BAB 3 METODOLOGI PENELITIAN
|
|
- Glenna Darmali
- 6 tahun lalu
- Tontonan:
Transkripsi
1 34 BAB 3 METODOLOGI PENELITIAN 3.1. Pendahuluan Pengenalan pola (pattern recognition) adalah proses klasifikasi dari suatu objek atau pola menjadi beberapa kategori atau kelas, yang mana bertujuan untuk memberikan informasi. Pola merupakan bentuk atau model yang dapat dipakai untuk membuat atau menghasilkan suatu bagian dari sesuatu yang ingin dikenal. Salah satu pendekatan pengenalan pola adalah dengan mneggunakan jaringan syaraf tiruan, yang mana jaringan syaraf tiruan memiliki cara kerja yang menyerupai cara kerja otak manusia. Salah satu metode jaringan syaraf tiruan adalah Learning Vector Quantiztion (LVQ), yang metode pelatihannya pada lapisan kompietitf terawasi yang akan belajar secara otamatis, untuk meningkatkan akurasi pembelajaran pada LVQ maka parameter-parameter algoritma genetika akan di-input-kan untuk pembentukkan vektor bobot awal pada LVQ Data yang Digunakan Untuk menganalisa akurasi pembelajaran pada jaringan syaraf tiruan LVQ menggunakan algoritma genetika pada pengenalan pola alfanumerik, data yang digunakan merupakan pola biner matriks 5 x 7, yang akan dibentuk ke dalam pola matriks biner berupa huruf kapital [A,, Z] dan angka [0, 9]. Jumlah data yang digunakan sebanyak 26 pola huruf alfabet dan 10 angka bertipe Arial dengan berbagai kondisi tertentu.
2 Analisa Data Analisa data pengenalan pola alfanumerik dengan pola matriks biner. Adapun tahapan pertama melakukan input data dan parameter jaringan, kemudian melakukan proses menggunakan metode jaringan syaraf tiruan Learning Vector Quantization (LVQ). Untuk menganalisa perbedaan akurasi pembelajaran dengan LVQ, dan dengan menggunakan algoritma, maka tahap kedua sebelum di-training dengan LVQ, terlebih dahulu inisialisasi vektor bobot awal LVQ dioptimalisasi dengan algoritma genetika. Untuk lebih jelas dapat dilihat pada Gambar 3.1 dan Gambar 3.2 berikut. Input Pola Matriks Input Tahap I LVQ Hitung Akurasi Pembelajaran Output Pola Matriks Output Gambar 3.1. Tahap I Pembelajaran dengan Learning Vector Quantization (LVQ) Gambar 3.1 menggambarkan proses pengenalan pola input matriks alfanumerik yang dilakukan dengan menggunakan jaringan syaraf tiruan metode LVQ secara umum. Dimana tahap ini akan diperoleh keluaran berupa pola matriks yang mnyerupai pola matriks input, sehingga dari beberapa jumlah pengenalan pola yang diuji dapat dihitung akurasi pembelajaran yang dilakukan dengan jaringan syaraf tiruan LVQ secara umum.
3 16 Input pola matriks alfanumerik Algoritma Genetika LVQ (Tentukan paramter jaringan) Hitung akurasi pembelajaran Output pola matriks alfanumerik Hitung fitness awal vektor bobot dan vektor input Seleksi (roulette wheel) Crossover (point to point) Mutasi Evaluasi fitness baru Gambar 3.2. Tahap II Pembelajaran Learning Vector Quantization (LVQ) dengan Menggunakan Algoritma Genetika Gambar 3.2 menggambarkan proses pengenalan pola matriks input alfanumerik yang dimana inisialisasi awal vektor bobot dan vektor input dilakukan dengan menggunakan algoritma genetika untuk memperoleh nilai yang optimal berdasarkan nilai fitness, selanjutnya vektor bobot dan vektor input baru akan diproses ke dalam LVQ secara umum sebagai pola matiks input. Dimana tahap ini akan diperoleh keluaran yang mnyerupai pola matriks input, sehingga dari beberapa jumlah pengenalan pola yang diuji dapat dihitung akurasi pembelajaran.
4 Learning Vector Quantization (LVQ) Arsitektur Jaringan Arsitektur jaringan algoritma LVQ terdiri dari lapisan input (input layer), lapisan kompetitif (terjadi kompetisi pada input berdasarkan kedekatan jaraknya) dan lapisan output (output layer). Bobot yang menguhubungkan lapisan input dengan lapisan kompetitif. Proses pembelajaran merupakan metode jaringan syaraf tiruan supervised (terawasi) pada lapisan kompetitif. Input akan berkompetitif untuk dapat masuk ke dalam suatu kelas. Ada beberapa variabel dari vektor input dalam penelitian ini, yaitu XX = (XX 1, 2,XX 3,,XX 35 ) dengan neuron output T 1 dan T 2 serta n vektor bobot yaitu WW = (WW 11,WW 12,WW 13,,WW105). Adapun arsitektur jaringan pada algoritma LVQ seperti pada Gambar 3.3. Bobot W 11 X 1 W 12 W 13 X 2 W 21 Input vektor W 22 W T 1 X 23 3 W 31 Output vektor W 32 X 4 W T 2 33 W 41 W 42 W 43 Jarak.. W 35_1 W 35_2 X 35 Input Layer Competitive Layer Output Layer Gambar 3.3. Arsitektur Jaringan LVQ
5 Algoritma Learning Vector Quantization (LVQ) Pembelajaran pada metode LVQ, vektor input adalah pola matriks biner yang dibentuk berupa karakter alfanumerik. Misalnya pola matriks alfanumerik adalah sebagai berikut : Start Input pola matriks [A,...Z]; [0,..9] Parameter jaringan Training LVQ Recognition LVQ Hitung akurasi pembelajaran Akurasi pembelajaran End Gambar 3.4. Algoritma LVQ
6 19 Adapun tahapan proses pelatihan dengan metode LVQ adalah sebagai berikut: 1. Input pola matiks alfanumerik [A,, Z] dan [0,, 9], dan parameter jaringan LVQ. Setiap kelas (kelas 1, kelas 2, dan kelas 3) diambil pada salah satu array vektornya dan dijadikan sebagai inisialisasi bobot (w). Sedangkan array lainnya menjadi data masukan (X). Proses ini terlebih dahulu harus membuat inisialisasi bobot (w), iterasi maksimum (epoch), error minimum (eps), dan learning rate (α). Misalnya, ada 6 data dan target 3 kelas, dan menentukan parameter misalnya nilainilai awal yang ditentukan adalah sebagai berikut : Maksimum epoch = 100 Error minimum = 0,01 Learning rate (α) = 0,05 Pengurangan learning rate (α) = 0,1 Adapun input pola matriks alfanumerik seperti pada Tabel 3.1. dan Tabel 3.2. Tabel 3.1. Pola matriks input alfanumerik Pola Matriks Input Pola Matriks Input Pola Matriks Input A A B B2 B3 C
7 Tabel 3.2. Inisialisasi Bobot dan Data Input Proses Training LVQ Input Vektor Kelas A A B B B C Tiga input pertama akan dijadikan sebagai vektor bobot seperti pada Tabel 3.3 sebagai berikut: Tabel 3.3. Data Bobot Input Vektor Kelas A B C Sedangkan tiga input sisanya akan digunakan sebagai data yang akan dilatih seperti pada Tabel 3.4. Tabel 3.4. Data Pelatihan Input Vektor Kelas A B B
8 21 2. Pelatihan jaringan syaraf tiruan Learning Vector Quantization (LVQ). Setelah menentukan inisialisa vektor bobot (w), vektor input, dan parameter-parameter jaringan LVQ, maka untuk tahap pelatihan selanjutnya adalah sebagai berikut: a. Tahap ini dilakukan selama epoch masih lebih kecil dari maksimum epoch atau learning rate (α) masih lebih besar dari error minimum. b. Setiap jarak minimum pada data input (X) terhadap setiap data bobot (w) dengan rumus: nn CC jj = XX ii ww jjjj 2 ii=1 (3.1) Dengan menggunakan palgoritma LVQ berikut adalah perhitungan dari contoh di atas: a. Epoch 1 Data pelatihan untuk vektor input A 2 : [ 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 0, 1, 0, 1, 0, 1, 1, 1, 1, 1, 1, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 0, 1, 0, 1] Dengan menggunakan persamaan (3,4), jarak pada bobot ke 1: = (0 0) 2 + (0 0) 2 + (1 1) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 1) 2 + (0 0) 2 + (0 1) 2 + (1 1) 2 + (0 1) 2 + (1 1) 2 + (0 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + = (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (0 1) 2
9 22 Jarak pada bobot ke 2: = (0 1) 2 + (0 1) 2 + (1 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 + (0 0) 2 + (1 0) 2 + (1 0) 2 + (0 1) 2 + (0 1) 2 + (1 0) 2 + (0 0) 2 + (1 0) 2 + (0 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 0) 2 + = 4 (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 Jarak pada bobot ke 3: = (0 1) 2 + (0 1) 2 + (1 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 + (0 0) 2 + (1 0) 2 + (1 0) 2 + (0 0) 2 + (0 1) 2 + (1 0) 2 + (0 0) 2 + (1 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (1 1) 2 + (1 0) 2 + (1 0) 2 + = 1,416 (1 1) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 0) 2 + (1 1) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 0) 2 + (1 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 Maka, diperoleh: Jarak terkecil pada bobot ke 1 (J = 1) Target data A 2 = 1 (T = 1) Karena T = J, maka perbaikkan vektor bobotke 1 menggunakan persamaan (3.2): ww jj (nnnnnn ) = ww jj (oooooo ) + αα xx ww jj (oooooo ) ww 11 = ww 11 + αα[xx 11 ww 11 ] = (0 0) = 0
10 23 Sehingga vektor bobot ke 1 : A 1(new) = [ ] Untuk data selanjutnya dilakukan seperti tahapan di atas, yang mana dapat dilihat pada Tabel 3.5 untuk epoch 1: Tabel 3.5. Perhitungan data berikutnya untuk epoch ke 1. Data vektor input B 2 Jarak Bobot Bobot ke Bobot ke Bobot ke-3 3 Jarak bobot terkecil Perubahan pada vektor bobot ke Jarak terkecil pada bobot ke-2, J = 2 Target data ke-5 = 2 (T = 2) Karena T = J, ww jj(nnnnnn) = ww jj(oooooo) + αα xx ww jj(oooooo)
11 24 Data vektor input B 3 Jarak Bobot Jarak terkecil pada bobot ke-2, Bobot ke Bobot ke J = 2 Target data ke-6 = 2 (T = 2) Tabel 3.5. Perhitungan data berikutnya untuk epoch ke 1. (Lanjutan) Bobot ke Jarak bobot terkecil Karena T = J ww jj(nnnnnn) = ww jj(oooooo) + αα xx ww jj(oooooo) Perubahan pada vektor bobot ke
12 25 3. Menghitung akurasi pembelajaran. Dari proses pengenalan pola dengan menggunakan jaringan syaraf tiruan Learning Vector Quantization (LVQ) dengan menggunakan algoritma genetika, dapat dianalisa dengan menggunakan persamaan berikut : % aaaaaaaaaaaaaa = JJJJ h pppppppp yyyyyyyy dddddddddddddddd bbbbbbbbbb JJJJ h pppppppp yyyyyyyy dddddddddd 100%..(3.2) Dengan menggunakan 20 data uji untuk setiap karakter alfanumerik, dan pola matriks alfanumerik yang dikenal adalah 15 pola, maka dengan menggunakan persamaan di atas dapat dihitung akurasi pembelajarannya: % aaaaaaaaaaaaaa = % = 75% 20
13 Pembelajaran LVQ dengan Algoritma Genetika Adapun algoritma analisis akurasi pembelajaran LVQ dengan menggunakan algoritma genetika adalah sebagai berikut: Start Input pola matriks [A,...Z]; [0,..9] Parameter jaringan Hitung fitness bobot vektor Optimal? No Selection Crossover Mutasi Yes Vektor bobot yang telah diproses dengan algoritma genetika Training LVQ Recognition LVQ Akurasi Pembelajaran Hitung akurasi pembelajaran End Gambar 3.5. Pembelajaran LVQ dengan Menggunakan Algoritma Genetika
14 27 1. Tetapkan vektor bobot (w) dan vektor input (x). 2. Pembentukkan parameter algoritma genetika, adalah sebagai berikut: a. Pembentukkan populasi yang diambil dari data pelatihan. Proses inisialisasi populasi awal dilakukan dengan cara memberikan nilai awal gen. Misalkan ditentukan jumlah populasi adalah 6 kromosom di mana dalam 1 kromosom terdapat 35 gen yang mewakili satu data pelatihan. Dimana terlebih dahulu dihitung nilai fitness suatu indifidu, diasumsikan biner 1 sebagai gen terbaik: ffffffffffffff = JJJJ h bbbbbbbbbb 1 dddddddddd ssssssss kkkkkkkkkkkkkkkk TTTTTTTTTT jjjj h bbbbbbbbbb 1 pppppppp ssssssssss kkkkkkkkkkkkkkkk.(3.3) Misal untuk kromosom A 1 jumlah biner 1 = 16 dan total biner 1 untuk semua kromosom 106, sehingga fitness untuk kromosom A1 : ffffffffffffff = = Maka, pembentukkan populasi awal dengan nilai fitness terbaik dapat dilihat pada Tabel 3.6. Tabel 3.6. Pembentukkan populasi awal Kromosom Gen Jlh Biner 1 Fitness Kromosom A Kromosom A Kromosom B Kromosom B Kromosom B Kromosom C Total Biner 1 Pada Semua Kromosom 106 1
15 28 b. Selection, proses seleksi dilakukan dengan cara membuat kromosom yang mempunyai fungsi objektif kecil mempunyai kemungkinan terpilih memiliki nilai probabilitas yang tinggi. Metode seleksi yang digunakan adalah roulette wheel selection. c. Crossover, untuk menghasilkan kromosom baru yang mewarisi sifat-sifat induknya. Kromosom baru berasal dari dua kromosom induk yang disilangkan. Pada proses ini menggunakan teknik point to point crossover di mana teknik ini akan melakukan persilangan pada dua titik yang ditentukan secara acak dan proses persilangan dilakukan pada seluruh kromosom yang terdapat pada individu secara acak. Kemudian dilakukan pemilihan pasangan kromosom yang akan di crossover untuk seluruh kromosom. Adapun contoh yang dapat diberikan dengan melanjutkan contoh pada proses seleksi, dapat dilihat pada Tabel 3.7 dan 3.8. d. Mutasi, pada penelitian ini digunakan meotde swapping mutation, yaitu proses pertukaran satu atau beberapa nilai gen di dalam kromosom. Jumlah kromosom yang mengalami mutasi dalam satu populasi ditentukan oleh parameter mutation rate, dimana proses ini dilakukan dengan cara menggantikan satu gen yang terpilih secara acak (random) dengan nilai baru yang didapat juga secara acak. Berikut adalah beberapa tahap proses mutasi: 1. Hitung panjang total gen yang ada dalam satu populasi. PPPPPPPPPPPPPP tttttttttt gggggg = JJJJh tttttttttt gggggg JJJJh pppppppppppppppp.. (3.4) Data yang diambil hasil dari proses crossover: PPPPPPPPPPPPPP tttttttttt gggggg = 36 6 = Hitung jumlah gen yang dimutasi dari jumlah kromosom beberapa populasi. Misal mutation rate (P m ) ditentukan 0.01 maka diharapkan ada 0.01 dari total gen yang mengalamai mutasi pada populasi tersebut: JJJJJJJJJJh gggggg yyyyyyyy dddddddddddddddd = PP mm PPPPPPjjjjjjjj tttttttttt gggggg.. (3.5) JJJJJJJJJJh gggggg yyyyyyyy dddddddddddddddd = = 2.16
16 29 Maka jumlah gen yang akan dimutasi adalah 2 gen dari populasi yang dibentuk. 3. Proses mutasi pada panjang total gen dapat dilihat pada Tabel 3.9 Tabel 3.7 Proses crossover data pelatihan Crossover Parent 1 Parent 2 A 1 X B 1 A 2 X B 2 B 3 X C Sehingga diperoleh generasi baru dari proses crossover tersebut: Tabel 3.8 Generasi baru yang dibentuk dari crossover Kromosom Baru Kromosom A 1 Kromosom A 2 Kromosom B 1 Kromosom B 2 Kromosom B 3 Kromosom C 1 Gen Fitness
17 30 Proses mutasi pada panjang total gen adalah sebagai berikut : Tabel 3.9 Generasi baru yang dibentuk dari mutasi Kromosom Baru Kromosom A 1 Kromosom A 2 Kromosom B 1 Kromosom B 2 Kromosom B 3 Kromosom C 1 Gen Gen Baru Fitness Setelah dibentuknya inisialisasi vektor bobot dan vektor input dengan menggunakan algoritma genetika, maka vektor bobot dan vektor input dimasukkan ke dalam pelatihan LVQ. Adapun tahapan proses pelatihan dengan metode LVQ sama halnya dengan tahap sebelumnya adalah sebagai berikut: 1. Sama halnya dengan proses training dengan metode jaringan syaraf tiruan LVQ yang sebelumnya, Input pola matiks alfanumerik [A,, Z] dan [0,, 9], dan parameter jaringan LVQ. Setiap kelas (kelas 1, kelas 2, dan kelas 3) diambil pada salah satu array vektornya dan dijadikan sebagai inisialisasi bobot (w). Sedangkan array lainnya menjadi data masukan (X). Proses ini terlebih dahulu harus membuat inisialisasi bobot (w), iterasi maksimum (epoch), error minimum (eps), dan learning rate (α). Misalnya, ada 6 data dan target 3 kelas, dan menentukan parameter misalnya nilai-nilai awal yang ditentukan adalah sebagai berikut :
18 31 Maksimum epoch = 100 Error minimum = 0,01 Learning rate (α) = 0,05 Pengurangan learning rate (α) = 0,1 Tabel Inisialisasi Bobot dan Data Input Proses Training LVQ Input Vektor Kelas A A B B B C Tiga input pertama akan dijadikan sebagai vektor bobot seperti pada Tabel 3.11 sebagai berikut: Tabel 3.11 Data Bobot Input Vektor Kelas A B C Sedangkan tiga input sisanya akan digunakan sebagai data yang akan dilatih seperti pada Tabel 3.12.
19 32 Tabel Data Pelatihan Input Vektor Target A B B Setelah menentukan inisialisa vektor bobot (w), vektor input, dan parameterparameter jaringan LVQ, maka untuk tahap pelatihan selanjutnya adalah sebagai berikut: a. Tahap ini dilakukan selama epoch masih lebih kecil dari maksimum epoch atau learning rate (α) masih lebih besar dari error minimum. b. Setiap jarak minimum pada data input (X) terhadap setiap data bobot (w) dengan rumus: CC jj = nn XX ii ww jjjj 2 ii=1 Dengan menggunakan palgoritma LVQ berikut adalah perhitungan dari contoh di atas: Epoch - 1 Data pelatihan untuk vektor input A 2 : [ ]
20 33 Dengan menggunakan persamaan (3,4), jarak pada bobot ke 1: = (0 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (0 0) 2 + (1 1) 2 + (0 1) 2 + (1 1) 2 + (0 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + = 0 (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (0 1) 2 Jarak pada bobot ke 2: = (0 1) 2 + (0 1) 2 + (1 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 + (0 0) 2 + (1 0) 2 + (1 0) 2 + (0 1) 2 + (0 1) 2 + (1 0) 2 + (0 0) 2 + (1 0) 2 + (0 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 1) 2 + (1 0) 2 + = 4 (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 Jarak pada bobot ke 3: = (0 1) 2 + (0 1) 2 + (1 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 + (0 0) 2 + (1 0) 2 + (1 0) 2 + (0 0) 2 + (0 1) 2 + (1 0) 2 + (0 0) 2 + (1 0) 2 + (0 0) 2 + (1 1) 2 + (1 0) 2 + (1 1) 2 + (1 0) 2 + (1 0) 2 + = (1 1) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 0) 2 + (1 1) 2 + (0 0) 2 + (0 0) 2 + (0 0) 2 + (1 0) 2 + (1 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 + (0 1) 2 Maka, diperoleh: Jarak terkecil pada bobot ke 1 (J = 1) Target data A 2 = 1 (T = 1) Karena T = J, maka perbaikkan vektor bobotke 1 menggunakan persamaan (3.2):
21 34 ww jj (nnnnnn ) = ww jj (oooooo ) + αα xx ww jj (oooooo ) ww 11 = ww 11 + αα[xx 11 ww 11 ] = (0 0) = 0 Sehingga vektor bobot ke 1 : A 1(new) = [ ] Untuk data selanjutnya dilakukan seperti tahapan di atas, yang mana dapat dilihat pada Tabel 3.13 untuk epoch 1: Tabel Perhitungan data berikutnya untuk epoch ke 1. Data vektor input B 2 Jarak Bobot Bobot ke-1 4 Bobot ke-2 0 Bobot ke Jarak bobot terkecil 0 Perubahan pada vektor bobot ke Jarak terkecil pada bobot ke-2, J = 2 Target data ke-5 = 2 (T = 2) Karena T = J, ww jj(nnnnnn) = ww jj(oooooo) + αα xx ww jj(oooooo)
22 Data vektor input B 3 Jarak Bobot Bobot ke Bobot ke Bobot ke Jarak bobot terkecil Jarak terkecil pada bobot ke-2, J = 2 Target data ke-6 = 1 (T = 1) Karena T J Perubahan pada vektor bobot ke ww jj(nnnnnn) = ww jj(oooooo) αα xx ww jj(oooooo) Menghitung akurasi pembelajaran. Sama halnya dengan tahap I dengan menggunakan jaringan syaraf tiruan Learning Vector Quantization (LVQ). Proses pengenalan pola dengan menggunakan jaringan syaraf tiruan Learning Vector Quantization (LVQ) dengan menggunakan algoritma genetika, dapat dianalisa dengan menggunakan persamaan (3.2). Misal, pengenalan
23 36 pola dengan menggunakan 20 data uji untuk setiap karakter alfanumerik, dan pola matriks alfanumerik yang dikenal adalah 17 pola, maka dengan menggunakan persamaan di atas dapat dihitung akurasi pembelajarannya: % aaaaaaaaaaaaaa = % = 85% 20
24 37 BAB 4 HASIL DAN PEMBAHASAN 4.1. Pendahuluan Proses pengujian dilakukan untuk mengetahui akurasi pembelajaran Learning Vector Quantization (LVQ) dengan menggunakan algoritma genetika pada pengenalan pola alfanumerik. Pada penelitian ini ditampilkan hasil dari akurasi pembelajaran yang dihasilkan dari bobot vektor dengan menggunakan algortima genetika yang mana bobot vektor tersebut akan dimasukkan kembali ke dalam embelajaran jaringan syaraf tiruan Learning Vector Quantization (LVQ). Penyajian hasil pengujian akan ditampilkan dalam bentuk table dan grafik Hasil Penelitian Pengujian Akurasi Pembelajaran Learning Vector Quantization (LVQ) Pada Pengenalan Pola Alfanumerik Untuk melakukan pembelajaran pada pengenalan pola alfanumerik, terlebih dahulu memenentukan bobot vektor (w), iterasi maksimum (epoch maksimum), error minimum (eps), dan learning rate (α). Pengujian berhenti apabila learning rate (α) mencapai nilai yang cukup kecil. Proses pelatihan dilakukan degan menggunakan data sebanyak 720 karakter, dengan pola biner berupa pola alfanumerik, yang terdiri dari alpabet capital [A Z] dan numeric [0 9]. Dari data tersebut diubah ke dalam pola matrik yang mana terdiri dari biner 0 dan 1. Hasil pengenalan pola ditunjukkan pada Tabel-4.1.
25 Tabel 4.1. Hasil pengenalan pola alfanumerik dengan LVQ Input Input Karakter Pola Matriks Karakter Pola Matriks A B C D E F G H
26 Tabel 4.1. Hasil pengenalan pola alfanumerik dengan LVQ (Lanjutan 1) Input Input Karakter Pola Matriks Karakter Pola Matriks I J K L M N O P
27 Tabel 4.1. Hasil pengenalan pola alfanumerik dengan LVQ (Lanjutan 2) Input Input Karakter Pola Matriks Karakter Pola Matriks Q R S T U V W X
28 Tabel 4.1. Hasil pengenalan pola alfanumerik dengan LVQ (Lanjutan 3) Input Input Karakter Pola Matriks Karakter Pola Matriks Y Z
29 Tabel 4.1. Hasil pengenalan pola alfanumerik dengan LVQ (Lanjutan 4) Input Input Karakter Pola Matriks Karakter Pola Matriks Total yang dikenali dengan menggunakan LVQ secara umum: 465 karakter Sehingga dengan menggunakan persamaan (3.5), persentase akurasi pembelajarannya adalah 65%. Dari Tabel 4.1 di atas, dengan menetapkan nilai iterasi maksimum (epoch maksimum) = 100, error minimum (eps) = 0.01, dan learning rate (α) = Maka diperoleh hasil total pengenalan pola alfanumerik yang dikenali adalah 738 karakter Sehingga dengan menggunakan persamaan (3.5), persentase akurasi pembelajarannya adalah 65%.
30 25 Pengujian Pengenalan Pola Alfanumerik dengan Learning Vector Quantization (LVQ) Gambar 4.1. Grafik Pengujian Pengenalan Pola Alfanumerik dengan Learning Vector Quantization (LVQ) Hasil Pengujian Akurasi Pembelajaran Learning Vector Quantization (LVQ) Menggunakan Algoritma Genetika Pada Pengenalan Pola Alfanumerik Untuk melakukan pembelajaran pada pengenalan pola alfanumerik dengan memasukkan parameter algoritma genetika ke dalam metode jaringan syaraf tiruan Learning Vector Quantization, terlebih dahulu memenentukan bobot vektor (w). Bobot vektor (w) diambil dari pola matriks yang dibangkitkan dari pola matriks LVQ, yang akan dijadikan input pada algoritma genetika. Pembentukkan parameter algoritma genetika yang dibentuk dibentuk dari bobot vektor LVQ, maka parameter-parameter algoritma genetika adalah sebagai berikut: 3. Tetapkan vektor bobot (w) dan vektor input (x). 4. Pembentukkan parameter algoritma genetika, adalah sebagai berikut: a. Jumlah populasi = 36 kromosom, 1 kromosom terdapat 35 gen. b. Selection, proses seleksi dilakukan dengan cara roulette wheel selection. c. Crossover, probabilitas crossover (P c ) = 0.5. d. Mutasi, probabilitas mutasi (Pm) =
31 Dengan menggunakan parameter di atas,dilakukan pengejuain sebanyak 20 kali untuk melihat nilai fitness terbaik dari vektor bobot tersebut. Selanjutnya, jika nilai fitness yang dihasilkan dengan algoritma genetika optimal dari pada sebelumnya, maka vektor bobot baru algoritma genetika akan dimasukkan sebagai vektor bobot LVQ, tetapi jika vektor bobot algoritma genetika tidak ada perubahan atau tidak optimal daripada sebelumnya maka dilakukan proses algoritma genetika kembali sampai iterasi 100. Selanjutnya, vektor bobot yang telah optimal dengan menggunakan algoritma genetika, maka ditentukan kembali tahap jaringan syaraf tiruan metode LVQ dengan menentukan iterasi maksimum (epoch maksimum), error minimum (eps), dan learning rate (α). Pengujian berhenti apabila learning rate (α) mencapai nilai yang cukup kecil. Proses pelatihan dilakukan degan menggunakan data sebanyak 720 karakter pola biner berupa pola alfanumerik, yang terdiri dari alpabet capital [A Z] dan numeric [0 9]. Dari data tersebut diubah ke dalam pola matriks yang mana terdiri dari biner 0 dan 1. Hasil pengenalan pola ditunjukkan pada Tabel 4.2. Tabel 4.2. Hasil pengenalan pola alfanumerik LVQ dengan Menggunakan Algoritma Genetika Input Input Karakter Pola Matriks Karakter Pola Matriks A B
32 Tabel 4.2. Hasil pengenalan pola alfanumerik LVQ dengan Menggunakan Algoritma Genetika (Lanjutan 1) Input Input Karakter Pola Matriks Karakter Pola Matriks C G D 17 H E I F J
33 Tabel 4.2. Hasil pengenalan pola alfanumerik LVQ dengan Menggunakan Algoritma Genetika (Lanjutan 2) Input Input Karakter Pola Matriks Karakter Pola Matriks K O L P M Q R N
34 Tabel 4.2. Karakter S T U V Hasil pengenalan pola alfanumerik LVQ dengan Menggunakan Algoritma Genetika (Lanjutan 3) Input Input Pola Matriks Karakter Pola Matriks W X Y Z
35 Tabel 4.2. Hasil pengenalan pola alfanumerik LVQ dengan Menggunakan Algoritma Genetika (Lanjutan 4) Input Input Karakter Pola Matriks Karakter Pola Matriks
36 Tabel 4.2. Karakter Hasil pengenalan pola alfanumerik LVQ dengan Menggunakan Algoritma Genetika (Lanjutan 5) Input Input Pola Matriks Karakter Pola Matriks Total yang dikenali dengan menggunakan LVQ secara umum: 474 karakter Sehingga dengan menggunakan persamaan (3.5), persentase akurasi pembelajarannya adalah 66%. Dari tabel 4.2 di atas, dengan menggunakan algoritma genetika sebagai bobot vektor yang selanjutnya bobot vektor tersebut akan digunakkan ke dalam LVQ, dan menetapkan nilai iterasi maksimum (epoch maksimum) = 100, error minimum (eps) = 0.01, dan learning rate (α) = Maka diperoleh hasil total pengenalan pola alfanumerik yang dikenali adalah 474 karakter Sehingga dengan menggunakan persamaan (3.5), persentase akurasi pembelajarannya adalah 66%.
37 25 Pengujian Pengenalan Pola Alfanumerik Learning Vector Quantization (LVQ) dengan Menggunakan Algoritma Genetika Gambar 4.2. Grafik Pengujian Pengenalan Pola Alfanumerik Learning Vector Quantization (LVQ) deng Menggunakan Algoritma Genetika 4.3. Pembahasan Penelitian Pada table 4.3 dan gambar 4.3, menyajikan perbedaan akurasi pembelajaran LVQ secara umum dan akurasi pembelajaran LVQ dengan menggunkan algoritma genetika. Dimana parameter-parameter yang digunakan adalah sebagai berikut : 1. Learning Vector Quantization (LVQ) Learning rate (α) = 0.05 Epoch maksimum = 100 Error minimum = 0.01 Pengurangan learning rate (α) = 0.1 x α 2. Algoritma Genetka Populasi = 36 Jumlah kromosom dalam 1 gen = 35 Probabiliti crossover (Pc) = 0.5 Probabilitas mutasi (Pm) = 0.001
38 Tabel 4.3. Akurasi Pembelajaran LVQ dan LVQ dengan Menggunakan Algoritma Genetika LVQ Genetika - LVQ Akurasi Karakter Akurasi Akurasi Pembelajaran Pembelajaran A 15 75% 18 90% B 10 50% 19 95% C 10 50% 10 50% D 17 85% 17 85% E 13 65% 14 70% F 16 80% 16 80% G 18 90% 16 80% H 13 65% 15 75% I 18 90% 15 75% J 8 40% 14 70% K 19 95% % L % 19 95% M 13 65% 15 75% N 16 80% 16 80% O 6 30% 14 70% P 14 70% 16 80% Q 18 90% 12 60% R 14 70% 18 90% S 18 90% 10 50% T 10 50% 4 20% U 10 50% 15 75% V 19 95% 14 70% W 19 95% 19 95%
39 Tabel 4.3. Akurasi Pembelajaran LVQ dan LVQ dengan Menggunakan Algoritma Genetika (Lanjutan) LVQ Genetika-LVQ Karakter Akurasi Akurasi Pembelajaran Pembelajaran Z 18 90% 18 90% Y 10 50% 19 95% Z 10 50% 10 50% % 16 80% % 5 25% % 6 30% % 11 55% % 8 40% % 9 45% % 1 5% % 8 40% % 9 45% % 8 40% Akurasi Pembelajaran LVQ dan LVQ Menggunakan Algoritma Genetika LVQ Genetika Gambar 4.3. Akurasi Pembelajaran LVQ dan LVQ Menggunakan Algoritma Genetika
40 Berdasarkan dari hasil analisis pengujan akurasi pembelajaran terhadap Learning Vector Quantization (LVQ) secara umum dan Learning Vector Quantization (LVQ) dengan menggunakan algoritma yang telah dilakukan penulis dari hasil pengujian terhadap data tersebut, dimana masing-masing data uji sebanyak 20 kali dengan nilai parameter pada LVQ sama, setiap tahapnya diperoleh hasil bahwa dengan menggunakan algoritma genetika sebagai inisialisasi awal bobot vektor yang mana memperoleh fitness yang optimal dibandingkan sebelumnya. Dengan menggunakan jaringan syaraf tiruan LVQ jumlah pengenalan pola alfanumerik adalah 465 pola alfanumerik, sehingga akurasi pembelajaran yang diperoleh 65%, dan dengan menggunakan algoritma genetika-lvq jumlah pengenalan pola alfanumerik adalah 474 sehingga akurasi pembelajaran yang diperoleh 66%. Kemungkinan ini disebabkan banyaknya jenis karakter atau angka yang dilatih maka presentasi akurasi pembelajaran yang dhasilkan akan semakin berkurang. Hal ini disebabkan banyaknya kareakter atau angka yang mirip. Tetapi waktu untuk mengenal polanya lebih baik dengan menggunakan jaringan syaraf tiruan LVQ yaitu ms, dibandingkan dengan LVQ menggunakan algoritma genetika ms. Ini karena disebabkan algoritma harus membandingkan nilai fittness dari sebelumnya.
41 BAB 5 KESIMPULAN DAN SARAN 5.1. Kesimpulan Berdasarkan dari penelitian yang telah dilakukan dapat diambil kesimpulan sebagai berikut: 1. Analisis pengujan akurasi pembelajaran terhadap Learning Vector Quantization (LVQ) secara umum dan Learning Vector Quantization (LVQ) dengan menggunakan algoritma yang telah dilakukan penulis dari hasil pengujian terhadap data tersebut, dimana masing-masing data uji sebanyak 20 kali dengan nilai parameter pada LVQ sama, setiap tahapnya diperoleh hasil bahwa dengan menggunakan algoritma genetika sebagai inisialisasi awal bobot vektor yang mana memperoleh fitness yang optimal dibandingkan sebelumnya, sehingga diperoleh akurasi pembalajaran yang baik yaitu 66% walau tidak signifikan, 2. Analisis akurasi pembelajaran dengan menggunakan LVQ klasik saja yaitu 65%. Kemungkinan ini disebabkan Banyaknya jenis karakter atau angka yang dilatih maka presentasi akurasi pembelajaran yang dhasilkan akan semakin berkurang. Hal ini disebabkan banyaknya kareakter atau angka yang mirip. Tetapi waktu untuk mengenal polanya lebih baik dengan menggunakan jaringan syaraf tiruan LVQ yaitu ms, dibandingkan dengan LVQ menggunakan algoritma genetika ms. Ini karena disebabkan algoritma harus membandingkan nilai fiteness dari sebelumnya.
42 5.2. Saran Adapaun saran yang diberikan pada penelitian ini adalah sebagai berikut: 1. Penelitian ini dapat dianalisis kembali dengan menggunakan parameterparameter LVQ yaitu learning rate (α), epoch maksimum, error minimum, dan pengurang learning rate (α). 2. Untuk penelitian selanjutnya dapat ditambahkan pengujian terhadap teknikteknik dari biologi evolusi, seperti Particle Swarm Optimization (PSO), sehingga memberi perbandingan terhadap algoritma genetika umum.
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciOPTICAL CHARACTER RECOGNIZATION (OCR)
LAPORAN JARINGAN SYARAF TIRUAN OPTICAL CHARACTER RECOGNIZATION (OCR) DISUSUN OLEH: DIJAS SCHWARTZ. S (524) FIRNAS NADIRMAN (481) INDAH HERAWATI (520) NORA SISKA PUTRI (511) OKTI RAHMAWATI (522) EKSTENSI
Lebih terperinciBAB III PERANCANGAN. Gambar 3.1 di bawah ini mengilustrasikan jalur pada TSP kurva terbuka jika jumlah node ada 10:
BAB III PERANCANGAN Pada bagian perancangan ini akan dipaparkan mengenai bagaimana mencari solusi pada persoalan pencarian rute terpendek dari n buah node dengan menggunakan algoritma genetika (AG). Dari
Lebih terperinciSIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION )
SIMULASI PENGENALAN TULISAN MENGGUNAKAN LVQ (LEARNING VECTOR QUANTIZATION ) Fachrul Kurniawan, Hani Nurhayati Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik
Lebih terperinciERWIEN TJIPTA WIJAYA, ST.,M.KOM
ERWIEN TJIPTA WIJAYA, ST.,M.KOM DEFINISI ALGEN adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan evolusi Dalam evolusi, individu terus menerus mengalami perubahan gen untuk
Lebih terperinciUKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Bagi seseorang yang berprofesi sebagai dokter, kesalahan diagnosis suatu penyakit akan membawa dampak yang sangat fatal bagi pasiennya. Dalam kasus ini, penulis
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciANALISIS ACCURATE LEARNING PADA LEARNING VECTOR QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA GENETIKA DALAM PENGENALAN POLA ALFANUMERIK TESIS
ANALISIS ACCURATE LEARNING PADA LEARNING VECTOR QUANTIZATION (LVQ) MENGGUNAKAN ALGORITMA GENETIKA DALAM PENGENALAN POLA ALFANUMERIK TESIS FADHILLAH AZMI 137038027 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS
Lebih terperinciALGORITMA GENETIKA. Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Disusun oleh: Achmad Basuki Politeknik Elektronika Negeri Surabaya, PENS ITS Surabaya 2003 Algoritma
Lebih terperinciSTUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA
STUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA (Agustinus N., et al. STUDI ANALISA PELATIHAN JARINGAN SYARAF TIRUAN DENGAN DAN TANPA ALGORITMA GENETIKA Agustinus Noertjahyana
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika penulisan dalam penelitian ini.
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciKomparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation
Komparasi Metode Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Syaraf Tiruan Learning Vector Quantization dan Backpropagation DOSEN PEMBIMBING Prof. Dr. Moh. Isa Irawan, M.T. Dr. Imam Mukhlash,
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinciBAB II KAJIAN PUSTAKA. Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi
BAB II KAJIAN PUSTAKA Pada bab kajian pustaka berikut ini akan dibahas beberapa materi yang meliputi graf, permasalahan optimasi, model matematika dari objek wisata di Yogyakarta, dan algoritma genetika
Lebih terperinciBAB II LANDASAN TEORI. digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam
BAB II LANDASAN TEORI 2.1 Valuta Asing Valuta asing dapat diartikan sebagai mata uang yang dikeluarkan dan digunakan sebagai alat pembayaran yang sah di negara lain. Di dalam hukum ekonomi bila terdapat
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN APLIKASI
27 BAB 3 ANALISIS DAN PERANCANGAN APLIKASI 3.1 Analisis Pada subbab ini akan diuraikan tentang analisis kebutuhan untuk menyelesaikan masalah jalur terpendek yang dirancang dengan menggunakan algoritma
Lebih terperinciBAB 2 DASAR TEORI. 2.1 Teka-Teki Silang
BAB 2 DASAR TEORI 2.1 Teka-Teki Silang Teka-teki silang atau disingkat TTS adalah suatu permainan yang mengharuskan penggunanya untuk mengisi ruang-ruang kosong dengan huruf-huruf yang membentuk sebuah
Lebih terperinciBAB III. Metode Penelitian
BAB III Metode Penelitian 3.1 Diagram Alir Penelitian Secara umum diagram alir algoritma genetika dalam penelitian ini terlihat pada Gambar 3.1. pada Algoritma genetik memberikan suatu pilihan bagi penentuan
Lebih terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih terperinciAPLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT
APLIKASI PENGENALAN POLA DAUN MENGGUNAKAN JARINGAN SYARAF LEARNING VECTOR QUANTIFICATION UNTUK PENENTUAN TANAMAN OBAT Fradika Indrawan Jurusan Teknik Informatika, Universitas Ahmad Dahlan, Yogyakarta Jl.
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka. Penelitian serupa mengenai penjadwalan matakuliah pernah dilakukan oleh penelliti yang sebelumnya dengan metode yang berbeda-neda. Berikut
Lebih terperinciOPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN
OPTIMISASI PENEMPATAN TURBIN ANGIN DI AREA LAHAN ANGIN MENGGUNAKAN ALGORITMA GENETIKA Azimatul Khulaifah 2209 105 040 Bidang Studi Sistem Tenaga Jurusan Teknik Elektro FTI ITS Dosen Pembimbing : Dosen
Lebih terperinciRancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika
1 Rancang Bangun Aplikasi Prediksi Jumlah Penumpang Kereta Api Menggunakan Algoritma Genetika Annisti Nurul Fajriyah Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
Lebih terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
Lebih terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
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 terperinciHASIL DAN PEMBAHASAN. Gambar 7 Diagram alur proses mutasi.
5 Mulai HASIL DAN PEMBAHASAN Kromosom P = rand [0,1] Ya P < Pm R = random Gen(r) dimutasi Selesai Tidak Gambar 7 Diagram alur proses mutasi. Hasil populasi baru yang terbentuk akan dievaluasi kembali dan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Konsep Umum Optimasi Optimasi merupakan suatu cara untuk menghasilkan suatu bentuk struktur yang aman dalam segi perencanaan dan menghasilkan struktur yang
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 terperinciDAFTAR ISI. Halaman Judul. Lembar Pengesahan Pembimbing. Lembar Pengesahan Penguji. Halaman Persembahan. Halaman Motto. Kata Pengantar.
DAFTAR ISI Halaman Judul i Lembar Pengesahan Pembimbing ii Lembar Pengesahan Penguji iii Halaman Persembahan iv Halaman Motto v Kata Pengantar vi Abstraksi viii Daftar Isi ix Daftar Gambar xii Daftar Tabel
Lebih 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 terperinci8. Evaluasi Solusi dan Kriteria Berhenti Perumusan Masalah METODE PENELITIAN Studi Pustaka Pembentukan Data
Gambar 4 Proses Swap Mutation. 8. Evaluasi Solusi dan Kriteria Berhenti Proses evaluasi solusi ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom sampai terpenuhi kriteria
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada penelitian machine learning banyak sekali diperbincangkan tentang perilaku belajar mesin (komputer) agar mampu belajar dan berpikir cerdas layaknya manusia yang
Lebih terperinciALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning
ALGORITMA GENETIKA Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning Achmad Basuki Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya 2003 Algoritma Genetika Algoritma
Lebih terperinciPENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA. Abstraksi
PENENTUAN JARAK TERPENDEK PADA JALUR DISTRIBUSI BARANG DI PULAU JAWA DENGAN MENGGUNAKAN ALGORITMA GENETIKA I Dewa Made Adi Baskara Joni 1, Vivine Nurcahyawati 2 1 STMIK STIKOM Indonesia, 2 STMIK STIKOM
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Algoritma Genetika
Algoritma Genetika Pendahuluan Struktur Umum Komponen Utama Seleksi Rekombinasi Mutasi Algoritma Genetika Sederhana Referensi Sri Kusumadewi bab 9 Luger & Subblefield bab 12.8 Algoritma Genetika 1/35 Pendahuluan
Lebih terperinciAnalisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem
Analisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem Adidtya Perdana Sekolah Tinggi Teknik Harapan Medan Jl. H.M. Jhoni No. 70 C Medan adid.dana@gmail.com Abstrak
Lebih terperinciImplementasi Genetic Algorithm Dan Artificial Neural Network Untuk Deteksi Dini Jenis Attention Deficit Hyperactivity Disorder
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 2, Februari 2018, hlm. 688-694 http://j-ptiik.ub.ac.id Implementasi Genetic Algorithm Dan Artificial Neural Network
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Penjadwalan Penjadwalan kegiatan belajar mengajar pada suatu lembaga pendidikan biasanya merupakan salah satu pekerjaan yang tidak mudah dan menyita waktu. Pada lembaga pendidikan
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-222
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-222 Implementasi Algoritma Genetika pada Struktur Backpropagation Neural Network untuk Klasifikasi Kanker Payudara Adam Mizza Zamani, Bilqis Amaliah
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciAlgoritma Evolusi Dasar-Dasar Algoritma Genetika
Algoritma Evolusi Dasar-Dasar Algoritma Genetika Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Pengantar 2. Struktur Algoritma Genetika 3. Studi Kasus: Maksimasi Fungsi Sederhana 4. Studi
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciJl. Ahmad Yani, Pontianak Telp./Fax.: (0561)
APLIKASI PENCARIAN RUTE TERPENDEK MENGGUNAKANALGORITMA GENETIKA (Studi Kasus: Pencarian Rute Terpendek untuk Pemadam Kebakaran di Wilayah Kota Pontianak) [1] Putri Yuli Utami, [2] Cucu Suhery, [3] Ilhamsyah
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Algoritma Genetika
6 BAB 2 LANDASAN TEORI 2.1 Algoritma Genetika Algoritma genetika merupakan metode pencarian yang disesuaikan dengan proses genetika dari organisme-organisme biologi yang berdasarkan pada teori evolusi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan membahas landasan atas teori-teori yang bersifat ilmiah untuk mendukung penulisan tugas akhir ini. Teori-teori yang dibahas mengenai pengertian penjadwalan, algoritma
Lebih terperinciPERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK
PERBANDINGAN ALGORITMA EXHAUSTIVE, ALGORITMA GENETIKA DAN ALGORITMA JARINGAN SYARAF TIRUAN HOPFIELD UNTUK PENCARIAN RUTE TERPENDEK Rudy Adipranata 1) Felicia Soedjianto 2) Wahyudi Tjondro Teknik Informatika,
Lebih terperinciAlgoritma Evolusi Real-Coded GA (RCGA)
Algoritma Evolusi Real-Coded GA (RCGA) Imam Cholissodin imam.cholissodin@gmail.com Pokok Bahasan 1. Siklus RCGA 2. Alternatif Operator Reproduksi pada Pengkodean Real 3. Alternatif Operator Seleksi 4.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciPerbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek
Perbandingan Algoritma Exhaustive, Algoritma Genetika Dan Algoritma Jaringan Syaraf Tiruan Hopfield Untuk Pencarian Rute Terpendek Rudy Adipranata 1, Felicia Soedjianto 2, Wahyudi Tjondro Teknik Informatika,
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciBAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING. Untuk memberikan penjelasan mengenai prediksi valuta asing
BAB III ALGORITMA MEMETIKA DALAM MEMPREDIKSI KURS VALUTA ASING Untuk memberikan penjelasan mengenai prediksi valuta asing menggunakan algoritma memetika, akan diberikan contoh sebagai berikut. Contoh Misalkan
Lebih terperinci2 TINJAUAN PUSTAKA. 2.1 Peringkasan Teks
4 2 TINJAUAN PUSTAKA 2.1 Peringkasan Teks Peringkasan teks adalah proses pemampatan teks sumber ke dalam versi lebih pendek namun tetap mempertahankan informasi yang terkandung didalamnya (Barzilay & Elhadad
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Perkuliahan Penjadwalan memiliki pengertian durasi dari waktu kerja yang dibutuhkan untuk melakukan serangkaian untuk melakukan aktivitas kerja[10]. Penjadwalan juga
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP)
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) Mohamad Subchan STMIK Muhammadiyah Banten e-mail: moh.subhan@gmail.com ABSTRAK: Permasalahan pencarian rute terpendek dapat
Lebih terperinciBAB III PEMBAHASAN. menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian
BAB III PEMBAHASAN Dalam bab ini akan dibahas mengenai pembentukan portofolio optimum menggunakan model Fuzzy Mean Absolute Deviation (FMAD) dan penyelesaian model Fuzzy Mean Absolute Deviation (FMAD)
Lebih terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
Lebih 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 ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK DISTRIBUSI SURAT KABAR KEDAULATAN RAKYAT DI KABUPATEN SLEMAN SKRIPSI Diajukan Kepada Fakultas Matematika
Lebih terperinciImplementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah
Implementasi Algoritma Genetika dalam Pembuatan Jadwal Kuliah Leonard Tambunan AMIK Mitra Gama Jl. Kayangan No. 99, Duri-Riau e-mail : leo.itcom@gmail.com Abstrak Pada saat ini proses penjadwalan kuliah
Lebih terperinciALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 5, No. 03(2016), hal 265 274. ALGORITMA GENETIKA PADA PEMROGRAMAN LINEAR DAN NONLINEAR Abdul Azis, Bayu Prihandono, Ilhamsyah INTISARI Optimasi
Lebih terperinciPREDIKSI TINGKAT INFLASI DI INDONESIA BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA. Rita Rismala 1, Said Al Faraby 2
PREDIKSI TINGKAT INFLASI DI INDONESIA BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA Rita Rismala 1, Said Al Faraby 2 1,2 Prodi S1 Informatika, Fakultas Informatika, Universitas Telkom 1 ritaris@telkomuniversity.ac.id,
Lebih terperinciOPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK
OPTIMASI PENJADWALAN KEGIATAN BELAJAR MENGAJAR DENGAN ALGORITMA GENETIK Usulan Skripsi S-1 Jurusan Matematika Diajukan oleh 1. Novandry Widyastuti M0105013 2. Astika Ratnawati M0105025 3. Rahma Nur Cahyani
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 terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG
IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG Adnan Buyung Nasution 1 1,2 Sistem Infomasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama 3 Universitas
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciBAB III PEMBAHASAN. diperoleh menggunakan algoritma genetika dengan variasi seleksi. A. Model Matematika CVRPTW pada Pendistribusian Raskin di Kota
BAB III PEMBAHASAN Pada bab ini akan dibahas mengenai model matematika pada pendistribusian raskin di Kota Yogyakarta, penyelesaian model matematika tersebut menggunakan algoritma genetika serta perbandingan
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciPENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Abstrak
PENGENALAN POLA KEPUASAN MAHASISWA TERHADAP KEGIATAN BELAJAR MENGAJAR (STUDI KASUS DI STMIK AKAKOM YOGYAKARTA) Dini Fakta Sari Teknik Informatika STMIK AKAKOM Yogyakarta dini@akakom.ac.id Abstrak Tenaga
Lebih terperinciPENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU Risky Meliawati 1,Oni Soesanto 2, Dwi Kartini 3 1,3Prodi Ilmu Komputer FMIPA UNLAM 2 Prodi Matematika
Lebih terperinciBAB IV PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK
BAB IV PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK Bab ini menjelaskan perancangan dan implementasi yang dilakukan. Tahap pertama dimulai dengan merancang beberapa classifier yaitu jaringan saraf tiruan
Lebih terperinciTAHUN AKADEMIK 2016/2017. : PENGANTAR INTELEGENSI BUATAN : Betha Nurina Sari, M.Kom. : Open Book via Google Form (90 Menit)
IFT 501 PANITIA UJIAN AKHIR SEMESTER GANJIL FAKULTAS ILMU KOMPUTER UNIVERSITAS SINGAPERBANGSA KARAWANG Jl. H.S. Ronggowaluyo Telukjambe Telp. (0267) 641177 Ex 307 Fax (0267) 641367 Karawang 41361 TAHUN
Lebih terperinciT I N J A U A N P U S T A K A Algoritma Genetika [5]
Algoritma Genetika [5] Fitness adalah nilai yang menyatakan baik-tidaknya suatu jalur penyelesaian dalam permasalahan TSP,sehingga dijadikan nilai acuan dalam mencari jalur penyelesaian optimal dalam algoritma
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 terperinciOPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN 1907-5022 OPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK Manahan Siallagan, Mira Kania Sabariah, Malanita Sontya Jurusan Teknik
Lebih terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Jl. Siwalankerto 121-131,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciPERANCANGAN PENGATURAN DURASI LAMPU LALU LINTAS ADAPTIF
PERANCANGAN PENGATURAN DURASI LAMPU LALU LINTAS ADAPTIF Rudericus Andika Pramudya, Mahmud Imrona 2, Fhira Nhita 3,2,3 Prodi S Teknik Informatika, Fakultas Teknik, Universitas Telkom rudericusdika@gmail.com,
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciPENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN AKSARA JAWAMENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Alfa Ceria Agustina (1) Sri Suwarno (2) Umi Proboyekti (3) sswn@ukdw.ac.id othie@ukdw.ac.id Abstraksi Saat ini jaringan saraf tiruan
Lebih terperinciOptimasi Penjadwalan Ujian Menggunakan Algoritma Genetika
Optimasi Penjadwalan Ujian Menggunakan Algoritma Genetika Nia Kurnia Mawaddah Wayan Firdaus Mahmudy, (wayanfm@ub.ac.id) Jurusan Matematika, FMIPA Universitas Brawijaya, Malang 65145 Abstrak Penjadwalan
Lebih terperinciOptimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
Lebih terperinciPemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika
Vol. 14, No. 1, 19-27, Juli 2017 Pemaksimalan Papan Sirkuit Di Pandang Sebagai Masalah Planarisasi Graf 2-Layer Menggunakan Algoritma Genetika Jusmawati Massalesse dan Muh. Ali Imran Abstrak Tulisan ini
Lebih terperinciKata Kunci : Optimasi, Naïve Bayes, Risiko Kredit, Algoritma Genetika, Seleksi Fitur.
OPTIMASI SELEKSI FITUR KLASIFIKASI NAÏVE BAYES MENGGUNAKAN ALGORITMA GENETIKA UNTUK PREDIKSI RISIKO KREDIT KONSUMEN (Studi Kasus : PT. Finansia Multi Finance (KreditPlus) Tanjungpinang) Sisma Tri Wulan
Lebih terperinciPERANCANGAN ALGORITMA GENETIKA DALAM PENYUSUNAN TEKA-TEKI SILANG
PERANCANGAN ALGORITMA GENETIKA DALAM PENYUSUNAN TEKA-TEKI SILANG Afen Prana Utama 1, Edison Sinaga 1 D-3 Manajemen Informatika - STMIK Mikroskil Medan afen@mikroskil.ac.id Abstrak Teka-teki silang merupakan
Lebih terperinciJaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit
Jaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit Abidatul Izzah 1), Ratih Kartika Dewi 2) 1)2) Jurusan Teknik Informatika ITS Surabaya Jl. Teknik
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 terperinci