KLASTERISASI DATA BAHAYA KERUSAKAN BANGUNAN AKIBAT GEMPA BUMI MENGGUNAKAN ALGORITMA FUZZY KOHONEN CLUSTERING NETWORK
|
|
- Lanny Hardja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 KLASTERISASI DATA BAHAYA KERUSAKAN BANGUNAN AKIBAT GEMPA BUMI MENGGUNAKAN ALGORITMA FUZZY KOHONEN CLUSTERING NETWORK Muhammad Faisal Verra Irawati Muhammad Ihsan Sudarno Wiharjo ABSTRAK Penelitian ini bertujuan untuk mengembangkan program yang mampu melakukan klasterisasi data bahaya kerusakan bangunan akibat gempa bumi dengan mengimplementasikan algoritma Fuzzy Kohonen Clustering Network (FKCN). Data yang digunakan meliputi data kelas litologi, data zona topografi dan nilai Peak Ground Acceleration (PGA) sebagai parameter fisik. Metode penelitian terdiri dari pengumpulan data dengan melakukan wawancara kepada ahli geologi untuk mendapatkan data kelas litologi dan zona topografi serta menggunakan data PGA Youngs, perancangan program dengan melakukan normalisasi data input kemudian implementasi klasterisasi menggunakan algoritma FKCN serta membuat tampilan antarmuka, evaluasi menggunakan data IRIS Fisher dan kuesioner kepada expert user. Hasil penelitian merupakan suatu program yang dapat melakukan klasterisasi data kegempaan yang dapat membantu dalam penyusunan klasifikasi daerah rawan gempa di suatu daerah sehingga dapat meminimalisir korban jiwa dan kerusakan infrastruktur yang ditimbulkan oleh gempa bumi. Algoritma FKCN terbukti dapat dimplementasikan dengan baik untuk melakukan klasterisasi data kegempaan yaitu data kelas litologi, zona topografi, dan nilai PGA dan memiliki persentase keberhasilan 89.4%. Kata Kunci: Fuzzy Kohonen Clustering Network, Klasterisasi, Gempa, Kerusakan Bangungan, Jaringan Saraf Tiruan, Logika Fuzzy ABSTRACT The objective of this research is to develop a program that capable of doing data clustering of building damage hazard caused by earthquake by implementing the Fuzzy Kohonen Clustering Network (FKCN) Algorithm. This research used a method consist of collecting data by interviewing the geologists to obtain lithology class data, topographic zones data and Peak Ground Acceleration data (PGA) by Youngs, designing programs to perform normalization and clustering by implementing FKCN algorithm and make the user
2 interface, evaluation using the IRIS Fisher data and questionnaires for expert user. The result of this research is a program that can perform seismic data clustering that would assist in the preparation of the earthquake-prone areas classification in some regions to minimize loss of life and infrastructure damage caused by the earthquake. FKCN algorithm has proven can be implemented well to perform seismic data clustering such as lithology class, topography zone, and PGA value with 89.4% success rate. Key Words: Fuzzy Kohonen Clustering Network, Clustering, Earthquake, Building Damage, Artificial Neural Network, Fuzzy Logic PENDAHULUAN Gempa bumi adalah peristiwa bergetarnya bumi akibat pelepasan energi di dalam bumi secara tiba-tiba yang ditandai dengan patahnya lapisan batuan pada kerak bumi. Akumulasi energi penyebab terjadinya gempa bumi dihasilkan dari pergerakan lempeng-lempeng tektonik. Energi yang dihasilkan dipancarkan kesegala arah berupa gelombang gempa bumi sehingga efeknya dapat dirasakan sampai ke permukaan bumi. Katalog United States Geological Survey (USGS) mencatat empat kejadian gempa bumi besar di Indonesia yaitu gempa bumi Banda (8,5 Mw) tahun 1983, gempa bumi Sumatera Andaman Islands (9,1 Mw) tahun 2004, gempa bumi Sumatera Utara/Nias (8,6 Mw) tahun 2005 (USGS, 2009) dan gempa bumi Pantai Barat Sumatera (8,6 Mw) tahun 2012 (USGS, 2012). Data ini menunjukkan bahwa Indonesia merupakan negara yang memiliki tingkat intesitas kegempaan yang tinggi. Ini menjadikan Indonesia tidak terhindarkan dari dampak negatif yang akan ditimbulkan oleh gempa bumi. Selain mengakibatkan jatuhnya korban jiwa, gempa bumi juga menyebabkan kerusakan infrastrktur fisik dimana kerusakan unit bangunan menjadi yang paling dominan. Angka kerusakan bangunan akibat gempa bumi besar yang pernah tercatat diketahui terjadi di kota Banda Aceh tahun 2004 dengan angka kerusakan total bangunan mencapai 35 persen dari keseluruhan bangunan yang ada (Irwansyah, 2010). Mengetahui fakta diatas, dibutuhkan suatu upaya untuk meminimalisasikan kerusakan bangunan yang ditimbulkan akibat gempa bumi. Upaya untuk mengurangi dampak negatif gempa bumi terhadap kerusakan pada bangunan dapat dilakukan dengan mengoptimalkan upayaupaya mitigasi. Salah satu upaya mitigasi gempa adalah dengan melakukan penataan ruang yang baik. Untuk itu dibutuhkan suatu program yang dapat menampilkan klasterisasi data suatu wilayah berdasarkan tingkat bahaya kerusakan bangunan akibat kejadian gempa bumi. Penelian ini hanya melakukan klasterisasi, bukan klasifikasi. Parameter fisik yang digunakan dalam penelitian ini adalah data kelas litologi, data zona topografi, dan nilai Peak Ground Acceleration (PGA). Algoritma yang digunakan dalam penelitian adalah algoritma Fuzzy Kohonen Clustering Network (FKCN) dan Improved FKCN (IFKCN). Penelitian mengambil data dari lokasi kota Banda Aceh. Tujuan dan manfaat penelitian adalah untuk mengembangkan suatu program yang dapat melakukan klasterisasi data kerusakan bangunan akibat gempa bumi dengan mengimplementasikan algoritma Fuzzy Kohonen Clustering Network (FKCN) untuk menghasilkan program yang mampu melakukan klasterisasi data kegempaan dan dapat membantu zonasi wilayah rawan gempa. METODE PENELITIAN Metode penelitian terdiri dari pengumpulan data dengan melakukan wawancara kepada ahli geologi untuk mendapatkan data kelas litologi dan zona topografi serta menggunakan data PGA Youngs, perancangan program dengan melakukan normalisasi data input kemudian implementasi klasterisasi menggunakan algoritma FKCN serta membuat tampilan antarmuka, evaluasi menggunakan data IRIS Fisher dan kuesioner kepada expert user. HASIL DAN BAHASAN Penelitian ini membandingkan algoritma FKCN dan IFKCN kerena akurasi algoritma pengelompokkan data tidak selalu lebih baik dibandingkan algoritma pengelompokkan lain untuk data berbeda. Variabel pada penelitian ini adalah cluster number dan iteration number. Klasterisasi data gempa yang dilakukan pada penelitian ini menggunakan cluster number (c) masing-masing 3, 4, 5, 6 dan 7. Cluster number mewakili banyaknya grup yang akan dibuat pada suatu proses klaster. Dalam penelitian dengan data kegempaan ini, cluster number yang paling efektif adalah 3 hingga 5 dan untuk setiap cluster number dilakukan pengujian dengan iteration number masing-masing 5, 10, 15, 20, 25,
3 Grup 30, 35, 40, 45 dan 50 untuk melihat variasi hasil yang diperoleh. Percobaan dilakukan sebanyak 30 kali untuk masing-masing iteration number pada tiap variasi nilai cluster number. Kriteria yang mendasari klasterisasi ini adalah hubungan antara setiap parameter fisik. Dalam penelitian ini kelas terbagi atas: G1: Sangat Berbahaya G2: Berbahaya G3: Cukup Berbahaya G4: Tidak Berbahaya G5: Sangat Tidak Berbahaya Cluster 1 (G1) yang terdiri dari litologi bervariasi dari kelas swamp dan sand, zona topografi river/seabed/lake dan coastal deep serta nilai PGA hingga merupakan kelompok data yang menyusun kelas bahaya kerusakan bangunan sangat berbahaya karena merupakan komponen yang memberi kontribusi yang besar pada bahaya kerusakan bangunan. Cara yang sama dilakukan kepada masing-masing cluster 2 (G2) untuk menyusun kelas bahaya kerusakan bangunan berbahaya, cluster 3 (G3) untuk menyusun kelas bahaya kerusakan cukup berbahaya, cluster 4 (G4) untuk menyusun kelas bahaya kerusakan tidak berbahaya, dan cluster 5 (G5) untuk menyusun kelas bahaya kerusakan sangat tidak berbahaya. Berikut ini adalah contoh hasil olah data dari proses klasterisasi yang dilakukan pada cluster number 3 dengan parameter fisik data kelas litologi, data zona topografi, dan nilai PGA: Cluster number (c) = 3 Pada cluster number 3 kelas yang terbentuk adalah G1 untuk berbahaya, G2 untuk cukup berbahaya, dan G3 untuk tidak berbahaya. FKCN G G G Grup G % 72.00% 72.00% 72.00% 72.44% 72.44% 72.44% 72.00% 72.44% 72.44% G % 14.67% 14.67% 14.67% 14.22% 14.22% 14.22% 14.67% 14.22% 14.22% G % 13.33% 13.33% 13.33% 13.33% 13.33% 13.33% 13.33% 13.33% 13.33% Tabel 4.1 Tabel Hasil Olah Data FKCN dengan Cluster Number = 3 Dari data tersebut terlihat bahwa Cluster Grup1 (G1) adalah grup dengan jumlah sebaran data yang paling besar dari setiap iterasi yaitu terdiri dari 163 data (72.44%) dari total 225 data. Cluster Grup2 (G2) memiliki 32 data (14.22%), dan Cluster Grup3 (G3) memiliki 30 data (13.33%). Grup IFKCN G G G Grup G % 72.00% 72.00% 72.00% 72.00% 72.00% 72.44% 72.00% 72.00% 72.00% G % 12.00% 12.00% 14.67% 14.67% 14.67% 14.22% 14.67% 13.33% 13.33%
4 G % 16.00% 16.00% 13.33% 13.33% 13.33% 13.33% 13.33% 14.67% 14.67% Tabel 4.2 Tabel Hasil Olah Data IFKCN dengan Cluster Number = 3 Dari data tersebut terlihat bahwa Cluster Grup1 (G1) adalah grup dengan jumlah sebaran data yang paling besar dari setiap iterasi yaitu terdiri dari 162 data (72%) dari total 225 data. Cluster Grup2 (G2) memiliki 30 data (13.33%), dan Cluster Grup3 (G3) memiliki 33 data (14.67%). Error terkecil ada di iterasi 50 yaitu sebesar Jumlah error di IFKCN lebih kecil dari jumlah error pada FKCN. Berikut tampilan dan pembahasan hasil klasterisasi data bahaya kerusakan bangunan akibat gempa bumi: Cluster number (c) 3 Gambar 4.1 Tampilan User Interface dengan cluster number=3 iteration number=10 Penjelasan: 1 : Input parameter fisik, yaitu data kelas litologi, data zona topografi, dan nilai PGA. Kemudian litologi dan topologi di normalisasi agar range menjadi : Jika data yang diinput benar, saat klik pada button validate akan muncul pesan berwarna biru yang menyatakan data sudah setara, jika belum akan muncul pesan berwarna merah dan user tidak dapat melakukan input cluster number dan iteration number sebelum data parameter fisik benar. 3 : Setelah data parameter fisik benar, maka user dapat memasukkan cluster number dan iteration number. (Dalam gambar: cluster number=3; iteration number=10). 4 : Setelah memasukkan nilai cluster number dan iteration number maka user dapat melakukan klik pada button process untuk mendapatkan output. 5 : Cluster Center, nilai cluster center ditentukan dengan mencari nilai tengah dari jarak suatu data ke data lain kemudian nilai tersebut di update pada setiap iterasi. (Dalam gambar: Cluster Center terdiri dari 3 kolom karena parameter fisik yang digunakan dan di-input ada 3 dan memiliki 3 baris karena cluster number yang di-input adalah 3). 6 : Initial Weight, nilai initial weight ditentukan secara random dari nilai 0 hingga 1 oleh komputer. (Dalam gambar: Initial Weight terdiri dari 3 kolom karena parameter fisik yang digunakan dan di-input ada 3 dan memiliki 3 baris karena cluster number yang di-input adalah 3). 7 : Error, kesalahan yang terjadi selama proses klasterisasi berlangsung. 8 : Hasil klaster yang terdiri dari NumData (nomor), Class (ketentuan kelas setiap data setelah dilakukan klasterisasi), dan Distance (jarak dari setiap data ke cluster center). Pada gambar hasil klaster terdiri dari 225 baris, sama dengan jumlah baris pada input parameter fisik. 9 : Button untuk melihat hasil plot klasterisasi. 10 : Try Again button, untuk mengulang klasterisasi.
5 11 : Exit button, untuk keluar dari program. Gambar 4.2 Plot Klasterisasi Data Gempa dengan FKCN dengan cluster number= 3 Gambar 4.3 Plot Klasterisasi Data Gempa dengan IFKCN dengan cluster number=3 Setiap kelas dikelompokkan menjadi satu warna. Pada gambar diatas terdapat tiga warna yakni hijau, merah dan kuning yang mewakili cluster number yang telah ditentukan sebelumnya yaitu 3. Ini menunjukkan bahwa gambar 4.2 dan gambar 4.3 dilakukan klasterisasi sebanyak tiga kelas (cluster number (c)=3). Sedangkan simbol (*) pada gambar merupakan cluster center untuk setiap kelas. Gambar 4.2 dan gambar 4.3 memperlihatkan hasil klasterisasi yang dilakukan oleh kedua algoritma tampak identik. Hal ini terjadi karena nilai cluster center keduanya hanya memiliki sedikit perbedaan nilai. Rata-rata hasil error klasterisasi data gempa dengan cluster number 3 dapat dilihat pada tabel berikut: Tabel 4.7 Klasterisasi Data Gempa dengan c = 3 No. Max Sum Error FKCN Improved FKCN
6 Gambar 4.4 Grafik Jumlah Error dengan cluster number=3 Hasil percobaan dengan cluster number 3 menunjukkan rata-rata jumlah error algoritma Improved FKCN selalu lebih kecil dibandingkan algortima FKCN. SIMPULAN DAN SARAN Setelah menyelesaikan perancangan dan pengembangan program dengan mengimplementasikan algoritma Fuzzy Kohonen Clustering Network serta melakukan evaluasi menggunakan data IRIS Fisher dan expert user yaitu ahli geologi dapat diambil beberapa kesimpulan sebagai berikut : a) Program yang dibangun penulis dapat melakukan klasterisasi data kegempaan dengan menggunakan parameter fisik yang digunakan dalam penelitian. b) Algoritma Fuzzy Kohonen Clustering Network dapat diimplementasikan dengan baik untuk melakukan klasterisasi data kegempaan. Hal ini dapat dilihat dari jumlah error yang kecil. c) Nilai correct rates (89.4%) yang dihasilkan program lebih kecil dari hasil para peneliti sebelumnya (99,7%) karena penelitian ini belum melakukan modifikasi initial weight sehingga hasil correct rates yang diperoleh belum maksimal. d) Hasil algoritma Improved FKCN secara umum lebih baik dari FKCN. Hal ini ditunjukkan dari rata-rata jumlah error Improved FKCN lebih kecil dari FKCN dan correct rates Improved FKCN juga lebih tinggi. Mengingat kekurangan yang ada dalam pembuatan program ini dan demi kepentingan pengembangan kedepan, maka penulis memberikan beberapa saran yang dapat dipertimbangkan: a) Program dapat dikembangkan dengan menambah data kegempaan lainnya sebagai parameter fisik untuk memperkaya data input sehingga hasil yang diperoleh lebih akurat. b) Pada prosesnya, program ini belum melakukan modifikasi terhadap initial weight. Initial weight yang digunakan pada program ini merupakan nilai acak antara 0 sampai 1. Dengan melakukan modifikasi pada initial weight, memungkinkan nilai error lebih kecil dan correct rates dapat meningkat. c) Dengan hasil klasterisasi yang diperoleh, akan lebih bermanfaat jika dilakukan penyusunan klasifikasi data bahaya kerusakan bangunan akibat gempa bumi karena output dari program
7 adalah grouping data hasil klasterisasi untuk membantu melakukan zonasi daerah rawan gempa. REFERENSI Almeida, C. W., Souza. R. & Candeias, A. (2012). IFKCN: Applying Fuzzy Kohonen Clustering Network to Interval Data. IEEE. Bezdek, J. C. (1980). A Convergence Theorem for The Fuzzy C-Means Clustering Algorithm. IEEE. Bezdek, J. C., Tsao, C. K. & Pal, N. R. (1992). Fuzzy Kohonen Clustering Networks. IEEE. Carreno, M. L., Cardona, O. D. & Barbat, A. H. (2010). Computational Tool for Post-Earthquake Evaluation of Damage in Buildings. Earthquake Spectra. 26(1): 1 Connolly, T. M. & Begg C. E. (2004). Database Systems: A Practical Approach to Design, Implementation, and Management. England: Pearson Education Limited. Hagan, M. T., Howard B. & Mark H. B. (2002). Neural Network Design. Campus Publishing Service: Colorado University Bookstore, University of Colorado at Boulder. Han, J. & Kamber, M. (2006). Data Mining: Concepts and Techniques. San Francisco: Elsevier Inc. Haykin, S. (1999). Neural Networks: A Comprehensive Foundation. England: Pearson Education. Irwansyah, E. & Hartati, S. (2010). Zonasi Daerah Bahaya Kerusakan Bangunan Akibat Gempa Menggunakan Algoritma SOM dan Algoritma Kriging. Jabbar, N., Ahson, S. I. & Mehrotra, M. (2009). Fuzzy Kohonen Clustering Network for Color Image Segmentation. IPCSIT. 3(11): 255. Kohonen, T. & Simulla, O. (1996). Engineering Application of the Self-Organizing Map. IEEE. 84(10): 1. Kusumadewi, S. (2003). Artificial Intelligence (Teknik dan Aplikasinya). Jogjakarta: Graha Ilmu. Miura, H., Wijeyewickrema, A. C. & Inoue, S. (2005). Evaluation of Tsunami Damage in The Eastern Part of Sri Lanka due to The 2004 Sumatra Earthquake Using Remote Sensing Technique. Prasetyo, E. (2012). Data Mining: Konsep dan Aplikasi menggunakan MATLAB. Yogyakarta: AndiPublisher. Rainardi, V. (2008). Building a Data Warehouse with Example in SQL Server. New York : Springer- Verlag New York, Inc. Russell, S. J. & Norvig, P. (1995). Artificial Intelligence: A Modern Approach. New Jersey: Prentice Hall, Englewood. Russell, S. J. & Norvig, P. (2003). Artificial Intelligence: A Modern Approach (2 nd Edition). New Jersey: Prentice Hall, Englewood. Silva, M. S. & Garcia, L. (2001). Earthquake Damage Assessment Based on Fuzzy Logic and Neural Networks. Earthquake Spectra. 17(1): 1 Taehan, W. J. (2010). Artificial Intelligence: Agents and Environments. Ventus Publishing ApS. Tesfamariam, S. & Saatcloglu, M. (2010). Seismic Vulnerability Assessment of Reinforced Concrete Buildings Using Hierarchical Fuzzy Rule Base Modeling. Earthquake Spectra. 26(1): 1 Villman, T. et all. (2007). Association Learning in SOMs for Fuzzy-Classification. IEEE. Yang, Y. et all. (2008). An Efficient Fuzzy Kohonen Clustering Network Algorithm. IEEE. Zadeh, L. A. (1965). Fuzzy Sets: Information and Control. IEEE. RIWAYAT PENULIS Muhammad Faisal lahir di Pekanbaru tanggal 3 November 1993, Verra Irawati lahir di Jakarta tanggal 27 Juni 1993, dan Muhammad Ihsan lahir di Jakarta, 8 Oktober Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Teknik Informatika pada tahun 2014.
KLASTERISASI DATA BAHAYA KERUSAKAN BANGUNAN AKIBAT GEMPA BUMI MENGGUNAKAN ALGORITMA FUZZY KOHONEN CLUSTERING NETWORK SKRIPSI. Oleh
KLASTERISASI DATA BAHAYA KERUSAKAN BANGUNAN AKIBAT GEMPA BUMI MENGGUNAKAN ALGORITMA FUZZY KOHONEN CLUSTERING NETWORK SKRIPSI Oleh Muhammad Faisal 1401125912 Verra Irawati 1401141481 Muhammad Ihsan 1401141632
Lebih terperinciBAB 1 Pendahuluan 1.1 Latar Belakang
BAB 1 Pendahuluan 1.1 Latar Belakang Gempa bumi adalah peristiwa bergetarnya bumi akibat pelepasan energi di dalam bumi secara tiba-tiba yang ditandai dengan patahnya lapisan batuan pada kerak bumi. Akumulasi
Lebih terperinciBAB 3 Metodologi 3.1 Kerangka Berpikir
BAB 3 Metodologi 3.1 Kerangka Berpikir Kerusakan bangunan akibat gempa bumi menjadi salah satu penyebab dominan jatuhnya korban jiwa. Dibutuhkan suatu upaya untuk meminimalisasikan kerusakan bangunan akibat
Lebih terperinciBab I Pendahuluan. I.1 Latar Belakang
Bab I Pendahuluan I.1 Latar Belakang Selama peradaban manusia, gempa bumi telah dikenal sebagai fenomena alam yang menimbulkan efek bencana yang terbesar, baik secara moril maupun materiil. Suatu gempa
Lebih terperinciP E N D A H U L U A N Latar Belakang
KLASIFIKASI KEKERAPAN KUNJUNGAN LOKASI BERBASIS LOCATION BASED SERVICE (LBS) MENGGUNAKAN SELF-ORGANIZING MAP (SOM) Oleh : Dhanang Fitra Riaji (NRP : 2208205737) PROGRAM MAGISTER JURUSAN TEKNIK INDUSTRI
Lebih terperinciRESIKO GEMPA PULAU SUMATRA DENGAN METODA PROBABILISTIC SEISMIC HAZARD ANAL YSIS (PSHA) THESIS MAGISTER OLEH: D. PRAHERDIAN PUTRA
RESIKO GEMPA PULAU SUMATRA DENGAN METODA PROBABILISTIC SEISMIC HAZARD ANAL YSIS (PSHA) THESIS MAGISTER OLEH: D. PRAHERDIAN PUTRA 250 96 034 BIDANG KHUSUS REKAYASA GEOTEKNIK PROGRAM STUDI TEKNIK SIPIL,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Indonesia merupakan salah satu negara di dunia dengan tingkat intensitas kegempaan yang tinggi. Katalog United States geological survey (USGS) mencatat empat kejadian
Lebih terperinciPERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION ALGORITHM
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol.6 No. 2, Desember 217 : 8-91 PERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA PROBABILISTIC NEURAL NETWORK ABSTRAK Dwi Putra Alexander (0722067) Jurusan Teknik
Lebih terperinciJURNAL PENGELOMPOKAN SKRIPSI MENGGUNAKAN SELF ORGANIZING MAPS CLUSTERING (STUDI KASUS : PRODI TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI)
JURNAL PENGELOMPOKAN SKRIPSI MENGGUNAKAN SELF ORGANIZING MAPS CLUSTERING (STUDI KASUS : PRODI TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI) CLASSIFICATION OF THESIS USING SELF ORGANIZING MAPS CLUSTERING
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Ketika disodori sejumlah data dari suatu obyek atau kejadian, apa yang bisa dilakukan terhadap data untuk menindaklanjutinya? Data perlu diolah untuk mendapatkan
Lebih terperinciPEMETAAN SEBARAN MUTU PENDIDIKAN DASAR MENGGUNAKAN METODE SELF ORGANIZING MAPS
PEMETAAN SEBARAN MUTU PENDIDIKAN DASAR MENGGUNAKAN METODE SELF ORGANIZING MAPS Ahmad Mulla Ali Basthoh 1, Surya Sumpeno 2, dan I Ketut Eddy Purnama 3 Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
Lebih terperinciPENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA
PENINGKATAN KINERJA ALGORITMA K-MEANS DENGAN FUNGSI KERNEL POLYNOMIAL UNTUK KLASTERISASI OBJEK DATA Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Madura Kampus Universitas Trunojoyo
Lebih terperinciModel Prediksi Berbasis Neural Network untuk Pengujian Perangkat Lunak Metode Black-Box
Model Prediksi Berbasis Neural Network untuk Pengujian Perangkat Lunak Metode Black-Box Zulkifli Program Studi Teknik Informatika STMIK Teknokrat Bandar Lampung, Indonesia zulkiflist34@yahoo.co.id Abstrak
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciCLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS
CLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS Muhammad Toha, 1), I Ketut Edy Purnama 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Konsentrasi CIO) Jurusan Teknik Elektro
Lebih terperinciDATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA
DATA MINING CLUSTERING DENGAN ALGORITMA FUZZY C-MEANS UNTUK PENGELOMPOKAN JADWAL KEBERANGKATAN DI TRAVEL PT. XYZ TASIKMALAYA Aseptian Nugraha, Acep Irham Gufroni, Rohmat Gunawan Teknik Informatika Fakultas
Lebih terperinciANALISIS KINERJA ALGORITMA CLUSTERING FUZZY TSUKAMOTO DENGAN FUZZY C-MEANS
ANALISIS KINERJA ALGORITMA CLUSTERING FUZZY TSUKAMOTO DENGAN FUZZY C-MEANS Iin Parlina1, Prof.Herman Mawengkang2, Dr.Syahril Efendi, S.Si, M.IT3 Magister Teknik Informatika, Universitas Sumatera Utara
Lebih terperinciBAB 1 PENDAHULUAN. Indo-Australia di selatan, dan lempeng Pasifik di timur laut.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sejak tahun 1900, di Indonesia tercatat telah terjadi tiga peristiwa gempa bumi besar yaitu gempa Banda tahun 1983 dengan intensitas 8,5 skala Richter, gempa Sumatera
Lebih terperinciBAB 1 PENDAHULUAN. tingkat kepadatan penduduk nomor empat tertinggi di dunia, dengan jumlah
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Permasalahan Negara Kesatuan Republik Indonesia adalah negara kepulauan dengan tingkat kepadatan penduduk nomor empat tertinggi di dunia, dengan jumlah penduduk lebih
Lebih terperinciIMPLEMENTASI LOGIKA FUZZY DALAM RECRUITMENT ASISTEN LABORATORIUM MENGGUNAKAN METODE C-MEANS (STUDI KASUS: TEKNIK INFORMATIKA UNIVERSITAS TANJUNGPURA)
IMPLEMENTASI LOGIKA FUZZY DALAM RECRUITMENT ASISTEN LABORATORIUM MENGGUNAKAN METODE C-MEANS (STUDI KASUS: TEKNIK INFORMATIKA UNIVERSITAS TANJUNGPURA) Rizkya Bina Islamiati Program Studi Teknik Informatika
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN KOHONEN PADA DATA MINING OUTLIER DETECTION IMPLEMENTATION KOHONEN NEURAL NETWORK FOR DATA MINING OUTLIER DETECTION
IMPLEMENTASI JARINGAN SYARAF TIRUAN KOHONEN PADA DATA MINING OUTLIER DETECTION IMPLEMENTATION KOHONEN NEURAL NETWORK FOR DATA MINING OUTLIER DETECTION Rochmat Mustopa¹, Moch. Arif Bijaksana², M.tech.³
Lebih terperinciBAB I PENDAHULUAN Latar belakang
BAB I PENDAHULUAN 1.1. Latar belakang Indonesia merupakan salah satu negara dimana terdapat pertemuan 3 lempeng tektonik utama bumi. Lempeng tersebut meliputi lempeng Eurasia, lempeng Indo-Australia, dan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Indonesia merupakan Negara kepulauan yang letak geografis berada pada 94-141 BT dan 6 LU - 11 LS. Letak geografisnya, menjadikan Indonesia sebagai negara yang
Lebih terperinciOleh : Rahanimi Pembimbing : Dr. M Isa Irawan, M.T
PERAMALAN JUMLAH MAHASISWA PENDAFTAR PMDK JURUSAN MATEMATIKA MENGGUNAKAN METODE AUTOMATIC CLUSTERING DAN RELASI LOGIKA FUZZY (STUDI KASUS di INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA) Oleh : Rahanimi
Lebih terperinciPENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TENGAH BERDASARKAN PERSENTASE PENDUDUK MISKIN TAHUN MENGGUNAKAN METODE KOHONEN
Prosiding Seminar Nasional Matematika dan Terapannya 016 p-issn : 550-0384; e-issn : 550-039 PENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TENGAH BERDASARKAN PERSENTASE PENDUDUK MISKIN TAHUN 009-013 MENGGUNAKAN
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI
84 BAB IV IMPLEMENTASI DAN EVALUASI Pada bab ini akan dibahas mengenai implementasi sistem yaitu spesifikasi sistem dan cara menggunakan aplikasi segmentasi citra dengan menggunakan metode Fuzzy C- Means
Lebih terperinciProses Pengelompompokan Saraf Menggunakan Jaringan Saraf Tiruan (JST) dengan Algoritme Self-Organizing Maps (SOM)
Prosiding Statistika ISSN: 2460-6456 Proses Pengelompompokan Saraf Menggunakan Jaringan Saraf Tiruan (JST) dengan Algoritme Self-Organizing Maps (SOM) 1 Tantri Lestari, 2 Abdul Kudus, 2 Sutawanir Darwis
Lebih terperinciKECERDASAN BUATAN ARTIFICIAL INTELLIGENCE. Copyright: Anik Handayani FT-UM
KECERDASAN BUATAN ARTIFICIAL INTELLIGENCE Copyright: Anik Handayani FT-UM ARTIFICIAL INTELLIGENCE Mata Kuliah:Kecerdasan Buatan (Artificial Intelligence/AI) Deskripsi Mengenai Kecerdasan Buatan Kecerdasan
Lebih terperinciBAB V KESIMPULAN DAN SARAN
BAB V KESIMPULAN DAN SARAN V.1 Kesimpulan Setelah dilakukan perancangan sistem evaluasi mutu berbasis komputer (logika fuzzy, pengolahan citra dan JST), maka dapat disimpulkan bahwa : 1. Program logika
Lebih terperinciZONASI DAERAH BAHAYA KEGEMPAAN DENGAN PENDEKATAN PEAK GROUND ACCELERATION (PGA)
ZONASI DAERAH BAHAYA KEGEMPAAN DENGAN PENDEKATAN PEAK GROUND ACCELERATION (PGA) Edy Irwansyah 1, Edi Winarko 2 1 School of Computer Science, Universitas Bina Nusantara, Jakarta Jl. K.H. Syahdan No. 9,
Lebih terperinciBAB I PENDAHULUAN. Gambar I.1. Grafik One Earthquake cycle fase interseismic postseismic[andreas, 2005]
BAB I PENDAHULUAN 1.1 Latar Belakang Gempa bumi didefinisikan sebagai getaran sesaat, gempa sendiri terjadi akibat pergeseran secara tiba-tiba pada kerak bumi. Pergeseran ini terjadi karena adanya suatu
Lebih terperinciPengelompokan Data Guru Untuk Pemilihan Calon Pengawas Satuan Pendidikan Menggunakan Metode Fuzzy C-Means dan Kohonen Self Organizing Maps
Pengelompokan Data Guru Untuk Pemilihan Calon Pengawas Satuan Pendidikan Menggunakan Metode Fuzzy C-Means dan Kohonen Self Organizing Maps Muslem 1, Eko Mulyanto Yuniarno 2, I Ketut Eddy Purnama 3 Magister
Lebih terperinciPREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI SAMUEL ANTHONIUS MADUWU
PREDIKSI PERMINTAAN KREDIT MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) SKRIPSI SAMUEL ANTHONIUS MADUWU 091402118 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
Lebih terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
Lebih terperinciPENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION
PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION Suhendry Effendy Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University
Lebih terperinciPerbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit
Perbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit Sri Redjeki Program Studi Teknik Informatika STMIK AKAKOM Yogyakarta, Indonesia dzeky@akakom.ac.id Abstrak
Lebih terperinciPETA MIKROZONASI PENGARUH TSUNAMI KOTA PADANG
PETA MIKROZONASI PENGARUH TSUNAMI KOTA PADANG Nama : I Made Mahajana D. NRP : 00 21 128 Pembimbing : Ir. Theodore F. Najoan, M. Eng. FAKULTAS TEKNIK JURUSAN TEKNIK SIPIL BANDUNG ABSTRAK Pesisir pantai
Lebih terperinciAPLIKASI FUZZY -MEANS CLUSTERINGUNTUK MENGELOMPOKKAN DATA GEMPABUMI DI PROVINSI BENGKULU
Eksakta Vol. 18 No. 2, Oktober 2017 http://eksakta.ppj.unp.ac.id E-ISSN : 2549-7464 P-ISSN : 1411-3724 APLIKASI FUZZY -MEANS CLUSTERINGUNTUK MENGELOMPOKKAN DATA GEMPABUMI DI PROVINSI BENGKULU Nur Afandi,
Lebih terperinciData Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata
Data Mining dengan Algoritma Fuzzy C-Means Clustering Dalam Kasus Penjualan di PT Sepatu Bata Cakra Ramadhana 1, Yohana Dewi Lulu W 2, Kartina Diah K. W. 3 1,2 Program Studi Sistem Informasi, Politeknik
Lebih terperinciPENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA
PENERAPAN ALGORITMA FUZZY C-MEANS (FCM) PADA PENENTUAN LOKASI PENDIRIAN LOKET PEMBAYARAN AIR PDAM SALATIGA Trevi Meri Andriyani 1, Lilik Linawati 2, Adi Setiawan 3 1 Mahasiswa Program Studi Matematika
Lebih terperinciStudent Clustering Based on Academic Using K-Means Algoritms
Student Clustering Based on Academic Using K-Means Algoritms Hironimus Leong, Shinta Estri Wahyuningrum Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com
Lebih terperinciPENGELOMPOKAN DAN ANALISIS PELANGGAN DENGAN MENGGUNAKAN FUZZY C-MEANS CLUSTERING
PENGELOMPOKAN DAN ANALISIS PELANGGAN DENGAN MENGGUNAKAN FUZZY C-MEANS CLUSTERING Benedictus Andrian Henry Threstanto¹, Dhinta Darmantoro², Kiki Maulana³ ¹Teknik Informatika,, Universitas Telkom Abstrak
Lebih terperinciPERANCANGAN APLIKASI JARINGAN SARAF TIRUAN UNTUK PREDIKSI NILAI TUKAR RUPIAH TERHADAP MATA UANG ASING
PERANCANGAN APLIKASI JARINGAN SARAF TIRUAN UNTUK PREDIKSI NILAI TUKAR RUPIAH TERHADAP MATA UANG ASING Danny Horia Komp. Duta Harapan Indah Blok JJ no 52 021-6682844 dannybinuz@gmail.com Binus University
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN MOMENT INVARIANT DAN ALGORITMA BACK PROPAGATION Nasep Muhamad Ramdan (0522135) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jalan Prof. Drg.
Lebih terperinciIDENTIFIKASI NOMOR POLISI KENDARAAN BERMOTOR MENGGUNAKAN JARINGAN SYARAF TIRUAN SELF ORGANIZING MAPS (SOMS)
Powered by TCPDF (www.tcpdf.org) IDENTIFIKASI NOMOR POLISI KENDARAAN BERMOTOR MENGGUNAKAN JARINGAN SYARAF TIRUAN SELF ORGANIZING MAPS (SOMS) Inung Wijayanto¹, Iwan Iwut Tritoasmoro², Koredianto Usman³
Lebih terperinciKLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING
KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING Moh Ahsan Universitas Kanjuruhan Malang ahsan@unikama.ac.id ABSTRAK. Universitas Kanjuruhan Malang
Lebih terperinciPENGELOMPOKAN DAMPAK GEMPA BUMI DARI SEGI KERUSAKAN FASILITAS PADA PROVINSI YANG BERPOTENSI GEMPA DI INDONESIA MENGGUNAKAN K-MEANS-CLUSTERING
PENGELOMPOKAN DAMPAK GEMPA BUMI DARI SEGI KERUSAKAN FASILITAS PADA PROVINSI YANG BERPOTENSI GEMPA DI INDONESIA MENGGUNAKAN K-MEANS-CLUSTERING Hepita Artatia, RB Fajriya Hakim Program Studi Statistika Fakultas
Lebih terperinciBAB I PENDAHULUAN. efektivitas dan efisiensi kerja tercapai. STIKOM Surabaya merupakan salah
BAB I PENDAHULUAN 1.1 Latar belakang masalah Solusi pemanfaatan teknologi komputer sebagai alat bantu dalam mendukung kegiatan operasional suatu bidang usaha memudahkan manusia dalam mendapatkan data atau
Lebih terperinciCLUSTERING DATA KATEGORIK MENGGUNAKAN K-MODES DENGAN WEIGHTED DISSIMILARITY MEASURE
CLUSTERING DATA KATEGORIK MENGGUNAKAN K-MODES DENGAN WEIGHTED DISSIMILARITY MEASURE Lutfi Hidayat Ramdhani¹, Hetti Hidayati², Mahmud Dwi Suliiyo³ ¹Teknik Informatika,, Universitas Telkom Abstrak K-Modes
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciAhmad Mauliyadi M, Hizir Sofyan, dan Muhammad Subianto. Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Syiah Kuala
Tersedia di www.fmipa.unsyiah.ac.id Jurnal Matematika 00 (2013) 01 05 PERBANDINGAN METODE FUZZY C-MEANS (FCM) DAN FUZZY GUSTAFSON-KESSEL (FGK) MENGGUNAKAN DATA CITRA SATELIT QUICKBIRD (Studi Kasus Desa
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN MULTIDIMENSI MENGGUNAKAN K-MEANS CLUSTERING BERBASIS MAHALANOBIS DISTANCE
SISTEM PENDUKUNG KEPUTUSAN MULTIDIMENSI MENGGUNAKAN K-MEANS CLUSTERING BERBASIS MAHALANOBIS DISTANCE WRS Nurwidodo 1) dan Mochamad Hariadi 2) Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS Keputih,
Lebih terperinciLEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA
LEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA 1,2,3 Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara e-mail: edgar.audela.bb@students.usu.ac.id,
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 terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciBAB 1 PENDAHULUAN Building A Data WareHouse for Decision Support Second Edition Data Mining : Concepts, Models, Methods, and Algorithms
BAB 1 PENDAHULUAN 1.1. Pendahuluan Mesin hitung bernama Komputer sejak satu dekade ini telah tumbuh dan berkembang dengan pesat. Perkembangan ini meliputi sisi teknologi, kapasitas media penyimpanan, dan
Lebih terperinciK-Means Analysis Klasterisasi Kasus HIV/AIDS di Indonesia
K-Means Analysis Klasterisasi Kasus HIV/AIDS di Indonesia Okta Riveranda 1), Warnia Nengsih, S.Kom., M.Kom. 2) 1) Program Studi Sistem Informasi, Politeknik Caltex Riau, Pekanbaru 28265, email: okta12si@mahasiswa.pcr.ac.id
Lebih terperinciSTMIK GI MDP. Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012
Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2011/2012 CLUSTERING DATA PENJUALAN DAN PERSEDIAAN BARANG PADA PT SAYAP MAS UTAMA DENGAN METODE K-MEANS Ahmad Afif 2008250031
Lebih terperinciSYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM)
SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA),
Lebih terperinciCLUSTERING DATA PENCEMARAN UDARA SEKTOR INDUSTRI DI JAWA TENGAH DENGAN KOHONEN NEURAL NETWORK
CLUSTERING DATA PENCEMARAN UDARA SEKTOR INDUSTRI DI JAWA TENGAH DENGAN KOHONEN NEURAL NETWORK Budi Warsito, Dwi Ispriyanti dan Henny Widayanti Program Studi Statistika FMIPA UNDIP Semarang ABSTRACT Industrial
Lebih terperinciANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM)
ANALISIS KETERKAITAN DATA TRANSAKSI PENJUALAN BUKU MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA CENTROID LINKAGE HIERARCHICAL METHOD (CLHM) Nurani 1, Hamdan Gani 2 1 nurani_nanni@yahoo.com, 2 hamdan.gani.inbox@gmail.com
Lebih terperinciClustering Dampak Gempa Bumi di Indonesia Menggunakan Kohonen Self Organizing Maps
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 2017, Hal. 188-194 p-issn: 2580-4596; e-issn: 2580-460X Halaman 188 Clustering Dampak Gempa Bumi di Indonesia
Lebih terperinciGIS berbasis Web untuk Pemetaan Lahan menggunakan Classifier Model
Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 1 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id GIS berbasis Web untuk Pemetaan Lahan menggunakan Classifier Model Warnia Nengih Politeknik Caltex Riau,
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Wilayah dan Pengumpulan Data Wilayah dan pengumpulan data yang diambil untuk penelitian ini adalah di Kota Banda Aceh. Data yang digunakan adalah data pada tahun 2005-2007.
Lebih terperinciPengembangan Program Analisis Seismic Hazard dengan Teorema Probabilitas Total Bab I Pendahuluan BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Umum Gempa bumi adalah peristiwa bergeraknya permukaan bumi atau permukaan tanah secara tiba-tiba yang diakibatkan oleh pergerakan dari lempenglempeng bumi. Menurut M.T. Zein gempa
Lebih terperinciPerbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca
NATURALA Journal of Scientific Modeling & Computation, Volume 1 No.1 2013 7 ISSN 23030135 Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca Candra Dewi 1, M. Muslikh
Lebih terperinciPengelompokan Data DIPA Berbasis Penyerapan Anggaran Menggunakan Metode Self Organizing Map (SOM)
Pengelompokan Data DIPA Berbasis Penyerapan Anggaran Menggunakan Metode Self Organizing Map (SOM) Haerul Harun, I Ketut Eddy Purnomo 2, Eko Mulyanto Y. 3 Mahasiswa Jurusan Teknik Elektro, ITS, Surabaya
Lebih terperinciPENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING DATA ANGGARAN PENDAPATAN BELANJA DAERAH DI KABUPATEN XYZ
PENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING DATA ANGGARAN PENDAPATAN BELANJA DAERAH DI KABUPATEN XYZ SKRIPSI Diajukan untuk memenuhi salah satu syarat memperoleh Gelar Sarjana pada Program Studi Sistem
Lebih terperinciKLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS
KLASIFIKASI SISWA KELAS UNGGULAN MENGGUNAKAN FUZZY C-MEANS Nunik Mariastuti Wijilestari, Moch. Hariadi Jurusan Teknik Elektro Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 60
Lebih terperinciBAB I PENDAHULUAN. Gambar 1.1 Sebaran episenter gempa di wilayah Indonesia (Irsyam dkk, 2010). P. Lombok
2 BAB I PENDAHULUAN 1.1 Latar Belakang Gempabumi sangat sering terjadi di daerah sekitar pertemuan lempeng, dalam hal ini antara lempeng benua dan lempeng samudra akibat dari tumbukan antar lempeng tersebut.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Indonesia menempati zona tektonik yang sangat aktif karena tiga lempeng besar dunia (Indo-Australia, Pasifik dan Eurasia) dan sembilan lempeng kecil lainnya saling
Lebih terperinciProsiding Seminar Sains dan Teknologi FMIPA Unmul Vol. 1 No. 2 Desember 2015, Samarinda, Indonesia ISBN :
Clustering Data Status Tugas Belajar Dan Ijin Belajar Menggunakan Metode Fuzzy C-Means (Studi Kasus : Di Lingkungan Pemerintah Provinsi Kalimantan Timur) Fevin Triyas Rantika 1, Indah Fitri Astuti, M.Cs
Lebih terperinciESTIMASI PERMEABILITAS RESERVOIR DARI DATA LOG MENGGUNAKAN JARINGAN SYARAF TIRUAN PADA FORMASI MENGGALA PT CHEVRON PACIFIC INDONESIA
ESTIMASI PERMEABILITAS RESERVOIR DARI DATA LOG MENGGUNAKAN JARINGAN SYARAF TIRUAN PADA FORMASI MENGGALA PT CHEVRON PACIFIC INDONESIA Liana Zamri *, Juandi M, Muhammad Edisar Jurusan Fisika Fakultas Matematika
Lebih terperinciAplikasi Algoritma Competitive Network Untuk Clustering Minat Mahasiswa Terhadap Topik-Topik Penelitian
Aplikasi Algoritma Competitive Network Untuk Clustering Minat Mahasiswa Terhadap Topik-Topik Penelitian Wiji Lestari, Singgih Purnomo STMIK Duta Bangsa Surakarta ABSTRAK Clustering adalah suatu metode
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Perkembangan teknologi informasi yang semakin pesat berdampak pada terjadinya penurunan substansial dalam biaya penyimpanan data, peningkatan pesat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciPerancangan Sistem Pendukung Keputusan Pemasaran STIKOM Bali Menggunakan Metode Fuzzy C Means Clustering
JURNAL SISTEM DAN INFORMATIKA 21 Perancangan Sistem Pendukung Keputusan Pemasaran STIKOM Bali Menggunakan Metode Fuzzy C Means Clustering Putu Desiana Wulaning Ayu STMIK STIKOM Bali Jl. Raya Puputan no.86
Lebih terperinciAnalisis Perbandingan Algoritma Fuzzy C-Means dan K-Means
Analisis Perbandingan Algoritma Fuzzy C-Means dan K-Means Yohannes Teknik Informatika STMIK GI MDD Palembang, Indonesia Abstrak Klasterisasi merupakan teknik pengelompokkan data berdasarkan kemiripan data.
Lebih terperinciGIS berbasis Web untuk Pemetaan Lahan menggunakan Classifier Model
Jurnal Komputer Terapan Vol. 2, No. 1, Mei 2016, 1-6 1 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id GIS berbasis Web untuk Pemetaan Lahan menggunakan Classifier Model Abstrak Warnia Nengsih Politeknik
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Riau merupakan Provinsi yang terletak di bagian tengah Pulau Sumatra. Pulau Sumatra merupakan Pulau di bagian barat gugusan kepulauan Nusantara. Pulau Sumatra berada
Lebih terperinciData Mining II Estimasi
Data Mining II Estimasi Matakuliah Data warehouse Universitas Darma Persada Oleh: Adam AB Data Mining-2012-a@b 1 Tahapan proses datamining Input (Data) Metode (Algoritma Data Mining) Output (Pola/Model/
Lebih terperinci1 PENDAHULUAN 1.1 Latar Belakang
1 PENDAHULUAN 1.1 Latar Belakang Curah hujan merupakan faktor yang berpengaruh langsung terhadap perubahan cuaca yang semakin memburuk. Curah hujan merupakan total air hujan yang terjatuh pada permukaan
Lebih terperinciPenerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
Lebih terperinciIMPLEMENTASI ALGORITMA STOCHASTIC HILL CLIMBING PADA PERMAINAN MASTERMIND
IMPLEMENTASI ALGORITMA STOCHASTIC HILL CLIMBING PADA PERMAINAN MASTERMIND Ruby Vidian Hartanto, Joko Purwadi, Gunawan Santosa Program Studi Teknik Informatika Fakultas Teknik Universitas Kristen Duta Wacana
Lebih terperinciPENDEKATAN ARTIFICIAL NEURAL NETWORK (ANN) UNTUK MENGKLASIFIKASIKAN HEWAN VETEBRATA MENGGUNAKAN KOHONEN SELF ORGANIZING MAP (SOM)
PENDEKATAN ARTIFICIAL NEURAL NETWORK (ANN) UNTUK MENGKLASIFIKASIKAN HEWAN VETEBRATA MENGGUNAKAN KOHONEN SELF ORGANIZING MAP (SOM) 1 Tursina 1 Prodi. Teknik Informatika, Fakultas Teknik, Universitas Tanjungpura
Lebih terperinciPENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS
PENENTUAN NILAI PANGKAT PADA ALGORITMA FUZZY C- MEANS WULAN ANGGRAENI wulangussetiyo@gmail.com Program Studi Pendidikan Matematika Universitas Indraprasta PGRI Abstract. The purpose of this study was to
Lebih terperinciPREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA ANFIS
PREDIKSI KEBANGKRUTAN PERUSAHAAN MENGGUNAKAN ALGORITMA ANFIS TUGAS AKHIR Sebagai Persyaratan Guna Meraih Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang Disusun Oleh: Fittriyah 0 8
Lebih terperinciDIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
DIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Bambang Yuwono 1), Heru Cahya Rustamaji 2), Usamah Dani 3) 1,2,3) Jurusan Teknik Informatika UPN "Veteran" Yogyakarta
Lebih terperinciPEMETAAN BAHAYA GEMPA BUMI DAN POTENSI TSUNAMI DI BALI BERDASARKAN NILAI SESMISITAS. Bayu Baskara
PEMETAAN BAHAYA GEMPA BUMI DAN POTENSI TSUNAMI DI BALI BERDASARKAN NILAI SESMISITAS Bayu Baskara ABSTRAK Bali merupakan salah satu daerah rawan bencana gempa bumi dan tsunami karena berada di wilayah pertemuan
Lebih terperinciPENGENALAN HURUF HASIL DARI TULISAN TANGAN MENGGUNAKAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION
PENGENALAN HURUF HASIL DARI TULISAN TANGAN MENGGUNAKAN ALGORITMA FORWARD-ONLY COUNTER PROPAGATION ABSTRAK Gerald Patrick Siahainenia (0522128) Jurusan Teknik Elektro email : gerald_patrick2000@yahoo.com
Lebih terperinciPENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI
PENGEMBANGAN APLIKASI PENENTUAN TINGKAT KEUNTUNGAN PADA E- COMMERCE DENGAN MENGGUNAKAN ALGORITMA K-MEANS DAN APRIORI Gunawan 1, Fandi Halim 2, Tony Saputra Debataraja 3, Julianus Efrata Peranginangin 4
Lebih terperinciGround Motion Modeling Wilayah Sumatera Selatan Berdasarkan Analisis Bahaya Gempa Probabilistik
JURNAL SAINS DAN SENI ITS Vol. 5 No. 2 (2016) 2337-3520 (2301-928X Print) B-129 Ground Motion Modeling Wilayah Sumatera Selatan Berdasarkan Analisis Bahaya Gempa Probabilistik Samsul Aprillianto 1, Bagus
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Gambaran Umum Manusia mempunyai kemampuan untuk belajar sejak dia dilahirkan, baik diajarkan maupun belajar sendiri, hal ini dikarenakan manusia mempunyai jaringan saraf.
Lebih terperinciImplementasi Algoritma Fuzzy C-Means Untuk Clustering Penderita Tuberculosis di Kota Semarang
Implementasi Algoritma Fuzzy C-Means Untuk Clustering Penderita Tuberculosis di Kota Semarang Implementation Of Fuzzy C-Means Algorithm For Clustering Tuberculois Patients at Semarang. Devi Dwi R¹, Etika
Lebih terperinciCLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN
CLUSTERING KARYAWAN BERDASARKAN KINERJA DENGAN MENGGUNAKAN LOGIKA FUZZY C-MEAN Fitri Wulandari, Rinto Setiawan Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif
Lebih terperinciPenyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks
Penyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks Dewi Erla Mahmudah 1, Ratna Dwi Christyanti 2, Moh. Khoridatul Huda 3,
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam dunia bisnis pada jaman sekarang, para pelaku bisnis senantiasa selalu berusaha mengembangkan cara-cara untuk dapat mengembangkan usaha mereka dan memperhatikan
Lebih terperinci