BAB IV IMPLEMENTASI DAN EVALUASI. Bab ini menguraikan proses implementasiuntuk tahap pelatihanneural networks,
|
|
- Glenna Pranoto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB IV IMPLEMENTASI DAN EVALUASI Bab ini menguraikan proses implementasiuntuk tahap pelatihanneural networks, pengenalan not, pembangkitan not, dan tahap evaluasi. Aplikasi yang digunakan untuk pengujian ini dibuat dengan bahasa pemrograman C++.Pada penelitian ini spesifikasi sistem perangkat keras dan lunak yang digunakan adalah sebagai berikut : a. Processor Intel dual core 2.0 GHz b. DDR3 RAM 2GB c. Hard Disk 80 GB d. Monitor 15 e. Speaker dan headset f. Microphone g. Keyboard dan mouse h. Microsoft Windows 7 i. Microsoft Visual C Express Edition Spesifikasi di atas merupakan sistem komputer yang tidak mutlak dibutuhkan untuk menjalankan aplikasi pengujian pada penelitian ini. Perancangan, pembuatan, dan percobaan sistem ini dilakukan dengan menggunakan software Visual C++ dan diawali dengan sampling, quatization, transformasi fourier, encoding, proses training dan aplikasi Jaringan Syaraf Tiruan atau Neural Networks dan hasil output yang merupakan pembangkitan not. 72
2 Implementasi Bagian ini menguraikan tentang implementasi trainingneural networks,pengenalan not,dan proses pembangkitan not, serta implementasi dari rancangan layar dengan cara pengoperasian pada masing-masing bagian menu dan proses-proses yang terjadi selama sistem berjalan Implementasi Pelatihan Neural Networks dan Pengenalan Not Pelatihan not-not pada piano dilakukan dengan menggunakan metode trainingneural networks pada program C++.Setelah itu dilakukan proses pengenalan not dengan membandingkan inputyang ingin dikenali notnya dengan hasil training Pengubahan Not MenjadiVektor (pada TRAINING) Pada proses rekam, suara piano yang berbentuk sinyal analog direkam kemudian disimpan dalam bentuk WAV. Pada proses penyimpanan file dalam bentuk WAV, dilakukan sampling, quantitation, dan encoding. Dilakukan proses FFT (Fast Fourier Transform) pada suara piano yang telah melewati proses encodinguntuk mendapatkan komponen-komponen frekuensi dari not yang ada pada suara tersebut. Frekuensi not ditentukan dengan cara mencari komponen frekuensi yang memiliki amplitudo/simpangan terpanjang paling besar.selanjutnya, frekuensi not yang telah didapat dari proses FFT diubah dalam bentuk kode untuk menjadi inputdalamtrainingneural Networks. Kode yang digunakan untuk inputtrainingneural Networks ini adalah not dasar beserta posisi not pada piano (posisi urutan oktaf pada piano). Suara-suara not yang didaftarkan dan nilai kode masingmasing not untuk inputneural Networks dapat dilihat pada tabel 4.1.
3 74 Posisi urutan oktaf diberi kode sesuai dengan letak not tersebut pada piano.notnot yang digunakan untuktraining berada di oktaf ke-4 dan ke-5sehingga kode untuk posisi oktaf adalah 0.4 dan 0.5. Sebagai contoh, kode untuk not C yang digunakan dalam Neural Networks adalah [ ]. No. Tabel 4.1 List suara not yang didaftarkan beserta nilai kode-nya Suara not yang didaftarkan Kode Input NN 1 C C# D D# E F F# G G# A A# B C C# D D# E F F# G G# A A# B Dalam pelatihan atau trainingneural Networks pada sistem digunakan 12 sampel suara not. Sampel suara not yang di training kemudian digunakan untuk proses
4 75 pembelajaran pengenalan not pada input data yang baru serta proses aplikasi Neural Networks dengan metode Backpropagation dan dilakukan secara berulang-ulang, sehingga not-not tersebut dapat dikenali oleh sistem dan sistem dapat mengeluarkan output berupa not balok yang merupakan not dari input data yang masuk. Ketika pengguna memasukkan lagu instrumen piano sebagai input melalui file yang telah ada dalam komputer pengguna atau merekam suara piano, sistem melakukan proses pengenalan pada not-not yang terdapat pada lagu tersebut, kemudian not yang berhasil dikenali dibangkitkan dalam bentuk partitur atau not balok Cara Kerja Neural Networks (Pengenalan not pada APLIKASI) Pada proses pelatihan data dilakukan proses pembelajaran 12 not pada Jaringan Syaraf Tiruan atau Neural Networks, yaitu C, C#, D, D#, E, F, F#, G,G#, A, A#, dan B seperti yang telah dijelaskan pada bagian sebelumnya, kemudian NeuralNetworksmengubah bobot(weight) untuk mendapat output sesuai dengan target pembelajaran (target output). Sebelum proses pengenalan not (recognize), pengguna harus terlebih dahulu memasukkan input ke dalam sistem. Input didapatkan dengan cara merekam suara piano dan kemudian disimpan dalam bentuk WAV atau dengan membuka file lagu (format WAV) yang telah tersimpan dalam komputer pengguna. Setelah itu, sistem dapat melakukan tahapan pengenalan not pada file suara yang telah diinput pengguna. Kemudian pada file suara tersebut akan dilakukan FFT seperti proses pelatihan data dan ditentukan frekuensi dari not-not tersebut. Frekuensi not yang telah ditemukan dari proses FFT diubah dalam bentuk kode seperti yang telah dijelaskan sebelumnya akan menjadi input dari Neural Networks.Neural Networks yang menerima input berupa
5 76 frekuensi dan posisi oktaf akan mengeluarkan output berupa kode outputnot dalam bentuk vektor. a. Arsitektur dan Perhitungan Neural Networks Backpropagation Topologi atau pola hubungan antar neuron / node yang digunakan terdiri dari 1 lapisan input (inputlayer), 1 lapisan tersembunyi (hiddenlayer), dan 1 lapisan output (outputlayer) dengan (2 neuron pada lapisan input, 6neuron pada lapisan hidden, 5neuron pada lapisan output). Hidden Layer = (2 * InputLayer) / 3 + OutputLayer... 1 Hidden Layer = (2 * 2) / = 6,33 = 6 Dimensiinputlayer (Xi) atau n adalah 2, dimensi outputlayer (Yi) atau k adalah 6, dan dimensi hiddenlayer (Zi) atau p adalah 5. Dimana n p k. n dan m ditentukan berdasarkan jumlah karakteristik objek yang ingin diteliti. Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner karena fungsi sigmoid biner mempunyai rentang nilai output antara 0 sampai 1. Perhitungan NeuralNetworks disesuaikan dengan algoritma training dan algoritma aplikasi. Gambar 4.1 merupakan gambar arsitektur jaringan Backpropagation dengan notasi-notasi lengkap :
6 77 Gambar 4.1 Arsitektur Jaringan Backpropagation Gambar 4.1 dibuat setelah menentukan dimensi input, hidden, dan outputlayer. Node 1 merupakan sinyal bias, v dan w merupakan matriks bobot, sedangkan V 0p dan W 0k merupakan matriks bias. Sebelum menentukan inisialisasi nilai matriks bobot dan bias, ditentukan pasangan pola Xi dan Yi.Xi didapatkan dari representasi input dalam bentuk vektor danyi didapatkan dari pengkodean output dalam bentuk vektor. Berikut pola (Xi,Yi) yang akan disimpan dalam Neural Networks model Backpropagation :
7 78 Pasangan pola Xi,Yi yang disimpan di NN Backpropagation X 1 = ( ) X 13 = ( ) Y 1 = ( ) Y 13 = ( ) X 2 = ( ) X 14 = ( ) Y 2 = ( ) Y 14 = ( ) X 3 = ( ) X 15 = ( ) Y 3 = ( ) Y 15 = ( ) X 4 = ( ) X 16 = ( ) Y 4 = ( ) Y 16 = ( ) X 5 = ( ) X 17 = ( ) Y 5 = ( ) Y 17 = ( ) X 6 = ( ) X 18 = ( ) Y 6 = ( ) Y 18 = ( ) X 7 = ( ) X 19 = ( ) Y 7 = ( ) Y 19 = ( ) X 8 = ( ) X 20 = ( ) Y 8 = ( ) Y 20 = ( ) X 9 = ( ) X 21 = ( ) Y 9 = ( ) Y 21 = ( ) X 10 = ( ) X 22 = ( ) Y 10 = ( ) Y 22 = ( ) X 11 = ( ) X 23 = ( ) Y 11 = ( ) Y 23 = ( ) X 12 = ( ) X 24 = ( ) Y 12 = ( ) Y 24 = ( ) Berdasarkan pasangan-pasangan pola Xi,Yi yang disimpan di NN Backpropagation,target outputuntuk masing-masing not adalah sebagai berikut, untuk not C pada oktaf ke-4 (C4) adalah ( ), untuk not C# pada oktaf ke-4 adalah ( ), untuk not D pada oktaf ke-4 target outputnya ( ),demikian seterusnya hingga not B targetoutputnya( ). Sedangkan untuk not C pada oktaf ke-5, targetoutputnya adalah ( ), untuk not C# oktaf ke-5 adalah ( ), demikian seterusnya hingga not B oktaf ke-5 target outputnya ( ). Selanjutnya, dengan menggunakan algoritma training, yang dimulai dari proses feedforward,dilakukan langkah ketiga, yaitumemberikan nilai awal atau inisialisasi random dari 0 sampai dengan 0,5 pada bobot v dan w serta biasnya. v = 0,3 0,5 0,2 0,1 0,4 0,3 0,5 0,4 0,1 0,1 0,2 0,4
8 79 v 0 = [0,1 0,3 0,1 0,1 0,5 0,2] w = 0,1 0,2 0,5 0,3 0,1 0,2 0,5 0,1 0,3 0,5 0,5 0,1 0,3 0,1 0,1 0,3 0,4 0,2 0,1 0,4 0,1 0,1 0,1 0,5 0,2 0,1 0,4 0,2 0,1 0,5 w 0 = [0,2 0,4 0,1 0,1 0,2] Setelah menentukan inisialisasi matriks bobot dan bias, lakukan langkah keempat untuk setiap unit tersembunyi (Zj, j = 1,,p) jumlahkan sinyal masukan terbobot.berikut merupakan penjumlahan sinyal masukan terbobot unit tersembunyi. Z_in 1 = V 01 + X 1. V 11 + X 2. V 21 = 0,1 + 0,02. 0,3 + 0,4. 0,5 = 0,306 Z_in 2 = V 02 + X 1. V 12 + X 2. V 22 = 0,3 + 0,02. 0,5 + 0,4. 0,4 = 0,47 Z_in 3 = V 03 + X 1. V 13 + X 2. V 23 = -0,1 + 0,02. 0,2 + 0,4. 0,1 = 0,144 Z_in 4 = V 04 + X 1. V 14 + X 2. V 24 = 0,1 + 0,02. 0,1 + 0,4. 0,1 = 0,142 Z_in 5 = V 05 + X 1. V 15 + X 2. V 25 = 0,5 + 0,02. 0,4 + 0,4. 0,2 = 0,588 Z_in 6 = V 06 + X 1. V 16 + X 2. V 26 = 0,2 + 0,02. 0,3 + 0,4. 0,4 = 0,366 Z in adalah hasil perjumlahan matriks bias (v 0 ) ditambah dengan perkalian nilai input dan matriks bobot v. Kemudian diterapkan fungsi aktivasi untuk menghitung keluarannya. Fungsi aktivasi yang diterapkan adalah fungsisigmoid biner, sehingga digunakan fungsi aktivasi sigmoid biner untuk menghitung sinyal outputnya. Z 1 =, = 0,58
9 80 Z 2 = Z 3 = Z 4 = Z 5 = Z 6 =, = 0,62, = 0,48, = 0,52, = 0,64, = 0,59 Setelah sinyal outputnya didapatkan, sinyal-sinyal tersebut dikirimkan ke semua unit di lapisan atasnya (unit-unit output).langkah kelimadalam algoritma training yaitu, untuk setiap unit keluaran (Yk,k = 1,,m) jumlahkan sinyal masukan terbobotnya. Y_in 1 = W 01 + Z 1. W 11 + Z 2. W 21 + Z 3. W 31 + Z 4. W 41 + Z 5. W 51 + Z 6. W 61 = 0,2 + 0,58. 0,1 + 0,62. 0,2 + 0,48. 0,5 + 0,52. 0,3+ 0,64. 0,1 + 0,59. 0,1 = 0,933 Y_in 2 = W 02 + Z 1. W 12 + Z 2. W 22 + Z 3. W 32 + Z 4. W 42 + Z 5. W 52 + Z 6. W 62 = 0,2 + 0,58. 0,2 + 0,62. 0,5 + 0,48. 0,1 + 0,52. 0,4 + 0,64. 0,1 + 0,59. 0,4 = 1,161 Y_in 3 = W 03 + Z 1. W 13 + Z 2. W 23 + Z 3. W 33 + Z 4. W 43 + Z 5. W 53 + Z 6. W 63 = 0,2 + 0,58. 0,5 + 0,62. 0,1 + 0,48. 0,3 + 0,52. 0,2 + 0,64. 0,1 + 0,59. 0,2 = 0,732 Y_in 4 = W 04 + Z 1. W 14 + Z 2. W 24 + Z 3. W 34 + Z 4. W 44 + Z 5. W 54 + Z 6. W 64 = 0,2 + 0,58. 0,3 + 0,62. 0,3 + 0,48. 0,1 + 0,52. 0,1 + 0,64. 0,5 + 0,59. 0,1 = 0,513 Y_in 5 = W 05 + Z 1. W 15 + Z 2. W 25 + Z 3. W 35 + Z 4. W 45 + Z 5. W 55 + Z 6. W 65 = 0,2 + 0,58. 0,1 + 0,62. 0,5 + 0,48. 0,1 + 0,52. 0,4+ 0,64. 0,2 + 0,59. 0,5 = 0,560 Y in adalah hasil perjumlahan matriks bias (w 0 ) ditambah dengan perkalian nilai hidden dan matriks bobot w. Digunakan fungsi aktivasi sigmoid biner untuk menghitung sinyal outputnya.
10 81 Y 1 = Y 2 = Y 3 = Y 4 = Y 5 =, = 0,72, = 0,76, = 0,68, = 0,63, = 0,64 Setelah sinyal-sinyal outputy 1 sampai dengan Y 5 didapatkan, maka langkah Feedforward, yaitu melakukan perhitungan dari matriks input dan matriks bobot dalam algoritma training, telah selesai. Langkah selanjutnya, yaitu langkah keenam, tiap-tiap unitoutput (Yk,k=1,,m) menerima pola target yang berhubungan dengan pola input pembelajaran, lalu dihitung informasi errornya. )], δ 1 = (T 1 Y 1 ) (,) * [ 1 ( = (0 0,72) (0,72) (1 0,72) = -0,1454 δ 2 = (0 0,76) (0,76) (1 0,76) = -0,1383 δ 3 = (0 0,68) (0,68) (1 0,68) = -0,1481 δ 4 = (0 0,55) (0,63) (1 0,63) = -0,1465 δ 5 = (0 0,64) (0,64) (1 0,64) = -0,1473 T merupakan target pembelajaran, dan Y merupakan output. Setelah itu, dilakukan perhitungan koreksi bobot yang nantinya akan digunakan untuk memperbaiki nilai bobot w 11 sampai dengan w 65. Proses ini merupakan awal tahap backward atau langkah mundur, yaitu memperbaiki nilai bobot.untuk menghitung koreksi bobot w dibutuhkan learning rate. Konstanta laju belajar (learning rate) merupakan salah satu faktor yang dapat mempercepat atau dapat menjadi faktor penghambat proses training,
11 82 Konstanta laju belajar,yang seringdisebut sebagai α, digunakan sebagai konstanta pengali untuk mengatur besarnya nilai penyesuaian bobot pada setiap langkah pelatihan. Konstanta laju belajar yang digunakan adalah 0,7. w 11 sampai dengan w 65 merupakan koreksi bobot. Δw 11 = αδ 1 Z 1 = 0,7 (-0,1454) (0,58) = -0,0586 Δw 12 = αδ 2 Z 1 = 0,7 (-0,1383) (0,58) = -0,0558 Δw 13 = αδ 3 Z 1 = 0,7 (-0,1481) (0,58) = -0,0597 Δw 14 = αδ 4 Z 1 = 0,7 (-0,1465) (0,58) = -0,0591 Δw 15 = αδ 5 Z 1 = 0,7 (-0,1473) (0,58) = -0,0594 Δw 21 = αδ 1 Z 2 = 0,7 (-0,1454) (0,62) = -0,0626 Δw 22 = αδ 2 Z 2 = 0,7 (-0,1383) (0,62) = -0,0596 Δw 23 = αδ 3 Z 2 = 0,7 (-0,1481) (0,62) = -0,0638 Δw 24 = αδ 4 Z 2 = 0,7 (-0,1465) (0,62) = -0,0631 Δw 25 = αδ 5 Z 2 = 0,7 (-0,1473) (0,62) = -0,0634 Δw 31 = αδ 1 Z 3 = 0,7 (-0,1454) (0,54) = -0,0546 Δw 32 = αδ 2 Z 3 = 0,7 (-0,1383) (0,54) = -0,0519 Δw 33 = αδ 3 Z 3 = 0,7 (-0,1481) (0,54) = -0,0556 Δw 34 = αδ 4 Z 3 = 0,7 (-0,1465) (0,54) = -0,0550 Δw 35 = αδ 5 Z 3 = 0,7 (-0,1473) (0,54) = -0,0552 Δw 41 = αδ 1 Z 4 = 0,7 (-0,1454) (0,54) = -0,0545 Δw 42 = αδ 2 Z 4 = 0,7 (-0,1383) (0,54) = -0,0518 Δw 43 = αδ 3 Z 4 = 0,7 (-0,1481) (0,54) = -0,0555 Δw 44 = αδ 4 Z 4 = 0,7 (-0,1465) (0,54) = -0,0549 Δw 45 = αδ 5 Z 4 = 0,7 (-0,1473) (0,54) = -0,0552 Δw 51 = αδ 1 Z 5 = 0,7 (-0,1454) (0,64) = -0,0654 Δw 52 = αδ 2 Z 5 = 0,7 (-0,1383) (0,64) = -0,0622 Δw 53 = αδ 3 Z 5 = 0,7 (-0,1481) (0,64) = -0,0666 Δw 54 = αδ 4 Z 5 = 0,7 (-0,1465) (0,64) = -0,0659 Δw 55 = αδ 5 Z 5 = 0,7 (-0,1473) (0,64) = -0,0663 Δw 61 = αδ 1 Z 6 = 0,7 (-0,1454) (0,59) = -0,0601 Δw 62 = αδ 2 Z 6 = 0,7 (-0,1383) (0,59) = -0,0572 Δw 63 = αδ 3 Z 6 = 0,7 (-0,1481) (0,59) = -0,0612 Δw 64 = αδ 4 Z 6 = 0,7 (-0,1465) (0,59) = -0,0606
12 83 Δw 65 = αδ 5 Z 6 = 0,7 (-0,1473) (0,59) = -0,0609 Selain perhitungan koreksi bobot, dihitung pula koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai w 01 sampai dengan w 05 ) dengan menggunakan learningrate atau αsebesar 0,7. Δw 01 = αδ 1 = 0,7 (-0,1467) = -0,1018 Δw 02 = αδ 2 = 0,7 (-0,1464) = -0,0968 Δw 03 = αδ 3 = 0,7 (-0,1456) = -0,1037 Δw 04 = αδ 4 = 0,7 (-0,1356) = -0,1026 Δw 05 = αδ 5 = 0,7 (-0,1268) = -0,1031 Δw 01 sampaiδw 05 merupakan koreksi bias.kemudian nilai δ 1 sampai δ 5 dikirimkan ke unit-unit yang ada di lapisan bawahnya. Langkah ketujuh yaitu tiap-tiap hidden unit (Zj,j = 1,,p) menjumlahkan delta inputnya (dari unit yang berada pada lapisan atasnya). δ in1 = δ 1 w 11 + δ 2 w 12 + δ 3 w 13 + δ 4 w 14 + δ 5 w 15 = (-0,1454)(0,1) + (-0,1383)(0,2) + (-0,1481) (0,5) + (-0,1465) (0,3) + (-0,1473) (0,1) = -0,17492 δ in2 = δ 1 w 21 + δ 2 w 22 + δ 3 w 23 + δ 4 w 24 + δ 5 w 25 =-0,23063 δ in3 = δ 1 w 31 + δ 2 w 32 + δ 3 w 33 + δ 4 w 34 + δ 5 w 35 =-0,16034 δ in4 = δ 1 w 41 + δ 2 w 42 + δ 3 w 43 + δ 4 w 44 + δ 5 w 45 = -0,20212 δ in5 = δ 1 w 51 + δ 2 w 52 + δ 3 w 53 + δ 4 w 54 + δ 5 w 55 = -0,14589 δ in6 = δ 1 w 61 + δ 2 w 62 + δ 3 w 63 + δ 4 w 64 + δ 5 w 65 = -0,18776 Setelah mendapatkan δ in1 sampaiδ in6, nilai ini dikalikan dengan turunan dari fungsi aktivasinya untuk mengitung informasi errornya. Fungsi aktivasi yang digunakan adalah fungsi aktivasi sigmoid biner.turunan pertama dari fungsi ini adalah f (x) = σ f(x) [1 f(x)]
13 84 di mana σ merupakan parameter kecuraman yang diberikan, umumnya σ dipilih sama dengan 1. δ 1 = δ in1,[ 1 ( δ 2 = δ in2,[ 1 ( δ 3 = δ in2,[ 1 ( δ 4 = δ in3,[ 1 ( δ 5 = δ in4,[ 1 ( δ 6 = δ in5,[ 1 ( = (-0,17492) (0,58) (1-0,58) = -0,04272, = -0,05459, = -0,03988, = -0,05028, = -0,03349, = -0,0454, Kemudian, dihitung koreksi bobot yang nantinya akandigunakan untuk memperbaiki nilaiv 11 sampai denganv 26. ΔV 11 = αδ 1 X 1 = 0,7 (-0,04272) (0,02) = -0,0006 ΔV 12 = αδ 2 X 1 = 0,7 (-0,05459) (0,02) = -0,00076 ΔV 13 = αδ 3 X 1 = 0,7 (-0,03988) (0,02) = -0,00056 ΔV 14 = αδ 4 X 1 = 0,7 (-0,05028) (0,02) = -0,0007 ΔV 15 = αδ 5 X 1 = 0,7 (-0,03349) (0,02) = -0,00047 ΔV 16 = αδ 6 X 1 = 0,7 (-0,0454) (0,02) = -0,00064 ΔV 21 = αδ 1 X 2 = 0,7 (-0,04272) (0,4) = -0,01196 ΔV 22 = αδ 2 X 2 = 0,7 (-0,05459) (0,4) = -0,01528 ΔV 23 = αδ 3 X 2 = 0,7 (-0,03988) (0,4) = -0,01117 ΔV 24 = αδ 4 X 2 = 0,7 (-0,05028) (0,4) = -0,01408 ΔV 25 = αδ 5 X 2 = 0,7 (-0,03349) (0,4) = -0,00938 ΔV 26 = αδ 6 X 2 = 0,7 (-0,0454) (0,4) = -0,01271 Setelah perhitungan koreksi bobot untuk memperbaiki nilai v 11 sampai v 26, dilakukan juga perhitungan koreksi bias. ΔV 01 = αδ 1 = 0,7 (-0,02105) = -0,02991 ΔV 02 = αδ 2 = 0,7 (-0,03845) = -0,03821 ΔV 03 = αδ 3 = 0,7 (-0,03267) = -0,02791 ΔV 04 = αδ 4 = 0,7 (-0,0344) = -0,03519 ΔV 05 = αδ 5 = 0,7 (-0,00638) = -0,02345
14 85 ΔV 06 = αδ 6 = 0,7 (-0,02277) = -0,03178 Nilai v 01 sampaiv 06 merupakan nilai yang sudah diperbaiki dengan perhitungan koreksi bias. Langkah ke delapan, yaitu setiap unit output (Yk,k = 1,,m) memperbaiki bobot dan biasnya (j=1,,p), untuk mendapatkan nilai bobotv dan biasv 0 yang baru. Berikut ini adalah bobot v 11 sampaiv 26 yan g baru. V 11(baru) = V 11 (lama) + ΔV 11 = 0,3 + (-0,0006) = 0, V 12(baru) = V 12 (lama) + ΔV 12 = 0,5 + (-0,00076) = 0, V 13(baru) = V 13 (lama) + ΔV 13 = 0,2 + (-0,00056) = 0, V 14(baru) = V 14 (lama) + ΔV 14 = 0,1 + (-0,0007) = 0, V 15(baru) = V 15 (lama) + ΔV 15 = 0,4 + (-0,00047) = 0, V 16(baru) = V 16 (lama) + ΔV 16 = 0,3 + (-0,00064) = 0, V 21(baru) = V 21 (lama) + ΔV 21 = 0, V 22(baru) = V 22 (lama) + ΔV 22 = 0, V 23(baru) = V 23 (lama) + ΔV 23 = 0, V 24(baru) = V 24 (lama) + ΔV 24 = 0, V 25(baru) = V 25 (lama) + ΔV 25 = 0, V 26(baru) = V 26 (lama) + ΔV 26 = 0, Nilai bobot V 01 sampai V 06 merupakan nilai bias yang baru. V 01 (baru) = V 01 (lama) + ΔV 01 = 0, V 02(baru) = V 02 (lama) + ΔV 02 = 0, V 03(baru) = V 03 (lama) + ΔV 03 = 0, V 04(baru) = V 04 (lama) + ΔV 04 = 0, V 05(baru) = V 05 (lama) + ΔV 05 = 0, V 06(baru) = V 06 (lama) + ΔV 06 = 0,168218
15 86 Kemudian, setiap unit tersembunyi (Zj,j=1,,p) memperbaiki bobot dan biasnya (i=1,,n) untuk mendapatkan nilai bobot w dan bias w 0 yang baru.berikut merupakan nilai bobot W 11 sampai W 65 yang baru. W 11(baru) = W 11 (lama) + ΔW 11 = 0,0414 W 12(baru) = W 12 (lama) + ΔW 12 = 0,1442 W 13(baru) = W 13 (lama) + ΔW 13 = 0,4403 W 14(baru) = W 14 (lama) + ΔW 14 = 0,2409 W 15(baru) = W 15 (lama) + ΔW 15 = 0,0406 W 21(baru) = W 21 (lama) + ΔW 21 = 0,1374 W 22(baru) = W 22 (lama) + ΔW 22 = 0,4404 W 23(baru) = W 23 (lama) + ΔW 23 = 0,0362 W 24(baru) = W 24 (lama) + ΔW 24 = 0,2369 W 25(baru) = W 25 (lama) + ΔW 25 = 0,4366 W 31(baru) = W 31 (lama) + ΔW 31 = 0,4454 W 32(baru) = W 32 (lama) + ΔW 32 = 0,0481 W 33(baru) = W 33 (lama) + ΔW 33 = 0,2444 W 34(baru) = W 34 (lama) + ΔW 34 = 0,0450 W 35(baru) = W 35 (lama) + ΔW 35 = 0,0448 W 41(baru) = W 41 (lama) + ΔW 41 = 0,2455 W 42(baru) = W 42 (lama) + ΔW 42 = 0,3482 W 43(baru) = W 43 (lama) + ΔW 43 = 0,1445 W 44(baru) = W 44 (lama) + ΔW 44 = 0,0451 W 45(baru) = W 45 (lama) + ΔW 45 = 0,3448 W 51(baru) = W 51 (lama) + ΔW 51 = 0,0346 W 52(baru) = W 52 (lama) + ΔW 52 = 0,0378 W 53(baru) = W 53 (lama) + ΔW 53 = 0,0334 W 54(baru) = W 54 (lama) + ΔW 54 = 0,4341 W 55(baru) = W 55 (lama) + ΔW 55 = 0,1337 W 61(baru) = W 61 (lama) + ΔW 61 = 0,0346 W 62(baru) = W 62 (lama) + ΔW 62 = 0,0378 W 63(baru) = W 63 (lama) + ΔW 63 = 0,0334 W 64(baru) = W 64 (lama) + ΔW 64 = 0,4341 W 65(baru) = W 65 (lama) + ΔW 65 = 0,1337
16 87 Dilakukan juga perhitungan nilai bias W 01 sampaiw 05 untuk mendapatkan nilai yang telah diperbaiki. W 01 (baru) = W 01 (lama) + ΔW 01 =0,0982 W 02(baru) = W 02 (lama) + ΔW 02 = 0,3032 W 03(baru) = W 03 (lama) + ΔW 03 = 0,0037 W 04(baru) = W 04 (lama) + ΔW 04 = 0,0026 W 05(baru) = W 05 (lama) + ΔW 05 = 0,0969 Langkah terakhir yaitu langkah kesembilan adalah tes kondisi berhenti.apabila nilai error sudah lebih kecil dari error yang ditentukan (desired error) pengguna, maka pembelajaran selesai. b. Proses Training Data dalam Neural Networks Proses trainingnot-not dasar yang terjadi dalam NeuralNetworksberfungsi agar not-not tersebut dapat dikenali dan dapat dibangkitkan dalam bentuk output yang berupa partitur not.tahapan dalam proses training yang dilakukan oleh sistem dapat dilihat pada perhitungan neural network sebelumnya. Dari hasil perhitunganoutputy 1 sampai dengan Y 5 akan dilakukan proses backwarduntuk memperoleh nilai matriks bobot yang sebenarnya, nilai matriks ini akan digunakan dalam perhitungan aplikasi Backpropagation untuk memperoleh hasil output yang akurat. Proses ini menyimpan nilai dari data yang akan dicocokan dengan data yang hendak dimasukkan. Gambar 4.2 sampai 4.13 merupakan gambar yang menunjukkan proses training 12 not dasar dari piano yang dilakukan dalam proses pembelajaranneural Networks. Masing-masing not diberikan kode input yang berfungsi sebagai nilai untuk
17 88 membedakan not yang satu dengan lainnya. Proses ini dilakukan secara berulang-ulang sebanyak 12 kali agar diperoleh nilai untuk nodeinput. Gambar 4.2 Input Data Training Gambar 4.2 di atas merupakan tampilan sistem untuk training data pertama kali. Yang akan disimpan dalam Neural Nterworksuntuk dicocokan dengan input pengguna. Dibutuhkan inputan nama not dan posisi oktaf yang akan di training secara manual, kemudian sistem akan memberikan kode untuk input Neural Networks melalui proses encode. Contoh proses encode yang keluar dapat dilihat pada gambar 4.3 sampai dengan Jadi, ketika input yang diberikan adalah not C dan posisi oktaf ke-5 maka sistem akan memberi nilai encode[ ]. Nilai 0.02 menujukan nilai encode untuk not C dan nilai 0.4 merupakan nilai untuk oktaf. Hasil dari training di atas akan dimasukkan ke dalam Neural Networks yang akan digunakan untuk proses pembelajaran pengenalan not pada input data yang baru, serta proses aplikasi Neural Networks dengan metode Backpropagation
18 89 Gambar4.3Proses Pelatihan Not C oktaf ke-4 Gambar 4.3 menunjukkan proses ini mendeteksi frekuensi not C dan mengubah nilai frekuensinyadalam bentuk kodemelalui proses encode. Nilai dari encodeakan diambil untuk inputneural Networks dalam proses Daftarkan Data. Dari proses ini diketahui bahwa nilai input not C adalah [ ].
19 90 Gambar 4.4 Proses Pelatihan Not C# oktaf ke-4 Gambar 4.4 menunjukkan proses ini mendeteksi frekuensi not C# dan mengubah nilai frekuensinya dalam bentuk kode melalui proses encode. Nilai dari encodeakan diambil untuk inputneural Networks dalam proses Daftarkan Data. Dari proses ini diketahui bahwa nilai input not C# adalah [ ]. Gambar 4.5 Proses Pelatihan Not Doktaf ke-4
20 91 Gambar 4.5 menunjukkan proses ini mendeteksi frekuensi not D dan mengubah nilai frekuensinya dalam bentuk kode melalui proses encode. Nilai dari encodeakan diambil untuk inputneural Networks dalam proses Daftarkan Data. Dari proses ini diketahui bahwa nilai input not D adalah [ ]. Gambar 4.6 Proses Pelatihan Not D#oktaf ke-4 Gambar 4.6 menunjukkan proses ini mendeteksi frekuensi not D# dan mengubah nilai frekuensinya dalam bentuk kodemelalui proses encode. Nilai dari encodeakan diambil untuk inputneural Networks dalam proses Daftarkan Data. Dari proses ini diketahui bahwa nilai input not D# adalah [ ].
21 92 Gambar 4.7Proses Pelatihan Not Eoktaf ke-4 Gambar 4.7 menunjukkan proses ini mendeteksi frekuensi not E dan mengubah nilai frekuensinya dalam bentuk kode melalui proses encode. Nilai dari encodeakan diambil untuk inputneural Networks dalam proses Daftarkan Data. Dari proses ini diketahui bahwa nilai input not E adalah [ ]. Gambar 4.8Proses Pelatihan Not Foktaf ke-4
22 93 Gambar 4.8 menunjukkan proses ini mendeteksi frekuensi not F dan mengubah nilai frekuensinya dalam bentuk kode melalui proses encode. Nilai dari encodeakan diambil untuk inputneural Networks dalam proses Daftarkan Data. Dari proses ini diketahui bahwa nilai input not F adalah [ ]. Gambar 4.9Proses Pelatihan Not F#oktaf ke-4 Gambar 4.9 menunjukkan proses ini mendeteksi frekuensi not F# dan mengubah nilai frekuensinya dalam bentuk kode melalui proses encode. Nilai dari encodeakan diambil untuk inputneural Networks dalam proses Daftarkan Data. Dari proses ini diketahui bahwa nilai input not F# adalah [ ].
23 94 Gambar 4.10Proses Pelatihan Not Goktaf ke-4 Gambar 4.10 menunjukkan proses ini mendeteksi frekuensi not G dan mengubah nilai frekuensinya dalam bentuk kode melalui proses encode. Nilai dari encodeakan diambil untuk inputneural Networks dalam proses Daftarkan Data. Dari proses ini diketahui bahwa nilai input not G adalah [ ]. Gambar 4.11 Proses Pelatihan Not G#oktaf ke-4
24 95 Gambar 4.11 menunjukkan proses ini mendeteksi frekuensi not G# dan mengubah nilai frekuensinya dalam bentuk kode melalui proses encode. Nilai dari encodeakan diambil untuk inputneural Networks dalam proses Daftarkan Data. Dari proses ini diketahui bahwa nilai input not G# adalah [ ]. Gambar 4.12Proses Pelatihan untuk Not Aoktaf ke-4 Gambar 4.12 menunjukkan proses ini mendeteksi frekuensi nota dan mengubah nilai frekuensinya dalam bentuk kode melalui proses encode. Nilai dari encodeakan diambil untuk inputneural Networks dalam proses Daftarkan Data. Dari proses ini diketahui bahwa nilai input not A adalah [ ].
25 96 Gambar 4.13Proses Training untuk Not A#oktaf ke-4 Gambar 4.13 menunjukkan proses ini mendeteksi frekuensi nota# dan mengubah nilai frekuensinya dalam bentuk kode melalui proses encode. Nilai dari encodeakan diambil untuk inputneural Networks dalam proses Daftarkan Data. Dari proses ini diketahui bahwa nilai input not A# adalah [ ]. Gambar 4.14Proses Training untuk Not Boktaf ke-4 Gambar 4.14 menunjukkan proses ini mendeteksi frekuensi not B dan mengubah nilai frekuensinya dalam bentuk kode melalui proses encode. Nilai dari encodeakan
26 97 diambil untuk inputneural Networks dalam proses Training BP(Daftarkan Data). Dari proses ini diketahui bahwa nilai input not B adalah [ ] Pengoperasian dan Tampilan Sistem Tampilan pada gambar 4.14 merupakan tampilan awal ketika pengguna menjalankan sistem. Pada form ini terdapat pilihan untuk memasukkan input yang diinginkan oleh pengguna, yaitu Ambil Data dan Rekam. Jika pengguna memilih radio button Ambil Data maka akan muncul layar sama seperti Gambar Gambar 4.15Tampilan awal Program dengan Input Ambil Data Seperti pada gambar 4.15 terlihat bahwa terdapat 2 button pada menu Ambil Data. Namun hanya ada 1 buttonaktif yaitubutton Daftarkan Data. Button ini dapat dipilih setelah pengguna mengambil data input dengan format WAV. Tetapi button
27 98 Mengenali Not belum aktif, karena data yang di-input harus terlebih dahulu didaftarkan. Pengambilan data yang dapat dideteksi dan digeneralisasi not hanya file yang berformat WAV. Gambar 4.16Tampilan Pengambilan Data Seperti pada gambar 4.16, proses pengambilan data terdapat 2 button aktif yaitu Open dan Cancel. Button Open digunakan untuk mengambil input sesuai dengan apa yang telah kita pilih. Sedangkan button Cancel digunakan untuk membatalkan pengambilan data input. Tampilan pada gambar 4.16akan muncul jika pengguna memilih radio button Rekam. Pada pilihan radiobutton rekam terdapat 3buttonyang dapat dipilih oleh pengguna, yaitu button Mulai, button Berhenti dan button Simpan. Button
28 99 Mulai berfungsi untuk memulai merekam suara piano. Button Berhenti berfungsi untuk menghentikan proses rekaman. Dan button simpan berfungsi untuk menyimpan file yang telah direkam dalam format wav. Gambar 4.17 Tampilan awal Program dengan inputrekam Seperti pada gambar 4.17 terlihat bahwa terdapat 2 button pada menu Rekam. Namun hanya ada 1 buttonaktif yaitubutton Training BP(Daftarkan Data). Button ini dapat dipilih setelah pengguna mengambil data input dengan format wav. Tetapi button Aplikasi BP(Kenali Not) belum aktif, karena data yang di-input harus terlebih dahulu didaftarkan. Setelah fileinput dimasukkan, program akan melakukan proses transformasi Fourier untuk menangkap simpangan terbesar dari frekuensi yang muncul fileinput, nilai
29 100 I atau panjang gelombang dari frekuensi input, nilai frekuensi dan encode dari file. Agar file yang telah diinput dapat dideteksi dan digeneralisasikan not nya. Dengan mencocokan file yang telah di training dalam Neural Networks saat fileinput didaftarkan. Proses dari transformasi dapat dilihat pada gambar Gambar 4.18 Transformasi Fourier Proses transformasi Fourier yang terjadi pada gambar 4.18 dilakukan secara otomatis oleh sistem setelah fileinput dimasukkan. Proses ini tidak akan terlihat pada layar pengguna. Setelah proses transformasi fourier berhasil dilakukan pada file suara yang baru dimasukkan. Maka file harus didaftarkan kedalam Neural Networks guna dibandingkan dengan file yang telah dilatih atau train terlebih dahulu.
30 101 Gambar 4.19Training BP(Daftarkan Data) Setelah pengguna memilih button Training BP(Daftarkan Data) maka akan muncul warning message seperti pada gambar dan hanya ada 1 button yang aktif yaitu button OK. Setelah button OK dipilih maka pengguna akan kembali pada menu utama dan button Aplikasi BP(Kenali Not) akan aktif yang memberitahukan bahwa lagu yang diinput telah berhasil di training dan mulai dapat melakukan proses pendeteksian not atau applikasi. Jika pengguna memilih button Mengenali Not(aplikasi) maka akan muncul tampilan form baru yang merupakan hasil output dari proses-proses yang berjalan dalam sistem. Output yang dihasilkan berupa partitur atau not balok yang berhasil digeneralisasi oleh sistem berdasarkan input, training dan aplikasi yang terjadi dalam Neural Networks.
31 102 Jika pengguna memilih button Aplikasi BP(Kenali Not) maka sistem akan melakukan proses aplikasi Backpropagation seperti di bawah ini. Tetapi proses ini tidak terlihat oleh user. Proses Aplikasi BP(Kenali Not) akan memperoleh hasil seperti pada gambar 4.20 Gambar 4.20Proses Aplikasi BP(Kenali Not) Dalam Sistem Gambar 4.20 menampilkan nilai akhir yang ditemukan saat data baru didaftarkan dan dicocokan dengan data yang telah disimpan dalam Neural Networks. Proses ini menangkap nilai not,frekuensi, encode, serta membuat code untuk library GUIDO yang akan mengubah bentuk output not menjadi partitur not balok. Tampilan untuk Outputdalam command prompt pada gambar 4.19 tidak akan terlihat oleh pengguna, karena sistem secara otomatis mengubah bentuk output menjadi partitur dan not balok menggunakan libraryguido seperti pada gambar 4.19.
32 103 Gambar 4.21Tampilan Aplikasi BP(Kenali Not) Gambar 4.21 menunjukan tampilan akhir dari sistem atau tampilan yang akan muncul pada saat pengguna menekan button aplikasi BP(Kenali Not). Jika muncul gambar 4.21 maka sistem telah berhasil melakukan semua proses dari input sampai dengan output. 4.2 Evaluasi Pada sistem, dilakukan pengujian sebanyak 30 kali terhadap masing-masing not dengan menguji 30 data yang berbeda untuk setiap not. Misalnya, pengujian terhadap not C dilakukan dengan cara memasukkan 30 buah data not C yang berbeda pada sistem. Hasil lengkap dari pengujian terhadap masing-masing not dapat dilihat pada tabel 4.2
33 104 Tabel 4.2 Hasil pengujian terhadap masing-masing not Not Jumlah data Jumlah data yang dapat dikenali Tingkat Akurasi pengujian notnya dengan baik C % C# % D % D# % E % F % F# % G % G# % A % A# % B % C % C# % D % D# % E % F % F# % G %
34 105 G# % A % A# % B % Dari hasil pengujian yang dilakukan dengan memasukkan suara piano pada sistem, dapat disimpulkan bahwa rata-rata tingkat kecocokan not antara suara piano yang diinput dengan suara piano yang telah di training dalam Neural Networks adalah88,33%. Input untuk sistem pendeteksi suara dan pembangkitan not ini memiliki kriteria sebagai berikut : a. Input yang diberikan pengguna berupa lagu yang memiliki tempo tidak terlalu cepat (maksimal 4 not per detik). b. Not-not pada lagu tersebut terletak pada oktaf ke -4 dan ke-5 pada piano. Nilai not (berupa ketukan) belum dapat dideteksi dengan baik oleh sistem dan sistem belum dapat mendeteksi suara polifoni karena proses pendeteksian suara polifoni cukup rumit dan memerlukan algoritma khusus untuk menentukan frekuensi-frekuensi mana yang merepresentasikan not yang sebenarnya.
BAB 3 PERANCANGAN SISTEM. untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
29 BAB 3 PERANCANGAN SISTEM 3.1 Gambaran Umum Sistem Pada dasarnya untuk pembuatan aplikasi ini, yakni aplikasi pengenalan suara untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka berpikir Perubahan nilai tukar rupiah terhadap mata uang asing tidak dapat dihindari. Untuk mengatasi perubahan yang tidak pasti ini diperlukan suatu prediksi.
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 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 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 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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih 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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
Lebih terperinciBAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an
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 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 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 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 III METODE PENELITIAN. Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di
BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di Laboratorium Pemodelan Fisika, Jurusan Fisika, Fakultas Matematika dan Ilmu
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Kebutuhan Program Untuk menjalankan aplikasi ini ada beberapa kebutuhan yang harus dipenuhi oleh pengguna. Spesifikasi kebutuhan berikut ini merupakan spesifikasi
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciBAB I PENDAHULUAN. memberikan kesempatan kepada manusiauntuk mengekspresikan dan melibatkan segala
BAB I PENDAHULUAN 1.1 Latar Belakang Kehadiran musik dalam peradaban manusia memberikan efek luar biasa.musik memberikan kesempatan kepada manusiauntuk mengekspresikan dan melibatkan segala perasaannya
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Sistem Dalam mengimplementasikan program sistem ANPR ini terdapat 2 (dua) buah komponen yang sangat berperan penting, yaitu perangkat keras atau hardware
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 terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih 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 terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
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 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN Pada bab ini menjelaskan mengenai analisis permasalahan yang dihadapi dan perancangan program aplikasi yang akan dibentuk. Bab ini terdiri atas algoritma program, pemecahan
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih 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 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 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 terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 SPEAKER IDENTIFICATION DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
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 terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. forecasting produksi gula berdasarkan hasil laporan tahunan PTPN IX
BAB III ANALISIS DAN PERANCANGAN SISTEM Pada Tugas Akhir ini akan dirancang sebuah Perangkat Lunak untuk forecasting produksi gula berdasarkan hasil laporan tahunan PTPN IX (PERSERO) / PG.Pangka dengan
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 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Analisis merupakan proses penguraian konsep ke dalam bagian-bagian yang lebih sederhana, sehingga struktur logisnya menjadi jelas. Metode untuk menguji, menilai, dan
Lebih terperinciBAB III METODOLOGI PENELITIAN
38 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Peramalan, Curah Hujan, Knowledge Discovery in Database, Jaringan Saraf Tiruan, Backpropagation, Optimalisasasi Backpropagation Pengumpulan
Lebih terperinciArsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah memin
BACK PROPAGATION Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciBAB 2 LANDASAN TEORI. suatu perusahaan yang akan memberikan keuntungan dalam bentuk deviden dan capital
BAB 2 LANDASAN TEORI 2.1 Saham Saham adalah tanda penyertaan atau kepemilikan seseorang atau badan, dalam suatu perusahaan yang akan memberikan keuntungan dalam bentuk deviden dan capital gain. Artinya
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Suara Manusia Menurut Inung Wijayanto (2013), produksi suara manusia memerlukan tiga elemen, yaitu sumber daya, sumber suara dan pemodifikasi suara. Ini adalah dasar dari teori
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih 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 terperinciBAB II DASAR TEORI. 2.1 Citra Digital
BAB II DASAR TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f (x,y) dua dimensi,dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan dalam penelitian ini.
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Model Penelitian Penelitian yang dilakukan dapat dijelaskan dengan lebih baik melalui blok diagram seperti yang terliat pada Gambar 3.1. Suara Manusia Rekam suara Hasil rekaman
Lebih terperinciGambar 3.1 Desain Penelitian
METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Permalan Time Series, Harga Minyak Bumi, Jaringan Syaraf Tiruan, Backpropagation Pengumpulan Data Harga Minyak Bumi di Indonesia Perancangan
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB 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 terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih 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 terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih 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 4 IMPLEMENTASI DAN EVALUASI. Processor Intel Pentium IV 2.41GHz RAM 512 MB DDR. Hard disk 40 GB. Monitor 15 Samsung SyncMaster 551v
52 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Perangkat Keras Spesifikasi dari perangkat keras yang digunakan dalam perancangan program adalah sebagai berikut : Processor Intel Pentium IV 2.41GHz
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Dalam suatu universitas, salah satu analisis yang dapat dilakukan untuk melihat perkembangan prestasi akademik seorang mahasiswa adalah dengan memantau nilai
Lebih terperinciStudi Modifikasi standard Backpropagasi
Studi Modifikasi standard Backpropagasi 1. Modifikasi fungsi objektif dan turunan 2. Modifikasi optimasi algoritma Step Studi : 1. Studi literatur 2. Studi standard backpropagasi a. Uji coba standar backpropagasi
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciPrediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan
Prediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan Kusuma Dewangga, S.Kom. Jurusan Ilmu Komputer Universitas Gadjah Mada Jl. Bulaksumur, Yogyakarta kusumadewangga@gmail.com
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2006/2007 ANALISIS DAN PERANCANGAN PERANGKAT LUNAK PENGENALAN JENIS ALAT MUSIK BERDASARKAN SUMBER SUARANYA
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang
57 BAB 4 IMPLEMENTASI DAN EVALUASI Dalam bab ini, selain menjelaskan mengenai kebutuhan minimum untuk perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang dihasilkan, juga akan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Pada bab ini akan diuraikan mengenai pelaksanaan terhadap hasil perancangan yang telah diperoleh sebelumnya. Hasil perancangan pada tahap perancangan akan diimplemetasikan menjadi
Lebih terperinciSeminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN:
Perintah Suara Berbahasa Indonesia untuk Membuka dan Menutup Aplikasi dalam Sistem Operasi Windows Menggunakan Metode Mel Frequency Cepstrum Coefficient dan Metode Backpropagation Zakaria Ramadhan 1, Sukmawati
Lebih terperinciBAB 3 PERANCANGAN SISTEM PENGENAL SUARA
BAB 3 PERANCANGAN SISTEM PENGENAL SUARA 3.1 Perangkat Keras yang Digunakan Untuk menunjang perancangan sistem pengenalan suara, maka digunakan perangkat keras ( Hardware ) dengan spesifikasi sebagai berikut
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 terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. aplikasi. Proses implementasi basis data dilakukan dengan menggunakan DDL dari
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1. Implementasi Implementasi adalah proses realisasi fisikal dari rancangan basis data dan aplikasi. Proses implementasi basis data dilakukan dengan menggunakan DDL dari
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih 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 terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI PROGRAM. Processor : Intel Pentium IV 1.60 GHz RAM : 256 MB
BAB 4 IMPLEMENTASI DAN EVALUASI PROGRAM 4.1 Implementasi Program 4.1.1 Spesifikasi Keutuhan Program Spesifikasi Perangkat Keras Perangkat keras yang digunakan untuk merancang system ini adalah: Processor
Lebih terperinciBAB 1 PENDAHULUAN. 1 Universitas Kristen Maranatha. Gambar 1.1 : Ilustrasi jaringan syaraf manusia yang diadaptasi untuk ANN (Kriesel, 2011)
BAB 1 PENDAHULUAN 1.1 Latar Belakang Rentannya kesalahan yang dapat terjadi oleh pekerjaan yang dilakukan oleh manusia dalam menganalisa, atau ketika mencoba membangun relasi antar fitur yang berjumlah
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Piranti yang digunakan untuk pelatihan maupun pengujian sistem terdiri dari perangkat keras dan perangkat lunak. 4.1.1 Perangkat Keras Perangkat keras
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciPERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION
Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION Fahmi Hasobaran Dalimunthe
Lebih terperinciBAB 4 IMPLEMENTASI. minimum 2 Giga Hertz dan memory RAM minimum 256 MB, sedangkan untuk
74 BAB 4 IMPLEMENTASI 4.1 Spesifikasi Kebutuhan Sarana Untuk menjalankan training dalam program peramalan ini diperlukan spesifikasi Hardware dengan prosesor minimum setingkat Intel Pentium IV dengan kecepatan
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Perangkat keras yang digunakan untuk merancang sistem ini adalah: Processor : Intel Pentium IV 2,13 GHz
62 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Program 4.1.1 Spesifikasi Kebutuhan Program Spesifikasi Perangkat Keras Perangkat keras yang digunakan untuk merancang sistem ini adalah: Processor :
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih 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 terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
54 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Program 4.1.1 Spesifikasi Kebutuhan Program Spesifikasi Perangkat Keras Perangkat keras yang digunakan untuk merancang sistem ini adalah : Processor
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI PROGRAM. implementasi dari program aplikasi yang dibuat. Penulis akan menguraikan
BAB 4 IMPLEMENTASI DAN EVALUASI PROGRAM Dari hasil perancangan yang dilakukan oleh penulis, pada bab ini disajikan implementasi dari program aplikasi yang dibuat. Penulis akan menguraikan spesifikasi sistem
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 terperinciMILIK UKDW. Bab 1 PENDAHULUAN. 1.1 Latar Belakang
Bab 1 PENDAHULUAN 1.1 Latar Belakang Beberapa tahun belakangan ini, jaringan syaraf tiruan telah berkembang dengan pesat. Berbagai aplikasi telah memanfaatkan jaringan syaraf tiruan dalam penerapannya,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Tampilan Hasil Pembahasan mengenai hasil mencakup spesifikasi perangkat keras (hardware) dan perangkat lunak (software) serta tampilan output perangkat lunak. IV.1.1.
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
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 terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat.
Lebih terperinci