Lingkungan Implementasi Clustering Menggunakan SOM HASIL DAN PEMBAHASAN Pengumpulan Data Perkembangan Anak Validasi Cluster Menggunakan
|
|
- Hamdani Makmur
- 6 tahun lalu
- Tontonan:
Transkripsi
1 sehingga dapat diproses dengan SOM. Pada tahap seleksi data, dipilih data perkembangan anak berdasarkan kategori dan rentang usianya. Kategori perkembangan tersebut merupakan perkembangan kognitif, motorik halus, motorik kasar, dan bahasa. Usia anak yang dipilih ialah usia anak rentang.5 5. tahun. ing Menggunakan SOM Metode yang digunakan pada penelitian ini ialah clustering data menggunakan algoritma SOM untuk melihat karakteristik perkembangan anak usia.5 5. tahun dari aspek kognitif, bahasa, dan motorik anak. Input algoritma SOM ialah data dari praproses dengan kombinasi dari parameter awal. Parameter awal dari algoritma SOM yang akan digunakan ialah: 1 Ukuran cluster:,, 5,, Learning rate ( ) :.1,.5, dan.9, Ukuran lingkungan (R) : 1, dan Penurunan learning rate (θ) :.1,.5,.9. Metode inisialisasi nilai vektor bobot menggunakan midpoint dengan topologi yang digunakan topologi grid. Fungsi jarak yang digunakan ialah Euclidean dan kriteria pemberhentian algoritme SOM ialah iterasi atau epoch sebanyak 1 epoch. Validasi Menggunakan Indeks Davies-Bouldin Hasil clustering yang diperoleh menggunakan algoritme SOM divalidasi dengan menggunakan Indeks Davies-Bouldin (DBI). Indeks Davies-Bouldin digunakan untuk mengukur validitas dari hasil clustering sehingga menghasilkan DBI terbaik, yaitu DBI minimal. ing dengan ukuran DBI terbaik tersebut yang paling baik dalam pengcluster-an data perkembangan anak. Representasi Pengetahuan Tahap ini merupakan tahapan yang memperlihatkan representasi terhadap cluster yang sudah divalidasi. Representasi tersebut memperlihatkan karakteristik masing-masing cluster berupa rataan dan centroid dari cluster yang diolah menggunakan algoritme SOM. Pada tahap ini dianalisis hasil cluster sehingga diperoleh informasi penting mengenai stuktur dan karakteristik alami data. Informasi penting yang tersembunyi dari hasil cluster diharapkan bermanfaat sehingga dapat diperoleh penanganan terhadap cluster yang bersangkutan. Lingkungan Implementasi Lingkungan implementasi yang digunakan sebagai berikut: Perangkat lunak: Sistem Operasi Microsoft Windows Profesional, dan MATLAB R8b, Perangkat keras: processor Intel Core Duo, memory 1 GB, dan hard disk 8 GB. HASIL DAN PEMBAHASAN Pengumpulan Data Anak Data perkembangan anak berupa data hasil kuesioner yang diukur dengan instrumen penelitian kompetensi (perkembangan) anak. Kuesioner tersebut memiliki beberapa pertanyaan yang terdiri atas pertanyaan kognitif, bahasa, motorik kasar, dan motorik halus. Pertanyaan tersebut berbeda jumlahnya sesuai dengan kategori pertanyaan dan rentang usia. Setiap item pertanyaan memiliki penilaian berupa bobot pada masing-masing jawaban. Kuesioner kompetensi perkembangan anak usia.5. tahun disajikan pada Lampiran 1. Praproses Data Data perkembangan hasil seleksi untuk rentang usia.5. tahun sebanyak 1 sample dan atribut, yaitu kognitif, bahasa, motorik halus, dan motorik kasar. Sementara itu, data hasil seleksi untuk rentang usia.5. tahun dan.5 5. tahun masing-masing sebanyak 9 sample dan 1 sample. Data perkembangan anak hasil praproses rentang usia.5. tahun disajikan pada Lampiran. ing Menggunakan SOM ing hasil praposes data perkembangan anak dilakukan dengan menerapkan algoritme SOM. Implementasi antarmuka aplikasi clustering menggunakan SOM disajikan pada Lampiran. Kriteria pemberhentian clustering menggunakan algoritme SOM dilakukan dengan pembatasan jumlah iterasi atau epoch. Penetapan jumlah epoch dilakukan dengan cara menjalankan algoritme SOM dengan 1 epoch hingga 1 epoch, kemudian dianalisis Indeks Davies- Bouldin-nya. Bila dilihat Gambar, pada saat algoritme SOM dijalankan dengan epoch, dihasilkan Indeks Davies-Bouldin terkecil,
2 5 yaitu DBI yang terbaik. Epoch inilah yang digunakan sebagai kriteria pemberhentian algoritme SOM untuk ketiga kelompok usia yaitu sebanyak epoch. Tabel 1 masing-masing cluster rentang usia.5. tahun dengan ukuran cluster banyak Tabel Centroid masing-masing cluster rentang usia.5. tahun dengan ukuran cluster dalam Gambar Grafik Indeks Davies-Bouldin terhadap Epoch. Indeks Davies-Bouldin (DBI) Pengamatan terhadap Indeks Davies- Bouldin dilakukan untuk mengukur validitas hasil clustering menggunakan Self Organizing Maps dengan kombinasi berbagai parameter. Hasil dari pengamatan Indeks Davies-Bouldin rentang usia.5. tahun disajikan pada Lampiran. Sementara itu, hasil pengamatan Indeks Davies-Bouldin rentang usia.5. tahun dan.5 5. tahun masing-masing disajikan pada Lampiran dan Lampiran 5. Rentang Usia.5. Tahun Dari hasil penelitian, Indeks Davies- Bouldin terbaik rentang usia.5. tahun dihasilkan dengan parameter awal: ukuran cluster, learning rate (LR).5, penurunan learning rate (PLR).1, dan ulangan 5 yang menghasilkan Indeks Davies-Bouldin sebesar 1. (Lampiran ). nya rentang usia.5. tahun dengan ukuran cluster disajikan pada Tabel 1. banyaknya rentang usia.5. tahun dengan ukuran cluster disajikan pada Gambar. Centroid dan rataan rentang usia.5. tahun dengan ukuran cluster masing-masing disajikan pada Tabel dan Tabel Tabel.5% 5.% Gambar Rataan masing-masing cluster rentang usia.5. tahun dengan ukuran cluster dalam Kognitif Bahasa Halus.9% 1 Kasar banyak rentang usia.5. tahun dengan ukuran cluster.
3 Rentang Usia.5-. Tahun Indeks Davies-Bouldin terbaik rentang usia.5. tahun dihasilkan dengan parameter awal: ukuran cluster, LR.9, PLR.1, dan ulangan yang menghasilkan Indeks Davies-Bouldin sebesar 1.55 (Lampiran ). nya rentang usia.5. tahun dengan ukuran cluster disajikan pada Tabel. banyaknya rentang usia.5. tahun dengan ukuran cluster disajikan pada Gambar. Centroid dan rataan masingmasing cluster rentang usia.5. tahun dengan ukuran cluster masing-masing disajikan pada Tabel 5 dan Tabel. Tabel masing-masing cluster rentang usia.5. tahun dengan ukuran cluster banyak Tabel 5 Centroid masing-masing cluster rentang usia.5. tahun dengan ukuran cluster dalam Tabel Rataan masing-masing cluster rentang usia.5. tahun dengan ukuran cluster dalam Gambar banyak rentang usia.5. tahun dengan ukuran cluster. Rentang Usia.5 5. Tahun Indeks Davies-Bouldin terbaik rentang usia.5 5. tahun dihasilkan dengan parameter awal: ukuran cluster, LR.9, PLR.9, dan ulangan yang menghasilkan Indeks Davies-Bouldin sebesar 1.1 (Lampiran 5). nya rentang usia tahun dengan ukuran cluster disajikan pada Tabel. banyaknya rentang usia.5 5. tahun dengan ukuran cluster disajikan pada Gambar 5. Centroid dan rataan rentang usia.5 5. tahun dengan ukuran cluster masingmasing disajikan pada Tabel 8 dan Tabel 9. Tabel. %.9% 9.% 1.8% masing-masing cluster rentang usia.5 5. tahun dengan ukuran cluster banyak Tabel 8 Centroid masing-masing cluster rentang usia.5 5. tahun dengan ukuran cluster dalam
4 Tabel 9 8.5% Gambar 5 Rataan masing-masing cluster rentang usia.5 5. tahun dengan ukuran cluster dalam banyak rentang usia.5 5. tahun dengan ukuran cluster. Deskripsi ing Terbaik.9%.5% 1 Menurut instrumen kompetensi perkembangan, penilaian perkembangan anak dikategorikan menjadi buruk jika persentase kompetensi anak kurang dari %, kategori sedang jika kompetensi anak berada antara rentang % 8%, dan kategori baik jika kompetensi anak lebih besar dari 8%. Karakteristik perkembangan setiap cluster rentang usia.5. tahun disajikan pada Tabel 1, sedangkan karakteristik perkembangan setiap cluster rentang usia.5. tahun dan rentang usia.5 5. tahun masing-masing disajikan pada Tabel 11 dan Tabel 1. Tabel 1 Karakteristik perkembangan setiap cluster rentang usia.5. tahun 1 Buruk Buruk Buruk Buruk Buruk Tabel 11 Karakteristik perkembangan setiap cluster rentang usia.5. tahun 1 Buruk Buruk Buruk Buruk Buruk Buruk Buruk Tabel 1 Karakteristik perkembangan setiap cluster rentang usia.5 5. tahun Halus 1 Buruk Buruk Kasar Dari Tabel 1, secara umum terlihat cluster 1 memiliki karakteristik perkembangan anak usia.5. tahun pada kategori buruk, sedangkan cluster memiliki perkembangan anak usia.5. tahun pada kategori sedang. Anggota cluster pada Tabel 1 memiliki karakteristik perkembangan anak usia.5. tahun kategori baik pada aspek motorik kasar dan bahasanya. Secara umum perkembangan anak usia.5. tahun (Tabel 11) pada cluster 1 dan cluster memiliki perkembangan anak yang buruk, sedangkan cluster memiliki perkembangan anak usia.5. tahun pada kategori sedang. Anggota cluster pada Tabel 11 memiliki perkembangan anak usia.5. tahun pada kategori baik, tetapi aspek motorik halusnya masih belum terlihat karena berada pada perkembangan kategori sedang. anak usia.5 5. tahun pada Tabel 1 secara umum menunjukkan bahwa cluster 1 merupakan cluster yang nya memiliki perkembangan buruk, cluster memiliki perkembangan sedang, dan cluster memiliki perkembangan baik. Akan tetapi, pada Tabel 1 terlihat karakteristik perkembangan anak usia.5 5. tahun di ketiga cluster memiliki rataan motorik kasar yang baik. Hal tersebut menunjukkan perkembangan motorik kasar anak rentang usia.5 5. tahun di lima Bogor tergolong baik.
5 8 Grafik sebaran jumlah setiap cluster berdasarkan daerah asal anak di lima kecamatan dengan rentang usia.5. tahun disajikan pada Gambar, sedangkan Grafik sebaran jumlah setiap cluster dengan rentang usia.5. tahun dan rentang usia tahun masing-masing disajikan pada Gambar dan Gambar Gambar Grafik sebaran jumlah rentang usia.5. tahun. 1 sukamakmur cibinong ciomas pamijahan bojonggede Gambar Grafik sebaran jumlah rentang usia.5. tahun Gambar 8 Grafik sebaran jumlah rentang usia.5 5. tahun Sukamakmur Cibinong Ciomas Pamijahan Bojonggede Sukamakmur Cibinong Ciomas Pamijahan Bojonggede Secara umum perkembangan anak usia.5. tahun di lima kecamatan (Gambar ) berada pada kategori buruk dan kategori sedang, kecuali daerah Cibinong yang kebanyakan perkembangan anaknya berada pada kategori baik. Hal tersebut berdasarkan karakteristik pada Tabel 1. Sementara itu, perkembangan anak usia.5. tahun di lima kecamatan (Gambar ) berada pada kategori sedang dan baik kecuali daerah Sukamakmur yang dominan perkembangan anaknya buruk. Hal tersebut berdasarkan karakteristik pada Tabel 11. anak usia.5 5. tahun di lima kecamatan (Gambar 8) berada pada kategori baik kecuali daerah Sukamakmur yang kebanyakan memiliki perkembangan anak yang buruk. Hal tersebut berdasarkan pada karakteristik Tabel 1. Secara keseluruhan, hasil clustering menunjukkan bahwa anak-anak yang berasal dari Cibinong memiliki perkembangan yang baik untuk seluruh aspek perkembangannya. Akan tetapi, keadaan lain terlihat berbeda pada perkembangan anak di daerah Sukamakmur usia.5. tahun dan usia.5 5. tahun. Hal tersebut disebabkan mayoritas anak di daerah Sukamakmur dengan rentang usia tersebut berada pada perkembangan buruk. Simpulan SIMPULAN DAN SARAN Pada penelitian ini telah diimplementasikan clustering menggunakan Self Organizing Maps untuk data perkembangan anak. Dari hasil percobaan ditemukan bahwa clustering data perkembangan anak rentang usia.5. tahun yang memiliki Indeks Davies-Bouldin minimal ialah ukuran cluster. Sementara itu, hasil percobaan clustering terhadap data perkembangan anak rentang usia.5. tahun yang memiliki Indeks Davies-Bouldin minimal ialah ukuran cluster, sedangkan hasil percobaan clustering data perkembangan anak rentang usia.5 5. tahun memiliki Indeks Davies-Bouldin minimal dengan ukuran cluster. Karakteristik perkembangan anak di daerah Cibinong termasuk pada kategori baik. Akan tetapi, keadaan lain terlihat berbeda pada perkembangan anak di daerah Sukamakmur, hal tersebut disebabkan mayoritas anak di daerah Sukamakmur berada pada perkembangan buruk.
CLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PERKEMBANGAN ANAK DI KABUPATEN BOGOR) WANGI SARASWATI
i CLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PERKEMBANGAN ANAK DI KABUPATEN BOGOR) WANGI SARASWATI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN
Lebih terperinciTraining. Level Transformasi Wavelet. Banyak Fitur. Ukuran Dimensi. 0 40x x30 600
Citra asli Citra ya Inisialisasi: Topologi jaringan, Bobot awal, Lebar tetangga, Nilai laju awal pembelajaran Kriteria pemberhentian Training Error> -6 Epoch< 4 Alpha> HASIL DAN PEMBAHASAN Pada penelitian
Lebih terperinciCLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PPMB IPB)
CLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PPMB IPB) Irman Hermadi 1, Imas S. Sitanggang 1, Edward 2 1 Staf Departemen Ilmu Komputer, Fakultas Matematika dan IPA, Institut Pertanian
Lebih terperinciProses Pengelompompokan Saraf Menggunakan Jaringan Saraf Tiruan (JST) dengan Algoritme Self-Organizing Maps (SOM)
Prosiding Statistika ISSN: 2460-6456 Proses Pengelompompokan Saraf Menggunakan Jaringan Saraf Tiruan (JST) dengan Algoritme Self-Organizing Maps (SOM) 1 Tantri Lestari, 2 Abdul Kudus, 2 Sutawanir Darwis
Lebih terperinciLampiran 1 Kuesioner kompetensi perkembangan anak usia tahun NO INDIKATOR KOGNITIF TES PERBUATAN PENILAIAN
Lampiran Kuesioner kompetensi perkembangan anak usia 2.5 3.4 tahun NO INDIKATOR KOGNITIF TES PERBUATAN PENILAIAN. Menyebutkan 4 warna Sebutkan warna-warna yang kamu ketahui? 2. Menjodohkan warna-warna
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 terperinciPEMETAAN SEBARAN MUTU PENDIDIKAN DASAR MENGGUNAKAN METODE SELF ORGANIZING MAPS
PEMETAAN SEBARAN MUTU PENDIDIKAN DASAR MENGGUNAKAN METODE SELF ORGANIZING MAPS Ahmad Mulla Ali Basthoh 1, Surya Sumpeno 2, dan I Ketut Eddy Purnama 3 Jurusan Teknik Elektro FTI, ITS, Surabaya Kampus ITS
Lebih terperinciCLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PPMB IPB) Oleh: EDWARD G
CLUSTERING MENGGUNAKAN SELF ORGANIZING MAPS (STUDI KASUS: DATA PPMB IPB) Oleh: EDWARD G64102008 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2006
Lebih terperinciSEMINAR PROGRESS TUGAS AKHIR
SEMINAR PROGRESS TUGAS AKHIR PENGEMBANGAN SISTEM REKOMENDASI PEMINJAMAN BUKU BERBASIS WEB MENGGUNAKAN METODE SELF ORGANIZING MAP CLUSTERING PADA BADAN PERPUSTAKAAN DAN KEARSIPAN (BAPERSIP) PROVINSI JAWA
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 menggambarkan desain penelitian peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation.
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciLingkungan Pengembangan Data Mining HASIL DAN PEMBAHASAN Preprocessing Data
Setelah dilakukan analisis clustering maka algoritme tersebut akan dibandingkan berdasarkan cluster yang terbentuk dari hasil analisis cluster-nya. Hasil perbandingan diharapkan dapat membuktikan bahwa
Lebih terperinciDisusun oleh MUHAMMAD NAJIB HILMI SKRIPSI. Diajukan Sebagai Syarat untuk Mendapatkan Gelar Sarjana Pada Jurusan Statistika
PEMETAAN PREFERENSI MAHASISWA BARU DALAM MEMILIH JURUSAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK (ANN) DENGAN ALGORITMA SELF ORGANIZING MAPS (SOM) (Studi Kasus di Fakultas Sains dan Matematika Universitas
Lebih terperinciTugas Akhir Pengembangan Perangkat Lunak Berbasis Suara Ucapan untuk Membuka dan Mencetak Dokumen
Tugas Akhir Pengembangan Perangkat Lunak Berbasis Suara Ucapan untuk Membuka dan Mencetak Dokumen Oleh: Abd. Wahab 1208100064 Pembimbing: Drs. Nurul Hidayat, M.Kom 19630404 198903 1 002 BAB1 Pendahuluan
Lebih terperinciPEMETAAN PREFERENSI MAHASISWA BARU DALAM MEMILIH JURUSAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK (ANN) DENGAN ALGORITMA SELF ORGANIZING MAPS (SOM)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 53-60 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMETAAN PREFERENSI MAHASISWA BARU DALAM MEMILIH JURUSAN MENGGUNAKAN
Lebih terperinciPEMANFAATAN METODE CLUSTER SOM IDB SEBAGAI ANALISA PENGELOMPOKAN PENERIMA BEASISWA
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 11 PEMANFAATAN METODE CLUSTER SOM IDB SEBAGAI ANALISA PENGELOMPOKAN PENERIMA BEASISWA Lilia Rahmawati 1, Andharini Dwi Cahyani 2, Sigit Susanto Putro
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. Segmentasi
4 Perangkat keras berupa Notebook: Processor intel Core i3 2.2 GHz. RAM kapasitas 2. GB. Harddisk Kapasitas 5 GB. Monitor pada resolusi 1366 x 768 piksel. Merek Acer Aspire 475. Perangkat lunak berupa:
Lebih terperinciAkurasi. Perangkat Lunak: Sistem operasi: Windows Vista Home Premium Aplikasi pemrograman: Matlab 7.0
Tabel 1 Dimensi citra di tiap level Level transformasi Dimensi citra 1 46 56 2 23 28 3 12 14 4 6 7 5 3 4 6 2 2 Pada Gambar 5 disajikan visualisasi transformasi wavelet hingga level 3. Deskripsi citra dekomposisi
Lebih terperinciINTEGRASI SELF ORGANIZING
INTEGRASI SELF ORGANIZING MAPS DAN ALGORITME K-MEANS UNTUK CLUSTERING DATA KETAHANAN PANGAN KABUPATEN DI WILAYAH PROVINSI BALI, NUSA TENGGARA BARAT, DAN NUSA TENGGARA TIMUR ULFA KHAIRA DEPARTEMEN ILMU
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih terperinciyang menunjang dalam pengembangan program cluster. Aplikasi cluster ini dikembangkan pada laptop, dengan spesifikasi terdapat
BAB IV IMPLEMENTASI Bab ini akan menjelaskan mengenai implementasi dari sistem yang akan dikembangkan, berdasarkan hasil analisis yang telah diperoleh sebelumnya. Bab ini terdiri dari penjelasan mengenai
Lebih terperinciHASIL DAN PEMBAHASAN. Generalisasi =
6 Kelas Target Sidik jari individu 5 0000100000 Sidik jari individu 6 0000010000 Sidik jari individu 7 0000001000 Sidik jari individu 8 0000000100 Sidik jari individu 9 0000000010 Sidik jari individu 10
Lebih terperinciBAB III METODOLOGI PENELITIAN. manusia dengan menggunakan metode Gabor Filter dan Algoritma
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Berikut merupakan desain penelitian yang akan digunakan pada proses rancang bangun aplikasi sistem pengenalan pola fraktur tengkorak manusia dengan menggunakan
Lebih terperinciBAB III PEMBAHASAN. Algoritma Self Organizing Map (SOM) merupakan suatu metode NN yang
BAB III PEMBAHASAN Algoritma Self Organizing Map (SOM) merupakan suatu metode NN yang diperkenalkan oleh Professor Teuvo Kohonen pada tahun 1982. Self Organizing Map merupakan salah satu bentuk topologi
Lebih terperinciData Mining. Tidak. Mulai. Data transaksi. Pembersihan data. Seleksi data. Transformasi data. Pemberian nilai minimum support
6 Representasi Pengetahuan Tahap ini merupakan tahap akhir dari proses KDD. Sederetan aturan atau rule disajikan kepada pengguna dengan menggunakan algoritme Rule Generation. Mulai Data transaksi Pembersihan
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman 429-437 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN METODE K MEANS DAN SELF ORGANIZING MAP (STUDI KASUS:
Lebih terperinciBAB III APLIKASI METODE GWR
BAB III APLIKASI METODE GWR Dalam penelitian ini dilakukan penilaian tanah pada studi kasus yaitu wilayah Kecamatan Lengkong, Kota Bandung. Posisi Kecamatan Lengkong di Kota Bandung dapat dilihat pada
Lebih terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinciKLASIFIKASI BENTUK DAUN MENGGUNAKAN METODE KOHONEN ABSTRAK
KLASIFIKASI BENTUK DAUN MENGGUNAKAN METODE KOHONEN Safwandi. ST., M.Kom 1, Yenni Maulida, S.T ABSTRAK Penelitian ini menjelaskan tentang suatu metode klasifikasi bentuk daun berdasarkan input berupa bentuk
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang
BAB IMPLEMENTASI DAN EVALUASI. Implementasi Sistem Berikut ini merupakan spesifikasi perangkat keras dan perangkat lunak yang diperlukan agar program simulasi Tata Letak Tempat Sampah dengan Algoritma
Lebih terperinciUKDW BAB 1 PENDAHULUAN
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seiring dengan perkembangan teknologi khususnya dalam bidang informasi, teknologi informasi dapat dimanfaatkan untuk memudahkan suatu rumah sakit dalam mengambil
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciPENGELOMPOKAN CITRA TANDA TANGAN MENGGUNAKAN METODE SOM KOHONEN DUA DIMENSI DAN PRAPROSES WAVELET SARIBATIARA
PENGELOMPOKAN CITRA TANDA TANGAN MENGGUNAKAN METODE SOM KOHONEN DUA DIMENSI DAN PRAPROSES WAVELET SARIBATIARA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam bagian ini dijelaskan aktifitas yang dilakukan dalam melakukan penelitian dibagi menjadi 2 (dua) yaitu: 1) Perancangan Skenario; dan 2) Penerapan Skenario. 3.1. Perancangan
Lebih terperinciMEYLINDRA ARINI PERMATADEVI Dosen Pembimbing: Rully Agus Hendrawan, S.Kom, M.Eng Irmasari Hafidz, S.Kom, M.Sc
KARAKTERISTIK PELANGGAN TELEPON KABEL MENGGUNAKAN KLASTERING SOM DAN K- MEANS UNTUK MENGURANGI KESALAHAN KLASIFIKASI PELANGGAN DARI ERUSAHAAN TELEKOMUNIKASI (STUDI KASUS: PT. TELKOM MOJOKERTO) MEYLINDRA
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan perangkat keras dan perangkat lunak di era ini sangat mempengaruhi pola pemakaian komputer. Komputer dapat di program seolah-olah seperti manusia. Salah
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Dalam penelitian ini diperlukan sebuah desain dan metode penelitian agar dalam pelaksanaaannya dapat menjadi lebih teratur dan terurut. 3.1. Desain Penelitian Bentuk dari desain
Lebih terperinciBAB 4 HASIL PENELITIAN DAN PEMBAHASAN. Berikut ini adalah contoh tampilan hasil dari kueri:
BAB 4 HASIL PENELITIAN DAN PEMBAHASAN 4.1 Proses Retrival Berikut ini adalah contoh tampilan hasil dari kueri: 1. Kategori Buah Gambar 4.1 Hasil kueri kategori buah dengan metode histogram warna 55 56
Lebih terperinciUKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Memprediksi situasi dalam suatu bisnis perdagangan merupakan suatu aspek yang sangat penting untuk menjaga dan memajukan bisnis tersebut. Informasi naik-turunnya
Lebih terperinciBAB IV HASIL DAN UJICOBA
BAB IV HASIL DAN UJICOBA IV.1. Tampilan Hasil Berikut ini dijelaskan mengenai tampilan hasil dari perancangan data mining varian produk elektronik sound system dengan metode K-Means Clustering yang dapat
Lebih terperinciBAB 4 IMPLEMENTASI DAN HASIL PENELITIAN. Pada bab 4 ini akan dijelaskan hasil rancangan sistem aplikasi optimizer, yaitu
BAB 4 IMPLEMENTASI DAN HASIL PENELITIAN Pada bab 4 ini akan dijelaskan hasil rancangan sistem aplikasi optimizer, yaitu implementasi sistem tersebut dan juga evaluasi dari implementasi sistem untuk mengetahui
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
90 BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Sistem Tahap ini merupakan tahap dari implementasi program serta implementasi dari setiap proses tahap penelitian. 4.1.2 Persiapan Arsitektur Pada
Lebih terperinciMETODE PENELITIAN HASIL DAN PEMBAHASAN
METODE PENELITIAN Proses Dasar Sistem Proses dasar pengembangan sistem secara umum terdiri dari tahapan sebagai berikut: 1 Praproses. Pada tahap ini dilakukan persiapan yang meliputi seleksi data, transformasi
Lebih terperinciJURNAL PENGELOMPOKAN SKRIPSI MENGGUNAKAN SELF ORGANIZING MAPS CLUSTERING (STUDI KASUS : PRODI TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI)
JURNAL PENGELOMPOKAN SKRIPSI MENGGUNAKAN SELF ORGANIZING MAPS CLUSTERING (STUDI KASUS : PRODI TEKNIK INFORMATIKA UNIVERSITAS NUSANTARA PGRI KEDIRI) CLASSIFICATION OF THESIS USING SELF ORGANIZING MAPS CLUSTERING
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Pada penelitian ini ada beberapa tahapan penelitian yang akan dilakukan seperti terlihat pada gambar 3.1 berikut : Mulai Identifikasi Masalah Pengumpulan Data Analisa Aplikasi
Lebih terperinciBAB III METODE PENELITIAN. Pada bab ini akan dijelaskan bahan dan software yang digunakan
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan dan software yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan
Lebih terperinciPengelompokan Data DIPA Berbasis Penyerapan Anggaran Menggunakan Metode Self Organizing Map (SOM)
Pengelompokan Data DIPA Berbasis Penyerapan Anggaran Menggunakan Metode Self Organizing Map (SOM) Haerul Harun, I Ketut Eddy Purnomo 2, Eko Mulyanto Y. 3 Mahasiswa Jurusan Teknik Elektro, ITS, Surabaya
Lebih terperinciPENDAHULUAN BAB I. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dewasa ini, kemajuan teknologi komputer sudah banyak dimanfaatkan untuk mendukung suatu usaha bisnis. Dengan adanya komputer, data-data mentah dapat diolah
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Dalam suatu universitas, salah satu analisis yang dapat dilakukan untuk melihat perkembangan prestasi akademik seorang mahasiswa adalah dengan memantau nilai
Lebih terperinciKelas. Kelas. p q r s t u v w x y Level Transformasi.
Fitur yang digunakan untuk pelatihan pada algoritme VFI5 diperoleh dari tiap-tiap piksel pada citra tanda tangan. Fitur pada pelatihan yang semula berupa matriks berukuran 3 4 piksel disusun menjadi matriks
Lebih terperinciBAB 3 Metodologi 3.1 Kerangka Berpikir
BAB 3 Metodologi 3.1 Kerangka Berpikir Kerusakan bangunan akibat gempa bumi menjadi salah satu penyebab dominan jatuhnya korban jiwa. Dibutuhkan suatu upaya untuk meminimalisasikan kerusakan bangunan akibat
Lebih terperinciMETODE PENELITIAN. Gambar 2 Tahapan penelitian. Praproses Data
daerah dalam lingkup R dan f(r) adalah fungsi yang dijalankan pada lingkup R. Mekanisme algoritme Naive adalah sebagai berikut : 1 Menentukan dataset D yang merupakan himpunan seluruh poligon / daerah
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 IV IMPLEMENTASI DAN EVALUASI. adanya implementasi ini dapat membantu Paramuda Tour & Transport dalam
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Kebutuhan Sistem Implementasi program merupakan penyesuaian perangkat lunak dengan rancangan dan desain sistem yang telah dibuat sebelumnya. Diharapkan dengan adanya
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 terperinciCahyo Aji Nugroho Pembimbing : Rully A. Hendrawan S.Kom, M.Eng Irmasari Hafidz, S.Kom, MSc
CLUSTERING KELOMPOK SWADAYA MASYARAKAT (KSM) DALAM MENENTUKAN KEBIJAKAN BANTUAN BADAN PEMBERDAYAAN MASYRAKAT DI KOTA SURABAYA DENGAN MENGGUNAKAN METODE SELF-ORGANIZING MAP (SOM) DAN K-MEANS Cahyo Aji Nugroho
Lebih terperinciLingkungan Pengembangan HASIL DAN PEMBAHASAN
aturan 3--5 untuk menentukan interval akan dibagi menjadi berapa kelompok. Hasilnya akan menjadi hirarki paling atas. Kemudian nilai maksimum dan nilai minimum diperiksa apakah nilainya masuk ke dalam
Lebih terperinciPerbandingan Metode SOM/Kohonen dengan ART 2 pada Data Mining Perusahaan Retail
Teknologi Elektro, Vol. 16, No. 02, Mei - Agustus 2017 55 Perbandingan Metode SOM/Kohonen dengan ART 2 pada Data Mining Perusahaan Retail Anak Agung Gede Bagus Ariana 1, I Ketut Gede Darma Putra 2, Linawati
Lebih terperinciPembersihan Data Lingkungan Pengembangan Sistem HASIL DAN PEMBAHASAN
3 Nilai fuzzy support bagi frequent sequence dengan ukuran k diperoleh dengan mengkombinasikan frequent sequence dengan ukuran k-1. Proses ini akan berhenti jika tidak memungkinkan lagi untuk membangkitkan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Desain Penelitian Desain penelitian merupakan tahapan yang akan dilakukan oleh penulis untuk memberikan gambaran serta kemudahan dalam melakukan penelitian. Berikut tahapan
Lebih terperinciPENJADWALAN DAN PENENTUAN RUTE KENDARAAN PADA INDUSTRI BAHAN KIMIA MENGGUNAKAN KOMBINASI METODE ALGORITMA GENETIKA DAN ALGORITMA PENCARIAN TABU
PRESENTASI TUGAS AKHIR KS091336 PENJADWALAN DAN PENENTUAN RUTE KENDARAAN PADA INDUSTRI BAHAN KIMIA MENGGUNAKAN KOMBINASI METODE ALGORITMA GENETIKA DAN ALGORITMA PENCARIAN TABU Oleh : Maya Sagita W. 5208
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian merupakan sistematika tahapan yang dilaksanakan selama pembuatan penelitian tugas akhir. Secara garis besar metodologi penelitian tugas akhir ini dapat
Lebih terperinciBAB 3 METODE PENELITIAN. dalam melakukan penelitian untuk memudahkan penyusun dalam
BAB 3 METODE PENELITIAN 3.1. Desain Penelitian Desain penelitian adalah tahapan yang menggambarkan susunan dalam melakukan penelitian untuk memudahkan penyusun dalam melakukan kegiatan. Desain penelitian
Lebih terperinciVI. IMPLEMENTASI MODEL
45 VI. IMPLEMENTASI MODEL Pengembangan model investasi fuzzy memerlukan perangkat keras dan mendukung perangkat lunak yang digunakan sehingga sistem ini dapat berjalan sesuai dengan fungsinya. Perangkat
Lebih terperinciHASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.
5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak Gambar 7 Diagram alur proses mutasi. Hasil populasi baru yang terbentuk akan dievaluasi kembali dan
Lebih terperinciBAB III METODOLOGI PENELITIAN
60 BAB III METODOLOGI PENELITIAN 1.1 Desain Penelitian Desain penelitian adalah tahapan atau gambaran yang akan dilakukan dalam penelitian. Desain penelitian dibuat untuk memudahkan pelaksanaan tahaptahap
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 terperinciBAB 4 ANALISA DAN BAHASAN
BAB 4 ANALISA DAN BAHASAN 4.1 Spesifikasi Sistem Sistem pengenalan objek 3 dimensi terbagi atas perangkat keras dan perangkat lunak. Spesifikasi sistem baik perangkat keras maupun lunak pada proses perancangan
Lebih terperinciBAB I PENDAHULUAN 1-1
BAB I PENDAHULUAN 1.1. LATAR BELAKANG MASALAH Proses pengambilan keputusan pada dasarnya adalah memilih suatu alternatif untuk menyelesaikan suatu permasalahan. Adapun permasalahan yang sering muncul adalah
Lebih terperinciBAB IV PEMBAHASAN. Pada penelitian ini menggunakan data mahasiswa Fakultas Teknik alumni
BAB IV PEMBAHASAN Pada penelitian ini menggunakan data mahasiswa Fakultas Teknik alumni 2013-2015, rentan waktu itu di jadikan sebagai bahan penelitian karena cukup relevan dengan tahun sekarang, faktor
Lebih terperinciBAB III METODOLOGI PENELITIAN
40 BAB III METODOLOGI PENELITIAN 3.1 DESAIN PENELITIAN Dalam melakukan penelitian, dibutuhkan desain penelitian agar penelitian yang dilakukan dapat berjalan dengan baik. Berikut ini merupakan desain penelitian
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, No. 1(Sept. 2012) ISSN: A-374
JURNAL TEKNIK ITS Vol. 1, No. 1(Sept. 2012) ISSN: 2301-9271 A-374 Pengembangan Sistem Rekomendasi Peminjaman Buku Berbasis Web Menggunakan Metode Self Organizing Map Clustering Pada Badan Perpustakaan
Lebih terperinciPemetaan Prioritas Berbasis Penggalian Data Multidimensi Menggunakan WEBSOM (Priority Mapping Based on Multi-dimensional Data Mining Using WEBSOM)
Pemetaan Prioritas Berbasis Penggalian Data Multidimensi Menggunakan WEBSOM (Priority Mapping Based on Multi-dimensional Data Mining Using WEBSOM) ITS,08-07-2010 NINIK WIDAYATI Latar Belakang Masalah Pembuatan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan pada
BAB III METODOLOGI PENELITIAN 1.1. Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan pada proses pengenalan huruf tulisan tangan Katakana menggunakan metode Fuzzy Feature Extraction
Lebih terperinciClustering Dampak Gempa Bumi di Indonesia Menggunakan Kohonen Self Organizing Maps
Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami) Vol.1, No.1, Juli 2017, Hal. 188-194 p-issn: 2580-4596; e-issn: 2580-460X Halaman 188 Clustering Dampak Gempa Bumi di Indonesia
Lebih terperinciHASIL DAN PEMBAHASAN. 4. Menghitung fungsi objektif pada iterasi ke-t, 5. Meng-update derajat keanggotaan. 6. Mengecek kondisi berhenti:
2. v kj merupakan centroid term ke-j terhadap cluster ke-k 3. μ ik merupakan derajat keanggotaan dokumen ke-i terhadap cluster ke-k 4. i adalah indeks dokumen 5. j adalah indeks term 6. k adalah indeks
Lebih terperincidan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. akurasi =.
dan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. Gambar 5 Macam-macam bentuk partisi citra. Ekstraksi Fitur Pada tahap ini semua partisi dari citra dihitung
Lebih terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Family Folder merupakan buku yang mencatat riwayat kesehatan dari satu keluarga. Buku ini biasanya digunakan oleh puskesmas-puskesmas. Di dalam Family Folder
Lebih terperinciAplikasi Algoritma Competitive Network Untuk Clustering Minat Mahasiswa Terhadap Topik-Topik Penelitian
Aplikasi Algoritma Competitive Network Untuk Clustering Minat Mahasiswa Terhadap Topik-Topik Penelitian Wiji Lestari, Singgih Purnomo STMIK Duta Bangsa Surakarta ABSTRAK Clustering adalah suatu metode
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Pada bagian ini menjelaskan hasil yang didapatkan selama penelitian yang telah dilakukan berdasarkan perumusan & tujuan penelitian, yaitu: 1) penerapan algoritma density k-means
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan yang pesat di bidang ilmu dan teknologi dewasa ini menuntut adanya kemampuan manusia dalam mempertimbangkan segala kemungkinan sebelum mengambil keputusan
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Pengembangan Sistem Rekomendasi Peminjaman Buku Berbasis Web Menggunakan Metode Self Organizing Map Clustering Pada Badan Perpustakaan Dan Kearsipan (BAPERSIP)
Lebih terperinciCLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS
CLUSTERING PENCAPAIAN KARAKTER SISWA MENGGUNAKAN ALGORITMA K-MEANS Muhammad Toha, 1), I Ketut Edy Purnama 2) dan Surya Sumpeno 3) 1) Bidang Keahlian Telematika (Konsentrasi CIO) Jurusan Teknik Elektro
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN Pada bab ini akan dilakukan implementasi dan pengujian terhadap aplikasi yang dibangun. Tahapan ini dilakukan setelah analisis dan perancangan selesai dilakukan dan selanjutnya
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM Bab ini menjelaskan tentang analisa data, rancangan sistem, dan skenario pengujian. Bagian analisa data meliputi data penelitian, analisis data, data preprocessing.
Lebih terperinciBAB 5 UJI COBA DAN ANALISA HASIL
BAB 5 UJI COBA DAN ANALISA HASIL Pada bab ini diuraikan mengenai lingkungan uji coba, hasil uji coba serta analisa hasil uji coba dari perangkat lunak. 5.1 Lingkungan Lingkungan uji coba merupakan komputer
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam bab ini akan dijelaskan mengenai struktur rancangan desain penelitian disertai metode penelitian beserta alat dan bahan yang akan digunakan dalam mengerjakan tugas akhir.
Lebih terperinciPengelompokan Data Guru Untuk Pemilihan Calon Pengawas Satuan Pendidikan Menggunakan Metode Fuzzy C-Means dan Kohonen Self Organizing Maps
Pengelompokan Data Guru Untuk Pemilihan Calon Pengawas Satuan Pendidikan Menggunakan Metode Fuzzy C-Means dan Kohonen Self Organizing Maps Muslem 1, Eko Mulyanto Yuniarno 2, I Ketut Eddy Purnama 3 Magister
Lebih 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Tahapan Penelitian Metodologi penelitian digunakan sebagai pedoman dalam pelaksanaan penelitian agar hasil yang dicapai tidak menyimpang dari tujuan. Tahapan penelitian
Lebih terperinciBAB 3. METODE PENELITIAN. Desain penelitian adalah tahapan atau gambaran yang akan dilakukan
BAB 3. METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian adalah tahapan atau gambaran yang akan dilakukan dalam melakukan penelitian untuk memudahkan penyusun dalam melakukan penelitian. Berikut
Lebih terperinciP E N D A H U L U A N Latar Belakang
KLASIFIKASI KEKERAPAN KUNJUNGAN LOKASI BERBASIS LOCATION BASED SERVICE (LBS) MENGGUNAKAN SELF-ORGANIZING MAP (SOM) Oleh : Dhanang Fitra Riaji (NRP : 2208205737) PROGRAM MAGISTER JURUSAN TEKNIK INDUSTRI
Lebih terperinciHASIL DAN PEMBAHASAN. Laju pembelajaran 0.1, 0.3, 0.5
8 Karakteristik Spesifikasi Laju pembelajaran.1,.3,.5 Tabel 5 Definisi Target Sisi Pengguna No Operator Representasi 1 Mentari 1 Im3 1 3 Simpati 1 Lingkungan Pengembangan Sistem akan dibuat menggunakan
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 terperinciPemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan Laut
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 1 Nomor 2 Halaman 52-61 ISSN: 2089-6026 Pemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan
Lebih terperinciJURNAL TEKNOLOGI TECHNOSCIENTIA ISSN: Vol. 7 No. 1 Agustus 2014
PERBANDINGAN METODE (SELF ORGANIZING MAP) DENGAN PEMBOBOTAN BERBASIS RBF (RADIAL BASIS FUNCTION) Andharini Dwi Cahyani 1, Bain Khusnul Khotimah, Rafil Tania Rizkillah 3 1,,3 Program Studi Teknik Informatika,
Lebih terperinci