Simple ANN (Multilayer Perceptron) dengan Keras. Alfan F. Wicaksono Fakultas Ilmu Komputer Universitas Indonesia
|
|
- Yulia Budiman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Simple ANN (Multilayer Perceptron dengan Keras Alfan F. Wicaksono Fakultas Ilmu Komputer Universitas Indonesia
2 Disclaimer Ini bukan tutorial untuk mempelajari ANN & Deep Learning secara detail. Tujuan tutorial ini adalah memahami kulit dari ANN dan bisa menggunakan tool Keras untuk mengaplikasikannya.
3 Tips Jika memang ingin mendalami Deep Learning dan bisa mengikuti tutorial Deep Learning yang tersedia, tahap awal adalah memahami dengan baik 5 topik berikut: Optimasi dengan gradient descent/ascent & algoritma lain Linear Regression Logistic Regression Multilayer Neural Networks Konsep Backpropagation
4 Tools Sebuah tool untuk membangun arsitektur deep learning dengan cukup mudah.
5 Logistic Regression Berbeda dengan Linear Regression, Logistic Regression digunakan untuk permasalahan Binary Classification. Jadi output yang dihasilkan adalah diskrit! ( atau 0, (ya atau tidak. Misal, diberikan 2 hal:. Unseen data yang ingin diprediksi labelnya, yaitu y. 2. Model logistic regression dengan parameter θ 0, θ,, θ n yang sudah ditentukan. 9 September z n i i i n n e z y P y P y P ( ; ( ; 0 ( (... ( ; ( 0 0
6 Logistic Regression Bisa digambarkan dalam bentuk single neuron. 9 September z n i i i n n e z y P y P y P ( ; ( ; 0 ( (... ( ; ( θ θ2 θ3 θ0 Dengan fungsi sigmoid sebagai activation function How to learn the parameters?
7 Logistic Regression Merupakan sebuah Linear Model! Garis pemisah adalah garis lurus! A non-linearly separable data 9 September 206 7
8 Logistic Regression Cocok untuk data di bawah?? Merupakan sebuah Linear Model! Garis pemisah adalah garis lurus! 9 September 206 8
9 Neural Network: Non-Linear Model
10 Multilayer Neural Network (Multilayer Perceptron Misal, ada 3-layer NN, dengan 3 input unit, 2 hidden unit, dan 2 output unit. 2 3 ( W ( W 2 ( W 2 ( W 22 ( W 3 ( W 23 b ( b 2 ( (2 W (2 W 2 (2 W 2 (2 W 22 (2 (2 b b W (, W (2, b (, b (2 adalah parameter! 9 September 206 0
11 Multilayer Neural Network, Cara Melakukan Prediksi Misal, untuk activation function, kita gunakan fungsi hyperbolic tangent. f ( tanh( Untuk menghitung output di hidden layer: z z (2 (2 2 W W ( ( 2 W W ( 2 ( W W ( 3 ( b b ( ( 2 a a (2 (2 2 f f ( z ( z (2 (2 2 Ini hanyalah perkalian matri! ( ( ( ( (2 ( ( W W2 W3 b z W b 2 ( ( ( ( W2 W22 W23 b2 9 September 206 3
12 Multilayer Neural Network, Cara Melakukan Prediksi Jadi, Proses feed-forward secara keseluruhan hingga menghasilkan output di kedua output unit adalah: z a z h (2 (2 (3 W, b W W ( f ( z (2 ( a b (2 a (2 (3 ( b (2 softma ( z (3 Learning Parameters? See Backpropagation Algorithm! 9 September 206 2
13 ANN dengan Keras Misal, ini fully-connected Input: 779 unit 256 unit 64 unit Output: 0 unit
14 ANN dengan Keras Sequential API from keras.models import Sequential from keras.layers import Dense, Activation (num_samples, 779 model = Sequential( model.add(dense(output_dim=256, input_dim=779 model.add(activation("relu" model.add(dense(output_dim=64 model.add(activation("relu" model.add(dense(output_dim=0 model.add(activation("softma" Dense Layer (num_samples, 256 Dense Layer (num_samples, 64 Dense Layer (num_samples, 0
15 Kompilasi Model from keras.optimizers import SGD model.compile(loss='categorical_crossentropy', \ optimizer=sgd(lr=0.0, momentum=0.9, nesterov=true, \ metrics=['accuracy'] Dalam proses estimasi parameter pada ANN, kita perlu loss-function. Tujuan estimasi parameter melalui data adalah mencari nilai parameter sehingga lossfunction kita menjadi minimal. categorical_crossentropy adalah loss-function yang sering digunakan seandainya ada minimal 2 output unit pada layer terakhir.
16 Gradient Descent (GD: salah satu optimizer yang digunakan Problem: carilah nilai sehingga fungsi f( = mencapai titik local minimum. Misal, kita pilih dimulai dari =2.0: Algoritma GD konvergen pada titik = 0.699, yang merupakan local minimum. Local minimum 9 September 206 6
17 Training/Estimasi Parameter dengan Data model.fit(x_train, Y_train, \ nb_epoch=50, \ batch_size=32, \ verbose=, \ validation_data=(x_test, Y_test EPOCH: banyaknya iterasi yang dilakukan oleh Stochastic Gradient Descent (atau Optimizer yang lain untuk mencari parameter yang meminimalkan loss-function.
18 Evaluasi & Prediksi #Evaluasi di testing data, menggunakan akurasi loss_and_metrics = model.evaluate(x_test, Y_test, batch_size=32 print (loss_and_metrics #Prediksi kelas dari data baru (unseen data classes = model.predict_classes(x_test, batch_size=32 #Nilai probabilitas masing-masing kelas proba = model.predict_proba(x_test, batch_size=32
19 Apa yang perlu di-import sejauh ini? from keras.models import Sequential from keras.layers import Dense, Activation from keras.optimizers import SGD
20 Data MNIST Kita Kita akan gunakan kembali data MNIST berformat SVMLIB yang diberikan di tutorial sebelumnya Perlu import beberapa tools dari Scikit-Learn & numpy: from sklearn.datasets import load_svmlight_file from sklearn import preprocessing from sklearn.cross_validation import train_test_split import numpy as np
21 One-Hot Vector #toonehot(np.array([0,3,], n #convert [0,3,] to one-hot vector -> [[, 0, 0, 0,...], # [0, 0, 0,,...], # [0,, 0, 0,...]] def toonehot(np_arrayd, n_labels: np_arrayd = np_arrayd.astype(int np_array2d = np.zeros((np_arrayd.shape[0], n_labels np_array2d[np.arange(np_arrayd.shape[0], np_arrayd] = return np_array2d
22 Load Data & Preprocess #load dataset in svmlib format X, y = load_svmlight_file("dataset.tt" X = X.toarray( y = toonehot(y, 0 # label ada 0 di MNIST data #scaling to [0,] min_ma_scaler = preprocessing.minmascaler( X_scaled = min_ma_scaler.fit_transform(x #split train-testing X_train, X_test, Y_train, Y_test = train_test_split(x_scaled, y, test_size=0.3
23 Dengan Keras Functional API from keras.layers import Input, Dense from keras.models import Model # mengembalikan tensor inputs = Input(shape=(779, # callable pada sebuah tensor, dan mengembalikan tensor = Dense(256, activation='relu'(inputs = Dense(64, activation='relu'( predictions = Dense(0, activation='softma'( # model dengan Input layer dan 3 Dense layers model = Model(input=inputs, output=predictions model.compile(optimizer='sgd', loss='categorical_crossentropy', metrics=['accuracy'] model.fit(x_train, Y_train # starts training
24 Belajar Sendiri Keras Sequential API: Keras Functional API: Daftar layer pada keras: [warning] Butuh belajar tentang teori Deep Learning dahulu
25 Simpan Arsitektur Model #save as json json_string = model.to_json( print(json_string #save as yaml yaml_string = model.to_yaml( print(yaml_string
26 Rekonstruksi Model from models import model_from_json from models import model_from_yaml json_string = model.to_json( model = model_from_json(json_string yaml_string = model.to_yaml( model = model_from_yaml(yaml_string
27 Melihat Parameter/Weight Model weights = model.get_weights( #bisa set weights #shape sama dengan yang dikembalikan di atas model.set_weights(weights
28 Visualisasi Layer Plot graf dari model, dan menyimpan di sebuah file citra from keras.utils.visualize_util import plot plot(model, to_file='model.png'
29 Simpan & Baca Parameter Model Harus ada modul untuk mendukung baca-tulis ke file HDF5 model.save_weights('parameter_model.h5' model.load_weights('parameter_model.h5'
BAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1. Citra Digital Citra digital adalah suatu citra elektronik yang diambil dari dokumen, seperti foto, buku, maupun sebuah video. Proses perubahan citra analog menjadi citra digital
Lebih terperinciKlasifikasi Sederhana dengan Machine Learning
Klasifikasi Sederhana dengan Machine Learning Alfan F. Wicaksono Fakultas Ilmu Komputer Universitas Indonesia Tool yang Kita Gunakan Scikit-Learn (http://scikit-learn.org/stable/) Course ini hanya ditujukan
Lebih terperinciConvolutional Neural Networks (CNNs) dengan Keras
Convolutional Neural Networks (CNNs) dengan Keras Alfan Farizki Wicaksono Fakultas Ilmu Komputer Universitas Indonesia References http://ufldl.stanford.edu/tutorial/ http://cs231n.github.io/convolutional-networks/
Lebih terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
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 PENELITIAN DAN PEMBAHASAN. fold Cross Validation, metode Convolutional neural network dari deep learning
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Program P rinsip kerja program yaitu dengan melakukan pra pengolahan citra terhadap foto fisik dari permukaan buah manggis agar ukuran seluruh data
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. 1 Universitas Kristen Maranatha. Gambar 1.1 : Ilustrasi jaringan syaraf manusia yang diadaptasi untuk ANN (Kriesel, 2011)
BAB 1 PENDAHULUAN 1.1 Latar Belakang Rentannya kesalahan yang dapat terjadi oleh pekerjaan yang dilakukan oleh manusia dalam menganalisa, atau ketika mencoba membangun relasi antar fitur yang berjumlah
Lebih terperinciArtificial Neural Network
9 Artificial Neural Network If you want to make information stick, it s best to learn it, go away from it for a while, come back to it later, leave it behind again, and once again return to it - to engage
Lebih terperinciBAB 1 PENDAHULUAN. datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk
BAB 1 PENDAHULUAN 1.1. Latar Belakang Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan
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 terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI
PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September
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 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 terperinciABSTRAK. v Universitas Kristen Maranatha. Kata kunci: backpropagation, Multilayer Perceptron (MLP), masalah klasifikasi
ABSTRAK Salah satu fungsi dari pengklasifian data adalah untuk dapat mengenali objek baru. Sebuah sistem komputer yang berbentuk Multilayer Perceptron (MLP), dengan algoritma backpropagation mampu membantu
Lebih terperinciANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD SKRIPSI
ANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD SKRIPSI SISKA MELINWATI 061401040 PROGRAM STUDI SARJANA ILMU KOMPUTER DEPARTEMEN
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 terperinciSebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran
Sebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran Kecerdasan Buatan Pertemuan 11 Jaringan Syaraf Tiruan (Artificial Neural Network)
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 terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciBAB 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 terperinciARTIFICIAL NEURAL NETWORK (JARINGAN SYARAF TIRUAN) Teny Handhayani
ARTIFICIAL NEURAL NETWORK (JARINGAN SYARAF TIRUAN) Teny Handhayani LATAR BELAKANG Jaringan syaraf pada sistem Biologi DARI NEURON BIOLOGI KE NEURON BUATAN Dendrite Cell Body Axon DARI NEURON BIOLOGI KE
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciPERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA
PERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA Budho Setyonugroho 1), Adhistya Erna Permanasari 2), Sri Suning Kusumawardani
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 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 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 terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciBAB II TINJAUAN PUSTAKA. Hujan merupakan komponan utama dala siklus hidrologi, dapat
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
Lebih terperinciLEARNING ARTIFICIAL INTELLIGENT
LEARNING ARTIFICIAL INTELLIGENT OUTLINE Decision tree learning Jaringan Syaraf Tiruan K-Nearest Neighborhood Naïve Bayes JARINGAN SYARAF TIRUAN (JST) Intro Definisi ANN Model Matematis Neuron Fungsi Aktivasi
Lebih terperinciPEMODELAN GENERAL REGRESSION NEURAL NETWORK (GRNN) PADA DATA RETURN INDEKS HARGA SAHAM EURO 50
PEMODELAN GENERAL REGRESSION NEURAL NETWORK (GRNN) PADA DATA RETURN INDEKS HARGA SAHAM EURO 50 SKRIPSI Disusun Oleh : REZZY EKO CARAKA 240 102 111 400 85 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciLaporan Implementasi Naïve Bayes dan Feed Forward Neural Network untuk Klasifikasi
Laporan Implementasi Naïve Bayes dan Feed Forward Neural Network untuk Klasifikasi dibuat oleh 707 Berusaha Imba: 13514002 M. Diaztanto Haryaputra 13514023 Fanda Yuliana Putri 13514025 Ratnadira Widyasari
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 terperinciPENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER PERCEPTRON
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER PERCEPTRON Disusun oleh : Nama : J. Rio Sihombing NRP : 0322129 Jurusan Teknik Elektro, Fakultas Teknik,
Lebih terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
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 terperinciAlgoritma Restricted Boltzmann Machines (RBM) untuk Pengenalan Tulisan Tangan Angka
Algoritma Restricted Boltzmann Machines (RBM) untuk Pengenalan Tulisan Tangan Angka Susilawati Universitas Medan Area susi.shilawati@gmail.com Abstrak Pengenalan tulisan tangan angka telah dimanfaatkan
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Persaingan dalam dunia bisnis, terlebih lagi bagi perusahaan besar, tidak lepas dari adanya proses jual beli saham. Saham secara umum merupakan surat berharga yang dapat
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 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 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 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 terperinciKomparasi algoritma Conjugate gradient dan Gradient descent pada MLPNN untuk Tingkat Pengetahuan Ibu (Studi kasus Pemberian ASI Ekslusif)
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Komparasi algoritma Conjugate gradient dan Gradient descent pada MLPNN untuk Tingkat Pengetahuan Ibu (Studi kasus Pemberian
Lebih terperinciRISK-BASED FORECASTING UNTUK KEBUTUHAN BAHAN BAKU DENGAN MEMPERTIMBANGKAN TINGKAT COMMONALITY
RISK-BASED FORECASTING UNTUK KEBUTUHAN BAHAN BAKU DENGAN MEMPERTIMBANGKAN TINGKAT COMMONALITY Reina Angkiriwang 1, Budi Santosa 2 dan I Nyoman Pujawan 3 Program Pascasarjana, Jurusan Teknik Industri Institut
Lebih terperinciPemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat
Pemodelan Jaringan Syaraf Tiruan dengan Algoritma One Step Secant Backpropagation dalam Return Kurs Rupiah Terhadap Dolar Amerika Serikat SKRIPSI Disusun oleh: MAULIDA NAJWA 24010212130028 DEPARTEMEN STATISTIKA
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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Data adalah kumpulan kejadian yang diangkat dari suatu kenyataan (fakta),at berupa angka-angka, huruf, simbol-simbol, atau gabungan dari ketiganya. Dalam perkembangan selanjutnya,
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 DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI
Royani Darma Nurfita, Gunawan Ariyanto, Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI Royani Darma
Lebih terperinciBAB 1 PENDAHULUAN. saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Cepatnya perubahan fluktuasi harga index saham membuat para pemegang saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung. Saham yang mempunyai
Lebih terperinciArtificial Neural Network Backpropagation Dengan Momentum Untuk Prediksi Surface Roughness Pada CNC Milling
Artificial Neural Network Dengan Momentum Untuk Prediksi Surface Roughness Pada CNC Milling Vivi Tri Widyaningrum Program Studi Mekatronika, Fakultas Teknik, Universitas Trunojoyo Madura Bangkalan, Jawa
Lebih terperinciPERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION
PERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION Budi Santosa, Riza Nugraha Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo
Lebih terperinciPENDAFTARAN MAHASISWA BARU PROGRAM PENDIDIKAN DASAR MENGGUNAKAN ALGORITMA NN BACKPROPAGATION DI UPBJJ-UNIVERSITAS TERBUKA PROVINSI SULAWESI TENGAH
PENDAFTARAN MAHASISWA BARU PROGRAM PENDIDIKAN DASAR MENGGUNAKAN ALGORITMA NN BACKPROPAGATION DI UPBJJ-UNIVERSITAS TERBUKA PROVINSI SULAWESI TENGAH Syahrullah 1), Hajra Rasmita Ngemba 2), Syaiful Hendra
Lebih terperinciPEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS
PEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS Diana Purwitasari 1, Glory Intani Pusposari 2, Rully Sulaiman 3 Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
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 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 terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
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 terperinciPERENCANAAN MANHOURS C-CHECK MAINTENANCE PADA UNIT BASE MAINTENANCE PT. GMF AEROASIA
JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2010 1 TUGAS AKHIR PERENCANAAN MANHOURS C-CHECK MAINTENANCE PADA UNIT BASE MAINTENANCE PT. GMF AEROASIA
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 terperinciNOISE REMOVAL PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
NOISE REMOVAL PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Denny Susanto (1022029) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof. Drg. Suria Sumantri, MPH no.65,
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
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
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 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 terperinciMODEL PREDIKSI KEBANGKRUTAN BERBASIS NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
MODEL PREDIKSI KEBANGKRUTAN BERBASIS NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Isye Arieshanti 1), Yudhi Purananto 1) 1) Teknik Informatika, Institut Teknologi Sepuluh Nopember Kampus ITS Sukolilo
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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Emas dahulu merupakan alat pembayaran transaksi ekonomi yang digunakan di suatu negara dengan negara lainnya. Sebagai alat tukar, emas dahulu memegang pengaruh yang
Lebih terperinciANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES
ANALISIS LEARNING RATES PADA ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI PENYAKIT DIABETES Thomas Brian Universitas Trunojoyo Madura Bangkalan, Indonesia thomasbrian2112@yahoo.com Abstrak Salah satu algoritma
Lebih terperinciIMPLEMENTASI DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI CITRA CANDI BERBASIS GPU. Tugas Akhir
IMPLEMENTASI DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI CITRA CANDI BERBASIS GPU Tugas Akhir Diajukan untuk Memenuhi Sebagian Persyaratan Mencapai Derajat Sarjana Teknik Informatika
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Nearest Neighbor Nearest neighbor merupakan salah satu teknik interpolasi paling sederhana dan cepat dengan memindahkan ruang yang kosong dengan piksel yang berdekatan (the nearest
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciPERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION ALGORITHM
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol.6 No. 2, Desember 217 : 8-91 PERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
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 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 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 terperinciCONVOLUTIONAL NEURAL NETWORK. Pengantar Deep Learning
CONVOLUTIONAL NEURAL NETWORK Pengantar Deep Learning Convolutional Neural Network Convolutional Neural Network (CNN) adalah salah satu jenis neural network yang biasa digunakan pada data image. CNN bisa
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 terperinciPeningkatan Kemampuan Pengenalan Pola dari Jaringan Saraf Tiruan dengan Menggunakan Diskritisasi Chi2
Peningkatan Kemampuan Pengenalan Pola dari Jaringan Saraf Tiruan dengan Menggunakan Diskritisasi Chi2 Jeffry Hartanto 1, Gregorius Satia Budhi 2 Program Studi Teknik Informatika Universitas Kristen Petra
Lebih terperinciBAB 3 METODE PENELITIAN
31 BAB 3 METODE PENELITIAN 3.1 Pengumpulan Data (Data gathering). Pengumpulan data harus mampu mendeskripsikan data yang ada, serta memiliki kontribusi terhadap pengetahuan. Data yang tidak lengkap perlu
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 terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF)
PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF) AINUN JARIAH 1209201721 DOSEN PEMBIMBING 1. Prof. Dr. Mohammad Isa Irawan, M.T 2. Dr Imam Mukhlas, S.Si, M.T
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 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 terperinciBAB III PEMBAHASAN. A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium
BAB III PEMBAHASAN A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium Kanker Payudara Fuzzy Neural Network (FNN) adalah gabungan sistem fuzzy dengan Artificial Neural Network (ANN).
Lebih terperinciPREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION
JIMT Vol. 4 No. Juni 207 (Hal 47-55) ISSN : 2450 766X PREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION J.R. Mustakim, R. Ratianingsih 2 dan D. Lusiyanti 3,2,3 Program Studi
Lebih terperinciImplementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital
JURNAL SAINS DAN SENI IS Vol. 6, No.1, (2017) 2337-3520 (2301-928X Print) A 18 Implementasi Extreme Learning Machine untuk Pengenalan Objek Citra Digital Zulfa Afiq Fikriya, Mohammad Isa Irawan, dan Soetrisno
Lebih terperinciMENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB
POLITEKNOSAINS VOL. X NO. 2 Juni 2011 MENGENALI FUNGSI LOGIKA AND MELALUI PEMROGRAMAN PERCEPTRON DENGAN MATLAB Yaya Finayani Teknik Elektro, Politeknik Pratama Mulia, Surakarta 57149, Indonesia ABSTRACT
Lebih 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 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 I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kabupaten Purworejo adalah daerah agraris karena sebagian besar penggunaan lahannya adalah pertanian. Dalam struktur perekonomian daerah, potensi daya dukung
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 terperinciBACKPROPAGATION NEURAL NETWORK UNTUK OPTIMASI AKURASI PADA PREDIKSI FINANCIAL DISTRESS PERUSAHAAN
BACKPROPAGATION NEURAL NETWORK UNTUK OPTIMASI AKURASI PADA PREDIKSI FINANCIAL DISTRESS PERUSAHAAN Riska Yanu Fa rifah dan Zulfiqar Busrah Dosen Jurusan Teknik Informatika Universitas Cokroaminoto Palopo
Lebih terperinciPREDIKSI DATA HARGA SAHAM HARIAN MENGGUNAKAN FEED FORWARD NEURAL NETWORKS (FFNN) DENGAN PELATIHAN ALGORITMA GENETIKA
PREDIKSI DATA HARGA SAHAM HARIAN MENGGUNAKAN FEED FORWARD NEURAL NETWORKS (FFNN) DENGAN PELATIHAN ALGORITMA GENETIKA (Studi Kasus pada Harga Saham Harian PT. XL Axiata Tbk) SKRIPSI Disusun oleh : IRA PUSPITA
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 terperinci