BAB IV PENGUJIAN DAN ANALISA DATA
|
|
- Hendri Oesman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 4.1 Training JST BAB IV PENGUJIAN DAN ANALISA DATA Dalam penelitian ini menggunakan metode penentuan bobot pada training jaringan syaraf tiruan yaitu Levenberg Marquad dengan struktur JST menggunakan MLP (Multi Layer Perceptron) dengan struktur input ARX (Auto Regresive external Input), dimana variabel Input JST mengandung input (U) dan output (Y) masa sekarang dan lampau. Gambar 4.2 adalah struktur input JST terdiri dari Usia, Jenis Kelamin, Berat Badan, Nadi,Tensi, Respirasi dan ouput terdiri dari dosis dengan history length 6. Input node terdiri dari 9 node (ditambah node bias), hidden node terdiri dari 2 node dan output node terdiri atas 1 node. Sehingga akan menghasilkan matrik W1fb = 2x43 yang merupakan bobot pengali antara layer input dengan layer hidden dan matrik W2fb = 1x3 yang merupakan bobot pengali antara layer hidden dengan layer output. Proses training pada dasarnya adalah untuk menentukan bobot antara layer input dan layer hidden serta bobot antara layer hidden dan layer output. Proses training JST ini dilakukan secara offline dan didapat hasil training JST gambar 4.2 dengan struktur JST pada gambar 4.1. Data set yang diambil untuk masing - masing node input seluruhnya berjumlah 62 data, yang terbagi atas 2 bagian yaitu 52 data digunakan untuk proses training dan 1 data digunakan untuk validasi model JST yang telah didapat. Kriteria pemodelan proses yang dihasilkan dinyatakan dalam RMSE (Root Mean Square Error) sebagaimana ditunjukkan pada persamaan 4.2. Dengan ketentuan semakin kecil RMSE yang dihasilkan (mendekati nilai ) akan menghasilkan prediksi output yang lebih baik. 24
2 25 RMSE = N i= 1 ( y yˆ ) i N i 2 (4.2) Selain menggunakan nilai RMSE dalam menyatakan kriteria model plant, juga dinyatakan dalam VAF (Variance Accounted For) dalam persen. Dengan ketentuan bahwa nilai VAF yang dihasilkan semakin besar semakin bagus (mendekati nilai 1). Umur Jenis Kelamin Berat Badan Nadi Awal Tensi Awal Respirasi Awal Dosis Nadi Post Tensi Post 1 Respirasi Post 1 Gambar 4.1 Struktur JST Kontroller
3 26 output proses output model Dosis % Gambar 4.2 Hasil Training JST Kontroller Dari uji coba tersebut di atas (proses training), didapat nilai RMSE serta VAF, yaitu RMSE untuk tiap-tiap output adalah RMSE = 1.2E-11 dan nilai VAF = 1. Gambar 4.3 Struktur Model
4 27 Struktur input pada pasien model adalah dosis, nadi awal, tensi awal, respirasi awal dan outputnya adalah nadi post, tensi post, respirasi post dengan history length 7. Input node terdiri dari 3 node (ditambah node bias), hidden node terdiri dari 3 node dan output node terdiri atas 4 node. Sehingga akan menghasilkan matrik W1fc = 3x5 yang merupakan bobot pengali antara layer input dengan layer hidden dan matrik W2fc = 3x4 yang merupakan bobot pengali antara layer hidden dengan layer output. Proses training JST ini dilakukan secara offline dan didapat hasil training JST gambar 4.4,4.5, 4.6, dengan struktur JST pada gambar 4.3. Nadi setelah dibius Nadi(BPM) Output Proses Output Model Gambar 4.4 Hasil Training Model Nadi setelah dibius Dari hasil grafik training model pasien diatas, didapat model pasien menggunakan JST mampu mengenali data pasien sesungguhnya yang outputnya adalah nadi setelah dibius.
5 28 Tensi setelah dibiius 15 Tensi(mmHg) Output Proses Output Model Gambar 4.5 Hasil Training Model Tensi setelah dibius Dari hasil grafik training model pasien diatas, didapat model pasien menggunakan JST mampu mengenali data pasien sesungguhnya yang outputnya adalah tensi setelah dibius. Respirasi setelah dibius Respirasi(permenit) Output Proses Output Model Gambar 4.6 Hasil Training Model Respirasi setelah dibius
6 29 Dari hasil grafik training model pasien diatas, didapat model pasien menggunakan JST mampu mengenali data pasien sesungguhnya yang outputnya adalah respirasi setelah dibius. Dari uji coba tersebut di atas (proses training), didapat nilai RMSE serta VAF, yaitu RMSE untuk tiap-tiap output adalah RMSE nadi = 4.68E-13; tensi = 1.69E-12; respirasi = 3.92E-13; dan nilai VAF nadi = 1; tensi = 1; respirasi = Pengujian JST Setelah proses training dilaksanakan dan menghasilkan nilai bobot kemudian dilakukan proses testing. Dimana bobotbobot hasil training digunakan dalam proses testing. Data input dalam proses testing adalah data yang tidak sama dengan data training sebelumnya. Hal ini bertujuan untuk mengetahui kehandalan dari JST yang telah dibangun, apakah mampu mengidentifikasi inputan yang belum pernah diterima sebelumnya (dalam proses training). Data yang digunakan untuk input-an JST yang akan digunakan dalam proses testing dapat dilihat pada Tabel 4.2 dimana input tersebut belum pernah ditraning-kan sama sekali pada jaringan syaraf tiruan yang telah dibangun dan Tabel 4.3 adalah hasil pengujian dari proses testing. Sedangkan gambar 4.6 adalah grafik perbandingan dari pengujian JST Kontroller.
7 3 Tabel 4.2 Data yang di testing Jenis ke Usia Jenis Kelamin Berat Badan Nadi Tensi Respirasi Dosis % ( perempuan ) ( perempuan ) ( laki - laki ) Data ( perempuan ) ( perempuan ) ( laki - laki ) ( laki - laki ) ( laki - laki ) ( perempuan ) ( perempuan ) Tabel diatas adalah data pasien yang akan di lakukan pengujian terhadap JST kontroller, dimana data pasien tersebut belum di training sebelumnya. Tabel 4.3 Hasil yang di testing Jenis ke Usia Jenis Kelamin Berat Badan Nadi Tensi Respirasi Dosis % ( laki - laki ) ( perempuan ) ( laki - laki ) JST ( perempuan ) Kontroller ( perempuan ) ( laki - laki ) ( laki - laki ) ( laki - laki ) ( perempuan ) ( perempuan ) Jika dilihat dari hasil testing yang dilakukan, maka jaringan syaraf tiruan sudah mampu mengidentifikasi proses yang belum pernah diterimanya pada saat training.
8 31 Dosis % Data JST Kontroller Gambar 4.6 Grafik perbandingan dari pengujian JST Kontroller Selanjutnya pengujian pada model pasien dimana input tersebut belum pernah di-traning-kan sama sekali pada jaringan syaraf tiruan yang telah dibangun. Tujuan dari testing pada pasien model ini adalah dengan membuktikan bahwa dengan pemberian dosis sekian % apakah pasien benar dalam keadaan tidak sadar. Pada Tabel 4.4 adalah data testing dimana data tersebut belum pernah di training sebelumnya, dan pada tabel 4.4 merupakan hasil dari proses testing, pada gambar 4.7, 4.8, 4.9 adalah grafik perbandingan dari pengujian model pasien. Tabel 4.4 Data yang di testing Jenis ke Dosis % Nadi Tensi Respirasi Awal stlh dibius Awal stlh dibius Awal stlh dibius Data
9 32 Tabel diatas adalah data pasien yang akan di lakukan pengujian terhadap JST kontroller, dimana data pasien tersebut belum di training sebelumnya. Tabel 4.5 Hasil yang di testing Dosis % Nadi Tensi Respirasi ke Awal stlh dibius Awal stlh dibius Awal stlh dibius Model JST Dari hasil testing pada Tabel 4.5 dimana output dari pasien model adalah nadi setelah dibius, tensi setelah dibius, respirasi setelah dibius, jika dibandingkan dengan data pasien yang belum di training sebelumnya maka dapat kita analisa bahwa ada perbedaan dari hasil testing tersebut dengan data pasien, perbedaan itu dapat kita maklumi dikarenakan bahwa dalam kenyataannya bahwa pasien yang sebenarnya juga mempunyai nadi, tensi, yang berfluktuasi ( naik turun ).
10 33 Nadi(BPM) Nadi setelah di bius Data Model Gambar 4.7 Grafik perbandingan dari pengujian model pasien pada nadi setelah dibius Grafik perbandingan dari pengujian diatas bahwa model pasien mampu mengenali data pasien yang diujikan dimana outputnya adalah nadi setelah dibius. Tensi setelah dibius Tensi(mmHg) Data Model Gambar 4.8 Grafik perbandingan dari pengujian model pasien pada tensi setelah dibius
11 34 Grafik perbandingan dari pengujian diatas bahwa model pasien mampu mengenali data pasien yang diujikan dimana outputnya adalah tensi setelah dibius. 2 Respirasi setelah dibius Respirasi (permenit) Data Model Gambar 4.9 Grafik perbandingan dari pengujian model pasien pada respirasi setelah dibius Grafik perbandingan dari pengujian diatas bahwa model pasien mampu mengenali data pasien yang diujikan dimana outputnya adalah respirasi setelah dibius. 4.3 Simulasi Plant Jika dilihat dari hasil testing yang dilakukan, dimana nilai RMSE dan VAF sudah bagus, karena jaringan syaraf tiruan sudah mampu mengidentifikasi proses yang belum pernah diterimanya pada saat training. Langkah selanjutnya adalah proses pengujian JST kontroller dilakukan secara online simulasi, dimana dari hasil pemodelan dalam hal ini adalah bobot training W1fb, W2fb dan
12 35 W1fc, W2fc digunakan untuk proses pengujian JST kontroller secara online simulasi. Gambar 4.1 : Struktur Simulasi online Dimana dalam proses online ini dengan memasukkan data input yang berbeda beda seperti usia, jenis kelamin, berat badan, nadi awal, tensi awal, respirasi awal maka akan dapat diketahui secara langsung dosis yang akan diberikan dan perubahan dari nadi, tensi, respirasi setelah diberi dosis. Tabel 4.5 Hasil pengujian JST kontroller Tabel 4.5 diatas merupakan hasil dari simulasi online. Dimana output dari JST Kontroller adalah dosis, nadi, tensi, respirasi ( post = setelah dibius ).
13 36 Tabel 4.6 Data pasien Dari hasil pengujian pada Tabel 4.5 dimana output dari JST Kontroller online simulasi yaitu nadi setelah dibius, tensi setelah dibius dan respirasi setelah dibius. Nadi setelah dibius Nadi(BPM) Data Simulasi Gambar 4.1 Grafik perbandingan dari pengujian online simulasi pada nadi setelah dibius Dari grafik perbandingan diatas bahwa JST kontroller mampu mengenali data pasien yang diujikan dimana outputnya adalah nadi setelah dibius.
14 37 Tensi setelah dibius Tensi(mmHg) Data Simulasi Gambar 4.11 Grafik perbandingan dari pengujian online simulasi pada tensi setelah dibius Dari grafik perbandingan diatas bahwa JST kontroller mampu mengenali data pasien yang diujikan dimana outputnya adalah tensi setelah dibius. Respirasi setelah dibius Respirasi(permeni t) Data Simulasi Gambar 4.12 Grafik perbandingan dari pengujian online simulasi pada respirasi setelah dibius
15 38 Dari grafik perbandingan diatas bahwa JST kontroller mampu mengenali data pasien yang diujikan dimana outputnya adalah respirasi setelah dibius. Dosis % Dosis % Data Simulasi Gambar 4.13 Grafik perbandingan dari pengujian online simulasi pada dosis Dari grafik perbandingan diatas bahwa hasil dari online simulasi berhimpit dengan data pasien yang belum ditraining, dalam arti JST mampu menentukan dosis dari data pasien yang diujikan. Dimana dari kesemua output itu JST mampu memodelkan pasien, saat pasien model diberi dosis maka nadi, tensi dan respirasi pada pasien akan menjadi tidak sadar dilihat dari perbedaan dari nadi awal, tensi awal, dan respirasi awal. Dengan menggunakan Jaringan Syaraf Tiruan mampu menentukan dosis anesthesia serta mampu memodelkan pasien setelah mendapat dosis anesthesia.
16 39
BAB III PERANCANGAN DAN METODOLOGI
BAB III PERANCANGAN DAN METODOLOGI Setelah bab sebelumnya membahas tentang teori teori yang mendasari perancangan dalam Tugas Akhir ini, maka pada bab ini akan dijelaskan mengenai bentuk perancangan Jaringan
Lebih terperinciOleh : Alif Tober Rachmawati
Perancangan softsensor steam quality pada steam generator dengan optimasi nilai spesifik volume dengan metode jaringan syaraf tiruan (JST) Oleh : Alif Tober Rachmawati 2410105022 Latar Belakang Steam generator
Lebih terperinciPerancangan Sistem Pemodelan Kontrol Level Air Steam Drum Berbasis Jaringan Syaraf Tiruan
Perancangan Sistem Pemodelan Kontrol Level Air Steam Drum Berbasis Jaringan Syaraf Tiruan Ardian Oktakaisar, Supari, Herwin Suprijono Jurusan Teknik elektro, Fakultas Teknik, Universitas Dian Nuswantoro
Lebih terperinciPemodelan dan Pemetaan Potensi Energi Angin Menggunakan Jaringan Syaraf Tiruan (JST) di Bendungan Karangkates Kabupaten Malang
Pemodelan dan Pemetaan Potensi Energi Angin Menggunakan Jaringan Syaraf Tiruan (JST) di Bendungan Karangkates Kabupaten Malang O L E H : A H M A D Z A K I Z A K A R I A ( 2 4 0 6 1 0 0 0 5 7 ) Pembimbing
Lebih terperinciPERANCANGAN SOFTSENSOR STEAM QUALITY PADA STEAM GENERATOR DENGAN OPTIMASI NILAI SPESIFIK VOLUM DENGAN METODE JARINGAN SYARAF TIRUAN (JST)
PERANCANGAN SOFTSENSOR STEAM QUALITY PADA STEAM GENERATOR DENGAN OPTIMASI NILAI SPESIFIK VOLUM DENGAN METODE JARINGAN SYARAF TIRUAN () 1 Alif Tober Rachmawati, Fitri Adi Iskandarianto, ST.MT, DR.Gunawan
Lebih terperinciPERANCANGAN SISTEM PENGENDALIAN LEVEL DENGAN JARINGAN SYARAF TIRUAN PADA STEAM DRUM BOILER 1102 DI PT. PETROKIMIA GRESIK
PERANCANGAN SISTEM PENGENDALIAN LEVEL DENGAN JARINGAN SYARAF TIRUAN PADA STEAM DRUM BOILER 1102 DI PT. PETROKIMIA GRESIK (Sofidul Aris, Ya umar) Jurusan Teknik Fisika Fakultas Teknologi Industri Institut
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 terperinciSENSOR FAKTOR KOMPRESIBILITAS DAN MASSA GAS ALAM KELUARAN DEHYDRATION UNIT
PERACAGA SOFT SESOR FAKTOR KOMPRESIBILITAS DA MASSA GAS ALAM KELUARA DEHYDRATIO UIT PEMATAG GAS PLAT DEGA METODE JARIGA SYARAF TIRUA DI PT. CHEVRO PACIFIC IDOESIA (Lia Ellyanti, Ir. Moch. Ilyas HS.) Jurusan
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinci(Kodar Sudiono, Hendra Cordova)
PERANCANGAN SISTEM KONTROL DAN OPTIMASI RASIO UDARA DAN BAHAN BAKAR PADA BOILER DI PT. PETROKIMIA GRESIK BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIK (Kodar Sudiono, Hendra Cordova) Jurusan Teknik
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih 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 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 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 terperinciPERANCANGAN SOFT SENSOR SPECIFIC GRAVITY DALAM GAS COMPRESSOR PETANI GAS PLANT DENGAN METODE JARINGAN SYARAF TIRUAN DI PT. CHEVRON PASIFIC INDONESIA
PERACAGA SOFT SESOR SPECIFIC GRAVITY DALAM GAS COMPRESSOR PETAI GAS PLAT DEGA METODE JARIGA SYARAF TIRUA DI PT. CHEVRO PASIFIC IDOESIA ( Fatwa Dhana ugraha, Ir. Moch. Ilyas HS.) Jurusan Teknik Fisika FTI
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 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 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 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 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 1 PENDAHULUAN. saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Cepatnya perubahan fluktuasi harga index saham membuat para pemegang saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung. Saham yang mempunyai
Lebih 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 terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Penelitian Penelitian mengenai peningkatan kecepatan prediksi produksi susu sapi ini menggunakan metode eksperimen dengan metode sebagai berikut: a. Pengumpulan data
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 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 terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Desain Perangkat Keras Yang Dikembangkan. Gambar 8. Secara umum sistem perangkat keras telah berhasil dikembangkan sesuai desain dalam Gambar 8. Desain perangkat keras
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 terperinciPERANCANGAN SISTEM PENGENDALIAN ANTISURGE KOMPRESOR DENGAN MENGGUNAKAN METODE ADAPTIVE NEURAL NETWORK DI KALTIM-1 PT. PUPUK KALIMANTAN TIMUR-BONTANG
PERANCANGAN SISTEM PENGENDALIAN ANTISURGE KOMPRESOR DENGAN MENGGUNAKAN METODE ADAPTIVE NEURAL NETWORK DI KALTIM-1 PT. PUPUK KALIMANTAN TIMUR-BONTANG Ricki Prastya Pembimbing : Imam Abadi, ST, MT, Hendra
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 terperinciKomparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation
Komparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation DOSEN PEMBIMBING Prof. Dr. Moh. Isa Irawan, M.T. Dr. Imam Mukhlash,
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 terperinciKerangka pemikiran dalam pengembangan model sistem pada penelitian ini dapat digambarkan dalam suatu diagram alir penelitian seperti pada Gambar 3.
III. METODOLOGJ PENELITIAN A. KERANGKA PEMIKIRAN Kerangka pemikiran dalam pengembangan model sistem pada penelitian ini dapat digambarkan dalam suatu diagram alir penelitian seperti pada Gambar 3. Mulai
Lebih terperinciPrediksi Laju Korosi pada Instalasi Pipa Logam Aliran Fluida Cair Menggunakan Jaringan Saraf Tiruan(JST)
JURNAL TEKNIK POMITS Vol., No., (1) ISSN: 7-59 (1-971 Print) B- Prediksi Laju Korosi pada Instalasi Pipa Logam Aliran Fluida Cair Menggunakan Jaringan Saraf Tiruan(JST) Bangkit Dwijo Saputro, Zulkifli,
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR Sofi Dwi Purwanto Teknik Informatika Universitas Islam Negeri Maulana Malik
Lebih terperinciOleh : Agus Sumarno Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si
APLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES APPLICATION Of WAVELET RECURRENT NEURAL NETWORK FOR TIME SERIES DATA PREDICTION Oleh : Agus Sumarno 1206 100 706 Dosen Pembimbing
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION Restiana Putri Abstract - On a government agencies Badan Keluarga Berencana
Lebih 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 IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini dilakukan eksperimen sebanyak dua kali. Eksperimen pertama dilakukan untuk menguji keberhasilan klasifikasi ROI ke dalam jenis keabnormalan,
Lebih terperinciAplikasi Jaringan Syaraf Tiruan Backpropagation Untuk Memprediksi Potensi Serangan Jantung
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Aplikasi Jaringan Syaraf Tiruan Backpropagation Untuk Memprediksi Potensi Serangan Jantung (Studi kasus: Pasien RSUD Dr. M. Haulussy Ambon)
Lebih terperinciBAB I PENDAHULUAN. paling parah dan paling lama tingkat pemulihannya akibat krisis keuangan
BAB I PENDAHULUAN 1.1 Latar Belakang Krisis keuangan yang terjadi di Asia pada pertengahan tahun 1997 diawali di Thailand dan merembet ke berbagai negara di Asia lainnya seperti di Indonesia, Malaysia,
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN. untuk pengenalan ekspresi wajah diantara metode Non Negative Matrix
BAB 4 HASIL DAN PEMBAHASAN 4.1. Hasil Penelitian Penelitian akan dilakukan untuk mencari hasil yang paling optimal untuk pengenalan ekspresi wajah diantara metode Non Negative Matrix Factorization (NMF),
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciTotok R. Biyanto. Teknik Fisika. - FTI ITS Surabaya. Kampus ITS Keputih Sukolilo Surabaya Telp : Fax :
JARIGA SYARAF TIRUA UTUK MODEL PREDIKTIF KOTROL Totok R. Biyanto Teknik Fisika. - FTI ITS Surabaya Kampus ITS Keputih Sukolilo Surabaya 60111 Telp : 62 31 5947188 Fax : 62 31 5923626 Email : trb@ep.its.ac.id
Lebih terperinciADLN - Perpustakaan Universitas Airlangga ABSTRAK. viii
Muhammad Arif Santoso, 2015. Peramalan Penjualan Produk Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine. Skripsi ini dibawah bimbingan Auli Damayanti,S.Si, M.Si dan Dr. Herry Suprajitno,
Lebih terperinciKesehatan balita bisa diketahui salah satunya melalui penilaian status gizinya. Penelitian ini bertujuan untuk mempermudah
16 khazanah informatika Jurnal Ilmu Komputer dan Informatika 1* 1 1 Program Studi Informatika Universitas Muhammadiyah Surakarta Surakarta *fyai181@ums.ac.id Kesehatan balita bisa diketahui salah satunya
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 terperinciPERANCANGAN SISTEM PENGENDALIAN LAJU METHYL DIETHANOL AMINE PADA AMINE CONTACTOR HESS (INDONESIA-PANGKAH) Ltd., GRESIK
PERACAGA SISTEM PEGEDALIA LAJU METHYL DIETHAOL AMIE PADA AMIE COTACTOR HESS (IDOESIA-PAGKAH) Ltd., GRESIK Hutama Putra Wibawa, Dr. Ir Totok Soehartanto, DEA. Jurusan Teknik Fisika Fakultas Teknologi Industri
Lebih terperinci1. Pendahuluan 1.1 Latar belakang masalah
1. Pendahuluan 1.1 Latar belakang masalah Emas adalah unsur kimia dalam tabel periodik yang memiliki simbol Au (bahasa Latin: 'aurum') dan nomor atom 79. Emas digunakan sebagai standar keuangan di banyak
Lebih terperinciPerancangan Sistem Kontrol Busur Listrik pada Tungku Peleburan Besi dan Baja Dengan Pengontrol Robas H
Abstrak Perancangan Sistem Kontrol Busur Listrik pada Tungku Peleburan Besi dan Baja Dengan Pengontrol Robas H Faisal Hendri, Endra Joelianto, Agus Samsi Program Studi Teknik Fisika Email : Institut Teknologi
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 terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciBAB 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 terperinciSISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN
SISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN Ahyuna 1), Komang Aryasa 2) 1), 2) Jurusan Teknik Informatika, STMIK Dipanegara Makassar 3) Jl. Perintis
Lebih terperinciANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU
ANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU Rosmelda Ginting 1*, Tulus 1, Erna Budhiarti Nababan 1 Program S2 Teknik Informatika
Lebih terperinciBAB IV PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK
BAB IV PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK Bab ini menjelaskan perancangan dan implementasi yang dilakukan. Tahap pertama dimulai dengan merancang beberapa classifier yaitu jaringan saraf tiruan
Lebih terperinci1 Pendahuluan. 1.1 Latar Belakang Masalah
1 Pendahuluan 1.1 Latar Belakang Masalah Kebutuhan masyarakat akan perkiraan cuaca terutama curah hujan ini menjadi sangat penting untuk merencanakan segala aktifivitas mereka. Curah hujan juga memiliki
Lebih terperinciSistem Deteksi Kebocoran pada Jaringan Pipa Air PDAM Menggunakan Analisis Tekanan dengan Metode Extreme Learning Machine
Sistem Deteksi Kebocoran pada Jaringan Pipa Air PDAM Menggunakan Analisis Tekanan dengan Metode Extreme Learning Machine Abstrak Muh.Taufiq Hardiyanto Umar 1 Ahmad Zaky Abbas 1, A. Ejah Umraeni Salam 2
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 terperinciPERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA
PERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN residu dari turbin gas pada PLTG berupa gas yang kemudian dimanfaatkan
Lebih terperinciBAB I PENDAHULUAN. universitas swasta yang memiliki 7 Fakultas dengan 21 Program Studi yang
BAB I PENDAHULUAN A. Latar Belakang Masalah Universitas Muhammadiyah Ponorogo merupakan salah satu universitas swasta yang memiliki 7 Fakultas dengan 21 Program Studi yang terdiri dari : 3 program studi
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciPERANCANGAN MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM UNTUK MEMPREDIKSI CUACA MARITIM
PERACAGA MODEL ADAPTIVE EURO FUZZY IFERECE SYSTEM UTUK MEMPREDIKSI CUACA MARITIM (Ardian Candra Pratama ; Ir. Syamsul A,M.T; Dr. Ir. Aulia S.A, M.T) Jurusan Teknik Fisika Fakultas Teknologi Industri Institut
Lebih terperinciABSTRAK. Kata Kunci : Curah Hujan, Levenberg Marquardt, Backpropagation. ABSTRACT
ABSTRAK Dufan, Ariel. 2016. Prediksi Curah Hujan Dengan Menggunakan Algoritma Levenberg- Marquardt Dan Backpropagation (Studi Kasus : BMKG Kota Tanjungpinang), Skripsi. Tanjungpinang: Jurusan Teknik Informatika,
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI NEURAL NETWORK PADA DATA PASIEN DEMAM BERDARAH
53 BAB IV IMPLEMENTASI DAN EVALUASI NEURAL NETWORK PADA DATA PASIEN DEMAM BERDARAH Pada bab ini disajukan pengujian program aplikasi dan ahsil pengujiannya termasuk spesifikasi komputer yang digunakan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Lokasi Penelitian Penelitian ini di lakukan di PG. Kebon Agung. Tbk, Desa Kebon Agung Kec. Pakisaji, Kab. Malang, Jawa Timur. Pemilihan lokasi ini dilakukan secara sengaja
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 EFEKTIVITAS KERAPATAN JARINGAN POS STASIUN HUJAN DI DAS KEDUNGSOKO DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
ANALISIS EFEKTIVITAS KERAPATAN JARINGAN POS STASIUN HUJAN DI DAS KEDUNGSOKO DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Syarief Fathoni 1, Very Dermawan 2, Ery Suhartanto 2 1 Staf
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN Pada tugas akhir ini akan dirancang sebuah perangkat lunak untuk prediksi kebangkrutan perusahaan berdasarkan laporan keuangan perusahaan yang pernah terdaftar (listed) di
Lebih terperinciUKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Memprediksi situasi dalam suatu bisnis perdagangan merupakan suatu aspek yang sangat penting untuk menjaga dan memajukan bisnis tersebut. Informasi naik-turunnya
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 terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Waktu dan Lokasi Penelitian Penelitian ini dilakukan pada bulan Mei 2011 hingga Agustus 2011 yang berlokasi di kolam petani Desa Laladon, Kecamatan Ciomas, Kabupaten Bogor,
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa Sistem Analisa sistem merupakan langkah awal yang dilakukan sebelum tahap implementasi. Analisa sistem pada penelitian ini meliputi: PENGUMPULAN DATA
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. Rancangan antarmuka (interface) program terdiri dari form cover, form
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Rancangan Antarmuka (interface) Program Rancangan antarmuka (interface) program terdiri dari form cover, form testing dan form training (untuk programer). 4.1.1
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 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 terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciPENELUSURAN BANJIR (STAGE HYDROGRAPH) MENGGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENELUSURAN BANJIR (STAGE HYDROGRAPH) MENGGUNAKAN JARINGAN SARAF TIRUAN (Studi Kasus: DAS Siak) 1 Manyuk Fauzi, 1 Imam Suprayogi, 2 Ashral 1 Dosen Jurusan Teknik Sipil, Fakultas Teknik, Universitas Riau
Lebih terperinciBAB I PENDAHULUAN. Machine learning (ML), bagian dari kecerdasan buatan (artificial
BAB I PENDAHULUAN 1. 1.1. Latar Belakang Machine learning (ML), bagian dari kecerdasan buatan (artificial intelligence), merupakan metode untuk mengoptimalkan performa dari sistem dengan mempelajari data
Lebih 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 terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
Lebih terperinciSistem Pengemudian Otomatis pada Kendaraan Berroda dengan Model Pembelajaran On-line Menggunakan NN
Sistem Pengemudian Otomatis pada Kendaraan Berroda dengan Model Pembelajaran On-line Menggunakan Eru Puspita Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember Kampus ITS Keputih
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
Lebih terperinciOptimasi Metode Jaringan Syaraf Tiruan pada Pemodelan Salinitas Air Tanah
Optimasi Metode Jaringan Syaraf Tiruan pada Pemodelan Salinitas Air Tanah Risa Rezki Permatasari1,a), Acep Purqon1,b) 1 Laboratorium Fisika Bumi, Kelompok Keilmuan Fisika dan Sistem Kompleks, Fakultas
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 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 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 terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
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 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 terperinciGambar 2.1 Neuron biologi manusia (Medsker & Liebowitz, 1994)
BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks, serta memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang
Lebih terperinciFakultas Ilmu dan Teknologi Kebumian
Fakultas Ilmu dan Teknologi Kebumian Program Studi Meteorologi PENERBITAN ONLINE AWAL Paper ini adalah PDF yang diserahkan oleh penulis kepada Program Studi Meteologi sebagai salah satu syarat kelulusan
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciBAB 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 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 terperinci