JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
|
|
- Farida Kusnadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 Medan Jln. Sisingamangaraja No.338 Simpang Limun Medan // manalu.marihot@yahoo.co.id ABSTRAK Jaringan Saraf Tiruan merupakan program komputer yang dapat meniru proses pemikiran dan pengetahuan untuk menyelesaikan suatu masalah yang spesifik. Implementasi Jaringan Saraf Tiruan banyak dipandang sebagai cara penyimpanan pengetahuan pada bidang tertentu dalam program computer sehingga keputusan dapat diberikan dalam melakukan penalaran secara cerdas. Salah satu implementasi yang diterapkan jaringan saraf tiruan untuk melakukan prediksi curah hujan.diharapkan dengan sistem ini, masyarakat dapat menyelesaikan masalah tertentu baik sedikit rumit sekalipun tanpa bantuan para ahli dalam bidang tersebut. Sedangkan bagi para ahli, sistem ini dapat digunakan sebagai asisten yang berpengalaman. Aplikasi yang digunakan ini bertujuan untuk memprediksi curah hujan dengan hanya menganalisa data tersebut. Dengan menggunakan metode Backpropagation, maka akan diketahui prediksi curah hujan tersebut. Metode Backpropagation sangat bermanfaat untuk Jaringan Saraf Tiruan memprediksi curah hujan. Kata kunci : Jaringan Syaraf Tiruan, Prediksi Curah Hujan, Backpropagation 1. Pendahuluan 1.1 Latar Belakang Masalah Salah satu cabang dari AI (Artificial Intelligence) adalah apa yang dikenal dengan Jaringan Saraf Tiruan (Artificial Neural Network). Jaringan saraf tiruan merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan saraf tiruan mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan dipelajari oleh jaringan saraf tiruan sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari. Perkembangan ini seiring dengan munculnya berbagai masalah yang tidak dapat diselesaikan secara efisien oleh proses komputasi konvensional karena algoritma yang ada tidak dapat diformulasikan secara eksplisit dan membutuhkan informasi dalam jumlah yang besar. (Kristanto,2004). Prediksi adalah suatu proses memperkirakan secara sistematis tentang sesuatu yang paling mungkin terjadi di masa depan berdasarkan informasi masa lalu dan sekarang yang dimiliki agar kesalahannya (selisih antara sesuatu yang terjadi dengan hasil perkiraan) dapat diperkecil. Prediksi tidak harus memberikan jawaban secara pasti kejadian yang akan terjadi, melainkan berusaha untuk mencari jawaban sedekat mungkin yang akan terjadi. Kondisi cuaca sangat berpengaruh dalam kehidupan sehari-hari, seperti dalam bidang pertanian, transportasi dan industri. Dalam bidang pertanian, faktor cuaca dijadikan sebagai salah satu pertimbangan dalam penentuan kecocokan jenis tanaman yang akan dibudidayakan. Dalam bidang transportasi, factor cuaca sangat mempengaruhi kelancaran jalur transportasi, baik transportasi laut maupun udara. Sedangkan dalam bidang industri, banyak industri tradisional banyak yang masih bergantung pada kondisi cuaca. Industri itu umumnya membutuhkan panas matahari, antara lain industri genteng, batu bata dan kerupuk. Maka dari itu pengamatan terhadap kondisi cuaca, khususnya kondisi curah hujan sangat penting dilakukan. Jaringan syaraf tiruan terdiri dari beberapa metode, yaitu metode hebb, metode perceptron, metode backpropagation, metode adaline. Dari beberapa metode tersebut yang digunakan untuk memprediksi curah hujan ini adalah metode backpropagation. Pada penelitian sebelumnya telah dipaparkan tentang metode backpropagation oleh Frans Indra Conery Saragih dengan jurnal Jaringan Syaraf Tiruan Memprediksi Ketersediaan Bahan Bakar Solar dengan Menggunakan Metode Backpropagation menyatakan bahwa metode Backpropagation adalah metode penurunan gradient meminimal untuk meminimalkan kuadrat eror keluaran atau algoritma pembelajaran yang terawasi dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung atau neuron-neuron yang ada pada lapisan tersembunyinya. 1.2 Rumusan Masalah Berdasarkan uraian pada latar belakang masalah maka yang menjadi perumusan masalah pada skripsi ini adalah sebagai berikut: 1. Bagaimana proses prediksi curah hujan berdasarkan data yang sebelumnya? 2. Bagaimana menerapkan metode backpropagation untuk memprediksi curah hujan? 3. Bagaimana pengujian prediksi curah hujan dengan software matlab 6.1? 1.4 Tujuan dan Manfaat Tujuan Adapun yang menjadi tujuan dari penulisan 35
2 skripsi ini adalah: 1. Menjelaskan proses prediksi curah hujan berdasarkan data yang sebelumnya. 2. Menerapkan metode backpropagation untuk memprediksi curah hujan. 3. Menguji prediksi curah hujan manual dengan software matlab Manfaat Adapun yang menjadi manfaat dari penulisan skripsi ini adalah: 1. Agar BMKG dapat memprediksi curah hujan dari data yang sebelumnya. 2. Menghasilkan aplikasi yang dapat memprediksi curah hujan. 3. Dapat menentukan prediksi curah hujan pada tahun berikutnya. 2. Landasan Teori 2.1 Jaringan Syaraf Tiruan Jaringan saraf tiruan adalah paradigma pengelolaan informasi yang terispirasi sistem saraf secara biologis, seperti proses informasi pada otak manusia. Paradigma adalah struktur sistem pengelolaan informasi terdiri dari sejumlah besar proses pemrosesan yang berhubungan (neuron), bekerja serentak untuk menyelesaikan masalah tertentu. Hal yang sama di utarakan oleh simon Haykin, yang menyatakan bahwa jaringan saraf tiruan adalah sebuah mesin yang dirancang untuk memodelkan cara otak manusia mengerjakan fungsi atau tugas tugas tertentu. 2.2 Arsitektur Jaringan Syaraf Tiruan Arsitektur jaringan saraf tiruan terdiri atas beberapa lapisan yaitu lapisan masukan (input layer), lapisan tersembunyi (hidden layar), dan lapisan keluaran (Output layer). Masing masing lapisan mempunyai jumlah node atau neuron yang berbedabeda. Arsitektur jaringan saraf tiruan dapat diilustrasikan seperti pada gambar ini : Gambar 1: Arsitektur jaringan saraf tiruan Sumber: Diyah Puspitaningrum, Lapisan masukan (input layer) Lapisan merupakan lapisan terdiri dari beberapa neuronyang akan menerima sinyal dari luar kemudian meneruskan ke neuron lain dalam jaringan. 2. Lapisan tersembunyi (hidden layer) Lapisan tersembunyi merupan tiruan dari sel-sel saraf konektor pada jaringan saraf biologis. Tersembunyi berfungsi meningkatkan kemampuan jaringan dalam memecahkan masalah 3. Lapisan keluaran (Output layer) Lapisan keluaran berfungsi menyalurkan sinyal sinyal keluaran hasil pemrosesan jaringan lapisan ini juga terdiri dari sejumlah neuron. (Diyah Puspitaningrum,2006: 9).\ 2.3 Algoritma Backpropagation Algoritma pelatihan jaringan syaraf perambatan galat mundur terdiri atas dua langkah, perambatan maju dan perambatan mundur. Langkah perambatan maju dan peramabatan mundur ini dilakukan pada jaringan untuk setiap pola yang diberikan selama jaringan mengalami pelatihan (Badrul Anwar, 2011). 1. Inisialisasi bobot (ambil nilai random yang cukup kecil). 2. Tahap perambatan maju(forward propagation) a. Setiap unit input (X 1, i=1,2,3,,n) menerima sinyal x i dan meneruskan sinyal tersebut ke semua unit pada lapisan tersembunyi. b. Setiap unit tersembunyi (Z 1, j=1,2,3,,p) menjumlahkan bobot sinyal input, z_in j = v 0j n + x i v ij (9) i=1 Dan menerapkan fungsi aktivasi untuk menghitung sinyal output-nya, ditunjukkan z j = f z in j (10) Fungsi aktivasi yang digunakan adalah fungsi sigmoid, kemudian mengirimkan sinyal tersebut ke semua unit output. c. Setiap unit output (Y k, k=1,2,3,,m) menjumlahkan bobot sinyal input, y_in k p = w 0k + z i w jk (11) i=1 Dan menerapkan fungsi aktivasi untuk menghitung sinyal output-nya, ditunjukkan dengan persamaan (4). y k = f y in k (12) 3. Tahap perambatan balik (back propagation) a. Setiap unit output (Y k, k=1,2,3,,m) menerima pola target yang sesuai dengan pola input pelatihan, kemudian hitung error, δ k = t k y k f y in k (13) f adalah turunan dari fungsi aktivasi. Kemudian hitung korelasi bobot, ditunjukkan 36
3 w kj = αδ k z j (14) Dan menghitung koreksi bias, ditunjukkan w 0k = αδ k (15) Sekaligus mengirimkan δ k ke unit-unit yang ada di lapisan paling kanan. b. Setiap unit tersembunyi (Z j, j=1,2,3,,p) menjumlahkan delta input-nya (dari unit-unit yang berada pada lapisan di kanannya), δ_in j m = δ k w jk (16) k=1 Untuk menghitung informasi error, kalikan nilai ini dengan turunan dari fungsi aktivasinya, ditunjukkan dengan persamaan berikut: δ j = δ in j f z in j (17) Kemudian hitung koreksi bobot, ditunjukkan v jk = αδ j x i (18) Setelah itu, hitung juga koreksi bias, v 0j = αδ j (19) 4. Tahap perubahan bobot dan bias a. Setiap unit output (Y k, k=1,2,3,,m) dilakukan perubahan bobot dan bias (j=0,1,2,,p), ditunjukkan dengan persamaan berikut: w jk baru = w jk lama + w jk (20) Setiap unit tersembunyi (Z j, j=1,2,3,,p) dilakukan perubahan bobot dan bias (i=0,1,2,,n), ditunjukkan dengan persamaan berikut: v ij baru = v ij lama + v ij (21) b. Tes kondisi berhenti. 2.4 Curah Hujan Curah hujan adalah jumlah air yang jatuh di permukaan tanah datar selama periode tertentu yang diukur dengan satuan tinggi milimeter (mm) di atas permukaan horizontal. Indonesia merupakan negara yang memiliki angka curah hujan yang bervariasi dikarenakan daerahnya yang berada pada ketinggian yang berbeda-beda. Curah hujan 1 (satu) milimeter, artinya dalam luasan satu meter persegi pada termpat yang datar tertampung air setinggi satu milimeter atau tertampung air sebanyak satu liter. (Indrabayu,2012). 3. Analisa dan Pembahasan 3.1 Analisa Masalah Data yang digunakan adalah data bulanan tahun , yaitu : 1. Data masuk dengan 36 input yang berasal dari bulan Januari 2012 sampai dengan desember Data bersumber dari BMKG Wilayah I Medan. Data asli yang diperoleh dari BMKG Wilayah I Medan. Kemudian dilakukan pemilihan arsitektur yang tepat pada jaringan saraf tiruan untuk mendapatkan hasil prediksi yang optimal. Setelah arsitektur jaringan ditentukan maka dilakukan dilakukan proses training, dimana sistem akan dilatih sehingga dapat mengenali pola pasangan data input dan data target. Testing dilakukan untuk mengetahui apakah sistem mampu memberikan hasil yang benar terhadap pasangan data input dan target yang pernah dilatih kedalam sistem. Dilakukan denormalisasi dari data yang telah di normalisasi untuk menjadi nilai output dari jaringan. 3.2 Normalisasi Data Data yang digunakan dalam penelitian ini merupakan data curah hujan tahun Data kemudian disusun dan dipilih variabel faktor-faktor dengan record data yang memiliki informasi paling lengkap. Data tersebut kemudian akan di bagi menjadi 2 bagian, yaitu data pelatihan (training), data pengujian (testing). Sebanyak 80% data digunakan untuk proses training dan 20% data digunakan untuk proses testing. Jika fungsi aktifasi dengan menggunakan sigmoid biner (range 0 sampai range 1), maka data harus ditransformasikan [0,1]. Tapi akan lebih baik di transformasikan pada range [0,1 0,8] karena fungsi sigmoid nilainya tidak pernah 0 ataupun 1. Untuk mentransformasikan dengan dengan rumus: 0.8(x a) x = b a Dimana: x = Hasil normalisasi x = Data awal a = Nilai minimal data awal b = Nilai maximal data awal Dari persamaan diatas maka dapat ditentukan : 1. 73,8 = Data minimal awal ,7 = Data maximal awal Normalisasi: 1. Januari ,2 73,8 = 0, Februari ,7 73,8 =0, Maret ,4 73,8 =0, April ,3 73,8 =0, Mei
4 ,7 73,8 =0, Implementasi dan Pengujian 4.1 Pelatihan dan Pengujian Data dengan Matlab Dalam melakukan pelatihan dan pengujian hasil dari pengolahan data jumlah curah hujan, maka pengolahan data tersebut juga akan diujikan ke dalam sistem komputerisasi. Software yang akan digunakan dalam pengujian data proses penentuan jumlah curah hujan pada bulan berikutnya tersebut yaitu dengan memanfaatkan software Matlab Pelatihan Pertama dengan 12 Pelatihan dan 12 Pengujian Langkah pertama yang harus dilakukan untuk metode backpropagation dengan Matlab 6.1 adalah dengan membuat inisialisasi jaringan. Namun sebelumnya data yang akan diujikan haruslah dibagi menjadi dua (2) bagian, di mana bagian pertama adalah untuk data pelatihan dan bagian kedua adalah untuk data pengujian. Tabel data yang akan dilatih dan diujikan dapat dilihat pada tabel 1 dan tabel 2seperti berikut: Tabel 1: Data Curah Hujan Kota Medan Tahun Curah Hujan Kota Medan (mm) Bulan Tahun Tahun Tahun Januari 112,2 118,5 210,9 Februari 266,7 199,3 190,3 Maret 124,4 73,8 203,1 April 262, ,1 Mei 363,7 96,4 310,1 Juni 121, ,6 Juli 122,6 172,8 134,2 Agustus 138,3 213,5 423,6 September 244,4 180,6 286,4 Oktober 296, ,7 November 226, ,7 Desember 160,8 488,6 273 Tabel 3: Data Pengujian Prediksi Curah Hujan Pola X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 X 11 X 12 Target 13 0,167 0,289 0,100 0,214 0,134 0,171 0,249 0,310 0,260 0,508 0,113 0,725 0, ,289 0,100 0,214 0,134 0,171 0,249 0,310 0,260 0,508 0,113 0,725 0,306 0, ,100 0,214 0,134 0,171 0,249 0,310 0,260 0,508 0,113 0,725 0,306 0,275 0, ,214 0,134 0,171 0,249 0,310 0,260 0,508 0,113 0,725 0,306 0,275 0,294 0, ,134 0,171 0,249 0,310 0,260 0,508 0,113 0,725 0,306 0,275 0,294 0,554 0, ,171 0,249 0,310 0,260 0,508 0,113 0,725 0,306 0,275 0,294 0,554 0,456 0, ,249 0,310 0,260 0,508 0,113 0,725 0,306 0,275 0,294 0,554 0,456 0,209 0, ,310 0,260 0,508 0,113 0,725 0,306 0,275 0,294 0,554 0,456 0,209 0,191 0, ,260 0,508 0,113 0,725 0,306 0,275 0,294 0,554 0,456 0,209 0,191 0,627 0, ,508 0,113 0,725 0,306 0,275 0,294 0,554 0,456 0,209 0,191 0,627 0,420 0, ,113 0,725 0,306 0,275 0,294 0,554 0,456 0,209 0,191 0,627 0,420 0, ,725 0,306 0,275 0,294 0,554 0,456 0,209 0,191 0,627 0,420 0, , Pelatihan Data dengan Model Data yang akan diolah menggunakan matlab dengan pola arsitektur , dengan data pelatihan sebanyak 12 nilai jumlah curah hujan pada tabel 1 dari nomor 13 sampai dengan 24. Adapun langkah-langkah pengolahan data menggunakan matlab ditetapkan sebagai berikut: a. Menetapkan Bobot Awal Bobot awal lapisan input ke lapisan tersembunyi pertama seperti yang terdapat pada tabel 2 Tabel 3 Bobot Awal Lapisan Input Ke Lapisan Tersembunyi Pola Z 1 Z 2 Z 3 X X X X X X X X X X X X Bobot bias awal lapisan input ke lapisan tersembunyi adalah sebagai berikut: Bobot awal lapisan tersembunyi ke lapisan output adalah sebagai berikut: Bobot bias awal lapisan tersembunyi ke lapisan output adalah sebagai berikut: b. Menetapkan Parameter Yang digunakan 38
5 Sebelum data diuji dalam proses pelatihan, maka perlu ditetapkan terlebih dahulu parameterparameter yang perlukan dalam proses pelatihan. Adapun parameter-parameter yang diperlukan adalah sebagai berikut: >>net.trainparam.lr=0.1; Parameter ini digunakan untuk menentukan laju pemahaman (α = learning rate). Default =0.01, semakin besar nilai α, maka semakin cepat pula proses pelatihan. Akan tetapi jika nilai α terlalu besar, maka algoritma menjadi tidak stabil mencapai titik minimum lokal. >>net.trainparam.goal=0.01; Parameter ini digunakan untuk menentukan batas nilai MSE agar iterasi dihentikan. Iterasi akan berhenti jika MSE < batas yang ditentukan dalam net.trainparam.goal atau jumlah epoch yang telah ditentukan dalam net.trainparam.epochs. >>net.trainparam.show=1000; Parameter ini digunakan untuk menampilkan frekuensi perubahan MSE (default : setiap 25 epoch). >>net.trainparam.epochs=50000; Parameter ini digunakan untuk menentukan jumlah epoch maksimum pelatihan. c. Melihat Keluaran yang Dihasilkan Untuk melihat hasil yang dikeluarkan oleh jaringan dapat menggunakan perintah sebagai berikut: >>[a,pf,af,e,perf]=sim(net,p,[],[],t) Setelah dilakukan perulangan maka ditemukan error minimum pada epoch 4318 seperti pada gambar 2 di bawah ini : Gambar 2 : Pelatihan Pola Mencapai Goal 4.4 Hasil Implementasi Implementasi yang dilakukan menggunakan aplikasi perangkat lunak matlab 6.1 metode jaringan syaraf tiruan dalam prediksi curah hujan ini memiliki 2 bagian proses yaitu : Proses input data yang terdiri dari 12 (dua belas) buah variabel dan 1 (satu) variabel target yang diambil dari laporan jumlah curah hujan. Proses penentuan hasil data yang diolah yang mencakup proses merefresentasi data pengajuan serta mentransformasikan data tersebut ke fungsi aktivasi sigmoid biner, menghitung nilai bobot tersebut kedalam tahapan Backpropagation. Proses pengujian dilakukan dengan menggunakan software aplikasi Matlab 6.1. Model Jaringan Syaraf yang digunakan adalah , model , model , model Untuk hasil perbandingan pengujian yang lebih rinci dapat dilihat pada tabel 4. Tabel 4 Hasil Pengujian Sistem Dari keempat model yang digunakan penulis dalam proses pelatihan system jaringan Syaraf Tiruan dengan algoritma backpropagation dengan menggunakan matlab 6.1 dengan sampel data jumlah curah hujan setiap bulannya dalam kurun waktu 3 tahun yang di ubah menjadi pola pelatihan sebanyak 12 testing dan 12 training, maka penulis menyimpulkan bahwa model terbaik adalah model dengan proses perulangan (epoch) pada saat pelatihan dengan epoch=1263 dan pencapaian MSE pada saat pelatihan dengan MSE = Adapun data perbandingan dari masing-masing model dapat di lihat sebagai berikut: 39
6 Tabel 5. Perbandingan MSE dari Empat Pola yang Diuji MSE Kesimpulan dan Saran 5.1 Kesimpulan Dari hasil penulisan dan analisa dari bab-bab sebelumnya, maka dapat diambil kesimpulan, dimana kesimpulan tersebut kiranya dapat berguna bagi para pembaca, sehingga penulisan skripsi ini dapat lebih bermanfaat. Adapun kesimpulan-kesimpulan tersebut adalah sebgai berikut. 1. Untuk dalam memprediksi curah hujan dari data sebelumnya supaya pihak BMKG Medan bisa terbantu dengan hasil prediksi. 2. Penerapan metode Backpropagation yaitu untuk Memprediksi curah hujan dengan data yang sebelumnya. 3. Data jumlah curah hujan diuji menggunakan jaringan syaraf tiruan sudah memperoleh goal yang diharapkan berdasarkan beberapa pola yang paling bagus menggunakan software Matlab Saran Penulis juga memiliki beberapa saran untuk para pembaca. Adapun saran-saran yang dapat penulis berikan antara lain 1. Untuk pengembangan lebih lanjut, prediksi yang terbaik perlu adanya data minimal 2-5 sebelumnya agar bisa dilakukan pelatihan menggunakan Jaringan Syaraf Tiruan dengan metode Backpropagation. 2. Untuk pengembangan lebih lanjut, metode Backpropagation menggunakan software matlab untuk menghasilkan pola terbaik. 3. Untuk pengembangan lebih lanjut, pola atau pengujian minimal harus dengan 4 kali pengujian supaya hasil output atau eror terkecil bisa memperoleh prediksi yang akurat. Daftar Pustaka 1. hujan/2012/11/27/ ksi/. 3. T. Sutojo, Edy Mulyanto, Jaringan Saraf Tiruan, Muhammad arhani, Anita desiani, Jaringan Saraf Tiruan, Anwar, Badrul, Algoritma Metode Backpropagation, Kiki, Sri Kusumadewi Arsitektur jaringan Backpropagation, Komputer Pengolahan Image dengan Matlab 40
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
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 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 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 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV.
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV. Bryan Ponsel) Des Indeks Giawa Mahasiswa Teknik Informatika STMIK Budi
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 terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
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 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 terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciPERANCANGAN 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 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 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 terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih 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 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 terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih 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 terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih 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 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 terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciJARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION UNTUK PENENTUAN KELULUSAN SIDANG SKRIPSI
JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION UNTUK PENENTUAN KELULUSAN SIDANG SKRIPSI ekson Arizona Matondang Dosen Tetap STMIK Budi Darma Medan Jl Sisingamangaraja No 338 Sp Limun Medan http://wwwstmik-budidarmaacid
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciBAB 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 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 terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciEstimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan
Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan Andi Ihwan 1), Yudha Arman 1) dan Iis Solehati 1) 1) Prodi Fisika FMIPA UNTAN Abstrak Fluktuasi suhu udara berdasarkan
Lebih 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 terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
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 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 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 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 terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih 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 terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciJARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT )
JARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT ) Rima Liana Gema, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia
Lebih terperinciJurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN
PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal
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 terperinciPENERAPAN JARINGAN SARAF TIRUAN UNTUK PROYEKSI LOGISTIK BERDASARKAN PREDIKSI PASIEN MENGGUNAKAN ALGORITMA BACKPROPAGATION
PENERAPAN JARINGAN SARAF TIRUAN UNTUK PROYEKSI LOGISTIK BERDASARKAN PREDIKSI PASIEN MENGGUNAKAN ALGORITMA BACKPROPAGATION Risnawati 1, & Masitah Handayani 2 1,2 Program Studi Sistem Komputer, STMIK Royal
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PASIEN RAWAT INAP DENGAN METODE BACK PROPAGATION (Studi Kasus : RSU.
APLIKASI JARINGAN SARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PASIEN RAWAT INAP DENGAN METODE BACK PROPAGATION (Studi Kasus : RSU. TERE MARGARETH) Fitri Ruth Diani Br. Simangunsong 1, Surya Darma Nasution 2
Lebih terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih 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 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 terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih 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 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 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 terperinciSIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana
SIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana Mahasiswa Program Studi Teknik Informatika, Universitas
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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Jaringan Saraf Tiruan (JST) Jaringan saraf tiruan pertama kali secara sederhana diperkenalkan oleh McCulloch dan Pitts pada tahun 1943. McCulloch dan Pitts menyimpulkan bahwa
Lebih terperinciAnalisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi
Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi Kiki, Sri Kusumadewi Laboratorium Komputasi & Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih 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 terperinciIMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI
IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI
IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI LAJU INFLASI DI KABUPATEN KLATEN NASKAH PUBLIKASI diajukan oleh Kurniawati Handayani 09.11.3278 kepada SEKOLAH TINGGI MANAJEMEN
Lebih terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output
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 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 SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI
Media Informatika, Vol. 2, No. 2, Desember 2004, 1-11 ISSN: 0854-4743 JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI Kiki, Sri Kusumadewi Jurusan Teknik Informatika,
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih 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 terperinciPREDIKSI KEBUTUHAN LOGISTIK UNTUK SISTEM AKADEMIK DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN STUDI KASUS UNIVERSITAS PUTRA INDONESIA YPTK PADANG
PREDIKSI KEBUTUHAN LOGISTIK UNTUK SISTEM AKADEMIK DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN STUDI KASUS UNIVERSITAS PUTRA INDONESIA YPTK PADANG Sofika Enggari, S.Kom, M.Kom,,Fakultas Ilmu Komputer, Universitas
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 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 terperinciSISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN
SISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN Ahyuna 1), Komang Aryasa 2) 1), 2) Jurusan Teknik Informatika, STMIK Dipanegara Makassar 3) Jl. Perintis
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Beban dan Prakiraan Beban Listrik Di dalam sebuah sistem kelistrikan terdapat 2 sisi yang sangat berbeda, yaitu sisi beban dan sisi pembangkitan. Pada sisi beban atau beban
Lebih 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 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Jaringan Syaraf Tiruan (artificial neural network), atau disingkat JST menurut Hermawan (2006, hlm.37) adalah sistem komputasi dimana arsitektur dan operasi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkebunan di Negara kita sangat berperan penting baik dibidang ekonomi maupun sosial karena dapat menghasilkan devisa yang cukup besar. Pembangunan ekonomi jangka
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciANALISA PREDIKSI JUMLAH ORDER BARANG DENGAN ALGORITMA BACK PROPAGATION (Studi Kasus pada MART 165)
ANALISA PREDIKSI JUMLAH ORDER BARANG DENGAN ALGORITMA BACK PROPAGATION (Studi Kasus pada MART 165) Muhammad Reza Putra, S. Kom, M. Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang e-mail:
Lebih terperinciAPLIKASI ESTIMASI REGISTRASI MAHASISWA BARU MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BERDASARKAN PERBANDINGAN RATIO DOSEN DAN MAHASISWA
APLIKASI ESTIMASI REGISTRASI MAHASISWA BARU MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BERDASARKAN PERBANDINGAN RATIO DOSEN DAN MAHASISWA Debi Setiawan 1 Ramalia Noratama Putri 2 Gunadi 3 ABSTRACT The problem
Lebih terperinciJARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA
doi: https://doi.org/10.5281/zenodo.1207339 JARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA Siti Aisyah (1), Abdi Dharma (2), Mardi Turnip (3) Sistem Informasi Fakultas Teknologi dan Ilmu Komputer
Lebih terperinciJurnal Coding, Sistem Komputer Untan Volume 04, No.2 (2016), hal ISSN : x
DETEKSI PENYAKIT PADA TANAMAN JERUK PONTIANAK DENGAN METODE JARINGAN SARAF TIRUAN BACKPROPAGATION [1] Fitrajaya Nugraha, [2] Beni Irawan, [3] Dwi Marisa Midyanti [1] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU
ANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU Rosmelda Ginting 1*, Tulus 1, Erna Budhiarti Nababan 1 Program S2 Teknik Informatika
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 terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION Havid Syafwan 1, Herman Saputra 2 *1 Program Studi Manajemen Informatika, AMIK
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI JUMLAH PENDUDUK DI YOGYAKARTA NASKAH PUBLIKASI
IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI JUMLAH PENDUDUK DI YOGYAKARTA NASKAH PUBLIKASI diajukan oleh Setyo Nugroho 10.11.4264 kepada SEKOLAH TINGGI MANAJEMEN INFROMATIKA
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciBAB I PENDAHULUAN. universitas swasta yang memiliki 7 Fakultas dengan 21 Program Studi yang
BAB I PENDAHULUAN A. Latar Belakang Masalah Universitas Muhammadiyah Ponorogo merupakan salah satu universitas swasta yang memiliki 7 Fakultas dengan 21 Program Studi yang terdiri dari : 3 program studi
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
Lebih terperinciPRISMA FISIKA, Vol. I, No. 1 (2013), Hal ISSN :
Prediksi Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik Abraham Isahk Bekalani, Yudha Arman, Muhammad Ishak Jumarang Program
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini akan dibahas mengenai teori-teori pendukung pada penelitian ini. Adapun teori tersebut yaitu teori jaringan saraf tiruan dan algoritma backpropragation. 2.1. Jaringan Saraf
Lebih terperinci1. Pendahuluan Pasar modal memungkinkan para investor mempunyai berbagai pilihan investasi yang sesuai dengan preferensi risiko mereka. Seandainya tid
OPTIMASI PORTOFOLIO MENGGUNAKAN JARINGAN SARAF TIRUAN Rima Marina Yusiana Jurusan Teknik Informatika, Universitas Gunadarma, Depok Email: rima.marina@yahoo.com Abstraksi Dalam penulisan ini data yang digunakan
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciSebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran
Sebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran Kecerdasan Buatan Pertemuan 11 Jaringan Syaraf Tiruan (Artificial Neural Network)
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinci2 2 ... v... 3 Santoso... 21 abawa... 29... 37... 53... 59... 67... 77 Yohakim Marwanta... 85... 89... 101 ... 109... 117 D. Jaringan Komputer Amirudd... 135 andha... 141... 151... 165 Syahrir... 171...
Lebih terperinci