DATA MINING WORKFLOW DENGAN SEGITIGA FUZZY. A ang Subiyakto Abstrak
|
|
- Hendri Hadiman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 DATA MINING WORKFLOW DENGAN SEGITIGA FUZZY A ang Subiyakto aangsubiyakto@yahoo.com Abstrak Paper ini membahas tentang konsep penggunaan Segitiga Fuzzy (SF) dalam dalam pengembangan data mining (DT), menjelaskan model framework konseptual dari DT dengan SF pada technique layer. Tujuannya adalah untuk memberikan gambaran alternatif optimalisasidm dalam workflow. Hal ini terkait dengan penentuan bagaimana peranan SF sebagai DM tools. Kesimpulannya adalah bahwa SF secara teoritik memberikan beberapa kelebihan dalam pengembangan DM. Hal ini didukung oleh hasil penelitian yang menjadi kajian bahwa penggunaan SF bisa menjadi pilihan terkait simplicity, elegance dan robustness. Kata kunci: SF, DM, technique layer, framework dan workflow 1. Pendahuluan DM merupakan salah satu komponen sistem pendukung keputusan dalam aplikasi kecerdasan bisnis yang meningkatkan nilai lebih dari suatu kumpulan data yang secara otomatis dengan penerapan logika matematika tertentu [1]. Selanjutnya, DM memberikan hasil pengolahan datanya ke sistem informasi eksekutif sebagai bahan pengambilan keputusan [2]. Secara umum, penggunaan algoritma sering digunakan dalam pengembangan DM [3]. Tetapi dalam kasus-kasus tertentu, merata-ratakan beberapa nilai yang berdistribusi menjadi sebuah nilai tunggal akan menyebabkan informasi dari nilai-nilai itu akan tereduksi [4]. Mereka menjelaskan suatu metode yang memasukan semua informasi dari nilai-nilai yang terukur dari suatu input device ke dalam bagian input data jaringan syaraf tiruan agar lebih merepresentasikan keseluruhan data dan tidak ada informasi yang tereduksi dengan penggunaan SF. Paper ini menjelaskan konsep penggunaan SF sebagai DM tool dalam suatu workflow DM.
2 2. Segitiga Fuzzy Sistem pengenalan pola tertentu dari kumpulan data sangat berkembang dan sebagian besar menggunakan metode Jaringan Syaraf Tiruan (JST) seperti multilayer perceptron, back propagation dan lainnya. Implementasi untuk tehnik pengenalan polapun, saat ini banyak sudah dimanfaatkan pada segala bidang antara lain untuk sistem peringatan dini akan bahaya kebocoran gas, quality control untuk aroma, keperluan absensi pegawai dengan sidik jari, authenfication berbagai sistem login. Pada sistem pengenalan pola secara umum terdapat beberapa komponen yang terintegrasi. Komponen tersebut dikelompokan menjadi tiga bagian yaitu input data, processing data dan output data. Pada input data dilengkapi dengan alat kontrol yang berfungsi seperti sensor yang akan menerima data dari suatu parameter. Segitiga fuzzy merupakan suatu segitiga samakaki yang mempunyai tinggi sebesar satu satuan. Bagian alas kaki sebelah kiri segitiga menyatakan nilai minimum dari data yang terdistribusi dan bagian ujung kanannya menyatakan nilai maksimumnya, sedangkan nilai meannya akan berada di tengah-tengah alas segitiga tersebut. Metode JST dengan menggunakan segitiga fuzzy sebagai input data sudah diimplementasikan pada berbagai sistem dan hasilnya dapat dikenali dengan baik. Sedangkan hasil investigasi untuk perbandingan dengan JST menggunakan back propagation menunjukkan bahwa JST segitiga fuzzy ini lebih unggul [4] Metode Pembelajaran Segitiga Fuzzy Gbr. 1 menunjukkan segitiga fuzzy normalisasi dari sejumlah data masukan diambil dari sebuah input device, hasilnya apabila data bervariasi lebih besar, maka segitiga fuzzy akan menjadi besar pula. Nilai mean dari segitiga fuzzy di atas akan disimbolkan dengan x ij dengan j adalah jenis sensor dan i adalah jenis kategori aroma. Lebar segitiga dinyatakan sebagai similaritas fuzziness yang bernilai antara 0 s/d 1.
3 Gbr. 1. Segitiga Fuzzy [4] 2.2. Aturan Pembelajaran Nilai bobot atau weight factor pada JST yang menggunakan input data berbentuk segitiga fuzzy akan mempunyai bentuk dalam segitiga fuzzy pula. Proses pembelajaran sama dengan JST untuk Learning Vector Quantization. Terdapat tiga aturan pembelajaran untuk melakukan perubahan nilai bobot yang dalam hal ini dinamakan segitiga fuzzy referensi. Pertama, bila segitiga fuzzy hasil pengukuran yang dinamakan segitiga fuzzy training mempunyai kategori yang sama dengan segitiga fuzzy referensinya, maka dilakukan pergeseran posisi segitiga referensi dengan mendekati posisi segitiga fuzzy training dan dilakukan pelebaran dispersi (minimum dan maksimum). Kedua, bila segitiga fuzzy training mempunyai kategori yang berbeda dengan segitiga fuzzy referensinya, maka dilakukan pergeseran posisi segitiga referensi dengan menjauhkan posisi segitiga fuzzy training dan dilakukan penyempitan dispersi (minimum dan maksimum). Ketiga, bila segitiga fuzzy training dan segitiga fuzzy referensinya tidak dapat dioperasikan berarti ditemukan suatu kategori baru, maka semua segitiga referensi akan dilebarkan jangkauan dispersinya (minimum dan maksimum). Pada saat awal pembelajaran, segitiga fuzzy refenrensi perlu diinialisasikan secara acak. Selanjutnya akhir proses pembelajaran akan mendapatkan segitiga fuzzy referensi berbagai kategori, yang semuanya akan disimpan dalam suatu kodebook segitiga fuzzy.
4 2.3. Rumus pergeseran Menurut aturan pembelajaran diatas maka untuk kasus pertama yaitu apabila jaringan memberikan hasil yang benar, maka nilai m dari segitiga referensi akan diperbarui berdasarkan : m ij (t+1) = m ij (t)+ (t) {(1-m ij (t)} * {X j (t)-m ij (t)}... 1) Dengan adalah laju pembelajaran, selanjutnya nilai kiri dan kanan segitiga fuzzy referensi pemenang dilebarkan dengan rumus : m(t+1) = (f i - (m ij- f i ), m ij, f a + /f a -m ij )... 2) Dengan adalah konstanta pelebaran. Untuk kasus kedua, yaitu apabila jaringan memberikan hasil yang salah, maka nilai m dari segitiga fuzzy referensi akan diperbarui dengan, m ij (t+1) = m ij (t)- (t) (1-m ij (t)} * {X j (t)-m ij (t)}... 3) Selanjutnya nilai selanjutnya nilai kiri dan kanan segitiga fuzzy referensi pemenang disempitkan dengan rumus : m(t+1) = (f i+ (i-j).(m ij- f i )i, m ij, f a -(i-j) (f a -m ij ))... 4) Dengan adalah konstanta penyempitan. Untuk kasus ketiga yaitu apabila tidak ada perpotongan antara kedua segitiga fuzzy training dan referensi, maka segitiga fuzzy referensi untuk seluruh kategori dilebarkan dengan menggunakan persamaan, m ij (t+1) = * m ij (t)... 5) 3. Konsep Proses Permodelan DM Hornick MF et al. [5] mendefinisikan DM sebagai sebuah proses menemukan model dan relasi-relasi dalam data. Sebuah model yang menggambarkan penggunaan data secara historical dan mengaplikasikannya dalam suatu model baru untuk memperkiraan kecenderungan tertentu (classification dan regression), segmentasi populasi (clustering), penentuan relasi dalam pupulasi (association) dan sebagai identifikasi identitas (attribute importance). Yao et al. [6] menjelaskan sebuah framework konseptual dari DM dalam dua isu, yaitu bagaimana menjawab pertanyaanpertanyaan ilmiah ke dalam bentuk konsep penerapan dan ruang lingkup metode-metodenya.
5 Gbr. 2. Tiga Layer Framework Konseptual DM [6] Selanjutnya mereka menjelaskan framework konseptual DM dalam tiga layer (Gbr. 2), yaitu 1) philosophy layer, bagian yang menginvestigasi dasar-dasar pengetahuan DM dan menerjemahkannya ke dalam kenyataan, 2) technique layer, menjabarkan pengetahuan ke konteks ilmu komputer dalam bentuk bahasa pemrograman dan 3) application layer, menjabarkan efektifitas penggunaan pengetahuan Layer ini fokus pada penerjemahan kosa kata usefulness dan meaningfulness ke dalam bidang aplikasi tertentu dengan atribut-atribut efficiency, optimization, reliability, cost-effectiveness dan appropriateness untuk memenuhi kebutuhan riil dalam penerapannya. 4. Kesimpulan Penjelasan workflow DM oleh Hornick MF et al. [5] memperjelas gambaran framework di atas (Gbr. 3). Secara sederhana mereka menjelaskan DM sebagai sebuah aliran proses sebagai berikut: pertama, mendefinisikan masalah dan sasaran DM, mengidentifikasi kebutuhan data dan
6 menentukan kualitas data yang dibutuhkan. Kedua, mentransformasikan data dengan DM tool dengan penggunaan model matematika ke dalam bentuk model data baru. DM Tool (Implementasi SF) Gbr. 3. Workflow DM ([5], Diadopsi) Peranan model matematika dalam sub proses ini adalah mengekstrasi data sumber menjadi model data baru sesuai kebutuhan domain dan ketiga, pengolahan data dari model data baru ke dalam bentuk informasi sesuai jenis kebutuhan proses bisnis pengguna. Dan SF dapat direkomendasikan sebagai DM tool dengan jenis parameter tertentu dan terukur dari suatu input device ke dalam bagian input data JST agar lebih merepresentasikan keseluruhan basis data dengan tidak ada informasi yang tereduksi. Referensi: [1] Khosrow-Pour Mehdi. Dictionary of information science and technology. Vol. 1. Hershey: Idea Group Reference: 2007 [2] Stenzel Joe et al. CIO Best Practices Enabling Strategic Value with Information Technology. New Jersey: John Wiley & Sons, Inc.; 2007 [3] Wu Xindong et al. Top 10 algorithms in data mining. Di dalam: Knowledge Information System. Vol. 14. London: Springer; hlm [4] Budiarto Hary dan Subiyakto A ang. Pengenalan Pola dengan Segitiga Fuzzy untuk Model Input Data yang Berdistribusi. Prosiding. Bandung: Konferensi Nasional Sistem Informasi;
7 18 Feb 2006 [5] Hornick MF et al. Java Data Mining: Strategy, Standard, and Practice. A Practical Guide for Architecture, Design, and Implementation. San Francisco: Morgan Kaufmann Publishers; 2007 [6] Yao Yiyu et al. A conceptual framework of data mining. Di dalam: Lin TY, Xie Y, Wasilewska A, Liau CJ, editor. Data Mining: Foundations and Practice. Vol Berlin: Springer; hlm
PENGGUNAAN ALGORITMA KLASIFIKASI DALAM DATA MINING
PENGGUNAAN ALGORITMA KLASIFIKASI DALAM DATA MINING A ang Subiyakto Program Studi Sistem Informasi Fakultas Sains dan Teknologi UIN Jakarta Jl. Ir. H. Juanda No. 95 Ciputat Tangerang Banten 15412 E-mail:
Lebih terperinciSegitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 1, May 2007, 9 16 Segitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi Hary Budiarto Pusat Teknologi Informasi
Lebih terperinciBAB 3 PENGENALAN WAJAH
28 BAB 3 PENGENALAN WAJAH DENGAN PENGENALAN DIMENSION WAJAH BASED DENGAN FNLVQ DIMENSION BASED FNLVQ Bab ini menjelaskan tentang pemodelan data masukan yang diterapkan dalam sistem, algoritma FNLVQ secara
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciSistem Pengemudian Otomatis pada Kendaraan Berroda dengan Model Pembelajaran On-line Menggunakan NN
Sistem Pengemudian Otomatis pada Kendaraan Berroda dengan Model Pembelajaran On-line Menggunakan Eru Puspita Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember Kampus ITS Keputih
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
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 terperinciPENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU Risky Meliawati 1,Oni Soesanto 2, Dwi Kartini 3 1,3Prodi Ilmu Komputer FMIPA UNLAM 2 Prodi Matematika
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 terperinciJURNAL TEKNIK, (2014) APLIKASI DATA MINING UNTUK MEMPREDIKSI PERFORMANSI MAHASISWA DENGAN METODE KLASIFIKASI DECISION TREE
JURNA TEKNIK, (2014) 1-6 1 AIKASI DATA MINING UNTUK MEMREDIKSI ERFORMANSI MAHASISWA DENGAN METODE KASIFIKASI DECISION TREE Irfan Fahmi, Budi Santosa Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR
Jurnal Teknik dan Ilmu Komputer ANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR PARAMETER VARIATION ANALYSIS OF LEARNING VECTOR QUANTIZATION
Lebih terperinciFUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ)
BAB 2 FUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ) Bab ini akan menjelaskan algoritma pembelajaran FNLVQ konvensional yang dipelajari dari berbagai sumber referensi. Pada bab ini dijelaskan pula eksperimen
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciBAB I PENDAHULUAN. ke karakteristik tertentu pada manusia yang unik dan berbeda satu sama lain.
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah keamanan (security) merupakan salah satu isu yang sangat penting akhir-akhir ini. Salah satu teknik yang diunggulkan bisa diterapkan untuk permasalahan tersebut
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciAbstract
ANALISIS PENERAPAN ARTIFICIAL NEURAL NETWORK DALAM PENENTUAN BIDANG KOMPETENSI SKRIPSI MAHASISWA (STUDI KASUS DI PROGRAM STUDI TEKNIK INFORMATIKA STMIK NURDIN HAMZAH JAMBI) 1,2,3 Magister Ilmu Komputer,
Lebih terperinciPREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION
PREDIKSI KELULUSAN TEPAT WAKTU MAHASISWA MENGGUNAKAN NEURO-FUZZY CLASSIFICATION (NEFCLASS) (STUDI KASUS: PROGRAM STUDI S1 TEKNIK INFORMATIKA, UNIVERSITAS TELKOM) Rita Rismala 1, Serli Fatriandini 2, Retno
Lebih terperinciKomparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation
Komparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation DOSEN PEMBIMBING Prof. Dr. Moh. Isa Irawan, M.T. Dr. Imam Mukhlash,
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 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 terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinciProses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum
Prosiding Penelitian SPeSIA Unisba 2015 ISSN: 2460-6464 Proses Defuzzifikasi pada Metode Mamdani dalam Memprediksi Jumlah Produksi Menggunakan Metode Mean Of Maximum 1 Fitria Tri Suwarmi, 2 M. Yusuf Fajar,
Lebih terperinciPenerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa
Penerapan Algoritme C4.5 Pada Klasifikasi Produksi Ubi Jalar di Pulau Jawa Seno Setiyawan 1, Yuliana Susanti 2,Tri Atmojo Kusmayadi 3 1,3 Program Studi Matematika FMIPA, Universitas Sebelas Maret 2 Program
Lebih terperinciPREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG
Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) Vol. 3, No. 2, Juni 2016, hlm. 83-87 PREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DI PDAM KOTA MALANG Daneswara
Lebih terperinciPengolahan data merupakan proses awal yang dilakukan dalam program RBFNN sebelum masuk pada proses pelatihan (training) dan pengujian (testing).
Pengolahan data merupakan proses awal yang dilakukan dalam program RBFNN sebelum masuk pada proses pelatihan (training) dan pengujian (testing). Oleh karena itu, di Bab 4 ini untuk memudahkan memahami
Lebih terperinciMILIK UKDW. Bab 1 PENDAHULUAN. 1.1 Latar Belakang
Bab 1 PENDAHULUAN 1.1 Latar Belakang Beberapa tahun belakangan ini, jaringan syaraf tiruan telah berkembang dengan pesat. Berbagai aplikasi telah memanfaatkan jaringan syaraf tiruan dalam penerapannya,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. menggunakan teknik statistik, matematika, kecerdasan buatan, tiruan dan machinelearning
BAB 2 TINJAUAN PUSTAKA 2.1. Data Mining Data mining adalah kombinasi secara logis antara pengetahuan data, dan analisa statistik yang dikembangkan dalam pengetahuan bisnis atau suatu proses yang menggunakan
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciPenerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop)
157 Penerapan Metode Fuzzy C-Means dengan Model Fuzzy RFM (Studi Kasus : Clustering Pelanggan Potensial Online Shop) Elly Muningsih AMIK BSI Yogyakarta E-Mail : elly.emh@bsi.ac.id Abstrak Berkembangnya
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. satu bagian sistem biometrika adalah face recognition (pengenalan wajah). Sistem
1 BAB I PENDAHULUAN 1.1. Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia yang memiliki keunikan. Salah satu bagian sistem biometrika
Lebih terperinciSeminar Nasional Inovasi Dan Teknologi Informasi (SNITI 3) ISSN : Samosir, November 2016
Analisis Penerapan Fuzzy Inference System (FIS) Dengan Metode Mamdani Pada Sistem Prediksi Mahasiswa Non Aktif (Studi Kasus : AMIK Tunas Bangsa Pematangsiantar) Anjar Wanto 1 1 Fakultas Ilmu Komputer-Teknologi
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciBAB II LANDASAN TEORI. papernya yang monumental Fuzzy Set (Nasution, 2012). Dengan
BAB II LANDASAN TEORI 2.. Logika Fuzzy Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh, 965 orang Iran yang menjadi guru besar di University of California at Berkeley dalam papernya yang monumental
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Biometrik adalah salah satu teknologi cangih yang banyak dipakai untuk menjadi bagian dari system keamanan di berbagai bidang. Biometrik ini bahkan sudah digunakan
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA ABSTRACT
PENGEMBANGAN PERANGKAT LUNAK DIAGNOSA PENYAKIT DIABETES MELLITUS TIPE II BERBASIS TEKNIK KLASIFIKASI DATA Rodiyatul FS 1, Bayu Adhi Tama 2, Megah Mulya 3 1,2,3 Fakultas Ilmu Komputer, Universitas Sriwijaya
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
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 terperinciSISTEM PENGENALAN TULISAN TANGAN REAL TIME MENGGUNAKAN METODE DOMINANT POINT DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN TULISAN TANGAN REAL TIME MENGGUNAKAN METODE DOMINANT POINT DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Oleh: Bakhtiar Arifin (1206 100 722) Dosen Pembimbing: Prof. DR. M.
Lebih terperinciANALISIS DEKOMPOSISI WAVELET PADA PENGENALAN POLA LURIK DENGAN METODE LEARNING VECTOR QUANTIZATION
ANALISIS DEKOMPOSISI WAVELET PADA PENGENALAN POLA LURIK DENGAN METODE LEARNING VECTOR QUANTIZATION Bambang Robi in eure_bbg@yahoo.com Akademi Teknik PIRI Yogyakarta Abstrak Indonesia merupakan negara yang
Lebih terperinci4.1. Pengumpulan data Gambar 4.1. Contoh Peng b untuk Mean imputation
4.1. Pengumpulan data Data trafik jaringan yang diunduh dari http://www.cacti.mipa.uns.ac.id:90 dapat diklasifikasikan berdasar download rata-rata, download maksimum, download minimum, upload rata-rata,
Lebih terperinciProject Akhir UAS. 2. daftar isi a. fuzzy b. jst. 3. daftar gambar. 4. isi fuzzy step by step langkah penyelesaikan latihan soal
Project Akhir UAS Laporan diketik dalam bentuk laporan yang tersusun dari 1. cover a. nama b. nim c. kelompok : A11.4610 / A11.4609 d. warna : biru -> A11.4610 putih -> A11.4609 2. daftar isi a. fuzzy
Lebih terperinciARSITEKTUR JARINGAN SYARAF TIRUAN UNTUK PEMODELAN PROSES EKSTRAKSI ATURAN DENGAN SEARCH TREE
ARSITEKTUR JARINGAN SYARAF TIRUAN UNTUK PEMODELAN PROSES EKSTRAKSI ATURAN DENGAN SEARCH TREE Rina Dewi Indah Sari 1 dan Gunawan 2 1 Teknik Informatika STMIK ASIA Malang 2 Teknik Informatika STTS Surabaya
Lebih terperinciFAKULTAS SAINS DAN TEKNOLOGI UIN SUSKA RIAU. IIS AFRIANTY, ST., M.Sc
IIS AFRIANTY, ST., M.Sc Sistem Penilaian Tugas dan Keaktifan : 15% Quiz : 15% UTS : 35% UAS : 35% Toleransi keterlambatan 15 menit Handphone: Silent Costume : aturan UIN Laki-laki Perempuan Menggunakan
Lebih terperinciPERBANDINGAN DECISION TREE
84 2015 Jurnal Krea-TIF Vol: 03 No: 02 PERBANDINGAN DECISION TREE PADA ALGORITMA C 4.5 DAN ID3 DALAM PENGKLASIFIKASIAN INDEKS PRESTASI MAHASISWA (Studi Kasus: Fasilkom Universitas Singaperbangsa Karawang)
Lebih terperinciBAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang
BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa
Lebih terperinciContoh Penerapan Algoritma Genetik Untuk Menentukan Fungsi Keanggotaan Misalkan system dengan input dan output tunggal seperti pada table berikut.
Logika Fuzzy Pertemuan 10 Contoh Penerapan Algoritma Genetik Untuk Menentukan Fungsi Keanggotaan Misalkan system dengan input dan output tunggal seperti pada table berikut. Tabel 1. Data set No Data x
Lebih terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG. Sistem Penciuman Elektronik merupakan sebuah sistem yang bertujuan
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Sistem Penciuman Elektronik merupakan sebuah sistem yang bertujuan untuk mengenali suatu zat berdasarkan aromanya. Sistem ini terdiri dari 3 (tiga) bagian yaitu bagian
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 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 terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION Restiana Putri Abstract - On a government agencies Badan Keluarga Berencana
Lebih terperinciK NEAREST NEIGHBOR DALAM IMPUTASI MISSING DATA. Susanti, Shantika Martha, Evy Sulistianingsih INTISARI
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 07, No. 1 (2018), hal 9-14. K NEAREST NEIGHBOR DALAM IMPUTASI MISSING DATA Susanti, Shantika Martha, Evy Sulistianingsih INTISARI Missing data
Lebih terperinciPengolahan Data. Algoritma C4.5 Menghitung entropi : Data Training (75%) = 220 data Data Testing (25%) = 73 data
Algoritma C4.5 Menghitung entropi : engolahan Data Data Training (75%) = 220 data Data Testing (25%) = 73 data Entropi (y) = -p 1 log 2 p 1 p 2 log 2 p 2... p n log 2 p n Entropi IK -28/220*OG 2 (28/220)-156/220*OG
Lebih terperinciImplementasi Sistem HASIL DAN PEMBAHASAN Data Penelitian
Implementasi Sistem Clustering FCM diimplementasikan pada program yang dikembangkan dengan perangkat lunak Matlab v.7.7. Tahap implementasi sistem mengikuti langkahlangkah melakukan clustering dengan FCM,
Lebih terperinciRENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS)
RENCANA PROGRAM KEGIATAN PERKULIAHAN SEMESTER (RPKPS) Kode / Nama Mata Kuliah : 56607 / Bisnis Cerdas Revisi - Satuan Kredit Semester : 4 SKS Tgl revisi : - Jml Jam kuliah dalam seminggu : 200 menit Tgl
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciSISTEM PENGOALAHAN DATA MINING INDUSTRI SEPATU MENGGUNAKAN METODE K-MEANS CLUSTERING DI JAWA TENGAH
SISTEM PENGOALAHAN DATA MINING INDUSTRI SEPATU MENGGUNAKAN METODE K-MEANS CLUSTERING DI JAWA TENGAH Ahmad Zaqi Al Kahfi Universitas Dian Nuswantoro Email : fawkeszach@gmail.com Abstrak Pengolahan database
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 terperinciPerbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas
TEKNOLOGI DI INDUSTRI (SENIATI) 016 ISSN : 085-418 Perbandingan Regresi Linear, Backpropagation Dan Fuzzy Mamdani Dalam Prediksi Harga Emas Nur Nafi iyah Program Studi Teknik Informatika Universitas Islam
Lebih terperinciBAB I PERSYARATAN PRODUK
BAB I PERSYARATAN PRODUK I.1 Pendahuluan Pada Bab I ini, penulis akan membahas gambaran sistem yang akan dibuat secara garis besar. Pembahasan mencakup tujuan, ruang lingkup kerja, fungsi secara umum,
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih 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 terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
Lebih terperinciBAB 1 PENDAHULUAN. 1 Universitas Kristen Maranatha. Gambar 1.1 : Ilustrasi jaringan syaraf manusia yang diadaptasi untuk ANN (Kriesel, 2011)
BAB 1 PENDAHULUAN 1.1 Latar Belakang Rentannya kesalahan yang dapat terjadi oleh pekerjaan yang dilakukan oleh manusia dalam menganalisa, atau ketika mencoba membangun relasi antar fitur yang berjumlah
Lebih terperinciEducational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa
Educational Data Mining untuk Mengetahui Pola Minat Kerja Mahasiswa Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Universitas Nusantara PGRI Kediri Kontak Person: Daniel Swanjaya 1, Abidatul Izzah 2 1,2 Kampus
Lebih terperinciFuzzy Clustering. Logika Fuzzy
Fuzzy Clustering Logika Fuzzy Misalkan sistem uzzy dengan dua input dan output; input terdiri atas dan, outputnya y Fungsi keanggotaan dapat berbentuk: Gaussian Segitiga Bentuk lain Fungsi Gaussian i :
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 terperinciBAB I PENDAHULUAN. Perkembangan robotika di Indonesia cukup pesat dengan semakin
BAB I PENDAHULUAN 1.1. Latar Belakang Perkembangan robotika di Indonesia cukup pesat dengan semakin banyaknya aplikasi robot yang diterapkan di industri. Perkembangan robot di dunia industri juga diikuti
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN:
KAJIAN KOMPARASI ALGORITMA C4.5, NAÏVE BAYES DAN NEURAL NETWORK DALAM PEMILIHAN PENERIMA BEASISWA (Studi Kasus pada SMA Muhammadiyah 4 Jakarta ) Ulfa Pauziah Program Studi Teknik Informatika, Universitas
Lebih terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
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 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 terperinciIMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI
Royani Darma Nurfita, Gunawan Ariyanto, Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI Royani Darma
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 terperinciANALISIS PERBANDINGAN LOGIKA FUZZY DENGAN REGRESI BERGANDA SEBAGAI ALAT PERAMALAN
ANALISIS PERBANDINGAN LOGIKA FUZZY DENGAN REGRESI BERGANDA SEBAGAI ALAT PERAMALAN SUPRIYONO Sekolah Tinggi Teknologi Nuklir BATAN Jl. Babarsari Kotak Pos 6101/YKBB Yogyakarta. Email : masprie_sttn@yahoo.com
Lebih terperinci3. METODE PENELITIAN 3.1 Kerangka Pemikiran
65 3. METODE PENELITIAN 3.1 Kerangka Pemikiran Permasalahan utama yang dihadapi industri gula nasional yaitu rendahnya kinerja khususnya produktivitas dan efisiensi pabrik gula. Untuk menyelesaikan permasalahan
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinci2. Tahapan Penelitian pemahaman merupakan awal proses penelitian
Metodologi Penelitian Rudi Susanto rudist87@gmail.com 086547296211 2. Tahapan Penelitian pemahaman merupakan awal proses penelitian Course Outline 1. Pengantar Penelitian 2. Tahapan Penelitian 3. Masalah
Lebih terperinciANALISIS SEGMENTASI NASABAH MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING (Studi Kasus di PT. Buana Sejahtera Multidana Cabang Cikampek)
ANALISIS SEGMENTASI NASABAH MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING (Studi Kasus di PT. Buana Sejahtera Multidana Cabang Cikampek) Meriska Defriani 1, Noviyanti 2 1 STT Wastukancana 2 Teknik Informatika,
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih 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 terperinciBAB 3 PERANCANGAN SISTEM. untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
29 BAB 3 PERANCANGAN SISTEM 3.1 Gambaran Umum Sistem Pada dasarnya untuk pembuatan aplikasi ini, yakni aplikasi pengenalan suara untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.
Lebih terperinciPREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION DAN WEIGHT-ELIMINATION
Konferensi Nasional Sistem dan Informatika 1; Bali, November 13, 1 PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION DAN WEIGHT-ELIMINATION Fitrisia, Adiwaya, dan Andrian
Lebih terperinciCLUSTERING MOTIVASI BELAJAR SISWA ELEARNING BERBASIS ALGORITMA K-MEANS
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 379~383 379 CLUSTERING MOTIVASI BELAJAR SISWA ELEARNING BERBASIS ALGORITMA K-MEANS Sismadi AMIK BSI JAKARTA e-mail: sismadi.ssm@bsi.ac.id
Lebih terperinciBAB III METODOLOGI PENELITIAN. Model sistem presensi biometri sidik jari yang dikembangkan secara garis
BAB III METODOLOGI PENELITIAN 3.1 Disain Penelitian Model sistem presensi biometri sidik jari yang dikembangkan secara garis besar terdiri atas bagian input, bagian proses, dan bagian output seperti gambar
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 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 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 terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
Lebih terperinciOleh: Ulir Rohwana ( ) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T.
Oleh: Ulir Rohwana (1209 100 702) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI HASIL DAN PENGUJIAN
Lebih terperinci