SISTEM CLUSTERING KECERDASAN MAJEMUK MAHASISWA MENGGUNAKAN ALGORITMA SELF ORGANIZING MAPS (SOM) Oleh: Wiji Lestari STMIK Duta Bangsa Surakarta
|
|
- Doddy Hardja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 SISTEM CLUSTERING KECERDASAN MAJEMUK MAHASISWA MENGGUNAKAN ALGORITMA SELF ORGANIZING MAPS (SOM) Oleh: Wiji Lestari STMIK Duta Bangsa Surakarta ABSTRAK Kecerdasan majemuk adalah hal penting dalam pembelajaran. Kecerdasan majemuk adalah sebuah penilaian yang melihat secara deskriptif bagaimana individu menggunakan kecerdasannya untuk memecahkan masalah dan menghasilkan sesuatu. Menurut Gardner ada 8 kecerdasan majemuk yaitu linguistics, logical-mathematics, visual-spasial, bodily-kinesthetics, musical, interpersonal, intrapersonal dan naturalist. Clustering adalah suatu metode untuk mengelompokkan sejumlah data menjadi beberapa cluster. Data-data yang mempunyai kedekatan akan dikelompokkan dalam satu cluster. Algoritma Self Organizing Maps (SOM) merupakan algorima pada jaringan syaraf tiruan dengan pembelajaran tidak terawasi. Algoritma SOM dapat digunakan untuk analisis pada clustering. Pada penelitian ini bertujuan menghasilkan sistem clustering untuk pemetaan kecerdasan majemuk mahasiswa dengan algoritma SOM. Data input digunakan sekelompok mahasiswa yang akan dikelompokkan dengan cluatering. Proses clustering menggunakan algoritma SOM dengan parameter-parameter clustering tertentu. clustering kecerdasan majemuk digunakan jumlah cluster 8, epochs 500 dan parameter Kohonen 0,01. Dari hasil clustering dapat dipetakan kecerdasan majemuk dari sekelompok mahasiswa. Kata kunci : kecerdasan majemuk; clustering; jaringan syaraf turuan; Algoritma self organizing maps. PENDAHULUAN Keberagaman adalah sesuatu yang pasti dan bukti kebesaran Tuhan dalam mencipkan makluknya. Begitupun dengan mahasiswa mempunyai kebergaman dalam kecerdasannya. Hampir setiap pembelajar dan pengajar pernah mendengar kata kecerdasan majemuk. Namun banyak yang belum memahami arti dan pentingnya kecerdasan majemuk [1]. Kecerdasan majemuk dikemukakan oleh Gardner, yang membagi kecerdasan majemuk ke dalam kecerdasan visual/spasial, kinesthetics, intrapersonal, interpersonal, linguistic, musical/rhythmic, logical/mathematical dan naturalistic [2]. Identifikasi maupun pengelompokkan kecerdasan majemuk mahasiswa dapat dilaksanakan dengan clustering. Proses clustering ini bertujuan untuk mengelompokkan objek-objek berdasarkan karakteristik diantara objek-objek tersebut. Dari analisis cluster kita dapat mengetahui kelompok-kelompok yang terbentuk dengan ciri khas dari tiap kelompok. Dalam penelitian ini clustering digunakan untuk mengelompokkan mahasiswa-mahasiswa yang mempunyai kedekatan karakteristik dalam kecerdasan majemuknya. Dengan adanya clustering kecerdasan majemuk mahasiswa dalam suatu kelas akan diketahui keberagaman kecerdasan majemuk mahasiswa. Keberagaman kecerdasan majemuk tersebut dilihat dari banyaknya cluster. Dengan clustering juga dapat ditentukan kedekatan dalam hal kecerdasan majemuk antara mahasiswa yang satu dengan yang lainnya. Dari uraian di atas maka rumusan masalah penelitian ini adalah : bagaimana mengembangkan sistem clustering kecerdasan majemuk mahasiswa dengan algoritma Self Organizing Maps (SOM)? TINJAUAN PUSTAKA a. Penelitian-penelitian Terkait Jaringan Kohonen sering pula digunakan untuk ekstraksi ciri (feature) pada proses awal pengenalan pola. Ia mampu mereduksi dimensi input pola ke jumlah yang lebih sedikit sehingga pemrosesan komputer 53
2 menjadi lebih hemat. Da Silva melakukan clustering learning objects (Bertambahnya ketersedian sumber pembelajaran digital di internet) dengan Self Organizing Maps (SOM) [3]. Jaringan syaraf tiruan Kohonen SOM juga digunakan untuk memetakan uncover automobile bodily injury claims Fraud [4]. Mahonen menggunakan jaringan Kohonen untuk mengklasifikasikan bintang dan galaksi [5]. Gopalakrishan menggunakan jaringan Kohonen Self Organizing Maps untuk analisis cluster dan visualisasi dengan sampel bahan-bahan kimia [6]. Budi menggunakan jaringan syaraf tiruan SOM untuk cluster analysis dalam pemetaan talenta pemain basket [7]. Sementara Warsito menggunakan jaringan Kohonen untuk clustering data pencemaran udara sektor industri di Jawa tengah [8]. b. Kecerdasan Majemuk Teori kecerdasan majemuk atau multiple intelligences diperkenalkan pada tahun 1983 oleh Dr. Howard Gardner. Gardner Howard mengemukan bahwa intelegensia atau kecerdasan bukanlah suatu kesatuan tunggal yang bisa diukur secara sederhana yang bisa diukur dengan tes IQ. Intelegensia dapat ditingkatkan dan berkembang sepanjang sejarah hidup manusia. Gardner mendefinisikan kecerdasan sebagai suatu kapasitas untuk memecahkan permasalahanm atau membentuk produk yang bernilai dalam satu atau lebih latar budaya [2]. Pada awalnya Gardner merumuskan tujuh kecerdasan majemuk. Dalam perkembangan penelitiannya, beliau menambahkan satu lagi kecerdasan. Kecerdasan majemuk menurut Gardner adalah [2] dan [9]: a. Kecerdasan Liguistic b. Kecerdasan Logical Mathematical c. Kecerdasan Visual-Spatial d. Kecerdasan Bodily-Kinesthetic e. Kecerdasan Musical f. Kecerdasan Interpersonal g. Kecerdasan Intrapersonal h. Kecerdasan Naturalist c. Clustering Clustering adalah teknik yang digunakan untuk mengidentifikasi objek atau individu yang serupa dengan memperhatikan beberapa kriteria [10]. Clustering yaitu analisis untuk mengelompokkan elemen yang mirip sebagai objek penelitian menjadi kelompok (cluster) yang berbeda dan mutually exclusive [10]. Definisi lain adalah upaya menemukan sekelompok objek yang mewakili suatu karakter yang sama atau hampir sama (similar) antar satu objek dengan objek lainnya pada suatu kelompok dan memiliki perbedaan (not similar) dengan objek-objek pada kelompok lainnya [11]. Cluster analysis termasuk dalam analisis statistik multivariat metode interdependen. Sebagai alat analisis interdependen maka tujuan cluster analysis tidak untuk menghubungkan ataupun membedakan dengan sampel/variabel lain. Cluster analysis merupakan salah satu alat analisis yang berguna sebagai peringkas data. Dalam meringkas data ini dapat dilakukan dengan jalan mengelompokkan objek-objek berdasarkan kesamaan karakteristik tertentu di antara objek-objek yang hendak diteliti. d. Algoritma Self Organizing Maps (SOM) Algoritma Self Organizing Map (SOM) atau yang sering disebut dengan Jaringan Syaraf Tiruan Kohonen merupakan suatu metode jaringan syaraf tiruan yang diperkenalkan oleh Professor Teuvo Kohonen pada tahun 1981 [13]. Jaringan Kohonen merupakan salah satu bentuk topologi dari Unsupervised Artificial Neural Network (Unsupervised ANN) dimana dalam proses pelatihannya tidak memerlukan pengawasan (target output) [12]. Jaringan Kohonen/SOM digunakan untuk mengelompokkan (clustering) data berdasarkan karakteristik/fitur-fitur data. Arsitektur dari Jaringan Kohonen/SOM dapat dilihat pada Gambar 2.1. Gambar 1. Algoritma Self Organizing Maps (SOM) 54
3 Jaringan Kohonen termasuk dalam pembelajaran tak terawasi (unsupervised learning). Pada jaringan ini, suatu lapisan yang berisi neuron-neuron akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan istilah cluster. Selama proses penyusunan diri, cluster yang memiliki vektor bobot paling cocok dengan pola input (memiliki jarak paling dekat) akan terpilih sebagai pemenang. Neuron yang menjadi pemenang beserta neuron-neuron tetangganya akan memperbaiki bobot - bobotnya. Algoritma Competitive Network [12], [13], [14]: 1. Inisialisasi neuron input x 1, x 2, x 3, x i. 2. Inisialisasi neuron output sebanyak y 1, y 2, y 3, y j. 3. Menentukan bobot antara neuron input dan neuron output dengan nilai antara x min dan x max. 4. Mengulangi langkah 5 sampai 8 hingga tidak ada perubahan bobot atau iterasi/epochs telah maksimal sehingga output-nya telah konvergen. 5. Pemilihan salah satu input dari vektor input yang ada. 6. Penghitungan jarak antar input data terhadap bobot dengan masing-masing neuron input dengan rumus : D i = (w ij x i ) 2 n i 1 dibuat adalah untuk membuat clustering keberagaman kecerdasan Majemuk berdasarkan Gardner s multiple intelegence Scale dengan algoritma Self Organizing Maps (SOM). b. Sistem Clustering Kecerdasan majemuk Sistem ini terdiri dari proses input data, proses clustering dan proses pemetaan. Sebagai data inputan adalah hasil kuesioner mahasiswa S1 program studi Sistem Informasi STMIK Duta Bangsa Surakarta angkatan Kuesioner berisi indicatorindikator Gardner s Multiple Intelligents. Proses clustering berfungsi untuk mengelompokkan data-data input dalam cluster-cluster. Pada penelitian ini dibuat dalam 5 cluster. Proses pemetaan yang berfungsi memetakan data input pada kelompok-kelompok peminatan bidang penelitian. Diagram system clustering-nya dapat digambarkan sebagai berikut : Dari seluruh bobot ( D i ) dicari yang paling kecil. Index dari bobot ( D i ) yang paling mirip disebut winning neuron. 7. Untuk setiap bobot w ij diperbaharui bobot koneksinya dengan menggunakan rumus yang dapat dilihat pada persamaan: w ij (t + 1) = w ij (t) + α(t) x i w ij (t)] 8. Meng-update bobot bias: 9. Simpan bobot yang telah konvergen. METODE PENELITIAN a. Analisis Kebutuhan Pada tahap ini mengidentifikasi semua kebutuhan untuk pengembangan aplikasi clustering untuk pemetaan kecerdasan majemuk mahasiswa dengan algoritma Self Organizing Maps (SOM). Aplikasi yang akan Gambar 2. Diagram Sistem Clustering. Pengembangan aplikasi clustering ini menggunakan software Matlab 7.0. Untuk pengembangan user interface-nya menggunakan Matlab GUI dan coding pada M.file. Proses clustering diawali dari proses load data kemudian data-data tersebut 55
4 dijadikan neuron input yang akan diproses clustering dengan algoritma SOM. Proses clustering menggunakan parameter-parameter seperti jumlah cluster maksimum, jumlah epochs (iterasi) dan parameter Kohonen (learning rate). Gambar.5 Hasil Clustering epochs 500 Hasil clustering untuk data input dipilih pada epochs yang memberikan hasil output tetap dan mantap sesuai dengan pengujian proses clustering. Hasil clustering dipilih pada epochs 500 untuk gaya belajar maupun kecerdasan majemuk. Hasil clustering adalah sebagai berikut : Tabel 4.4 Hasil Clustering Kecerdasan Majemuk. Anggota Cluster Data_MI_02 Gambar 3. Diagram Proses Clustering. HASIL DAN PEMBAHASAN Hasil clustering untuk data input dipilih pada epochs yang memberikan hasil output tetap dan mantap sesuai dengan pengujian proses clustering. Hasil clustering pada epochs di atas 500 menghasilkan jarak yang konvergen sehingga hasil clustering tetap. Pada penelitian ini digunakan parameterparameter sebagai berikut : jumlah cluster 5, epochs 500 dan parameter Kohonen 0,01. Hasil penelitian adalah sebagai berikut : Cluster 1 D.02, D.13, D.23, D.24 Cluster 2 D.08, D.12, D.18, D.29 Cluster 3 D.03, D.11, D.17, D.21 Cluster 4 D.06, D.20, D.25, D.28 Cluster 5 D.10, D.15, D.19 Cluster 6 D.01, D.05, D.14, D.16 Cluster 7 D.07, D.22, D.27, D.30 Cluster 8 D.04, D.09, D.26 56
5 KESIMPULAN Dari hasil penelitian yang dilakukan mulai dari tahap awal hingga pengujian, penerapan sistem clusteingr untuk pemetaan kecerdasan majemuk mahasiswa dengan algoritma SOM, didapatkan kesimpulan sebagai berikut: 1. Sistem clustering dengan algoritma Self Organizing Maps (SOM) dapat digunakan untuk memetakan kecerdasan majemuk mahasiswa. Mahasiwa-mahasiswa dikelompokkan dalam cluster-cluster tertentu yang mempunyai kemiripan kecerdasan majemuknya. 2. Sistem clustering menggunakan parameter-parameter jumlah epoch 8 dan tetapan Kohonen DAFTAR PUSTAKA [1] Denig, Stephen J. (2004). Multiple Intelligences and Learning Styles : Two Complimentary Dimensions. Teachers College Record Vol. 106, No. 1, January 2004, Colombia University. ning%20- %20Supported%20by%20Learning%20 Models%20Based%20on%20Multiple%2 0Intelligencesand%20Learning%20Style s.pdf, diakses tanggal 14 Februari [2]. Prasetyo, J.J.R. dan Yeni Andriani. (2009). Multiply Your Multiple Intelegences. Jogjakarta : Penerbit Andi. [3]. da Silva, Patric F. and Notargiacomo Mustaro (2009). Clustering of Learning Object with Self Organizing Maps. 39 th ASEE/IEEE Frontier in Educational Conference, October San Antonio. diakses pada tanggal 5 Maret [4]. Brockett, Patrick L. et al (1998). Using Kohonen s Self Organizing Feature Map to Uncover Automobily Bodily Injury Claim Fraud. The Journal of Risk and Insurance, 1998, Vol. 65, No honen%27sself- OrganizingFeatureMap.pdf, diakses pada tanggal 5 Maret [5]. Mahonen, P.H dan P.J Hakala (1995). Automated Source Classification Using Kohonen Network. The Astrophysical Journal Letters Vol.452, No diakses pada tanggal 5 Maret [6]. Gopalakrihnan, K. et al (2008). Enhanced Cluster Analysis and Visualization using Kohonen s Self - Organizing Feature Map Network. International Journal of Computational Intelligence 4; diakses pada tanggal 5 Maret [7]. Budi, G.S. dkk (2008). Cluster Analisis untuk Memprediksi Talenta Pemain Basket Menggunakan Jaringan Syaraf Tiruan Self organizing Maps (SOM). Jurnal Informatika Vol. 9, No.1, Mei pdf, diakses pada tanggal 14 februari [8]. Warsito, B. dkk (2008). Clustering Data Pencemaran Udara Sektor Industri di Jawa Tengah dengan Kohonen neural Network. Jurnal PRESIPITASI Vol. 4, No 1 Maret pdf; diakses pada tanggal 8 Februari [9]. Soefandi, Indra, dan S. Ahmad Pramudya (2009). Strategi Mengembangkan Potensi Kecerdasan Anak. Bee Media Indonesia Jakarta. [10]. Kuncoro, M. (2003). Metode Riset Untuk Bisnis dan Ekonomi. Jakarta: Erlangga. [11]. Everitt, B.S. (1993). Cluster Analysis. Third Edition. Halsted Press an Imprint of John Wiley and Sons Inc. New York. [12]. Kohonen, Teuvo. (1990). The Self- Organizing Map. Proceeding of IEEE, Vol 78, No 9, September PAPERS/The%20Self- Organizing%20Map%20%28Kohonen %29.pdf, diakses pada tanggal 4 februari
6 [13]. Kumar, Satish. (2005). Neural network : A Classroom Approach. McGraw-Hill Education (Asia). [14]. Jong, J. S. (2005). Jaringan Syaraf Tiruan Menggunakan Pemrograman Matlab. Yogyakarta: Penerbit Andi. 58
Aplikasi 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 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciCLUSTERING DATA PENCEMARAN UDARA SEKTOR INDUSTRI DI JAWA TENGAH DENGAN KOHONEN NEURAL NETWORK
CLUSTERING DATA PENCEMARAN UDARA SEKTOR INDUSTRI DI JAWA TENGAH DENGAN KOHONEN NEURAL NETWORK Budi Warsito, Dwi Ispriyanti dan Henny Widayanti Program Studi Statistika FMIPA UNDIP Semarang ABSTRACT Industrial
Lebih terperinciCLUSTERING INDIKATOR PEMBANGUNAN BERKELANJUTAN DI INDONESIA MENGGUNAKAN ALGORITMA SELF-ORGANIZING MAPS (SOMs) KOHONEN
CLUSTERING INDIKATOR PEMBANGUNAN BERKELANJUTAN DI INDONESIA MENGGUNAKAN ALGORITMA SELF-ORGANIZING MAPS (SOMs) KOHONEN DessySetiani dan RB.Fajriya Hakim Program Studi Statistika Fakultas MIPA Universitas
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 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 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 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 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 terperinciPENDEKATAN ARTIFICIAL NEURAL NETWORK (ANN) UNTUK MENGKLASIFIKASIKAN HEWAN VETEBRATA MENGGUNAKAN KOHONEN SELF ORGANIZING MAP (SOM)
PENDEKATAN ARTIFICIAL NEURAL NETWORK (ANN) UNTUK MENGKLASIFIKASIKAN HEWAN VETEBRATA MENGGUNAKAN KOHONEN SELF ORGANIZING MAP (SOM) 1 Tursina 1 Prodi. Teknik Informatika, Fakultas Teknik, Universitas Tanjungpura
Lebih 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 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 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 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 terperinciIMPLEMENTASI SELF ORGANIZING MAP DALAM KOMPRESI CITRA DIGITAL
IMPLEMENTASI SELF ORGANIZING MAP DALAM KOMPRESI CITRA DIGITAL Hisar M. Simbolon (1) Sri Suwarno (2) Restyandito (3) hisarliska@gmail.com sswn@ukdw.ac.id dito@ukdw.ac.id Abstraksi Kompresi citra digital
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciImplementasi Algoritma Self Organizing Map (SOM) untuk Clustering Mahasiswa pada Matakuliah Proyek (Studi Kasus : JTK POLBAN)
Implementasi Algoritma Self Organizing Map (SOM) untuk Clustering Mahasiswa pada Matakuliah Proyek (Studi Kasus : JTK POLBAN) Ghifari Munawar Jurusan Teknik Komputer dan Informatika, Politeknik Negeri
Lebih terperinciPengelompokkan Kelas Menggunakan Self Organizing Map Neural Network pada SMK N 1 Depok
Pengelompokkan Kelas Menggunakan Self Organizing Map Neural Network pada SMK N 1 Depok Eko Harli #1, Ahmad Fauzi #2, Tria Hadi Kusmanto #3 # Fakultas Teknik, Universitas Indraprasta PGRI Jakarta Jln. Nangka
Lebih terperinciAPLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT
APLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT Fradika Indrawan Jurusan Teknik Informatika, Universitas Ahmad Dahlan, Yogyakarta Jl.
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 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 terperinciTeknik Informatika, Universitas Kanjuruhan Malang, 2. Teknik Informatika, Universitas Kanjuruhan Malang,
CLUSTERING DATA MAHASISWA MENGGUNAKAN METODE SELF ORGANIZING MAPS UNTUK MENENTUKAN STRATEGI PROMOSI UNIVERSITAS KANJURUHAN MALANG Nomadeni Fitroh Arno 1 Moh. Ahsan 2 1 Teknik Informatika, Universitas Kanjuruhan
Lebih terperinci1 PENDAHULUAN 1.1 Latar Belakang
1 PENDAHULUAN 1.1 Latar Belakang Curah hujan merupakan faktor yang berpengaruh langsung terhadap perubahan cuaca yang semakin memburuk. Curah hujan merupakan total air hujan yang terjatuh pada permukaan
Lebih terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciISBN IRWNS 2015
ISBN 978-979-3541-50-1 IRWNS 2015 Implementasi Algoritma Self Organizing Map (SOM) untuk Clustering Mahasiswa pada Matakuliah Proyek (Studi Kasus : JTK ) Ghifari Munawar Jurusan Teknik Komputer dan Informatika,
Lebih terperinciPENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION Heru Satria Tambunan AMIK Tunas Bangsa Jalan Sudirman Blok A No. -3, Kota Pematang Siantar, Sumatera
Lebih terperinciAPLIKASI PENGGUNAAN METODE KOHONEN PADA ANALISIS CLUSTER (Studi Kasus: Pendapatan Asli Daerah Jawa Tengah Dalam Menghadapi Asean Community 2015)
APLIKASI PENGGUNAAN METODE KOHONEN PADA ANALISIS CLUSTER (Studi Kasus: Pendapatan Asli Daerah Jawa Tengah Dalam Menghadapi Asean Community 015) Rezzy Eko Caraka 1 (1) Statistics Center Undip, Jurusan Statistika,
Lebih terperinciPENYELESAIAN MASALAH TRAVELING SALESMAN PROBLEM DENGAN JARINGAN SARAF SELF ORGANIZING
Media Informatika, Vol. 6, No. 1, Juni 2008, 39-55 ISSN: 0854-4743 PENYELESAIAN MASALAH TRAVELING SALESMAN PROBLEM DENGAN JARINGAN SARAF SELF ORGANIZING Sukma Puspitorini Program Studi Teknik Informatika
Lebih terperinciPENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Alfa Ceria Agustina (1) Sri Suwarno (2) Umi Proboyekti (3) sswn@ukdw.ac.id othie@ukdw.ac.id Abstraksi Saat ini jaringan saraf tiruan
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 I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Perkembangan teknologi informasi yang semakin pesat berdampak pada terjadinya penurunan substansial dalam biaya penyimpanan data, peningkatan pesat
Lebih terperinci2.1 Definisi Operasional Indikator Pemerataan Pendidikan
BAB II TINJAUAN PUSTAKA 2.1 Definisi Operasional Indikator Pemerataan Pendidikan Pendidikan di Indonesia diselenggarakan sesuai dengan sistem pendidikan nasional yang ditetapkan dalam UU No. 20 tahun 2003
Lebih terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
Lebih 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 terperinciAnalisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Analisis Jaringan Saraf Tiruan Model Perceptron Pada Pengenalan Pola Pulau di Indonesia Muhammad Ulinnuha
Lebih terperinciRealisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen
Realisasi Pengenalan Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan dengan Metode Kohonen David Novyanto Candra/0322003 Email: dave_christnc@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Jln.Prof.Drg.Suria
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 terperinciPengelompokan Huruf Cetak Menggunakan Algoritma Adaptive Resonance Theory 1 (ART 1)
Pengelompokan Huruf Cetak Menggunakan Algoritma Adaptive Resonance Theory 1 (ART 1) Elisabeth Lany Oktorina/0222135 Email: geffen_ladi@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Jln.Prof.Drg.Suria
Lebih terperinciCLUSTERING TRAFO DISTRIBUSI MENGGUNAKAN ALGORITMA SELF- ORGANIZING MAP
CLUSTERING TRAFO DISTRIBUSI MENGGUNAKAN ALGORITMA SELF- ORGANIZING MAP Tutik Khotimah Fakultas Teknik, Program Studi Teknik Informatika Universitas Muria Kudus Email: tutik.khotimah@umk.ac.id Abdul Syukur
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring perkembangan zaman, teknologi di bidang medis saat ini semakin berkembang. Teknologi sendiri sudah menjadi kebutuhan di segala bidang khususnya bidang biomedis.
Lebih terperinciIDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN SOM (SELF ORGANIZING MAPS) ARTIKEL SKRIPSI
IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN SOM (SELF ORGANIZING MAPS) ARTIKEL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program Studi Teknik
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 terperinciBAB I PENDAHULUAN Latar Belakang Penelitian Sheny Meylinda S, 2013
BAB I PENDAHULUAN A. Latar Belakang Penelitian Fisika merupakan bagian dari rumpun Ilmu Pengetahuan Alam (IPA) yang dianggap sulit oleh siswa (Angel et all, 2004:2). Penyebabnya adalah dikarenakan siswa
Lebih terperinciPENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TENGAH BERDASARKAN PERSENTASE PENDUDUK MISKIN TAHUN MENGGUNAKAN METODE KOHONEN
Prosiding Seminar Nasional Matematika dan Terapannya 016 p-issn : 550-0384; e-issn : 550-039 PENGELOMPOKAN KABUPATEN/KOTA DI PROVINSI JAWA TENGAH BERDASARKAN PERSENTASE PENDUDUK MISKIN TAHUN 009-013 MENGGUNAKAN
Lebih terperinciPROFIL BERPIKIR KRITIS SISWA SMP DALAM MENYELESAIKAN MASALAH MATEMATIKA DITINJAU DARI KECERDASAN MAJEMUK
PROFIL BERPIKIR KRITIS SISWA SMP DALAM MENYELESAIKAN MASALAH MATEMATIKA DITINJAU DARI KECERDASAN MAJEMUK Emiliya Damayanti 1, Sunardi 2, Ervin Oktavianingtyas 3 Email: rvien@ymail.com Abstract. This study
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 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 terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih 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 terperinciLEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA
LEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA 1,2,3 Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara e-mail: edgar.audela.bb@students.usu.ac.id,
Lebih terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciANALISIS CLUSTER DAN DIAGNOSA PENYAKIT MENGGUNAKAN JARINGAN SYARAF TIRUAN
Prosiding FMIPA Universitas Pattimura 03 ISBN: 978-60-975-0-5 ANALISIS CLUSTER DAN DIAGNOSA PENYAKIT MENGGUNAKAN JARINGAN SYARAF TIRUAN Zeth Arthur Leleury, Henry Willyam Michel Patty Jurusan Matematika
Lebih terperinciANALISIS CLUSTER TERHADAP RUMAH TANGGA MISKIN DI KABUPATEN TEGAL MENGGUNAKAN SELF ORGANIZING MAPS (SOM)
ANALISIS CLUSTER TERHADAP RUMAH TANGGA MISKIN DI KABUPATEN TEGAL MENGGUNAKAN SELF ORGANIZING MAPS (SOM) Farah Nur Hidayah 1), Edy Widodo 2) 1 Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
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 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 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 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 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 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 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 terperinciBAB I PENDAHULUAN. persoalan baru untuk diselesaikan, kemampuan untuk menciptakan sesuatu
1 BAB I PENDAHULUAN A. LATAR BELAKANG Kecerdasan merupakan alat untuk belajar, menyelesaikan masalah, dan menciptakan semua hal yang bisa digunakan manusia. Gardner (2003) tidak memandang kecerdasan manusia
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (Artificial Neural Network) Intelligent Systems Pembahasan Jaringan McCulloch-Pitts Jaringan Hebb Perceptron Jaringan McCulloch-Pitts Model JST Pertama Diperkenalkan oleh McCulloch
Lebih terperinciPENGELOMPOKKAN INDUSTRI MIKRO DAN KECIL DI INDONESIA MENGGUNAKAN KOHONEN SELF ORGANIZING MAPS (SOM)
PENGELOMPOKKAN INDUSTRI MIKRO DAN KECIL DI INDONESIA MENGGUNAKAN KOHONEN SELF ORGANIZING MAPS (SOM) Harina Handayani 1 Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Indonesia
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Genre Menurut Kamus Besar Bahasa Indonesia, genre adalah jenis, tipe, atau kelompok sastra atas dasar bentuknya. Jadi genre musik merupakan pengelompokan musik berdasarkan kemiripan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Pola Pengenalan pola (pattern recognition) adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur atau sifat
Lebih terperinciPenerapan Kohonen Self Organized Map Dalam Kuantisasi Vektor Pada Kompresi Citra Bitmap 24 Bit
Penerapan Kohonen Self Organized Map Dalam Kuantisasi Vektor Pada Kompresi Citra Bitmap 24 Bit Gadis Fransiska Yulianti Tae, Sri Suwarno, Widi Hapsari Fakultas Teknologi Informasi, Program Studi Teknik
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciKeywords: Levenberg Marquardt Algorithm, Geographic Information System, Spatial Data.
Prediksi Tingkat Kriminalitas Menggunakan Jaringan Syaraf Tiruan Backpropagation: Algoritma Levenberg Marquardt di Kota Manado Berbasis Sistem Informasi Geografi 1 Lindsay Mokosuli, 2 Winsy Weku, 3 Luther
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB I PENDAHULUAN. Sungguh, Kami telah menciptakan manusia dalam bentuk yang sebaik-baiknya (Q.S. At-Tin/95: 5). 1
BAB I PENDAHULUAN A. Latar Belakang Manusia adalah makhluk ciptaan Allah yang paling sempurna. Seperti yang disebutkan dalam firman-nya: Sungguh, Kami telah menciptakan manusia dalam bentuk yang sebaik-baiknya
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 terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
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 terperinciPEMBUATAN PETA SIMILARITAS KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN SELF-ORGANIZING MAPS (SOM)
Pembuatan Peta Similaritas Kota di Provinsi Jawa Tengah... (Palgunadi dkk.) PEMBUATAN PETA SIMILARITAS KOTA DI PROVINSI JAWA TENGAH MENGGUNAKAN SELF-ORGANIZING MAPS (SOM) Sarngadi Palgunadi, Risalatul
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 terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciAbstract
ANALISIS PENERAPAN ARTIFICIAL NEURAL NETWORK DALAM PENENTUAN BIDANG KOMPETENSI SKRIPSI MAHASISWA (STUDI KASUS DI PROGRAM STUDI TEKNIK INFORMATIKA STMIK NURDIN HAMZAH JAMBI) 1,2,3 Magister Ilmu Komputer,
Lebih terperinciPEMANFAATAN METODE SELF ORGANIZING MAP PADA OPTIMASI MASALAH TRAVELLING SALESMAN PROBLEM
Jurnal Computech & Bisnis, Vol. 5, No. 2, Desember 2011, 95-102 ISSN Pemanfaatan 1978-9629 Metode Self Organizing Map...(Yulistian S, Irawan A) PEMANFAATAN METODE SELF ORGANIZING MAP PADA OPTIMASI MASALAH
Lebih terperinci2 2 ... v... 3 Santoso... 21 abawa... 29... 37... 53... 59... 67... 77 Yohakim Marwanta... 85... 89... 101 ... 109... 117 D. Jaringan Komputer Amirudd... 135 andha... 141... 151... 165 Syahrir... 171...
Lebih 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 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 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 terperinciPenyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks
Penyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks Dewi Erla Mahmudah 1, Ratna Dwi Christyanti 2, Moh. Khoridatul Huda 3,
Lebih terperinciLingkungan Implementasi Clustering Menggunakan SOM HASIL DAN PEMBAHASAN Pengumpulan Data Perkembangan Anak Validasi Cluster Menggunakan
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
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 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Tanaman karet merupakan tanaman yang memiliki peran penting di bidang industri terutama sebagai bahan baku di bidang industri ban dan otomotif (Sinaga, 2011). Indonesia
Lebih terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinciIMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI
IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com
Lebih terperinciANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU
ANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU Rosmelda Ginting 1*, Tulus 1, Erna Budhiarti Nababan 1 Program S2 Teknik Informatika
Lebih 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 terperinciMENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB
POLITEKNOSAINS VOL. X NO. 2 Juni 2011 MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB Yaya Finayani Teknik Elektro, Politeknik Pratama Mulia, Surakarta 57149, Indonesia ABSTRACT
Lebih terperinciFuzzy Clustering. Logika Fuzzy
Fuzzy Clustering Logika Fuzzy Misalkan sistem uzzy dengan dua input dan output; input terdiri atas dan, outputnya y Fungsi keanggotaan dapat berbentuk: Gaussian Segitiga Bentuk lain Fungsi Gaussian i :
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciESTIMASI PRODUKTIVITAS PEKERJA KONSTRUKSI DENGAN PROBABILISTIC NEURAL NETWORK
ESTIMASI PRODUKTIVITAS PEKERJA KONSTRUKSI DENGAN PROBABILISTIC NEURAL NETWORK Lila Ayu Ratna Winanda Dosen Teknik Sipil FTSP ITN Malang ABSTRAKSI Pekerjaan konstruksi yang tengah menggeliat bangkit tidak
Lebih terperinciBAB I PENDAHULUAN. Saat ini, konsep data mining semakin dikenal sebagai tools penting dalam
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Saat ini, konsep data mining semakin dikenal sebagai tools penting dalam manajemen informasi karena jumlah informasi yang semakin besar jumlahnya. Data mining sendiri
Lebih terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
Lebih terperinciPerancangan Pengenalan Karakter Alfabet menggunakan Metode Hybrid Jaringan Syaraf Tiruan
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 Perancangan Pengenalan Karakter Alfabet menggunakan Metode Hybrid Jaringan Syaraf Tiruan Rin Rin Meilani Salim 1, Andrew Sagitta Jauhari 2 STMIK Mikroskil,
Lebih terperinciKOMPRESI CITRA BERWARNA DENGAN ALGORITMA ENHANCED SELF ORGANIZING MAP (ENHANCED SOM)
KOMPRESI CITRA BERWARNA DENGAN ALGORITMA ENHANCED SELF ORGANIZING MAP (ENHANCED SOM) Bambang Trianggono *, Agus Zainal Arifin * Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinci