III. METODOLOGI PENELITIAN
|
|
- Siska Budiman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Penelitian difokuskan pada gula kristal putih untuk jenis SHS (Superieure Hoofd Suiker) yang berbahan baku tanaman tebu dan klasifikasi kualitas mengacu pada SNI Gula Kristal Putih (GKP) yang menyatakan bahwa GKP terbagi atas 3 kelas yaitu GKP I, GKP II dan GKP III. Atribut-atribut yang menentukan kualitas gula menurut SNI, yaitu : (1) warna; (2) berat jenis butir/bjb; (3) susut pengeringan; (4) polarisasi; (5) gula pereduksi; (6) abu konduktiviti; (7) kandungan bahan asing tidak larut/kotoran; (8) bahan tambahan makanan/so 2 dan (9) kandungan cemaran logam. Prototipe sistem prediksi kualitas gula kristal dibangun untuk mengurangi tingkat kesalahan dan konsumsi biaya dan waktu dalam prediksi kualitas gula. Selain itu kelebihan dari JST adalah : Memiliki prinsip kerja yang analog dengan jaringan syaraf biologis yaitu menerima input berupa impuls yang diterima oleh dendrit dari neuron lain. Mampu menyelesaikan permasalahan komplek dan nonlinear yang sulit diselesaikan dengan model matematis. Mampu memproses atau mengolah informasi dengan kemampuan belajar, mengingat dan menyelesaikan masalah berdasarkan proses belajar yang diberikan dan mengambil keputusan seperti yang dilakukan oleh otak manusia (pakar). Pengembangan sistem prediksi kualitas gula kristal putih dengan menggunakan JST memerlukan pemilihan dan penentuan data atribut kualitas gula kristal putih dan kaitannya dengan karakteristik proses produksi. Atribut kualitas dan kaitannya dengan karakteristik proses tersebut didasarkan pada pendapat pakar yang memberikan penilaian dengan teknik perbandingan berpasangan (pairwise comparison). Hasil analisis pendapat pakar dijadikan input untuk analisis dengan metode QFD (Cohen, 1995 dan Gaspersz, 2001) agar memperoleh tingkat kepentingan antar atribut kualitas dan hubungan keterkaitannya dengan karakteristik (aktivitas) proses produksi yang signifikan mempengaruhi kualitas gula. QFD merupakan salah satu alat
2 36 untuk mengetahui keinginan konsumen dan menterjemahkannya ke dalam aktivitas proses yang harus diprioritaskan penanganannya oleh perusahaan (Day, 1993 dan Breyfogle, 1999). Mulai Persiapan Penelitian dan Studi Pendahuluan Pemilihan Pakar Pengumpulan dan Pemilihan Data 1. Atribut Kualitas Produk 2. Karakteristik Proses 3. Angka Standar Proses Produksi Kuisioner Quality Function Deployment Penilaian Tingkat Kepentingan Atribut Kualitas Produk Pairwise Comparison (software Expert Choice 2000) Penilaian Tingkat Kepentingan Hubungan Keterkaitan Karakteristik Proses terhadap Atribut Kualitas Produk Quality Function Deployment (matriks House of Quality) Pemilihan Proses-proses inti berdasarkan Karakteristik Proses yang dipilih Pendapat Pakar Pembentukan Data Input JST : 1. Data Proses Pelatihan 2. Data Proses Pengujian Excel Link dengan Matlab Disain JST Backpropagation dan Learning Vector Quantization dengan bantuan software Matlab Tidak Akurasi Tinggi Ya Implementasi JST Sesuai Ya Tidak Pemantauan Proses Produksi Analisa dan Interpretasi Proses Metoda Statistical Process Control (SPC) dengan bagan kendali Individual Moving Range (I-MR) dibantu software Minitab 14 Rekomentasi Perbaikan Proses Selesai Gambar 5. Kerangka Pemikiran
3 37 Pada penelitian ini kondisi bahan baku tidak dimasukkan sebagai variabel input jaringan karena penilaian kualitas gula kristal putih hanya dilakukan pada tahapan pabrikasi yang dimulai dari tebu masuk stasiun penggilingan hingga stasiun penyelesaian. Menurut Sriwana (2005) kondisi bahan baku juga dapat mempengaruhi kualitas gula yang dihasilkan tetapi walaupun bahan baku bermutu sebaik apa pun jika pabrik sebagai sarana pengolahan tidak baik maka produktivitas dan kualitas gula yang dihasilkan juga akan rendah atau jelek. Roshita (1999) untuk menghasilkan kualitas gula kristal putih sesuai dengan standar yang diinginkan maka masingmasing proses produksi (penggilingan, pemurnian, penguapan, pemasakan dan putraran) tidak dapat dipisahkan karena saling terkait dan bersifat kontinyu. Setelah dibentuk data input JST yang terdiri dari data pelatihan dan pengujian maka dilanjutkan dengan mendisain JST untuk memprediksi kualitas gula kristal putih. Kemudian sistem diimplementasikan pada data aktual. Jika hasil prediksi menunjukkan kualitas produk tidak sesuai dengan yang diinginkan maka perlu dilakukan pemantauan proses agar pergeseran proses yang terjadi dapat segera dilakukan tindakan perbaikan sebelum terlalu banyak memproduksi produk yang tidak sesuai. Pemantauan proses produksi dilakukan dengan menggunakan metoda SPC (Statistical Process Control) dengan bagan kendali Individual-Moving Range (I-MR) dibantu dengan software Minitab 14. Alur kerangka pemikiran dapat dilihat pada Gambar 5. Rancang bangun JST menggunakan metoda pembelajaran Backpropagation dan Learning Vector Quantization (LVQ). Metoda pembelajaran ini dipilih karena dapat diaplikasikan untuk penentuan klasifikasi (Siang, 2005). Inisialisasi parameter dilakukan untuk merancang dan mencari arsitektur jaringan terbaik. Berdasarkan arsitektur jaringan terbaik tersebut dilakukan proses pelatihan dengan menggunakan data pelatihan yang tersedia, jika disain JST menunjukkan akurasi yang tinggi atau toleransi error sesuai yang diinginkan maka selanjutnya dilakukan proses pengujian untuk menguji apakah sistem mampu melakukan prediksi kualitas dengan baik. Disain JST ini dilakukan dengan menggunakan bantuan software MATLAB (tool yang digunakan adalah Neural Network dan
4 38 GUI) dan Excel Link. Diagram alir deskriptif dari Disain JST dapat dilihat pada Gambar 6. Mulai Pemilihan Metode Pembelajaran JST Backpropagation Learning Vector Quantization INPUT : Inisialisasi Parameter Jaringan Perancangan Arsitektur Jaringan Set Data Pelatihan Proses Pelatihan Jaringan OUTPUT : 1. MSE 2. Jumlah Epoh Sistem 3. Koefisien Regresi Tidak Sesuai Tidak Ya Set Data Pengujian Proses Pengujian Jaringan Sesuai Data Harian Produksi Pabrik Ya Implementasi JST OUTPUT : Hasil Prediksi Kualitas Gula Kristal Putih Selesai Gambar 6. Diagram Alir Deskriptif dari Disain JST B. Tahapan Penelitian Tahap-tahap yang dilakukan dalam penelitian adalah : 1. Persiapan Penelitian dan Studi Pendahuluan Pada tahap persiapan dilakukan perumusan permasalahan dan penentuan tujuan penelitian. Studi pendahuluan dilakukan dengan cara penelusuran sumber pengetahuan dan informasi untuk memperoleh pengetahuan dasar tentang proses produksi dan kualitas gula kristal
5 39 putih. Klasifikasi kualitas gula kristal putih mengacu pada SNI Gula Kristal Putih (GKP) Pemilihan Pakar Responden yang digunakan adalah responden pakar (ahli). Pemilihan pakar sangat penting dilakukan untuk memperoleh basis pengetahuan yang akurat dan tepat. Pakar yang dipilih pada penelitian ini adalah : 1) pakar yang berkaitan dalam industri atau mengetahui proses produksi gula kristal putih dengan baik; 2) mengetahui faktor-faktor yang mempengaruhi kualitas gula kristal putih, 3) memahami penilaian atau standarisasi kualitas gula kristal putih. Pakar yang dipilih berjumlah 5 orang yang terdiri dari pakar praktisi (4 orang) dan pakar akademisi (1 orang). Pakar praktisi diwakili oleh praktisi dari PT. PG. Subang, yang terdiri dari : Wakil Kepala Bagian Pabrikasi. Kepala Bagian Quality Control. Chemiker Pabrikasi. Kepala Bagian Manajemen dan Administrasi. Sedangkan pakar akademisi diwakili oleh pakar gula dari Staf Pengajar Institut Pertanian Bogor dan LPPOM. Responden pakar ini menentukan dan menilai tingkat kepentingan antar atribut kualitas produk, menentukan karakteristik proses dan hubungan keterkaitannya antar proses dan menentukan hubungan antar atribut kualitas produk dengan karakteristik proses. 3. Pengumpulan dan Pemilihan Data Data yang dikumpulkan pada tahap ini adalah : a. Atribut-atribut yang mempengaruhi kualitas gula kristal putih. b. Karakteristik atau aktivitas proses produksi gula kristal putih. c. Penilaian tingkat kepentingan antar atribut kualitas gula kristal berdasarkan akuisisi pendapat pakar dan diolah menggunakan teknik perbandingan berpasangan (pairwise comparison) gabungan pendapat pakar dan dibantu software Expert Choice d. Tingkat kepentingan dan nilai relatif hubungan keterkaitan karakteristik proses dengan atribut kualitas tersebut yang diperoleh dari akuisisi pendapat pakar dan diolah menggunakan metoda QFD.
6 40 e. Tahapan-tahapan proses yang terkait pada karakteristik proses yang dipilih. Pemilihan proses inti ini ditetapkan berdasarkan akuisisi pendapat pakar. f. Angka standar proses produksi gula kristal putih yang diperoleh dari PT. PG Subang dan berdasarkan pendapat pakar. g. Data harian proses produksi gula kristal putih PT. PG Subang. 4. Pembentukan Data Input JST Data input JST yang dibentuk terdiri atas : a. Data input untuk proses pelatihan (data pelatihan) JST. b. Data input untuk proses pengujian (data pengujian) JST. Semua data input dibuat dalam bentuk file Excel atau berekstention *.xls. Data pelatihan dan pengujian JST dibuat berdasarkan pada : (1) Atribut kualitas produk yang menjadi prioritas menurut pakar yang mengacu pada SNI ; (2) Karakteristik proses produksi yang memiliki hubungan keterkaitan paling besar terhadap atribut utama kualitas produk; dan (3) Angka standarisasi proses produksi gula kristal putih pada PT. PG. Subang. 5. Disain JST Inisialisasi parameter jaringan bakcpropagation dilakukan untuk menentukan fungsi aktivasi, algoritma training, nilai momentum, set goal error dan epoh maksimum. Selanjutnya dilakukan perancangan dan pencarian arsitektur jaringan terbaik. Perancangan arsitektur jaringan dilakukan dengan cara : Menentukan jumlah input (neuron) pada input layer. Menentukan jumlah output (neuron) pada output layer. Output dari disain JST ini diklasifikasikan menjadi 3 kelas (neuron) yaitu : Y 1 = Gula Kristal Putih Kualitas 1 (GKP I). Y 2 = Gula Kristal Putih Kualitas 1 (GKP II). Y 3 = Gula Kristal Putih Kualitas 1 (GKP III). Menentukan jumlah hidden layer. Menentukan jumlah neuron pada hidden layer.
7 41 Inisialisasi parameter jaringan LVQ dilakukan untuk menentukan algoritma training yang akan digunakan, nilai learning rate, set goal error dan epoh maksimumnya. Selanjutnya dilakukan perancangan dan pencarian arsitektur jaringan terbaik. Perancangan arsitektur jaringan dilakukan dengan cara : Menentukan jumlah input (neuron) pada input layer. Menentukan jumlah output (neuron) pada output layer. Output dari disain JST ini diklasifikasikan menjadi 3 kelas (neuron) yaitu : Y 1 = Gula Kristal Putih Kualitas 1 (GKP I). Y 2 = Gula Kristal Putih Kualitas 1 (GKP II). Y 3 = Gula Kristal Putih Kualitas 1 (GKP III). Menentukan jumlah neuron pada competitive layer. Setelah diperoleh arsitektur jaringan terbaik kemudian sistem dilatih terlebih dahulu menggunakan input data pelatihan hingga mencapai kinerja akurasi yang diinginkan tercapai. Kinerja akurasi yang diukur pada proses pelatihan jaringan syaraf tiruan baik metoda BP maupun LVQ adalah : Lamanya proses pelatihan (jumlah epoh). Perhitungan error (MSE). Koefisien regresi (r). Setelah melalui proses pelatihan dilanjutkan dengan proses pengujian dengan menggunakan data pengujian JST. Setelah dilakukan proses pengujian maka sistem dapat diimplementasikan untuk memprediksi kualitas gula kristal putih. 6. Implementasi JST Implementasi JST dilakukan dengan menggunakan data harian produksi PT. PG. Subang. 7. Pemantauan Proses Produksi Pemantauan proses produksi dilakukan untuk memantau proses secara terus menerus sepanjang waktu agar proses tetap stabil secara statistikal dan hanya mengandung keragaman atau variasi alami. Ketidakterkendalian proses akan mempengaruhi kesinambungan kualitas gula kristal putih yang dihasilkan.
8 42 Data input untuk pemantauan proses produksi berasal dari data untuk prediksi kualitas gula kristal putih pada JST yaitu data harian produksi pabrik. Tetapi tidak semua parameter proses pada data prediksi JST akan digunakan untuk pemantauan proses produksi. Hanya parameter proses dari atribut kualitas yang memiliki tingkat kepentingan paling tinggi (nilai bobot terbesar) yang akan digunakan. 8. Analisa dan Interpretasi Setelah jaringan dimplementasi dan dilakukan pemantauan proses maka dilakukan analisa dan interpretasi. 9. Rekomendasi Perbaikan Proses Rekomendasi perbaikan diberikan kepada proses-proses yang berada di luar kendali. 10. Implikasi Kebijakan dan Penerapan Sistem Implikasi dari penerapan disain JST terhadap kebijakan gula di Indonesia. C. Tata Cara Penelitian 1. Sumber Data, Informasi dan Pengetahuan Sumber data, informasi dan pengetahuan untuk membangun sistem berasal dari wawancara dengan pakar, kuisioner, observasi langsung, buku referensi, jurnal dan laporan penelitian terdahulu. 2. Metoda Pengumpulan Data Metoda pengumpulan data yang digunakan untuk penelitian ini adalah : Pengumpulan data primer, yaitu dengan melakukan wawancara dan pengisian kuisioner dengan responden pakar kemudian melakukan observasi langsung kelapangan. Pengumpulan data sekunder, yaitu dengan studi literatur dan dokumentasi, misalnya melalui buku, artikel, majalah, surat kabar, internet, jurnal dan penelitian terdahulu. 3. Pengolahan dan Analisis Data Berdasarkan data yang telah dikumpulkan maka pengolahan dan analisis data yang dilakukan adalah :
9 43 Analisis tingkat kepentingan antar atribut kualitas gula kristal putih berdasarkan perbandingan berpasangan (pairwise comparison) diolah dengan bantuan software Expert Choice Analisis karakteristik proses dan tingkat kepentingan hubungan keterkaitan antara atribut kualitas produk dengan karakeristik proses diolah dengan menggunakan metoda Quality Function Deployment (QFD) dengan bantuan matrik HOQ (House of Quality). Data pelatihan dan pengujian JST disusun dalam bentuk file Microsoft Excel atau berekstention *.xls. Disain JST dibangun dengan menggunakan Matlab Analisis keragaman proses produksi gula kristal putih menggunakan Statistical Process Control (SPC) dengan bantuan software Minitab Pembentukan Matrik House of Quality (HOQ) Pembuatan matrik HOQ didasarkan pada data dan informasi yang telah diperoleh dari metoda QFD. Matrik House of Quality (HOQ) dilakukan dengan tujuan untuk : (1) melakukan analisis terhadap atribut kualitas gula yang merupakan harapan dan keinginan konsumen sampai dapat ditetapkan prioritas terhadap atribut-atribut kualitas tersebut; (2) melihat karakteristik-karakteristik teknis atau aktivitas proses yang terkait dengan atribut-atribut kualitas yang telah diidentifikasi. Tahapan pembuatan matrik HOQ untuk industri gula adalah : a. Identifikasi tingkat kepentingan atribut-atribut kualitas Identifikasi prioritas dilakukan dengan cara pembobotan. Data untuk tahap ini diperoleh dari brainstorming dan wawancara dengan pakar dan berdasarkan studi literatur. b. Evaluasi kualitas produk Evaluasi kualitas produk dilakukan dengan melihat tingkat kepuasan konsumen terhadap atribut-atribut kualitas produk. Data yang diperoleh kemudian dihitung dengan cara : (N1 x 1) + (N2 x 2) + (N3 x 3) + (N4 x 4) + (N5 x 5) Ket : N1 = Jumlah responden dengan jawaban sangat tidak puas N2 = Jumlah responden dengan jawaban tidak puas N3 = Jumlah responden dengan jawaban cukup puas N4 = Jumlah responden dengan jawaban puas N5 = Jumlah responden dengan jawaban sangat puas
10 44 c. Sasaran Proyek Tahap ini untuk melihat sasaran yang harus ditingkatkan dalam memperbaiki kualitas produk. d. Parameter teknis Tahap ini untuk menentukan aktivitas proses apa yang terkait dengan harapan konsumen. Penentuan aktivitas proses dilakukan oleh para pakar dengan teknik brainstorming dan studi literatur. e. Matrik interaksi/hubungan keterkaitan Tujuan dari membangun hubungan keterkaitan adalah untuk menunjukkan karakteristik proses yang memiliki hubungan paling berarti dengan atribut kualitas produk sehingga saat matrik sudah selesai dan analisa dilakukan dapat ditentukan karakteristik proses mana yang harus mendapat perhatian utama. Hubungan antara harapan konsumen dan karakteristik proses dinyatakan dengan lambang-lambang tertentu, yaitu : = hubungan kuat (10) = hubungan sedang (5) = hubungan lemah (1) f. Trade off Beberapa karakteristik proses memiliki proses keterkaitan antara satu dengan lainnya. Pemberian tindakan pada karakteristik proses dapat mengakibatkan perubahan pada karakteristik proses yang terkait lainnya, baik perubahan searah (positif) maupun perubahan berlawanan arah (negatif). Penentuan hubungan keterkaitan dilakukan secara brainstorming dengan pakar. Matrik yang terbentuk dari hubungan keterkaitan ini disebut matriks korelasi dan pada matriks House of Quality (HOQ) terletak pada bagian atas yang disebut roof. Hubungan keterkaitan yang ada dan lambang yang digunakan adalah : Hubungan kuat positif (++) Hubungan kuat positif merupakan hubungan searah yang kuat, dimana bila salah satu karakteristik proses mengalami peningkatan akan berdampak kuat pada peningkatan karakteristik proses lainnya yang terkait.
11 45 Hubungan positif (+) Hubungan positif merupakan hubungan searah, meskipun dampak yang dihasilkan tidaklah sekuat hubungan pada poin 1. Hubungan negatif (-) Hubungan negatif merupakan hubungan tidak searah, yaitu apabila salah satu karakteristik proses mengalami penurunan, maka karakteristik yang lain akan mengalami peningkatan. Hal ini dapat berlaku sebaliknya. Hubungan kuat negatif (--) Hubungan kuat negatif merupakan hubungan tidak searah yang kuat dan dampak yang dihasilkan lebih kuat dari hubungan poin 3. g. Menentukan tingkat kepentingan dan nilai relatif dari karakteristik proses. Nilai tingkat kepentingan karakteristik proses ke-y merupakan total dari hasil kali antara bobot konversi tiap atribut dengan karakteristik proses ke-y. Sedangkan nilai relatif karakteristik proses ke-y merupakan hasil bagi dari nilai tingkat kepentingan karakteristik proses ke-y dengan total keseluruhan nilai kepentingan karakteristik proses. 5. Penerapan Jaringan Syaraf Tiruan a. Perancangan Arsitektur Jaringan Arsitektur JST yang akan digunakan adalah feedforward dan feedback. Arsitektur feedforward yang digunakan adalah multiplelayer system sedangkan arsitektur feedback yang digunakan adalah competitive layer system. Pada jaringan multiple-layer system, layer pertama adalah layer input yang bertujuan menerima sinyal input, layer terakhir adalah layer output yang bertujuan memancarkan output dan diantara kedua layer tersebut terdapat satu atau lebih layer yang disebut hidden layer, seperti disajikan pada Gambar 7.
12 46 Gambar 7. Arsitektur JST Backpropagation Pada competitive layer system, neuron-neuronnya mendistribusikan diri untuk mengenali sinyal input yang datang. Berdasarkan Gambar 8 maka X j merupakan nilai vektor input dan Y i merupakan nilai output jaringan. Proses pelatihan pada jaringan dilakukan untuk mengeset nilai bobot jaringan (w i ) yang akan mengalami perubahan pada setiap pelatihan yang dilakukan. b X 1 C 1 C 2 X 2 C 3 Y 1 Gula Kristal Putih Kualitas I X 3 X 4 C 4 Y 2 Gula Kristal Putih Kualitas II C 5 Proses-proses Inti yang telah dipilih X 5 Y 3 Gula Kristal Putih Kualitas III C n X 35 Input Layer dengan 35 node Competitive Layer dengan n node Output Layer dengan 3 node Gambar 8. Arsitektur Jaringan LVQ
13 47 b. Pemilihan Metoda Pembelajaran Metoda pembelajaran yang dipilih pada penelitian ini adalah : b.1. Backpropagation. Metoda pembelajaran backpropagation terdiri dari 3 fase penting, yaitu : Fase maju Pola input dihitung maju mulai dari layer input hingga layer output menggunakan fungsi aktivasi yang ditentukan. Fase mundur Selisih antara output jaringan dengan target yang diinginkan disebut error. Error tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layer output. Perubahan bobot, untuk menurunkan error yang terjadi Algoritma pembelajaran backpropagation mengandung beberapa hal yang perlu diperhatikan yaitu : Pemilihan bobot awal Pada saat inisialisasi harus dilakukan dengan hati-hati karena pemilihan bobot yang keliru akan menyebabkan tidak ditemukannya fungsi error minimum. Bobot yang baik adalah bobot yang tersebar secara normal dan tidak terlalu besar. Biasanya dipilih bilangan random antara -0.5 dan 0.5. Bobot yang besar akan mendorong input untuk suatu neutron menjadi ekstrim besar atau ekstrim kecil yang akan disaturasikan oleh fungsi transfer. Pemilihan fungsi aktivasi Dalam pemilihan fungsi aktivasi hendaknya disesuaikan dengan sifat-sifat yang diinginkan yaitu harus kontinu dan dapat diturunkan. Pemilihan fungsi aktivasi juga sangat bergantung dari aplikasi yang dirancang. Penambahan momentum Penambahan momentum pada bagian penyetelan bobot dilakukan untuk mempercepat ditemukannya minimum global dari fungsi error dan menghindari terjebaknya pada minimum lokal.
14 48 b.2. Learning Vector Quantization (LVQ) Algoritma pembelajaran LVQ terdiri dari dua tahap, yaitu : 1) Metoda pelajaran data unsupervised digunakan untuk menempatkan beberapa cluster center tanpa menggunakan informasi kelas. 2) Informasi kelas digunakan untuk fine-tune cluster center untuk memperkecil banyaknya kasus kesalahan klassifikasi. 6. Analisa Control Chart (Bagan Kendali) Analisa ini digunakan untuk mengetahui dan memantau konsistensi proses produksi tidak terjadi penyimpangan (telah stabil dan sesuai dengan yang diharapkan). Rumusan umum bagan kendali adalah : Nilai Batas Kendali Atas = Nilai Batas Kendali Bawah = [(Rata - rata) + Simpangan Baku] [(Rata - rata) Simpangan Baku] Tahapan dalam pengolahan data menggunakan bagan kendali adalah : a. Mengidentifikasi jenis data yang dikumpulkan. Berdasarkan sifat variabel dan atribut dari parameter kualitas yang diukur maka terdapat dua macam bagan pengendalian proses, yaitu : 1) Bagan pengendalian variabel digunakan untuk produk dengan karakteristik tertentu (sifat fisik, sifat kimia, dan sebagainya); dan 2) Bagan pengendalian atribut digunakan untuk mengendalikan sifat-sifat atribut seperti cacat-normal, baik-buruk, tolak-terima dan lain-lain. Pada penelitian ini data yang dikumpulkan berupa data variabel sehingga bagan kendali yang digunakan adalah bagan pengendalian variabel. Ada beberapa jenis bagan kendali variabel. Jika ukuran sampel atau n antara 2 dan 9, maka digunakan bagan kendali x - R. Jika n > 10 maka digunakan bagan kendali x - S. Sedangkan jika n = 1 maka digunakan bagan kendali Individual Moving Range (I-MR) atau disebut juga bagan X-MR (Vardeman and Jobe, 1999). Pada penelitian ini digunakan bagan kendali I-MR, karena data pengamatan atau sampel berukuran 1 (n = 1). Bagan kendali I-MR digunakan manakala pertimbangan mencegah subgrup yang lebih besar atau tidak ada basis yang rasional untuk membuat subgrup. Bagan ini dibuat berdasarkan pada pergeseran rentang (moving
15 49 range) antara sampel yang berurutan. Rumus batasan bagan I-MR disajikan pada Tabel 6 berikut. Tabel 6. Rumusan batasan bagan I-MR BAGAN INDIVIDUAL BAGAN MOVING RANGE Batas kendali Atas (UCL) Batas kendali Atas (UCL MR ) Batas kendali Bawah (LCL) Batas kendali Bawah (LCL MR ) D 4 and d 2 diambil dari tabel konstanta standar dari subgrup dengan ukuran sampel = 2, yaitu : D d Bagan I-MR terdiri dari 2 bagan yang digunakan bersamaan, yaitu bagan Individual dan bagan Moving Range. Bagan I-MR memonitor variasi proses yang terjadi. Fokus analisa tiap-tiap bagan disajikan pada Tabel 7. Tabel 7. Analisa dari Bagan Individual dan Moving Range BAGAN FOKUS DATA TUJUAN Individual Rata-rata proses Nilai data individual yang diplot pada suatu periode Mengidentifikasi perubahan dalam ratarata proses Moving Range Variasi proses dari penyebab umum Selisih absolut antar nilai individual yang berdekatan atau bersebelahan. Mengidentifikasi perubahan di dalam rata-rata proses pada variasi proses Bagan individu (X) dapat digunakan untuk melihat semua variasi (alami dan khusus). Analisa difokuskan pada pemisahan variasi khusus yang hadir pada data proses. Untuk mengukur variasi alami maka dilakukan oleh bagan moving range. Menurut Montgomery (1990), menyatakan suatu proses tak terkendali apabila dipenuhi salah satu atau beberapa kriteria sebagai berikut :
16 50 Satu atau beberapa titik di luar batas pengendali Suatu kecenderungan dengan paling sedikit tujuh atau delapan titik dengan macam kecenderungan naik atau turun, kecenderungan di atas atau di bawah garis tengah, di atas atau di bawah median Dua atau tiga titik berurutan di luar batas peringatan 2-sigma, tetapi masih di dalam batas pengendali Tidak ada pola yang tidak biasa atau tak acak dalam data b. Pengolahan data dengan bagan kendali yang sesuai dan menentukan rentang nilai batas kendali. c. Pengeplotan data ke dalam bagan kendali. d. Analisa.
DISAIN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI KUALITAS GULA KRISTAL PUTIH DI INDONESIA
DISAIN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI KUALITAS GULA KRISTAL PUTIH DI INDONESIA EVANILA SILVIA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007 DISAIN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI
Lebih terperinciIMPLEMENTASI METODE QUALITY FUNCTION DEPLOYMENT (QFD) GUNA MENINGKATKAN KUALITAS GULA KRISTAL PUTIH. Evanila Silvia, Marimin, Machfud, M.
IMPLEMENTASI METODE QUALITY FUNCTION DEPLOYMENT (QFD) GUNA MENINGKATKAN KUALITAS GULA KRISTAL PUTIH Evanila Silvia, Marimin, Machfud, M. Zein Jurusan Teknologi Pertanian Universitas Bengkulu Departemen
Lebih terperinciDISAIN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI KUALITAS GULA KRISTAL PUTIH DI INDONESIA
DISAIN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI KUALITAS GULA KRISTAL PUTIH DI INDONESIA EVANILA SILVIA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007 DISAIN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI
Lebih terperinciMETODA PENELITIAN. Kerangka Pemikiran Konseptual Penelitian. Mulai
45 METODA PENELITIAN Kerangka Pemikiran Konseptual Penelitian Semakin ketatnya persaingan produk agroindustri pangan merupakan tantangan bagi industri dalam memenuhi harapan konsumen, oleh karena itu setiap
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 terperinciMETODOLOGI PENELITIAN
METODOLOGI PENELITIAN Semakin ketatnya persaingan akan produk pangan agroindustri merupakan tantangan bagi industri dalam memenuhi harapan konsumen. Oleh karena itu, setiap perusahaan melakukan berbagai
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 terperinci1 PENDAHULUAN 1.1 Latar Belakang
1 PENDAHULUAN 1.1 Latar Belakang Curah hujan merupakan faktor yang berpengaruh langsung terhadap perubahan cuaca yang semakin memburuk. Curah hujan merupakan total air hujan yang terjatuh pada permukaan
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciBAB III METODE PENELITIAN. Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu
BAB III METODE PENELITIAN 3.1 Pengumpulan Data Beban Listrik dari PLN Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu selama lima tahun pada periode 2006-2010, selanjutnya data
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih 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 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 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 terperinciDISAIN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI KUALITAS GULA KRISTAL PUTIH DI INDONESIA
DISAIN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI KUALITAS GULA KRISTAL PUTIH DI INDONESIA EVANILA SILVIA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007 DISAIN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI
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 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 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 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 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 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 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
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 III METODE PENELITIAN
3.1. Kerangka Pemikiran BAB III METODE PENELITIAN Permasalahan yang akan dijawab atau tujuan yang ingin dicapai pada penelitian ini adalah untuk melakukan prakiraan beban listrik jangka pendek atau untuk
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 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 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 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Jaringan Syaraf Tiruan (artificial neural network), atau disingkat JST menurut Hermawan (2006, hlm.37) adalah sistem komputasi dimana arsitektur dan operasi
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani 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 terperinciANALISIS DATA Metode Pembobotan AHP
ANALISIS DATA Data yang diperoleh dari hasil wawancara dengan konsumen dan pakar serta tinjauan langsung ke lapangan, dianalisa menggunakan metode yang berbeda-beda sesuai kebutuhan dan kepentingannya.
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 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 menggambarkan desain penelitian peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation.
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 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 terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Ketatnya persaingan antara perusahaan industri satu dengan yang lainnya menyebabkan semakin banyak dan beragam industri saat ini yang berusaha untuk meningkatkan kualitas
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 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 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 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 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 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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka berpikir Perubahan nilai tukar rupiah terhadap mata uang asing tidak dapat dihindari. Untuk mengatasi perubahan yang tidak pasti ini diperlukan suatu prediksi.
Lebih terperinciBAB 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 terperinciRealisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen
Realisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen David Novyanto Candra/0322003 Email: dave_christnc@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Jln.Prof.Drg.Suria
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 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 terperinciPERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN
PERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN Oleh : Hera Firdhausa Katili 2409100073 Dosen Pembimbing : Dr.
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 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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciBAB 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 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 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 terperinciPerbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas
TEKNOLOGI DI INDUSTRI (SENIATI) 016 ISSN : 085-418 Perbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas Nur Nafi iyah Program Studi Teknik Informatika Universitas Islam
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciBAB III METODOLOGI PENELITIAN
38 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Peramalan, Curah Hujan, Knowledge Discovery in Database, Jaringan Saraf Tiruan, Backpropagation, Optimalisasasi Backpropagation Pengumpulan
Lebih terperinciBAB III METODE PENELITIAN. Sampel merupakan sebagian anggota dari populasi yang dipilih dengan
26 BAB III METODE PENELITIAN 3.1 Identifikasi Sampel Penelitian Sampel merupakan sebagian anggota dari populasi yang dipilih dengan suatu prosedur tertentu dan diharapkan dapat mewakili suatu populasi
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 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 terperinciMETODOLOGI PENELITIAN
55 METODOLOGI PENELITIAN Kerangka Pemikiran Membangun agroindustri yang tangguh dan berdaya saing tinggi seharusnya dimulai dengan membangun sistem jaringan rantai pasokan yang tangguh dan saling menguntungkan
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
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 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 terperinciIV. HASIL DAN PEMBAHASAN A.
IV. HASIL DAN PEMBAHASAN A. Persiapan Data Untuk Analisis Jaringan Syaraf Tahapan pertama sebelum merancang model jaringan syaraf tiruan adalah menyiapkan data. Secara garis besar tahapan-tahapan dalam
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 III METODE PENELITIAN DAN PERANCANGAN SISTEM. Koefisien Maksimum Energi Maksimum Jarak Gelombang R - R
BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Database Sinyal EKG Ekstraksi Ciri Sinyal Jantung (Wibowo, 2016) Keluaran : Koefisien Maksimum Energi Maksimum Jarak Gelombang R -
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih 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 terperinciBAB III METODOLOGI PENELITIAN
42 BAB III METODOLOGI PENELITIAN Metode penelitian atau kerangka pemecah masalah merupakan tahap-tahap penelitian yang harus ditetapkan terlebih dahulu sebelum melakukan penelitian lebih lanjut yang sedang
Lebih terperinciKOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN
Lebih terperinciPENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Alfa Ceria Agustina (1) Sri Suwarno (2) Umi Proboyekti (3) sswn@ukdw.ac.id othie@ukdw.ac.id Abstraksi Saat ini jaringan saraf tiruan
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 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 terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Parameter Gauss Untuk dapat melakukan pengolahan data menggunakan ANN, maka terlebih dahulu harus diketahui nilai set data input-output yang akan digunakan. Set data inputnya yaitu
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1.1 Latar Belakang BAB I PENDAHULUAN Dewasa ini penciptaan video game tidak hanya ditujukan untuk media hiburan saja melainkan juga diperuntukan sebagai media pendidikan bagi berbagai kalangan khususnya
Lebih terperinciMETODOLOGI PENELITIAN. Kerangka Pemikiran Konseptual
METODOLOGI PENELITIAN Kerangka Pemikiran Konseptual Bertolak dari kondisi, potensi, dan prospek usaha mikro dan kecil makanan ringan, maka penelitian ini diarahkan untuk menghasilkan model untuk mengevaluasi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Pencemaran air Air merupakan salah satu komponen utama dalam lingkungan yang berperan penting dalam kehidupan (Warlina, 2004). Air, yang bersumber dari sungai, danau, gletser,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Produksi merupakan sebuah siklus yang dilakukan oleh perusahaan dalam penyediaan barang atau jasa yang akan ditawarkan kepada pasar demi keberlangsungan
Lebih terperinciBAB I PENDAHULUAN. yang menyerupai otak manusia yang dikenal dengan jaringan syaraf tiruan.
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi saat ini dapat dimanfaatkan untuk membantu dan menggantikan kelemahan-kelemahan manusia, salah satu bentuk dari kecanggihan teknologi tersebut adalah
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENALAN POLA TULISAN DENGAN METODE BACKPROPAGATION Alvama Pattiserlihun, Andreas Setiawan, Suryasatriya Trihandaru Program Studi Fisika, Fakultas Sains dan Matematika,
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 terperinciPeramalan Produksi Gula Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation Pada PG Candi Baru Sidoarjo
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 4, April 2018, hlm. 1683-1689 http://j-ptiik.ub.ac.id Peramalan Produksi Gula Menggunakan Metode Jaringan Syaraf
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 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 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 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 terperinci