Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
|
|
- Yenny Wibowo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama 2, Nurhafidah Dalimunthe 3 3 Mahasiswa Program Studi Sistem Informatika, Pematangsiantar Sumatera Utara 1,2 Program Studi Sistem Informatika, Pematangsiantar Sumatera Utara 1,2,3 STIKOM Tunas Bangsa Pematangsiantar; Jln. Jendral Sudirman Blok A No.1/2/3 * 1 agus.perdana@amiktunasbangsa.ac.id, 2 dedyhartama@amiktunasbangsa.ac.id Abstrak : Terkendalanya pembayaran uang kuliah dapat menghambat biaya operasional dari suatu instansi/ perguruan tinggi khusus Perguruan Tinggi Swasta (PTS). Penelitian ini bertujuan untuk memprediksi faktor penyebab terjadinya tunggakan uang kuliah. Data yang digunakan adalah data sampel mahasiswa bermasalah dalam pembayaran uang kuliah sebanyak 20 orang. Proses pengambilan data dengan cara wawancara dan kuisioner. Penelitian ini menggunakan metode Jaringan Saraf Tiruan Backpropogation. Kriteria yang digunakan sebanyak 6 variabel C1 (Penghasilan Ortu), C2 (Jlh Tanggungan), C3 (Pekerjaan Ortu), C4 (Status Tempat Tinggal), C5 (Penyalahgunaan Uang) dan C6 (Faktor Eksternal). Pola arsitektur yang digunakan untuk memperoleh arsitektur terbaik adalah 6-5-1, , dan Dari 4 pola yang digunakan didapat pola adalah pola terbaik dengan MSE 0, dan akurasi 80%. Pola terbaik ini akan digunakan untuk memprediksi faktor tunggakan uang kuliah dengan menggunakan analisis sensifitas. Hasil prediksi diperoleh bahwa C5 (Penyalahgunaan Uang) dan C4 (Status Tempat Tinggal) merukan faktor terbesar penyebab tunggakan uang kuliah dengan MSE 0,89385 dan 0, Kata kunci : Prediksi, Faktor Tunggakan, JST, Backpropogation 1. PENDAHULUAN Akademi Manajemen Informatika Komputer (AMIK) Tunas Bangsa Pematangsiantar adalah salah satu perguruan tinggi swasta di sumatera utara yang bergerak dalam bidang komputer. Dalam menjalankan aktifitas sehari-hari, manajemen AMIK Tunas Bangsa Pematangsiantar dipimpin oleh seorang Direktur dan dibantu oleh Wakil direktur (Wadir) yang terdiri dari Wakil direktur 1 (Wadir 1) bagian akademik, Wakil direktur 2 (Wadir 2) bagian keuangan dan Wakil direktur 3 (Wadir 3) bagian kemahasiswaan. Setiap Wadir bekerjasama dalam menjalankan tanggung jawab masing-masing. Dalam menjalankan aktifitas pendidikan, salah satu kewajiban seorang mahasiswa adalah membayar uang kuliah yang dalam hal ini ditanganin oleh Wadir 2 bagian keuangan. Dalam proses pembayaran uang kuliah, pihak instansi/perguruan tinggi memberikan keringanan berupa cicilan uang kuliah sampai beberapa tahap kepada seluruh mahasiswa/i AMIK Tunas Bangsa Pematangsiantar. Seiring waktu berjalan, proses pembayaran uang kuliah mahasiswa sering mengalamin kendala. Ini bisa disebabkan oleh beberapa faktor. Terkendalanya pembayaran uang kuliah dapat menghambat biaya operasional dari suatu instansi/ perguruan tinggi. Untuk mengatasi hal ini, bagian keuangan mendatangin mahasiswa yang terkendala dalam pembayaran uang kuliah, kemudian memberikan pertanyaan tentang faktor penyebab terlambat membayar uang kuliah. Kegiatan ini biasa dialamin oleh pihak perguruan tinggi swasta dimanapun. Jaringan Saraf Tiruan (JST) mampu melakukan pengenalan kegiatan berbasis masa lalu atau belajar dari pengalaman. Data masa lalu akan dipelajari oleh Jaringan Saraf Tiruan sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari. Jaringan Saraf Tiruan (JST) merupakan salah satu cabang dari Artificial Intelegent (AI) atau kecerdasan buatan [1]. Received June 1 st,2012; Revised June 25 th, 2012; Accepted July 10 th, 2012
2 2 ISSN: Ada Banyak teknik yang bisa digunakan untuk implementasi Jaringan Syaraf Tiruan salah satunya adalah Backpropagation [2-9]. Backpropogation merupakan salah satu algoritma Jaringan Saraf Tiruan yang sering digunakan untuk menyelesaikan masalah-masalah yang rumit dan berkaitan dengan identifikasi input, prediksi, pengenalan pola, dan sebagainya. berulang-ulang akan menghasilkan jaringan yang memberikan tanggapan benar terhadap semua masukannya. Hal ini merupakan kelebihan dari Backpropogation sehingga dapat mewujudkan sistem yang tahan kerusakan dan konsisten bekerja dengan baik. Algoritma Backpropogation telah banyak digunakan untuk dunia kesehatan, ekonomi, pertanian dan lain-lain. Berdasarkan latar belakang masalah diatas, penulis ingin mengangakat masalah ini menjadi judul penelitian Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah. 2. METODE PENELITIAN 2.1. Kecerdasan Buatan (Artificial Intelegent) Kecerdasan buatan atau disebut juga Artificial Intelegent (AI) merupakan salah satu bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik daripada yang dilakukan manusia [1] Jaringan Saraf Tiruan Jaringan Saraf Tiruan (JST) merupakan salah satu representasi buatan otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia[10]. Berdasarkan beberapa penelitian di atas yang menekankan pada analisis pemodelan Backpropagation untuk melakukan prediksi dengan objek penelitiannya masing-masing dan menghasilkan kesimpulan bahwa Backpropagation dapat digunakan sebagai problem solving. Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian Jaringan Saraf Tiruan. Neuron terdiri dari 3 elemen pembentuk sebagai berikut : a. Himpunan unit-unit yang dihubungkan dengan jalur koneksi. b. Suatu unit penjumlah yang akan menjumlahkan masukan-masukan sinyal yang sudah dikalikan dengan bobotnya. c. Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan diteruskan ke neuron lain ataukah tidak [11] Algoritma Jaringan Saraf Tiruan Backpropagation Algoritma Backpropagation merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit. Hal ini dimungkinkan karena jaringan dengan algoritma ini dilatih dengan menggunakan metode belajar terbimbing. Pada jaringan diberikan sepasang pola yang terdiri dari atas pola masukan dan pola yang diinginkan. Algoritma pelatihan jaringan Saraf perambatan galat mundur terdiri atas dua langkah, yaitu perambatan maju dan perambatan mundur. Langkah perambatan maju dan perambatan mundur ini dilakukan pada jaringan untuk setiap pola yang diberikan selama jaringan mengalami pelatihan [12] Arsitektur Backpropogation Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih lapis tersembunyi. Pada gambar 1 di bawah adalah arsitektur Backpropagation dengan n buah masukan (x1, x2, x3,... xn) ditambah sebuah bias, sebuah lapis tersembunyi yang terdiri dari j unit ditambah sebuah bias, serta k buah unit keluaran [12]. IJCCS Vol. x, No. x, July 201x : first_page end_page
3 IJCCS ISSN: Gambar 1. Arsitektur Backpropogation dengan 3 layer Simbol-simbol yang digunakan ini tidaklah mutlak, bisa saja berganti dengan simbol-simbol yang lainnya asalkan fungsi logika yang dimaksudkannya tetap sama. Secara sederhana dapat dikatakan bahwa jika output memberikan hasil yang salah, maka penimbang (bobot) dikoreksi supaya errornya (galat) dapat diperkecil dan respon jaringan selanjutnya diharapkan akan lebih mendekati harga yang benar[12] 3. HASIL DAN PEMBAHASAN 3.1. Perancangan Sistem Pendefinisian Input dan Target Data faktor tunggakan uang kuliah selanjutnya akan diolah oleh Jaringan Saraf Tiruan dengan metode backpropogation. Agar data dapat dikenali oleh Jaringan Saraf Tiruan, maka data harus direpresentasikan ke dalam bentuk numerik antara 0 sampai dengan 1, baik variabel maupun isinya yang merupakan masukan untuk pengenalan pola dan keluaran yang merupakan prediksi faktor terbesar dalam tunggakan uang kuliah. Proses konversi data menggunakan logika fuzzy yang dikonversi berdasarkan parameter yang sudah. Hal ini dikarenakan jaringan menggunakan fungsi aktivasi sigmoid biner (logsig) yang rangenya dari 0 sampai Pendefinisian Input Variabel yang digunakan untuk melihat faktor penyebab tunggakan uang kuliah adalah kriteria yang menjadi acuan dalam pengambilan keputusan pada penilaian dengan menggunakan Jaringan Saraf Tiruan. Variabel ditentukan dengan cara melihat ketergantungan data terhadap penelitian yang dilakukan. Data Kriteria diperoleh dengan cara wawancara dan kuisioner terhadapat mahasiswa AMIK Tunas Bangsa semester ganjil sebanyak 20 sampel. Tabel 1. Daftar Kriteria Faktor Tunggakan Uang Kuliah No Variabel Nama Kriteria 1 C1 Penghasilan Ortu 2 C2 Jlh Tanggungan Ortu 3 C3 Pekerjaan Ortu 4 C4 Status Tempat Tinggal 5 C5 Penyalahgunaan Uang 6 C6 Faktor Eksternal Tabel 2. Bobot Kriteria Faktor Tunggakan Uang Kuliah N o Nama variabel Interval Nilai Fuzzy Penghasilan Ortu > Rp (Sangat Besar) 0,2 1 > Rp Rp (Besar) 0,4 Rp Rp (Sedang) 0,6 < Rp (Kecil) 0,8 2 Jlh Tanggungan Ortu >= 5 Anak 0,9 4 Anak 0,7 Title of manuscript is short and clear, implies research results (First Author)
4 4 ISSN: N o Nama variabel Interval Nilai Fuzzy 3 Anak 0,5 2 Anak 0,4 1 Anak 0,2 Pekerjaan Ortu Pegawai Negeri 0,2 Pegawai Swasta 0,4 Wiraswasta 0,5 TNI/Polisi 0,7 Petani, Nelayan, Buruh 0,9 Status Tempat Tinggal Bersama Ortu 0,1 Kos 0,9 Penyalahgunaan Ya 0,9 Tidak 0,1 Faktor Eksternal Keterlambatan Mengirim 0,8 Keperluan Keluarga 0,6 Kendala Usaha 0,4 Data sampel yang digunakan adalah Mahasiswa AMIK Tunas Bangsa semester ganjil yang memiliki tunggakan uang kuliah sebanyak 20 sampel Pendefinisian Target Adapun data target adalah mahasiswa AMIK Tunas Bangsa yang memiliki tunggakan uang kuliah Pengolahan Data Pengolahan data dilakukan dengan bantuan Matlab 6.1 aplikasi perangkat lunak. Sampel Data adalah 20 mahasiswa AMIK Tunas Bangsa yang memiliki tunggakan uang kuliah. Data ini akan digunakan pada data pelatihan dan data pengujian. Sampel data yang telah diproses dan ditranformasikan adalah sebagai berikut. No Nama Penghasilan Ortu (C1) Jlh Tanggungan Ortu (C2) Tabel 3. Sampel data Penelitian Pekerjaan Ortu (C3) Status Tempat Tinggal (C4) Penyalahgunaan Uang (C5) Faktor Eksternal (C6) 1 Mhs. 1 Rp Peg.Swasta Kos Ya Keterlambatan Mengirim Bermasalah 2 Mhs. 2 Rp Buruh Bersama ortu Tidak Keperluan Keluarga Bermasalah 3 Mhs. 3 Rp TNI Kos Tidak Keterlambatan Mengirim Bermasalah 4 Mhs. 4 Rp Wirasawasta Kos Ya Keperluan Keluarga Bermasalah 5 Mhs. 5 Rp Petani Bersama Ortu Tidak Kendala Usaha Bermasalah 6 Mhs. 6 Rp Peg.Swasta Kos Tidak Keterlambatan Mengirim Bermasalah 7 Mhs. 7 Rp Peg.Negeri Bersama Ortu Tidak Keperluan Keluarga Bermasalah 8 Mhs. 8 Rp Peg.Negeri Kos Ya Keterlambatan Mengirim Bermasalah 9 Mhs. 9 Rp Wiraswasta Bersama Ortu Tidak Keperluan Keluarga Bermasalah 10 Mhs. 10 Rp Wiraswasta Kos Ya Kendala Usaha Bermasalah 11 Mhs. 11 Rp Polisi Kos Ya Keterlambatan Mengirim Bermasalah 12 Mhs. 12 Rp Wiraswasta Kos Tidak Kendala Usaha Bermasalah 13 Mhs. 13 Rp Peg.negeri Kos Ya Keterlambatan Mengirim Bermasalah 14 Mhs. 14 Rp Buruh Bersama ortu Tidak Keperluan Keluarga Bermasalah 15 Mhs. 15 Rp Petani Kos Ya Keterlambatan Mengirim Bermasalah 16 Mhs. 16 Rp Wiraswasta Kos Tidak Keperluan Keluarga Bermasalah 17 Mhs. 17 Rp Buruh Kos Ya Keperluan Keluarga Bermasalah 18 Mhs. 18 Rp Peg.Swasta Kos Tidak Keterlambatan Mengirim Bermasalah 19 Mhs. 19 Rp TNI Kos Ya Keperluan Keluarga Bermasalah 20 Mhs. 20 Rp Wiraswasta Bersama ortu Tidak Kendala Usaha Bermasalah Target IJCCS Vol. x, No. x, July 201x : first_page end_page
5 IJCCS ISSN: Tabel 4. Sampel dari data yang telah ditransformasikan No Nama Mahasiswa C1 C2 C3 C4 C5 C6 Target 1 Mahasiswa 1 0,4 0,7 0,2 0,9 0,9 0,8 1 2 Mahasiswa 2 0,6 0,5 0,9 0,1 0,1 0,6 1 3 Mahasiswa 3 0,4 0,5 0,7 0,9 0,1 0,8 1 4 Mahasiswa 4 0,6 0,4 0,5 0,9 0,9 0,6 1 5 Mahasiswa 5 0,4 0,5 0,9 0,1 0,1 0,4 1 6 Mahasiswa 6 0,2 0,7 0,4 0,9 0,1 0,8 1 7 Mahasiswa 7 0,4 0,7 0,2 0,1 0,1 0,6 1 8 Mahasiswa 8 0,4 0,2 0,2 0,9 0,9 0,8 1 9 Mahasiswa 9 0,6 0,5 0,5 0,1 0,1 0, Mahasiswa 10 0,6 0,5 0,5 0,9 0,9 0, Mahasiswa 11 0,4 0,4 0,7 0,9 0,9 0, Mahasiswa 12 0,4 0,7 0,5 0,9 0,1 0, Mahasiswa 13 0,2 0,9 0,2 0,9 0,9 0, Mahasiswa 14 0,6 0,4 0,9 0,1 0,1 0, Mahasiswa 15 0,4 0,5 0,9 0,9 0,9 0, Mahasiswa 16 0,4 0,7 0,5 0,9 0,1 0, Mahasiswa 17 0,6 0,7 0,9 0,9 0,9 0, Mahasiswa 18 0,4 0,7 0,4 0,9 0,1 0, Mahasiswa 19 0,4 0,7 0,7 0,9 0,9 0, Mahasiswa 20 0,6 0,4 0,5 0,1 0,1 0, Perancangan Arsitektur Jaringan Saraf Tiruan Jaringan yang digunakan untuk dalam memprediksi faktor tunggakan uang kuliah dengan backpropogation dengan langkah pembelajaran feedforward. Jaringan ini memiliki beberapa lapisan, yaitu lapisan masukan (input), lapisan keluaran (output) dan beberapa lapisan tersembunyi (hidden). Lapisan tersembunyi tersebut membantu jaringan untuk dapat mengenali lebih banyak pola masukan dibandingkan dengan jaringan yang tidak memiliki lapisan tersembunyi. Parameter-parameter dalam pembentukan jaringan backpropagation menggunakan 6 variabel masukan, 1 atau lebih lapisan tersembunyi dan 1 lapisan keluaran. Adapun model arsitektur yang digunakan untuk mendapatkan arsitektur terbaik adalah 6-5-1, , dan Jaringan Saraf yang akan dibangun adalah algoritma propagasi balik (backpropagation) dengan fungsi aktivasi Sigmoid. Fungsi aktivasi dalam Jaringan Saraf Tiruan dipakai untuk proses perhitungan terhadap nilai aktual output pada hidden layer dan menghitung nilai aktual output pada output layer Pendefinisian Output Hasil yang diharapkan pada tahap ini adalah deteksi pola menentukan nilai terbaik untuk memprediksi faktor tunggakan uang kuliah. Hasil pengujian adalah sebagai berikut: a. Untuk mengetahui prediksi faktor tunggakan uang kuliah tentu saja didasarkan pada hasil sampel data mahasiswa AMIK Tunas Bangsa. Output dari prediksi ini adalah pola arsitektur terbaik dengan melihat error minimum. b. Kategorisasi Output pelatihan (train) dan pengujian (test) Kategori untuk output ditentukan oleh tingkat error minimum dari target. Batasan kategori tersebut terdapat pada tabel berikut: Tabel 5. Data Kategorisasi No Keterangan Error Minimum 1 Benar (Bermasalah) Salah (Tidak Bermasalah) > Perancangan arsitektur Jaringan Saraf Tiruan Perancangan arsitektur Jaringan Saraf Tiruan untuk data pelatihan dan pengujian, maka digunakan 6 variabel input yaitu: C 1 = Penghasilan Ortu Title of manuscript is short and clear, implies research results (First Author)
6 6 ISSN: C 2 = Jlh Tanggungan Ortu C 3 = Pekerjaan Ortu C 4 = Status Tempat Tinggal C 5 = Penyalahgunaan Uang C 6 = Faktor Eksternal Berikut tahapan-tahapan yang akan dilakukan dalam pengguna algoritma propagasi balik dengan fungsi aktivasi sigmoid. Tahapan yang harus dilakukan adalah sebagi berikut: 1. Inisialisasi (initialization), merupakan tahap di mana variabel-variabel nilai akan diset atau didefinisikan terlebih dahulu, misalnya seperti: nilai data input, weight, nilai output yang diharapkan, learning rate dan nilai-nilai data lainnya. 2. Aktivasi (activation),merupakan proses perhitungan terhadap nilai aktual output pada hidden layer dan menghitung nilai actual output pada output layer. 3. Weight Training, merupakan proses perhitungan nilai error gradient pada output layer dan menghitung nilai error gradient pada hidden layer 4. Iteration, merupakan tahap akhir dalam penggujian, dimana jika masih terjadi error minimum yang diharapkan belum ditemukan maka kembali pada tahap aktivasi (activation) dan Arsitektur Berikut adalah hasil pengujian dengan 20 data pengujian dengan pola pengujian Data hasil pengujian dan dapat dilihat pada tabel sebagai berikut: Tabel 6. Hasil dan dengan Model Mhs ,9499 0,0501 0, ,9499 0,0501 0, Salah 2 Mhs ,9820 0,0180 0, ,9820 0,0180 0, Benar 3 Mhs ,9938 0,0062 0, ,9938 0,0062 0, Benar 4 Mhs ,9597 0,0403 0, ,9597 0,0403 0, Salah 5 Mhs ,9930 0,0070 0, ,9930 0,0070 0, Benar 6 Mhs ,9939 0,0061 0, ,9939 0,0061 0, Benar 7 Mhs ,9846 0,0154 0, ,9846 0,0154 0, Benar 8 Mhs ,9498 0,0502 0, ,9498 0,0502 0, Salah 9 Mhs ,9618 0,0382 0, ,9618 0,0382 0, Salah 10 Mhs ,9642 0,0358 0, ,9642 0,0358 0, Salah 11 Mhs ,9571 0,0429 0, ,9571 0,0429 0, Salah 12 Mhs ,9959 0,0041 0, ,9959 0,0041 0, Benar 13 Mhs ,9590 0,0410 0, ,9590 0,0410 0, Salah 14 Mhs ,9862 0,0138 0, ,9862 0,0138 0, Benar 15 Mhs ,9548 0,0452 0, ,9548 0,0452 0, Salah 16 Mhs ,9968 0,0032 0, ,9968 0,0032 0, Benar 17 Mhs ,9742 0,0258 0, ,9742 0,0258 0, Salah 18 Mhs ,9935 0,0065 0, ,9935 0,0065 0, Benar 19 Mhs ,9682 0,0318 0, ,9682 0,0318 0, Salah 20 Mhs ,9508 0,0492 0, ,9508 0,0492 0, Salah Total 0, Total 0, MSE 0, MSE 0, dan Arsitektur Berikut adalah hasil pengujian dengan 20 data pengujian dengan pola pengujian Data hasil pengujian dan dapat dilihat pada tabel sebagai berikut: Tabel 7. Hasil dan dengan Model Mhs ,9889 0,0111 0, ,9889 0,0111 0, Benar 2 Mhs ,9783 0,0217 0, ,9783 0,0217 0, Salah 3 Mhs ,9781 0,0219 0, ,9781 0,0219 0, Salah 4 Mhs ,9861 0,0139 0, ,9861 0,0139 0, Benar 5 Mhs ,9369 0,0631 0, ,9369 0,0631 0, Salah 6 Mhs ,9151 0,0849 0, ,9151 0,0849 0, Salah 7 Mhs ,9928 0,0072 0, ,9928 0,0072 0, Benar 8 Mhs ,9951 0,0049 0, ,9951 0,0049 0, Benar IJCCS Vol. x, No. x, July 201x : first_page end_page 45%
7 IJCCS ISSN: Mhs ,9901 0,0099 0, ,9901 0,0099 0, Benar 10 Mhs ,9810 0,0190 0, ,9810 0,0190 0, Benar 11 Mhs ,9924 0,0076 0, ,9924 0,0076 0, Benar 12 Mhs ,9882 0,0118 0, ,9882 0,0118 0, Benar 13 Mhs ,9358 0,0642 0, ,9358 0,0642 0, Salah 14 Mhs ,9701 0,0299 0, ,9701 0,0299 0, Salah 15 Mhs ,9860 0,0140 0, ,9860 0,0140 0, Benar 16 Mhs ,9823 0,0177 0, ,9823 0,0177 0, Benar 17 Mhs ,9943 0,0057 0, ,9943 0,0057 0, Benar 18 Mhs ,9711 0,0289 0, ,9711 0,0289 0, Salah 19 Mhs ,9948 0,0052 0, ,9948 0,0052 0, Benar 20 Mhs ,9800 0,0200 0, ,9800 0,0200 0, Salah Total 0, Total 0, MSE 0, MSE 0, % dan Arsitektur Berikut adalah hasil pengujian dengan 20 data pengujian dengan pola pengujian Data hasil pengujian dan dapat dilihat pada tabel sebagai berikut: Tabel 8. Hasil dan dengan Model Mhs ,9864 0,0136 0, ,9864 0,0136 0, Benar 2 Mhs ,9838 0,0162 0, ,9838 0,0162 0, Benar 3 Mhs ,9822 0,0178 0, ,9822 0,0178 0, Benar 4 Mhs ,9851 0,0149 0, ,9851 0,0149 0, Benar 5 Mhs ,9695 0,0305 0, ,9895 0,0105 0, Benar 6 Mhs ,9303 0,0697 0, ,9903 0,0097 0, Benar 7 Mhs ,9712 0,0288 0, ,9712 0,0288 0, Salah 8 Mhs ,9866 0,0134 0, ,9866 0,0134 0, Benar 9 Mhs ,9837 0,0163 0, ,9837 0,0163 0, Benar 10 Mhs ,9812 0,0188 0, ,9812 0,0188 0, Benar 11 Mhs ,9819 0,0181 0, ,9819 0,0181 0, Benar 12 Mhs ,9528 0,0472 0, ,9528 0,0472 0, Salah 13 Mhs ,9588 0,0412 0, ,9588 0,0412 0, Salah 14 Mhs ,9831 0,0169 0, ,9831 0,0169 0, Benar 15 Mhs ,9755 0,0245 0, ,9955 0,0045 0, Benar 16 Mhs ,9434 0,0566 0, ,9434 0,0566 0, Salah 17 Mhs ,9822 0,0178 0, ,9822 0,0178 0, Benar 18 Mhs ,9570 0,0430 0, ,9870 0,0130 0, Benar 19 Mhs ,9812 0,0188 0, ,9812 0,0188 0, Benar 20 Mhs ,9728 0,0272 0, ,9728 0,0272 0, Benar Total 0, Total 0, MSE 0, MSE 0, dan Arsitektur Berikut adalah hasil pengujian dengan 20 data pengujian dengan pola pengujian Data hasil pengujian dan dapat dilihat pada tabel sebagai berikut: Tabel 9. Hasil dan dengan Model Mhs ,9845 0,0155 0, ,9845 0,0155 0, Besar 2 Mhs ,9585 0,0415 0, ,9585 0,0415 0, Salah 3 Mhs ,9614 0,0386 0, ,9614 0,0386 0, Salah 4 Mhs ,9761 0,0239 0, ,9761 0,0239 0, Salah 5 Mhs ,9557 0,0443 0, ,9557 0,0443 0, Salah 6 Mhs ,9839 0,0161 0, ,9839 0,0161 0, Besar 7 Mhs ,9680 0,0320 0, ,9680 0,0320 0, Salah 8 Mhs ,9625 0,0375 0, ,9625 0,0375 0, Salah 9 Mhs ,9556 0,0444 0, ,9556 0,0444 0, Salah 10 Mhs ,9881 0,0119 0, ,9881 0,0119 0, Besar 11 Mhs ,9658 0,0342 0, ,9658 0,0342 0, Salah 12 Mhs ,9963 0,0037 0, ,9963 0,0037 0, Besar 13 Mhs ,9869 0,0131 0, ,9869 0,0131 0, Besar 14 Mhs ,9573 0,0427 0, ,9573 0,0427 0, Salah 80% Title of manuscript is short and clear, implies research results (First Author)
8 8 ISSN: Mhs ,9675 0,0325 0, ,9675 0,0325 0, Salah 16 Mhs ,9951 0,0049 0, ,9951 0,0049 0, Besar 17 Mhs ,9899 0,0101 0, ,9899 0,0101 0, Besar 18 Mhs ,9894 0,0106 0, ,9894 0,0106 0, Besar 19 Mhs ,9922 0,0078 0, ,9922 0,0078 0, Besar 20 Mhs ,9316 0,0684 0, ,9316 0,0684 0, Salah Total 0, Total 0, MSE 0, MSE 0, % Pemilihan Arsitektur Terbaik Jaringan Saraf Tiruan Hasil software aplikasi Matlab 6.1 yang digunakan untuk model arsitektur 6-5-1, arsitektur , arsitektur dan arsitektur adalah memperoleh pola arsitektur terbaik. Dari pola ini nanti akan digunakan untuk mempredikasi faktor tunggakan uang kuliah. Penilaian model arsitektur terbaik dilihat dari beberapa aspek seperti epoch, error minimum dan akurasi kebenaran. Untuk lebih jelas dapat dilihat pada berikut : Tabel 10. Rekapitulasi Model Arsitektur Epochs MSE 0, , , , Akurasi 45% 60% 80% 45% Dari tabel 10 dapat dilihat bahwa model arsitektur terbaik yanga akan digunakan untuk melakukan prediksi dari serangkaian uji coba model adalah dengan epoch 3457, MSE 0, dan tingkat akurasi 80% Prediksi Tunggakan uang Kuliah Tahap terakhir adalah proses prediksi faktor tunggakan uang kuliah. Tahapan ini dilakukan dengan melihat sejauh mana pengaruh variabel dengan model arsitertur terbaik yang sudah ditentukan. Pemilihan variabel dengan menggunakan analisis sensifitas. Proses analisis sensifitas pada JST adalah dengan melihat performa terbaik yang menghasilkan rangking variabel input dari yang terendah sampai tertinggi. Hasil analisis sensifitas dapat dilihat pada tabel berikut : Tabel 11. Hasil Analisis Sensivitas Pada tabel diatas menunjukkan bahwa variabel input yang memiliki analisis sensifitas yang paling tinggi adalah C5 (Penyalahgunaan Uang), C4 (Status Tempat Tinggal), C3 (Pekerjaan Ortu), C6 (Faktor Eksternal), C2 (Jlh Tanggungan) dan C1 (Penghasilan Ortu). Berdasarkan IJCCS Vol. x, No. x, July 201x : first_page end_page
9 IJCCS ISSN: hasil penelitian didapat hasil bahwa faktor penyebab terjadinya tunggakan adalah Penyalah gunaan Uang dan Status Tempat Tinggal. 4. KESIMPULAN Berdasarkan hasil penelitian diperoleh hasil bahwa faktor penyebab terjadinya tunggakan uang kuliah dari 6 kriteria yang digunakan yakni C1 (Penghasilan Ortu), C2 (Jlh Tanggungan), C3 (Pekerjaan Ortu), C4 (Status Tempat Tinggal), C5 (Penyalahgunaan Uang) dan C6 (Faktor Eksternal) adalah Penyalahgunaan Uang dan Status Tempat Tinggal. Penghasilan Orangtua menduduki peringkat paling kecil dari penyebab faktor tunggakan uang kuliah. DAFTAR PUSTAKA Title of manuscript is short and clear, implies research results (First Author)
PROSIDING SEMINAR ILMIAH NASIONAL: MEMBANGUN PARADIGMA KEHIDUPAN MELALUI MULTIDISIPLIN ILMU
JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SUKUK NEGARA RITEL BERDASARKAN KELOMPOK PROFESI DENGAN BACKPROPOGATION DALAM MENDORONG LAJU PERTUMBUHAN EKONOMI 1 Solikhun, 2 Agus Perdana Windarto, 3 Handrizal,
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 terperinciAUDITORIUM PASCASARJANA TANGERANG SELATAN OKTOBER 2017
PROSIDING SEMINAR ILMIAH NASIONAL: MEMBANGUN PARADIGMA KEHIDUPAN MELALUI SINERGI MULTIDISIPLIN ILMU PROGRAM PASCASARJANA UNIVERSITAS PAMULANG JULI 2017 PROSIDING SEMINAR ILMIAH NASIONAL TEMA MEMBANGUN
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 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 terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih 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 terperinciIMPLEMENTASI JST DALAM MENENTUKAN KELAYAKAN NASABAH PINJAMAN KUR PADA BANK MANDIRI MIKRO SERBELAWAN DENGAN METODE BACKPROPOGATION
IMPLEMENTASI JST DALAM MENENTUKAN KELAYAKAN NASABAH PINJAMAN KUR PADA BANK MANDIRI MIKRO SERBELAWAN DENGAN METODE BACKPROPOGATION Agus Perdana Windarto Program Studi Sistem Informasi, STIKOM Tunas Bangsa
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 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 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 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 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 terperinciResearch of Science and Informatic BROILER CHICKENS WEIGHT PREDICTION BASE ON FEED OUT USING BACKPROPAGATION
Sains dan Informatika Vol.2 (N0.2) (2016): 1-9 1 Andre Mariza Putra, Chickens Weight Prediction Using Backpropagation JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
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 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 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 terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciBAB 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 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 terperinciIdentifikasi Jenis Buah Jeruk Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Jenis Buah Menggunakan Metode Jaringan Syaraf Tiruan Berdasarkan Tekstur Kulit Reni Resita *1, Juratminingsih *2, Gasim 3 1,2 STMIK GI MDP; Jl. Rajawali
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 terperinciJurusan Sistem Informasi, STIKOM Tunas Bangsa, Pematangsiantar Sumatera Utara 1. Mahasiswa STIKOM Tunas Bangsa, Pematangsiantar Sumatera Utara 2,3,4
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Sistem Pendukung Keputusan Dengan Menggunakan Metode Electre Dalam Merekomendasikan Dosen Berprestasi Bidang Ilmu Komputer (Study Kasus di AMIK
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciBAB 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 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 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 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 terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciBAB 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 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 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 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 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 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 terperinciPEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK
PEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK Bilqis Amaliah 1, Amethis Oktaorora 2 1,2 Teknik Informatika, FTIf - ITS,Surabaya
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 terperinciPENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK
PENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK Eko Budi Wahyono*), Suzuki Syofian**) *) Teknik Elektro, **) Teknik Informatika - Fakultas Teknik Abstrak Pada era modern
Lebih terperinciJARINGAN SARAF TIRUAN UNTUK MEMPREDIKSI TINGKAT PEMAHAMAN SISIWA TERHADAP MATAPELAJARAN DENGAN MENGGUNAKAN ALGORITMA BACKPROPAGATION
JARINGAN SARAF TIRUAN UNTUK MEMPREDIKSI TINGKAT PEMAHAMAN SISIWA TERHADAP MATAPELAJARAN DENGAN MENGGUNAKAN ALGORITMA BACKPROPAGATION Solikhun, M. Safii, Agus Trisno Program Studi Manajemen Informatika,
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciBAB 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 terperinciAPLIKASI 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 terperinciPerbandingan Kinerja Jaringan Syaraf Tiruan Dan Fuzzy Inference System Untuk Prediksi Prestasi Peserta Didik
20 ISSN: 2407-4322 Perbandingan Kinerja Jaringan Syaraf Tiruan Dan Fuzzy Inference System Untuk Prediksi Prestasi Peserta Didik Siti Helmiyah* 1, Shofwatul Uyun 2 1,2 Program Studi Teknik Informatika,
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION
JARINGAN SYARAF TIRUAN UNTUK PREDIKSI PENJUALAN JAMUR MENGGUNAKAN ALGORITMA BACKROPAGATION Yuyun Dwi Lestari Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan E-mail : yuyun.dl@gmail.com
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 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 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 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 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 terperinciKLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION A B S T R A K
KLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION Oleh : Gunawan Abdillah, Agus Komarudin, Rachim Suherlan A B S T R A K Kelainan jantung anak merupakan salah
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 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 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 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 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 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 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 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 terperinciPrediksi Jangka Pendek Debit Aliran Irigasi Seluma dengan Menggunakan Jaringan Syaraf Tiruan
Prediksi Jangka Pendek Debit Aliran Irigasi Seluma dengan Menggunakan Jaringan Syaraf Tiruan Supiyati, Syamsul Bahri dan Iwan Erdi Abstract: Penelitian mengenai prediksi jangka pendek debit aliran irigasi
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 terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBAB I PENDAHULUAN. kecerdasan buatan, kecerdasan buatan merupakan salah satu bagian ilmu
BAB I PENDAHULUAN A Latar Belakang Masalah Jaringan Syaraf Tiruan merupakan bagian dari sistem kecerdasan buatan, kecerdasan buatan merupakan salah satu bagian ilmu pengetahuan yang digunakan untuk menyelesaikan
Lebih terperinciJURNAL SAINS DAN INFORMATIKA
39 Fauzul Sains Amri, dan Jaringan Informatika Syaraf Vol.1 Tiruan (N0.1) untuk (2015): Memprediksi 37-43 JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih terperinciImplementasi jaringan syaraf tiruan untuk menilai kelayakan tugas akhir mahasiswa (studi kasus di amik bukittinggi)
10 Implementasi jaringan syaraf tiruan untuk menilai kelayakan tugas akhir mahasiswa (studi kasus di amik bukittinggi) Novia Lestari 1, Lucky Lhaura Van FC 2 1 Program Studi Manajemen Informatika AMIK
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kebutuhan akan prediksi semakin meningkat pada era globalisasi saat ini sejalan dengan keinginan masyarakat khususnya pelaku bisnis untuk memberikan tanggapan
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 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 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 terperinciPENERAPAN ALGORITMA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM MEMPREDIKSI TINGKAT SUKU BUNGA BANK
PENERAPAN ALGORITMA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM MEMPREDIKSI TINGKAT SUKU BUNGA BANK Badrul Anwar Program Studi Sistem Komputer, STMIK Triguna Dharma badrul.anwar@gmail.com ABSTRAK: Prediksi
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 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
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
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 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 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 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 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 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 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 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 terperinciJaringan Saraf Tiruan dengan Backpropagation untuk Memprediksi Penyakit Asma
28 ISSN: 2354-5771 Jaringan Saraf Tiruan dengan Backpropagation untuk Memprediksi Penyakit Asma Dahriani Hakim Tanjung STMIK Potensi Utama Medan E-mail: notashapire@gmail.com Abstrak Penelitian ini bertujuan
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 terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciKata Kunci: Jaringan Syaraf Tiruan, Metode Backpropagation, penyakit saluran pernafasan.
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 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 terperinciPENERAPAN ALGORITMA DIJKSTRA DAN FUZZY LOGIC SUGENO PADA GAME ZOMBIE SHOOTER
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 PENERAPAN ALGORITMA DIJKSTRA DAN FUZZY LOGIC SUGENO PADA GAME ZOMBIE SHOOTER Andryano Pratama 1, Fadli Delta Rizky 2, Daniel Udjulawa 3 3 STMIK GI
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciIMPLEMENTASI METODE CERTAINTY FACTOR UNTUK MENDETEKSI GANGGUAN PERKEMBANGAN ANAK BERBASIS MOBILE HANDPHONE
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 IMPLEMENTASI METODE CERTAINTY FACTOR UNTUK MENDETEKSI GANGGUAN PERKEMBANGAN ANAK BERBASIS MOBILE HANDPHONE Marganda Simarmata [1], Dahlan Abdullah
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 terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN Titik Misriati AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan titik.tmi@bsi.ac.id ABSTRACT
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 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 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
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 terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
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 terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
Lebih terperinciDesain Model Fuzzy Gejala Penyakit Untuk Sistem Pakar Pendiagnosa Penyakit Anak
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Desain Model Fuzzy Gejala Penyakit Untuk Sistem Pakar Pendiagnosa Penyakit Anak Natalia 1, Bella Halim 2, Gasim 3 1,2 STMIK GI MDP; Jl. Rajawali
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 terperinci