Prediksi Jumlah Kasus Demam Berdarah Dengue Menggunakan Jaringan Syaraf Tiruan (Studi Kasus daerah Kab. Sleman, Provinsi DIY)
|
|
- Sudirman Chandra
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Jurnal PROte Vol. 3 No. 1, 216 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Iis Hamsir Ayub Wahab Program Studi Teni Eletro Faultas Teni, Universitas Khairun hamsir@unhair.ac.id Abstra Tenologi sistem aringan syaraf tiruan (JST) merupaan salah satu paradigma untu sistem cerdas. JST dapat diapliasian pada banya bidang seperti pengenalan pola, identifiasi, lasifiasi, dan sistem endali. Tuuan utama dari studi ini adalah untu mempredisi umlah asus penderita demam berdarah dengue (DBD) berdasaran pada parameter curah huan, elembaban, suhu udara dan umlah asus yang teradi di ilayah abupaten Sleman dalam urun atu tahun 25 sampai dengan bulan 29. Hasil simulasi menunuan baha secara umum model predisi dengan mennggunaan data latih mempunyai fit yang cuup bai. Hal ini dapat terlihat baha predisi umlah penderita dari tahun 25 sampai 27 mempunyai nilai MSE 99.94x1-5 dengan oefisien orelasi r sebesar.99, sedangan hasil predisi untu tahun 28 sampai dengan bulan 29 mempunyai nilai MSE sebesar x1-5 dengan nilai orelasi r adalah.989. Kata unci - DBD, Predisi, JST I. PENDAHULUAN DBD merupaan penyait endemi dan epidemi yang menyebar luas dibeberapa daerah termasu Indonesia. Penyait ini terutama ditemuan di daerah tropi dan subtropi. DBD pertama ali dilaporan di Surabaya pada tahun Demam berdarah dengue merupaan suatu penyait dengan anga ematian dan esaitan yang tinggi di Indonesia [1]. Kasus DBD di Kabupaten Sleman sea tahun 21 perembangannya secara flutuatif dimana pada tahun 21 teradi 142 asus dengan 2 ematian, tahun 22 sebanya 14 asus dengan 1 orang meninggal, tahun 23 umlah asus sebanya 552 dengan 14 orang meninggal, tahun 24 sebanya 732 asus dengan 14 orang meninggal, tahun 25 sebanya 316 asus dengan 5 orang meninggal, tahun 26 sebanya 625 asus dengan 11 rang meninggal dan sampai dengan otober 27 ada 667 asus dengan 7 orang meninggal [2]. Banya fator yang mempengaruhi eadian penyait DBD, antara lain fator host, lingungan (environment) dan fator virusnya sendiri. Fator host yaitu erentanan (susceptibility) dan respon imun [3][4]. Fator lingungan (environment) yaitu ondisi geografi (etinggian dari permuaan laut, curah huan, angin, elembaban, musim); Kondisi demografi (epadatan, mobilitas, perilau, adat istiadat, sosial eonomi pendudu) [5]. Jenis nyamu sebagai vetor penular penyait uga iut berpengaruh. Penelitian terhadap epidemi Dengue di Nicaragua tahun 1998, menyimpulan baha epidemiologi Dengue dapat berbeda tergantung pada daerah geografi dan serotipe virusnya [6]. Tuuan dari aian ini adalah untu mengetahui apaah JST dapat diterapan untu mempredisi umlah asus penyait demam berdarah berdasaran parameter curah huan, elembaban, suhu dan laporan umlah asus-asus sebelumnya. JST merupaan metode yang bagus serta coco yang dapat menemuan hubungan non-linear yang bervariasi dan fator-fator lainnya, serta dapat melauan penyesuaian terhadap perubahan-perubahan yang teradi. JST, hususnya metode feed-forard dan feedbacard dari propagasi bali, dilaporan para ahli mempunyai emampuan meramal dengan bai [7]. Penelitian seenis yang pernah dilauan sebelumnya adalah yang dilauan [7] yang menyataan baha JST dapat dibangun untu melauan pembelaaran untu semua parameter yang nantinya aan digunaan untu mengetahui model matematis yang dapat digunaan untu predisi umlah asus penderita DBD. II. METODOLOGI Ada tiga proses utama pada penelitian ini, yaitu: 1. Pengumpulan data Data yang diperluan untu aian ini adalah data asus penderita DBD yang dipaai adalah total curah huan, elembaban, suhu dan laporan umlah asus-asus sebelumnya dari Kabupaten Sleman. Periode data dari bulan 25 sampai 27. Gambar 1 menunuan grafi fenomena umlah asus penderita DBD abupaten Sleman dari tahun berdasaran rerata curah huan, elembaban dan suhu. 2. Disain model aringan syaraf tiruan untu pengenalan pola asus DBD JST adalah sistem pemrosesan informasi yang mempunyai arateristi inera tertentu seperti aringan neural biologis. Jaringan syaraf telah diembangan sebagai generalisasi model matemati dari ognisi Received 23 November 215 Revised 15 February 216 Accapted 128 February 216 Available online
2 Otober November Otober November Otober November Otober Nopember Nilai Curah huan, Kelembaban dan Suhu Jumlah Penderita DBD Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan manusia atau syaraf biologi, yang berbasis pada asumsi sebagai beriut: a. Pemrosesan informasi teradi pada elemen sederhana yang disebut neuron. b. Sinyal diberian antara neuron leat alinan onesi. c. Setiap alinan onesi mempunyai bobot yang mengalian sinyal yang ditransmisian. d. Setiap neuron menerapan fungsi ativasi terhadap umlah sinyal masuan terbobot untu menentuan sinyal eluarannya. Salah satu sifat menari aringan syaraf adalah emampuannya untu belaar (learn) dari lingungannya dan dapat memperbaii ineranya melalui pembelaaran (learning). Jaringan syaraf belaar tentang lingungannya melalui proses iteratif penyesuaian yang diterapan e bobot sinapti dan pengambangan (threshold). Secara ideal, aringan aan semain berpengetahuan (noledgeable) mengenai lingungannya pada setiap iterasi proses pembelaaran. Algoritma pembelaaran yang digunaan adalah algoritma propagasi bali. Pada algoritma ini digunaan sinyal referensi dari luar (sebagai pengaar) dibandingan dengan sinyal eluaran JST, hasilnya berupa sinyal esalahan (error). Blo diagram ilustrasi algoritma pembelaaran propagasi bali ditunuan Gambar 2. Pada blo diagram tersebut dietahui xi merupaan sinyal masuan pembelaaran; adalah bobot onesi antara sel e sel ; z adalah sinyal eluaran unit tersembunyi; f fungsi ativasi; y sinyal eluaran pembelaaran; t sinyal eluaran target (referensi); δκ sinyal esalahan (error); α onstanta lau pembelaaran; dan q iterasi e-q. Dasar algoritma ini adalah memodifiasi bobot interonesi pada aringan sehingga sinyal esalahan mendeati nol. Fungsi ativasi yang sering digunaan dalam JST adalah fungsi linear (purelin), fungsi binary sigmoid (logsig) atau disebut uga logisti sigmoid, dan fungsi bipolar sigmoid (tansig) atau disebut uga fungsi hyperbolic tangent. Fungsi ativasi logsig dan tansig sering digunaan dalam propagasi bali. Fungsi ativasi logsig memilii rentang data (,1) sedangan untu fungsi ativasi tansig memilii rentang data (-1,1). Dengan demiian data deret atu yang ada harus ditransformasi terlebih dahulu pada rentang data tersebut. Secara umum, aringan seperti ini terdiri dari seumlah unit neuron sebagai lapisan input, satu atau lebih lapisan simpul-simpul neuron omputasi hidden (lapisan tersembunyi), dan sebuah lapisan simpul-simpul neuron omputasi output. Sinyal input dipropagasian e arah depan (arah lapisan output), lapisan demi lapisan. Jenis aringan ini adalah hasil generalisasi dari arsitetur perceptorn satu lapisan, adi biasa disebut sebagai multilayer perceptorn (MLPs). 8 Grafi Fenomena Jumlah Penderita DBD Berdasaran Curah Huan, Kelembaban dan Suhu di Kabupaten Sleman dari Tahun 25 s.d Watu (Tahun-Bulan) Jumlah Penderita Curah Huan (mm) Kelembaban (%) Suhu ( C ) Gambar 1. Grafi fenomena umlah asus penderita DBD Kab. Sleman berdasaran pola curah huan, suhu, dan elembaban dari tahun
3 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Input x i (q) z (q) Gambar 2. Blo diagram algoritma pembelaaran propagasi bali. Error bac propagation adalah algoritma MLPs yang menggunaan prinsip supervised learning. Propagasi bali (e arah lapisan input) teradi setelah aringan menghasilan output yang mengandung error. Pada fase ini seluruh bobot synaptic (yang tida memilii ativasi nol) dalam aringan aan disesuaian untu mengoresi/memperecil error yang teradi (error correction rule). Untu pelatihan aringan, pasangan fase propagasi e depan dan bali dilauan secara berulang untu satu set data latihan, emudian diulangi untu seumlah epoch (satu sesi leatan untu seluruh data latihan dalam sebuah proses pelatihan aringan) sampai error yang teradi mencapai batas ecil toleransi tertentu atau nol. Adapun Algoritma pelatihan propagasi bali adalah sebagai beriut [8]: Inisialisasi bobot. Keraan langah-langah beriut selama ondisi berhenti bernilai false: 1. Untu tiap-tiap pasangan elemen yang aan dilauan pembelaaran, eraan: Feed-forard: a. Tiap-tiap unit masuan (x i, i=1,2,3,,n) menerima sinyal masuan xi (berupa 3 parameter data masuan), dan menerusan sinyal tersebut e semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). b. Tiap-tiap unit tersembunyi (z, =1,2,3,,p) menumlahan sinyal-sinyal masuan terbobot: n z _ in v x v (1) f q 1 q z q Error q o i 1 Gunaan fungsi ativasi untu menghitung sinyal eluaran-nya: z =f(z_in ) (2) dan iriman sinyal tersebut e semua unit di lapisan atasnya (unit output). c. Tiap-tiap unit eluaran (y, =1, 2, 3,, m) menumlahan sinyal-sinyal masuan terbobot: y _ in o y (q) i i (3) gunaan fungsi ativasi untu menghitung sinyal eluaran-nya: y =f(y_in ) (4) dan iriman sinyal tersebut e semua unit di lapisan atasnya (unit-unit output). n 1 Output target t z Propagasi Bali: d. Tiap-tiap unit eluaran (y, =1,2,3,,m) menerima target referensi (berupa data target), untu dihitung informasi error-nya: t y f ' y _ in (5) emudian hitung oresi bobot (yang nantinya aan digunaan untu memperbaii nilai ): z (6) hitung uga oresi bias (yang nantinya aan digunaan untu memperbaii nilai o ): (7) o iriman δ ini e unit-unit yang ada di lapisan baahnya. e. Tiap-tiap unit tersembunyi (z, =1,2,3,,p) menumlahan delta masuannya (dari unit-unit yang berada pada lapisan atasnya): m _ in (8) i 1 alian nilai ini dengan turunan dari fungsi ativasinya untu menghitung informasi error: _ in f ' z _ in (9) emudian hitung oresi bobot (yang nantinya aan digunaan untu memperbaii nilai v i ): v x (1) i i hitung uga oresi bias (yang nantinya aan digunaan untu memperbaii nilai v o ): v (11) o f. Tiap-tiap unit eluaran (y, =1,2,3,,m) memperbaii bias dan bobotnya (=1,2,3,,p): baru lama (12) Tiap-tiap unit tersembunyi (z, =1,2,3,,p) memperbaii bias dan bobotnya (i=,1,2,3,,n): v baru v lama v (13) g. Tes ondisi berhenti i Pada aian predisi asus DBD ini, JST yang dibangun adalah menggunaan metode propagasi bali (Bac Propagation) dengan momentum. Jaringan syaraf ini terdiri dari lapisan input, terdiri atas 3 neuron, yang meaili 3 (tiga) parameter masuan yaitu: rerata curah huan bulanan, rerata suhu bulanan dan rerata elembaban bulanan. Dua lapisan tersembunyi, dimana lapisan tersembunyi pertama terdiri atas 1 neuron dengan fungsi ativasi tansig, sedangan lapisan tersembunyi edua terdiri atas 5 neuron dengan ativasi logsig. Lapisan output terdiri 1 neuron dengan fungsi ativasi purelin. Adapun disain model aringan tersebut dapat dilihat pada Gambar Simulasi predisi dengan aringan syaraf tiruan Jaringan syaraf tiruan yang dibangun ini emudian aan dilatih dan diui, hasil penguian aan digunaan untu mempredisian umlah asus DBD. Data latih yang aan i i 37
4 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan digunaan pada penelitian ini sebanya 36 bulan untu masing-masing parameter yaitu data dari tahun dan data ui sebanya 16 bulan dari periode bulan 28 sampai dengan 29 (Gambar 1). Curah huan Atual/Predisi Atual/Predisi Kasus DBD A Suhu Gambar 3. Disain model aringan syaraf tiruan yang dibangun untu predisi umlah asus DBD Hasil predisi dengan aringan syaraf tiruan dianggap bai ia memilii MSE (mean square error) yang ecil dan nilai orelasi r yang tinggi pada hasil pelatihan dan hasil penguiannya. III. HASIL DAN PEMBAHASAN Jaringan syaraf tiruan propagasi bali yang dibangun selama pembelaaran dalam simulasi dengan ombinasi 3 fungsi ativasi untu lapisan tersembunyi dan lapisan output, didapat hasil seperti yang ditunuan pada gambar data Atual data Predisi Hasil penguian dengan data pelatihan Kelembaban Lapisan Input Lapisan Lapisan Lapisan Output Tersembunyi Tersembunyi pertama edua menggunaan data pelatihan. Dari pelatihan yang dilauan dengan menggunaan data dari tahun 25 sampai dengan 27, didapat penguian terbai diperoleh dengan MSE pembelaaran dengan nilai orelasi r hasil data atual dan predisi sebesar,995 (Gambar 5). Gambar 5. Hubungan antara target T dengan output aringan A, untu data pelatihan Sedangan hasil penguian aringan seperti yang ditunuan pada Gambar 6 dengan menggunaan data set tahun 28 sampai dengan bulan 29 didapat MSE hasil penguian sebesar dengan nilai r =,989 (Gambar 7). Secara lengap hasil pelatihan dan penguian dapat dilihat pada Tabel 1 dan Tabel 2. Sedangan untu predisi tahun 29 sampai dengan 21 dapat dilihat pada Gambar 8 dan Tabel 3. Untu hasil predisi, data masuan yang dipaai adalah data silus ilim 5 tahunan di abupaten Sleman R =.995 Best Linear Fit: A = (.988) T + (.336) T Hasil penguian dengan data test Data Points Best Linear Fit A = T data atual data predisi Data Bulan 25 - Bulan 27 Gambar 4. Perbandingan antara target dengan output aringan, untu data pelatihan Secara umum predisi model (predict in sample) dengan data pelatihan memperlihatan esesuaian yang sangat bai. Hal ini dapat dilihat bai secara visual dimana pola dari nilai predisi sangat deat dengan data aslinya. Gambar 4 merupaan hasil pembelaaran aringan dengan Data bulan Jaunari Gambar 6. Perbandingan antara target dengan output aringan, untu data pelatihan Berdasaran data atual terlihat baha umlah penderita meningat sesuai umlah curah huan dan berurang sesuai curah huan. Kasus meningat untu 3 tahun terahir pada bulan yaitu setelah adanya peningatan curah huan yang dimulai ahir November. 38
5 Predisi A Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Gambar 7. Hubungan antara target T dengan output aringan A,, untu data penguian Hasil predisi di tahun 29 menunuan baha adanya enaian umlah asus penderita DBD di abupaten Sleman teradi di ahir bulan November seiring dengan meningatnya curah huan. Hal ini diarenaan curah huan aan menambah genangan air sebagai tempat perinduan, menambah elembaban udara terutama daerah pantai, elembaban udara menambah ara terbang nyamu dan umur nyamu [5]. Namun hasil predisi pada tahun 21 menunuan baha enaian umlah asus aan teradi pada bulan, arena ini emunginan adanya flutuasi ilim sesuai pola silus musim 5 tahunan yang teradi dan uga mempertimbangan emunginan teradinya anomali ilim R =.989 Best Linear Fit: A = (.984) T + (.589) Data Points Best Linear Fit A = T T Hasil predisi Bulan 29 - Bulan 21 Gambar 8. Hasil predisi umlah asus penderita DBD Kab. Sleman Selain itu, menurut [9] di Indonesia, fator curah huan itu mempunyai hubungan erat dengan lau peningatan populasi di lapangan. Pada musim emarau banya barang beas seperti aleng, gelas plasti, ban beas, eler plasti, dan seenisnya yang dibuang atau ditaruh tida teratur di sebarang tempat. Sasaran pembuangan atau penaruhan barang-barang beas tersebut biasanya di tempat terbua seperti lahan-lahan osong atau lahan tidur yang ada di daerah perotaan maupun di daerah perdesaan. Fenomena lahan tidur dan lahan osong sering menadi tempat pembuangan sampah rumah tangga termasu barang aleng yang potensial sebagai tempat pembiaan nyamu. Dengan demiian populasi nyamu meningat drastis pada aal musim huan yang diiuti oleh meningatnya asus DBD di daerah tersebut. Dengan mempertimbangan hasil-hasil yang diperoleh dalam aian ini dan uga pertimbangan hasil-hasil dari penelitian para peneliti sebelumnya, metode ini dapat diharapan untu mendapatan suatu predisi yang lebih bai dan lebih aurat untu tahun-tahun mendatang. Untu aian lebih lanut, perlu dipertimbangan pengambilan data tambahan sebagai data masuan untu dapat menghasilan predisi yang lebih bai untu asus serupa. Parameter tambahan ini dapat meliputi indes onvensional yang digunaan untu memantau populasi vetor untu transmisi virus dengue, seperti House Index (HI), Container Index (CI), Breteau Index (BI) dan Aburas Index untu menguur populasi nyamu deasa. IV. Kesimpulan Kesimpulan yang dapat diambil berdasaran aian ini adalah sebagai beriut: 1. Algoritma aringan syaraf tiruan propagasi bali dapat diembangan sebagai metode pengembangan sistem predisi asus DBD. 2. Hasil pelatihan terbai dari aringan syaraf tiruan yang dibangun diperoleh dengan MSE pembelaaran dengan nilai orelasi r hasil data atual dan predisi sebesar,995 dan penguian dengan menggunaan data set tahun 28 sampai dengan bulan 29 didapat MSE hasil penguian sebesar dengan nilai r =, Hasil predisi di tahun 29 menunuan baha adanya enaian umlah asus penderita DBD di abupaten Sleman teradi di ahir bulan November seiring dengan meningatnya curah huan. Daftar Pustaa [1] Departemen Kesehatan RI, 1982, Penanggulangan Demam Berdarah Dengue. Dep. Kes RI. [2] Haryanto, 27. Musim Huan Perlu Waspada aan penyait Demam Berdarah Dengue (DBD) Sleman.go.id/berita.php?id_nes=77 [3] Chin J. 2. Control of communicable disease manual. 17 th ed. Washington DC: American Public Health Association; [4] Departemen Kesehatan RI, 199. Survey Entomologi Demam Berdarah Dengue. Dep. Kes RI [5] Gunandini, D. 22. Disertasi : Kemampuan Hidup Populasi Alami Nyamu Aedes Aegypti. Institute Tehnologi Bandung. [6] WHO, 2 Pencegahan dan Penanggulangan Penyait Demam Berdarah Dengue. Terermahan dari WHO Regional Publication SEARO No.29 : Prevention Control of Dengue and Dengue Haemorrhagic Fever. Depes RI, Jaarta. [7] Cetiner B. Gultein, Murat Sari and Hani M. Aburas, 29. Recognition Of Dengue Disease Patterns Using Artificial Neural Netors, 5th International Advanced Technologies Symposium (IATS 9), Karabu, Turey [8] L.V. Fausett, 1994.Fundamentals of Neural Netors: Architectures, Algorithms, and Applications, Prentice-Hall. [9] Supartha, I W. 28. Orasi Ilmiah. Pengendalian Terpadu Vetor Virus Demam Berdarah Dengue, Aedes aegypti (Linn.) dan Aedes albopictus (Suse)(Diptera: Culicidae). Dies Natalis 28. Universitas Udayana 39
6 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Tahun Tahun Tabel 1. Hasil penguian dengan menggunaan data pelatihan Bulan Data Jumlah Penderita DBD Atual Predisi Atual Predisi Atual Predisi Tabel 2. Hasil penguian dengan menggunaan data set Bulan Data Jumlah Penderita DBD Atual Predisi Atual Predisi Tabel 3. Hasil predisi umlah asus penderita DBD Kab. Sleman dari bulan Bulan Tahun
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciPENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
Lebih terperinciSistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation
Sistem Peramalan Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Syaraf Tiruan Bacpropagation Anindita Septiarini 1 dan Nur Sya baniah 2 1 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman
Lebih terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG Oleh : M.Rizi.H.S, Andri Heryandi,S.T, Bambang Siswoyo,Ir,M.Si Jl. Dipati Uur Bandung Teni Informatia Universitas
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinciDany Candra Febrianto ) dan Hindayati Mustafidah )
Penerapan Jaringan Saraf Tiruan dengan Metode Pembelaaran Bacpropagation untu Mengetahui Tingat Kualifiasi Calon Siswa pada Sistem Informasi Penerimaan Siswa Baru di MAN 2 Banarnegara (Application of Artificial
Lebih terperinciSistem Informasi Peramalan Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST Backpropagation
1 Sistem Informasi Peramalan Beban Listri Janga Panang di Kabupaten Jember Menggunaan JST Bacpropagation Dodi Setiabudi Abstra Kebutuhan energi listri sebagai salah satu infrastrutur penting sangat diutamaan.
Lebih terperinci1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba
JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA Nurmalasari Rusmiati 1 Sistem Informasi, Faultas Ilmu Komputer, Universitas Gunadarma
Lebih terperinciSistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation
Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Sistem Penduung Keputusan Penerima Beasiswa SMK Menggunaan Metode Bacpropagation Teti Rohaeti 1, Yoyon Kusnendar Suprapto 2, Eo Mulyanto 3
Lebih terperinciMakalah Seminar Tugas Akhir
Pengaturan Kecepatan Motor DC Menggunaan Jaringan Syaraf Tiruan Feedforward Bacpropagation Sorihi *, Wahyudi **, Iwan Setiawan ** Abstra - Jaringan syaraf bacpropagation merupaan aringan syaraf yang telah
Lebih terperinciPENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER
PENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER Wiaria Gazali 1 ; Haryono Soeparno 2 1 Jurusan Matematia, Faultas Sains dan Tenologi, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS 1 Ihwannul Kholis, 2 Ahmad Rofii. 1 Universitas 17 Agustus 1945 Jaarta,
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinciModel Pembelajaran Off-Line Menggunakan Jaringan Syaraf Tiruan Untuk Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teknik Elektronika PENS 2009
Model Pembelaaran Off-Line Menggunaan Jaringan Syaraf Tiruan Untu Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teni Eletronia PENS 2009 Arie Setya Wulandari#, Eru Puspita S.T., M.Kom#2 # Jurusan
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciTEKNIK PERAMALAN TINGKAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN
TENI PERAMALAN TINGAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN Sri Mulyana Program Studi Ilmu omputer F MIPA UGM Seip Unit III Yogyaarta Telp (0274)546194 e-mail : smulyana@ugm.ac.id Abstra Tingat penualan
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETWORK DAN PRINCIPAL COMPONENT ANALYSIS
Jurnal Teni dan Ilmu Komputer SISTEM PENGENALAN AJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETORK DAN PRINCIPAL COMPONENT ANALYSIS FACE RECOGNITION SYSTEM USING BACKPROPAGATION ARTIFICIAL
Lebih terperinciBAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN
BAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN Kompetensi : 1. Mahasiswa memahami onsep pembelaaran dalam JST Sub Kompetensi : 1. Dapat mengetahui prinsip algoritma Perceptron 2. Dapat mengetahui
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING
APLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING Hendra William *), Achmad Hidayatno, and Aub Aulian Zahra Jurusan Teni Eletro, Universitas Diponegoro
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR)
PENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR) Oleh: ¹ HERLY MARDANI (000298) ² BAMBANG SISWOYO,
Lebih terperinciARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET
Prosiding SNaPP2012 : Sains, Tenologi, dan Kesehatan ISSN 2089-3582 ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET 1 John Maspupu 1 Pussainsa LAPAN, Jl Dr Dundunan No 133 Bandung
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN POLA GEOMETRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Muhamad Tonovan *, Achmad Hidayatno **, R. Rizal Isnanto ** Abstra - Pengenalan waah adalah
Lebih terperinciPERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION
PERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION Wellie Sulistanti Abstract- Tuuan dari penelitian ini untu mengapliasian cara era aringan syaraf tiruan dengan menggunaan
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciII. DASAR TEORI I. PENDAHULUAN
IMPLEMENTASI JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK UNTUK MENDETEKSI GOLONGAN DARAH PADA MANUSIA M. Fuad Latief *, R. Rizal Isnanto, Budi Setiyono Abstra - Membran sel darah manusia mengandung bermacam-macam
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciPENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT
PENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT Oleh : DONNY WAHYU SAPUTRO G06499031 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 terperinciKAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Media Informatia, Vol. 5, No. 2, Desember 2007, 99-111 ISSN: 0854-4743 KAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Anita Desiani Jurusan Matematia,
Lebih terperinciAPLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES. : Agus Sumarno NRP :
APLIKASI WAELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES Nama : Agus Sumarno NRP : 06 00 706 Jurusan : Matematia Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si Abstra Model time series
Lebih terperinciAPLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA ABSTRACT
APLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA Manyu Fauzi, Minarni Nur Trilita Mahasiswa S3 MRSA, Jurusan Teni Sipil-ITS dan Pengaar Jurusan Teni Sipil Univ. Riau Mahasiswa S3
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
Lebih terperinciAKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA
AKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA Aris Puji Widodo, Suhartono 2, Eo Adi Sarwoo 3, dan Zulfia Firdaus 4,2,3,4 Departemen Ilmu Komputer/Informatia,
Lebih terperinciPENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION Praditya Firmansyah *, Wahyul Amien Syafei**, Iwan
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciBAB II PENGENALAN WAJAH
BAB II PENGENALAN WAJAH Sistem pengenalan waah dapat dibagi menadi empat tahap, yaitu tahap pengolahan citra, detesi waah, estrasi fitur dan tahap pengenalan waah. Pada tugas ahir ini aan lebih diteanan
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciAplikasi Neural-Fuzzy pada Regresi Interval untuk Data Time Series
Apliasi Neural-Fuzzy paa Regresi Interval untu Data Time Series Sri Kusumaewi Jurusan Teni Informatia, Universitas Islam Inonesia, Yogyaarta Jl. Kaliurang K, 4, Yogyaarta (04 E-mail : cicie@fti.uii.ac.i
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN
Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan PREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN Rudy Ansari STMIK Indonesia Banarmasin e-mail: rudy.ansari@gmail.com ABSTRAK
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Tiruan 2.1.1. Latar Belaang Jaringan Syaraf Tiruan dibuat pertama ali pada tahun 1943 oleh neurophysiologist Waren McCulloch dan logician Walter Pits, namun tenologi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciKecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Wajah (Face Recognition)
No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional Kecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Waah (Face Recognition) Wawan Setiawan (Universitas Pendidian
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 terperinciPENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Sutino 1, Helmie Arif Wibawa 2, Priyo Sidi Sasongo 3 123 Jurusan Ilmu Komputer/Informatia, FSM,
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
MAKALAH SEMINAR TUGAS AKHIR Peramalan Kebutuhan Beban Janga Pende Menggunaan Jaringan Syaraf Tiruan Bacpropagation Oleh : Dinar Atia Sari (L2F002572) Jurusan Teni Eletro Faultas Teni Universitas Diponegoro
Lebih terperinciPENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC. Oleh:
1 PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC Oleh: NURHADI SUSANTO G64103059 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
Lebih terperinciz_in ( ) dan mengaplikasikan fungsi aktivasi untuk menghitung sinyal output ( ) Propagasi balik:
LAMPIRAN 4 Lampiran Algoritma aringan syaraf tiruan propagasi balik Langkah 0 Inisialisasi bobot Langkah Selama kondisi berhenti bernilai salah, lakukan langkah -9. Langkah Untuk setiap pasangan, lakukan
Lebih terperinciEstimasi Harga Saham Dengan Implementasi Metode Kalman Filter
Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B
Lebih terperinciProsiding Semirata FMIPA Universitas Lampung, 2013
Sistem Pengenalan Nomor Plat Kendaraan Berbasis Foto Diital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunaan Algoritma Bacpropagation Zaiful Bahri, Suamto dan Joo Risanto Jurusan Matematia
Lebih terperinciBAB 2 LANDASAN TEORI. relevan, lengkap, dan terkini sejalan dengan permasalahan yang dihadapi. Di sini juga
BAB 2 LANDASAN TEORI Dalam landasan teori ini, pada dasarnya aan dielasan mengenai teori yang relevan, lengap, dan terini sealan dengan permasalahan yang dihadapi. Di sini uga terdapat hubungan antara
Lebih terperinciPENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI
PENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciSISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN
SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN Julian Supardi, Rz. Abdul Aziz, Syepriansyah Seolah Tggi Manaemen Informatia dan Komputer Darmaaya Jl. Z.A Pagar Alam No. 93 Bandar Lampung Indonesia
Lebih terperinciSTUDI KOMPARASI IMPLEMENTASI JARINGAN BASIS RADIAL DAN FUZZY INFERENCE SYSTEM TSK UNTUK PENYELESAIAN CURVE FITTING
STUDI KOPARASI IPEENTASI JARINGAN BASIS RADIA DAN FUZZY INFERENCE SYSTE TSK UNTUK PENYEESAIAN CURVE FITTING Sri Kusumadewi Teni Informatia Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyaarta cicie@fti.uii.ac.id
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciAPLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia APLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciModifikasi ACO untuk Penentuan Rute Terpendek ke Kabupaten/Kota di Jawa
187 Modifiasi ACO untu Penentuan Rute Terpende e Kabupaten/Kota di Jawa Ahmad Jufri, Sunaryo, dan Purnomo Budi Santoso Abstract This research focused on modification ACO algorithm. The purpose of this
Lebih terperinciPerbandingan Arsitektur Multilayer Feedforward Network dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array
Nico Saputro Perbandingan Arsitektur Multilayer Feedforard Netork dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array Abstrak Jaringan Syaraf Tiruan dapat diimplementasikan secara perangkat
Lebih terperinciDETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN
Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: 1979-911X Yogyaarta, 11 Desember 2010 DETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN Uning Lestari
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.
Lebih terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
Lebih terperinciPERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI
PERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciPenerapan Sistem Persamaan Lanjar untuk Merancang Algoritma Kriptografi Klasik
Penerapan Sistem Persamaan Lanjar untu Merancang Algoritma Kriptografi Klasi Hendra Hadhil Choiri (135 08 041) Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciPrediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada Toko Buku Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation
Predisi Perilau Pola Pengunjung Terhadap Transasi Pada Too Buu Gramedia Menggunaan Jaringan Syaraf Tiruan Metode Bac Propagation Iriansyah BM Sangadji Teni Informatia STT PLN Jl Lingar Luar Duri Kosambi
Lebih terperinciEstimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) 337-35 (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani
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 terperinciAPLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK. Tesis
APLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Tesis Program Studi Teni Eletro Jurusan Ilmu-ilmu Teni disusun oleh : Wiwien Widyastuti 8475/I-/820/02 PROGRAM PASCASARJANA
Lebih terperinciRESPONS ALIRAN MASUK KE DANAU TOWUTI OLEH CURAH HUJAN DI WAWONDULA DAN SEKITARNYA DIANALISA DENGAN ARTIFICIAL NEURAL NETWORK
Respons Aliran Masu Danau Towuti..(Kudsy) 87 RESPONS ALIRAN MASUK KE DANAU TOWUTI OLEH CURAH HUJAN DI WAWONDULA DAN SEKITARNYA DIANALISA DENGAN ARTIFICIAL NEURAL NETWORK Mahally Kudsy dan Moh. Husni INTISARI
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciIII DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT
III DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT 3.1 Studi Literatur tentang Pengelolaan Sampah di Beberapa Kota di Dunia Kaian ilmiah dengan metode riset operasi tentang masalah
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciBAB 3 METODE PENELITIAN
36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye
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 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 terperinciBAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperinciPengambilan Data dan Analisis
METODOLOGI PENELITIAN Watu dan Loasi Penelitian Penelitian dilasanaan mulai bulan November 2003 sampai dengan Juni 2004 di Kecamatan Rengasdenglo, Telagasari dan Cilamaya Kabupaten Karawang Jawa Barat
Lebih terperinciMENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE
MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE Desfrianta Salmon Barus - 350807 Jurusan Teni Informatia, Institut Tenologi Bandung Bandung e-mail: if807@students.itb.ac.id ABSTRAK
Lebih terperinciADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoko Sumaryono ABSTRACT
Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 6 ADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoo Sumaryono ABSTRACT Noise is inevitable in communication
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciTRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI
TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciIDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR. Gumgum Darmawan Statistika FMIPA UNPAD
JMP : Vol. 9 No. 1, Juni 17, hal. 13-11 ISSN 85-1456 IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR Gumgum Darmawan Statistia FMIPA UNPAD gumgum@unpad.ac.id Budhi Handoo Statistia
Lebih terperinciDESAIN SENSOR KECEPATAN BERBASIS DIODE MENGGUNAKAN FILTER KALMAN UNTUK ESTIMASI KECEPATAN DAN POSISI KAPAL
DESAIN SENSOR KECEPAAN BERBASIS DIODE MENGGUNAKAN FILER KALMAN UNUK ESIMASI KECEPAAN DAN POSISI KAPAL Alrijadjis, Bambang Siswanto Program Pascasarjana, Jurusan eni Eletro, Faultas enologi Industri Institut
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 terperinci