HASIL DAN PEMBAHASAN
|
|
- Yuliani Iskandar
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 kedalaman lapisan tercampur (mixed layer depth), suhu permukaan laut, [Chl-a] permukaan laut, lintang, bujur dan musim, sedangkan set data outputnya adalah parameter-parameter Gauss hasil perhitungan dengan LSM. Nilai rata-rata parameter-parameter Gauss dapat dilihat pada Tabel 1 dan Tabel 2 ( Nilai 4 parameter Gauss selengkapnya dapat dilihat pada Lampiran 2 dan 3). Tabel 1. Nilai Rata-rata Parameter Gauss pada Data Training No Parameter Rata-rata 1. B h (dalam log) Zm Tabel 2. Nilai Rata-rata Parameter Gauss pada Data Validasi No Parameter Rata-rata 1. B h (dalam log) Zm Dalam pengelompokan data yang dilakukan, data-data ekstrim baik maksimum dan minimum dikelompokkan ke dalam data training. Dari total 78 set data, proporsi untuk data training sebanyak 59 set data (75.64%), dan data validasi sebanyak 19 set data (24.36%). Data-data yang digunakan dapat dilihat secara lengkap pada Lampiran 4 dan 5.
2 Pendugaan Parameter Gauss dengan ANN Training Sebuah aplikasi ANN memerlukan proses pembelajaran terlebih dahulu terhadap suatu permasalahan yang akan dipecahkan. Hal ini dilakukan dengan cara memberikan sekumpulan contoh pelatihan yang disebut set pelatihan. Inilah yang dinamakan proses training. Proses training dilakukan agar program ANN dapat mengenali dan beradaptasi terhadap karakteristik-karakteristik dari contohcontoh pada set pelatihan dengan cara melakukan pengubahan atau peng-updatean nilai-nilai pembobot yang ada dalam jaringan, sehingga tujuan utama dari proses ini adalah untuk menentukan nilai pembobot yang sesuai. Dalam penelitian ini, program ANN yang digunakan menggunakan software BackPro2N. Program ini menggunakan algoritma pembelajaran backpropagation dan merupakan pengembangan yang dilakukan oleh Rudiyanto et al. (2003). Proses training diawali dengan memasukkan data training ke dalam program ANN. Tahapan selanjutnya adalah dengan melakukan setting parameter-parameter training yang akan digunakan seperti jumlah lapisan (layer) baik lapisan input, tersembunyi (hidden) dan output. Setting yang dilakukan meliputi jumlah node pada tiap lapisan, konstanta laju pembelajaran, momentum, gain dan target iterasi. Langkah berikutnya adalah melakukan run-training sampai mencapai optimum. Kondisi optimum terindikasi dengan jumlah iterasi atau nilai error yang diinginkan. Nilai parameter training yang digunakan dapat dilihat pada Tabel 3. Tabel 3. Parameter Training ANN Parameter Nilai Jumlah lapisan 3 Jumlah node pada lapisan input 6 Jumlah node pada lapisan tersembunyi 12 Jumlah node pada lapisan output 4 Konstanta laju pembelajaran 0.3 Konstanta momentum 0.3 Konstanta gain 0.9 Target iterasi 50000
3 Parameter standar dalam proses training yang dilakukan adalah nilai error yang diperoleh setelah tercapainya kondisi optimum. Nilai error itu sendiri timbul karena adanya perbedaan antara output aktual dengan output prediksi. Nilai error yang telah diperoleh berfungsi untuk meng-update bobot-bobot yang relevan dengan jalan mempropagasikan kembali error. Nilai yang biasa digunakan adalah RMSE. Nilai error tiap-tiap parameter Gauss disajikan pada Tabel 4. Tabel 4. Nilai error setelah Pengulangan ke No Parameter RMSE 1. B h (skala log) Zm Berdasarkan Tabel 4 dapat diketahui bahwa standar deviasi yang muncul pada saat membandingkan data hasil perhitungan LSM dan pendugaan ANN pada tiap-tiap parameter Gauss mempunyai nilai yang kecil. Hal ini menunjukkan bahwa tidak ada perbedaan nilai yang signifikan antara nilai yang diperoleh dengan menggunakan perhitungan LSM dan pendugaan ANN (hasil training selengkapnya lihat Lampiran 6). Hal lain yang menunjukan bahwa proses training berjalan dengan cukup baik atau tidak, dapat dilihat berdasarkan nilai koefisien korelasinya (r). Berikut ditampilkan grafik hubungan yang menunjukkan nilai koefisien korelasi (r) hasil perhitungan menggunakan LSM dengan hasil pendugaan ANN untuk parameter (B 0 ), (h), ( ) dan (Zm). a Gambar 8a. Grafik Hubungan Nilai (a) B 0 dan (b) h (skala log) Hasil Pendugaan ANN dan Perhitungan LSM b
4 c d Gambar 8b. Grafik Hubungan Nilai (c) dan (d) Zm Hasil Pendugaan ANN dan Perhitungan LSM Berdasarkan Gambar 8a dan 8b, secara umum plot data perbandingan nilai antara yang diperoleh dengan menggunakan ANN dan LSM mempunyai hubungan yang cukup baik. Hal ini terlihat dari nilai koefisien korelasi (r) yang diperoleh untuk tiap-tiap parameter Gauss yang memperoleh nilai cukup tinggi yaitu lebih dari Nilai rata-rata selisih antara nilai yang diperoleh dengan LSM dan pendugaan ANN dari tiap parameter, bisa juga digunakan untuk mengetahui tingkat keberhasilan training yang dilakukan. Pada Tabel 5 ditampilkan nilai ratarata selisih untuk parameter (B 0 ), (h), ( ) dan (Zm). Tabel 5. Nilai Rata-rata Selisih pada Proses Training No Parameter Rata-rata Selisih 1. B h (skala log) Zm Berdasarkan Tabel 5 dapat diketahui bahwa rata-rata selisih pada proses training untuk tiap parameter Gauss kecil. Hal ini menunjukkan bahwa tidak ada perbedaan nilai yang signifikan antara nilai yang diperoleh dengan menggunakan perhitungan LSM dan pendugaan ANN. Berdasarkan nilai RMSE, nilai koefisien korelasi (r) dan rata-rata selisih tiap-tiap parameter Gauss, maka dapat dikatakan bahwa proses training berhasil dilakukan dengan cukup baik.
5 Validasi Model Proses validasi dilakukan dengan tujuan untuk menguji performansi model ANN yang telah mampu mengenal karakteristik-karakteristik set data pelatihan selama proses training. Pada proses validasi, model ANN yang telah diperoleh diujicobakan dengan pola data-data lain yang tidak digunakan pada proses training. Layaknya proses training, standar error yang digunakan untuk melihat baik tidaknya proses validasi yang telah dilakukan adalah RMSE (Tabel 6). Tabel 6. Nilai error pada Proses Validasi No Parameter RMSE 1. B h (skala log) Zm Berdasarkan Tabel 6 dapat diketahui bahwa standar deviasi yang muncul pada saat membandingkan data hasil perhitungan LSM dan pendugaan ANN pada tiap-tiap parameter Gauss mempunyai nilai yang kecil. Hal ini menunjukkan bahwa tidak ada perbedaan nilai yang signifikan antara nilai yang diperoleh dengan menggunakan perhitungan LSM dan pendugaan ANN (hasil Validasi Model selengkapya lihat Lampiran 7). Pada proses validasi nilai koefisien korelasi (r) juga digunakan untuk menguji performansi model ANN yang dibangun selama proses training. Pada Gambar 9a dan 9b ditampilkan grafik hubungan yang menunjukkan nilai koefisien korelasi (r) setelah proses validasi. a Gambar 9a. Grafik Hubungan Nilai (a) B 0 dan (b) h (skala log) Hasil Pendugaan ANN dan Perhitungan LSM b
6 c Gambar 9b. Grafik Hubungan Nilai (c) dan (d) Zm Hasil Pendugaan ANN dan Perhitungan LSM Secara umum plot data perbandingan antara nilai yang diperoleh menggunakan LSM dan ANN mempunyai hubungan yang cukup baik untuk parameter B 0, dan Zm dengan nilai koefisien korelasi (r) lebih dari Akan tetapi hal ini tidak terjadi bagi parameter h yang hanya mempunyai nilai koefisien korelasi (r) sebesar Hal ini diduga disebabkan karena adanya perbedaan nilai maksimum konsentrasi klorofil-a antara musim yang satu dengan musim yang lain, terutama pada Musim Timur dan Peralihan 2 (lihat Gambar 10a dan 10b). d a Gambar 10a. Konsentrasi Klorofil-a di Laut Banda pada Musim (a) Barat dan (b) Peralihan 1 b
7 c Gambar 10b. Konsentrasi Klorofil-a di Laut Banda pada Musim (c) Timur dan (d) Peralihan 2 Berdasarkan Gambar 10a dan 10b terlihat bahwa ada perbedaan kedalaman dan nilai [Chl-a] maksimum antara musim yang satu dengan musim yang lain. Hal ini menyebabkan terjadinya nilai parameter h yang lebih beragam. Pada saat Musim Barat, [Chl-a] maksimum berada pada kedalaman sekitar 60 m dengan nilai [Chl-a] maksimum sekitar 0.3 mg/m 3. Hal ini cukup berbeda dengan musim yang lainnya, misalnya dengan Musim Timur. Pada Musim Timur, [Chl-a] maksimum berada pada kedalaman yang lebih dangkal yaitu sekitar 40 m dengan nilai [Chl-a] maksimum bisa mencapai 0.8 mg/m 3. Nilai rata-rata selisih antara nilai yang diperoleh dengan LSM dan pendugaan ANN dari tiap parameter pada proses validasi dapat dilihat pada Tabel 7. Pada Tabel 7 ditampilkan nilai rata-rata selisih untuk parameter (B 0 ), (h), ( ) dan (Zm) hasil proses validasi. Tabel 7. Nilai Rata-rata Selisih pada Proses Validasi No Parameter Rata-rata selisih 1. B h (skala log) Zm d
8 Berdasarkan Tabel 7 dapat diketahui bahwa rata-rata selisih pada proses training untuk tiap parameter kecil. Hal ini menunjukkan bahwa tidak ada perbedaan nilai yang signifikan antara nilai yang diperoleh dengan menggunakan perhitungan LSM dan pendugaan ANN. Berbeda dengan hasil validasi pada penelitian ini, pada penelitian Osawa et al. (2005) mampu menduga semua parameter dengan cukup baik, seperti yang tertera pada Gambar 11. a b c d Gambar 11. Hubungan antara Data Validasi dan Pendugaan ANN pada Parameter (a) B 0, (b) h, (c) dan (d) Zm (Osawa et al. 2005) Berdasarkan Gambar 11 dapat diketahui bahwa, nilai koefisien korelasi (r) parameter (B 0 ), (h), ( ) dan (Zm) berturut-turut adalah 0.94, 0.72, 0.73 dan Hal ini mungkin disebabkan karena pada penelitian Osawa et al. (2005), selain data yang digunakan pada proses training dan data validasi jauh lebih banyak.
9 Data yang lebih banyak dan lebih seragam memungkinkan bagi ANN untuk lebih banyak dan mudah mempelajari data yang diberikan dengan baik sehingga mampu memvalidasi data dengan baik pula. Perbandingan nilai [Chl-a] in situ, [Chl-a] LSM dan [Chl-a] ANN Setelah diketahui nilai semua parameter Gauss, baik melalui perhitungan LSM maupun dengan menggunakan ANN, maka dapat diketahui pula nilai [Chla] secara vertikal melalui nilai parameter-parameter Gauss tersebut. Pada Tabel 8 ditampilkan nilai rata-rata tiap parameter Gauss yang diperoleh dengan perhitungan LSM dan hasil pendugaan ANN pada proses validasi. Tabel 8. Nilai Rata-rata Parameter Gauss No Parameter Rata-rata LSM ANN 1. B h (skala log) Zm Dari Tabel 8 terlihat bahwa tidak terjadi perbedaan yang signifikan antara nilai parameter Gauss yang diperoleh dengan perhitungan LSM dan hasil pendugaan ANN. Berdasarkan nilai-nilai parameter tersebut dan menggunakan persamaan 1, maka diperoleh nilai [Chl-a] LSM dan [Chl-a] ANN. Pada Gambar 12 ditampilkan hubungan antara nilai [Chl-a] LSM dengan nilai [Chl-a] in situ dan antara nilai [Chl-a] ANN dengan nilai [Chl-a] in situ. a Gambar 12. Gafik Hubungan Nilai [Chl-a] in situ dengan Nilai (a) [Chla] LSM dan (b) [Chl-a] ANN b
10 Berdasarkan Gambar 12 dapat diketahui nilai koefisien korelasi (r) antara nilai [Chl-a] LSM dengan nilai [Chl-a] in situ adalah sebesar dan nilai koefisien korelasi (r) antara nilai [Chl-a] ANN dengan nilai [Chl-a] in situ adalah sebesar Uji F antara [Chl-a] LSM dengan [Chl-a] in-situ dan [Chl-a] ANN dengan [Chl-a] in-situ memberikan nilai berturut-turut dan yang lebih besar dari F tabel (3.86) pada tingkat kepercayaan 95%. Hal ini menunjukkan bahwa nilai [Chl-a] LSM dan nilai [Chl-a] ANN mempunyai pengaruh yang sama terhadap nilai [Chl-a] in-situ. Pada Gambar 13 ditampilkan hubungan antara nilai [Chl-a] ANN dan [Chl-a] LSM. Gambar 13. Grafik Hubungan Nilai [Chl-a] ANN dan [Chl-a] LSM Berdasarkan Gambar 13 dapat diketahui bahwa nilai [Chl-a] ANN dan [Chla] LSM mempunyai hubungan yang baik. Hal ini dapat dilihat dari persamaan yang diperoleh dan nilai koefisien korelasi (r) yang cukup tinggi yaitu sebesar Dengan demikian maka dapat dikatakan bahwa model ANN yang dikembangkan secara umum cukup mampu menduga nilai [Chl-a] yang diperoleh dari hasil perhitungan LSM. Pada Tabel 14 ditampilkan contoh perbandingan nilai [Ch-a] in situ, [Chl-a] LSM dan [Chl-a] ANN pada musim yang berbeda.
11 a b c Gambar 14. Perbandingan Nilai [Chl-a] in situ, [Chl-a] LSM dan [Chl-a] ANN pada Musim (a) Barat, (b) Peralihan 1, (c) Timur dan (d) Peralihan 2 Berdasarkan Gambar 14 dapat diketahui bahwa pada Musim Barat dan Peralihan 1, nilai [Chl-a] in situ, [Chl-a] LSM dan [Chl-a] ANN mempunyai hubungan yang cukup baik diantara ketiganya. Hal ini terlihat dari nilai koefisien korelasi terkecil yang diperoleh yaitu sebesar pada Musim Barat dan pada Musim Peralihan 1. Pada Musim Timur dan Peralihan 2, antara nilai [Chl-a] LSM dan [Chl-a] ANN mempunyai hubungan yang cukup baik dengan nilai koefisien korelasi (r) pada masing-masing musim adalah sama yaitu sebesar Akan tetapi hal ini tidak terjadi antara nilai [Chl-a] LSM dengan [Chl-a] in situ dan antara [Chl-a] ANN dengan [Chl-a] in situ. Pada Musim Timur, [Chl-a] LSM dan [Chl-a] ANN d
12 dengan [Chl-a] in situ hanya memperoleh nilai koefisien korelasi masing-masing sebesar dan Pada Musim Peralihan 2, [Chl-a] LSM dan [Chl-a] ANN dengan [Chl-a] in situ hanya memperoleh nilai koefisien korelasi masingmasing sebesar dan Rendahnya nilai koefisien korelasi pada Musim Timur dan Peralihan 2 disebabkan karena adanya perbedaan kedalaman dan nilai konsentrasi klorofil-a maksimum dibandingkan dengan musim lainnya. Perbedaan ini berpengaruh terhadap keragaman nilai parameter h yang diperoleh, sehingga parameter h kurang mampu diduga dengan baik. Tingginya nilai konsentrasi klorofil-a pada musim Timur dan Musim Peralihan 2, diduga karena pada Musim Timur dan Musim Pancaroba 2 masih dipengaruhi oleh peristiwa proses penaikan massa air dari bawah menuju ke atas atau lebih dikenal dengan sebutan upwelling. Adanya upwelling menyebabkan nilai [Chl-a] maksimum mencapai nilai yang cukup tinggi dan berada pada kedalaman yang lebih rendah. Hasil pemodelan dengan ANN adalah nilai pembobot (weight) yang menghubungkan lapisan input dengan lapisan tersembunyi dan lapisan tersembunyi dengan lapisan output. Pada Tabel 9 ditampilkan sebagian data pembobot yang dihasilkan dalam proses training (data-data pembobot hasil ANN selengkapnya dapat dilihat pada Lampiran 8). Tabel 9. Data-data Pembobot No Pembobot E E E E E E E E E E+00 Nilai pembobot memiliki fungsi yang sama seperti dendrit atau akson pada jaringan syaraf biologis yang berfungsi menghubungkan serta menyampaikan informasi atau respon dari satu node ke node yang lain. Informasi yang
13 merupakan input akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot dan akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap node. Apabila input tersebut melewati threshold maka node tersebut akan diaktifkan dan akan mengirimkan output ke semua node yang berhubungan dengannya. Berdasarkan nilai pembobot-pembobot tersebut, maka model ANN dapat menduga nilai parameter-parameter Gauss dari suatu set data input-output baru yang belum digunakan dalam proses training.
IV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
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 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 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 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 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 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 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 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 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 IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih 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 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 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 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 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 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 terperinciDISTRIBUSI VERTIKAL KLOROFIL-A DI PERAIRAN LAUT BANDA BERDASARKAN NEURAL NETWORK ACH. FACHRUDDIN SYAH
DISTRIBUSI VERTIKAL KLOROFIL-A DI PERAIRAN LAUT BANDA BERDASARKAN NEURAL NETWORK ACH. FACHRUDDIN SYAH SEKOLAH PASCA SARJANA INSTITUT PERTANIAN BOGOR BOGOR 2009 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
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 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 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 Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciBAB 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 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 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 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 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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciJARINGAN 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 terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Absorbsi Near Infrared Sampel Tepung Ikan Absorbsi near infrared oleh 50 sampel tepung ikan dengan panjang gelombang 900 sampai 2000 nm berkisar antara 0.1 sampai 0.7. Secara grafik
Lebih terperinciHASIL DAN PEMBAHASAN. Kondisi Lingkungan Mikro Lokasi Penelitian
HASIL DAN PEMBAHASAN Kondisi Lingkungan Mikro Lokasi Penelitian Berdasarkan pengambilan data selama penelitian yang berlangsung mulai pukul 06.00 sampai pukul 16.00 WIB, data yang diperoleh menunjukkan
Lebih terperinciMetode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat
Prosiding Semirata FMIPA Universitas Lampung, 2013 Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat Andi Ihwan Prodi Fisika FMIPA Untan, Pontianak
Lebih 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 terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih 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 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 terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciBAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH
BAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu data saham Astra Internasional Tbk tanggal 2 Januari
Lebih terperinciVI. KESIMPULAN DAN SARAN
VI. KESIMPULAN DAN SARAN 6.1. Kesimpulan Dalam penelitian ini telah dilakukan suatu rangkaian penelitian yang mencakup analisis pewilayahan hujan, penyusunan model prediksi curah hujan, serta pemanfaatan
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 terperinciIV. HASIL DAN PEMBAHASAN A.
IV. HASIL DAN PEMBAHASAN A. Persiapan Data Untuk Analisis Jaringan Syaraf Tahapan pertama sebelum merancang model jaringan syaraf tiruan adalah menyiapkan data. Secara garis besar tahapan-tahapan dalam
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciBAB 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 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 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 terperinciPREDIKSI PRODUKSI KELAPA SAWIT BERDASARKAN KUALITAS LAHAN MENGGUNAKAN MODEL ARTIFICIAL NEURAL NETWORK (ANN)
PREDIKSI PRODUKSI KELAPA SAWIT BERDASARKAN KUALITAS LAHAN MENGGUNAKAN MODEL ARTIFICIAL NEURAL NETWORK (ANN) (PREDICTION OF OIL PALM PRODUCTION BASE ON LAND QUALITY USING ARTIFICIAL NEURAL NETWORK) Oleh
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 terperinci4. HASIL DAN PEMBAHASAN
4. HASIL DAN PEMBAHASAN 4.1. Variabilitas Kesuburan Perairan dan Oseanografi Fisika 4.1.1. Sebaran Ruang (Spasial) Suhu Permukaan Laut (SPL) Sebaran Suhu Permukaan Laut (SPL) di perairan Selat Lombok dipengaruhi
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih 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 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 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 terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciBAB 1 PENDAHULUAN. datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk
BAB 1 PENDAHULUAN 1.1. Latar Belakang Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan
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 terperinciBAB III METODE PENELITIAN. Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu
BAB III METODE PENELITIAN 3.1 Pengumpulan Data Beban Listrik dari PLN Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu selama lima tahun pada periode 2006-2010, selanjutnya data
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pengklasifikasian merupakan salah satu metode statistika untuk mengelompok atau menglasifikasi suatu data yang disusun secara sistematis. Masalah klasifikasi sering
Lebih terperinciPREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION
PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION (NEFCLASS) (STUDI KASUS: PROGRAM STUDI S1 TEKNIK INFORMATIKA, UNIVERSITAS TELKOM) Rita Rismala 1, Serli Fatriandini 2, Retno
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 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 terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciBAB 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 IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih 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 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 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 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 terperinci2.1. Dasar Teori Bandwidth Regression
2.1. Dasar Teori 2.1.1. Bandwidth Bandwidth adalah ukuran kapasitas dari sistem transmisi (Comer, 2004) Bandwidth adalah konsep pengukuran yang sangat penting dalam jaringan, tetapi konsep ini memiliki
Lebih terperinciHASIL DAN PEMBAHASAN
Konsentrasi lemak ikan (%) Kandungan zat aktif (absorban) HASIL DAN PEMBAHASAN Deskripsi Data Berdasarkan data yang digunakan dalam penelitian ini, akan dilakukan pengidentifikasian multikolinieritas.
Lebih terperinci4. HASIL DAN PEMBAHASAN
4. HASIL DAN PEMBAHASAN 4.1. Total Data Sebaran Klorofil-a citra SeaWiFS Total data sebaran klorofil-a pada lokasi pertama, kedua, dan ketiga hasil perekaman citra SeaWiFS selama 46 minggu. Jumlah data
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
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 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 terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 menggambarkan desain penelitian peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation.
Lebih terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
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 terperinciPERMALAN HARGA GARAM KONSUMSI MENGGUNAKAN ARTIFICIAL NEURAL NETWORK FEEDFORWARD- BACKPROPAGATION (STUDI KASUS : PT. GARAM MAS, REMBANG, JAWA TENGAH)
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-308 PERMALAN HARGA GARAM KONSUMSI MENGGUNAKAN ARTIFICIAL NEURAL NETWORK FEEDFORWARD- BACKPROPAGATION (STUDI KASUS : PT. GARAM
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 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 terperinciFAKULTAS SAINS DAN TEKNOLOGI UIN SUSKA RIAU. IIS AFRIANTY, ST., M.Sc
IIS AFRIANTY, ST., M.Sc Sistem Penilaian Tugas dan Keaktifan : 15% Quiz : 15% UTS : 35% UAS : 35% Toleransi keterlambatan 15 menit Handphone: Silent Costume : aturan UIN Laki-laki Perempuan Menggunakan
Lebih terperinciPerbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas
TEKNOLOGI DI INDUSTRI (SENIATI) 016 ISSN : 085-418 Perbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas Nur Nafi iyah Program Studi Teknik Informatika Universitas Islam
Lebih terperinciANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN
ANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN Abstrak Vinsensius Rinda Resi - NIM : A11.2009.04645 Program Studi Teknik
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 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 terperinciBAB 4 HASIL DAN PEMBAHASAN
44 BAB 4 HASIL DAN PEMBAHASAN 4.1. ARIMA DENGAN SPSS Dalam riset ini digunakan nilai penutupan harian dari saham ANTM pada bulan november 2007 sampai desember 2007. Gambar 1: Data Close Saham Nov Dec 07
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciHASIL DAN PEMBAHASAN
18 HASIL DAN PEMBAHASAN Eksplorasi data Tahap pertama dalam pembentukan model VAR adalah melakukan eksplorasi data untuk melihat perilaku data dari semua peubah yang akan dimasukkan dalam model. Eksplorasi
Lebih terperinciADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB III METODE PENELITIAN. Penelitian ini dilakukan dalam kurung waktu setahun.
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Pelaksanaan Penelitian dilaksanakan di Laboratorium Intrumentasi Medis Departemen Fisika, Fakultas Sains dan Teknologi Universitas Airlangga. Lokasi pengambilan
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 terperinciGabungan Kontrol Congestion, Perutean, Dan Alokasi Sumber Daya Kooperatif Untuk Daya Tradeoff Di Dalam Gedung.
Gabungan Kontrol Congestion, Perutean, Dan Alokasi Sumber Daya Kooperatif Untuk Daya Tradeoff Di Dalam Gedung. Farid Baskoro (2205 100 027) Dosen Pembimbing : 1. Prof. Ir. Gamantyo Hendrantoro, M.Eng,
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 terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
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 terperinci