BAB 3 METODOLOGI PENELITIAN
|
|
- Adi Budiaman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB 3 METODOLOGI PENELITIAN 31 Pendahuluan Algoritma Resilient Backpropagation (RPROP) dibagi menjadi dua bagian proses yaitu forward pass dan backward pass Forward pass berfungsi untuk mendapatkan nilai error dari algoritma artificial neural network, dimana nilai error tersebut harus konvergen nilai nol yaitu nilai error mendekati nilai nol Backward pass berfungsi untuk melakukan update pada nilai weight agar nilai yang dihasilkan pada waktu proses forward pass berikutnya menghasilkan nilai error yang konvergen terhadap nilai nol Kedua bagian ini merupakan bagian terpenting pada algoritma RPROP karena merupakan bagian untuk melakukan pembelajaran terhadap algoritma RPROP yang bertujuan untuk mengenali lingkungan yang akan diproses Proses algoritma RPROP pada kedua bagian tersebut dapat dioptimalkan pada waktu training, dengan cara melakukan komputasi parallel pada algoritma RPROP Pada proses RPROP dibagi menjadi beberapa sub-proses, dan sub-proses tersebut dijalankan pada waktu yang bersamaan Penelitian yang dilakukan adalah menganalisa waktu pada pembelajaran dengan cara membuat tiga model komputasi parallel algoritma RPROP yang dijalankan pada sebuah komputer menggunakan multithreading Multithreading adalah teknik untuk menjalankan beberapa proses secara bersamaan dengan menggunakan satu buah processor Pada bab ini metodologi dibagi menjadi beberapa bagian yaitu tahapan tahapan penelitian yang berisikan tahapan yang dilakukan pada penelitian ini, dataset adalah menjelaskan dataset yang digunakan pada penelitian ini, perancangan algoritma RPROP parallel processing, dan yang terakhir cara melakukan analisis data yang dihasilkan
2 22 32 Tahapan Tahapan Penelitian Tahapan tahapan penelitian bertujuan penelitian yang dilaksanakan tidak keluar dari jalur yang ditentukan Tahapan penelitian yang dilakukan dijabarkan pada Gambar31 Dataset yang Digunakan Perancangan Arsitektur Resilient Backpropagation Parallel Berdasarkan Thread Training Algoritma Resilient Backpropagation Parallel CPU Time Pembelajaran Berdasarkan Pengunaan Thread Gambar 3 1 Diagram Tahapan Tahapan Penelitian 33 Data yang Digunakan Dataset adalah kumpulan data yang digunakan untuk pembelajaran dan ujicoba pada artificial neural network Dataset yang digunakan berasal dari UCI Machine Learning dengan data HAR (Human Activity Recognition) Dataset HAR ini berisi data data sensor dari accelerometer dan gyroscope menggunakan smartphone jenis Samsung Galaxy S II yang diletakan pada pinggang Penelitian yang dilakukan menggunakan data dari sensor accelerometer dan gyroscope Dataset HAR terdiri dari dua jenis data sensor dan data yang diambil adalah sensor accelerometer dan gyroscope, pada dataset ini telah disedikan dataset untuk training dan testing
3 23 Dataset sensor accelerometer dan gyroscope didapatkan tiga buah nilai axial yaitu nilai x, y, dan z Jumlah kasus pada masing masing nilai axial tersebut adalah 7352 kasus Kasus tersebut adalah aktifitas yang dilakukan oleh volunteers berjumlah 30 volunteers Aktifitas yang dilakukan oleh volunteers yaitu berjalan, menaiki tangga, menuruni tangga, duduk, berdiri, dan tidur Dari setiap aktifitas yang dilakukan tersebut menghasilkan nilai axial nya yaitu x, y, dan z Nilai triaxial tersebut diekstrak menjadi 561 feature data yang ditampilkan pada Tabel 31 yang hanya menampilkan beberapa fitur dataset saja untuk fitur dataset yang lebih lengkapnya akan ditampilkan pada Lampiran A Tabel 3 1 Fitur Dataset Triaxial No Nama Feature No Nama Feature 1 tbodyacc-mean()-x 281 fbodyacc-sma() 2 tbodyacc-mean()-y 282 fbodyacc-energy()-x 3 tbodyacc-mean()-z 283 fbodyacc-energy()-y 4 tbodyacc-std()-x 284 fbodyacc-energy()-z 5 tbodyacc-std()-y 285 fbodyacc-iqr()-x 6 tbodyacc-std()-z 286 fbodyacc-iqr()-y 7 tbodyacc-mad()-x 287 fbodyacc-iqr()-z 8 tbodyacc-mad()-x 288 fbodyacc-entropy()-x 9 tbodyacc-mad()-z 289 fbodyacc-entropy()-y 10 tbodyacc-max()-x 290 fbodyacc-entropy()-z 11 tbodyacc-max()-y 291 fbodyacc-maxinds-x 12 tbodyacc-max()-z 292 fbodyacc-maxinds-y 13 tbodyacc-min()-x 293 fbodyacc-maxinds-z 14 tbodyacc-min()-y 294 fbodyacc-meanfreq()-x 15 tbodyacc-min()-z 295 fbodyacc-meanfreq()-y 16 tbodyacc-sma() 296 fbodyacc-meanfreq()-z 17 tbodyacc-energy()-x 297 fbodyacc-skewness()-x 18 tbodyacc-energy()-y 298 fbodyacc-kurtosis()-x 19 tbodyacc-energy()-z 299 fbodyacc-skewness()-y 20 tbodyacc-iqr()-x 300 fbodyacc-kurtosis()-y 21 tbodyacc-iqr()-y 301 fbodyacc-skewness()-z 22 tbodyacc-iqr()-z 302 fbodyacc-kurtosis()-z 23 tbodyacc-entropy()-x 303 fbodyacc-bandsenergy()-1,8 24 tbodyacc-entropy()-y 304 fbodyacc-bandsenergy()-9,16 25 tbodyacc-entropy()-z 305 fbodyacc-bandsenergy()-17,24 26 tbodyacc-arcoeff()-x,1 306 fbodyacc-bandsenergy()-25,32 27 tbodyacc-arcoeff()-x,2 307 fbodyacc-bandsenergy()-33,40 28 tbodyacc-arcoeff()-x,3 308 fbodyacc-bandsenergy()-41,48 29 tbodyacc-arcoeff()-x,4 309 fbodyacc-bandsenergy()-49,56
4 24 Tabel 3 2 Fitur Dataset Triaxial (Lanjutan) No Nama Feature No Nama Feature 30 tbodyacc-arcoeff()-y,1 310 fbodyacc-bandsenergy()-57,64 31 tbodyacc-arcoeff()-y,2 311 fbodyacc-bandsenergy()-1,16 32 tbodyacc-arcoeff()-y,3 312 fbodyacc-bandsenergy()-17,32 33 tbodyacc-arcoeff()-y,4 313 fbodyacc-bandsenergy()-33,48 34 tbodyacc-arcoeff()-z,1 314 fbodyacc-bandsenergy()-49,64 Feature dataset yang sebanyak 561 dijadikan sebagai nilai input pada algoritma neural network, nilai input pada bilangan tersebut adalah bilangan real Dataset target sensor disikan nilai menggunakan 1 dan 0 Node ouput dari algoritma artificial neural network (ANN) sebanyak aktifitas yang diklasifikasikan yaitu ada enam aktifitas yang harus diklasifikasikan Setiap aktifitas mempunyai nilai output pada setiap node ouput pada algoritma ANN yang dijabarkan pada Tabel 38 Tabel 3 3 Nilai Target Output Aktifitas Manusia No Aktifitas Nilai Target 1 Jalan Naik Tangga Turun Tangga Duduk Berdiri Tidur Arsitektur Artificial Neural Network Rancangan arsitektur artificial neural network ini bertujuan untuk menentukan jumlah neuron pada masing masing layer 341 Input Layer Input Layer merupakan layer untuk memasukan nilai yang digunakan untuk dipelajari oleh artificial neural network Node pada input layer disediakan sebanyak 561 node,
5 25 sesuai dengan dataset yang dihasilkan dari kedua sensor tersebut yang menghasilkan nilai feature sebanyak 561 node yang telah dijabarkan pada Tabel Hidden Layer Hidden Layer merupakan layer melakukan proses nilai input menghasilkan nilai function yang diteruskan ke layer output Node atau neuron yang disediakan pada hidden layer di penelitian ini ditentukan berdasarkan (Heaton, 2008): 1 Jumlah neuron pada hidden layer harus diantara jumlah neuron pada input layer dan jumlah neuron pada output layer 2 Jumlah neuron pada hidden layer harus 2/3 jumlah neuron pada input layer, dan ditambahkan dengan jumlah neuron pada output layer 3 Jumlah neuron pada hidden layer harus kurang dari dua kali jumlah neuron pada input layer Neuron hidden layer yang digunakan pada penelitian ini adalah menggunakan peraturan pada no 2 yaitu jumlah neuron pada hidden layer adalah 2/3 dari jumlah neuron input layer dan output layer Jumlah neuron pada hidden layer yang digunakan adalah Jumlah neuron hidden = 2 (Jumlah neuron input + jumlah neuron output) 3 Jumlah neuron hidden = 2 ( ) 3 Jumlah neuron hidden = Jumlah neuron hidden = 378 Jumlah neuron hidden layer yang digunakan sebanyak 378 neuron pada hidden layer 343 Output Layer Output Layer merupakan layer memproses nilai dari hidden layer dan menghasilkan nilai error, yang digunakan sebagai nilai untuk mengupdate nilai weight Neuron pada layer output sesuai dengan dataset target yaitu 6 buah node Pada masing masing node tersebut mengenal beberapa aktivitas manusia yaitu jalan, naik tangga, turun tangga, duduk, berdiri dan tidur
6 Rancangan Arsitektur Neural Network Berdasarkan data yang telah disebutkan maka rancangan neural network dijelaskan melalui Gambar 33 Feed Forward Y1 X1 Z1 X2 X 561 Y2 Y377 Z2 Z6 Input Layer Y378 Output Layer Hidden Layer Backward Gambar 3 2 Arsitektur Neural Network Resilient Backpropagation Gambar 33 merupakan rancangan arsitektur standar tanpa menerapkan teknik parallel di dalamnya Input pada rancangan arsitektur disesuakian banyak feature dataset dari UCI Machine Learning yaitu sebanyak 561 neuron pada input layer Pada hidden layer berdasarkan perhitungan yang telah didapatkan maka neuron pada hidden layer disediakan sebanyak 378 neuron Dan untuk output layer sesuai dengan data yang disebut pada output layer yaitu sebanyak 6 buah neuron 35 Parallel Resilient Backpropagation Parallel pada resilient backpropagation difokuskan pada waktu proses feedforward Proses feedforward untuk parallel menggunakan multithreading ini difokuskan pada bagian hidden layer Implementasi parallel resilient backpropagation maka digunakan teknologi multithreading Neuron yang berada pada bagian hidden layer akan dibagi
7 27 berdasarkan jumlah thread Penelitian yang akan dilakukan menggunakan jumlah thread dimulai dari 1 buah thread sampai 7 buah thread Pembatasan sampai 7 buah thread ini disebabkan oleh waktu karena pada pengujian yang dilakukan pada setiap arsitektur resilient backpropagation dengan parallel processing sehingga membutuhkan waktu untuk memprosesnya Pada penelitian ini difokuskan pada kecepatan waktu proses dari resilient backpropagation dalam menyelesaikan satu itreasi Waktu yang akan diambil untuk menentukan kecepatan proses tersebut akan berdasarkan pada waktu di komputer (CPU Time) 36 Rancangan Arsitektur Resilient Backpropagation Parallel Rancangan arsitektur resilient backpropagation parallel ada sebanyak tujuh buah model, berdasarkan pada thread yang digunakan yaitu dari satu buah thread sampai tujuh buah thread yang berfokus pada proses feedforward Gambar arsitektur neural network akan ditampilkan pada Gambar 33 sampai Gambar 39 Feed Forward 1 Thread Y1 X1 Z1 Y2 X2 Y377 Z2 X561 Z6 Y378 Gambar 3 3 Arsitektur Neural Network Parallel dengan 1 Thread Gambar 33 arsitektur neural network ini satu buah thread memproses sebanyak 378 neuron pada hidden layer
8 28 Feed Forward 1 Thread X1 Y1 Y188 Z1 X2 X561 Y189 Z2 Z6 Y378 2 Thread Gambar 3 4 Arsitektur Neural Network Parallel dengan 2 Thread Gambar 34 thread yang digunakan yaitu sebanyak 2 buah dan 1 buah thread memproses sebanyak 189 neuron Feed Forward X1 Y1 Y125 1 Thread Z1 X2 X561 Y126 Y251 2 Thread Y252 Y378 3 Thread Z2 Z6 Gambar 3 5 Arsitektur Neural Network Parallel dengan 3 Thread
9 29 Gambar 35 pada arsitektur neural network dibentuk 3 thread untuk memproses neuron pada hidden layer Pada masing masing thread memproses sebanyak 126 thread Feed Forward Y1 Y93 1 Thread X1 X2 X561 Y94 Y187 2 Thread Y188 Y281 3 Thread Z1 Z2 Z6 Y282 Y378 4 Thread Gambar 3 6 Arsitektur Neural Network Parallel dengan 4 Thread Gambar 36 pada arsitektur neural network ini ada 4 thread yang dibuat untuk memproses neuron yang berada pada hidden layer Pada thread 1 sampai 3 memproses sebanyak 94 neuron Pada thread 4 memproses neuron sebanyak 96 neuron, ini disebabkan jumlah total neuron yang dibagi dengan banyak thread bukan menghasilkan bilangan bulat Sehingga pada thread ke empat neuron yang diproses bertambah 2 neuron
10 30 Feed Forward Y1 Y74 1 Thread X1 Y75 Y149 2 Thread Z1 X2 X561 Y150 Y224 3 Thread Y225 Y299 4 Thread Z2 Z6 Y299 Y378 5 Thread Gambar 3 7 Arsitektur Neural Network Parallel dengan 5 Thread Gambar 38 arsitektur neural network neural network ini menggunakan 5 thread untuk memproses neuron pada hidden layer Pada thread 1 sampai 4 memproses 75 neuron, dan thread ke 5 memproses sebanyak 78 thread
11 31 Feed Forward Y1 Y62 1 Thread Y63 Y125 2 Thread X1 X2 X561 Y126 Y188 3 Thread Y189 Y251 4 Thread Z1 Z2 Z6 Y252 Y314 5 Thread Y315 Y378 6 Thread Gambar 3 8 Arsitektur Neural Network Parallel dengan 6 Thread Gambar 38 arsitektur neural network ini menggunakan 6 thread untuk memproses neuron pada hidden layer, pada masing masing thread memproses 63 neuron
12 32 Feed Forward Y1 Y53 1 Thread Y54 Y107 2 Thread X1 X2 X561 Y108 Y161 3 Thread Y162 Y205 4 Thread Y206 Y259 5 Thread Z1 Z2 Z6 Y260 Y313 6 Thread Y314 Y378 7 Thread Gambar 3 9 Arsitektur Neural Network Parallel dengan 7 Thread Gambar 39 arsitektur ini menggunakan 7 buah thread untuk memproses neuron pada hidden layer Pada masing masing thread memproses neuron sebanyak 54 neuron 37 Analisis Waktu Pembelajaran Analisa waktu training yang dilakukan berdasarkan pada CPU time Pengambilan waktu CPU time yang diambil dari setiap iterasi yang diproses Waktu yang didapat pada setiap iterasi ditotal untuk mendapatkan waktu keseluruhan pada setiap proses training resilient backpropagation
13 33 Pengujian yang dilakukan dibagi menjadi beberapa bagian berdasarkan thread yang dibentuk pada multithreading yang dijabarkan pada Tabel 34 Tabel 3 4 Pembagian Neuron Hidden Layer Berdasarkan Jumlah Thread Thread yang terbentuk Hidden Neuron pada sebuah Thread Total Neuron pada Hidden Layer Berdasarkan pada Tabel 34 hasil dari jumlah neuron hidden yang diproses pada sebuah thread menggunakan rumus sederhana yaitu Nh Nh adalah jumlah neuron pada hidden layer dibagi dengan t yaitu thread yang akan digunakan pada sebuah processor Pada penelitian ini dibentuk hanya sampai 7 thread karena terbatas sumber daya untuk memproses semua dan waktu yang dibutuhkan untuk pembelajaran tersebut t Analisa waktu yang dilakukan berdasarakan Tabel 34 yang telah dibagikan jumlah neuron berdasarkan jumlah thread maka setiap pembagian tersebut dilakukan pengujian ke dalam komputer untuk mengetahui pembagian thread mana yang cepat selesai berdasarkan pada CPU time Total waktu selesai tersebut akan diambil dari waktu selesai pada satu iterasi dan ditotal keseluruhannya sebagai contoh ada 6 iterasi dan epoch 10 maka 6 dikalikan 10 yang menghasilkan sebanyak 60 iterasi dari 60 iterasi tersebut akan dihasilkan waktu CPU time pada masing masing iterasi tersebut dimana semua waktu tersebut akan di jumlah untuk mendapatkan total waktu CPU time 38 Analisis Parallel Resilient Backpropagation Pada proses perhitungan parallel ini dijabarkan terlebih dahulu proses kerja dari algoritma resilient backpropagation secara garis besar terlebih dahulu yaitu proses kerja parallel resilient backpropagation Proses kerja parallel algoritma resilient backpropagation dijabarkan sebagai berikut: 1 Pengisian data awal Pada bagian ini memasukan data berupa weight dan input data yang digunakan untuk melakukan training
14 34 2 Proses feedforward Pada proses feedforward pada masing masing thread yang dibentuk mengeksekusi neuron neuron yang telah ditetapkan pada masing masing thread Setelah nilai function pada masing masing neuron di hidden layer telah terkumpul, maka dilanjutkan ke output layer Pada output layer setiap neuron pada output layer menerima jumlah dari nilai function neuron pada hidden layer dikalikan dengan weight yang menuju ke neuron output layer Setelah itu nilai function output dikurangi dengan nilai target untuk mendapatkan nilai error 3 Proses backward Pada proses backward dari nilai error yang dihasilkan dari output layer akan digunakan sebagai penentuan learning rate yang digunakan untuk melakukan update weight dari output layer ke hidden layer dan ini sama juga dengan melakukan update weight dari hidden layer menuju ke output layer Pada proses diatas setelah mencapai proses backward maka balik ke proses feedforward dan dilakukan secara berulang ulang berdasarkan pada nilai epoch yang ditetapkan ataupun berdasarkan nilai error yang telah ditetapkan sampai proses pembelajaran tersebut selesai Proses perhitungan algoritma resilient backpropagation ditunjukan sebagai berikut Pada proses perhitungan ini hanya menggunakan 6 input saja untuk memudahkan perhitungan yang dilakukan Arsitektur yang ditetapkan adalah yaitu 6 neuron pada input layer, 8 neuron pada hidden layer, dan 6 neuron pada output layer Pada hidden layer menggunakan 2 thread, jadi pada 1 thread terdapat 4 neuron Nilai input ditampilkan pada Tabel 35 berserta dengan targetnya Tabel 3 5 Nilai Input dan Target Iterasi X1 X2 X3 X4 X5 X6 Target 1-0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,
15 35 Nilai masing masing weight neuron dari input layer ke hidden layer ditunjukan pada Tabel 36 Tabel 3 6 Nilai Weight dari Input Layer ke Hidden Layer W1 W2 W3 W4 W5 W6 Neuron Neuron Neuron Neuron Neuron Neuron Neuron Neuron Nilai masing masing weight neuron dari hidden layer ke output layer ditunjukan pada Tabel 37 Tabel 3 7 Nilai Weight dari Hidden Layer ke Output Layer W1 W2 W3 W4 W5 W6 W7 W8 Neuron Neuron Neuron Neuron Neuron Neuron Proses perhitungan dibagi menjadi 2 thread Pada thread pertama memproses neuron 1 sampai neuron 4, sedangkan thread kedua memproses neuron 5 sampai neuron 6 Thread tersebut akan berjalan secara bersamaan dan proses perhitungan adalah sebagai berikut: Proses perhitungan pada thread 1 Ny1 = ( ) + ( ) + ( ) + ( ) + ( ) + ( ) = f(ny1) = e Nh1 = 1 = e ( )
16 36 Ny2 = ( ) + ( ) + ( ) + ( ) + ( ) + ( ) = f(ny2) = e Nh1 = 1 = e ( ) Ny3 = ( ) + ( ) + ( ) + ( ) + ( ) + ( ) = f(ny3) = e Nh1 = 1 = e ( ) Ny4 = ( ) + ( ) + ( ) + ( ) + ( ) + ( ) = f(ny4) = e Nh1 = 1 = e ( ) Proses perhitungan pada thread 2 Ny5 = ( ) + ( ) + ( ) + ( ) + ( ) + ( ) = f(ny5) = e Nh1 = 1 = e ( ) Ny6 = ( ) + ( ) + ( ) + ( ) + ( ) + ( ) =
17 37 f(ny6) = e Nh1 = 1 = e ( ) Ny7 = ( ) + ( ) + ( ) + ( ) + ( ) + ( ) = f(ny7) = e Nh1 = 1 = e ( ) Ny8 = ( ) + ( ) + ( ) + ( ) + ( ) + ( ) = f(ny8) = e Nh1 = 1 = e ( ) Nilai function neuron pada hidden layer dijabarkan pada Tabel 38 Threa d 1 Threa d 2 Tabel 3 8 Nilai Function Neuron pada Hidden Layer f(ny1) f(ny2) f(ny3) f(ny4) f(ny5) f(ny6) f(ny7) f(ny8) Nilai function yang telah dihasilkan dari hidden layer pada masing masing thread dilanjutkan ke output layer Proses perhitungan hidden layer ke output layer disajikan sebagai berikut Nz1 = ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) =
18 38 f(nz1) = e No1 = 1 = e ( ) e o (Nz1) = y target (Nz1) f(nz1) = = δ o (Nz1) = f(nz1) [1 f(nz1)] e o (Nz1) = [ ] = Nz2 = ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) = f(nz2) = e Nz2 = 1 = e ( ) e o (Nz2) = y target (Nz2) f(nz2) = = δ o (Nz2) = f(nz2) [1 f(nz2)] e o (Nz2) = [ ] =
19 39 Nz3 = ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) = f(nz3) = e Nz3 = 1 = e ( ) e o (Nz3) = y target (Nz3) f(nz3) = = δ o (Nz3) = f(nz3) [1 f(nz3)] e o (Nz3) = [ ] = Nz4 = ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) = f(nz4) = e Nz4 = 1 = e ( ) e o (Nz4) = y target (Nz4) f(nz4) = =
20 40 δ o (Nz4) = f(nz4) [1 f(nz4)] e o (Nz4) = [ ] = Nz5 = ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) = f(nz5) = e Nz5 = 1 = e ( ) e o (Nz5) = y target (Nz5) f(nz5) = = δ o (Nz5) = f(nz5) [1 f(nz5)] e o (Nz5) = [ ] = Nz6 = ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) + ( ) = f(nz6) = e Nz6 = 1 = e ( )
21 41 e o (Nz6) = y target (Nz6) f(nz6) = = δ o (Nz5) = f(nz5) [1 f(nz5)] e o (Nz5) = [ ] = Nilai function neuron pada output layer ditampilkan pada Tabel 39 Tabel 3 9 Nilai Function, Error, dan Gradien Error Neuron Output Layer Neuron Function Error Gradien Error Nilai gradien error yang telah didapatkan pada masing masing neuron output layer, dilanjutkan ke fase backward yaitu melakukan update weight pada jaringan neural network tersebut Update weight yang pertama kali dimulai dari weight hidden layer ke output layer Resilient backpropagation menggunakan nilai gradien error untuk menentukan learning rate yang akan digunakan dan menentukan delta weight apakah ditambah atau dikurangi pada waktu melakukan update weight tersebut, jika gradien error lebih besar dari 0 maka nilai weight ditambah dengan nilai delta dan sebaliknya jika nilai gradien error lebih kecil dari 0 maka nilai weight akan dikurangi dengan nilai weight Karena ini merupakan iterasi yang pertama maka gradien error terdahulu diberi nilai 0 dan dikalikan dengan nilai gradien error output sekarang, maka dilanjutkan ke perhitungan update weight dengan penjabaran sebagai berikut wo1 = sign( ) 01 = 01 wo 11 = ( 01) = wo 12 = ( 01) = wo 13 = ( 01) = wo 14 = ( 01) =
22 42 wo 15 = ( 01) = wo 16 = ( 01) = wo 17 = ( 01) = wo 18 = ( 01) = Proses perhitungan tersebut dilanjutkan sampai neuron output ke enam dan hasil dari weight tersebut disajikan pada Tabel 310 Neuron 1 Neuron 2 Neuron 3 Neuron 4 Neuron 5 Neuron 6 Tabel 3 10 Nilai Weight Baru dari Hidden Layer ke Output Layer W1 W2 W3 W4 W5 W6 W7 W Setelah mengupdate weight hidden layer menuju ke output layer, maka dilanjutkan ke bagian weight input layer ke hidden layer Untuk mengupdate weight tersebut diperlukan gradien error pada setiap neuron di hidden layer, maka perhitungan sebagai berikut δ h (Ny1) = f(ny1) [1 f(ny1)] δ o (p) w 1o (p) l o=1 = [ ] (( ) + ( ) + ( ) + ( ) + ( ) + ( )) =
23 43 δ h (Ny2) = f(ny2) [1 f(ny2)] δ o (p) w 2o (p) l o=1 = [ ] (( ) + ( ) + ( ) + ( ) + ( ) + ( )) = δ h (Ny3) = f(ny3) [1 f(ny3)] δ o (p) w 3o (p) l o=1 = [ ] (( ) + ( ) + ( ) + ( ) + ( ) + ( )) = δ h (Ny4) = f(ny4) [1 f(ny4)] δ o (p) w 4o (p) l o=1 = [ ] (( ) + ( ) + ( ) + ( ) + ( ) + ( )) =
24 44 δ h (Ny5) = f(ny5) [1 f(ny5)] δ o (p) w 5o (p) l o=1 = [ ] (( ) + ( ) + ( ) + ( ) + ( ) + ( )) = δ h (Ny6) = f(ny6) [1 f(ny6)] δ o (p) w 6o (p) l o=1 = [ ] (( ) + ( ) + ( ) + ( ) + ( ) + ( )) = δ h (Ny7) = f(ny7) [1 f(ny7)] δ o (p) w 7o (p) l o=1 = [ ] (( ) + ( ) + ( ) + ( ) + ( ) + ( )) =
25 45 δ h (Ny8) = f(ny8) [1 f(ny8)] δ o (p) w 8o (p) l o=1 = [ ] (( ) + ( ) + ( ) + ( ) + ( ) + ( )) = Nilai gradien error neuron pada hidden layer ditampilkan pada Tabel 311 Tabel 3 11 Nilai Gradien Error Neuron pada Hidden Layer Neuron Nilai Gradien Error Setelah didapatkan nilai gradien error masing masing neuron pada hidden layer, maka dilanjutkan ke update weight yang berada diantara input layer dan hidden layer Perhitungan update weight untuk hidden layer sama dengan update weight pada output layer dengan perhitungan sebagai berikut wh1 = sign( ) 01 = 01 wh 11 = ( 01) = wh 12 = ( 01) = wh 13 = ( 01) =
26 46 wh 14 = ( 01) = wh 15 = ( 01) = wh 16 = ( 01) = Proses perhitungan update weight tersebut dilanjutkan sampai neuron ke 8 dan hasil update weight tersebut akan ditampilkan pada tabel 312 Tabel 3 12 Nilai Weight Baru dari Input Layer ke Hidden Layer W1 W2 W3 W4 W5 W6 Neuron Neuron Neuron Neuron Neuron Neuron Neuron Neuron Setelah didapatkan nilai weight baru dari iterasi pertama maka dilanjutkan ke iterasi berikutnya sampai ke iterasi ke enam, lalu setelah semua iterasi selesai maka diulangi sampai nilai error mendekati dengan nilai nol 38 CPU Time untuk Parallel Processing Analisis CPU Time jaringan arsitektur neural network parallel processing ini difokuskan pada setiap iterasi yang diproses oleh jaringn neural network Hasil CPU Time yang dihasilkan adalah waktu per iterasi, dan total CPU Time pemebelajaran aka didapatkan dari total dari seluruh iterasi n T = I i 31 T adalah total waktu jaringan neural network I i adalah waktu iterasi Waktu yang dihasilkan sebanyak 7 total waktu dari masing masing thread yang diuji Pengujian yang dilakukan adalah sebanyak 3 kali ini dilakukan karena hasil CPU Time yang dihasilkan tidaklah sama pada setiap waktu karena tergantung pada proses komputer tersebut, sehinga harus dilakukan tiga kali pengujian untuk memastikan jumlah thread yang cepat melakukan pembelajaran neural network Pengujian yang dilakukan i=1
27 47 sebanyak tiga kali maka harus dicari rata rata nilai tersebut dengan menggunakan rumus sebagai berikut: RT = 3 i=1 T i RT adalah merupakan rata rata waktu, dan i=1 T i merupakan jumlah total dari 3 pengujian tersebut dan dibagi dengan banyak pengujian tersebut dilakukan yaitu
28 BAB 4 HASIL DAN PEMBAHASAN 41 Pendahuluan Pada bab ini menjelaskan hasil penelitian dari penerapan parallel processing ke dalam resilient backpropagation terhadap waktu training yang dihasilkan Dataset tersebut diambil sample hanya 100 kasus, nilai iterasi yaitu 100 dan nilai epoch yaitu 200 Analisis waktu pelatihan resilient backpropagation dengan penerapan parallel processing berdasarkan pada CPU time, pada setiap iterasi dihasilkan CPU time ini digunakan sebagai total keseluruhan waktu proses pembelajaran tersebut dimulai sampai proses pembelajaran tersebut selesai 42 Peralatan Pengujian Hardware yang digunakan dalam pengujian adalah 1 buah komputer dengan speksifikasi: 1 Processor Core i3 2 Ram 1 GB Software yang digunakan dalam penelitian ini adalah: 1 Sistem Operasi : Windows 7 Profesional 2 Bahasa Pemograman : Python Hasil Penelitian Dalam melakukan pengujian ini dilakukan sebanyak 7 pengujian berdasarkan jumlah thread yang telah ditentukan pada metode penelitian Pengujian yang dilakukan ini berdasarkan banyak thread yang digunakan pada arsitektur neural network Pengujian yang diberikan dilakukan sebanyak tiga kali testing untuk mendapatkan waktu rata rata pada ketujuh pengujian tersebut
29 49 Hasil proses update weight pada penelitian ini akan ditampilkan dalam tabel 41 sebagai berikut Iterasi Tabel 4 1 Proses update weight berserta dengan CPU Time / iterasi Weight Hidden Weight Output CPU Time W1 W2 W3 W1 W2 W3 1 thread 3 thread 5 thread 7 thread 1-4, , , , , , ,5288 1, ,4508 1, , , , , , , ,3416 1, ,3416 1, , , , , , , ,3728 1, ,3416 1, , , , , , , ,3572 1, ,3416 1, , , , , , , ,3728 1, ,2948 1, , , , , , , ,3884 1, ,2168 1, , , , , , , ,4352 1, , ,248 Pada Tabel 41 hanya mengambil beberapa sampel untuk bagian weight untuk hidden dan weight output, demikian pada CPU Time nya Pengambilan sample ini disebabkan total weight yang cukup banyak yaitu proses dari input layer ke hidden layer ada sebanyak weight pada hidden layer ke output layer ada sebanyak 2268 weight Hasil waktu dari algoritma resilient backpropagation dengan menggunakan teknik parallel processing menggunakan threading ditampilkan dalam bentuk tabel, hasil pengujian dilakukan sebanyak tiga kali sehingga ditampilkan tiga bentuk tabel pengujian dengan bentuk pengujian yang sama yaitu pada setiap tabel akan menampilkan tujuh bagian yang diselesaikan oleh masing masing thread bertujuan untuk mengetahui waktu yang diselesaikan pada masing masing thread dan dibandingkan thread manakah yang memiliki waktu proses yang paling cepat selesai Pengujian pada pertama kali resilient backpropagation disajikan dalam Tabel 42 dan Tabel 43 sebagai lanjutannya Tabel 4 2 Hasil Pengujian I Resilient Backpropagation Parallel Multithreading Thread Waktu Selesai Rata Rata Waktu Iterasi / detik / detik / detik / detik / detik / detik / detik / detik
30 50 Tabel 4 3 Hasil Pengujian I Resilient Backpropagation Parallel Multithreading (lanjutan) Thread Waktu Selesai Rata Rata Waktu Iterasi / detik / detik / detik / detik / detik / detik Tabel 42 dan Tabel 43 menunjukan pada pengujian pertama kali mendapatkan bahwa dengan menggunakan 3 buah thread pada arsitektur neural network resilient backpropagation pada dapat diselesaikan dalam waktu 23914, / detik atau 6, jam Sedangkan pada pada proses yang menggunakan 1 buah thread dan 7 buah thread menunjukan hasil yang hampir sama yaitu 27293, / detik untuk 1 buah thread dan 27292, / detik untuk 7 buah thread, hanya menunjukan perbedaan 1 detik saja Pada tabel 41 pada pengujian pertama ini menunjukan terjadi kecepatan penyelesaian yang dimulai dari penggunaan 1 buah thread sampai 3 buah thread tapi setelah 4 buah thread menunjukan perlambatan waktu penyelesaian dan ini terjadi pada terus pada 5 buah thread sampai 7 buah thread Untuk hasil visual dari peningkatan kecepatan pada penggunaan thread ditunjukan pada Gambar CPU Time / detik Thread Gambar 4 1 Grafik Peningkatan Kecepatan Waktu Berdasarkan Peningkatan Jumlah Thread Pengujian I Pada pengujian yang kedua menunjukan hasil sama pada pengujian pertama yaitu 3 buah thread cepat dalam penyelsaian tapi berbeda waktu penyelesaiannya pada pengujian yang pertama yaitu pada pengujian yang pertama menunjukan CPU time
31 51 yang diselesaikan 23914, / detik pada pengujian yang kedua waktu penyelesaiannya 23910, / detik, lebih cepat 4 detik dalam penyelesaian waktunya Hasil dari pengujian yang kedua ini ditampilkan dalam Tabel 44 dan untuk grafik ditampilkan pada Gambar 42 Tabel 4 4 Hasil Pengujian II Resilient Backpropagation Parallel Multithreading Thread Waktu Selesai Rata Rata Waktu Iterasi / detik / detik / detik / detik / detik / detik / detik / detik / detik / detik / detik / detik / detik / detik CPU Time / detik Thread Gambar 4 2 Grafik Peningkatan Kecepatan Waktu Berdasarkan Peningkatan Jumlah Thread Pengujian II Pada pengujian yang ketiga menampilkan hasil sama yaitu dengan menggunakan 3 buah thread pada arsitektur neural network resilient backpropagation menunjukan kecepatan waktu penyelesaian yang lebih cepat daripada thread lainnya, tetapi waktu penyelesaian berbeda pada yaitu pada pengujian ketiga waktu diselesaikn dalam / detik, penggujian kedua waktu penyelesaiannya / detik, dan pengujian pertama waktu penyelesaiannya
32 / detik Hasil pengujian ini akan ditampilkan pada Tabel 45 dan untuk grafik waktu akan ditampilkan pada Gambar 43 Tabel 4 5 Hasil Pengujian III Resilient Backpropagation Parallel Multithreading Thread Waktu Selesai Rata Rata Waktu Iterasi / detik / detik / detik / detik / detik / detik / detik / detik / detik / detik / detik / detik / detik / detik CPU Time / detik Thread Gambar 4 3 Grafik Peningkatan Kecepatan Waktu Berdasarkan Peningkatan Jumlah Thread Pengujian II Hasil pengujian pada Tabel 41, Tabel 42, dan Tabel 43 menunjukan hasil waktu yang bervariasi Karena hasil yang bervariasi maka ketiga pengujian tersebut digabungkan dengan rata rata waktu penyelesaian dari hasil pengujian tersebut Hasil pengujian yang telah ditampilkan digabungkan menjadi sebuah tabel dengan menjumlahkan waktu selesai dari masing masing proses dan hasil penjumlahan dibagi dengan banyak pengujian tersebut Rata Rata Waktu = n i=1 w i n
33 53 Hasil rata rata pengujian tersebut ditunjukan pada Tabel 46 sebagai berikut Tabel 4 6 Hasil Pengujian Rata Rata Resilient Backpropagation Parallel Multithreading Rata Rata Waktu Iterasi / Thread Waktu Selesai / detik detik , , , , , , , , , , , , , , Pada pengujian pertama sampai pengujian ketiga bahwa dengan menggunakan 3 thread pada arsitektur neural network menunjukan waktu proses pembelajaran pada jaringan tersebut lebih dibandingkan dengan enam pengujian thread lainnya Pada pengabungan waktu berfungsi untuk melihat hasil rata rata waktu penyelesaian masing masing thread pada tiga pengujian tersebut Hasil tampilan grafik waktu rata rata waktu tersebut ditampilkan pada Gambar CPU Time / second Thread Gambar 4 4 Grafik Rata Rata Waktu Selesai Pembelajaran Resilient Backpropagation Hasil penelitian yang telah dilakukan pada (Stubbemann, Kramer, & Treiber, 2015)bagian diatas menunjukan 3 buah thread membantu dalam mempercepat waktu training, dengan jumlah neuroan pada hidden layer sebanyak 378 neuron
34 54 44 Pembahasan Hasil pengujian yang telah dilakukan mendapatkan bahwa jaringan neural network yaitu resilient backpropagation dengan menambahkan teknik parallel processing yang diimplementasikan menggunakan multithreading menunjukan membantu kinerja pembelajaran dari jaringan neural network resilient backpropagation Ini ditunjukan dari hasil rata rata waktu pengujian kecepatan pembelajaran yaitu dibuktikan dari thread 1 sampai thread 3 didapatkan penurunan waktu ini menunjukan kecepatan pembelajaran thread 3 lebih cepat dari pada thread 1 dan thread 2 Tetapi thread 4 menunjukan waktu yang berangsur angsur naik sampai thread ke 7, ini menunjukan waktu pembelajaran menjadi lebih lambat Penurunan kecepatan yang dimulai dari penggunaan 4 buah thread ini dapat disebabkan oleh kemampuan hardware yang digunakan dan pergantian antar thread yang terjadi Pengunaan hardware yaitu Core i3 dengan dua core pada masing masing core dapat menjalankan 2 thread sekaligus, karena kemampuan ini dapat memproses 4 thread pada waktu yang bersamaan Proses pada jaringan neural network menggunakan parallel processing dengan teknik multithreading, pada 1 thread maka yang terjadi ada adanya penggunaan 2 thread yaitu 1 thread untuk memproses semua neuron pada hidden layer dan 1 thread sebagai melakukan pengecekan terhadap proses neuron pada hidden layer apakah sudah selesai semua Pada saat 2 thread maka yang terjadi adalah pembentukan sebanyak 2 thread untuk memproses neuron pada hidden layer dan 1 thread sebagai pengecekannya Pada saat 3 thread maka yang berjalan adalah 4 thread yaitu 3 thread memproses neuron pada hidden layer dan 1 thread sebagai pengecekan Pada setiap thread yang digunakan maka ditambah satu thread sebagai pengecekan proses pada hidden layer Oleh sebab itu pemanfaatan thread yang paling optimal adalah 3 thread karena penggunaan seluruh kemampuan hardware Tetapi pada saat penggunaan 4 thread maka yang terjadi adalah pengantian proses antar thread yaitu thread diproses secara bergantian pada hardware secara berulang ulang sampai proses tersebut selesai Oleh sebab itu terjadi kenaikan waktu proses karena perpindahaan antar thread tersebut
35 BAB 5 KESIMPULAN DAN SARAN 51 Kesimpulan Kesimpulan dari hasil penelitian yang dilakukan yaitu: 1 Parallel processing menggunakan multithreading yang diterapakan ke dalam arsitektur resilient backpropagation membantu kinerja waktu pembelajaran resilient backpropagation dengan hanya memanfaatkan 3 thread pada kasus pengenalan aktifitas manusia 2 Pengunaan lebih dari 3 thread pada arsitektur resilient backpropagation menyebabkan penurunan waktu pembelajaran yaitu lebih lambat, ini disebabkan oleh terjadi proses perpindahaan antar thread sehingga terjadi penambahaan waktu pada setiap perpindahaan thread tersebut 52 Saran Saran yang diberikan oleh penulis adalah sebagai berikut: 1 Penggunaan parallel dengan multithreading terhadap arsitektur resilient backpropagation harus memperhatikan jumlah thread yang dapat diproses pada waktu bersamaan pada sebuah CPU karena ini berpengaruh terhadap eksekusi thread yang dapat menyebabkan waktu delay pada perpindahaan antar thread tersebut 2 Untuk meningkatkan kemampuan parallel processing pada arsitektur resilient backpropagation dapat menggunakan multiprocessor yaitu menggunakan beberapa processor pada waktu bersamaan
ANALISIS PENGGUNAAN PARALLEL PROCESSING MULTITHREADING PADA RESILIENT BACKPROPAGATION
ANALISIS PENGGUNAAN PARALLEL PROCESSING MULTITHREADING PADA RESILIENT BACKPROPAGATION Kelvin Onggrono, Tulus, Erna Budhiarti Nababan Magister Teknik Informatika, Universitas Sumatera Utara Jl Universitas
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 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 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 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 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 terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Kerangka berpikir Perubahan nilai tukar rupiah terhadap mata uang asing tidak dapat dihindari. Untuk mengatasi perubahan yang tidak pasti ini diperlukan suatu prediksi.
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 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 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 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 terperinciParalelisasi Transformasi Fourier pada Arsitektur General Purpose Graphic Processing Unit Untuk Klasifikasi Alat Musik Dengan Instrumen Solo
Paralelisasi Transformasi Fourier pada Arsitektur General Purpose Graphic Processing Unit Untuk Klasifikasi Alat Musik Dengan Instrumen Solo Ridwan Rismanto 5109201049 DOSEN PEMBIMBING Dr. Nanik Suciati,
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 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 terperinciBAB 4 IMPLEMENTASI. minimum 2 Giga Hertz dan memory RAM minimum 256 MB, sedangkan untuk
74 BAB 4 IMPLEMENTASI 4.1 Spesifikasi Kebutuhan Sarana Untuk menjalankan training dalam program peramalan ini diperlukan spesifikasi Hardware dengan prosesor minimum setingkat Intel Pentium IV dengan kecepatan
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 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 terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
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 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 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 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 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 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 terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
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 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 3 METODE PERANCANGAN
BAB 3 METODE PERANCANGAN 3.1 Konsep dan Pendekatan Tujuan utama yang ingin dicapai dalam pengenalan objek 3 dimensi adalah kemampuan untuk mengenali suatu objek dalam kondisi beragam. Salah satu faktor
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
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 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 terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output
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 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 terperinciABSTRAKSI I. PENDAHULUAN
ABSTRAKSI Back Propagation merupakan teknik yang sering digunakan untuk generalisasi pada Delta Rule. Delta Rule merupakan aturan yang berdasarkan pada ide sederhana yaitu secara berkesinambungan memodifikasi
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 terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Piranti yang digunakan untuk pelatihan maupun pengujian sistem terdiri dari perangkat keras dan perangkat lunak. 4.1.1 Perangkat Keras Perangkat keras
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini akan dibahas mengenai teori-teori pendukung pada penelitian ini. Adapun teori tersebut yaitu teori jaringan saraf tiruan dan algoritma backpropragation. 2.1. Jaringan Saraf
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 terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Desain Perangkat Keras Yang Dikembangkan. Gambar 8. Secara umum sistem perangkat keras telah berhasil dikembangkan sesuai desain dalam Gambar 8. Desain perangkat keras
Lebih terperinciAplikasi Jaringan Saraf Tiruan Sebagai Penterjemah Karakter Braille Ke Bentuk Abjad
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Aplikasi Jaringan Saraf Tiruan Sebagai Penterjemah
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
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 terperinciPENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN MODEL PROPAGASI BALIK
ABSTRAK PENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN Dosen Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Pada penelitian ini dibuat sebuah sistem pengenalan suara manusia dengan
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 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 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 terperinciUKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Memprediksi situasi dalam suatu bisnis perdagangan merupakan suatu aspek yang sangat penting untuk menjaga dan memajukan bisnis tersebut. Informasi naik-turunnya
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 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 I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Artificial Neural Network atau jaringan syaraf tiruan merupakan bidang yang sangat berkembang saat ini. Pemanfaatan teknologi mesin dan computer yang tidak terbatas
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 terperinciBAB 4 ANALISA DAN BAHASAN
BAB 4 ANALISA DAN BAHASAN 4.1 Spesifikasi Sistem Sistem pengenalan objek 3 dimensi terbagi atas perangkat keras dan perangkat lunak. Spesifikasi sistem baik perangkat keras maupun lunak pada proses perancangan
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil Tahun 2006/2007 ANALISIS DAN PERANCANGAN PERANGKAT LUNAK PENGENALAN JENIS ALAT MUSIK BERDASARKAN SUMBER SUARANYA
Lebih terperinciPENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS ALGORITMA RESILIENT PROPAGATION
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS ALGORITMA RESILIENT PROPAGATION Disusun oleh : Nama : Robin Panjaitan NRP : 0622017 Jurusan Teknik Elektro, Fakultas
Lebih terperinciBAB II DASAR TEORI. 2.1 Citra Digital
BAB II DASAR TEORI 2.1 Citra Digital Citra digital didefinisikan sebagai fungsi f (x,y) dua dimensi,dimana x dan y adalah koordinat spasial dan f(x,y) adalah disebut dengan intensitas atau tingkat keabuan
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 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 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 terperinciTujuan Penelitian Tujuan penelitian ini adalah untuk melakukan deteksi penyakit pada daun rose dengan menggunakan metode ANN.
Laporan Akhir Projek PPCD Deteksi Penyakit Daun Menggunakan Artificial Neural Network (ANN) TRI SONY(G64130020), GISHELLA ERDYANING (G64130040), AMALIYA SUKMA RAGIL PRISTIYANTO (G64130044), MUHAMMAD RIZQI
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 terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciProgram Pilihan Ganda Sederhana dengan Java
Program Pilihan Ganda Sederhana dengan Java Posted by Lita Nurlaelati 1:25 PM Programming Kali ini admin berbagi tentang membuat program Java GUI menggunakan Netbeans. Berikut langkah - langkahnya : Buat
Lebih terperinciBAB I PENDAHULUAN. Machine learning (ML), bagian dari kecerdasan buatan (artificial
BAB I PENDAHULUAN 1. 1.1. Latar Belakang Machine learning (ML), bagian dari kecerdasan buatan (artificial intelligence), merupakan metode untuk mengoptimalkan performa dari sistem dengan mempelajari data
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 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 Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan Support Vector Backpropagation. Pembahasan bertujuan untuk menguraikan teori dan algoritma yang digunakan dalam
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 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 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 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 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 terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER
BAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER Dalam analisis dan perancangan sistem program aplikasi ini, disajikan mengenai analisis kebutuhan sistem yang digunakan, diagram
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 terperinciANALISIS DAN IMPLEMENTASI APLIKASI PENGENALAN SUARA MENJADI TEKS MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION
ANALISIS DAN IMPLEMENTASI APLIKASI PENGENALAN SUARA MENJADI TEKS MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION ANALYSIS AND IMPLEMENTATION OF SPEECH TO TEXT APPLICATION USING BACKPROPAGATION
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 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 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Permainan catur cina, yang dikenal sebagai xiang qi dalam bahasa mandarin, merupakan sebuah permainan catur traditional yang memiliki jumlah 32 biji catur. Setiap
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada masa sekarang ini komputer memiliki peran yang cukup besar dalam membantu menyelesaikan pekerjaan manusia. Seiring dengan perkembangan teknologi dan kecerdasan
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Penelitian Penelitian mengenai peningkatan kecepatan prediksi produksi susu sapi ini menggunakan metode eksperimen dengan metode sebagai berikut: a. Pengumpulan data
Lebih terperinciBAB 3 PERANCANGAN PROGAM
28 BAB 3 PERANCANGAN PROGAM Pada bab 3 ini menjelaskan bagaimana cara perancangan dari aplikasi peramalan pasien demam berdarah ini baik perancangan sistem maupuun perancangan database yang menjadi pukung
Lebih terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
Lebih terperinciPENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN
PENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN NEURAL NETWORK DAN PEMROSESAN AWAL THINNING ZHANG SUEN Chairisni Lubis 1) Yuliana Soegianto 2) 1) Fakultas Teknologi Informasi Universitas Tarumanagara Jl. S.Parman
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 terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Implementasi 4.1.1 Spesifikasi Sistem Adapun spesifikasi komputer yang digunakan pada aplikasi penelitian pengenalan ekspresi wajah ini seperti pada tabel Tabel 4.1 Spesifikasi
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 terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Penelitian pada karya akhir ini membahas mengenai pengembangan model Artificial Neural Network serta menganalisa kemampuan Artificial Neural Network sebagai alat peramalan. Obyek yang
Lebih terperinciBAB 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 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 HASIL DAN PEMBAHASAN
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 masin-masing komponen perangkat.
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
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 terperinci