVA
PEMBUATAN PERANGKAT LUNAK PERAMALAN MENGGUNAKAN METODE ANN DENGAN MEMANFAATKAN LIBRARY ENCOG JAVA Nama : Resa Alfarisi NRP : 5207100100 Jurusan : Sistem informasi FTIF ITS Dosen Pembimbing 1 : Wiwik Anggraeni
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 terperinciBAB 3 PERANCANGAN POGRAM APLIKASI
BAB 3 PERANCANGAN POGRAM APLIKASI 3.1 Perancangan Program 3.1.1 Struktur Menu Program aplikasi yang dirancang memiliki struktur dimana terdapat dua sub menu dari menu utamanya. Bentuk struktur menu program
Lebih terperinciBAB 3 PERANCANGAN PROGRAM
BAB 3 PERANCANGAN PROGRAM 3.1 Analisis Perancangan Program 3.1.1 Struktur Program Input yang diperlukan program berupa data inventori. Data inventori yang dibutuhkan di sini meliputi ID barang, nama barang,
Lebih terperinciBAB III LANDASAN TEORI. muka yang bersifat grafis Graphical User Interface (GUI). Daripada menulis
BAB III LANDASAN TEORI 3.1 Visual Basic 6.0 Visual Basic merupakan cara termudah dan tercepat untuk membuat aplikasi yang dijalankan di sistem operasi Microsoft Windows. Apakah Anda seorang profesional
Lebih terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
57 BAB 4 IMPLEMENTASI DAN EVALUASI Di dalam bab ini disajikan hasil dari perancangan program aplikasi yang telah dirancang pada bab sebelumnya. Pada bab ini juga ditampilkan hasil percobaan dengan menggunakan
Lebih terperinci1 BAB III 2. 3 METODE PENELITIAN
14 1 BAB III 2. 3 METODE PENELITIAN 3.1 Sumber data Data yang digunakan dalam penelitian ini ialah data pengeluaran beban listrik harian sepanjang tahun 2008 sampai dengan tahun 2015 yang didapat dari
Lebih terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN APLIKASI 3.1 ANALISIS
29 BAB III ANALISIS DAN PERANCANGAN APLIKASI 3.1 ANALISIS Dengan menggunakan Visual Basic 6.0 aplikasi perangkat ajar pengelolaan dan perhitungan ekspresi matematika yang akan dibangun dalam penelitian
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1 Instalasi Software Dalam pembuatan program ini penulis menggunakan Microsoft Visual Basic 2010 sebagai software aplikasi pemrograman, Microsoft Acess 2007 sebagai
Lebih terperinci