BAB 2 TINJAUAN PUSTAKA
|
|
- Yandi Irawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur format-format pemecahan masalah secara keseluruhan yang ada, sehingga pada akhirnya menjadi sebuah nilai-nilai ekspektasi. (Mirsantoso, et al. 2015) Kecerdasan Buatan (Artificial Intelligence) Machine Learning (ML) menawarkan pendekatan alternatif untuk pemodelan prediksi standar yang mungkin mengatasi keterbatasan saat ini. ML dikembangkan dari studi pengenalan pola dan perhitungan semua penghasilan (yang disebut `kecerdasan buatan'). Ini sangat bergantung pada komputer untuk mempelajari semua interaksi linear dan non linier secara kompleks antara variabel dengan meminimalkan kesalahan antara hasil prediksi yang diamati. Selain prediksi berpotensi meningkatkan, ML dapat mengidentifikasi variabel asing, yang tidak mungkin untuk diamati tapi mungkin disimpulkan melalui variabel lain (Weng F.S, et al. 2017) Backpropagation Pendekatan jaringan saraf tiruan dapat meniru perilaku yang kompleks dan non-linear melalui neuron, dan telah banyak digunakan dalam prediksi. Model yang paling banyak digunakan pada kecerdasan buatan adalah model backpropagation. Ciri khas backpropagation melibatkan tiga lapisan : lapisan input, dimana data diperkenalkan ke jaringan; hidden layer, dimana data diproses; dan lapisan output, di mana hasil dari masukan yang diberikan oleh lapisan input. (Huang D, et al. 2017) Arsitektur Backpropagation Algoritma pembelajaran Backpropagation (BPLA) telah menjadi algoritma pembelajaran yang terkenal di antara Jaringan Saraf Tiruan. Dalam proses 5
2 6 pembelajaran, untuk mengurangi akurasi JST, BPLA menggunakan metode pencarian gradien yang layak untuk menyesuaikan bobot koneksi. Struktur JST Backpropagation ditunjukkan pada Gambar 2. Output setiap neuron adalah gabungan jumlah neuron pada tingkat sebelumnya yang dikalikan dengan bobotnya yang sesuai. Nilai input dikonversi ke sinyal output dengan perhitungan fungsi aktivasi. JST Backpropagation telah diterapkan secara luas dan berhasil dalam berbagai aplikasi, seperti pengenalan pola, pemilihan lokasi dan evaluasi kinerja Gambar 2.1. Jaringan Saraf Tiruan Backpropagation Ada beberapa algoritma yang bisa digunakan untuk membuat jaringan saraf tiruan, namun backpropagation dipilih karena mungkin yang paling mudah untuk diimplementasikan, sekaligus menjaga efisiensi jaringan. Jaringan Saraf Tiruan (JST) Backpropagation menggunakan lebih dari satu lapisan masukan (biasanya 3). Masingmasing lapisan ini harus salah satu dari berikut ini: a) Input Layer - Lapisan ini menyimpan input untuk jaringan b) Output Layer - Lapisan ini menyimpan data output, biasanya sebuah Pengenal input. c) Hidden Layer - Lapisan ini ada di antara input layer dan output layer. Mereka berfungsi sebagai titik apropagasi untuk mengirim data dari lapisan sebelumnya ke lapisan berikutnya Jaringan Saraf Backpropagation Tahapan dalam teknik backpropagation dapat dibagi menjadi dua tahap : Tahap pengupdatean bobot dan propagasi (perambatan). 6
3 7 Tahap 1: Propagasi (Perambatan) Setiap propagasi melibatkan langkah-langkah berikut: 1. Teruskan propagasi masukan pola pelatihan yang diberikan melalui jaringan saraf tiruan untuk menghasilkan aktivasi output propagasi. 2. Propagasi balik dari propagasi aktivasi keluaran melalui jaringan saraf menggunakan target pola pelatihan untuk menghasilkan delta semua keluaran dan neuron yang tersembunyi. Tahap 2: Pengupdatean Bobot Untuk setiap bobot-sinaps: 1. Kalikan masukan aktivasi dan delta output untuk mendapatkan nilai bobot. 2. Bawa bobot ke arah gradien dengan menambahkan perbandingannya dari berat Rasio ini berdampak pada kecepatan dan kualitas pembelajaran; Ini disebut tingkat belajar. Tanda gradien dari suatu bobot menunjuk dimana kesalahan meningkat; Inilah sebabnya mengapa kelas harus diperbarui dalam arah yang berlawanan. Tahap 1 dan tahap 2 diulang sampai kinerja jaringan cukup memuaskan Fungsi Aktivasi Pada Jaringan Saraf Tiruan Backpropagation a) Fungsi Undak Biner ( Hard Limit) Fungsi undak biner ini biasanya digunakan oleh jaringan lapisan tunggal untuk menkonversi nilai input dari suatu variabel yang bernilai kontinu ke suatu nilai output biner (0 atau 1) (Gambar 2.2). Secara matematis, fungsi undak biner (hard limit) dituliskan sebagai berikut : Gambar 2.2. Fungsi aktivasi : Undak Biner (Hard Limit) b) Fungsi Undak Biner (Threshold) Fungsi undak biner threshold menggunakan nilai ambang θ sebagai batasnya (Gambar 2.3). Secara matematis, fungsi undak biner threshold dituliskan sebagai berikut : 7
4 8 Gambar 2.3. Fungsi aktivasi : Undak Biner (Threshold) c) Fungsi Bipolar (Symetric Hard Limit) Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau 1 (Gambar 2.4). Fungsi Symetric Hard Limit dirumuskan sebagai : Gambar 2.4. Fungsi aktivasi : Fungsi Bipolar (Symetric Hard Limit) d) Fungsi Bipolar (dengan threshold) Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner dengan threshold, hanya saja output yang dihasilkan berupa 1, 0 atau 1 (Gambar 2.5). Fungsi bipolar (dengan nilai ambang θ) dirumuskan sebagai : Gambar 2.5. Fungsi aktivasi : Fungsi Bipolar (Threshold) e) Fungsi Linear (identitas) Fungsi linear memiliki nilai output yang sama dengan nilai inputnya (Gambar 2.6). Fungsi linear dirumuskan sebagai : y = x Gambar 2.6. Fungsi aktivasi : Fungsi Linear (Identitas) 8
5 9 f) Fungsi Saturating Linear Fungsi ini akan bernilai 0 jika inputnya kurang dari ½, dan akan bernilai 1 jika inputnya lebih dari ½. Sedangkan jika nilai input t erletak antara -½ dan ½, maka output nya akan bernilai sama dengan nilai input ditambah ½ (Gambar 2.6). Fungsi saturating linear dirumuskan sebagai : Gambar 2.7. Fungsi aktivasi : Fungsi Saturating Linear g) Fungsi Symetric Saturating Linear Fungsi ini akan bernilai -1 jika inputnya kurang dari -1, dan akan bernilai 1 jika inputnya lebih dari 1. Sedangkan jika nilai input terletak antara -1 dan 1, maka outpunya akan bernilai sama dengan nilai inputnya (Gambar 2.7). Fungsi symetric saturating linear dirumuskan sebagai berikut : Gambar 2.8. Fungsi aktivasi : Fungsi Symetric Saturating Linear h) Fungsi Sigmoid Biner Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode back propagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan saraf yang nilai outputnya 0 atau 1 (Gambar 2.8). Fungsi sigmoid biner dirumuskan sebagai berikut : Dengan 9
6 10 Gambar 2.9. Fungsi aktivasi : Fungsi Sigmoid Biner i) Fungsi Sigmoid Bipolar Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai -1 (Gambar 2.9). Fungsi sigmoid bipolar dirumuskan sebagai berikut : Dengan Fungsi ini sangat dekat dengan fungsi hyperbolic tangent. Keduanya memiliki range antara -1 sampai 1. Untuk fungsi hyperbolic tangent, dirumuskan sebagai : atau dengan Gambar Fungsi aktivasi : Fungsi Sigmoid Bipolar Mengevaluasi Kinerja Model Langkah utama yang digunakan untuk mengevaluasi kinerja teknik machine learning untuk memprediksi usaha perangkat lunak adalah sebagai berikut : a) Sum Squared Error (SSE) 10
7 11 Kesalahan jumlah kuadrat didefinisikan sebagai. Dimana : Pi = Perkiraan nilai untuk titik data i; Ai = Nilai aktual untuk titik data i; n = Jumlah total titik data. b) Mean Squared Error (MSE) Kesalahan kuadrat kuadrat didefinisikan sebagai. (2.1) dimana : Pi = Perkiraan nilai untuk titik data i; Ai = Nilai aktual untuk titik data i; n = Jumlah total titik data c) Root Mean Square Error (RMSE) Root mean squared error didefinisikan sebagai. (2.2) (2.3) Dimana : Pi = Perkiraan nilai untuk titik data i; Ai = Nilai aktual untuk titik data i; N = Jumlah total titik data. d) Mean Absolute Error (MAE) Ukuran kesalahan absolut rata-rata seberapa jauh perkiraan dari nilai sebenarnya. Ini bisa diterapkan pada dua pasang angka, di mana satu set "sebenarnya" dan yang lainnya adalah perkiraan perkiraan. Dimana : Pi = Perkiraan nilai untuk titik data i; Ai = Nilai aktual untuk titik data i; N = Jumlah total titik data. (Sumijan, et al, 2016) (2.4) 11
8 Conjugate Gradient Metode gradien konjugasi nonlinier diterapkan pada masalah optimasi skala besar, karena keuntungan dari kebutuhan memori rendah dan jumlah perhitungan yang kurang. Beberapa metode gradien konjugasi, termasuk metode FR (Fletcher Reeves), metode PRP (Polak Ribiere Polyak), metode CD (Conjugate Descent), DY (Dai Yuan) dan HS Hestenes Stiefel), tersedia untuk masalah optimasi yang tidak terbatas. Pertama, mempertimbangkan masalah optimasi tak terbatas berikut : (2.5) Dimana f : R n adalah fungsi terdiferensialkan secara kontinyu yang gradiennya dilambangkan dengan g, dan x 0 menjadi titik awal yang sewenang-wenang. Metode conjugate gradient biasanya efektif untuk rangkaian solusi akan dihasilkan dengan bentuk iteratif berikut. (2.6) Dimana αx adalah ukuran langkah positif dan diperoleh dengan pencarian garis, dan d k adalah arah pencarian yang ditentukan oleh : (2.7) Dimana βk adalah parameter. Untuk aturan yang berbeda untuk memilih βk, algoritma berbeda. Dalam metode gradien konjugasi standar Fletcher Reeves,, dan. Singkatan dari norma euclidean vektor. Zoutendijk menganalisis konvergensi global untuk metode Fletcher Reeves dengan pencarian garis yang tepat. Al-Baali dan Liu, et al, mengingatkan metode Fletcher Reeves secara global konvergen dengan pencarian garis Wolfe yang kuat. Yang pertama memenuhi, yang terakhir memperpanjang hasilnya menjadi. Pencarian garis Wolfe yang kuat dinyatakan sebagai: dan (2.8) (2.9) Kemudian, Zhang et al. mengusulkan metode gradien konjugasi Fletcher Reeves yang dimodifikasi dengan pencarian garis tipe Armijo. Arah d k memiliki bentuk berikut : 12
9 13 (2.10) Dimana dan (2.11) (2.12) Berdasarkan metode di atas, kami mengembangkan kelas metode gradien konjugat Fletcher Reeves termodifikasi, dan membuktikan properti keturunannya yang cukup. Di bawah kondisi pencarian garis Armijo, kami membuktikan konvergensi global dari metode yang diajukan. (Li X, et al. 2016) 2.5. Indeks Harga Konsumen Indeks harga konsumen adalah angka indeks yang menggambarkan perubahan harga sekarang (barang/jasa) yang dikonsumsi masyarakat secara umum, guna mengukur perubahan atau melakukan perbandingan peubah-peubah ekonomi (Handayani K., 2014). Indeks Harga Konsumen merupakan indeks yang menggambarkan perubahan harga dari waktu ke waktu, sehingga sangat cocok dianalisis dengan analisis time series. (Listyowati, et al, 2013). Indeks harga konsumen (IHK) atau disebut juga dengan Consumer Price Index (CPI) merupakan ukuran perubahan harga barang/jasa pada periode waktu tertentu, dan digunakan sebagai salah satu indikator biaya hidup dan pertumbuhan ekonomi. Penghitungan IHK dibagi menjadi 7 (tujuh) kelompok pengeluaran, yaitu: kelompok pengeluaran bahan makanan, kelompok pengeluaran makanan jadi, minuman, rokok, dan tembakau, kelompok pengeluaran perumahan, air, listrik,vgas, dan bahan bakar, kelompok pengeluaran sandang, kelompok pengeluaran kesehatan, kelompok pengeluaran pendidikan, rekreasi dan olahraga, serta kelompok pengeluaran transport, komunikasi dan jasa keuangan. Selain itu kelompok pengeluaran ini juga dirinci menjadi beberapa subkelompok pengeluaran (Damanik F.F., et al, 2015). Sebagian besar pengeluaran masyarakat digunakan untuk konsumsi Bahan Makanan sehingga dalam perhitungan Indeks Harga Konsumen (IHK) umum, komoditas Bahan Makanan memiliki bobot lebih tinggi dibanding sektor IHK lainnya di setiap kabupaten/kota di Indonesia (Listyowati, et al, 2013). 13
10 Prediksi (Peramalan) Prediksi (peramalan) adalah usaha menduga atau memperkirakan sesuatu yang akan terjadi di waktu mendatang dengan memanfaatkan berbagai informasi yang relevan pada waktu-waktu sebelumnya (historis) melalui suatu metode ilmiah. Tujuan dari prediksi adalah mendapatkan informasi apa yang akan terjadi di masa datang dengan probabilitas kejadian terbesar. Metode prediksi dapat dilakukan secara kualitatif melalui pendapat para pakar atau secara kuantitatif dengan perhitungan secara matematis. Salah satu metode prediksi kuantitatif adalah menggunakan analisis deret waktu (time series) (Nurmahaludin, 2014). Berdasarkan sifatnya, prediksi (peramalan) terbagi menjadi dua, yaitu: a) Peramalan Kualitatif Peramalan kualitatif adalah peramalan yang didasarkan atas pendapat suatu pihak dan datanya tidak dapat direpresentasikan menjadi suatu nilai atau angka. Hasil peramalan sangat bergantung pada pendapat orang yang melakukan peramalan. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran, pendapat, pengetahuan, dan pengalaman penyusunnya. b) Peramalan Kuantitatif Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif masa lalu. Data kuantitatif merupakan data yang berupa nilai atau angka. Hasil peramalan sangat bergantung pada metode peramalan yang digunakan. (Prakoso T.Y.M., 2015) 14
ARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
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 terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih 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 terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
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 IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan Pendahuluan Otak Manusia Sejarah Komponen Jaringan Syaraf Arisitektur Jaringan Fungsi Aktivasi Proses Pembelajaran Pembelajaran Terawasi Jaringan Kohonen Referensi Sri Kusumadewi
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 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 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 terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
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 terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI 2.1. Citra Digital Citra digital dapat didefenisikan sebagai fungsi f(x,y) yaitu dua dimensi, dimana x dan y merupakan koordinat spasial dan f(x,y) disebut dengan intensitas atau
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 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 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 terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 Peramalan Harga Indeks Saham Hang Seng dengan Menggunakan Jaringan
Lebih 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 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 terperinciDAFTAR ISI. Halaman Judul. Lembar Pengesahan Pembimbing. Lembar Pengesahan Penguji. Halaman Persembahan. Halaman Motto. Kata Pengantar.
DAFTAR ISI Halaman Judul i Lembar Pengesahan Pembimbing ii Lembar Pengesahan Penguji iii Halaman Persembahan iv Halaman Motto v Kata Pengantar vi Abstraksi viii Daftar Isi ix Daftar Gambar xii Daftar Tabel
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 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 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 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 terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciJARINGAN SYARAF TIRUAN
JARINGAN SYARAF TIRUAN 8 Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah
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 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 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 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 terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
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 terperinciBAB I PENDAHULUAN. Machine learning (ML), bagian dari kecerdasan buatan (artificial
BAB I PENDAHULUAN 1. 1.1. Latar Belakang Machine learning (ML), bagian dari kecerdasan buatan (artificial intelligence), merupakan metode untuk mengoptimalkan performa dari sistem dengan mempelajari data
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 terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciBAB 2 LANDASAN TEORI. suatu perusahaan yang akan memberikan keuntungan dalam bentuk deviden dan capital
BAB 2 LANDASAN TEORI 2.1 Saham Saham adalah tanda penyertaan atau kepemilikan seseorang atau badan, dalam suatu perusahaan yang akan memberikan keuntungan dalam bentuk deviden dan capital gain. Artinya
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 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 terperinci2.1. Dasar Teori Bandwidth Regression
2.1. Dasar Teori 2.1.1. Bandwidth Bandwidth adalah ukuran kapasitas dari sistem transmisi (Comer, 2004) Bandwidth adalah konsep pengukuran yang sangat penting dalam jaringan, tetapi konsep ini memiliki
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
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 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 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 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 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 terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1. 1 Latar Belakang Jaringan saraf buatan merupakan kumpulan dari elemen-elemen pemrosesan buatan yang disebut neuron. Sebuah neuron akan mempunyai banyak nilai masukan yang berasal dari
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch
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 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 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 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 I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Saat ini semakin banyak permasalahan pada kehidupan sehari-hari yang memerlukan pendekatan optimisasi dalam penyelesaiannya. Sebagai contoh, misalkan sebuah perusahaan
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 II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
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 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 terperinciBAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH
BAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu data saham Astra Internasional Tbk tanggal 2 Januari
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 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 terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciIMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI
IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
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 terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
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 terperinciBAB VIII PENGANTAR JARINGAN SYARAF TIRUAN (JST)
BAB VIII PENGANTAR JARINGAN SYARAF TIRUAN (JST) 8.1 Komponen Jaringan Syaraf JARINGAN SYARAF BIOLOGIS (JSB) Otak manusia berisi sekitar 10 11 sel syaraf (neuron) yang bertugas untuk memproses informasi
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih terperinciPENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK
PENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK Eko Budi Wahyono*), Suzuki Syofian**) *) Teknik Elektro, **) Teknik Informatika - Fakultas Teknik Abstrak Pada era modern
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinci2. TINJAUAN PUSTAKA. Jumlah (AM x bobot SKS) Jumlah SKS (1) dengan AM adalah Angka Mutu SKS adalah Satuan Kredit Semester
17 2. TINJAUAN PUSTAKA 2.1 Evaluasi Keberhasilan Studi Evaluasi keberhasilan studi mahasiswa dapat ditempuh dengan beberapa tahapan, yaitu evaluasi keberhasilan belajar matakuliah, evaluasi keberhasilan
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 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 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 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 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 terperinciMetode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat
Prosiding Semirata FMIPA Universitas Lampung, 2013 Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat Andi Ihwan Prodi Fisika FMIPA Untan, Pontianak
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 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 terperinciKonvergensi Global Metode Spectral Conjugate Descent yang Baru Menggunakan Pencarian Garis Armijo yang Termodifikasi
42 ISSN 2302-7290 Vol. 2 No. 2, April 2014 Konvergensi Global Metode Spectral Conjugate Descent yang Baru Menggunakan Pencarian Garis Armijo yang Termodifikasi Global Convergence of the New Spectral Conjugate
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 terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
Lebih terperinciAnalisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi
Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi Kiki, Sri Kusumadewi Laboratorium Komputasi & Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciPeramalan Data IHSG Menggunakan Metode Backpropagation
Peramalan Data IHSG Menggunakan Metode Backpropagation Seng Hansun Program Studi Teknik Informatika, Universitas Multimedia Nusantara, Tangerang, Indonesia hansun@umn.ac.id Diterima 31 Agustus 2012 Disetujui
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 terperinciFAKULTAS SAINS DAN TEKNOLOGI UIN SUSKA RIAU. IIS AFRIANTY, ST., M.Sc
IIS AFRIANTY, ST., M.Sc Sistem Penilaian Tugas dan Keaktifan : 15% Quiz : 15% UTS : 35% UAS : 35% Toleransi keterlambatan 15 menit Handphone: Silent Costume : aturan UIN Laki-laki Perempuan Menggunakan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Jaringan Syaraf Tiruan Jaringan saraf tiruan bisa dibayangkan seperti otak buatan di dalam cerita-cerita fiksi ilmiah. Otak buatan ini dapat berpikir seperti manusia, dan juga
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciANALISA PREDIKSI JUMLAH ORDER BARANG DENGAN ALGORITMA BACK PROPAGATION (Studi Kasus pada MART 165)
ANALISA PREDIKSI JUMLAH ORDER BARANG DENGAN ALGORITMA BACK PROPAGATION (Studi Kasus pada MART 165) Muhammad Reza Putra, S. Kom, M. Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang e-mail:
Lebih terperinciGambar 3.1 Desain Penelitian
METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Permalan Time Series, Harga Minyak Bumi, Jaringan Syaraf Tiruan, Backpropagation Pengumpulan Data Harga Minyak Bumi di Indonesia Perancangan
Lebih terperinci