PERAMALAN TINGGI MUKA AIR DI BENGAWAN SOLO HILIR RUAS BOJONEGORO LAMONGAN AKIBAT ADANYA BENDUNG GERAK BOJONEGORO DENGAN METODE JARINGAN SYARAF TIRUAN
|
|
- Sonny Lie
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PERAMALAN TINGGI MUKA AIR DI BENGAWAN SOLO HILIR RUAS BOJONEGORO LAMONGAN AKIBAT ADANYA BENDUNG GERAK BOJONEGORO DENGAN METODE JARINGAN SYARAF TIRUAN Ima Faridhotin 1, Very Dermawan, Dian Sisinggih 1) Mahasiswa Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya ) Dosen Jurusan Teknik Pengairan, Fakultas Teknik, Universitas Brawijaya Universitas Brawijaya-Malang, Jawa Timur, Indonesia Jalan MT.Haryono 17 Malang 515 Indonesia faridhotin@gmail.com ABSTRAK Sungai Bengawan Solo merupakan sungai terbesar di Pulau Jawa. Berbagai masalah seperti kekeringan dan banjir sering terjadi khususnya Sub DAS hilir. Terdapat dua bendung gerak yang dibangun untuk alokasi air didaerah Bengawan Solo Hilir. Pada Tahun Bendung Gerak Babat dibangun, sedangkan Tahun 1 Bendung Gerak Bojonegoro dibangun yang lokasinya dihulu Bendung Gerak Babat. Peramalan debit outflow Bendung Gerak Bojonegoro untuk mempercepat pengambilan keputusan dalam pengoperasian pintu air khususnya pada musim kemarau dengan metode Jaringan Syaraf Tiruan menggunakan data time series untuk pelatihan yang diharapkan mampu memperkirakan besaran debit yang harus dikeluarkan Bendung Gerak Bojonegoro agar tidak mengakibatkan kelebihan air di hulu Bendung Gerak Babat atau sebaliknya. Bentuk pemodelan JST untuk TMA BSH dilakukan dengan kondisi yaitu sebelum (-1) dan sesudah (13-1) adanya Bendung Gerak Bojonegoro dibangun, arsitektur JST yaitu MultiLayer Perceptron dengan menggunakan fungsi pelatihan Leverberg-Marquardt. Pada tahap pelatihan dengan bantuan software NeuroSolution 7.1. Training dengan hasil yang paling sesuai akan digunakan untuk menentukan pemodelan terbaik. Pelatihan dengan 5 epochs untuk prosentase data Training-Cross Validation-Testing (-3-1)% dari keseluruhan data mempunyai kesesuaian yang terbaik dengan Kesalahan Ralatif (KR),% sebelum dan,7% sesudah Bendung Gerak Bojonegoro. Berdasarkan hasil analisis tinggi muka air Bengawan Solo Hilir dipengaruhi oleh operasional pintu Bendung Gerak Bojonegoro. Maka dilakukan peramalan TMA hulu Bendung Gerak Bojonegoro dengan metode JST. Pemodelan tersebut digunakan untuk meramalkan TMA hulu Bendung Gerak Bojonegoro bulan November-Desember 1 dengan prosentase (7--1)% diperoleh KR 5,7%. Pada saat debit di pos Padangan > 5 m 3 /dt maka elevasi hulu Bendung Gerak Bojonegoro > m dan pintu Bendung Gerak Babat akan dibuka penuh. Kata Kunci: Jaringan Saraf Tiruan, NeuroSolution 7.1, Tinggi Muka Air, Bukaan Pintu ABSTRACT Bengawan Solo River is the largest river in Java Island. Various problems such as droughts and floods are common, especially downstream watersheds. There are two barrage built for water allocation of downstream of Bengawan Solo area. In Babat Barrage was built, while in 1 Bojonegoro Barrage was built located in upstream Babat Barrage. Forecasting outflow discharge of Bojonegoro Barrage to accelerate decision making in operation of sluice gate, especially in dry season using Artificial Neural Network method, it is using time series data for training which is expected to estimate the amount of discharge that must be issued by Bojonegoro Barrage in order not to cause excess water in upper Babat Barrage or conversely. JST modeling form water level of Downstream Bengawan Solo was carried out with conditions: before (-1) and after (13-1) Bojonegoro Barrage was constructed. ANN architecture was Multilayer Perceptron. In the training stage using NeuroSolution 7.1. Training the
2 most appropriate result would be used to determine the best modeling. The training with 5 epochs for the data percentage of the data Training-Cross Validation-Testing (-3-1)% from the whole data had the best conformity with the Relative Error of,% before and,7% after Bojonegoro Barrage. Based on the analysis result, the height water level of the Downstream Bengawan Solo was affected by the sluice gate operation of Bojonegoro Barrage consequently, the water level prediction of upstream Bojonegoro Barrage using ANN method. The modeling was used to predict water level of the upstream Bojonegoro Barrage in November-December 1 in which with the percentage of (7--1)%, Relative Error 5,7% was obtained. When discharge on Padangan s AWLR was > 5 m 3 /s, then the elevation of upstream Bojonegoro Barrage was > m and the sluice gate of Babat Barrage would be full open. Keywords: Artificial Neural Network, NeuroSolution 7.1, Height Water Level, Sluice Gate PENDAHULUAN Sungai Bengawan Solo merupakan sungai terbesar di pulau Jawa dengan luas 1.1 km, bagian hilir Bengawan Solo yang khususnya daerah Bojonegoro, Tuban, Lamongan dan Gersik hampir setiap tahun mengalami banjir karena ketidakmampuan sungai mengalirkan debit banjir yang terjadi. Fluktuasi muka air di sungai Bengawan sangat berbeda ketika musim kemarau di bagian hilir terjadi penurunan muka air yang cukup signifikan, maka untuk mengatasi berbagai permasalahan tersebut di bangunlah Bendung Gerak Babat tahun di Kendal yang di operasikan untuk pemenuhan kebutuhan industri PT.Petrokimia Gersik, irigasi DI Leideng serta melayani kebutuhan PDAM Lamongan. Sedangkan untuk mengatasi kekeringan di Bojonegoro dan sekitarnya pihak BBWS Bengawan Solo membangun Bendung Gerak Bojonegoro tahun 1 di Trucuk. Adanya Bendung Gerak Bojonegoro akan mempengaruhi fluktuasi muka air di hulu Bendung Gerak Babat dan yang dikhawatirkan mengganggu pemenuhan kebutuhan air di daerah tersebut, maka perlu adanya pola operasi di Bendung Gerak Bojonegoro dan disesuaikan dengan fluktuasi muka air di hulu Bendung Gerak Babat yang muka airnya dipertahankan di elevasi +, m guna efektivitas penampungan, sedangkan pada Bendung Gerak Bojonegoro dapat dioperasikan ketika elevasi TMA di +.5m. Peramalan debit outflow Bendung Gerak Bojonegoro berfungsi untuk mempercepat pengambilan keputusan pengoperasian pintu air khususnya pada musim kemarau dengan metode Jaringan Saraf Tiruan menggunakan data time series untuk pelatihan yang diharapkan mampu memperkirakan besaran debit yang harus dikeluarkan Bendung Gerak Bojonegoro agar tidak mengakibatkan kelebihan air di hulu Bendung Gerak Babat atau sebaliknya. METODOLOGI Lokasi yang dipilih untuk peramalan muka air ini di Bengawan Solo ruas Bojonegoro-Lamongan dari Bendung Gerak Bojonegoro sampai Bendung Gerak Babat. Adapun peta lokasi dapat dilihat pada Gambar 1. Gambar 1. Peta DAS Bengawan Solo Sumber: Profil BBWS (1)
3 Gambar. Ruas Sungai Bojonegor- Lamongan Sumber: Google Earth (17) Jaringan Saraf Tiruan adalah paradigma Jaringan Saraf Tiruan (JST) adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistem sel syaraf biologi manusia, yang memproses suatu informasi (Siang, 5:3). Keberhasilan suatu proses belajar JST ditunjukkan dengan besarnya error yang minimum. Proses belajar pada jaringan saraf tiruan ditunjukkan dengan perubahan bobot penghubung antara sel jarangan saraf. Implementasi jaringan syaraf tiruan dilakukan dengan perangkat keras atau komputer (Hermawan, :15). Analisis pemodelan tinggi muka air dilakukan dengan Metode JST Feedforward Backpropagation dengan bantuan NeuroSolution for Excel. Metode yang digunakan dalam proses pelatihan adalah Levenberg- Marquardt (LM). Dalam penyusunan analisa ini tahap pengolahan data sebagai berikut: 1. Data-data diperlukan a. Data curah hujan harian Sta. Babat, Sta. Leran, Stasiun Jabung, Stasiun Pangkatrejo, dan Stasiun Bojonegoro pada tahun 5-1 b. Data Debit dan TMA Pos Duga Air Padangan 7-1 c. Data Debit dan TMA Pos Duga Air Kaliketek 7-1 d. Tinggi Muka Air di Hulu Bendung Gerak Bojonegoro 13-1 e. Tinggi Muka Air di Hulu Bendung Gerak Babat -1 f. Pedoman Operasi Pintu Bendung Gerak Bojonegoro dan Bendung Gerak Babat. Pengolahan Data Input Sebelum dilakukan analisis dengan pemodelan JST, maka diperlukan beberapa pengujian statistik sebagai berikut: a. Data curah hujan harian tahun 5-1 Uji konsistensi dengan metode kurva massa ganda Uji Ketidakadaan trend Uji Stasioner Uji Inlier-Outlier b. Data debit pos duga air harian tahun 7-1 Uji Stasioner 3. Pengolahan dengan NeuroSolution 7.1 Pengolahan data dengan NeuroSolution 7.1 dilakukan berdasarkan tahapan berikut:
4 a. Load data atau pembagian data harus jelas agar jaringan mendapatkan pelatihan yang secukupnya. Data pengujian digunakan untuk menguji hasil pelatihan yang dilakukan berdasarkan MSE data pelatihan dan pengujian. b. Pada program NeuroSolution 7.1 pembagian data dibagi berdasarkan coloums dan rows pada program Ms. excel. Data coloums dibagi menjadi kelompok data data input, dan data output. sedangkan pembagian data berdasarkan rows terkait dengan pembagian data untuk pelatihan (training), data untuk validitas (validation), dan data untuk pengujian (testing). Beberapa komposisi data pelatihan dan pengujian yang sering digunakan adalah sebagai berikut (Maru`ao, 1): % untuk data pelatihan dan % untuk data pengujian. 7% untuk data pelatihan dan 3% untuk data pengujian. /3 untuk data pelatihan dan 1/3 untuk data pengujian. 5% untuk data pelatihan dan 5% untuk data pengujian. % untuk data pelatihan dan % untuk data pengujian. c. Pemodelan Jaringan Karena dalam program NeuroSolution 7.1 jaringan arsitektur tidak dibuat sendiri melainkan sudah tersedia dengan metode kohonen dengan 1 sistem hidden layers. d. Pemilihan koefisien pemahaman (learning rate) dan momentum e. Postprocessing/Denomalisasi Setelah proses pelatihan selesai, nilai output jaringan yang telah mengalami proses normalisasi harus dikembalikan (denormalisasi) ke harga aslinya untuk mendapatkan nilai output pada range yang sebenarnya. f. Pemilihan pemodelan ditentukan pada proses training yang dibuat dengan nilai epoch yang variatif sampai menemukan nilai MSE dan regresi yang optimum dengan nilai Kesalahan Relatif (KR) terkecil. Tahapan JST dengan algoritma Multilayer Perceptron diuraikan dalam langkah-langkah sebagai berikut : 1. Tiap-tiap unit input (Xi = 1,,,n) menerima sinyal Xi mengirimkan sinyal-sinyal ini ke unit-unit selanjutnya (unit-unit tersembunyi).. Setiap unit tersembunyi (zj, j = 1,,, p) menjumlahkan sinyalsinyal terbobotnya. n i=1 z_in j = voj + x i v ij Kemudian menerapkan fungsi aktivasinya untuk menghitung sinyal keluarannya: zj = f (z_in j) lalu mengirimkannya pada semua unit lapis lapis keluaran. 3. Setiap unit output (Yk, t = 1,,, m) menjumlahkan sinyal masukan terbobotnya. n i=1 y_in k = wok + z i w jk Kemudian menerapkan fungsi aktivasi untuk menghitung sinyal keluarannya : yk = f (y_in k). Tes kondisi berhenti. Secara garis besar tahapan penyelesaian sebagai berikut: 1. Penentuan lokasi. Pengumpulan data-data hujan, tinggi muka air, debit pada Bendung Gerak Bojonegoro dan Bendung Gerak Babat, serta data debit AWRL Pos Padangan dan data debit AWRL Pos Kaliketek. 3. Pengujian statistik terhadap data curah hujan dan debit.. Analisis peramalan TMA hulu Babat Barrage metode JST dengan software NeuroSolutions 7.1
5 5. Analisis berdasarkan kesesuaian TMAoutput jaringan dengan nilai TMA yang ditargetkan.. Analisa pengaruh Bojonegoro Barrage terhadap TMA Bengawan Solo Hilir. 7. Pemodelan TMA hulu Bojonegoro Barrage dengan metode JST dengan software NeuroSolutions Analisa operasi bukaan pintu Bojonegoro Barrage dan Babat Barrage HASIL DAN PEMBAHASAN Analisa Hidrologi Data hidrologi yaitu curah hujan tahunan mulai Tahun 5-1 dan data debit tahunan dilakukan mulai Tahun 7-1 yang diperoleh dari data pengukuran di lapangan diuji statistik sebelum digunakan sebagai data input untuk analisis tinggi muka air di Sungai Bengawan Solo hilir. Uji tersebut adalah uji konsistensi, ketidakadaan trend, uji stasioner, uji inlier-outlier untuk data curah hujan dan uji stasioner untuk data debit. Berdasarkan beberapa uji yang tealh dilakukan menunjukkan bahwa semua data curah hujan dapat digunakan untuk analisa selanjutnya, namun pada uji inlieroutlier Tahun 1 tidak memenuhi batas ambang atas maka tidak dapat digunakan untuk analisa selanjutnya. Tabel 1. Hasil Analisa Hidrologi Uji Konsistensi Data curah hujan konsisten α 5ᵒ Uji Statistika Uji Uji Stasioner Ketidakadaan Trend T hitung f hitung < f Terletak tabel diantara t tabel t hitung < t tabel Data hujan Data hujan dan tidak debit berasal menunjukkan dari populasi trend yang samanilai rata-rata dan nilai variannya adalah sama Sumber: Hasil Perhitungan (17) Uji Inlier- Outlier XH = 199,55 < Curah hujan Tahun 1 sebesar 1 mm, tidak dipakai input JST software NeuroSolutions Version 7.1. NeuroSolutions merupakan aplikasi untuk membantu proses pembelajaran dari JST dengan cara Add-In ke Excel. Algoritma pembelajaran yang digunakan yaitu Feedforward Backpropagation dengan arsitektur jaringan Multilayer Perceptron (MLP). Pada MLP terdapat satu lapisan input, satu lapisan tersembunyi, dan satu lapisan output. Lapisan input menerima sinyal dari luar kemudian melewatkan kelapisan tersembunyi pertama, yang akan diteruskan sehingga mencapai lapisan output. Secara matematis unit output dapat berupa persamaan sebagai berikut: y_ink = Wk + {( (Z 1 X Z n X n )W 1 + ( (Z 1 X Z n X n )W n } Perancangan Data Pelatihan Penentuan variabel input dan output yang akan digunakan pada proses pelatihan (training) menetukan hasil dari proses pembelajaran Jaringan Saraf Tiruan. Data yang digunakan merupakan data eksisting yang mempengaruhi tinggi muka air disepanjang sungai Bengawan Solo ruas Bojonegoro Lamongan. Pada analisa ini terdapat dua kondisi yang akan dianalisa dengan JST yaitu: 1. Kondisi tinggi muka air Bengawan Solo hilir sebelum adanya Bojonegoro barrage, data pelatihan menggunakan data eksisting tahun -1. Kondisi tinggi muka air Bengawan Solo hilir sesudah adanya Bojonegoro barrage, data pelatihan menggunakan data eksisting tahun Kondisi tinggi muka air di hulu Bendung Gerak Bojonegoro Berikut merupakan arsitektur jaringan pemodelan tinggi muka air kondisi 1 dan kondisi pada Gambar 3. dan kondisi 3 pada Gambar. Pemodelan Jaringan Saraf Tiruan dengan NeuroSolutions 7.1 Pemodelan dilakukan dengan metode Jaringan Saraf Tiruan menggunakan
6 Input V 1 X1 X X3 X X5 X X7 B1 Hidden Layer Z1 Z Z3 Z Z5 Z Z7 Z B Output Layer Y1 Target Gambar 3. Arsitektur Jaringan MLP Kondisi I dengan Tujuh Neuron Input Sumber: Anonim (17) Input X1 X X3 X X5 X X7 X X9 X1 V 11 B1 Hidden Layer Z1 Z Z3 Z Z5 Z Z7 Z Z9 Z1 Z11 B W 1 W 1 Output Layer Y1 Y Target Gambar. Arsitektur Jaringan MLP Kondisi II dengan Sepuluh Neuron Input. Sumber: Anonim (17) Notasi V adalah bobot pada lapisan tersembunyi, notasi W merupakan bobot ke lapisan keluaran (Y1) dan B merupakan bias. Pada metode JST ini prinsipnya adalah melatih jaringan sampai mendapatkan nilai output yang mendekati Y nilai target dengan trial. Untuk keputusan pembuktian akurasi model dapat dilakukan parameter pemodelan terhadap prosentase data yang digunakan dengan susunan Training : Cross Validation : Testing, pengulangan pembelajaran di coba dengan 5, 1, dan a. % - 3% - 1% (5,1, s ) b. % - 5% - 15% (5,1, s ) c. 7% - % - 1% (5,1, s ) Berikut merupakan hasil analisis tinggi muka air dengan Metode JST menggunakan NeuroSolution 7.1 pada kondisi 1 dengan 1 epoch sebagai berikut: 1. Susunlah data pelatihan JST (tahun -1) secara vertikal dari kiri ke kanan sebagai variabel input dan variabel target.. Blog kolom dari data TMAKTK hingga data QKTK, lalu klik Tag Data Column(s) As Input. 3. Blog kolom data TMABSH, lalu klik Tag Data Column(s) As Desired. Blog baris data sebanyak % dari data input dan target, lalu klik Tag Data Row(s) As Training, data yang sudah di Tag As Training akan berubah menjadi hitam 5. Blog baris data sebanyak 3% dari data input dan target. Klik Tag Data pilih Row(s) As Cross Validation, data yang sudah di Tag As Cross Validation akan berubah menjadi merah. Blog baris data sebanyak 1% dari data input dan target. Klik Tag Data pilih Row(s) As Testing, data yang sudah di Tag As Testing akan berubah menjadi biru. 7. Blog baris data yang telah diambil acak dari data training. Klik Tag Data pilih Row(s) As Production, data yang sudah di Tag As Production akan berubah menjadi hijau. Data pada kolom desired dipindahkan pada kolom selanjutnya.
7 MSE TMA BBT Output (m) Output (m). Langkah selanjutnya adalah membangun jaringan data dengan klik ikon Build Network pilih Regression MLP ( > 1 rows) Setelah memilih arsitektur jaringan multilayer perceptron dan pilih Continue 9. Maka akan terbentuk struktur jaringan yang telah diproses oleh software NeuroSolutuons 7.1. Setelah itu pilih Save breadboard. 1. Pilih Train Network untuk proses pembentukan jaringan syaraf tiruan, lalu akan keluar kotak dialog train yang berisikan pengaturan Number of s, Isikan sesuai dengan yang kita inginkan (disini digunakan 1). 11. Program Neurosolution 7.1 akan memulai proses running sesuai dengan s yang kita inginkan. Hasil running akan di plotkan secara otomatis oleh program. Pada grafik berwarna merah merupakan hasil dari Cross Validation Mean Square Error, sedangkan yang garis berwarna biru hasil dari Training Mean Square Error 1,9,,7,,5,,3,, (kali) Gambar 5. Grafik Hubungan MSE dengan Tabel. Perbandingan Mean Squared Error Training dan Cross Validation Sumber: NeuroSolution 7.1 Training MSE Cross Validation MSE Best Networks Training Cross Validation (kali) Minimum MSE,3, Final MSE,3,7 1. Kemudian dilakukan test. Pada Test 1 dilakukan pada bagian Training. Klik Test Network Dataset to Test (diubah menjadi Training) OK TMA BBT Exemplar (buah) Gambar. Grafik Desired Output and Actual Network Output Training Set TMABSH Gambar 7. Grafik Output Vs. Disired TMABSH1 TMA BBT Output TMA BBT Desired (m) Tabel 3. Parameter Kesalahan Training Performance TMA BSH RMSE 1,13 NRMSE,15 MAE, NMAE,111 Min Abs Error 3,55 x 1-5 Max Abs Error,7 r,9 Score 7, Kemudian dilakukan test. Pada Test dilakukan pada bagian Cross Validation. Klik Test Network Dataset to Test (diubah menjadi Cross Validation) OK.
8 TMA BBT Output (m) TMA BBT Output (m) Output (m) Output (m) 1 1 TMA BBT TMA BBT Output 1 TMA BBT TMA BBT Output Exemplar (buah) Gambar. Grafik Desired Output and Actual Network Output Cross Validation Set TMABSH TMA BBT Desired (m) Gambar 9. Grafik Output Vs. Disired TMABSH1 Tabel. Parameter Kesalahan Cross Validation Performance TMA BSH RMSE 1,59 NRMSE, MAE 1,179 NMAE,151 Min Abs Error,1 Max Abs Error 7, r,395 Score 3,353 Sumber: NeuroSolution Kemudian dilakukan test. Pada Test 3 dilakukan pada bagian Testing. Klik Test Network Dataset to Test (diubah menjadi Testing) OK Exemplar (kali) Gambar 1. Grafik Desired Output and Actual Network Output Testing Set TMABSH TMA BBT Desired (m) Gambar 11. Grafik Output Vs. Disired TMABSH1 Tabel 5. Parameter Kesalahan Testing Performance TMA BSH RMSE 1,51 NRMSE,195 MAE 1,19 NMAE,153 Min Abs Error,7 Max Abs Error,3 r,51 Score 9, Setelah data Training, Cross Validation, dan Testing melalui tahap Test Network maka selanjutnya klik Apply New Data Production OK. Maka output akan muncul data pada kolom kosong Output Production sebelumnya. Dari beberapa percobaan proses pembelajaran metode JST menggunakan algoritma Feedforward Backpropagation
9 dengan berbagai epoch didapatkan nilai kesalahan relatif sebagai berikut: 1 1 Tabel. Perbandingan Nilai KR (%) Sebelum Adanya Bojonegoro Barrage No. Prosentase Data 1 % - 3%- 1% % - 5%- 15% 3 7% - %- 1% Kesalahan Relatif (KR %) 5 1, 5,9,7 5, 5,5,,75,7 11,15 Sumber: Hasil Perhitungan (17) Tabel 7. Perbandingan Nilai KR (%) Setelah Adanya Bojonegoro Barrage No. 1 3 Prosentase Data % - 3%- 1% % - 5%- 15% 7% - %- 1% Kesalahan Relatif (KR %) 5 1,7 9, 9,5 7, 1, 13,13 1,9 5,9 7,1 Sumber: Hasil Perhitungan (17) Tabel. Perbandingan Nilai KR (%) TMA Bojonegoro Barrage No. 1 3 Prosentase Data % - 3%- 1% % - 5%- 15% 7% - %- 1% Kesalahan Relatif (KR %) ,9 15, 1,, 9, 9,17 5,7 5,5,75 Sumber: Hasil Perhitungan (17) Analisa Pengaruh Adanya Bojonegoro Barrage Terhadap Bengawan Solo Hilir Bojonegoro Barrage memiliki pengaruh terhadap tinggi muka air di hulu Babat Barrage yang berfungsi mempertahankan tinggi muka air agar tetap stabil. Berikut ini merupakan Grafik Perbandingan Debit Kaliketek dengan TMA Babat Barrage pada tahun - 1 : TMA (m) TAHUN Debit (m3/dt) Gambar 1. Grafik Hubungan Debit AWLR Kaliketek dan TMA Hilir Bengawan Solo Analisa Bukaan Pintu Bojonegoro Barrage Analisa tinggi bukaan pintu pada Bendung Gerak Bojonegoro dilakukan berdasarkan dari fluktuasi muka air di hulu pintu, kenaikan muka air dihulu pintu Bendung Gerak Bojonegoro dipengaruhi oleh fluktuasi debit Pos Duga Air di Padangan. Saat debit di Pos Duga Air menunjukkan Q 5 m 3 /dt maka elevasi di hulu Bojonegoro Barrage berada > m dan juru pintu harus bersiap untuk membuka pintu banjir (Flood gate) di mulai dari pintu no 5 dengan bukaan,5 m, jika TMA waduk semakin meningkat maka pintu,5, dibuka dan seterusnya. Analisa Bukaan Pintu Babat Barrage Pengoperasian pintu Babat Barrage ketika musim hujan/banjir semua pintu akan dibuka penuh, sedangkan dimusim kemarau pintu akan ditutup guna penampungan hingga elevasi muka air +, m pintu mulai dioperasikan. Saat TMA Hulu Babat Barrage pada elevasi +5,7 m atau lebih maka prosedur operasi bukaan pintu sebagai berikut: (pada perhitungan operasi bukaan pintu Babat Barrage dilakukan pada November- Desember 1) 1. Kondisi Normal Pada kondisi ini biasanya terjadi musim kemarau, Babat Barrage akan menutup semua pintu, ketika elevasi muka air +5,7 m pintu Flap Gate dibuka 1,5 m. Tahap operasi pintu 1 1 1
10 dipertimbangkan dari TMA hulu Babat Barrage dengan berpedoman sebagai berikut: Pada saat TMA di hulu bendung berada diatas mercu Flap Gate +, m pengendalian debit keluar dilakukan melalui Flap Gate yang ada di Discharge Control Gate dan Check Gate. Pintu Discharge Control Gate dibuka apabila muka air bergerak terus naik saat operasi tahap 1 dengan ketinggian, m s/d,5 m dengan interval kenaikan bukaan pintu,1 m dan pintu Check Gate tetap kondisi tertutup. Pintu Check Gate mulai dibuka apabila pada kondisi operasi tahap muka air terus bergerak naik. Check Gate dibuka mulai pintu No.1 dan dilanjutkan pintu No. sampai No.7 dengan interval bukaan,5 m dan 1, m sampai terbuka,5 m.. Kondisi Banjir Pada kondisi banjir ketika TMA Hulu Babat Barrage mencapai elevasi +5,7 m perlu konfirmasi TMA di Bojonegoro Barrage, jika tinggi muka air di elevasi > m dan ΔH, m/jam maka semua pintu Babat Barrage akan dibuka penuh dan dilakukan pencatatan TMA. KESIMPULAN Berdasarkan hasil analisis yang dilakukan maka disimpulkan beberapa hal sebagai berikut: 1. Pemodelan arsitektur jaringan yang digunakan dalam analisis tinggi muka air di Bengawan Solo hilir sebelum adanya Bojonegoro Barrage dengan NeuroSolution 7.1 didapatkan Kesalahan Relatif (KR),% dan sesudah adanya Bojonegoro Barrage KR sebesar,7% dengan variabel input (X) dan output (Y) sebagai berikut: X1 = TMAKTK (tinggi muka air harian Kaliketek, m) X = ChBJN (curah hujan harian Bojonegoro, mm) X3 = ChL (curah hujan harian Leran, mm) X = ChBBT (curah hujan harian Babat, mm) X5 = ChJ (curah hujan harian Jabung, mm) X = ChP (curah hujan harian Pangkatrejo, mm) X7 = QKTK (Debit harian Pos AWLR Kaliketek, (m 3 /dt) Y1 = TMABSH (tinggi muka air harian Bengawan Solo hilir (Hulu Babat Barrage) Sehingga dapat dibuat persamaan dari permodelan harian yang telah dilakukan yaitu: y_in k = W k + {(B + (Z 1 X TMA.KTK + Z 1 X Ch.Bjn + Z 1 X Ch.L + Z 1 X Ch.BBT + Z 1 X Ch.J + Z 1 X Ch.P + Z 1 X Q.KTK )W 1k + + (B + ((Z X TMA.KTK + Z X Ch.Bjn + Z X Ch.L + Z X Ch.BBT + Z X Ch.J + Z X Ch.P + Z X Q.KTK )W k )} }. Pengaruh TMA di hulu Babat Barrage setelah adanya Bojonegoro Barrage fluktuasi muka air cenderung stabil dan lebih tinggi sehingga pemenuhan kebutuhan air lebih efektif. 3. Peramalan tinggi muka air di hulu Bojonegoro Barrage diperoleh dari hasil pemodelan jaringan arsitektur dengan pola hubungan antara tinggi muka air di hulu Babat Barrage dengan variabel yang mempengaruhi seperti curah hujan Bojonegoro, Leran, Jabung, Babat, dan Pangkatrejo serta mempertimbangkan kenaikan debit di Padangan (hulu Bojonegoro Barrage) dan debit di Kaliketek (hulu Babat Barrage), maka didapatkan TMA Bojonegoro Barrage peramalan bulan November Desember 1 dengan korelasi data input yang digunakan membangun model nilainya,9. Sehingga dapat dibuat persamaan dari permodelan harian yang telah dilakukan yaitu:
11 y_in k = W k + {(B + (Z 1 X TMA.KTK + Z 1 X TMA.PDGN + Z 1 X Ch.Bjn + Z 1 X Ch.L + Z 1 X Ch.BBT + Z 1 X Ch.J + Z 1 X Ch.P + Z 1 X Q.KTK + Z 1 X Q.PDGN + Z 1 X TMA.BSH )W 1k + + (B + (Z 11 X TMA.KTK + Z 11 X TMA.PDGN + Z 11 X Ch.Bjn + Z 11 X Ch.L + Z 11 X Ch.BBT + Z 11 X Ch.J + Z 11 X Ch.P + Z 11 X Q.KTK + Z 11 X Q.PDGN + Z 11 X TMA.BSH )W 11k ) }. Analisa tinggi bukaan pintu Bojonegoro Barrage dilakukan berdasarkan dari fluktuasi muka air di hulu pintu, kenaikan muka air dihulu pintu Bojonegoro Barrage dipengaruhi oleh fluktuasi debit Pos Duga Air di Padangan. Saat debit di Pos Duga Air menunjukkan Q 5 m 3 /dt maka elevasi di hulu Bojonegoro Barrage berada > m dan juru pintu harus bersiap untuk membuka pintu banjir (Flood gate), sedangkan pintu Babat Barrage akan dibuka penuh. DAFTAR PUSTAKA Anonim, (1). Profil Pengelolaan Sumber Daya Air Wilayah Sungai Bengawan Solo. Surakarta: Balai Besar Wilayah Sungai Bengawan Solo. Anonim, (1). Profil & Kegiatan Strategis Balai Besar Wilayah Sungai Bengawan Solo. Surakarta: Balai Besar Wilayah Sungai Bengawan Solo. Anonim, (1). Alur Sungai Bengawan Solo Ruas Bojonegoro-Lamongan. Google Earth Hermawan, Arief. (). Jaringan Syaraf Tiruan (Teori dan Aplikasi). Yogyakarta: Andi Offset Kusumadewi, Sri. (3). Artificial Intelligence (Teknik dan Aplikasinya), 3. Yogyakarta: Graha Ilmu. Siang, J.J. (5). Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan Matlab. Yogyakarta: Andi Offset.
12
ANALISIS TINGGI MUKA AIR BENGAWAN SOLO HILIR AKIBAT ADANYA FLOODWAY DENGAN METODE JARINGAN SYARAF TIRUAN JURNAL
ANALISIS TINGGI MUKA AIR BENGAWAN SOLO HILIR AKIBAT ADANYA FLOODWAY DENGAN METODE JARINGAN SYARAF TIRUAN JURNAL TEKNIK PENGAIRAN KONSENTRASI SISTEM INFORMASI SUMBER DAYA AIR Ditujukan untuk memenuhi persyaratan
Lebih terperinciANALISIS TINGGI CURAH HUJAN BERDASARKAN KONDISI KLIMATOLOGI DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN
ANALISIS TINGGI CURAH HUJAN BERDASARKAN KONDISI KLIMATOLOGI DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN Yuzy Alfahnie 1, Very Dermawan 2, Lily Montarcih Limnatara 2 1 Mahasiswa Program Sarjana Teknik Jurusan
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK BENDUNG GUNUNGSARI KOTA SURABAYA JURNAL
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK BENDUNG GUNUNGSARI KOTA SURABAYA JURNAL TEKNIK PENGAIRAN KONSENTRASI SISTEM INFORMASI SUMBER DAYA AIR Ditujukan untuk memenuhi
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK JEMBATAN JREBENG KABUPATEN GRESIK JURNAL
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK JEMBATAN JREBENG KABUPATEN GRESIK JURNAL TEKNIK PENGAIRAN KONSENTRASI SISTEM INFORMASI SUMBER DAYA AIR Ditujukan untuk memenuhi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN Titik Misriati AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan titik.tmi@bsi.ac.id ABSTRACT
Lebih 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 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 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 terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
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 terperinciANALISIS EFEKTIVITAS KERAPATAN JARINGAN POS STASIUN HUJAN DI DAS KEDUNGSOKO DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
ANALISIS EFEKTIVITAS KERAPATAN JARINGAN POS STASIUN HUJAN DI DAS KEDUNGSOKO DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Syarief Fathoni 1, Very Dermawan 2, Ery Suhartanto 2 1 Staf
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK KARANGPILANG KOTA SURABAYA JURNAL
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK KARANGPILANG KOTA SURABAYA JURNAL TEKNIK PENGAIRAN KONSENTRASI SISTEM INFORMASI SUMBER DAYA AIR Ditujukan untuk memenuhi persyaratan
Lebih terperinciSTUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
STUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muh. Ishak Jumarang 1), Lyra Andromeda 2) dan Bintoro Siswo Nugroho 3) 1,3) Jurusan Fisika,
Lebih terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciPENELUSURAN BANJIR (STAGE HYDROGRAPH) MENGGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENELUSURAN BANJIR (STAGE HYDROGRAPH) MENGGUNAKAN JARINGAN SARAF TIRUAN (Studi Kasus: DAS Siak) 1 Manyuk Fauzi, 1 Imam Suprayogi, 2 Ashral 1 Dosen Jurusan Teknik Sipil, Fakultas Teknik, Universitas Riau
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK BAMBE TAMBANGAN KABUPATEN GRESIK JURNAL
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI KUALITAS AIR SUNGAI DI TITIK BAMBE TAMBANGAN KABUPATEN GRESIK JURNAL TEKNIK PENGAIRAN KONSENTRASI SISTEM INFORMASI SUMBER DAYA AIR Ditujukan untuk memenuhi
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih 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 terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih 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 terperinciJurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN
PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal
Lebih terperinciPENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN UNTUK PRAKIRAAN TINGGI MUKA AIR HARIAN SUNGAI BENGAWAN SOLO STASIUN JURUG
PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN UNTUK PRAKIRAAN TINGGI MUKA AIR HARIAN SUNGAI BENGAWAN SOLO STASIUN JURUG Mina Pusporani 1 Palgunadi 2 Sri Huning A 3 mail@usahidsolo.ac.id ABSTRAKSI Bengawan
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 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 terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Siti Amiroch Universitas Islam Darul Ulum Lamongan, amirast_117@yahoo.com Abstract. In the stock market, stock price prediction is
Lebih 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 terperinciMODEL HIDROLOGI RUNTUN WAKTU UNTUK PERAMALAN DEBIT SUNGAI MENGGUNAKAN METODE ARTIFICIAL NEURAL NETWORK (ANN) (Studi Kasus : Sub DAS Siak Hulu)
MODEL HIDROLOGI RUNTUN WAKTU UNTUK PERAMALAN DEBIT SUNGAI MENGGUNAKAN METODE ARTIFICIAL NEURAL NETWORK (ANN) (Studi Kasus : Sub DAS Siak Hulu) Rendy Fadly 1), Imam Suprayogi 2), Manyuk Fauzi 2) 1) Mahasiswa
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciKenyo Puspito Rini 1), Ir. Usman Effendi, MS. 2), Dhita Morita Ikasari, STP, MP. 2)
PERAMALAN PERMINTAAN MINUMAN KESEHATAN INSTAN JAHE MENGGUNAKAN JARINGAN SYARAF TIRUAN dan METODE TIME SERIES (Studi Kasus di Agroindustri Minuman Kesehatan Instan DIA Malang) Kenyo Puspito Rini 1), Ir.
Lebih terperinciPREDIKSI NILAI UAS SISWA SMK MENGGUNAKAN ALGORITMA LEVENBERG-MARQUARDT (Studi Kasus : SMK Negeri 4 Tanjungpinang)
PREDIKSI NILAI UAS SISWA SMK MENGGUNAKAN ALGORITMA LEVENBERG-MARQUARDT (Studi Kasus : SMK Negeri 4 Tanjungpinang) Dwi Kuntoro Dhani Susanto Mahasiswa Teknik Informatika, FT UMRAH (dwikuntoro_dhanisusanto@yahoo.com)
Lebih terperinciUniversitas Brawijaya-Malang, Jawa Timur, Indonesia Jalan MT.Haryono 167 Malang Indonesia
ANALISA KERAPATAN JARINGAN STASIUN HUJAN DI SUB DAS KADALPANG KABUPATEN PASURUAN MENGGUNAKAN METODE JARINGAN SARAF TIRUAN DAN HUBUNGANNYA TERHADAP ASPEK TOPOGRAFI Yahya Muchaimin Aji 1, Very Dermawan 2,
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih 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 terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
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 terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
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 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 terperinciANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM)
ANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM) Hanura Ian Pratowo¹, Retno Novi Dayawati², Agung Toto Wibowo³ ¹Teknik Informatika,,
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 4 HASIL DAN PEMBAHASAN
44 BAB 4 HASIL DAN PEMBAHASAN 4.1. ARIMA DENGAN SPSS Dalam riset ini digunakan nilai penutupan harian dari saham ANTM pada bulan november 2007 sampai desember 2007. Gambar 1: Data Close Saham Nov Dec 07
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 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 terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinciANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION
ANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION Program Studi Teknik Informatika STT Wastukancana Jl. Raya Cikopak No.53, Sadang, Purwakarta
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciUnnes Journal of Mathematics
UJM 2 (2) (2013) Unnes Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN ARIMA Dwi Prisita
Lebih terperinciMakalah Seminar Tugas Akhir
Makalah Seminar Tugas Akhir PERAMALAN KETINGGIAN MUKA AIR DENGAN JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK Herry Dharma Setyawan *, Budi Setiyono **, R. Rizal Isnanto ** Jurusan Teknik Elektro, Fakultas
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciJURNAL SAINS DAN INFORMATIKA
39 Fauzul Sains Amri, dan Jaringan Informatika Syaraf Vol.1 Tiruan (N0.1) untuk (2015): Memprediksi 37-43 JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
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 terperinciABSTRAK. Kata Kunci : Curah Hujan, Levenberg Marquardt, Backpropagation. ABSTRACT
ABSTRAK Dufan, Ariel. 2016. Prediksi Curah Hujan Dengan Menggunakan Algoritma Levenberg- Marquardt Dan Backpropagation (Studi Kasus : BMKG Kota Tanjungpinang), Skripsi. Tanjungpinang: Jurusan Teknik Informatika,
Lebih terperinci1. Pendahuluan 1.1 Latar belakang masalah
1. Pendahuluan 1.1 Latar belakang masalah Emas adalah unsur kimia dalam tabel periodik yang memiliki simbol Au (bahasa Latin: 'aurum') dan nomor atom 79. Emas digunakan sebagai standar keuangan di banyak
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 terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION Havid Syafwan 1, Herman Saputra 2 *1 Program Studi Manajemen Informatika, AMIK
Lebih terperinciPREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 2, Juni 2016, hlm. 83-87 PREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG Daneswara
Lebih terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
Lebih terperinciPRISMA FISIKA, Vol. I, No. 1 (2013), Hal ISSN :
Prediksi Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik Abraham Isahk Bekalani, Yudha Arman, Muhammad Ishak Jumarang Program
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kabupaten Purworejo adalah daerah agraris karena sebagian besar penggunaan lahannya adalah pertanian. Dalam struktur perekonomian daerah, potensi daya dukung
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciBAB III METODOLOGI PENELITIAN. Pelaksanaan penelitian ini, memerlukan banyak hal yang harus
BAB III METODOLOGI PENELITIAN III.1 Diagram Alur (Flowchart) Pelaksanaan penelitian ini, memerlukan banyak hal yang harus diperhatikan sebagai persiapan dalam melakukan penelitian. Tujuannya agar memperkecil
Lebih terperinciIDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN
IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN Galih Probo Kusuma, Dr Melania Suweni Muntini, MT Jurusan Fisika Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV.
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV. Bryan Ponsel) Des Indeks Giawa Mahasiswa Teknik Informatika STMIK Budi
Lebih terperinciADLN - Perpustakaan Universitas Airlangga ABSTRAK. viii
Muhammad Arif Santoso, 2015. Peramalan Penjualan Produk Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine. Skripsi ini dibawah bimbingan Auli Damayanti,S.Si, M.Si dan Dr. Herry Suprajitno,
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI
PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciPrediksi Jangka Pendek Debit Aliran Irigasi Seluma dengan Menggunakan Jaringan Syaraf Tiruan
Prediksi Jangka Pendek Debit Aliran Irigasi Seluma dengan Menggunakan Jaringan Syaraf Tiruan Supiyati, Syamsul Bahri dan Iwan Erdi Abstract: Penelitian mengenai prediksi jangka pendek debit aliran irigasi
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 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
Lebih terperinciSKRIPSI Diajukan untuk memenuhi sebagian persyaratan mendapatkan gelar Strata Satu Jurusan Informatika. Disusun oleh : ERLIS ARDILA SARI M
PERAMALAN TINGGI MUKA AIR SUNGAI BENGAWAN SOLO MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DENGAN ALGORITMA LEVENBERG MARQUARDT DAN MODIFIED LEVENBERG MARQUARDT SKRIPSI Diajukan untuk memenuhi sebagian
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 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 terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih terperinciUNNES Journal of Mathematics
UJM 4 (1) (2015) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm SISTEM PREDIKSI TAGIHAN LISTRIK USAHA JASA LAUNDRY MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muhamad
Lebih terperinciIDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION
JURNAL MANUTECH 43 IDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION Yoan Elviralita 1, Asrul Hidayat 2 1 Program Studi Teknik Mekatronika-Politeknik Bosowa 2 Program Studi Perawatan dan Perbaikan
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION Restiana Putri Abstract - On a government agencies Badan Keluarga Berencana
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
Lebih terperinciBAB III. METODOLOGI. kegiatan manusia membuat penelitian dengan domain teknik informatika
BAB III. METODOLOGI 3.1. Kerangka Pikir Teknik informatika yang memiliki andil yang cukup besar dalam berbagai kegiatan manusia membuat penelitian dengan domain teknik informatika merupakan hal yang menarik
Lebih terperinciEstimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan
Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan Andi Ihwan 1), Yudha Arman 1) dan Iis Solehati 1) 1) Prodi Fisika FMIPA UNTAN Abstrak Fluktuasi suhu udara berdasarkan
Lebih terperinci