BAB II TINJAUAN PUSTAKA. Hujan merupakan komponan utama dala siklus hidrologi, dapat
|
|
- Yandi Sanjaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB II TINJAUAN PUSTAKA II.1. UMUM Hujan merupakan komponan utama dala siklus hidrologi, dapat digambarkan bahwa hujan mempunyai hubungan dengan aliran. Oleh sebab itu, karakteristik hujan dan DAS sangat berhubungan erat dengan debit aliran yang terjadi. Data hujan dapat diperoleh dari instansi yang melakukan pengamatan terhadap data ujan melalui stasiun hujan. Instansi tersebut seperti Pengelolaan Bandara, Dinas Pengairan, Dinas Pertanian, Balai Besar Wilayah Sungai, Balai Pengelolaan Sumber Daya Air, Balai Penelitiann dan Teknologi Pengelola Daerah Aliran Sungai, Badan Meteorologi dan Geofisika (BMG) dan Jasa Trta (Sobriyah, 2012). Data debit merupakan informasi pentih bagi pengelola sumber daya air. Informasi pengambilan keputusan kelayakan pembangunan atau rekontruksi infrastruktur dan jaringan sungai. Pengembangan sumber daya air merupakan bagian dari kebutuhan irigasi yang erat kaitannya dengan sifat tanah sekitar, konsisi iklim, jenis tanaman yang dikembangkan dan efisiensi irigasi. Air irigasi berfungsi memenuhi kebutuhan tanaman untuk berkembang dengan baik, kebutuhan air tergantung curah hujan, jeni tanaman, pengolahan tanah dan cara penyalurannya (Vicky Tri Jayanti,2013). II.2. PROGRAM JARINGAN SARAF TIRUAN II.2.1 Definisi Jaringan Saraf Tiruan Jaringan saraf tiruan (artificial neural network), atau disingkat JST, adalah system komputasi di mana arsitektur dan operasi diilhami dari pengetahuan tentang sel saraf biologis di dalam otak, yang merupakan salah satu representasi 4
2 buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut. JST dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non-linear, klasifikasi data cluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model saraf biologi. Model saraf ditunjukkan dengan kemampuannya dalam emulasi, analisis, prediksi, dan asosiasi. Kemampuan yang dimiliki JST dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari bebebrapa contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik dari input yang disimpan kepadanya. Valluru B. Rao Hayagriva V. Rao (1993) mendefinisikan jaringan saraf sebagai sebuah kelompok pengolahan elemen dalam suatu kelompok yang khusus membuat perhitungan sendiri dan memberikan hasilnya kepada kelompok kedua atau berikutnya. Setiap sub-kelompok menurut gilirannya harus membuat perhitungan sendiri dan memberikan hasilnya untuk subgrup atau kelompok yang belum melakukan perhitungan. Pada akhirnya sebuah kelompok dari satu atau beberapa pengolahan elemen tersebut menghasilkan keluaran (output) dari jaringan. Setiap pengolahan elemen membuat perhitungan berdasarkan pada jumlah masukan (input). Sebuah kelompok pengolahan elemen disebut layer atau lapisan dalam jaringan. Lapisan pertama adalah input dan yang terakhir adalah output. Lapisan diantara lapisan input dan output disebut dengan lapisan tersembunyi (hidden layer). Jaringan saraf tiruan merupakan suatu bentuk arsitektur yang terdistribusi parallel dengan sejumlah besar node dan hubungan antar-node tersebut. Tiap titik 5
3 hubungan dari satu node ke node yang lain mempunyai harga yang di asosiasikan dengan bobot. Setiap node memiliki suatu nilai yang diasosiasikan sebagai nilai aktivasi node. Salah satu organisasi yang dikenal dan sering digunakan dalam paradigm jaringan saraf buatan adalah Perambatan Galat Mundur (backpropagation). Sebelum dikenal adanya jaringan saraf Perambatan Galat Mundur pada tahun an, dikenal dua paradigma penting yang nantinya akan menjadi dasar dari jaringan saraf Perambatan Galat Mundur, yakni Perceptron dan Adaline/Madaline (adaptive linier neuron / multilayer adeline). II.2.2 Arsitektur Jaringan Jaringan saraf tiruan dirancang dengan menggunakan suatu aturan yang bersifat menyeluruh (general rule) dimana seluruh model jaringan memiliki konsep dasar yang sama. Arsitektur sebuah jaringan akan menentukan keberhasilan target yang akan dicapai karena tidak semua permasalahan dapat diselesaikan dengan arsitektur yang sama. 1. Jaringan dengan lapisan tunggal (single layer net) Jaringan saraf satu lapisan pertama kali dirancang oleh Widrow dan Holf pada tahun Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. Pada Gambar 2.4 dibawah ini, lapisan input memiliki 3 neuron, yaitu X1, X2, dan X3. Sedangkan lapisan output memiliki 2 neuron, yaitu Y1 dan Y2. Neuron-neuron pada kedua lapisan saling berhubungan. Seberapa besar 6
4 hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian. Semua unit input akan dihubungkan dengan setiap unit output. Gambar 2.5Jaringan Saraf dengan Lapisan Tunggal 2. Jaringan dengan banyak lapisan (multilayer net) Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan lapisan output seperti terlihat pada Gambar 2.5. Umumnya terdapat lapisan bobot- bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan lapisan tunggal, dengan pembelajaran yang lebih rumit. 7
5 Gambar 2.6Jaringan Saraf dengan Banyak Lapisan 3. Jaringan dengan lapisan kompetitif(competitive layer net) Hubungan antar-neuron pada lapisan kompetitif ini tidak diperlihatkan pada diagram arsitektur. Gambar 2.6 menunjukkan salah satu contoh arsitektur jaringan dengan lapisan kompetitif yang memiliki bobot n. 8
6 Gambar 2.7Jaringan Saraf dengan Kompetitif 9
7 II.2.3 Jaringan Backpropagation Algoritma backpropagation (BP) merupakan pengembangan dari algoritma least mean square yang dapat digunakan untuk melatih jaringan dengan beberapa layer. BP menggunakan pendekatan algoritma steepest descent. Algoritma ini menggunakan performance index-nya adalah mean square error. Untuk melatih jaringan diperlukan seperangkat pasangan data seperti berikut : {p 1, t 1 }, {p 2, t 2 },..., {p n, t n } (2) dimana pn adalah nilai input ke-n jaringan dan tn adalah target, yaitu nilai output yang seharusnya dihasilkan. Untuk setiap input yang masuk dalam jaringan, output yang dihasilkan oleh jaringan akan dibandingkan dengan target. Algoritma ini akan mengatur atau menyesuaikan parameter-parameter jaringan untuk meminimalkan mean square error, yaitu : F(x) = E(e 2 ) = E[(t-a) 2 ] (3) dimana x, e, t dan a merupakan vektor bobot dan bias, vektor error, vektor target dan vektor output. Jika jaringan mempunyai beberapa output maka persamaan di atas dapat dikembangkan menjadi: F(x) = E[e T e] = E[(t-a) T (t-a)] (4) Mean square error didekati dengan F (x) = e T (k) e(k) (5)
8 Langkah-langkah dalam algoritma BP adalah sebagi berikut : a. Forward propagation Menyalurkan input ke dalam jaringan dan tiap layer akan mengeluarkan output. Output dari satu layer akan menjadi input untuk layer berikutnya. b. Back propagation Menghitung nilai sensitivitas untuk tiap layer. Dimana sensitivitas untuk layer m dihitung dari sensitivitas pada layer m+1 sehingga penghitungan sensitivitas ini berjalan mundur. a. Weight Update Menyesuaiakan nilai parameter bobot (W) dan bias (b) dengan menggunakan pendekatan steepest descent. Backpropagation dengan least mean square seperti di atas memang menjamin penyelesaian dengan minimum mean square error selama learning rate-nya tidak terlalu besar. Kekurangannya adalah bila learning rate nya kecil, maka pencapaian nilai konvergennya lambat, sedangkan bila learning rate nya besar, pencapaian nilai konvergensinya cepat namun ada bahaya osilasi yang dapat mengakibatkan nilai minimum global tidak tercapai. Untuk mengatasi hal ini maka digunakanlah variasi backpropagation sebagai berikut :
9 a. Momentum Metode ini bekerja dengan tujuan untuk menghaluskan osilasi yang terjadi. Filter momentum ini akan ditambahkan pada persamaan bobot matrix dan bias. b. Variable Learning Rate Metode ini bekerja dengan berusaha menaikkan learning rate bila menjumpai permukaan yang datar dan kemudian menurunkan learning rate bila terjadi peningkatan slope. II.2.4 Fungsi Matlab dalam Artificial Neural Network Matlab atau yang biasa disebut dengan (Matrix Laboratory) yaitu sebuah program untuk menganalisis dan mengkomputasi data numerik, dan MATLAB juga merupakan suatu bahasa pemograman matematika lanjutan, yang dibentuk dengan dasar pemikiran yang menggunakan sifat dan bentuk matriks. MATLAB merupakan bahasa pemograman yang dikembangkan oleh The Mathwork Inc. yang hadir dengan fungsi dan karakteristik yang berbeda dengan bahasa pemograman lain yang sudah ada lebih dahulu seperti Delphi, Basic maupun C++. Program Artificial Neural Network merupakan suatu fungsi yang terdapat di dalam program Matlab. Komputer yang mendukung operasional perangkat lunak ini minimal: 1. Komputer 586, memori 32 M, monitor SVGA Colour. 2. System operasi Windows 98 atau yang lebih tinggi. 3. Perangkat lunak Matlab versi 5.3 atau yang lebih tinggi dengan toolbox neural network.
10 Program ini memerlukan memori penyimpanan yang lebih besar, disebabkan proses penggunaan Artificial Neural Network membutuhkan memori yang besar. II.2.5 Perkembangan Program Artificial Neural Network Sejarah permulaan Artificial Neural Network atau Jaringan Saraf Tiruan dimulai pada tahun 1940-an, dimulai dengan ditemukannya jaringan saraf, dan sampai kini telah mengalami tahap tahap perkembangan sebagai berikut. -. Pada tahun 1940-an, para ilmuwan menemukan bahwa psikologi dan otak sama dengan metode pemrosesan yang dilakukan oleh peralatan computer. -. Tahun 1943, Mc. Culloch dan W. H Pits merancang model format yang pertama kali sebagai perhitungan dasar neuron. -. Rumelhart (1986) membuat algoritma belajar yang dikenal sebagai perambatan balik. Bila algoritma ini diterapkan pada perceptron yang memiliki lapisan banyak (Multilayer Perceptron) maka dapat dibuktikan bahwa pemilahan pola pola yang tidak linier dapat diselesaikan. -. Pada tahun 1987 Kosko mengembangkan jaringan Adaptive Biirectional Associative Memori (BAM). -. Tahun 1988 DARPA Neural Network Study merilis berbagai jenis aplikasi permulaan jaringan sarf tiruan dengan menggunakan system pembelajaran adaptive. Laporan The DARPA inilah yang menjadi motivasi atau mengilhami lahirnya aplikasi yang bersifat komersial lain, termasuk sistem analisis resiko. II.2.6 Tampilan Utama pada Matlab
11 Gambar 2.8 menunjukkan tampilan utama pada program Matlab, yang terdiri dari 7 menu bar yaitu: File, Edit, Debug, Parallel, Desktop, Window, Help. Gambar 2.8Tampilan Program Matlab II.2.7 Tampilan Utama pada Neural Network Gambar 2.9Tampilan Program Neural Network II.2.8 Menu menu pada Program Neural Network Dalam Program Matlab dijelaskan kegunaan dari menu menu yang ada pada Neural Network, dengan penjabaran sebagai berikut:
12 Input Data Merupakan tempat data input disimpan atau data yang dimasukkan untuk jaringan. Target Data Merupakan tempat data target disimpan atau data yang diinginkan jaringan output. Network Merupakan daftar dari jaringan. Output Data Merupakan jawaban dari setiap jaringan terhadap outputnya. Error Data Merupakan perbedaan antara data target dan data output. Input Delay States Merupakan jaringan dengan penundaan input. Layer Delay States Merupakan jaringan dengan penundaan lapisan. Import Merupakan pengimpor data dan jaringan dari workspace atau file. New Merupakan menu yang dapat membuat jaringan atau data. Open Merupakan menu untuk membuka data atau jaringan yang dipilih untuk diamati dan diperbaiki. Export Merupakan menu untuk mengekspor data dan jaringan ke workspace atau file. Delete Merupakan menu untuk membersihkan data atau jaringan yang dipilih. Help Merupakan menu untuk membuka jendela informasi untuk nntool.
13 Gambar 2.10Tampilan Window Import to Network/Data Manager Tampilan window Import to Network/Data Manager berfungsi untuk memberikan pengenalan data input dan data target. Gambar 2.11Tampilan Window Create Network or Data
14 Berikut ini adalah penjelasan dari menu menu yang ada pada window Create Network or Data, yaitu: Name Merupakan nama atau daftar dari jaringan. Network Properties Merupakan tempat memilih parameter parameter yang akan digunakan. Network Type Merupakan tipe jaringan yang digunakan. Feed Forward Backprop merupakan tipe jaringan yang bekerja dengan cara lapisan pertama memiliki bobot yang datang dari input. Tiap lapisan berikutnya memiliki sebuah bobot yang datang dari lapisan sebelumnya. Semua lapisan telah dibias. Dan lapisan terakhir merupakan jaringan outputnya. Input Data Merupakan menu yang akan dipilih inputnya. Target Data Merupakan menu yang akan dipilih targetnya. Training Function Merupakan fungsi pelatihan yang digunakan untuk melatih data. Trainlm atau train Levenberg-Marquardt Backpropagation adalah sebuah fungsi jaringan training yang memperbaharui nilai bobot dan bias berdasarkan optimisasi Levenberg-Marquardt Backpropagation. Trainlm merupakan algoritma propagasi balik tercepat di toolbox, dan sangat direkomendasikan sebagai pilihan utama algoritma terbimbing. Meskipun itu memerlukan memori yang lebih banyak dari pada algoritma lainnya. Adaption Learning Function Merupakan proses pengkalkulasian jaringan output dan error setelah pengenalan setiap input. LEARNGDM adalah gradient turunan dengan momentum fungsi bobot dan bias.
15 Performance Function Merupakan fungsi untuk mencari hasil. MSE atau Mean Square Error adalah fungsi yang mengukur keberhasilan jaringan berdasarkan pada rata rata dari kesalahan kuadrat. Number of Layers Merupakan tingkat lapisan yang dipergunakan. Properties for Merupakan sifat jaringan yang akan di proses pada jaringan tertentu. Number of Neurons Merupakan nomor dari neuron yang digunakan untuk mencari error (hidden layer). Transfer Function Merupakan fungsi aktivasi untuk menghitung keluaran neuron. Tanget Sigmoid adalah fungsi aktivasi yang menghitung sebuah lapisan output dari input awal. Tangent Sigmoid digambarkan dengan grafik seperti berikut: Tangent Sigmoid memiliki skala output -1 ke +1. Masing masing, nilai output -1 ke +1 didapatkan dari minus dan plus yang tak terhingga. Karena jarak output dari fungsi tangent hyperbolic yang lebih luas. Dan ini akan membuat pencarian hasil yang lebih efisien. View
16 Merupakan menu untuk melihat gambar proses input, hidden layer, output layer dan output. Restore defaults Merupakan tombol menu untuk mengembalikan sistem parameter ke sistem awalnya. Create Merupakan menu untuk membuat jaringan yang telah ditentukan parameternya. Help Merupakan menu untuk meminta informasi penggunaan create network or data. Close Merupakan menu untuk menutup jendelacreate network or data. Setelah parameter jaringan atau data ditentukan. Kemudian akan ditampilkan window yang berisi parameter-parameter learning rate, sebagai berikut: Menu View Menu view digunakan untuk melihat kerangka gambar dari jaringan yang akan diolah. Yang meliputi Input, Hidden Layer, Output Layer dan Output. Gambar 2.12Tampilan Menu View
17 Menu Train Menu train dibagi menjadi dua yaitu training info dan training parameter. Training info digunakan untuk memberikan pengenalan kembali terhadap data input dan data target yang telah ditentukan, hingga menghasilkan data output dan data error. -. Menu Training Parameters Gambar 2.13Tampilan Menu Train (Training Info) Menu training parameters digunakan untuk memberikan nilai tingkat pembelajaran yang akan digunakan untuk menyelesaikan proses perhitungan neural network. Adapun fungsi fungsi pada training parameters beserta nilai defaultnya yang diambil dari Mathlab, yaitu: a. showwindow Berfungsi untuk menunjukkan pelatihan GUI (Graphical User Interface). Memiliki default true. b. showcommandline Berfungsi untuk menghasilkan garis perintah pada output. Memiliki default false. c. Show Berfungsi untuk menampilkan epochs antar data. Memiliki default 25. d. Epochs
18 Berfungsi untuk menunjukkan nilai maksimum pada epochs untuk dilatih. Memiliki default 100. e. Time Berfungsi untuk menampilkan waktu maksimum pada pelatihan perdetik. Memiliki default inf. f. Goal Berfungsi sebagai hasil terbaik. Memiliki default 0. g. Min_grad Berfungsi untuk menunjukkan gradient hasil minimum. Memiliki default 1e-10. h. Max_fail Berfungsi untuk memberikan kesalahan maksimum dari validasi. Memiliki default 5. i. Mu Berfungsi sebagai awal dari nilai pembelajaran. Memiliki default j. Mu_dec Berfungsi sebagai factor pengurangan pada nilai pembelajaran. Memiliki default 0.1 k. Mu_inc Berfungsi sebagai factor pertambahan pada nilai pembelajaran. Memiliki default 10. l. Mu_max Berfungsi sebagai nilai maksimum dari nilai pembelajaran. Memiliki default 1e10.
19 Gambar 2.14Tampilan Menu Train (Training Parameters) Menu Simulate Menu simulate digunakan untuk mensimulasikan jaringan saraf, dengan cara memasukkan data input dan menghasilkan data hasil simulasi output. Gambar 2.15Tampilan Menu Simulate Menu Adapt Menu adapt digunakan untuk menghitung jaringan output dan error setelah pengenalan setiap input, juga dapat berfungsi untuk meminimalisir tingkat error. Menu adapt dibagi menjadi dua, yaitu adaption info dan adaption parameters.
20 Menu adaption info digunakan untuk memberikan pengenalan kembali terhadap data input dan data target yang ingin diproses hingga didapatkan nilai output dan errors. -. Menu Adaption Parameters Gambar 2.16Tampilan Menu Adapt (Adaption Info) Menu adaption parameters tidak memiliki nilai parameter di dalamnya. Gambar 2.17Tampilan Menu Adaption Parameters Menu Reinitialize Weights
21 Menu reinitialize weights di bagi menjadi dua fungsi yaitu, Revert Weights dan Initialize Weights. Revert Weights digunakan untuk menetapkan bobot dan bias kenilai awal terakhir. Initialize Weights digunakan untuk menetapkan bobot dan bias kenilai awal baru. Gambar 2.18Tampilan Menu Reinitialize Weights Menu View/Edit Weights Menu view/edit weights digunakan untuk melihat dan memperbaiki bobot dan bias. Gambar 2.18Tampilan Menu View/Edit Weights
22 Setelah parameter parameter ditentukan, maka ditrain dan akan menghasilkan Neural Network Training sebagai berikut: Gambar 2.19 Tampilan Window Neural Network Training Hasil training dari data ditunjukkan dalam bentuk plot, yang terdiri dari 3 bentuk yaitu:
23 1. Plot Performance Gambar 2.20Tampilan Plot Performance Plot Performance menunjukkan perbandingan antara nilai Mean Square Error (mse) dan epochs yang terjadi pada pelatihan. Hingga dapat diambil nilai mse yang terbaik pada jaringan tersebut.
24 2. Plot Training State. Gambar 2.21 Tampilan Plot Training State Plot Training State berguna untuk menampilkan tingkat pelatihan terhadap gradient, mu dan validation checks.
25 3. Plot Regression Gambar 2.22 Tampilan Plot Regression Plot Regression berfungsi untuk menampilkan grafik hubungan antara data dan target. Terbagi menjadi 4 bagian yaitu bagian training, validation, test dan all. Bagian all merupakan bagian hasil yang menggabungkan kesimpulan antara ketiga bagian lainnya.
26 II.2.9 Analisis Keandalan Model Korelasi merupakan teknik analisis yang digunakan untuk mengukur kekuatan hubungan dua variable. Korelasi tidak secara otomatis menunjukkan hubungan kausalitas dua variable. Hubungan dalam korelasi dapat berupa hubungan linier positif dan negatif. Interpretasi koefisien korelasi akan menghasilkan makna kekuatan, signifikansi dan arah hubungan kedua variable yang diteliti. Untuk melihat kekuatan koefisien korelasi didasarkan pada jarak yang berkisar antar 0 1. Untuk melihat signifikansi hubungan digunakan angka signifikansi/probabilitas/alpha. Untuk melihat arah korelasi dilihat dari angka koefisien korelasi yang menunjukkan positif atau negatif. Berikut adalah rumus korelasi rr = nn xxxx xx yy ppeeeeeeeeeeeeeeee (2.9.1) (nn( xx 2 ) ( xx) 2 )(nn( yy 2 ) ( yy) 2 ) Dengan : r = koefisien korelasi n = jumlah data x = debit simulasi data (m 3 /s) y = debit lapangan (m 3 /s) Keterangan : 0 : Tidak ada korelasi antara 2 variable >0 0,25 : Korelasi sangat lemah >0,25 0,5 : Korelasi Cukup
27 >0,5 0,75 : Korelasi Kuat >0,75 0,99 : Korelasi Sangat Kuat 1 : Korelasi Sempurna Keandalan merupakan salah satu alat ukur untuk mengetahui validitas hasil penelitian. Keandalan tersebut dapat diukur melalui analisis reliabilitas. Dalam analisis matematika, rasio jumlah item terhadap total varian disebut reliabilitas. Analisis dilakukan pada peubah durasi, intensitas, dan frekuensi. Rumus umum yang digunakan adalah persamaan Cronbach sebagai berikut : αα rr = nn nn σσ ii σσ 2 pppppppppppppppppp (2.9.2) ii + 2( σσ iiii ) Dengan : αα rr n = keandalan model = jumlah data σσ ii 2 = jumlah varian i (merupakan jumlah diagonal), σσ iiii = kovarian item i dan j, σσ ii 2 + 2( σσ iiii ) = total varian
BAB III METODOLOGI PENELITIAN. Pelaksanaan penelitian ini, memerlukan banyak hal yang harus
BAB III METODOLOGI PENELITIAN III.1 Diagram Alur (Flowchart) Pelaksanaan penelitian ini, memerlukan banyak hal yang harus diperhatikan sebagai persiapan dalam melakukan penelitian. Tujuannya agar memperkecil
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 terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih 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 terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciPENENTUAN NILAI STABILITAS MARSHALL DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK RENDI PRATAMA SIREGAR
PENENTUAN NILAI STABILITAS MARSHALL DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK TUGAS AKHIR Diajukan untuk Melengkapi Tugas-tugas dan Memenuhi Syarat untuk Menempuh Ujian Sarjana Teknik Sipil Disusun
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih 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 terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih terperinciSISTEM PENILAIAN RESIKO TINGKAT BAHAYA KEBAKARAN HUTAN BERBASIS JARINGAN SYARAF TIRUAN
SISTEM PENILAIAN RESIKO TINGKAT BAHAYA KEBAKARAN HUTAN BERBASIS JARINGAN SYARAF TIRUAN Addy Suyatno Jurusan Ilmu Komputer - Fakultas MIPA Universitas Mulawarman Jalan Barong Tongkok No. 4 Kampus Gunung
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih 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 terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
Lebih 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 terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan Pendahuluan Otak Manusia Sejarah Komponen Jaringan Syaraf Arisitektur Jaringan Fungsi Aktivasi Proses Pembelajaran Pembelajaran Terawasi Jaringan Kohonen Referensi Sri Kusumadewi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciBAB 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 terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Beban dan Prakiraan Beban Listrik Di dalam sebuah sistem kelistrikan terdapat 2 sisi yang sangat berbeda, yaitu sisi beban dan sisi pembangkitan. Pada sisi beban atau beban
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar belakang Hujan merupakan salah satu unsur iklim yang berpengaruh pada suatu daerah aliran sungai (DAS). Pengaruh langsung yang dapat diketahui yaitu potensi sumber daya air. Besar
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV.
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV. Bryan Ponsel) Des Indeks Giawa Mahasiswa Teknik Informatika STMIK Budi
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciBAB 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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Jaringan Syaraf Tiruan (artificial neural network), atau disingkat JST menurut Hermawan (2006, hlm.37) adalah sistem komputasi dimana arsitektur dan operasi
Lebih terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi
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 terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBAB 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 terperinciGambar 2.2 Spektrum gelombang elektromagnetik. Gambar 2.1. Representasi gelombang elektromagnetik (Chatwal dan Anand, 1985)
Pembuatan Perangkat Lunak untuk Menentukan Panjang Gelombang Berdasarkan Spektrum Cahaya Tampak dengan Metode Jaringan Syaraf Tiruan Menggunakan Matlab 7.0 Oleh: Fahmi Ardi 1 ), Jatmiko Endro Suseno, S.Si,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN
ANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN Abstrak Vinsensius Rinda Resi - NIM : A11.2009.04645 Program Studi Teknik
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih terperinciPrediksi Produksi Debit Air Minum Per Bulan Dengan Metode Jaringan Syaraf Tiruan Backpropagation (Studi Kasus : PDAM Tirta Moedal Semarang)
18 Prediksi Produksi Debit Air Minum Per Bulan Dengan Metode Jaringan Syaraf Tiruan Backpropagation (Studi Kasus : PDAM Tirta Moedal Semarang) Prediction Debit Drinking Water Production Per Month Using
Lebih terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Analisis merupakan proses penguraian konsep ke dalam bagian-bagian yang lebih sederhana, sehingga struktur logisnya menjadi jelas. Metode untuk menguji, menilai, dan
Lebih terperinciGenerated by Foxit PDF Creator Foxit Software For evaluation only. BAB I PENDAHULUAN
1 BAB I PENDAHULUAN I.1 Latar Belakang Perkembangan teknologi khususnya komputer beberapa tahun terakhir ini sangat pesat. Pesatnya perkembangan juga dirasakan di berbagai disiplin ilmu termasuk kedokteran.
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Lokasi Penelitian Penelitian ini di lakukan di PG. Kebon Agung. Tbk, Desa Kebon Agung Kec. Pakisaji, Kab. Malang, Jawa Timur. Pemilihan lokasi ini dilakukan secara sengaja
Lebih terperinciPerbandingan Arsitektur Multilayer Feedforward Network dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array
Nico Saputro Perbandingan Arsitektur Multilayer Feedforard Netork dengan memakai Topologi Multiprosesor Ring Array Dan Linear Array Abstrak Jaringan Syaraf Tiruan dapat diimplementasikan secara perangkat
Lebih terperinciUNNES Journal of Mathematics
UJM 4 (1) (2015) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm SISTEM PREDIKSI TAGIHAN LISTRIK USAHA JASA LAUNDRY MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muhamad
Lebih terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
Lebih terperinci1. Pendahuluan 1.1 Latar belakang masalah
1. Pendahuluan 1.1 Latar belakang masalah Emas adalah unsur kimia dalam tabel periodik yang memiliki simbol Au (bahasa Latin: 'aurum') dan nomor atom 79. Emas digunakan sebagai standar keuangan di banyak
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Artificial Neural Network Artificial neural network (ANN) / jaringan saraf tiruan adalah konsep yang merefleksikan cara kerja dari jaringan saraf biologi kedalam bentuk artificial
Lebih terperinci2.1. Dasar Teori Bandwidth Regression
2.1. Dasar Teori 2.1.1. Bandwidth Bandwidth adalah ukuran kapasitas dari sistem transmisi (Comer, 2004) Bandwidth adalah konsep pengukuran yang sangat penting dalam jaringan, tetapi konsep ini memiliki
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 terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciPENERAPAN ALGORITMA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM MEMPREDIKSI TINGKAT SUKU BUNGA BANK
PENERAPAN ALGORITMA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM MEMPREDIKSI TINGKAT SUKU BUNGA BANK Badrul Anwar Program Studi Sistem Komputer, STMIK Triguna Dharma badrul.anwar@gmail.com ABSTRAK: Prediksi
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
39 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data dan Pembahasan Data yang dimiliki dalam penelitian ini dibagi menjadi dua, yaitu: 1. Suara gamelan Bonang 2. Bukan suara Gamelan Bonang (Gamelan
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciBAB I PENDAHULUAN. universitas swasta yang memiliki 7 Fakultas dengan 21 Program Studi yang
BAB I PENDAHULUAN A. Latar Belakang Masalah Universitas Muhammadiyah Ponorogo merupakan salah satu universitas swasta yang memiliki 7 Fakultas dengan 21 Program Studi yang terdiri dari : 3 program studi
Lebih terperinciJURNAL SAINS DAN INFORMATIKA
39 Fauzul Sains Amri, dan Jaringan Informatika Syaraf Vol.1 Tiruan (N0.1) untuk (2015): Memprediksi 37-43 JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih terperinciPREDIKSI DATA RUNTUN WAKTU MENGGUNAKAN JARINGAN SYARAF TIRUAN
PREDIKSI DATA RUNTUN WAKTU MENGGUNAKAN JARINGAN SYARAF TIRUAN TIME SERIES DATA PREDICTION USING ARTIFICIAL NEURAL NETWORKS Agung Mubyarto Prodi Teknik Elektro, Universitas Jenderal Soedirman Jl. Kampus
Lebih terperinciEstimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan
Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan Andi Ihwan 1), Yudha Arman 1) dan Iis Solehati 1) 1) Prodi Fisika FMIPA UNTAN Abstrak Fluktuasi suhu udara berdasarkan
Lebih terperinciJurnal KomTekInfo, Vol. 3, No. 1, 2016, Hal 01-10, ISSN CETAK : , ISSN ONLINE : by LPPM UPI YPTK Padang
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH DPT PEMILU DENGAN MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS DI KOMISI PEMILIHAN UMUM (KPU) KABUPATEN BUNGO PROVINSI JAMBI) Herawati Universitas
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang
57 BAB 4 IMPLEMENTASI DAN EVALUASI Dalam bab ini, selain menjelaskan mengenai kebutuhan minimum untuk perangkat keras dan perangkat lunak yang digunakan untuk pemakaian aplikasi yang dihasilkan, juga akan
Lebih terperinciBAB III PERANCANGAN SISTEM. dimulai dengan pengambilan data secara langsung dari kendaraan yang akan
BAB III PERANCANGAN SISTEM 3.1 Perancangan Sistem Secara Umum Pada permodelan dinamika dengan jaringan Syaraf tiruan, penelitian dimulai dengan pengambilan data secara langsung dari kendaraan yang akan
Lebih terperinci2. TINJAUAN PUSTAKA. Jumlah (AM x bobot SKS) Jumlah SKS (1) dengan AM adalah Angka Mutu SKS adalah Satuan Kredit Semester
17 2. TINJAUAN PUSTAKA 2.1 Evaluasi Keberhasilan Studi Evaluasi keberhasilan studi mahasiswa dapat ditempuh dengan beberapa tahapan, yaitu evaluasi keberhasilan belajar matakuliah, evaluasi keberhasilan
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 terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN Titik Misriati AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan titik.tmi@bsi.ac.id ABSTRACT
Lebih terperinciBAB I PENDAHULUAN. paling parah dan paling lama tingkat pemulihannya akibat krisis keuangan
BAB I PENDAHULUAN 1.1 Latar Belakang Krisis keuangan yang terjadi di Asia pada pertengahan tahun 1997 diawali di Thailand dan merembet ke berbagai negara di Asia lainnya seperti di Indonesia, Malaysia,
Lebih terperinci