Studi Prakiraan Beban dan Potensi Pemanfaatan PV untuk Mengurangi Beban Puncak di Penyulang Unsyiah Menggunakan ANN
|
|
- Susanto Tedja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 KITEKTRO: Jurnal Online Teknik Elektro e-issn: : -5 Studi Prakiraan Beban dan Potensi Pemanfaatan PV untuk Mengurangi Beban Puncak di Penyulang Unsyiah Menggunakan ANN Muhammad Ridha Munawar #, Hafidh Hasan #, Ramdhan Halid Siregar #3 # Jurusan Teknik Elektro dan Komputer, Fakultas Teknik, Universitas Syiah Kuala Jl. Tgk. Syech Abdurrauf No.7 Darussalam, Banda Aceh 3, Indonesia ridhamunawar@gmail.com hafidh.hasan@unsyiah.ac.id 3 Ramdhan@unsyiah.ac.id Abstrak Kebutuhan beban listrik yang berubah-ubah disebabkan kondisi suatu daerah menjadi tantangan bagi operator sistem tenaga untuk menjaga tegangan, frekuensi dan daya listrik yang dibangkitkan selalu sesuai dengan permintaan beban yang berubah-ubah. Tugas akhir ini mengajukan studi prakiraan beban jangka pendek pada penyulang Unsyiah dan potensi pengurangan beban puncak ketika terhubung dengan mikrogrid yang bersumber dari panel surya. Dua tipe prakiraan akan dilakukan dalam studi ini. Pertama: prakiraan beban menggunakan variabel-variabel yang mempengaruhi perilaku konsumen yang berdampak pada pemakaian listrik, kedua: prakiraan produksi daya listrik mikrogrid menggunakan variabel-variabel cuaca. Kedua tipe prakiraan disimulasikan dengan menggunakan metode Jaringan Syaraf Tiruan (ANN). Prakiraan radiasi matahari digunakan dalam menunjukkan seberapa besar potensi pemanfaatan panel surya untuk mengurangi beban puncak. Hasil yang didapatkan adalah grafik prakiraan radiasi matahari dan beban listrik yang sudah dapat mengikuti grafik data sebenarnya. Berdasarkan penelitian yang dilakukan didapatkan bahwa jaringan syaraf tiruan yang telah dilatih sudah mampu untuk digunakan dalam prakiraan radiasi matahari dan beban listrik dalam rentang waktu dari pukul 7: sampai 8: pada hari Senin sampai Kamis. Dengan memanfaatkan % dari total keseluruhan atap bangunan di Unsyiah sebagai daerah pemasangan panel surya, dapat mengurangi beban puncak di Unsyiah hingga 75%. Kata Kunci prakiraan beban, mikrogrid, ANN, energi terbarukan, beban puncak. I. PENDAHULUAN Dalam suatu sistem tenaga, daya listrik disalurkan dari jaringan distribusi menuju ke beban. Tantangan bagi operator sistem tenaga adalah untuk menjaga tegangan, frekuensi dan daya listrik yang dibangkitkan selalu sesuai dengan permintaan beban yang berubah-ubah. Perubahan beban dapat dibagi menjadi jangka pendek, menengah dan panjang. Bidang ilmu yang mengkaji dan mengembangkan metodemetode untuk menentukan ketiga tipe perubahan beban tersebut dikenal sebagai Prakiraan Beban Listrik. Prakiraan beban jangka pendek menunjukkan prakiraan permintaan daya listrik setiap jam dalam satu hari. Persediaan daya yang ada ditentukan oleh keakuratan dari prakiraan, misalnya adalah cuaca. Cuaca memiliki efek yang signifikan pada beban, artinya jika terjadi perubahan pada temperatur, maka beban yang dilayani oleh gardu induk juga akan berubah seiring dengan perubahan temperatur. Agar tujuan tersebut dapat tercapai maka perusahaan pembangkit listrik tersebut harus mengetahui besarnya beban pada jangka pendek, menengah ataupun jangka panjang. Penelitian yang menggunakan metode Jaringan Syaraf Tiruan (ANN) untuk memprakirakan kebutuhan energi listrik jangka pendek telah banyak dilakukan. Salah satu diantaranya dilakukan oleh Suhartono (9) dalam tulisannya yang berjudul : Peramalan Konsumsi Listrik Jangka Pendek dengan Arima Musiman Ganda dan Elman-Recurrent Network. Pada penelitian tersebut, Suhartono menyimpulkan bahwa ANN lebih baik digunakan untuk meramalkan konsumsi beban listrik dengan jangka pendek dengan rata-rata nilai error yang rendah sehingga disimpulkan bahwa model ANN sudah cukup baik dalam memodelkan beban listrik harian []. Wilayah distribusi penyulang Unsyiah merupakan salah satu daerah yang berpotensi dihubungkan dengan PLTS ukuran kecil yang berperan sebagai beban negatif. Untuk keperluan studi penulis memilih wilayah distribusi penyulang Unsyiah sebagai mikrogrid yang memiliki pembangkit sendiri berupa PLTS. Sehingga akan dilakukan prakiraan beban jangka pendek dengan menggunakan metode ANN. II. DASAR TEORI A. Prakiraan Beban Listrik Kebutuhan tenaga listrik suatu daerah tergantung dari letak daerah, jumlah penduduk, standar kehidupan, rencana pembangunan atau pengembangan daerah di masa yang akan datang. Prakiraan kebutuhan tenaga listrik yang kurang tepat (lebih rendah dari permintaan) dapat menyebabkan kapasitas pembangkitan tidak mencukupi untuk melayani konsumen yang dapat merugikan perekonomian negara, dan sebaliknya, bila prakiraan terlalu besar dari permintaan maka akan mengalami kelebihan pembangkitan yang merupakan pemborosan.
2 KITEKTRO: Jurnal Online Teknik Elektro e-issn: : -5 Prakiraan dalam hubungannya dengan horizon waktu, dapat diklasifikasikan kedalam 3 kelompok, yaitu: ) Prakiraan beban jangka pendek: prakiraan beban untuk jangka waktu beberapa jam sampai satu minggu kedepan, yang biasanya digunakan untuk menentukan batas beban maksimum dan beban minimum. ) Prakiraan beban jangka menengah: prakiraan beban untuk jangka waktu satu bulan sampai satu tahun, yang biasa digunakan untuk perencanaan perluasan jaringan transmisi, jaringan distribusi, dan penambahan pembangkit listrik baru. 3) Prakiraan beban jangka panjang: prakiraan beban untuk jangka waktu diatas satu tahun, yang digunakan untuk perencanaan produk dan sumber daya[]. B. Konversi Energi Matahari Daya yang dihasilkan oleh panel surya merupakan hasil akhir dari tahapan tahapan dalam mengkonversi energi matahari. Energi yang dihasilkan oleh array panel surya dipengaruhi oleh beberapa faktor sebagai berikut : Luas dari array panel surya Efisiensi konversi dari sebuah modul sel surya Lokasi geografis dari tempat pemasangan panel surya Sudut kemiringan pemasangan panel surya Suhu panel surya saat beroperasi Masih banyak faktor-faktor yang mempengaruhi energi keluaran dari array panel surya seperti pada panel surya yang memiliki sistem tracking sehingga perhitungannya juga semakin rumit. Tahapan yang akan dijelaskan berikut ini hanya bisa digunakan pada panel surya yang posisinya tetap. Berikut adalah tahapan-tahapannya : a. Tentukan luas dari array panel surya yang terpasang b. Tentukan sudut kemiringan dari panel surya yang dipasang. Jika dipasang pada atap kemiringan atap juga ditambahkan. c. Tentukan besar radiasi matahari berdasarkan letak geografis dari tempat pemasangan sel surya. d. Tentukan besar efisiensi konversi dari sebuah panel surya. Besarnya efisiensi tergentung kepada jenis dan produk panel surya yang ingin digunakan. e. Tentukan efisiensi dari inverter yang digunakan, yang pada umumnya efisiensinya diatas 95% [3]. f. Tentukan pengaruh dari suhu pada permukaan sel surya (operating temperature). Besar koefisien suhu pada sebuah panel surya dapat dilihat pada spesifikasi pada panel surya yang digunakan, misalnya -,4%/ ºC. Referensi suhu normal pengoperasian modul sel surya yaitu 5ºC, yang digunakan sebagai standar dalam pengetesan laboratorium. g. Untuk mendapatkan besar suhu permukaan modul sel surya saat beroperasi (operating temperature) dapat menggunakan persamaan berikut ini[4] : Tcell = Tair + NOCT I () 8 Tcell =Suhu permukaan modul sel surya (operating temperature)( ºC) Tair = Suhu lingkungan (ºC) NOCT = Suhu nominal sel surya beroperasi (ºC) I = Radiasi matahari (W/m) h. Untuk mendapatkan daya keluaran panel surya setelah dikonversi dan sudah diubah menjadi tegangan AC, maka dapat menggunakan rumus berikut[6] : Pout = I A Ep Ei () Pout = Daya keluaran PV setelah dikonversi (Watt) I = Radiasi matahari (W/m ) A = Luas daerah pemasangan array sel surya (m ) Ep = Efisiensi panel surya Ei = Efisiensi inverter i. Jika sudah didapatkan daya keluarannya maka dihitung pengaruh suhu permukaan modul sel surya saat beroperasi (operating temperature) terhadap daya keluarannya. Jika operating temperature lebih besar dari suhu standar yaitu 5 ºC maka akan mengurangi daya keluaran modul sel surya, akan tetapi jika operating temperature lebih kecil dari suhu standar maka akan menambah daya keluaran modul sel surya[3]. Maka digunakan persamaan berikut ini untuk mendapatkan daya keluaran sel surya yang dipengaruhi oleh suhu : +{(Tcell Tnom).Tcoeff} Pt = Pout. Pt = Daya keluaran sel surya yang dipengaruhi oleh suhu (Watt) Pout = Daya keluaran PV setelah dikonversi (Watt) Tcell = Suhu permukaan modul sel surya (operating temperature)( ºC) Tnom = Suhu lingkungan (ºC) Tcoeff = Koefisien suhu (%/ ºC) C. Artificial Neural Network (ANN) ANN adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi di dalam otak. Hal tersebut menjadikan ANN sangat cocok untuk menyelesaikan masalah dengan tipe sama seperti otak manusia. Suatu jaringan syaraf tiruan ditentukan oleh 3 hal: Pola-pola hubungan antar neuron yang disebut arsitektur jaringan Metode penentuan bobot penghubung yang disebut metode training / learning / algoritma Fungsi aktivasi yang digunakan (3)
3 KITEKTRO: Jurnal Online Teknik Elektro e-issn: : -5 D. Arsitektur Jaringan Backpropagation Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi. Arsitektur backpropagation memiliki n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah semua bias), serta m buah unit keluaran. ) Algoritma Dasar Jaringan Syaraf Tiruan Backpropagation: Pelatihan backpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakn fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selih antara keluaran jaringan dengan target yang diinginkan merupakan error yang terjadi. Error tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan error yang terjadi. ) Algoritma Pelatihan Jaringan Backpropagation: Algoritma selengkapnya pelatihan jaringan backpropagation adalah sebagai berikut [5]: a. Langkah : Inisialisasi bobot-bobot (tetapkan dalam nilai acak kecil) b. Langkah : Bila syarat berhenti adalah salah, kerjakan langkah sampai 9. c. Langkah : Untuk setiap pasangan pelatihan, kerjakan langkah 3 sampai 8. Propagasi maju : d. Langkah 3 : Tiap unit masukan (xi, i=,...,n) menerima isyarat masukan xi dan diteruskan ke unit-unit tersembunyi. e. Langkah 4 : Tiap unit tersembunyi (zj, j =,...,p) menjumlahkan isyarat masukan berbobot, z inj = v j + n i= x i v ij (4) dengan menerapkan fungsi aktivasi hitung : Z j = f(z inj ) (5) dan kirim isyarat ini ke unit-unit keluaran. f. Langkah 5 : Tiap unit keluaran (yk, k =,...,m) menjumlahkan isyarat masukan berbobot, y inj = w k + p i= Z i w jk (6) dengan menerapkan fungsi aktivasi hitung, y k = f(y ink ) (7) Propagasi mundur : g. Langkah 6 : Tiap unit keluaran (yk, k =,...,m) menerima pola sasaran berkaitan dengan pola pelatihan masukannya. Hitung error informasi : δ k = (t k y k )f (y ink ) (8) Hitung koreksi bobot dan biasnya: W jk = αδ k z j (9) w k = αδ k () h. Langkah 7 : Tiap unit tersembunyi (zj, j =,...,p) menjumlahkan delta masukannya (dari unit-unit di lapisan atasnya). δ inj = Hitung error informasinya : m i= δ k w jk () δ j = δ inj f (z inj ) () Hitung koreksi bobot dan biasnya : v ij = αδ j x i (3) Memperbaiki bobot dan bias : i. Langkah 8 :Tiap-tiap unit output (Yk, k=,,3,...,m) memperbaiki bias dan bobotnya (j=,,,...,p): W jk(baru) = W jk(lama) + w jk (4) Tiap-tiap unit tersembunyi (Zj, j=,,3,...,p) memperbaiki bias dan bobotnya (i=,,,...,n) v ij(baru) = v ij(lama) + w ij (5) j. Langkah 9 : Uji syarat berhenti III. METODE PENELITIAN A. Variabel Data yang Digunakan Dalam melakukan prakiraan, hal yang sangat perlu ditentukan adalah variabel data yang digunakan. Hal ini akan mempengaruhi tingkat keakuratan dari prakiraan. Semakin banyak data masukan yang digunakan semakin akurat hasil yang didapatkan. Pada penelitian ini dilakukan prakiraan, yaitu prakiraan radiasi matahari dan beban listrik. Pada prakiraan radiasi matahari data masukan yang digunakan yaitu : waktu, suhu, kelembaban dan indeks kecerahan langit. Sedangkan pada prakiraan beban listrik data masukannya yaitu : waktu, suhu dan kelembaban. Data masukan yang telah disebutkan, dilakukan pengambilan data selama 4 hari. Dan juga pengambilan data beban listrik dan radiasi matahari selama 4 hari juga dilakukan untuk proses pelatihan pada Matlab dan untuk memverifikasi 3
4 Radiasi Matahari (W/m ) Beban Listrik (kw) KITEKTRO: Jurnal Online Teknik Elektro e-issn: : -5 data. Data-data yang diperoleh yaitu dalam rentang waktu pukul pada wilayah distribusi penyulang Unsyiah. B. Proses Prakiraan pada Matlab Prakiraan dilakukan dengan metode Jaringan Syaraf Tiruan (ANN) yang disimulasikan menggunakan software Matlab. Untuk melakukan prakiraan pada Matlab dilakukan tahaptahap berikut ini: ) Pelatihan: Pada tahap pelatihan data yang digunakan yaitu pada hari pertama sampai ketiga. Pelatihan ANN yang dilakukan yaitu pelatihan terbimbing, sehingga ada input dan target. Pada prakiraan radiasi matahari, input : suhu, kelembaban, waktu dan indeks kecerahan langit. Dan target : radiasi matahari. Sedangkan pada prakiraan beban listrik, input : waktu, suhu dan kelembaban. Dan target : beban listrik. Tahap pelatihan dianggap selesai jika besar regresi hubungan antara output dan target mendekati. ) Simulasi: Pada tahapan simulasi, jaringan syaraf yang telah selesai dilatih akan digunakan untuk memprakirakan radiasi matahari dan beban listrik dengan menggunakan data masukan pada hari keempat. Kemudian akan dibandingkan data sebenarnya dan hasil prakiraan pada hari keempat. IV. HASIL DAN PEMBAHASAN A. Prakiraan Radiasi Matahari Dengan menggunakan jaringan syaraf yang telah selesai dilatih pada software Matlab, maka didapatkan grafik perbandingan hasil prakiraan dan data sebenarnya seperti yang ditunjukkan pada gambar Data sebenarnya Gambar Perbandingan radiasi matahari hasil simulasi dengan data sebenarnya pada hari ke-4 Berdasarkan grafik dapat dilihat bahwa prakiraan radiasi matahari sudah bisa mengikuti data sebenarnya yaitu dengan dapat menunjukkan trend radiasi matahari tersebut. Akan tetapi pada beberapa waktu tidak dapat diikuti dikarenakan data masukan yang diperoleh pada waktu-waktu tersebut masih acak atau tidak dapat dikenali polanya. B. Prakiraan Beban Listrik Dengan menggunakan jaringan syaraf yang telah selesai dilatih pada software Matlab, maka didapatkan grafik perbandingan hasil prakiraan dan data sebenarnya seperti yang ditunjukkan pada gambar Data sebenarnya Gambar Perbandingan beban listrik hasil simulasi dengan data sebenarnya pada hari ke-4 Berdasarkan grafik dapat dilihat bahwa prakiraan beban listrik sudah bisa mengikuti data sebenarnya yaitu dengan dapat menunjukkan trend beban listrik tersebut. Prakiraan beban listrik sebaiknya bernilai lebih besar dari data sebenarnya dikarenakan jika prakiraannya lebih rendah maka dikhawatirkan tidak mampu menyediakan daya yang dibutuhkan. C. Penentuan Luas Daerah Pemasangan Panel Surya Pemasangan panel surya direncanakan dipasang pada atap gedung fakultas dan gedung lainnya yang merupakan milik Unsyiah. Perhitungan luas daerah pemasangan panel surya dilakukan dengan menggunakan bantuan Google Earth dan dilakukan pengukuran menggunakan perintah measure distance. Setelah melakukan perhitungan luas atap gedung-gedung milik Unsyiah didapatkan total luas atap bangunan yaitu sebesar 6644,5 m. Akan tetapi dikarenakan seba-sebab berikut ini yaitu : () pada beberapa gedung tidak sesuai untuk di pasang panel surya, () atap yang terhalang oleh pepohonan, dan (3) proses instalasi yang sulit untuk mengakses atap gedung tersebut. Maka penulis mengasumsikan bahwa hanya % dari total luas atap bangunan yang bisa dimanfaatkan untuk pemasangan panel surya. Sehingga pada perhitungan akan digunakan luas daerah pemasangan panel surya yaitu sebesar 38,9 m. D. Pengurangan Beban Puncak Setelah luas daerah ditentukan maka untuk mendapatkan daya keluaran panel surya, perlu juga ditentukan spesifikasi panel surya yang digunakan. Besar efisiensi modul sel surya yaitu sebesar 5,4%. Besar suhu normal sel surya beroperasinya (NOCT) yaitu 45,7 ºC dan nilai koefisien temperature dari dayanya yaitu,45%/ ºC. Nilai-nilai tersebut akan digunakan pada perhitungan daya keluaran panel surya dengan menggunakan persamaan (),() dan (3). Sehingga didapatkan daya yang dihasilkan oleh panel surya yang ditunjukkan pada gambar 3. 4
5 Beban Listrik (MW) KITEKTRO: Jurnal Online Teknik Elektro e-issn: : -5,5,5,5 setelah pengurangan Daya keluaran PV setelah dikonversi REFERENSI [] Suhartono.9. Peramalan Konsumsi Listrik Jangka Pendek dengan Arima Musiman Ganda dan Elman-Recurrent Neural Network [skripsi]. ITSN, Indonesia. [] Nasution, A.H, Manajemen Industri. Yogyakarta: Penerbit ANDI, 6. [3] Rexel Worldwide, How to Calculate the Output of a Solar Photovoltaic System - A Detailed Guide, TheGrid. [Online]. Avaible: us/energy_efficiency/w/solar_renewable_ and_energy_efficiency/7/how to calculate the output of a solar pho tovoltaic-system---a-detailed-guide [Accessed: 4 May 7]. [4] Honsberg, C and Bowden, S, Nominal Operating Cell Temperature, PVEducation.[Online].Avaible: les/nominal-operating-cell-temperature [Accessed: 4 May 7]. [5] M. A Green et al., Solar Cell Eficiency Tabel, in Prog. Photovolt,5, pp. -9. Gambar 3 Perbandingan beban listrik sebelum dan sesudah pemasangan panel surya Pada grafik dapat dilihat bahwa daya keluaran PV setelah dikonversi bernilai lebih kecil dibandingkan dengan beban listrik, sehingga daya keluaran PV hanya digunakan untuk mengurangi beban puncak di penyulang Unsyiah. Pada grafik yang diarsir dapat dilihat bahwa beban puncak pada penyulang Unsyiah yang terjadi pada siang hari sudah berkurang akibat suplai dari PV. Akan tetapi pada pagi dan sore hari yaitu pukul 7:-8: dan 6:-8:, beban listriknya hanya terjasi sedikit pengurangan. Hal ini terjadi akibat rendahnya nilai radiasi matahari pada pagi dan sore hari. Beban puncak yang terjadi pada siang hari yang sebelumnya mencapai MW, setelah mendapat suplai dari panel surya berkurang lebih dari 75% sehingga hanya tersisa sekitar,5 MW atau lebih rendah. V. KESIMPULAN Berdasarkan grafik hasil perbandingan data simulasi dan data sebenarnya, dapat disimpulkan bahwa jaringan syaraf yang telah dilatih sudah mampu untuk digunakan dalam prakiraan radiasi matahari dan beban listrik dalam rentang waktu dari pukul 7: sampai 8: pada hari Senin sampai Kamis. Dengan mendapatkan prakiraan beban listrik pada wilayah penyulang Unsyiah yang telah dipasang PLTS, maka dapat membantu perencanaan operasional pembangkit harian sehingga permasalahan kurangnya daya listrik yang mengakibatkan pemadaman listrik bisa dihindari. Berdasarkan asumsi spesifikasi dan luas daerah pemasangan panel surya didapatkan bahwa beban puncak yang terjadi pada siang hari yang sebelumnya mencapai MW, setelah mendapat suplai dari panel surya maka hanya tersisa sekitar,5 MW. Dapat disimpulkan bahwa dengan memanfaatkan % dari total keseluruhan atap bangunan di Unsyiah, mampu mengurangi 75% beban puncak di Unsyiah. Kekurangan pada penelitian yang dilakukan yaitu data masukan yang digunakan untuk pelatihan yaitu selama 3 hari pengambilan data. Jika semakin lama hari pengambilan datanya maka keakuratan hasil prakiraan yang didapatkan akan semakin baik. 5
PENERAPAN 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 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 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 terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciBAB 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 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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih 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 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 terperinciPrediksi Beban Listrik Pulau Bali Dengan Menggunakan Metode Backpropagasi
Prediksi Beban Listrik Pulau Bali Dengan Menggunakan Metode Backpropagasi Qoriatul Fitriyah 1),Didi Istardi 2) 1) Jurusan Teknik Elektro Politeknik Batam, Batam 29461, email: fitriyah@polibatam.ac.id Jurusan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Akhir-akhir ini kita banyak mendengar banyak berita bahwa Perusahaan Listrik Negara (PLN) mengalami kerugian yang sangat besar setiap tahunnya yang disebabkan faktor-faktor
Lebih terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Beban dan Prakiraan Beban Listrik Di dalam sebuah sistem kelistrikan terdapat 2 sisi yang sangat berbeda, yaitu sisi beban dan sisi pembangkitan. Pada sisi beban atau beban
Lebih terperinciJurnal Elektro ELTEK Vol. 2, No. 1, April 2011 ISSN:
Perbandingan Penggunaan Metode Radial Basis Function Network () Dari Metode Fuzzy Neural Netwotk () Dalam Memperkirakan Beban Jangka Pendek di GI. Gondang Wetan Pasuruan Rory Asrial, Almizan Abdullah,
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 terperinciANALISIS KARAKTERISTIK ELECTRICAL MODUL PHOTOVOLTAIC UNTUK PEMBANGKIT LISTRIK TENAGA SURYA SKALA LABORATORIUM
ANALISIS KARAKTERISTIK ELECTRICAL MODUL PHOTOVOLTAIC UNTUK PEMBANGKIT LISTRIK TENAGA SURYA SKALA LABORATORIUM M Denny Surindra Jurusan Teknik Mesin Fakultas Teknik Polines Jl.Prof. H. Sudartho, SH, Semarang
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 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Di era modern seperti saat ini, energi listrik menjadi salah satu kebutuhan dasar dalam kehidupan masyarakat. Berbagai peralatan rumah tangga maupun industri saat ini
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 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 I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tenaga listrik merupakan kebutuhan yang sangat penting bagi manusia dalam melakukan aktifitasnya sehari-hari. Peralatan rumah tangga maupun industri hampir semuanya
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 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 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 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 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 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 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 terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciDASAR TEORI. Kata kunci: grid connection, hybrid, sistem photovoltaic, gardu induk. I. PENDAHULUAN
PERANCANGAN HYBRID SISTEM PHOTOVOLTAIC DI GARDU INDUK BLIMBING-MALANG Irwan Yulistiono 1, Teguh Utomo, Ir., MT. 2, Unggul Wibawa, Ir., M.Sc. 3 ¹Mahasiswa Teknik Elektro, ² ³Dosen Teknik Elektro, Universitas
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 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 terperinciStatic Line Rating untuk Integrasi PLTB di Jaringan Tegangan Menengah : Studi Kasus Master Plan Pembangkit Hibrid di Krueng Raya
Static Line Rating untuk Integrasi PLTB di Jaringan Tegangan Menengah : Studi Kasus Master Plan Pembangkit Hibrid di Krueng Raya Idraki Sariyan #1, Hafidh Hasan #2, Syahrizal Syahrizal #3 # Jurusan Teknik
Lebih terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
Lebih terperinciBAB I PENDAHULUAN 1.1 L atar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pembangkit-pembangkit tenaga listrik yang ada saat ini sebagian besar masih mengandalkan kepada sumber energi yang tidak terbarukan dalam arti untuk mendapatkannya
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN 4.1 Kondisi Lingkungan Mengetahui kondisi lingkungan tempat percobaan sangat penting diketahui karena diharapkan faktor-faktor luar yang berpengaruh terhadap percobaan dapat diketahui.
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 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 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 terperinciEVALUASI MODEL JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK PREDIKSI IKLIM EKSTRIM DENGAN KORELASI CURAH HUJAN DAN TINGGI MUKA LAUT DI SEMARANG
Youngster Physics Journal ISSN : 2302-7371 Vol. 4, No. 1, Januari 2015, Hal 67-72 EVALUASI MODEL JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK PREDIKSI IKLIM EKSTRIM DENGAN KORELASI CURAH HUJAN DAN
Lebih terperinciManajemen Hybrid Photovoltaic System Dengan Memanfaatkan Peramalan Beban dan Penyinaran Matahari
KEMENTRIAN PENDIDIKAN DAN KEBUDAYAAN UNIVERSITAS JEMBER LEMBAGA PENELITIAN Jl. Kalimantan No. 37 Jember Telp. 0331-337818, 339385, Fax. 0331-337818 Manajemen Hybrid Photovoltaic System Dengan Memanfaatkan
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 terperinciPERAMALAN BEBAN LISTRIK MENGGUNAK AN JARINGAN SARAF TIRUAN METODE KOHONEN ABSTRAK
PERAMALAN BEBAN LISTRIK MENGGUNAK AN JARINGAN SARAF TIRUAN METODE KOHONEN Galang Jiwo Syeto, Arna Fariza, S.Kom, M.Kom, Setiawardhana, S.T Program DIV Jurusan Teknik Informatika Politeknik Elektronika
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 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 terperinciAPLIKASI ESTIMASI REGISTRASI MAHASISWA BARU MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BERDASARKAN PERBANDINGAN RATIO DOSEN DAN MAHASISWA
APLIKASI ESTIMASI REGISTRASI MAHASISWA BARU MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BERDASARKAN PERBANDINGAN RATIO DOSEN DAN MAHASISWA Debi Setiawan 1 Ramalia Noratama Putri 2 Gunadi 3 ABSTRACT The problem
Lebih terperinciBAB I PENDAHULUAN. Energi listrik adalah energi yang mudah dikonversikan ke dalam bentuk
BAB I PENDAHULUAN 1.1 Latar Belakang Energi listrik adalah energi yang mudah dikonversikan ke dalam bentuk energi yang lain. Saat ini kebutuhan energi, khususnya energi listrik terus meningkat dengan pesat,
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kabupaten Purworejo adalah daerah agraris karena sebagian besar penggunaan lahannya adalah pertanian. Dalam struktur perekonomian daerah, potensi daya dukung
Lebih terperinciBAB I PENDAHULUAN. sumber energi tenaga angin, sumber energi tenaga air, hingga sumber energi tenaga
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini, penelitian mengenai sumber energi terbarukan sangat gencar dilakukan. Sumber-sumber energi terbarukan yang banyak dikembangkan antara lain sumber energi tenaga
Lebih terperinciSTUDI TERHADAP UNJUK KERJA PEMBANGKIT LISTRIK TENAGA SURYA 1,9 KW DI UNIVERSITAS UDAYANA BUKIT JIMBARAN
STUDI TERHADAP UNJUK KERJA PEMBANGKIT LISTRIK TENAGA SURYA 1,9 KW DI UNIVERSITAS UDAYANA BUKIT JIMBARAN I.W.G.A Anggara 1, I.N.S. Kumara 2, I.A.D Giriantari 3 1,2,3 Jurusan Teknik Elektro, Fakultas Teknik,
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 terperinciz_in ( ) dan mengaplikasikan fungsi aktivasi untuk menghitung sinyal output ( ) Propagasi balik:
LAMPIRAN 4 Lampiran Algoritma aringan syaraf tiruan propagasi balik Langkah 0 Inisialisasi bobot Langkah Selama kondisi berhenti bernilai salah, lakukan langkah -9. Langkah Untuk setiap pasangan, lakukan
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 terperinciProf.Dr. Ir. Mochamad Ashari, M.Eng. Vita Lystianingrum B.P, ST., M.Sc.
Sistem MPPT Untuk PV dan Inverter Tiga Fasa yang Terhubung Jala-Jala Menggunakan Voltage-Oriented Control Andi Novian L. 2210 106 027 Dosen Pembimbing : Prof.Dr. Ir. Mochamad Ashari, M.Eng. Vita Lystianingrum
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini akan dibahas mengenai teori-teori pendukung pada penelitian ini. Adapun teori tersebut yaitu teori jaringan saraf tiruan dan algoritma backpropragation. 2.1. Jaringan Saraf
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 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 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 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 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 terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output
Lebih 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 terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION Havid Syafwan 1, Herman Saputra 2 *1 Program Studi Manajemen Informatika, AMIK
Lebih 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 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 IV PERHITUNGAN DAN PENGUJIAN PANEL SURYA
61 BAB IV PERHITUNGAN DAN PENGUJIAN PANEL SURYA Sebuah sel PV terhubung dengan sel lain membentuk sebuah modul PV dan beberapa modul PV digabungkan membentuk sebuah satu kesatuan (array) PV, seperti terlihat
Lebih terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
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 terperinciJURNAL SAINS DAN INFORMATIKA
39 Fauzul Sains Amri, dan Jaringan Informatika Syaraf Vol.1 Tiruan (N0.1) untuk (2015): Memprediksi 37-43 JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih 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 terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dengan meningkatnya kebutuhan akan energi listrik yang terus meningkat dan semakin menipisnya cadangan minyak bumi maka dibutuhkan pula sumber-sumber energi listrik
Lebih terperinciBAB I Pendahuluan. 1.1 Latar Belakang
BAB I Pendahuluan 1.1 Latar Belakang Ketersediaan energi dibumi saat ini menjadi sebuah permasalahan yang perlu diperhatikan, seperti energi primer misalnya. Sumber energi yang terdiri dari air, termal,
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 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 terperinciPERAMALAN BEBAN PUNCAK LISTRIK JANGKA PENDEK MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
Jurnal Reka Elkomika 2337-439X Oktober 2013 Jurnal Online Institut Teknologi Nasional TeknikElektro Itenas Vol.1 No.4 PERAMALAN BEBAN PUNCAK LISTRIK JANGKA PENDEK MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
Lebih terperinciIII. BAHAN DAN METODE
39 III. BAHAN DAN METODE 3.1. Waktu dan Tempat Penelitian dilaksanakan pada bulan Agustus sampai Desember tahun 2010 di rumah tanaman (greenhouse) Balai Penelitian Agroklimatologi dan Hidrologi (Balitklimat),
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 terperinciPOSITRON, Vol. V, No. 1 (2015), Hal ISSN :
POSITRON, Vol. V, No. (5), Hal. - 5 ISSN : -97 Prediksi Ketinggian Gelombang Laut Perairan Laut Jawa Bagian Barat Sebelah Utara Jakarta dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Prada Wellyantama
Lebih terperinciESTIMASI KONSUMSI ENERGI LISTRIK BALI BERBASIS ANN
ESTIMASI KONSUMSI ENERGI LISTRIK BALI BERBASIS ANN Jurusan Teknik Elekro Fakultas Teknik Universitas Udayana Kampus Bukit Jimbaran Bali 80361, tlp (0361)703315 Email : mertasana@ee.unud.ac.id Abstrak Aspek
Lebih terperinciStudi Modifikasi standard Backpropagasi
Studi Modifikasi standard Backpropagasi 1. Modifikasi fungsi objektif dan turunan 2. Modifikasi optimasi algoritma Step Studi : 1. Studi literatur 2. Studi standard backpropagasi a. Uji coba standar backpropagasi
Lebih 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 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 terperinciANALISIS PERBANDINGAN OUTPUT DAYA LISTRIK PANEL SURYA SISTEM TRACKING DENGAN SOLAR REFLECTOR
ANALISIS PERBANDINGAN OUTPUT DAYA LISTRIK PANEL SURYA SISTEM TRACKING DENGAN SOLAR REFLECTOR I B Kd Surya Negara 1, I Wayan Arta Wijaya 2, A A Gd Maharta Pemayun 3 1 Mahasiswa Jurusan Teknik Elektro, Fakultas
Lebih terperinci4.1. Pengumpulan data Gambar 4.1. Contoh Peng b untuk Mean imputation
4.1. Pengumpulan data Data trafik jaringan yang diunduh dari http://www.cacti.mipa.uns.ac.id:90 dapat diklasifikasikan berdasar download rata-rata, download maksimum, download minimum, upload rata-rata,
Lebih terperinciPerancangan Controlling and Monitoring Penerangan Jalan Umum (PJU) Energi Panel Surya Berbasis Fuzzy Logic Dan Jaringan Internet
Perancangan Controlling and Monitoring Penerangan Jalan Umum (PJU) Energi Panel Surya Berbasis Fuzzy Logic Dan Jaringan Internet Muhammad Agam Syaifur Rizal 1, Widjonarko 2, Satryo Budi Utomo 3 Mahasiswa
Lebih terperinciPrediksi Jangka Pendek Debit Aliran Irigasi Seluma dengan Menggunakan Jaringan Syaraf Tiruan
Prediksi Jangka Pendek Debit Aliran Irigasi Seluma dengan Menggunakan Jaringan Syaraf Tiruan Supiyati, Syamsul Bahri dan Iwan Erdi Abstract: Penelitian mengenai prediksi jangka pendek debit aliran irigasi
Lebih terperinci2014 ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di negara yang memiliki jumlah populasi penduduknya besar dan perkembangan industrinya mengalami peningkatan, tentunya memiliki tingkat kebutuhan akan sumber
Lebih terperinci1 BAB III METODOLOGI PENELITIAN
1 BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini dikerjakan kurang lebih selama dua minggu yang dimulai dari tanggal 16-27 Januari 2017 dengan judul analisis potensi sumber
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 terperinciAplikasi Artificial Neural Network (ANN) untuk Memprediksi Perilaku Sumur Geotermal
Aplikasi Artificial Neural Network (ANN) untuk Memprediksi Perilaku Sumur Geotermal Henny Dwi Bhakti 1,a), Acep Purqon 2,b) 1 Program Studi Sains Komputasi, FMIPA ITB Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciSISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Barcode Rcognition System Using Backpropagation Neural Networks M. Kayadoe, Francis Yuni Rumlawang, Yopi Andry Lesnussa * Jurusan
Lebih terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
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 I PENDAHULUAN 1.1 Latar Belakang Energi listrik sangat di butuhkan pada zaman modern ini, karena saat ini kebutuhan manusia akan teknologi
BAB I PENDAHULUAN 1.1 Latar Belakang Energi listrik sangat di butuhkan pada zaman modern ini, karena saat ini kebutuhan manusia akan teknologi semakin meningkat. Oleh karena itu para ilmuan berlomba-lomba
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 terperinciSISTEM ENERGI SURYA FOTOVOLTAIK (SESF) GRID-TIED DENGAN METODE NEURAL NETWORK (PHOTOVOLTAIC SOLAR ENERGY SYSTEM GRID-TIED USING NEURAL NETWORK METHOD)
1 SISTEM ENERGI SURYA FOTOVOLTAIK (SESF) GRID-TIED DENGAN METODE NEURAL NETWORK (PHOTOVOLTAIC SOLAR ENERGY SYSTEM GRID-TIED USING NEURAL NETWORK METHOD) Ghifery Indana, Azmi Saleh, Andi Setiawan Jurusan
Lebih terperinciPRAKIRAAN BEBAN LISTRIK KOTA PONTIANAK DENGAN JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) AGUS HASIM
PRAKIRAAN BEBAN LISTRIK KOTA PONTIANAK DENGAN JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) AGUS HASIM SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER
Lebih terperinciII. TINJAUAN PUSTAKA. 2.1 Pembenihan Ikan. 2.2 Pengaruh Suhu Terhadap Ikan
II. TINJAUAN PUSTAKA 2.1 Pembenihan Ikan Pemeliharaan larva atau benih merupakan kegiatan yang paling menentukan keberhasilan suatu pembenihan ikan. Hal ini disebabkan sifat larva yang merupakan stadia
Lebih terperinci