khazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
|
|
- Iwan Pranoto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program Studi Ilmu Komputer/Informatia, Faultas Sains dan Matematia Universitas Diponegoro * Yusufdwisantoso@gmail.com Abstra Kepribadian merupaan gambaran tingah lau dari individu. Penerimaan teman sebaya merupaan penilaian individu bahwa dirinya diterima, didengar, diperhatian, dihargai, serta dapat merasa aman dan nyaman saat bersama teman-teman dengan umur yang sama. Kepribadian dan penerimaan teman sebaya penting untu dietahui agar dapat mengenal potensi diri. Tes epribadian merupaan salah satu sarana untu mengetahui dan menglasifiasian epribadian seseorang e tipe epribadian tertentu. Jaringan syaraf tiruan bacpropagation dapat digunaan untu melauan lasifiasi sebuah pola berdasaran permasalahan tertentu seperti halnya dalam menglasifiasi tipe epribadian dan penerimaan teman sebaya seseorang. Sistem lasifiasi tipe epribadian dan penerimaan teman sebaya menggunaan jaringan syaraf tiruan bacpropagation dapat digunaan untu menglasifiasi tipe epribadian dan penerimaan teman sebaya seseorang e dalam beberapa tipe, yaitu introvert diterima, introvert ditola, estrovert diterima, dan estrovert ditola berdasaran sejumlah set pertanyaan yang menjadi alat uur dalam penentuan epribadian. Sistem lasifiasi tipe epribadian dan penerimaan teman sebaya menggunaan jaringan syaraf tiruan bacpropagation menghasilan arsitetur bacpropagation terbai untu lasifiasi epribadian dan penerimaan teman sebaya pada saat menggunaan hidden layer dengan 7 neuron, epoch, nilai target error 0.0, dan laju pembelajaran 0.. Hasil esperimen jaringan syaraf tiruan bacpropagation pada sistem ini menghasilan rata-rata tingat aurasi 98.75% dan tingat error.25%. Kata Kunci: lasifiasi; epribadian; JST, bacpropagation. Pendahuluan Remaja adalah soso yang senantiasa menari untu dibicaraan. Ketia seseorang memasui masa remaja, maa saat itulah ia meninggalan status dari ana-ana menuju masa dewasa dan ini yang sering disebut sebagai masa peralihan. Ciri-ciri yang menonjol pada usia remaja terlihat dalam perilau sosialnya []. Bagi remaja, penerimaan sosial mempunyai arti penting yang mana salah satunya adalah diterima oleh teman sebaya. Tanpa penerimaan teman seelompo aan menimbulan gangguan perembangan psiis dan sosial remaja. Terdapat beberapa fator yang mempengaruhi penerimaan teman sebaya, salah satunya yaitu perilau sosial yang ditampaan oleh remaja [2]. Perilau yang ditampaan individu, tercermin dari gambaran orientasi terhadap dunianya. Orientasi ini disebut dengan siap, di mana siap dipengaruhi oleh tipe epribadian individu. Kepribadian individu, secara sederhana dibedaan menjadi dua utub berdasaran arah energi psiis dalam diri individu, yaitu epribadian estrovert dan introvert [3]. Kedua epribadian ini memilii caranya masing-masing dalam merespons lingungannya, sehingga diperluan sebuah tes yang berguna untu mengenal epribadian dan potensi diri yang ada agar dapat dioptimalan untu esusesan dalam ehidupan sosial. Tes epribadian adalah sebuah tes yang dilauan untu menentuan tipe epribadian seseorang [4]. Penglasifiasian tipe epribadian yang dilauan dengan tes epribadian saat ini sering ali masih menggunaan metode lama dan urang memanfaatan tenologi yang ada. Padahal pesatnya perembangan tenologi memberian manfaat dalam ehidupan manusia. Pemanfaatan tenologi yang begitu besar membuat omputer dapat beerja dengan meniru cara erja ota manusia dengan memanfaatan metode jaringan syaraf tiruan. Metode tersebut dapat dimanfaatan untu menglasifiasi sebuah pola berdasaran permasalahan tertentu seperti halnya dalam menglasifiasian tipe epribadian dan penerimaan teman sebaya seseorang. Sehubungan dengan pentingnya pengenalan tipe epribadian dan penerimaan teman sebaya serta dilatarbelaangi beberapa alasan tersebut maa perlu dibangunnya sebuah sistem lasifiasi tipe epribadian dan penerimaan teman sebaya yang memanfaatan tenologi omputer. Klasifiasi epribadian telah banya diapliasian pada berbagai jurnal ilmiah. Menurut Luas, Aribowo, dan Wardhani (2004) proses lasifiasi epribadian yang menggunaan sistem paar dengan metode etidapastian (uncertainty) ternyata hanya mampu menjawab 0 pertanyaan dari 20 pertanyaan yang ada dengan tingat epercayaan yang bai [5]. Klasifiasi
2 2 Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan... epribadian menggunaan jaringan syaraf tiruan learning vector quantization memberian nilai aurasi sebesar 63.75% [6]. Dari beberapa penelitian tersebut menunjuan bahwa metode-metode yang telah digunaan sebelumnya belum memberian hasil yang masimal, untu itu perlu dilauan penelitian mengenai lasifiasi tipe epribadian dan penerimaan teman sebaya dengan menggunaan algoritma bacpropagation. Salah satu model jaringan dalam jaringan syaraf tiruan adalah bacpropagation. Bacpropagation melatih jaringan untu mendapatan eseimbangan antara emampuan jaringan untu mengenali pola yang digunaan selama pelatihan serta emampuan jaringan untu memberian respons yang benar terhadap pola masuan yang serupa dengan pola yang dipaai selama pelatihan [6]. Sudah banya penelitian implementasi jaringan syaraf tiruan bacpropagation terhadap predisi seperti predisi penyait demam berdarah dengan aurasi 74% [7] dan aner servis dengan aurasi 95.4% [8]. Beberapa hasil penelitian mengenai algoritma bacpropagation sebelumnya menunjuan bahwa algoritma bacpropagation mampu memberian inerja yang bai sehingga penulis tertari untu membuat sistem lasifiasi tipe epribadian dengan menggunaan algoritma bacpropagation. Bacpropagation dapat digunaan untu lasifiasi arena bacpropagation dapat mengenali pola dan memberian respons benar terhadap pola masuan sehingga coco untu menglasifiasian epribadian seseorang berdasaran input pertanyaan. Sistem lasifiasi epribadian yang memanfaatan algoritma bacpropagation ini diharapan mampu memberian hasil output yang lebih aurat. Sistem lasifiasi epribadian dan penerimaan teman sebaya ini dibangun berbasis web. Kelebihan pembangunan sistem berbasis web adalah dapat diases dengan mudah dari jara jauh melalui browser tanpa harus melauan instalasi software sehingga nantinya sistem lasifiasi tipe epribadian dan penerimaan teman sebaya ini dapat digunaan oleh alangan umum di manapun dan apanpun tanpa bantuan seorang paar secara langsung. Tujuan yang ingin dicapai adalah terciptanya suatu sistem lasifiasi tipe epribadian dan penerimaan teman sebaya menggunaan jaringan syaraf tiruan bacpropagation, sehingga dapat memudahan seseorang untu mengenali epribadiannya masing-masing. 2. Metode 2. Pengumpulan Data Pada penelitian ini, data diperoleh melalui uesioner. Kuesioner disebar epada mahasiswa tingat satu sampai dengan empat dengan rentang usia 8 sampai 22 tahun melalui google form. Jumlah data yang telah terumpul sebanya 20 data emudian dielompoan e dalam 4 elas melalui bantuan psiolog, sehingga data sebanya 20 buah ini terdiri atas 69 data yang didefinisian e dalam elas estrovert diterima, 49 data untu introvert diterima, 52 data untu estrovert ditola, 40 data untu introvert ditola. 2.2 Arsitetur JST Bacpropagation Arsitetur JST bacpropagation yang digunaan pada sistem ini terdiri atas 3 layer, yaitu input layer, hidden layer, dan output layer. 2.3 Jaringan Syaraf Tiruan Bacpropagation Jaringan syaraf tiruan adalah sistem pemroses informasi yang memilii arateristi mirip dengan jaringan syaraf biologi. Jaringan syaraf tiruan ditentuan oleh 3 hal, yaitu arsitetur jaringan, metode untu menentuan bobot penghubung, serta fungsi ativasi [4]. Bacpropagation merupaan salah satu model jaringan syaraf tiruan. Bacpropagation melatih jaringan untu mendapatan eseimbangan antara emampuan jaringan untu mengenali pola yang digunaan selama pelatihan serta emampuan jaringan untu memberian respons yang benar terhadap pola masuan yang serupa tapi tida sama dengan pola yang dipaai selama pelatihan [8]. Arsitetur bacpropagation terdiri atas satu atau lebih unit masuan ditambah satu unit bias, satu layar tersembunyi yang terdiri atas satu atau lebih unit ditambah satu unit bias, serta satu atau lebih unit eluaran. Algoritma pelatihan bacpropagation adalah sebagai beriut: a. Langah 0: Inisialisasi semua bobot dengan bilangan aca ecil, epoch =, tentuan laju pembelajaran (α), tentuan jumlah unit pada layar tersembunyi (p) serta tentuan ondisi penghentian. Kondisi penghentian berupa masimum max epoch dan error target. b. Langah : Jia epoch max epoch dan error target < MSE, lauan langah 2 9. c. Langah 2: Untu setiap pasang data pelatihan ( sampai dengan a di mana a adalah jumlah data pelatihan), lauan langah 3 8. d. Fase I: Propagasi maju Langah 3 : Tiap unit masuan menerima sinyal dan menerusannya e unit tersembunyi di atasnya. Langah 4 : Hitung semua eluaran di unit tersembunyi z j (j =, 2,..., p) z j = f ( z _ net j ) = z _ net (2) j + e Langah 5: Hitung semua eluaran jaringan di unit y ( =, 2,..., m) y () (3) = f ( y _ net ) = y _ net (4) + e e. Fase II : Propagasi mundur Langah 6: Hitung fator δ unit eluaran berdasaran esalahan di setiap unit eluaran y ( =, 2,..., m) δ = ( t y ) f ' ( y _ net ) = ( t y ) y ( y ) (5) Hitung suu perubahan bobot W j dengan laju percepatan α
3 Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan... 3 (6) =, 2,..., m ; j = 0,,..., p (5) Langah 7: Hitung fator δ unit tersembunyi berdasaran esalahan di tiap unit tersembunyi z (j =, 2,..., p) j δ j = δ _ net j f '( z _ net j ) = δ _ net j z j ( z j ) (8) Hitung suu perubahan bobot v ji dengan laju percepatan α j =, 2,..., p ; i = 0,,..., n f. Fase III : Perubahan bobot Langah 8: Hitung semua perubahan bobot Perubahan bobot garis yang menuju e unit eluaran (7) (9) (0) =, 2,..., m ; j = 0,,..., p Perubahan bobot garis yang menuju e unit tersembunyi: j =, 2,..., p ; i = 0,,..., n g. Langah 9: Perbaharui nilai epoch () epoch = epoch + (2) dan hitung mean squared error (MSE) a ( t y = MSE = a 2 ) (3) 2.4 Algoritma Nguyen Widrow Bobot awal aan mempengaruhi apaah jaringan mencapai titi minimum loal atau global dan seberapa cepat onvergensinya. Nguyen dan Widrow (200) mengusulan cara membuat inisialisasi bobot e unit tersembunyi sehinga menghasilan iterasi yang lebih cepat. Algoritma Nguyen Widrow adalah sebagai beriut [9]:. Inisialisasi semua bobot (V ji (Lama)) dengan bilangan aca dalam interval [-0.5, 0.5] 2. Hitung: 3. Bobot yang digunaan sebagai inisialisasi: (4) Di mana β adalah fator sala dengan rumus: β = 0.7 n p (6) 4. Bobot bias yang dipaai sebagai inisialisasi ( v j0 ) adalah bilangan aca dalam interval [ - β, β ] 2.5 Preprocessing Data Preprocessing data merupaan suatu proses atau langah yang dilauan untu membuat data mentah (dalam penelitian ini berupa data hasil uesioner) menjadi data yang siap diolah menggunaan metode bacpropagation. Pada penelitian ini preprocessing data dilauan dalam 3 tahapan, yaitu mapping data, normalisasi data, dan pemisahan antara data latih dan data uji dengan metode K-Fold. Sistem lasifiasi epribadian ini aan menggunaan sejumlah 0 atribut pertanyaan untu menentuan tipe epribadian dan penerimaan teman sebaya seseorang. Setiap hasil tes yang berjumlah 0 atribut pertanyaan ini aan direpresentasian sebagai variabel input, sedangan setiap atribut pertanyaan aan direpresentasian sebagai variabel input. Dari masing-masing atribut pertanyaan tersebut terdapat 4 pilihan jawaban di mana aan merepresentasian arateristi dari masing-masing tipe epribadian. Langah mapping data dilauan untu mengidentifiasi data yang telah diperoleh dalam pengumpulan data e dalam arsitetur bacpropagation. Data yang diperoleh diidentifiasi dan selanjutnya dipetaan data mana yang aan dijadian input neuron dan data mana yang aan menjadi output neuron Langah edua yaitu mapping data input dan output jaringan. Pertanyaan dari uesioner aan menjadi input neuron, pertanyaan e- aan menjadi x, pertanyaan e-2 aan menjadi x 2, begitu seterusnya sampai dengan arateristi layanan e 0 aan menjadi x 0. Sedangan nilai output neuron diperoleh dari hasil perhitungan sehingga terbentu arsitetur jaringan dengan 0 neuron input dan neuron output seperti pada Gambar. Langah etiga yaitu normalisasi data yang telah dipetaan e dalam arsitetur jaringan dengan rumus beriut: r = R x (7) Langah 4, yaitu identifiasi data latih dan data uji menggunaan K-Fold Cross Validation dengan nilai K= 0. Data yang telah dilauan preprocessing emudian aan diproses menggunaan K-Fold Cross Validation. Tahapan ini dilauan untu membagi data hasil menjadi data pelatihan dan data pengujian. Penelitian ini menggunaan dataset sejumlah 60 yang terdiri atas 4 elas tipe epribadian.
4 4 Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan... Tabel. Hasil Percobaan Target Error Percobaan e- Target Error Rata-rata MSE Gambar. Arsitetur JST Bacpropagation Gambar 2. 0-Fold Cross Validation pada Dataset Proses K-Fold Cross Validation ini menggunaan nilai, sehingga dataset aan dibagi menjadi 0 subset yang terdiri atas data dengan perbandingan jumlah elas yang sama. Setiap subset aan terdiri 6 data, di mana 6 data tersebut terdiri atas 4 elas yang masing-masing terdapat 4 data. Metode ini aan melauan iterasi sebanya 0 ali, di mana pada iterasi pertama subset e- menjadi data pengujian, sedangan sisa subset lainnya aan menjadi data pelatihan. Pada iterasi edua, subset edua digunaan sebagai data pengujian dan subset lainnya sebagai data pelatihan, dan seterusnya hingga seluruh subset digunaan sebagai data pelatihan. Penggambaran metode 0-Fold Cross Validation pada dataset lebih jelasnya ditunjuan pada Gambar 2. Dataset awal sejumlah 60 dengan proses 0-Fold Cross Validation ini aan diperoleh data pelatihan sebanya 44 data dan data pengujian sebanya 6 data dalam setiap pelatihan. 3. Hasil Hasil penelitian berdasar esperimen nilai target error, esperimen ombinasi hidden neuron, dan laju pembelajaran. Gambar 3. Grafi Hubungan Target Error dengan MSE 3. Esperimen Nilai Target Error Pengujian target error dilauan dengan menggunaan nilai target error adalah 0.; 0.0; 0.00; Variabel lain yang digunaan pada pengujian ini yaitu jumlah hidden neuron sebanya 3, laju pembelajaran (α) sebesar 0.4, dan epoch masimum sebanya epoch. Hasil dari pengujian target error dalam 3 ali percobaan ditunjuan pada Tabel. Nilai nilai rata-rata mean square error terendah pada etiga percobaan selalu pada nilai target error 0.0. Hasil esperimen pengujian e- ini emudian disajian dalam grafi yang dapat dilihat pada Gambar Esperimen Kombinasi Hidden Neuron dan Laju Pembelajaran Nilai laju pembelajaran yang diteliti antara 0.; 0.2; 0.3; 0.4; 0.5; 0.6; 0.7; 0.8; 0.9. Jumlah hidden neuron yang diteliti 2 sampai dengan 9. Nilai masimum epoch yang digunaan adalah dan nilai target error yang digunaan sesuai hasil dari strategi yaitu 0.0. Sehingga aan terbentu 72 ombinasi parameter penelitian. Masing-masing ombinasi tersebut aan menghasilan ombinasi jaringan terbai dari pembangunan sistem ini dengan nilai error minimum 0.0 dan epoch masimal
5 Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Kesimpulan Sistem lasifiasi epribadian dan penerimaan teman sebaya menggunaan jaringan syaraf tiruan bacpropagation telah berhasil dibangun dan dapat berjalan sesuai ebutuhan fungsional. Sistem lasifiasi epribadian dan penerimaan teman sebaya menggunaan jaringan syaraf tiruan bacpropagation menghasilan arsitetur jaringan terbai dengan 0 neuron pada input layer, 7 neuron pada hidden layer, dan 2 neuron output mampu melauan lasifiasi dengan tingat aurasi terbai, yaitu sebesar 98.75% dan tingat error.25%. Gambar 4. Grafi Hasil Pengujian Arsitetur terbai dari jaringan syaraf tiruan bacpropagation didapatan dari ombinasi laju perubahan dan jumlah hidden neuron. Sesuai dengan hasil penelitian di atas, ombinasi hidden neuron dan alfa yang memilii tingat eauratan tertinggi yaitu pada nilai hidden neuron 7 dan dengan laju percepatan 0,5 dengan tingat aurasi 98,75%. Hasil esperimen pengujian e-2 ini emudian disajian dalam grafi yang dilihat pada Gambar Disusi Klasifiasi epribadian telah banya dipubliasian pada berbagai jurnal ilmiah. Pada beberapa penelitian terdahulu seperti Luas, Aribowo, dan Wardhani disebutan bahwa proses lasifiasi epribadian yang menggunaan sistem paar dengan metode etidapastian (uncertainty) ternyata hanya mampu menjawab 0 pertanyaan dari 20 pertanyaan yang ada dengan tingat epercayaan yang bai [5]. Klasifiasi epribadian menggunaan jaringan syaraf tiruan learning vector quantization memberian nilai aurasi sebesar 63.75% [6]. Sudah banya penelitian implementasi jaringan syaraf tiruan bacpropagation terhadap predisi seperti predisi penyait demam berdarah dengan aurasi 74% [7] dan aner servis dengan aurasi 95.4% [8]. Dari beberapa penelitian tersebut menunjuan bahwa metode-metode yang telah digunaan sebelumnya belum memberian hasil yang masimal. Sedangan penelitian mengenai lasifiasi tipe epribadian dan penerimaan teman sebaya dengan menggunaan algoritma bacpropagation. menghasilan tingat aurasi 98.75%. 6. Daftar Pustaa [] I. Puhar, Penerimaan Teman Sebaya Pada Remaja Panti Asuhan Ditinjau Dari Kematangan Sosial, Sripsi, Unia Soegijapranata, p. 63, [2] R. Sinthia, Hubungan Antara Penerimaan Sosial Kelompo Kelas dengan Kepercayaan Diri Pada Siswa Kelas I SLTP XXX Jaarta, Triadi, vol. 4, no., p. 42, 20. [3] Suryabrata, Psiologi Kepribadian, Jaarta: Rajawali Pers, [4] F. Littauer, Personality Plus, Tangerang: Karisma Publishing Group, 20. [5] S. Luas, A. Ariwibowo dan R. Wardhani, Sistem Paar Untu Mendiagnosa Kepribadian Berdasaran Teori Kepribadian Florence Littauer, Jurnal Ilmiah Ilmu Komputer, p. 29, [6] A. M. Pratiwi dan P. S. Sasongo, Sistem Klasifiasi Kepribadian Menggunaan Jaringan Syaraf Tiruan, Journal of Informatcs and Technology, p. 8, 205. [7] W. Widodo, A. Rachman dan R. Amelia, Jaringan Syaraf Tiruan Predisi Penyait Demam Berdarah dengan Menggunaan Metode Bacpropagation, Jurnal IPTEK, vol. 8, no., 204. [8] A. T. Susanto, Apliasi Diagnosa Kaner Servis dengan Menggunaan Algoritma Bacpropagation, Sripsi, 202. [9] J. Siang, Jaringan Syaraf Tiruan dan Pemrograman Menggunaan Matlab, Yogyaarta: Penerbit Andi, 2005.
khazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciAKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA
AKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA Aris Puji Widodo, Suhartono 2, Eo Adi Sarwoo 3, dan Zulfia Firdaus 4,2,3,4 Departemen Ilmu Komputer/Informatia,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperinci1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba
JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA Nurmalasari Rusmiati 1 Sistem Informasi, Faultas Ilmu Komputer, Universitas Gunadarma
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinciSistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation
Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Sistem Penduung Keputusan Penerima Beasiswa SMK Menggunaan Metode Bacpropagation Teti Rohaeti 1, Yoyon Kusnendar Suprapto 2, Eo Mulyanto 3
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS 1 Ihwannul Kholis, 2 Ahmad Rofii. 1 Universitas 17 Agustus 1945 Jaarta,
Lebih terperinciPENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Sutino 1, Helmie Arif Wibawa 2, Priyo Sidi Sasongo 3 123 Jurusan Ilmu Komputer/Informatia, FSM,
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinciDany Candra Febrianto ) dan Hindayati Mustafidah )
Penerapan Jaringan Saraf Tiruan dengan Metode Pembelaaran Bacpropagation untu Mengetahui Tingat Kualifiasi Calon Siswa pada Sistem Informasi Penerimaan Siswa Baru di MAN 2 Banarnegara (Application of Artificial
Lebih terperinciBAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN
BAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN Kompetensi : 1. Mahasiswa memahami onsep pembelaaran dalam JST Sub Kompetensi : 1. Dapat mengetahui prinsip algoritma Perceptron 2. Dapat mengetahui
Lebih terperinciSistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation
Sistem Peramalan Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Syaraf Tiruan Bacpropagation Anindita Septiarini 1 dan Nur Sya baniah 2 1 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING
APLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING Hendra William *), Achmad Hidayatno, and Aub Aulian Zahra Jurusan Teni Eletro, Universitas Diponegoro
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciPENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETWORK DAN PRINCIPAL COMPONENT ANALYSIS
Jurnal Teni dan Ilmu Komputer SISTEM PENGENALAN AJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETORK DAN PRINCIPAL COMPONENT ANALYSIS FACE RECOGNITION SYSTEM USING BACKPROPAGATION ARTIFICIAL
Lebih terperinciPERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI
PERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciAplikasi Neural-Fuzzy pada Regresi Interval untuk Data Time Series
Apliasi Neural-Fuzzy paa Regresi Interval untu Data Time Series Sri Kusumaewi Jurusan Teni Informatia, Universitas Islam Inonesia, Yogyaarta Jl. Kaliurang K, 4, Yogyaarta (04 E-mail : cicie@fti.uii.ac.i
Lebih terperinciARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET
Prosiding SNaPP2012 : Sains, Tenologi, dan Kesehatan ISSN 2089-3582 ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET 1 John Maspupu 1 Pussainsa LAPAN, Jl Dr Dundunan No 133 Bandung
Lebih terperinciII. DASAR TEORI I. PENDAHULUAN
IMPLEMENTASI JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK UNTUK MENDETEKSI GOLONGAN DARAH PADA MANUSIA M. Fuad Latief *, R. Rizal Isnanto, Budi Setiyono Abstra - Membran sel darah manusia mengandung bermacam-macam
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciPengaruh Proses Stemming Pada Kinerja Analisa Sentimen Pada Review Buku
Jurnal Hasil Penelitian LPPM Untag Surabaya Januari 2018, Vol. 03, No. 01, hal 55-59 jurnal.untag-sby.ac.id/index.php/jhp17 E-ISSN : 2502-8308 P-ISSN : 2579-7980 Pengaruh Proses Stemming Pada Kinerja Analisa
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG Oleh : M.Rizi.H.S, Andri Heryandi,S.T, Bambang Siswoyo,Ir,M.Si Jl. Dipati Uur Bandung Teni Informatia Universitas
Lebih terperinciPENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER
PENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER Wiaria Gazali 1 ; Haryono Soeparno 2 1 Jurusan Matematia, Faultas Sains dan Tenologi, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN POLA GEOMETRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Muhamad Tonovan *, Achmad Hidayatno **, R. Rizal Isnanto ** Abstra - Pengenalan waah adalah
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciPENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI
PENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data Data yang telah berhasil diumpulan oleh penulis di BB BIOGEN diperoleh hasil bobot biji edelai dengan jumlah varietas yang aan diuji terdiri dari 15
Lebih terperinciKAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Media Informatia, Vol. 5, No. 2, Desember 2007, 99-111 ISSN: 0854-4743 KAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Anita Desiani Jurusan Matematia,
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciBAB II PENGENALAN WAJAH
BAB II PENGENALAN WAJAH Sistem pengenalan waah dapat dibagi menadi empat tahap, yaitu tahap pengolahan citra, detesi waah, estrasi fitur dan tahap pengenalan waah. Pada tugas ahir ini aan lebih diteanan
Lebih terperinciPrediksi Jumlah Kasus Demam Berdarah Dengue Menggunakan Jaringan Syaraf Tiruan (Studi Kasus daerah Kab. Sleman, Provinsi DIY)
Jurnal PROte Vol. 3 No. 1, 216 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Iis Hamsir Ayub Wahab Program Studi Teni Eletro Faultas Teni, Universitas Khairun Email: hamsir@unhair.ac.id
Lebih terperinciAPLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK. Tesis
APLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Tesis Program Studi Teni Eletro Jurusan Ilmu-ilmu Teni disusun oleh : Wiwien Widyastuti 8475/I-/820/02 PROGRAM PASCASARJANA
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
MAKALAH SEMINAR TUGAS AKHIR Peramalan Kebutuhan Beban Janga Pende Menggunaan Jaringan Syaraf Tiruan Bacpropagation Oleh : Dinar Atia Sari (L2F002572) Jurusan Teni Eletro Faultas Teni Universitas Diponegoro
Lebih terperinciModel Pembelajaran Off-Line Menggunakan Jaringan Syaraf Tiruan Untuk Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teknik Elektronika PENS 2009
Model Pembelaaran Off-Line Menggunaan Jaringan Syaraf Tiruan Untu Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teni Eletronia PENS 2009 Arie Setya Wulandari#, Eru Puspita S.T., M.Kom#2 # Jurusan
Lebih terperinciTRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI
TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciVARIASI NILAI BATAS AWAL PADA HASIL ITERASI PERPINDAHAN PANAS METODE GAUSS-SEIDEL
SEMINAR NASIONAL PENDIDIKAN SAINS Peningatan Kualitas Pembelajaran Sains dan Kompetensi Guru melalui Penelitian & Pengembangan dalam Menghadapi Tantangan Abad-1 Suraarta, Otober 016 VARIASI NILAI BATAS
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN MOMENT INVARIANT, TEKSTUR DAN BACKPROPAGATION
UPN Veteran Yogyaarta, 30 Juni 2012 CONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN MOMENT INVARIANT, TEKSTUR DAN BACKPROPAGATION Ni G.A.P Harry Saptarini 1), Rocy Yefrenes Dilla 2) 1) Politeni Negeri Bali 2)
Lebih terperinciAPLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia APLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Lebih terperinciTEKNIK PERAMALAN TINGKAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN
TENI PERAMALAN TINGAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN Sri Mulyana Program Studi Ilmu omputer F MIPA UGM Seip Unit III Yogyaarta Telp (0274)546194 e-mail : smulyana@ugm.ac.id Abstra Tingat penualan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciPENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT
PENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT Oleh : DONNY WAHYU SAPUTRO G06499031 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciEstimasi Harga Saham Dengan Implementasi Metode Kalman Filter
Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B
Lebih terperinciMENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE
MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE Desfrianta Salmon Barus - 350807 Jurusan Teni Informatia, Institut Tenologi Bandung Bandung e-mail: if807@students.itb.ac.id ABSTRAK
Lebih terperinciPENERAPAN ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI MUSIK DENGAN SOLO INSTRUMEN
Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 ISSN:1907-50 PENERAPAN ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI MUSIK DENGAN SOLO INSTRUMEN Gunawan 1, Agus Djaja Gunawan,
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciBAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel
BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel
Lebih terperinciPENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC. Oleh:
1 PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC Oleh: NURHADI SUSANTO G64103059 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciPERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION
PERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION Wellie Sulistanti Abstract- Tuuan dari penelitian ini untu mengapliasian cara era aringan syaraf tiruan dengan menggunaan
Lebih terperinciBAB ELASTISITAS. Pertambahan panjang pegas
BAB ELASTISITAS 4. Elastisitas Zat Padat Dibandingan dengan zat cair, zat padat lebih eras dan lebih berat. sifat zat padat yang seperti ini telah anda pelajari di elas SLTP. enapa Zat pada lebih eras?
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciSISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN
SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN Julian Supardi, Rz. Abdul Aziz, Syepriansyah Seolah Tggi Manaemen Informatia dan Komputer Darmaaya Jl. Z.A Pagar Alam No. 93 Bandar Lampung Indonesia
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 terperinciEstimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) 337-35 (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani
Lebih terperinciDETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN
Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: 1979-911X Yogyaarta, 11 Desember 2010 DETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN Uning Lestari
Lebih terperinciSistem Informasi Peramalan Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST Backpropagation
1 Sistem Informasi Peramalan Beban Listri Janga Panang di Kabupaten Jember Menggunaan JST Bacpropagation Dodi Setiabudi Abstra Kebutuhan energi listri sebagai salah satu infrastrutur penting sangat diutamaan.
Lebih terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
Lebih terperinciBAB 2 LANDASAN TEORI. meneliti bagaimana mesin dapat belajar dan berpikir seperti layaknya manusia. Bidang
BAB 2 LANDASAN TEORI Intelegensia Semu (IS) adalah salah satu bidang dalam ilmu omputer yang meneliti bagaimana mesin dapat belajar dan berpiir seperti layanya manusia. Bidang ilmu ini mempelajari bagaimana
Lebih terperinciPrediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada Toko Buku Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation
Predisi Perilau Pola Pengunjung Terhadap Transasi Pada Too Buu Gramedia Menggunaan Jaringan Syaraf Tiruan Metode Bac Propagation Iriansyah BM Sangadji Teni Informatia STT PLN Jl Lingar Luar Duri Kosambi
Lebih terperinciMUSIK KLASIK DAN PENINGKATAN HASIL BELAJAR MATEMATIKA PADA SISWA KELAS TINGGI
Volume, Nomor 1, April 013 http://doi.org/10.1009/jppp MUSIK KLASIK DAN PENINGKATAN HASIL BELAJAR MATEMATIKA PADA SISWA KELAS TINGGI Jayanti Dwiputri Abdi* ** *Faultas Ilmu Pendidian, Universitas Negeri
Lebih terperinciSTUDI KOMPARASI IMPLEMENTASI JARINGAN BASIS RADIAL DAN FUZZY INFERENCE SYSTEM TSK UNTUK PENYELESAIAN CURVE FITTING
STUDI KOPARASI IPEENTASI JARINGAN BASIS RADIA DAN FUZZY INFERENCE SYSTE TSK UNTUK PENYEESAIAN CURVE FITTING Sri Kusumadewi Teni Informatia Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyaarta cicie@fti.uii.ac.id
Lebih terperinciPERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM
Seminar Nasional Sistem dan Informatia 2007; Bali, 16 November 2007 PERBANDINGAN PERFORMANSI ALGORITMA GENETIKA DAN ALGORITMA SEMUT UNTUK PENYELESAIAN SHORTEST PATH PROBLEM Fajar Saptono 1) I ing Mutahiroh
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciESTIMASI KEPUTUSAN PEMBERIAN KREDIT BAGI UMKM MENGGUNAKAN JARINGAN SYARAF TIRUAN BERDASARKAN PRINSIP 5C
ESTIMASI KEPUTUSAN PEMBERIAN KREDIT BAGI UMKM MENGGUNAKAN JARINGAN SYARAF TIRUAN BERDASARKAN PRINSIP 5C Safudin 1), Sudi B Huna 2) Program Studi Manajemen Infortia STMIK Profesional Maass safms69@gil.com
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR)
PENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR) Oleh: ¹ HERLY MARDANI (000298) ² BAMBANG SISWOYO,
Lebih terperinciIMPLEMENTASI ALGORITMA KOLONI SEMUT PADA PROSES PENCARIAN JALUR TERPENDEK JALAN PROTOKOL DI KOTA YOGYAKARTA
Seminar Nasional Informatia 2009 (semnasif 2009) ISSN: 1979-2328 UPN Veteran Yogyaarta, 23 Mei 2009 IMPLEMENTASI ALGORITMA KOLONI SEMUT PADA PROSES PENCARIAN JALUR TERPENDEK JALAN PROTOKOL DI KOTA YOGYAKARTA
Lebih terperinciMakalah Seminar Tugas Akhir. Aplikasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self Tuning Regulator (STR)
Maalah Seminar ugas Ahir Apliasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self uning Regulator (SR) Oleh : Muhammad Fitriyanto e-mail : D_3_N2@yahoo.com Maalah Seminar ugas Ahir Apliasi
Lebih terperinciAPLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK
APLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK Novhirtamely Kahar, ST. 1, Nova Fitri, S.Kom. 2 1&2 Program Studi Teni Informatia, STMIK
Lebih terperinciPenggunaan Metode Bagi Dua Terboboti untuk Mencari Akar-akar Suatu Persamaan
Jurnal Penelitian Sains Volume 16 Nomor 1(A) Januari 013 Penggunaan Metode Bagi Dua Terboboti untu Menari Aar-aar Suatu Persamaan Evi Yuliza Jurusan Matematia, FMIPA, Universitas Sriwijaya, Indonesia Intisari:
Lebih terperinciPENGEMBANGAN BUKU KOMIK FISIKA POKOK BAHASAN NEWTON BERBASIS KONSTRUKTIVISME UNTUK MENINGKATKAN MOTIVASI BELAJAR SISWA
PENGEMBANGAN BUKU KOMIK FISIKA POKOK BAHASAN NEWTON BERBASIS KONSTRUKTIVISME UNTUK MENINGKATKAN MOTIVASI BELAJAR SISWA Farida Huriawati 1), Purwandari 1,2), Intan Permatasari 1,3) 1,2,3 Program Studi Pendidian
Lebih terperinciANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI
Seminar Nasional Apliasi Tenologi Informasi 26 (SNATI 26) ISSN: 97-522 Yogyaarta, 7 Juni 26 ANALISIS KINERJA ALGORITMA FOLD-GROWTH DAN FP-GROWTH PADA PENGGALIAN POLA ASOSIASI Rully Soelaiman, Ni Made Arini
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar Tugas Ahir PENDETEKSI POSISI MENGGUNAKAN SENSOR ACCELEROMETER MMA7260Q BERBASIS MIKROKONTROLER ATMEGA 32 Muhammad Riyadi Wahyudi, ST., MT. Iwan Setiawan, ST., MT. Abstract Currently, determining
Lebih terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinci