KLASIFIKASI KEMATANGAN MANGGA MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN LEVENBERG MARQUARDT
|
|
- Yohanes Hengki Budiaman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 KLASIFIKASI KEMATANGAN MANGGA MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN LEVENBERG MARQUARDT Imam Machroz 1) Wina Apriliani 2) Lawan 3) Reza Saputra 4) Rosita 5) Nur Afny Catur Andryani 6) Teknik Informatika Universitas Tanri Abeng Jalan Swadarma Raya No. 58, Jakarta Indonesia imam_m@student.tau.ac.id 1) wina.apriliani@student.tau.ac.id 2) lawan@student.tau.ac.id 3) reza.saputra@student.tau.ac.id 4) rosita@student.tau.ac.id 5) nur.afny@tau.ac.id 6) ABSTRACT Indonesia can produce mangoes with millions of kilograms per year. Therefore, it is possible that Indonesia could become one of the largest mango exporting countries in ASEAN or Asia. Thus, maintaining the quality of the product becomes the main value. Typically, the methods undertaken to identify mango levels of maturity (quality) are by direct visual observation. It is considered less effective and accurate to identify mangoes in large quantities. With the advantages of technological development, we built an alternative method by building a mango mango identification calculation system using artificial neural network with Lavenberg-Marquardt backpropagation learning method. The images used are images taken from mangoes identified by color values, standard deviations, slopes, entropy values, and kurtosis values. The resulting weight value will be used to classify mango maturity into 4 (four) levels which are raw, semicooked, ripe and very ripe. The results of this study are expected to be applied to the system of mango maturity level identification in large quantities quickly to be exported to countries in various parts of the world. Keywords Tingkat Kematangan Buah Mangga, Jaringan Syaraf Tiruan, Backpropagation, Lavenberg-Marquardt 1. Pendahuluan Buah mangga adalah buah dengan jumlah produksi terbanyak kedua di Indonesia. Menurut Kementerian Pertanian Direktorat Jenderal Holtikultura, jumlah produksi mangga di Indonesia pada tahun 2010, 2011, 2012, 2013, dan 2014 berturut-turut adalah 1.3 ton, 2.1 ton, 2.3 ton, 2.1 ton, dan 2.4 ton [1][2]. Setiap tahun produksi buah mangga terus meningkat. Selain untuk komsumsi dalam negeri (domestik), Indonesia juga mengekspor mangga ke beberapa negara, yaitu Taiwan, Singapura, Hongkong, Jepang, dan Timur Tengah. Dikarenakan banyaknya permintaan buah mangga di dalam maupun luar negeri, kualitas dari buah mangga tersebut sangat perlu diperhatikan dengan cara menyortir buah tersebut sesuai tingkat kematangan/mutu buahnya. Metode manual yang biasa dilakukan untuk mengidentifikasi tingkat kematangan buah mangga yaitu dengan memeriksa berdasarkan penampilan dan aroma buah tersebut serta memeriksa melalui sentuhan. Metode ini dianggap kurang efektif jika dilakukan untuk menyortir tingkat kematangan buah mangga dalam jumlah yang sangat banyak. Maka dari itu dengan memanfaatkan teknologi informasi, kami membuat suatu sistem komputasi untuk mengidentifikasi tingkat kematangan buah mangga menggunakan metode jaringan syaraf tiruan dengan metode pembelajaran backpropagation dan algoritma pemrograman Lavenberg-Marquardt. Cara komputasi dalam penelitian ini dilakukan dengan pengamatan visual tidak langsung menggunakan kamera sebagai pengolah citra dari gambar yang direkam untuk kemudian diolah dengan menggunakan perangkat lunak komputer. Objek yang diamati yaitu buah mangga dengan tingkat kematangan yang berbeda dan diidentifikasi berdasarkan nilai warna Red (dari representasi warna RGB), nilai standar deviasi, nilai skewness, nilai entropi, dan nilai kurtosis. Hasil nilai bobot yang ada akan digunakan untuk mengelompokkan tingkat kematangan buah menjadi 4 (empat) tingkat yaitu mentah, mengkal, matang, dan terlalu matang. 55
2 2. Landasan Teori 2.1 Pengolahan Citra Digital Pengolahan citra atau (image processing) merupakan suatu pemrosesan piksel-piksel di dalam citra digital untuk pengambilan citra dan memperbaiki kualitas gambar yang memiliki gangguan (cacat, kabur, kurang tajam, terlalu kontras, dan lain sebagainya) agar dapat dapat dipahami oleh manusia dan komputer [3]. Dalam prakteknya terdapat beberapa proses pengolahan citra, diantaranya yaitu histogram citra, perbaikan kulitas citra, segmentasi citra, ekstraksi ciri citra, operasi morfologi citra dan lain-lain. Salah satu yang diterapkan dalam penelitian ini adalah ekstraksi ciri. Ekstraksi ciri merupakan tahapan mengekstrak ciri/informasi dari objek di dalam citra yang ingin dibedakan dengan objek lainnya. Ciri yang telah diekstrak kemudian digunakan sebagai parameter untuk membedakan antara objek yang satu dengan yang lainnya pada tahapan identifikasi/klasifikasi. 1. Ekstraksi Ciri Warna (True Color) Setiap piksel pada citra warna mewakili warna yang merupakan kombinasi dari tiga warna dasar (RGB = Red Green Blue). Setiap warna dasar menggunakan penyimpanan 8 bit, yang berarti setiap warna mempunyai gradasi sebanyak 255 warna [4]. Representasi warna ini terdiri dari tiga unsur utama yaitu merah (red), hijau (green), dan biru (blue). Gabungan tiga warna ini membentuk warna-warna lainnya berdasarkan intensitas dari masing-masing warna tersebut dengan intesitas maksimal, dan warna hitam merupakan gabungan dari ketiga warna tersebut dengan intensitas minimal. 2. Ekstraksi Ciri Tekstur Untuk membedakan tekstur objek satu dengan objek lainnya dapat menggunakan ciri statistik orde pertama yang didasarkan pada karakteristik histogram citra. Ciri orde pertama umumnya digunakan untuk membedakan tekstur perulangan pola lokal secara periodik. Ciri orde pertama antara lain: mean, variance, skewness, kurtosis, dan entropy. 2.2 Jaringan Syaraf Tiruan Jaringan syaraf tiruan merupakan metode komputasi yang mempresentasikan fungsi jaringan syaraf pada otak manusia yang mencoba untuk menyimulasikan proses pembelajaran dan mengenali sesuatu. Ada beberapa hal yang perlu diperhatikan dalam membangun jaringan syaraf tiruan, diantaranya yaitu arsitektur jaringan syaraf tiruan, fungsi aktivasi, metode pembelajaran, serta algoritma pembelajaran yang digunakan [5]. 1. Arsitekur Jaringan Syaraf Tiruan Pada arsitektur jaringan syaraf tiruan terdapat komponen lapisan yang berperan penting. Lapisan-lapisan itu diantaranya lapisan masukan, lapusan tersembunyi, dan lapisan keluaran. Salah satu model arsitektur jaringan syaraf tiruan ini adalah arsitektur Backpropagation. Seperti halnya model JST lain, Backpropagation melatih jaringan agar mampu mengenali pola dan memberikan tanggapanyang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan. Garnbar 1. dibawah ini merupakan arsitektur backpropagation dengan sejumlah masukan (x), sebuah layar tersembunyi (z), serta unit keluaran (y). Garis v ji adalah bobot garis dari unit masukan x i ke unit layar tersembunyi (z j ). Garis w mp merupakan bobot dari unit layar tersembunyi (z j ) ke unit keluaran y k. Gambar 1. Arsitektur Backpropagation[6] 2. Metode Algoritma Levenberg Marquardt Metode pembelajaran merupakan salah satu komponen penting lainnya dalam jaringan syaraf tiruan. Dalam metode pembelajaran ini terdapat algoritma yang berguna untuk pemrosesan pengolahan data agar didapatkan suatu hasil yang sesuai dengan tujuan, seperti pengenalan pola, memprediksi suatu keluaran, dan lain sebagainya. Terdapat beberapa macam metode algoritma pembelajaran, salah satunya yaitu Levenberg Marquardt yang diterapkan pada penelitian ini. Algoritma Levenberg Marquardt merupakan pengembangan algoritma backpropagation standar. Algoritma Levenberg Marquardt ini menggunakan pendekatan matriks Jacobi, karena itu Levenberg Marquardt mampu mengenali pola tertentu dan lebih cepat mencapai konvergensi daripada algoritma propagasi balik biasa. Tahap awal untuk mengimplementasikan algoritma ini yaitu perlu dilakukan pengaturan arsitektur jaringan yang sesuai, hal ini dilakukan agar dapat menekan tingkat error 56
3 pada perhitungan. Selain itu, pengaturan neuron pada lapisan tersembunyi perlu disesuaikan. Jumlah hidden neuron yang tidak sesuai dapat mengakibatkan kurangnya performa untuk mendeteksi sinyal pada sejumlah data yang ada. Menurut Heaton (2008), ada beberapa aturan yang dapat digunakan untuk menentukan jumlah neuron yang akan digunakan pada lapisan tersembunyi, diantaranya yaitu: a. Jumlah hidden neuron harus berada diantara ukuran input neuron dan output neuron. b. Jumlah hidden neuron harus 2/3 dari ukuran input neuron, ditambah ukuran output neuron. Jumlah hidden neuron harus kurang dari dua kali jumlah input neuron. Tahapan secara menyeluruh dari algoritma Levenbergh Marquartd adalah : Tahap 0 : Inisialisasi Bobot dan bias. Tahap 1 : Menentukan Parameter yang dibutuhkan. Parameter faktor input dan bias yang digunakan sebagai parameter yang dikalikan atau dibagi dengan parameter levenberg-marquardt. Tahap 2: Perhitungan maju FeedForward (seperti yang dilakukan Backpropagation) Tahap 3 : Menghitung MSE (Mean Square Error). Dengan memnggunkan rumus :...(1) Keterangan: n = jumlah error pada matriks error E i = error ke-i Tahap 4 : menghitung error dan total error pada jaringan. Matriks error adalah matriks yang berisi nilai kesalahan nilai neuron output terhadap target yang ingin dicapai. Tahap 5 : menghitung matriks jacobian. Tahap 6 : mengitung perubahan bobot dan biasnya. Tahap 7 : pengoreksian bobot Tahap 8 : kembali melakukan Tahap 2 dengan nilai bobot yang baru. [7] 3. Hasil Percobaan 3.1 Metodologi dan Perancangan Dalam penelitian ini akan dilakukan beberapa tahapan, dimana tahapan ini dapat dilihat pada gambar berikut. Gambar 2. Tahapan Perancangan Penelitian Dalam pengujian sistem, proses dikelompokkan menjadi dua bagian, yaitu proses pelatihan data dan proses pengujian data hasil dari pembelajaran backporpagation. Proses pelatihan berguna untuk memasukkan data (capture) mangga ke dalam sistem agar dipelajari oleh sistem sehingga sistem dapat mengidentifikasi tingkat kematangannya. Tabel 1. Tabel Hasil Ekstraksi Ciri Nilai Bobot Mangga 57
4 3.2 Pembahasan Untuk mengelola dan mengembangkan sistem komputasi klasifikasi tingkat kematangan buah mangga, dibutuhkan sekumpulan data untuk mengidentifikasi permasalahan yang ada. Data yang dibutuhkan adalah capture gambar mangga yang memiliki tingkat kematangan yang berbeda dari mentah sampai sangat matang. Dalam penelitian ini, digunakan capture gambar mangga sebanyak 52 buah dengan tingkat kematangan yang bervariasi, terdiri dari 11 buah mangga mentah, 12 buah mangga mengkal, 11 buah mangga matang, dan 10 buah mangga terlalu matang. Data ini kemudian diolah untuk dipelajari oleh sistem jaringan syaraf tiruan. Dalam mengidentifikasi tingkat kematangan mangga secara manual sebenarnya mudah untuk diimplementasikan, karena hal ini dapat dilihat secara visual dari warna dan secara sentuhan dari tekstur mangga. Tetapi jika hal ini diimplementasikan pada jumlah mangga yang sangat banyak dirasa kurang efektif. (a) (c) (d) Gambar 3. (a) Buah mangga mentah, (b) buah mangga mengkal, (c) buah mangga matang, dan (d) buah mangga terlalu matang (b) nilai tersebut dapat diklasifikasikan secara logika dan memudahkan sistem dalam melakukan pembelajaran data. Untuk medapatkan sistem yang akurat, tentunya perlu dilakukan beberapa perbandingan persentase proses latih dan proses uji pada tahap pengolahan data. Maka dari itu, dilakukan sebanyak 3 percobaan dengan persentase data latih serta data uji yang berbeda, yaitu 8:2, 6:4, dan 5:5. Setiap percobaan pengolahan data dilakukan 10 kali proses pengujian. Hasil prediksi yang harusnya dicapai yaitu 1, 1, 2, 2, 2, 3, 3, 3, 4, dan 4 secara berurut.penelitian ini menggunakan JST dengan rancangan arsitektur neuron yang didapatkan pada trial errordi pelatihan data yaitu learning rate 0.1, fungsi aktivasi logsig untuk hidden layer dan purelin untuk lapisan keluaran. Setelah disimulasikan, pada percobaan pertama dengan perbandingan data latih dan datan uji sebesar 8:2 maka didapat hasil ujudengantingkatkeakuratan sebesar 72 %. Pada percobaan kedua, dilakukan proses pengolahan data dengan perbandingan data latih dan datan uji sebesar 6:4. Setelah dilakukan pengujian maka didapat hasil keakuratan sebesar 60,90 %. Pada percobaan ketiga, dilakukan proses pengolahan data dengan perbandingan data latih dan datan uji sebesar 5:5. Setelah dilakukan pengujian maka didapat hasil keakuratan sebesar 53,75 %. Dari pengujian di atas, proses data latih dan data uji dengan perbandingan 5:5 belum bisa diimplementasikan karena persentase keakuratan hasil uji yang hampir sama dengan persentase hasil uji yang salah. Pada proses data latih dan data uji dengan perbandingan 6:4 masih bisa diimplementasikan karena tingkat persentase kekuratan hasil uji lebih tinggi dari persentase hasil uji yang salah. Sampel data yang digunakan pada perbandingan 6:4 adalah sebanyak 30 data, diantaranya 6 data mangga mentah, 7 data mangga mengkal, 11 data mangga matang, dan 6 data mangga terlalu matang. Tingkat keakuratan yang paling baik adalah pada perbandingan data uji dan data latih sebesar 8:2 dengan persentase 72 %, hal ini dikarenakan pelatihan data yang diproses lebih banyak dari kedua percobaan sebelumnya. Proses pertama setelah didapatkan gambar mangga adalah ekstraksi ciri dari buah mangga tersebut. Dalam penelitian ini, kami menggunakan nilai bobot Red Value, standar deviasi, skewness, entropi, dan kurtosis sebagai input. Nilai yang didapat kemudian dinormalisasi dan dikelompokkan menjadi 4 tingkat kematangan dengan kode 1 (mentah), 2 (mengkal), 3 (matang), dan 4 (terlalu matang). Parameter utama yang mejadi patokan dari tingkat kematangan buah mangga tersebut adalah nilai Red (representasi RGB). Hal ini dikarenakan parameter dengan 58
5 Tabel 2. Contoh hasil uji (data perbandingan 8:2) 4. Kesimpulan & Saran 4.1 Kesimpulan Berdasarkan hasil penelitian yang dilakukan dapat diambil kesimpulan sebagai berikut: 1. Penelitian ini berhasil membangun sistem komputasi untuk mengidentifikasi tingkat kematangan buah mangga berdasarkan nilai warna dan ciri statistik orde pertama (nilai standar deviasi, skewness, entropi, dan kurtosis) dengan menggunakan jaringan syaraf tiruan algoritma backpropagation dan algoritma pembelajaran Levenberg Marquadrt. 2. Keakuratan dengan implementasi metode perbandingan uji latih dan uji sebesar 6:4 dinyatakan cukup baik dengan persentase 60,90 %, sedangakan pada metode perbandingan uji latih dan uji sebesar 8:2 dinyatakan baik dengan persentase 72 %. 4.2 Saran penelitian ini. Kami juga mengucapkan terima kasih banyak kepada dosen pembimbing penelitian ini yaitu Ibu Nur Afny C. Andryani, S.Si., M.Sc serta teman-teman yang terlibat dalam penelitian ini. REFERENSI [1] Promosiana, Anastasia Statistik Produksi Holtikultura Tahun Jakarta: Direktorat jenderal Holtikultura, Kementerian Pertanian. [2] Promosiana, Anastasia, dan Hanang Dwi Atmojo Statistik Produksi Holtikultura Tahun Jakarta: Direktorat jenderal Holtikultura, Kementerian Pertanian. [3] Basuki, Achmad Metode Numerik dan Algoritma Komputasi. Yogyakarta: Andi. [4] Sutoyo, T, dkk Teori Pengembangan Citra Digital. Yogyakarta: Andi. [5] Kusumadewi, Sri Membangun Jaringan Syaraf Tiruan (Menggunakan Matlab & Excel Link). Yogyakarta: Graha Ilmu. [6] Siang, Jong Jek Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: Andi [7] Berkah, Aulia Khairunisa Pembelajaran Levenberg Marquardt pada Pendeteksian Kepribadian Berdasarkan Tulisan Tangan. Universitas Komputer Indonesia. Adapun saran untuk perbaikan jurnal ini ialah diperlukan banyak data latih agar mempengaruhi kinerja hasil uji lebih baik dengan persentase perbandingan yang seimbang. 5. Ucapan Terima Kasih Kami mengucapkan syukur kepada Allah SWT karena atas ridho dan karunia-nya lah kami dapat menyelesaikan 59
IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION
IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION Dila Deswari [1], Hendrick, MT. [2], Derisma, MT. [3] Jurusan Sistem Komputer, Fakultas Teknologi Informasi, Universitas Andalas [1][3]
Lebih terperinciJARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB,
JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB, sigitkus@ub.ac.id ABSTRAKSI Salah satu kelemahan umum pada pengenalan pola untuk
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 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 terperinciIMPLEMENTASI PENGOLAHAN CITRA UNTUK MENGHITUNG RESISTANSI RESISTOR MENGGUNAKAN METODE BACK PROPAGATION
IMPLEMENTASI PENGOLAHAN CITRA UNTUK MENGHITUNG RESISTANSI RESISTOR MENGGUNAKAN METODE BACK PROPAGATION Abdi Haqqi An Nazilli 1, Deddy Kusbianto Purwoko Aji 2, Ulla Delfana Rosiani 3 1,2 Teknik Informatika,
Lebih terperinciMahasiswa: Muhimmatul Khoiro Dosen Pembimbing: M. Arief Bustomi, S.Si, M.Si.
Mahasiswa: Muhimmatul Khoiro 1110100049 Dosen Pembimbing: M. Arief Bustomi, S.Si, M.Si. Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2014 Diagnosa
Lebih terperinciIDENTIFIKASI KEMATANGAN BUAH JAMBU BIJI MERAH (Psidium guajava) DENGAN TEKNIK JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION SKRIPSI
IDENTIFIKASI KEMATANGAN BUAH JAMBU BIJI MERAH (Psidium guajava) DENGAN TEKNIK JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION SKRIPSI OLEH FAHMIL IKHSAN HIDAYAT 120308059 PROGRAM STUDI KETEKNIKAN PERTANIAN
Lebih terperinciIDENTIFIKASI KEMATANGAN BUAH PISANG (Musa paradisiaca) DENGAN TEKNIK JARINGAN SYARAF TIRUAN
IDENTIFIKASI KEMATANGAN BUAH PISANG (Musa paradisiaca) DENGAN TEKNIK JARINGAN SYARAF TIRUAN (Identification of Banana Maturity (Musa paradisiaca) with Artificial Neural Network) Tantry Meilany Siregar
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 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 terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciBAB 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 terperinciDETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION
No Makalah : 299 Konferensi Nasional Sistem Informasi 2012, STMIK - STIKOM Bali 23-25 Pebruari 2012 DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION Ratri Dwi Atmaja 1,
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 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 terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
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 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 terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
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 terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
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 terperinciIDENTIFIKASI KEMATANGAN BUAH MARKISA (Passiflora edulis) DENGAN PENGOLAHAN CITRA MENGGUNAKAN JARINGAN SYARAF TIRUAN
IDENTIFIKASI KEMATANGAN BUAH MARKISA (Passiflora edulis) DENGAN PENGOLAHAN CITRA MENGGUNAKAN JARINGAN SYARAF TIRUAN (Identification of Passion fruit Maturity with Image Processing Using Artificial Neural
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
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 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 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
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 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 terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
Lebih terperinciKLASIFIKASI MUTU JERUK NIPIS DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) Ahmad Sahru Romadhon 1 dan Vivi Tri Widyaningrum 2
Volume 8, No. 2, Oktober 2015 Halaman 121-128 ISSN: 0216-9495 KLASIFIKASI MUTU JERUK NIPIS DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) Ahmad Sahru Romadhon 1 dan Vivi Tri Widyaningrum 2 1,2 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 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 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 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 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 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 terperinciPERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION
Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION Fahmi Hasobaran Dalimunthe
Lebih terperinciDETEKSI NOMINAL DAN KEASLIAN UANG KERTAS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2010 DETEKSI NOMINAL DAN KEASLIAN UANG KERTAS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Syariefudin Bashori¹, Achmad Rizal², Iwan Iwut Tirtoasmoro³
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 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 terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
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 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 terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
Lebih terperinciBAB I PENDAHULUAN. penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi.
BAB I PENDAHULUAN A. LATAR BELAKANG Buah-buahan merupakan salah satu kelompok komoditas pertanian yang penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi. Permintaan domestik terhadap
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciDeteksi Kanker Serviks ( Carsinoma Serviks Uteri ) pada Citra Hasil Rekaman CT-Scan Menggunakan Jaringan Syaraf Tiruan
Deteksi Kanker Serviks ( Carsinoma Serviks Uteri ) pada Citra Hasil Rekaman CT-Scan Menggunakan Jaringan Syaraf Tiruan Dewi Ari Nirmawaty, Prof. Dr. Ir Suhariningsih, Delima Ayu Saraswati ST. MT. Program
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
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 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 terperinciANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM)
ANALISIS DAN IMPLEMENTASI GABUNGAN ALGORITMA GENETIKA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDY KASUS PERAMALAN SAHAM) Hanura Ian Pratowo¹, Retno Novi Dayawati², Agung Toto Wibowo³ ¹Teknik Informatika,,
Lebih 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 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 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 terperinciPenyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks
Penyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks Dewi Erla Mahmudah 1, Ratna Dwi Christyanti 2, Moh. Khoridatul Huda 3,
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 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 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 terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION Nasep Muhamad Ramdan (0522135) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jalan Prof. Drg.
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
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 terperinciPEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK
PEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK Bilqis Amaliah 1, Amethis Oktaorora 2 1,2 Teknik Informatika, FTIf - ITS,Surabaya
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih 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 terperinciTujuan Penelitian Tujuan penelitian ini adalah untuk melakukan deteksi penyakit pada daun rose dengan menggunakan metode ANN.
Laporan Akhir Projek PPCD Deteksi Penyakit Daun Menggunakan Artificial Neural Network (ANN) TRI SONY(G64130020), GISHELLA ERDYANING (G64130040), AMALIYA SUKMA RAGIL PRISTIYANTO (G64130044), MUHAMMAD RIZQI
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 terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciIDENTIFIKASI PEMBUAT TULISAN TANGAN MENGGUNAKAN HAAR WAVELET DAN ALGORITMA PROPAGASI BALIK LEVENBERG MARQUARDT
Powered by TCPDF (www.tcpdf.org) Tugas Akhir - 2011 IDENTIFIKASI PEMBUAT TULISAN TANGAN MENGGUNAKAN HAAR WAVELET DAN ALGORITMA PROPAGASI BALIK LEVENBERG MARQUARDT Rizky Suslianto¹, Sri Widowati², Bedy
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 terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih 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 terperinciPuji Pangastuti. kemampuan jaringan dalam menentukan pola yang digunakan selama masa pelatihan diharapkan dapat mengoptimalkan hasil yang diinginkan.
METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGUKUR TINGKAT KORELASI PRESTASI MAHASISWA (STUDI KASUS PADA UNIVERSITAS DIAN NUSWANTORO SEMARANG) Puji Pangastuti Abstract - The university now increasingly
Lebih terperinciDesain Perangkat Lunak Berbasis Jaringan Syaraf Tiruan Backpropagation untuk Klasifikasi Citra Rontgen Paru-paru
JURNAL FISIKA DAN APLIKASINYA VOLUME 10, NOMOR 1 JANUARI 2014 Desain Perangkat Lunak Berbasis Jaringan Syaraf Tiruan Backpropagation untuk Klasifikasi Citra Rontgen Paru-paru M. Arief Bustomi, 1, Hasan
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 terperinciPENGEMBANGAN ALGORITMA PEMUTUAN EDAMAME MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN DEDY WIRAWAN SOEDIBYO
PENGEMBANGAN ALGORITMA PEMUTUAN EDAMAME MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN DEDY WIRAWAN SOEDIBYO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS
Lebih terperinciJaringan Saraf Tiruan Backpropagation untuk Pengenalan Wajah Metode Ekstraksi Fitur Berbasis Histogram
193 Jaringan Saraf Tiruan Backpropagation untuk Pengenalan Wajah Metode Ekstraksi Fitur Berbasis Histogram Sigit Kusmaryanto Abstract One common weakness in pattern recognition for face recognition is
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 terperinciTeknik Pertanian, Fakultas Teknologi Pertanian, Universitas Jember Jalan Kalimantan No. 37 Jember, *
PERAMALAN JUMLAH PERMINTAAN UDANG BEKU PND MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN (JST) BACKPROPAGATION Forecasting of PND Frozen Shrimp Demand Using Artificial Neural Network Method (ANN) Backpropagation
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 terperinciIDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN
IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN Galih Probo Kusuma, Dr Melania Suweni Muntini, MT Jurusan Fisika Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciALGORITMA BACK PROPAGATION NEURAL NETWORK UNTUK PENGENALAN POLA KARAKTER HURUF JAWA
Nazla Nurmila, Aris Sugiharto, Eko Adi Sarwoko ALGORITMA BACK PROPAGATION NEURAL NETWORK UNTUK PENGENALAN POLA KARAKTER HURUF JAWA Nazla Nurmila, Aris Sugiharto, dan Eko Adi Sarwoko Prodi Ilmu Komputer
Lebih terperinciKONTROL GERAKAN BUKA TUTUP PINTU UNTUK AKSES SISTEM KEAMANAN MENGGUNAKAN POLA IRIS MATA MANUSIA
KONTROL GERAKAN BUKA TUTUP PINTU UNTUK AKSES SISTEM KEAMANAN MENGGUNAKAN POLA IRIS MATA MANUSIA Nazrul Effendy 1), Khoerul Anwar 2), Ananda Dwi Mahendra 3), Beta M.G.S 4) 1,2,3,4) Jurusan Teknik Fisika,
Lebih terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciBAB 4 PENGUJIAN DAN ANALISIS SISTEM
BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk
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 terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih terperinciKLASIFIKASI DAUN TANAMAN THEOBROMA CACAO MENGGUNAKAN METODE NEURAL NETWORK
KLASIFIKASI DAUN TANAMAN THEOBROMA CACAO MENGGUNAKAN METODE NEURAL NETWORK Endi Permata 1), Andri Suherman 2), Alief Maulana 3) 1) 2 )3) Program Studi S1 Teknik Elektro, Fakultas Teknik,Universitas Sultan
Lebih terperinciBAB III PEMBAHASAN. A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium
BAB III PEMBAHASAN A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium Kanker Payudara Fuzzy Neural Network (FNN) adalah gabungan sistem fuzzy dengan Artificial Neural Network (ANN).
Lebih terperinciPREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION
JIMT Vol. 4 No. Juni 207 (Hal 47-55) ISSN : 2450 766X PREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION J.R. Mustakim, R. Ratianingsih 2 dan D. Lusiyanti 3,2,3 Program Studi
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 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 terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
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 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 terperinciPemodelan Sistem dengan Metode Neural Network Back Propagation. Modeling System Using Neural Network Backpropagation
Pemodelan Sistem dengan Metode Neural Network Back Propagation Modeling System Using Neural Network Backpropagation Dwi Sudarno Putra 1), Toto Sugiarto 1) & Meri Azmi 2) 1) Jurusan Teknik Otomotif Universitas
Lebih terperinci