Prediksi Curah Hujan Menggunakan Metode Learning Vector Quantization (Studi Kasus : Kota Tanjungpinang)
|
|
- Utami Pranata
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Prediksi Curah Hujan Menggunakan Metode Learning Vector Quantization (Studi Kasus : Kota Tanjungpinang) Lisa Rosmala, Martaleli Bettiza, Nola Ritha lisaaarosmala@gmail.com, mbettiza@umrah.ac.id, nola_ritha@yahoo.com Program Studi Teknik Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji ABSTRAK Curah hujan sangat berpengaruh bagi keberlangsungan kehidupan makhluk hidup untuk melakukan aktifitas sehari-hari khususnya penduduk di Kota Tanjungpinang. Pada penelitian ini penulis memprediksi curah hujan berdasarkan 730 data curah hujan harian dari tahun yang diperoleh dari kantor BMKG Kota Tanjungpinang. Prediksi ini menggunakan empat variabel yaitu suhu, kelembaban udara, tekanan udara, dan kecepatan angin, dengan menggunakan metode learning vector quantization (LVQ) untuk memprediksi curah hujan di Kota Tanjungpinang. Hasil penelitian menunjukkan penggunaan data training 75% dan testing 25% dengan alfa 0.05 epoh 20 dan minalfa 0,001 memperoleh nilai akurasi terbaik 81.52%. Kata Kunci : Curah Hujan, learning vector quantization, Kota Tanjungpinang PENDAHULUAN Kota Tanjungpinang memiliki intensitas curah hujan dan kemarau yang tinggi. Kondisi cuaca seperti ini sangat mempengaruhi aktifitas penduduk Kota Tanjungpinang dalam berbagai bidang seperti bidang pertanian, peternakan, industri dan lainnya. Salah satu cuaca yang sedikit menghambat aktifitas penduduk Kota Tanjungpinang adalah pengaruh curah hujan yang tidak dapat diperkirakan dengan peramalan tradisional. Curah hujan itu sendiri sangat berpengaruh bagi keberlangsungan kehidupan makhluk hidup, kondisi cuaca yang stabil sangat dibutuhkan penduduk Kota Tanjungpinang untuk melakukan aktifitas sehari-hari. Maka dari itu prediksi curah hujan sangat dibutuhkan untuk mengetahui tingkat curah hujan diwaktu yang akan datang. Untuk memprediksi curah hujan tersebut di butuhkan beberapa data diantaranya suhu, kecepatan angin, tekanan udara dan kelembaban udara. Pada penelitian ini data curah hujan yang di gunakan adalah data harian dari tahun 2014 dan 2015 yang di peroleh dari kantor BMKG Kota Tanjungpinang. Setelah data terkumpul maka akan di lakukan pemodelan prediksi curah hujan menggunakan metode Learning Vector Quantization.
2 BAHAN DAN METODE Lokasi penelitian dalam menerapkan metode learning vector quantization adalah kantor BMKG Kota Tanjungpinang. Fokus penelitian pada sistem ini adalah dengan menerapkan metode learning vector quantization untuk memprediksi curah hujan di Kota Tanjungpinang dengan menggunakan beberapa variabel diantaranya suhu, kelembaban udara, tekanan udara dan kecepatan angin. Data yang digunakan pada penelitian ini yaitu data harian dari tahun 2014 sampai tahun 2015 yang diperoleh dari kantor BMKG Kota Tanjungpinang. (BMKG, 2013) Curah hujan adalah ketinggian air hujan yang terkumpul dalam penakar hujan pada tempat yang datar, tidak menyerap, tidak meresap, dan tidak mengalir. Unsur hujan 1 (satu) millimeter artinya dalam luasan satu meter per segi pada tempat yang datar tertampung air hujan setinggi satu millimeter atau tertampung air hujan sebanyak satu liter. Sifat hujan adalah perbandingan antara jumlah curah hujan yang terjadi selama satu periode dengan nilai rata-rata atau normal di suatu tempat. Sifat hujan di bagi menjadi tiga kriteria yaitu diatas normal, normal, di bawah normal. Sifat hujan dibagi menjadi 3 (tiga) katagori, yaitu : Tabel 1.Sifat Hujan No Kategori Nilai terhadap rata-rata 1 Bawah Normal < 85% 2 Normal 85% - 115% 3 Atas Normal >115% (Mahrina, 2014) Kemudian untuk menentukan target akan di jelaskan di bawah ini : a. Menentukan target sifat hujan di bawah normal (diinisialisasikan 1 ) : <85% dengan cara, 85 x nilai rata-rata. 100 b. Menentukan target sifat hujan normal (diinisialisasikan 2 ): Antara 85% - 115%. c. Menentukan target sifat hujan diatas normal (diinisialisasikan 3 ) : >115% dengan cara, 115 x nilai rata-rata. 100 Normalisasi Data Hidayat (2012) normalisasi data merupakan sebuah teknik untuk mengorganisasikan data ke dalam tabel-tabel untuk memenuhi kebutuhan pemakai di dalam suatu organisasi. Data-data yang ada di lakukan normalisasi dengan
3 membagi nilai data tersebut dengan nilai range data ( nilai data maximum nilai data minimum). Adapun rumusnya sebagai berikut : X0 Xmin X n = Xmax Xmin (1) Akurasi Andri (2012) Pengukuran akurasi sistem dapat dihitung dengan persamaan berikut : Akurasi=( Learning Vector Quantization (LVQ) Jumlah target yang sama Jumlah seluruh data x 100%) (2) LVQ adalah jaringan single layer yang terdiri dari dua lapisan yaitu lapisan input dan output (Nurkhozin, dkk, 2011). Menurut Kusumadewi (2004), learning vector quantization(lvq) adalah suatu metode untuk melakukan pelatihan terhadap lapisan-lapisan kompetitip yang terawasi. Kusumadewi (2004) menyatakan ada beberapa langkah yang harus dilakukan pada perhitungan Learning Vector Quantization. Langkah-langkah tersebut akan dipaparkan dibawah: 0. Tetapkan : a. Bobot awal variabel input ke-j menuju ke kelas ke-i W ij, dengan i=1, 2, K; dan j=1, 2,,m. b. Maksimum epoh : MaxEpoh c. Parameter learning rate : α d. Pengurangan learning rate : Decα e. Minimal learning rate yang diperbolehkan : Minα 1. Masukkan : a. Data input : X ij ; Dengan i= 1, 2,,n dan j= 1, 2,,m. b. Target berupa kelas: T; Dengan k=1, 2,,n. 2. Tetapkan kondisi awal: epoh=0. 3. Kerjakan jika: (epoh MaxEpoh) dan (α Minα) a. Epoh = epoh + 1; b. Kerjakan untuk i=1 sampai n i. Tentukan J sedemikian hingga X i W j minimum; Dengan j=1,2,,k. (x i w j ) 2 + (x i2 w j2 ) 2 + (x im w jm ) 2 (3) ii. Perbaiki W j dengan ketentuan : o Jika T = Cj maka : W j = W j + α (X i W j ) (4) o Jika T C j maka : W j = W j - α (X i W j ) (5)
4 c. Kurangi nilai α. α = α (0,1 * α) (6) Tabel 1. Data Nornalisasi Curah Hujan Beserta Target X1 X2 X3 X4 Y T Suhu Kelembaban Udara Tekanan Udara Kecepatan Angin Curah Hujan (Celcius) (%) (mb) (knot) (mm) Target HASIL DAN PEMBAHASAN Tabel 51. Tabel Perbandingan Hasil Uji No Suhu Kelembaban Udara Tekanan Udara Kecepatan Angin Curah Hujan Target Awal Hasil Testing Ket Sama Sama Sama
5 Sama Sama Sama Sama Tidak Sama Tidak Sama Sama Tidak Sama Tidak Akurasi 81,52 % Tabel perbandingan hasil uji merupakan tabel hasil pengujian yang dilakukan pada sistem. Pada tabel perbandingan hasil uji diatas dapat dilihat bahwa dari 184 data testing, target yang sama dengan target awal yaitu berjumlah 150 data. KESIMPULAN Berdasarkan hasil penelitian diatas, dapat disimpulan sebagai berikut, yaitu : 1. Metode Learning Vector Quantization dapat menghasilkan model prediksi yang bisa diterapkan dalam memprediksi curah hujan di Kota Tanjungpinang. 2. Hasil pengujian pada sistem menunjukkan bahwa akurasi terbaik yang didapat dengan menggunakan data training sebanyak 75% dan data testing 25% yaitu dengan jumlah iterasi 20, alfa 0.05 dec alfa 0,1 dan minalfa 0,001 didapat sebesar 81.52%.
6 DAFTAR PUSTAKA Andri, 2012, Implementasi Segmentasi Citra dan Algoritma Learning Vector Quantization (LVQ) Dalam Pengenalan Bentuk Botol ISSN , STMIK Mikroskil, Medan. Arisandi, D., Situmpul, O.S., dan Batubara, E.A., 2015, Learning Vector Quantization untuk Prediksi untuk Produksi Kelapa Sawit pada PT. Perkebunan Nusantara 1 Pulau Tiga, Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015), Universitas Sumatera Utara, Padang. Badan Meteorologi Klimatologi dan Geofisika, Daftar Istilah Klimatologi, 11 Maret BPS, 2016, Statistik Year Book Of Indonesia 2016, Badan Pusat Statistik, Jakarta. Budianita, E., dan Arni, U.D., 2015, Penerapan Learning Vector Quantization Penentuan Bidang Konsentrasi Tugas Akhir (Studi Kasus : Mahasiswa Teknik Informatika UIN Suska Riau), Jurnal CoreIT, UIN, Pekanbaru. Dillak, R.Y., Pangestuti, D.M., Bintiri, M.G., 2012, Klasifikasi Jenis Musik Berdasarkan File Audio Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization, Seminar Nasional Informatika 2012, AMIKOM, Yokyakarta. Feng, Y., dan Zhao, C., 2013, Application of Learning Vector Quantization Neural Network in the Financial Failure Prediction, An Indian Journal, Xinzhou Teachers University, China. Hidayat, R., dan Suprapto, 2012, Meminimalisasi Nilai Error Peramalan dengan Algoritma Extreme Learning Machine, Jurnal Optimasi Sistem Industri, Vol. 11 No. 1, April 2012 : Kusumadewi, Sri., 2004, Jaringan Syaraf Tiruan Menggunakan MATLAB dan EXCEL LINK,Graha Ilmu, Yogjakarta. Leleury, Z.A., dan Aulele, S.N., 2016, Perancangan Sistem Diagnosa Penyakit Saluran Pernapasan Menggunakan Metode Learning Vector Organization (LVQ), Jurnal Informatika Integratif, Unpatti, Ambon. Meliawati, R., Soesanto, O., dan Kartini, D., 2016, Penerapan Metode Learning Vector Quantization (LVQ) pada Prediksi Jurusan di SMA PGRI Banjarbaru, Kumpulan Jurnal Ilmu Komputer (KLIK), UNLAM, Kalimantan Selatan. Mahrina, T., Analisis Perbandingan Backpropagation dengan Learning Vector Quantization (LVQ) untuk Memprediksi Curah Hujan di Kota Medan, Tesis, Universitas Sumatra Utara, Medan. Mustaqbal, M.S., Firdaus, R.F., dan Rahmadi, H., 2015, Pengujian Aplikasi Menggunakan Black Box Testing Boundari Value Analysis (Studi Kasus : Aplikasi Prediksi Kelulusan SNMPTN), Jurmal Ilmiah Teknologi Informasi Terapan, Universitas Widyatama, Bandung.
7 Nurkhozin, A., Komparasi Hasil Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Backpropagation dan 104 Learning Vector Quantization, Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan FMIPA UNY. 14 Mei Yousef, A., dan Charkari N.M., 2013, A novel method based on new adaptive LVQ neural network for predicting protein-protein interactions from protein sequences Journal of Theoretical Biology, Tarbiat Modares University,Iran
PENGELOMPOKAN DATA ANGIN PUTING BELIUNG DENGAN MENGGUNAKAN LVQ
PENGELOMPOKAN DATA ANGIN PUTING BELIUNG DENGAN MENGGUNAKAN LVQ Fenny Fitriani Fakultas Keguruan Ilmu Pidikan, Univeritas PGRI Adi Buana Surabaya email: fennyftiriani@gmail.com Abstrak Pada tahun 2007,
Lebih terperinciABSTRAK. Kata Kunci : Curah Hujan, Levenberg Marquardt, Backpropagation. ABSTRACT
ABSTRAK Dufan, Ariel. 2016. Prediksi Curah Hujan Dengan Menggunakan Algoritma Levenberg- Marquardt Dan Backpropagation (Studi Kasus : BMKG Kota Tanjungpinang), Skripsi. Tanjungpinang: Jurusan Teknik Informatika,
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 terperinciBAB 1 PENDAHULUAN 1.1. Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Kelapa sawit (Elaeis Guineensis) merupakan salah satu komoditas ekspor perkebunan terbesar di Indonesia. Indonesia mempunyai struktur tanah serta curah hujan yang
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 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 terperinciPENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU Risky Meliawati 1,Oni Soesanto 2, Dwi Kartini 3 1,3Prodi Ilmu Komputer FMIPA UNLAM 2 Prodi Matematika
Lebih terperinciPENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Alfa Ceria Agustina (1) Sri Suwarno (2) Umi Proboyekti (3) sswn@ukdw.ac.id othie@ukdw.ac.id Abstraksi Saat ini jaringan saraf tiruan
Lebih terperinciLEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA
LEARNING VECTOR QUANTIZATION UNTUK PREDIKSI PRODUKSI KELAPA SAWIT PADA PT. PERKEBUNAN NUSANTARA I PULAU TIGA 1,2,3 Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara e-mail: edgar.audela.bb@students.usu.ac.id,
Lebih terperinciKeywords: Artificial Neural Network, Learning Vector Quantization (LVQ), Final Project
Riau Journal Of Computer Science Vol.3 No.1 Januari 2017: 81-94 81 PENENTUAN BIDANG KONSENTRASI TUGAS AKHIR MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Muhammad Siddik; 1), Sarjon Defit 2), Julius
Lebih terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
Lebih terperinciKomparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation
Komparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation DOSEN PEMBIMBING Prof. Dr. Moh. Isa Irawan, M.T. Dr. Imam Mukhlash,
Lebih terperinciIDENTIFIKASI JENIS BATU AKIK MENGGUNAKAN METODE LEARNING VEKTOR QUANTIZATION (LVQ)
IDENTIFIKASI JENIS BATU AKIK MENGGUNAKAN METODE LEARNING VEKTOR QUANTIZATION (LVQ) SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S. Kom.) Pada Program Studi Teknik
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
Lebih terperinciAPLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT
APLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT Fradika Indrawan Jurusan Teknik Informatika, Universitas Ahmad Dahlan, Yogyakarta Jl.
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciPENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) UNTUK DIAGNOSIS PENYAKIT IKAN BAWAL BINTANG (Studi Kasus : BALAI BUDIDAYA LAUT BATAM)
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) UNTUK DIAGNOSIS PENYAKIT IKAN BAWAL BINTANG (Studi Kasus : BALAI BUDIDAYA LAUT BATAM) Mulia Parna Putri Sijabat Jurusan Teknik Informatika, Fakultas
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 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 terperinci1 PENDAHULUAN 1.1 Latar Belakang
1 PENDAHULUAN 1.1 Latar Belakang Curah hujan merupakan faktor yang berpengaruh langsung terhadap perubahan cuaca yang semakin memburuk. Curah hujan merupakan total air hujan yang terjatuh pada permukaan
Lebih terperinciJurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN
PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal
Lebih terperinciGambar 2.1 Neuron biologi manusia (Medsker & Liebowitz, 1994)
BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks, serta memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang
Lebih terperinciPenerapan Learning Vector Quantization Penentuan Bidang Konsentrasi Tugas Akhir (Studi Kasus: Mahasiswa Teknik Informatika UIN Suska Riau)
Penerapan Learning Vector Quantization Penentuan Bidang Konsentrasi Tugas Akhir (Studi Kasus: Mahasiswa Teknik Informatika UIN Suska Riau) Elvia Budianita 1, Ulti Desi Arni 2 1,2 Teknik Informatika, UIN
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 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 terperinciSTUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
STUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muh. Ishak Jumarang 1), Lyra Andromeda 2) dan Bintoro Siswo Nugroho 3) 1,3) Jurusan Fisika,
Lebih terperinciKOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN
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 terperinciPengenalan Jenis Ikan Air Laut dengan Metode Learning Vector Quantization (LVQ) Berbasis Citra
Pengenalan Jenis Ikan Air Laut dengan Metode Learning Vector Quantization (LVQ) Berbasis Citra Icha Maimunah, Nerfita Nikentari, Nurul Hayaty icha.umrah@gmail.com, nerfita.nikentari@umrah.ac.id Program
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam perkembangan teknologi yang semakin pesat ini banyak sekali perubahan perkembangan yang telah terjadi untuk membantu kehidupan masyarakat. Dalam perkembangan
Lebih terperinciKLASIFIKASI KUALITAS BUAH GARCINIA MANGOSTANA L. MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
KLASIFIKASI KUALITAS BUAH GARCINIA MANGOSTANA L. MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION Endi Permata 1), Andri Suherman 2) 1) Pendidikan Teknik Elektro Universitas Sultan Ageng Tirtayasa Banten
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 terperinci1 Pendahuluan. 1.1 Latar Belakang Masalah
1 Pendahuluan 1.1 Latar Belakang Masalah Kebutuhan masyarakat akan perkiraan cuaca terutama curah hujan ini menjadi sangat penting untuk merencanakan segala aktifivitas mereka. Curah hujan juga memiliki
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Hujan merupakan salah satu bentuk presipitasi uap air yang berasal dari awan yang terdapat diatmosfer, titik-titik air di udara atau awan yang sudah terlalu
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 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 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 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 terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciEVALUASI MODEL JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK PREDIKSI IKLIM EKSTRIM DENGAN KORELASI CURAH HUJAN DAN TINGGI MUKA LAUT DI SEMARANG
Youngster Physics Journal ISSN : 2302-7371 Vol. 4, No. 1, Januari 2015, Hal 67-72 EVALUASI MODEL JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK PREDIKSI IKLIM EKSTRIM DENGAN KORELASI CURAH HUJAN DAN
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciPREDIKSI TERJANGKITNYA PENYAKIT JANTUNG DENGAN METODE LEARNING VECTOR QUANTIZATION. Nurul Hidayati 1, Budi Warsito 2
Prediksi Terjangkitnya... (Nurul Hidayati) PREDIKSI TERJANGKITNYA PENYAKIT JANTUNG DENGAN METODE LEARNING VECTOR QUANTIZATION Nurul Hidayati 1, Budi Warsito 2 1 Alumni Program Studi Statistika FMIPA UNDIP
Lebih terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
Lebih terperinciMetode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat
Prosiding Semirata FMIPA Universitas Lampung, 2013 Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat Andi Ihwan Prodi Fisika FMIPA Untan, Pontianak
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Waktu dan Lokasi Penelitian Penelitian ini dilakukan pada bulan Mei 2011 hingga Agustus 2011 yang berlokasi di kolam petani Desa Laladon, Kecamatan Ciomas, Kabupaten Bogor,
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 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 terperinciPenerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
Lebih terperinciBAB I PENDAHULUAN. Utara yang mana secara geografis terletak pada Lintang Utara
BAB I PENDAHULUAN 1.1. Latar Belakang Kota Medan merupakan salah satu kota yang terdapat di Provinsi Sumatera Utara yang mana secara geografis terletak pada 2 27 00-2 47 00 Lintang Utara dan 98 35 00-98
Lebih terperinciBuletin Analisis Hujan Bulan Februari 2013 dan Prakiraan Hujan Bulan April, Mei dan Juni 2013 KATA PENGANTAR
KATA PENGANTAR Analisis Hujan, Indeks Kekeringan Bulan Februari 2013 serta Prakiraan Hujan Bulan April, Mei dan Juni 2013 disusun berdasarkan hasil pengamatan data hujan dari 60 stasiun dan pos hujan di
Lebih terperinciBAB III METODE PENELITIAN. Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu
BAB III METODE PENELITIAN 3.1 Pengumpulan Data Beban Listrik dari PLN Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu selama lima tahun pada periode 2006-2010, selanjutnya data
Lebih terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciIDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION
IDENTIFIKASI RAMBU-RAMBU LALU LINTAS MENGGUNAKAN LEARNING VECTOR QUANTIZATION RULIAH Program Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan Komputer Banjarbaru Jl. A. Yani Km. 33,3 Loktabat
Lebih terperinciglobal warming, periode iklim dapat dihitung berdasarakan perubahan setiap 30 tahun sekali.
4.5. Iklim 4.5.1. Tipe Iklim Indonesia merupakan wilayah yang memiliki iklim tropis karena dilewati garis khatulistiwa. Iklim tropis tersebut bersifat panas dan menyebabkan munculnya dua musim, yaitu musim
Lebih terperinciBuletin Analisis Hujan Bulan Januari 2013 dan Prakiraan Hujan Bulan Maret, April dan Mei 2013 KATA PENGANTAR
KATA PENGANTAR Analisis Hujan, Indeks Kekeringan Bulan Januari 2013 serta Prakiraan Hujan Bulan Maret, April dan Mei 2013 disusun berdasarkan hasil pengamatan data hujan dari 60 stasiun dan pos hujan di
Lebih terperinciPREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK
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 terperinciPemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan Laut
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 1 Nomor 2 Halaman 52-61 ISSN: 2089-6026 Pemodelan Jaringan Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN 4.1 Kondisi Lingkungan Mengetahui kondisi lingkungan tempat percobaan sangat penting diketahui karena diharapkan faktor-faktor luar yang berpengaruh terhadap percobaan dapat diketahui.
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 terperinciBuletin Analisis Hujan Bulan April 2013 dan Prakiraan Hujan Bulan Juni, Juli dan Agustus 2013 KATA PENGANTAR
Buletin Analisis Hujan Bulan April 2013 dan Prakiraan Hujan Bulan Juni, Juli dan Agustus 2013 KATA PENGANTAR Analisis Hujan, Indeks Kekeringan Bulan April 2013 serta Prakiraan Hujan Bulan Juni, Juli dan
Lebih terperinciUKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Bagi seseorang yang berprofesi sebagai dokter, kesalahan diagnosis suatu penyakit akan membawa dampak yang sangat fatal bagi pasiennya. Dalam kasus ini, penulis
Lebih terperinciKEPALA STASIUN KLIMATOLOGI
KATA PENGANTAR Analisis Hujan, Indeks Kekeringan Bulan September 2013 serta Prakiraan Hujan Bulan November, Desember 2013 dan Januari 2014 disusun berdasarkan hasil pengamatan data hujan dari 60 stasiun
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciANALISIS DEKOMPOSISI WAVELET PADA PENGENALAN POLA LURIK DENGAN METODE LEARNING VECTOR QUANTIZATION
ANALISIS DEKOMPOSISI WAVELET PADA PENGENALAN POLA LURIK DENGAN METODE LEARNING VECTOR QUANTIZATION Bambang Robi in eure_bbg@yahoo.com Akademi Teknik PIRI Yogyakarta Abstrak Indonesia merupakan negara yang
Lebih terperinciJARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT )
JARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT ) Rima Liana Gema, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia
Lebih terperinciDAFTAR ISI. Halaman Judul. Lembar Pengesahan Pembimbing. Lembar Pengesahan Penguji. Halaman Persembahan. Halaman Motto. Kata Pengantar.
DAFTAR ISI Halaman Judul i Lembar Pengesahan Pembimbing ii Lembar Pengesahan Penguji iii Halaman Persembahan iv Halaman Motto v Kata Pengantar vi Abstraksi viii Daftar Isi ix Daftar Gambar xii Daftar Tabel
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi Penelitian merupakan acuan dalam pelaksanaan sebuah penelitian. Metodologi penelitian berisi rencana kerja yang berurutan agar hasil yang didapatkan sesuai dengan
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 terperinciPenerapan Learning Vector Quantization (LVQ) untuk Klasifikasi Status Gizi Anak
IJCCS, Vol.7, No.2, July 2013, pp. 155~166 ISSN: 1978-1520 155 Penerapan Learning Vector Quantization (LVQ) untuk Klasifikasi Status Gizi Anak Elvia Budianita* 1, Widodo Prijodiprodjo 2 1 Jurusan Teknik
Lebih terperinciPenerapan metode..., Novi Indriyani, FASILKOM UI, Universitas Indonesia
BAB 1 PENDAHULUAN 1.1 Latar Belakang Banyak kegiatan atau aktifitas manusia yang banyak bergantung pada faktor cuaca. Faktor cuaca ini terkadang memiliki pengaruh yang sangat besar bagi keberlangsungan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Universitas Islam Negeri Sultan Syarif Kasim Riau (UIN Suska R iau) merupakan salah satu universitas Islam ternama di Provinsi Riau. Hal ini dapat dilihat dari meningkatnya
Lebih terperinciPerancangan Sistem Diagnosa Penyakit Saluran Pernapasan Menggunakan Metode Learning Vector Quantization (LVQ)
Jurnal Matematika Integratif ISSN 1412-6184 Volume 12 No 1, April 2016, pp 1-10 Perancangan Sistem Diagnosa Penyakit Saluran Pernapasan Menggunakan Metode Learning Vector Quantization (LVQ) Zeth Arthur
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Jaringan syaraf tiruan merupakan bidang ilmu yang banyak digunakan dalam melakukan pengenalan pola suatu obyek. Banyak obyek yang dapat digunakan untuk pengenalan pola
Lebih terperinciIDENTIFIKASI CITRA BILANGAN DESIMAL 0-9 BERBASIS LEARNING VECTOR QUANTIZATION SECARA REAL TIME
Jurnal POROS TEKNIK, Volume 4, No. 1, Juni 2012 : 24-29 IDENTIFIKASI CITRA BILANGAN DESIMAL 0-9 BERBASIS LEARNING VECTOR QUANTIZATION SECARA REAL TIME Gunawan Rudi Cahyono (1) (1) Staf Pengajar Jurusan
Lebih terperinciSIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana
SIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana Mahasiswa Program Studi Teknik Informatika, Universitas
Lebih terperinciALGORITMA LEARNING VECTOR QUANTIZATION UNTUK PENGENALAN BARCODE BUKU DI PERPUSTAKAAN UNIVERSITAS GALUH CIAMIS
ALGORITMA LEARNING VECTOR QUANTIZATION UNTUK PENGENALAN BARCODE BUKU DI PERPUSTAKAAN UNIVERSITAS GALUH CIAMIS Egi Badar Sambani 1), Neneng Sri Uryani 2), Rifki Agung Kusuma Putra 3) Jurusan Teknik Informatika,
Lebih terperinciBAB III METODE PENELITIAN
3.1. Kerangka Pemikiran BAB III METODE PENELITIAN Permasalahan yang akan dijawab atau tujuan yang ingin dicapai pada penelitian ini adalah untuk melakukan prakiraan beban listrik jangka pendek atau untuk
Lebih terperinciADLN - Perpustakaan Universitas Airlangga ABSTRAK. viii
Muhammad Arif Santoso, 2015. Peramalan Penjualan Produk Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine. Skripsi ini dibawah bimbingan Auli Damayanti,S.Si, M.Si dan Dr. Herry Suprajitno,
Lebih terperinciPREDIKSI PRODUKSI KELAPA SAWIT BERDASARKAN KUALITAS LAHAN MENGGUNAKAN MODEL ARTIFICIAL NEURAL NETWORK (ANN)
PREDIKSI PRODUKSI KELAPA SAWIT BERDASARKAN KUALITAS LAHAN MENGGUNAKAN MODEL ARTIFICIAL NEURAL NETWORK (ANN) (PREDICTION OF OIL PALM PRODUCTION BASE ON LAND QUALITY USING ARTIFICIAL NEURAL NETWORK) Oleh
Lebih terperinciKLASIFIKASI RUMAH LAYAK HUNI DI KABUPATEN BREBES DENGAN MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION DAN NAIVE BAYES
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 99-111 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI RUMAH LAYAK HUNI DI KABUPATEN BREBES DENGAN MENGGUNAKAN
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinciSapta Nugraha, ST, M.Eng Dosen Teknik Informatika, FT UMRAH
SIMULASI DAN PREDIKSI CURAH HUJAN MINGGUAN MENGGUNAKAN REGRESI POLINOMIAL BERGANDA DENGAN METODE BACKWARD ELIMINATION (Studi Kasus : Kota Tanjungpinang) Sardi Mahasiswa Teknik Informatika, FT UMRAH (sardibastian@ymail.com)
Lebih terperinciBAB III. METODOLOGI. kegiatan manusia membuat penelitian dengan domain teknik informatika
BAB III. METODOLOGI 3.1. Kerangka Pikir Teknik informatika yang memiliki andil yang cukup besar dalam berbagai kegiatan manusia membuat penelitian dengan domain teknik informatika merupakan hal yang menarik
Lebih terperinciKLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN
Lebih terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
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 terperinciPENERAPAN ALGORITMA LEARNING VECTOR QUANTIZATION DALAM PENGKLASIFIKASIAN TINGKAT PENCEMARAN AIR SUNGAI
PENERAPAN ALGORITMA LEARNING VECTOR QUANTIZATION DALAM PENGKLASIFIKASIAN TINGKAT PENCEMARAN AIR SUNGAI Muhammad Ridha Rahimi1), Hartatik2 1), 2) Teknik Informatika STMIK AMIKOM Yogyakarta Jl Ring road
Lebih terperinciSIMULASI DAN PREDIKSI PASANG SURUT AIR LAUT MENGGUNKAN WAVELET-NEURAL-NETWORK (Studi Kasus : Perairan Tarempa)
SIMULASI DAN PREDIKSI PASANG SURUT AIR LAUT MENGGUNKAN WAVELET-NEURAL-NETWORK (Studi Kasus : Perairan Tarempa) Diana Mahasisswa Program Studi Teknik Informatika, Universitas Maritim Raja Ali Haji Jl.Politeknik
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 6, Juni 2018, hlm. 2173-2181 http://j-ptiik.ub.ac.id Klasifikasi Calon Penerima Bantuan Keluarga Miskin Menggunakan
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciPerbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca
NATURALA Journal of Scientific Modeling & Computation, Volume 1 No.1 2013 7 ISSN 23030135 Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca Candra Dewi 1, M. Muslikh
Lebih terperinciOPTICAL CHARACTER RECOGNIZATION (OCR)
LAPORAN JARINGAN SYARAF TIRUAN OPTICAL CHARACTER RECOGNIZATION (OCR) DISUSUN OLEH: DIJAS SCHWARTZ. S (524) FIRNAS NADIRMAN (481) INDAH HERAWATI (520) NORA SISKA PUTRI (511) OKTI RAHMAWATI (522) EKSTENSI
Lebih terperinciBuletin Analisis Hujan dan Indeks Kekeringan Bulan Desember 2012 dan Prakiraan Hujan Bulan Februari, Maret dan April 2013 KATA PENGANTAR
KATA PENGANTAR Analisis Hujan, Indeks Kekeringan Bulan Desember 2012 serta Prakiraan Hujan Bulan Februari, Maret dan April 2013 disusun berdasarkan hasil pengamatan data hujan dari 60 stasiun dan pos hujan
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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Ayam seperti halnya hewan lain juga tidak terlepas dari serangan penyakit. Antisipasi untuk mencegah dan mengenali gejala penyakit yang berbahaya sangatlah penting.
Lebih terperinci