BAB 2 LANDASAN TEORI
|
|
- Yuliani Yuliana Hermanto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan atau rencana egiatan dengan pembagian watu pelasanaan yang terperinci. Beberapa contoh penjadwalan antara lain, penjadwalan produsi, penjadwalan erja aryawan, penjadwalan pertandingan, penjadwalan uliah, serta masih banya lagi. Pada setiap penjadwalan, diharapan aan mendapatan jadwal yang optimal dan efetif serta dapat mengurangi permasalahan dan esalahan yang ada Penjadwalan Kuliah Penjadwalan uliah (Lecture Timetabling) adalah masalah menempatan watu dan ruangan epada sejumlah mata uliah, tutorial, dan egiatan aademi sejenis dengan memperhatian sejumlah aturan yang berhubungan dengan apasitas dan loasi dari ruangan yang tersedia, watu yang diperluan dan sejumlah aturan lain yang beraitan dengan toleransi untu dosen, dan hubungan antara mata uliah pilihan (Ross P., Dave C., Hasiao L.F, 1994). Secara umum, penjadwalan uliah adalah proses penyusunan beberapa omponen, antara lain: mata uliah, dosen,jam uliah, dan ruangan untu mendapatan jadwal peruliahan yang optimal. 1. Mata Kuliah, adalah satuan peruliahan yang disediaan untu mahasiswa. Mahasiswa berha memilih mata uliah yang ingin diambilnya di setiap awal semester. Setiap mata uliah memilii jumlah Sistem Kredit Semester (SKS)-nya
2 7 masing-masing. SKS untu setiap mata uliah berjumlah antara dua sampai empat SKS. 2. Dosen, adalah staf pengajar untu setiap mata uliah yang tersedia. Dosen dapat mengajar untu beberapa mata uliah yang berbeda di watu yang berbeda pula. 3. Jam uliah, adalahwatu yang dibutuhan untu melasanaan proses peruliahan. Watu yang disediaan untu berlangsungnya peruliahan yaitu pada hari Senin sampai Sabtu di setiap minggunya, dan dimulai dari puul sampai puul di setiap harinya. Durasi setiap peruliahan tergantung dari jumlah SKS yang dimiliinya, satu SKS sama dengan 50 menit peruliahan berlangsung. 4. Ruangan, adalah tempat melasanaan proses peruliahan. 2.2 Jaringan Saraf Tiruan Jaringan Saraf Biologis Konsep Jaringan Saraf Tiruan diambil dari onsep Jaringan Saraf Biologis, yaitu jaringan ota manusia. Komputer ini dapat berpiir seperti manusia, ia dibuat untu melauan peniruan terhadap ativitas-ativitas yang terjadi di dalam jaringan ota manusia. Ativitas-ativitas yang terjadi seperti ativitas mengingat, memahami, menyimpan, dan memanggil embali apa yang pernah dipelajari oleh ota. Gambar2.1 Strutur sederhana sebuah neuron Jaringan saraf biologis merupaan umpulan dari sel-sel saraf (neuron).neuron mempunyai tugas mengolah informasi. Komponen-omponen utama dari sebuah neuron dapat dielompoan menjadi tiga bagian, yaitu:
3 8 1. Dendrit, yang bertugas untu menerima informasi. 2. Badan sel (soma), yang bertugas sebagai tempat pengolahan informasi. 3. Ason (neurit), yang bertugas untu mengiriman impuls-impuls e sel saraf lainnya. Di dalam Gambar, sebuah neuron menerima impuls-impuls sinyal dari neuron yang lain melalui dendrit dan mengiriman sinyal yang dibangitan oleh badan sel melalui ason. Ason dari sel saraf biologis ini bercabang-cabang dan berhubungan dengan dendrit dari sel saraf lainnya, dengan cara mengiriman impuls melalui sinapsis. Sinapsis adalah unit fungsional antara dua buah sel saraf, misalnya A dan B, dimana yang satu adalah serabut ason dari neuron A dan satunya lagi dendrit dari neuron B. Keuatan sinapsis ini bisa menurun atau meningat tergantung epada seberapa besar tingat propagasi (penyiaran) sinyal yang diterimanya Komparasi antara Jaringan Saraf Biologis dengan Jaringan Saraf Tiruan Jaringan Saraf Tiruan disusun dengan asumsi yang sama seperti Jaringan Saraf Biologis: 1. Pengolahan informasi terjadi pada elemen-elemen pemrosesan (neuron). 2. Sinyal antara dua buah neuron diterusan melalui lin-lin onesi. 3. Setiap lin onesi memilii bobot terasosiasi. 4. Setiap neuron menerapan sebuah fungsi ativasi terhadap input jaringan (jumlah sinyal input berbobot). Tujuannya adalah untu menentuan sinyal output. Fungsi ativasi yang digunaan biasanya fungsi yang nonlinear. Adapun cara belajar jaringan saraf tiruan sebagai beriut: Ke dalam Jaringan Saraf Tiruan dimasuan informasi yang sebelumnya telah dietahui hasil eluarannya. Pemasuan informasi ini dilauan lewat node-node atau unit-unit input. Bobot-bobot antar onesi dalam suatu arsitetur diberi nilai awal dan emudian jaringan saraf tiruan dijalanan.bobot-bobot ini bagi jaringan digunaan untu belajar dan mengingat suatu informasi.pengaturan bobot dilauan secara terus-menerus dan dengan menggunaan riteria tertentu sampai diperoleh eluaran yang diharapan.
4 9 Tabel 1.1 Analogi antara Jaringan Saraf Tiruan dengan Jaringan Saraf Biologis Jaringan Saraf Biologis Badan sel (soma) Dendrit Ason Sinapsis Jaringan Saraf Tiruan Node atau unit Input Output Bobot Hal yang ingin dicapai dengan melatih/mengajari Jaringan Saraf Tiruan adalah untu mencapai eseimbangan antara emampuan memorisasi dan generalisasi.yang dimasud dengan emampuan memorisasi adalah emampuan Jaringan Saraf Tiruan untu memanggil embali secara sempurna sebuah pola yang telah dipelajari. Kemampuan generalisasi adalah emampuan Jaringan Saraf Tiruan untu menghasilan respon yang bisa diterima terhadap pola-pola input yang serupa (namun tida identi) dengan pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermanfaat bila pada suatu saat diinputan informasi baru yang belum pernah dipelajari, maa Jaringan Saraf Tiruan itu masih aan tetap dapat memberian tanggapan yang bai, memberian eluaran yang paling mendeati Pengertian Jaringan Saraf Tiruan Beberapa definisi tentang Jaringan Saraf Tiruan sebagai beriut: Hecht-Nielsend (1988) menyataan Suatu Neural Networ (NN), adalah suatu strutur pemroses informasi yang terdistribusi dan beerja secara paralel, yang terdiri atas elemen pemroses (yang memilii memori loal dan beroperasi dengan informasi loal) yang diinteronesian bersama dengan alur sinyal searah yang disebut onesi. Setiap elemen pemroses memilii onesi eluaran tunggal yang bercabang (fan out) e sejumlah onesi olateral yang diinginan (setiap onesi membawa sinyal yang sama dari eluaran elemen pemroses tersebut). Keluaran dari elemen pemroses tersebut dapat merupaan sebarang jenis persamaan matematis yang diinginan. Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilauan secara loal, yaitu eluaran hanya bergantung pada nilai
5 10 masuan pada saat itu yang diperoleh melalui onesi dan nilai yang tersimpan dalam memori loal. Hayin, S. (1994), Neural Networ: A Comprehensive Foundation, NY, Macmillan, mendefinisian Jaringan Saraf sebagai beriut. Sebuah Jaringan Saraf adalah sebuah prosesor yang terdistribusi paralel dan mempunyai ecendrungan untu menyimpan pengetahuan yang didapatannya dari pengalaman dan membuatnya tetap tersedia untu digunaan. Hal ini menyerupai erja ota dalam dua hal yaitu: 1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar. 2. Keuatan hubungan antar sel saraf yang dienal dengan bobot sinapsis digunaan untu menyimpan pengetahuan. Zurada, J.M (1992), Introduction To Artificial Neural Systems, Boston: PWS Publishing Company, mendefinisian sebagai beriut: Sistem Saraf Tiruan atau Jaringan SarafTiruan adalah sistem selular fisi yang dapat memperoleh, menyimpan, dan menggunaan pengetahuan yang didapatan dari pengalaman (Puspitaningrum)Jaringan Saraf Tiruan adalah merupaan salah satu representasi buatan dari ota manusia yang selalu mencoba untu mensimulasian proses jaringan saraf ini yang diimplementasian dengan menggunaan program omputer yang mampu menyelesaian sejumlah proses perhitungan selama proses pembelajaran Konsep Dasar Jaringan Saraf Tiruan Gambar 2.2 Model Tiruan Sebuah Neuron
6 11 Gambar merupaan sebuah tiruan neuron dalam Jaringan Saraf Tiruan yang berfungsi seperti halnya sebuah neuron.sejumlah sinyal masuan a dialian dengan masing-masing penimbang w yang bersesuaian. Kemudian dilauan penjumlahan dari seluruh hasil peralian tersebut dan eluaran yang dihasilan diterusan edalam fungsi pengatif untu mendapatan tingatan derajat sinyal eluarannya F (a,w). Jaringan Saraf Tiruan memilii sejumlah besar elebihan dibandingan dengan metode perhitungan lainnya, yaitu: 1. Kemampuan mengauisisi pengetahuan walaupun dalam ondisi ada gangguan dan etidapastian. Hal ini arena Jaringan Saraf Tiruan mampu melauan generalisasi, abstrasi, dan estrasi terhadap properti statisti dari data. 2. Kemampuan merepresentasian pengetahuan secara flesibel. Jaringan saraf tiruan dapat menciptaan sendiri representasi melalui pengaturan diri sendiri atau emampuan belajar (self organizing). 3. Kemampuan untu memberian toleransi atas suatu distorsi (error/fault), dimana gangguan ecil pada data dapat hanya dianggap sebagai guncangan (noise) belaa. 4. Kemampuan memproses pengetahuan secara efisien arena memaai sistem paralel, sehingga watu yang diperluan untu mengoperasiannya menjadi lebih singat. Algoritma pembelajaran/pelatihan umum dalam Jaringan Saraf Tiruan adalah sebagai beriut: 1. Inisialisasi bobot-bobot jaringan. 2. Masuan contoh e- i (dari seumpulan contoh pembelajaran yang terdapat dalam set pelatihan) e dalam jaringan pada lapisan input. 3. Cari tingat ativasi unit-unit output menggunaan algoritma apliasi. if inerja jaringan memenuhistandar yang ditentuan sebelumnya (memenuhi syarat berhenti) then exit else 4. Update bobot-bobot dengan menggunaan aturan pembelajaran jaringan.
7 Arsitetur Jaringan Bai tidanya suatu model JST salah satunya ditentuan oleh hubungan antarneuron atau yang biasa disebut sebagai arsitetur jaringan.neuron-neuron tersebut terumpul dalam lapisan-lapisan yang disebut neuron layer. Lapisan-lapisan penyusun JST dibagi menjadi tiga, yaitu: 1. Lapisan Input (Input Layer) Unit-unit dalam lapisan input disebut unit-unit input yang bertugas menerima pola inputan dari luar yang menggambaran suatu permasalahan. 2. Lapisan Tersembunyi (Hidden Layer) Unit-unit dalam lapisan tersembunyi disebut unit-unit tersembunyi, yang mana nilai output-nya tida dapat diamati secara langsung. 3. Lapisan Output (Output Layer) Unit-unit dalam lapisan output disebut unit-unit output, yang merupaan solusi JST terhadap suatu permasalahan. Beberapa arsitetur jaringan yang sering digunaan dalam Jaringan Saraf Tiruan antara lain: 1. Jaringan Lapisan Tunggal Jaringan lapisan tunggal terdiri dari 1 lapisan input dan 1 lapisan output. Setiap unit dalam lapisan input selalu terhubung dengan setiap unit yang terdapat pada lapisan output. Jaringan ini menerima input emudian mengolahnya menjadi output tanpa melewati lapisan tersembunyi. Contoh JST yang menggunaan jaringan lapisan tunggal adalah ADALINE, Hopfield, dan Perceptron. Gambar 2.3 Jaringan Saraf dengan Lapisan Tunggal
8 13 2. Jaringan Lapisan Banya Jaringan lapisan banya mempunyai 3 jenis lapisan, yaitu lapisan input, lapisan tersembunyi, dan lapisan output. Jaringan ini dapat menyelesaian permasalahan yang lebih omples dibandingan dengan jaringan lapisan tunggal.contoh JST yang menggunaan jaringan lapisan banya adalah MADALINE, Bacpropagation, dan Neocogniton. Gambar 2.4 Jaringan Saraf dengaan Lapisan Banya Lapisan input memilii 3 unit neuron, yaitu x 1, x 2, dan x 3 yang terhubung langsung dengan lapisan tersembunyi yang memilii 2 unit neuron tersembunyi, yaitu z 1 dan z 2. Hubungan neuron-neuron pada lapisan input dan lapisan output tersebut ditentuan oleh bobot v 11, v 12, v 21, v 22, v 31, dan v 32. Kemudian, 2 unit neuron tersembunyi z 1 dan z2 terhubung langsung dengan lapisan output yang memilii 1 unit neuron Y yang besarnya ditentuan oleh bobot w1 dan w 2. w Fungsi Ativasiatau Fungsi Transfer Dalam Jaringan Saraf Tiruan terdapat fungsi ativasi.fungsi ini adalah fungsi umum yang aan digunaan untu membawa input menuju output yang diinginan. Fungsi inilah yang aan menentuan besarnya bobot. Beberapa fungsi ativasi yang sering digunaan dalam JST adalah.
9 14 4. Fungsi Sigmoid Biner Biasanya fungsi ini digunaan untu JST yang dilatih menggunaan metode Bacpropagation.JST yang membutuhan nilai output yang terleta pada interval 0 sampai 1 sering ali menggunaan fungsi sigmoid biner arena fungsi ini memilii nilai pada range 0 sampai 1.Secara matematis, fungsi sigmoid biner ditulisan sebagai beriut. f 1 1 e x, dengan turunan f ' -x x f x 1 f x. Gambar 2.5Fungsi Sigmoid Biner 5. Fungsi Sigmoid Bipolar Output dari fungsi sigmoid bipolar memilii range antara 1 sampai -1. Secara matematis, fungsi sigmoid bipolar dirumusan sebagai beriut 1 e 1 e x, dengan turunan f ' x 1 f x 1 f x y f x x 2
10 15 Gambar 2.6Fungsi Sigmoid Bipolar 6. Fungsi Hyperbolic Tangent Fungsi ini hamper sama dengan fungsi Sigmoid Bipolar. Keduanya memilii range antara -1 sampai 1. Secara matematis, fungsi hyperbolic tangent ditulisan sebagai beriut. y f x e e x x e e x x 2x 1 e atau y f x, 2x 1 e dengan turunan f ' x 1 f x 1 f x 2.3 Algoritma Pembelajaran Bacpropagation Algoritma pembelajaran Bacpropagation atau ada yang menterjemahannya menjadi propagasibali, pertama ali dirumusan oleh Werbos dan dipopuleran oleh Rumelhart dan McClelland untu dipaai pada JST. Algoritma ini termasu metode pembelajaran supervised dan didesain untu operasi pada jaringan feed forward multi lapis. Metode Bacpropagation ini banya diapliasian secara luas. Seitar 90% bahan lebih Bacpropagation telah berhasil diapliasian di berbagai bidang, diantaranya diterapan di bidang financial, pengenalan pola tulisan tangan,
11 16 pengenalan pola suara, sistem endali, pengolahan citra media, dan masih banya lagi eberhasilan Bacpropagation sebagai salah satu metode omputasi yang handal. Algoritma ini juga banya dipaai pada apliasi pengaturan arena proses pelatihannya didasaran pada hubungan yang sederhana, yaitu: Jia eluaran memberian hasil yang salah, maa penimbang (Weight) dioresi supaya galatnya dapat diperecil dan respon jaringan selanjutnya diharapan aan lebih mendeati harga yang benar. Bacpropagation juga beremampuan untu memperbaii penimbang pada lapisan tersembunyi (hidden layer). Secara garis besar, mengapa algoritma ini disebut sebagai propagasi bali, dapat didesripsian sebagai beriut: Ketia Jaringan diberian pola masuan sebagai pola pelatihan maa pola tersebut menuju e unit-unit pada lapisan tersembunyi untu diterusan e unit-unit lapisan eluaran. Kemudian unit-unit lapisan eluaran memberian tanggapan yang disebut sebagai eluaran jaringan. Saat eluaran jaringan tida sama dengan eluaran yang diharapan maa eluaran aan menyebar mundur (bacward) pada lapisan tersembunyi diterusan e unit pada lapisan masuan. Oleh arenanya maa pelatihan tersebut dinamaan Bacpropagation atau propagasi bali. Gambar 2.7Alur erja pelatihan Bacpropagation Tahap pelatihan ini merupaan langah bagaimana suatu jaringan saraf itu berlatih, yaitu dengan cara melauan perubahan penimbang (sambungan antar lapisan yang membentu jaringan yang melalui masing-masing unitnya). Sedangan pemecahan masalah baru aan dilauan jia proses pelatihan tersebut selesai, fase tersebut adalah fase mapping atau proses pengujian/testing. Algoritma pelatihanbacpropagation terdiri atas tiga tahap.tahap pertama adalah tahap Feedforward.Pola masuan dihitung maju mulai dari layar masuan hingga layar eluaran menggunaan fungsi ativasi yang ditentuan.tahap edua
12 17 adalah tahapbacpropagation.selisih antara eluaran jaringan dengan target yang diinginan merupaan esalahan yang terjadi. Kesalahan tersebut dipropagasian mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar eluaran. Tahap etiga adalah tahap pembaharuan nilai bobot dan bias untu menurunan esalahan yang terjadi. Gambar 2.8Bacpropagation dengan satu lapisan tersembunyi Untu jelasnya dapat dijelasan rinciannya sebagai beriut: Langah 1: Pemberian inisialisasi penimbang (diberi nilai ecil secara aca).tentuan juga masimal epoch (bila digunaan sebagai ondisi berhenti) dan/atau target error (bila digunaan sebagai ondisi berhenti). Langah 2: Ulangi langah 3 hingga 10 sampai ondisi berhenti terpenuhi. Langah 3: Untu setiap pasangan pelatihan (training data) lauan langah 4 hingga 9.
13 18 Tahap Feedforward Langah 4: Masing-masing unit masuan j 0,1,2,..., n menerima sinyal masuan X i dan sinyal tersebut disebaran e unit-unit bagian beriutnya (unit-unit lapisan tersembunyi). Langah 5: Masing-masing unit di lapisan tersembunyi dialian dengan fator penimbang dan dijumlahan serta ditambah dengan biasnya: Z _ in V X V j 0 j i ij i1 n Kemudian menghitung sesuai dengan fungsi atifasi yang digunaan: Z f Z _ in j Bila yang digunaan adalah fungsi sigmoid maa bentu fungsi tersebut adalah: 1 1 exp Z j Z _ in j Kemudian mengirim sinyal tersebut e semua unit eluaran. j Langah6: Masing-masing unit eluaran y, 1,2,3,..., m dialian dengan fator penimbang dan dijumlahan: Y _ in W Z W 0 j j j1 p Menghitung embali sesuai dengan fungsi atifasi: y f y _ in Tahap Bacpropagation Langah 7: Masing-masing unit eluaran Y, 1,2,3,..., m menerima pola target sesuai dengan pola masuan saat pelatihan/training dan dihitung galatnya:
14 19 arena t y f ' y _ in f ' y _ in y menggunaan fungsi sigmoid, maa: 1 _ f y in f y in f y in y 1 y Menghitung perbaian fator penimbang (emudian untu memperbaii w ). W Z j j j Menghitung perbaian oresi: W 0 dan menggunaan nilai pada semua unit lapisan sebelumnya. Langah 8: Masing-masing penimbang yang menghubungan unit-unit lapisan eluaran dengan unit-unit pada lapisan tersembunyi Z j, j 1,2,3,..., p dijumlahan sebagai masuan e unit-unit lapisan beriutnya. _ in m W j j 1 dialian delta dan Selanjutnya dialian dengan turunan dari fungsi atifasinya untu menghitung galat. _ in f ' y _ in j j j Kemudian menghitung perbaian penimbang (digunaan untu memperbaii V ij ). V X ij j i Kemudian menghitung perbaian bias (untu memperbaii v 0 j ). Memperbaii penimbang dan bias Langah 9: V 0 j j Masing-masing eluaran unit y, 1,2,3,..., m diperbaii bias dan penimbangnya j 0,1,2,..., p, baru lama W W W j j j
15 20 masing-masing unit tersembunyi Z j, j 1,2,3,..., p penimbangnya j 0,1,2,..., n. baru lama Langah 10: Uji ondisi pemberhentian (ahir iterasi). V V V j j j diperbaii bias dan Daftar Notasi: p X = pola masuan pelatihan e - p, p 1,2,..., p 1 ( X, X, X,..., X ) p X = p t = pola eluaran target dari pelatihan ( t, t, t,..., t ) p t = n n. X i = unit e- i pada lapisan masuan x i = nilai atifasi dari unit X i Z j = unit e- j pada lapisan tersembunyi Z _ in j = net eluaran untu unit Z j Z j = nilai atifasi dari unit Z j Y = unit e- pada lapisan eluaran Y _ in = net masuan untu unit Y Y = nilai atifasi dari unit Y W 0 = nilai penimbang sambungan pada bias untu unit Y W j = nilai penimbang sambungan dari Z ij e unit Y = selisih antaraw t dengan W t 1 W j j j V i0 = nilai penimbang sambungan pada bias untu unit Z i V ij = nilai penimbang sambungan dari unit X i e unit Z i = selisih antarav t dengan V t 1 W ij ij ij j = fator pengaturan nilai penimbang sambungan pada lapisan eluaran = fator pengaturan nilai penimbang sambungan pada lapisan tersembunyi
16 21 = onstanta laju pelatihan (learning rate) 0 1 E = total galat 2.4 Java Java merupaan pemrograman yang menanja popularitasnya pada masa searang.selain gratis, java mudah didapatan dan juga tangguh. Java sendiri lahir pada tahun 1991 yang dipraarsai oleh tim Sun melalui proye bernama green yang dipimpin oleh James Gosling. Java merupaan fitur-fitur dari bahasa pemrograman yang lain, dimana fitur itu dianggap merupaan suatu elebihan oleh tim sun. Misalnya JVM/JRE yang merupaan mesin maya pada bahasa pascal, sintas, dan Exception Handling diambil dari C/C++ dan lain sebagainya. Java Virtual Machine (JVM) atau Java Runtime Environment (JRE) merupaan fitur Java yang membuatnya dapat berjalan pada semua platform sistem operasi.apabila anda membuat Java pada Windows, anda dapat menjalanannya pada sistem operasi Linux, Mc OS, dll. Kelebihan utama lainnya dapat dijalanan di beberapa platform atau sistem omputer yang mempunyai prinsip write once, run everywhere, mempunyai perpustaaan elas yang lengap dan berorientasi obje yang artinya semua aspe di Java merupaan obje. Gambar 2.9 Tampilan JCreator 4.50 Pro
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belaang Di aman searang sebuah adal yang tersusun rapi merupaan ebutuhan bagi setiap individu. Namun masalah penyusunan sebuah adal merupaan sebuah masalah umum yang teradi,
Lebih terperinciNeural Network menyerupai otak manusia dalam dua hal, yaitu:
2.4 Artificial Neural Networ 2.4.1 Konsep dasar Neural Networ Neural Networ (Jaringan Saraf Tiruan) merupaan prosesor yang sangat besar dan memilii ecenderungan untu menyimpan pengetahuan yang bersifat
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciPENDAHULUAN TINJAUAN PUSTAKA
1 Latar Belaang PENDAHULUAN Sistem biometri adalah suatu sistem pengenalan pola yang melauan identifiasi personal dengan menentuan eotentian dari arateristi fisiologis dari perilau tertentu yang dimilii
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
Lebih terperinciPENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih terperinci1. Pendahuluan Jaringan syaraf tiruan ( Artificial Neural Networ ) adalah suatu tenologi omputasi yang berbasis pada model syaraf biologis dan mencoba
JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI METODE PERAMALAN PADA PERHITUNGAN TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA Nurmalasari Rusmiati 1 Sistem Informasi, Faultas Ilmu Komputer, Universitas Gunadarma
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih terperinciModel Pembelajaran Off-Line Menggunakan Jaringan Syaraf Tiruan Untuk Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teknik Elektronika PENS 2009
Model Pembelaaran Off-Line Menggunaan Jaringan Syaraf Tiruan Untu Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teni Eletronia PENS 2009 Arie Setya Wulandari#, Eru Puspita S.T., M.Kom#2 # Jurusan
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciMODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM
MODEL REGRESI INTERVAL DENGAN NEURAL FUZZY UNTUK MEMPREDIKSI TAGIHAN AIR PDAM 1,2 Faultas MIPA, Universitas Tanjungpura e-mail: csuhery@sisom.untan.ac.id, email: dedi.triyanto@sisom.untan.ac.id Abstract
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinciDany Candra Febrianto ) dan Hindayati Mustafidah )
Penerapan Jaringan Saraf Tiruan dengan Metode Pembelaaran Bacpropagation untu Mengetahui Tingat Kualifiasi Calon Siswa pada Sistem Informasi Penerimaan Siswa Baru di MAN 2 Banarnegara (Application of Artificial
Lebih terperinciBAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN
BAB V ALGORITMA PEMBELAJARAN DALAM JARINGAN SYARAF TIRUAN Kompetensi : 1. Mahasiswa memahami onsep pembelaaran dalam JST Sub Kompetensi : 1. Dapat mengetahui prinsip algoritma Perceptron 2. Dapat mengetahui
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciSistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation
Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Sistem Penduung Keputusan Penerima Beasiswa SMK Menggunaan Metode Bacpropagation Teti Rohaeti 1, Yoyon Kusnendar Suprapto 2, Eo Mulyanto 3
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS
ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH BERBASIS PRINCIPAL COMPONENT ANALYSIS 1 Ihwannul Kholis, 2 Ahmad Rofii. 1 Universitas 17 Agustus 1945 Jaarta,
Lebih terperinciTEKNIK PERAMALAN TINGKAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN
TENI PERAMALAN TINGAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN Sri Mulyana Program Studi Ilmu omputer F MIPA UGM Seip Unit III Yogyaarta Telp (0274)546194 e-mail : smulyana@ugm.ac.id Abstra Tingat penualan
Lebih terperinciPENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN KAPAL PADA CITRA DIGITAL MENGGUNAKAN IMAGE PROCESSING DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Sutino 1, Helmie Arif Wibawa 2, Priyo Sidi Sasongo 3 123 Jurusan Ilmu Komputer/Informatia, FSM,
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETWORK DAN PRINCIPAL COMPONENT ANALYSIS
Jurnal Teni dan Ilmu Komputer SISTEM PENGENALAN AJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETORK DAN PRINCIPAL COMPONENT ANALYSIS FACE RECOGNITION SYSTEM USING BACKPROPAGATION ARTIFICIAL
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
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 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 terperinciBAB 2 LANDASAN TEORI. meneliti bagaimana mesin dapat belajar dan berpikir seperti layaknya manusia. Bidang
BAB 2 LANDASAN TEORI Intelegensia Semu (IS) adalah salah satu bidang dalam ilmu omputer yang meneliti bagaimana mesin dapat belajar dan berpiir seperti layanya manusia. Bidang ilmu ini mempelajari bagaimana
Lebih terperinciSistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation
Sistem Peramalan Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Syaraf Tiruan Bacpropagation Anindita Septiarini 1 dan Nur Sya baniah 2 1 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciKAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Media Informatia, Vol. 5, No. 2, Desember 2007, 99-111 ISSN: 0854-4743 KAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Anita Desiani Jurusan Matematia,
Lebih terperinciPENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER
PENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER Wiaria Gazali 1 ; Haryono Soeparno 2 1 Jurusan Matematia, Faultas Sains dan Tenologi, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah,
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENENTU NILAI INTERVAL KADAR LEMAK TUBUH MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY Tedy Rismawan dan Sri Kusumadewi Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teni
Lebih terperinciARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET
Prosiding SNaPP2012 : Sains, Tenologi, dan Kesehatan ISSN 2089-3582 ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET 1 John Maspupu 1 Pussainsa LAPAN, Jl Dr Dundunan No 133 Bandung
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciBAB II PENGENALAN WAJAH
BAB II PENGENALAN WAJAH Sistem pengenalan waah dapat dibagi menadi empat tahap, yaitu tahap pengolahan citra, detesi waah, estrasi fitur dan tahap pengenalan waah. Pada tugas ahir ini aan lebih diteanan
Lebih terperinciPERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI
PERAMALAN KURS RUPIAH TERHADAP DOLAR DENGAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK ANIZZA RESTRA PUSPARIANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
Lebih terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Watu : 1x 3x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING
APLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING Hendra William *), Achmad Hidayatno, and Aub Aulian Zahra Jurusan Teni Eletro, Universitas Diponegoro
Lebih terperinciVIII.PENGANTAR JARINGAN SYARAF TIRUAN (JST)
VIII.PENGANTAR JARINGAN SYARAF TIRUAN (JST) 3 JARINGAN SYARAF BIOLOGIS (JSB) Otak manusia berisi sekitar 0 sel syaraf (neuron) yang bertugas untuk memproses informasi yang masuk. Tiap sel syaraf dihubungkan
Lebih terperinciAPLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK. Tesis
APLIKASI ALGORITMA CONJUGATE GRADIENT PADA JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Tesis Program Studi Teni Eletro Jurusan Ilmu-ilmu Teni disusun oleh : Wiwien Widyastuti 8475/I-/820/02 PROGRAM PASCASARJANA
Lebih terperinciFAKULTAS SAINS DAN TEKNOLOGI UIN SUSKA RIAU. IIS AFRIANTY, ST., M.Sc
IIS AFRIANTY, ST., M.Sc Sistem Penilaian Tugas dan Keaktifan : 15% Quiz : 15% UTS : 35% UAS : 35% Toleransi keterlambatan 15 menit Handphone: Silent Costume : aturan UIN Laki-laki Perempuan Menggunakan
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN PADA PENGENDALIAN FREKUENSI TURBIN UAP
Musyafa, Apliasi Jaringan Syaraf Tiruan 57 APLIKASI JARINGAN SYARAF TIRUAN PADA PENGENDALIAN FREKUENSI TURBIN UAP Ali Musyafa (), A Rachmawardani (), Rahmi A (3) Abstract: The needs of electricity increase
Lebih terperinciPERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION
PERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION Wellie Sulistanti Abstract- Tuuan dari penelitian ini untu mengapliasian cara era aringan syaraf tiruan dengan menggunaan
Lebih terperinciMakalah Seminar Tugas Akhir
Pengaturan Kecepatan Motor DC Menggunaan Jaringan Syaraf Tiruan Feedforward Bacpropagation Sorihi *, Wahyudi **, Iwan Setiawan ** Abstra - Jaringan syaraf bacpropagation merupaan aringan syaraf yang telah
Lebih terperinciPENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI
PENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciAPLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES. : Agus Sumarno NRP :
APLIKASI WAELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES Nama : Agus Sumarno NRP : 06 00 706 Jurusan : Matematia Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si Abstra Model time series
Lebih terperinciRESPONS ALIRAN MASUK KE DANAU TOWUTI OLEH CURAH HUJAN DI WAWONDULA DAN SEKITARNYA DIANALISA DENGAN ARTIFICIAL NEURAL NETWORK
Respons Aliran Masu Danau Towuti..(Kudsy) 87 RESPONS ALIRAN MASUK KE DANAU TOWUTI OLEH CURAH HUJAN DI WAWONDULA DAN SEKITARNYA DIANALISA DENGAN ARTIFICIAL NEURAL NETWORK Mahally Kudsy dan Moh. Husni INTISARI
Lebih terperinciMENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE
MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE Desfrianta Salmon Barus - 350807 Jurusan Teni Informatia, Institut Tenologi Bandung Bandung e-mail: if807@students.itb.ac.id ABSTRAK
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciSistem Informasi Peramalan Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST Backpropagation
1 Sistem Informasi Peramalan Beban Listri Janga Panang di Kabupaten Jember Menggunaan JST Bacpropagation Dodi Setiabudi Abstra Kebutuhan energi listri sebagai salah satu infrastrutur penting sangat diutamaan.
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN POLA GEOMETRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN PERAMBATAN BALIK Muhamad Tonovan *, Achmad Hidayatno **, R. Rizal Isnanto ** Abstra - Pengenalan waah adalah
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciPENERAPAN ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI MUSIK DENGAN SOLO INSTRUMEN
Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 ISSN:1907-50 PENERAPAN ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI MUSIK DENGAN SOLO INSTRUMEN Gunawan 1, Agus Djaja Gunawan,
Lebih terperinciMakalah Seminar Tugas Akhir. Aplikasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self Tuning Regulator (STR)
Maalah Seminar ugas Ahir Apliasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self uning Regulator (SR) Oleh : Muhammad Fitriyanto e-mail : D_3_N2@yahoo.com Maalah Seminar ugas Ahir Apliasi
Lebih terperinciMAKALAH SEMINAR TUGAS AKHIR
MAKALAH SEMINAR TUGAS AKHIR Peramalan Kebutuhan Beban Janga Pende Menggunaan Jaringan Syaraf Tiruan Bacpropagation Oleh : Dinar Atia Sari (L2F002572) Jurusan Teni Eletro Faultas Teni Universitas Diponegoro
Lebih terperinciAKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA
AKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA Aris Puji Widodo, Suhartono 2, Eo Adi Sarwoo 3, dan Zulfia Firdaus 4,2,3,4 Departemen Ilmu Komputer/Informatia,
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MERAMALKAN BEBAN PEMAKAIAN AIR PADA PDAM KOTA BANDUNG Oleh : M.Rizi.H.S, Andri Heryandi,S.T, Bambang Siswoyo,Ir,M.Si Jl. Dipati Uur Bandung Teni Informatia Universitas
Lebih terperinciBAB VIII PENGANTAR JARINGAN SYARAF TIRUAN (JST)
BAB VIII PENGANTAR JARINGAN SYARAF TIRUAN (JST) 8.1 Komponen Jaringan Syaraf JARINGAN SYARAF BIOLOGIS (JSB) Otak manusia berisi sekitar 10 11 sel syaraf (neuron) yang bertugas untuk memproses informasi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Tiruan 2.1.1. Latar Belaang Jaringan Syaraf Tiruan dibuat pertama ali pada tahun 1943 oleh neurophysiologist Waren McCulloch dan logician Walter Pits, namun tenologi
Lebih terperinciAPLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA ABSTRACT
APLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA Manyu Fauzi, Minarni Nur Trilita Mahasiswa S3 MRSA, Jurusan Teni Sipil-ITS dan Pengaar Jurusan Teni Sipil Univ. Riau Mahasiswa S3
Lebih terperinciPrediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada Toko Buku Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation
Predisi Perilau Pola Pengunjung Terhadap Transasi Pada Too Buu Gramedia Menggunaan Jaringan Syaraf Tiruan Metode Bac Propagation Iriansyah BM Sangadji Teni Informatia STT PLN Jl Lingar Luar Duri Kosambi
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN
Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan PREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN Rudy Ansari STMIK Indonesia Banarmasin e-mail: rudy.ansari@gmail.com ABSTRAK
Lebih terperinciPENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT
PENGENALAN KARAKTER TULISAN TANGAN DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT Oleh : DONNY WAHYU SAPUTRO G06499031 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciII. DASAR TEORI I. PENDAHULUAN
IMPLEMENTASI JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK UNTUK MENDETEKSI GOLONGAN DARAH PADA MANUSIA M. Fuad Latief *, R. Rizal Isnanto, Budi Setiyono Abstra - Membran sel darah manusia mengandung bermacam-macam
Lebih terperinciBAB II LANDASAN TEORI. Proses utama dari pengenalan karakter adalah menerima karakter input dan
BAB II LANDASAN TEORI 2.1 Pengenalan Teori Proses utama dari pengenalan arater adalah menerima arater input dan memerisa apaah hasil input tersebut sesuai dengan salah satu arater yang ada. Bagian yang
Lebih terperinciAPLIKASI PENGENALAN AKSARA CARAKAN MADURA DENGAN MENGGUNAKAN METODE BACKPROPAGATION
APLIKASI PENGENALAN AKSARA CARAKAN MADURA DENGAN MENGGUNAKAN METODE BACKPROPAGATION Erwien Tjipta W, Iswan Wahyu Al Farqi STMIK ASIA Malang ABSTRAK Pengolahan citra (Image Processing) adalah suatu bidang
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 terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
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 terperinciPENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC. Oleh:
1 PENGEMBANGAN MODEL JARINGAN SYARAF TIRUAN RESILIENT BACKPROPAGATION UNTUK IDENTIFIKASI PEMBICARA DENGAN PRAPROSES MFCC Oleh: NURHADI SUSANTO G64103059 DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciBAB 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 terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciIMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA
94 IMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA Yudhi Purwananto 1, Diana Purwitasari 2, Agung Wahyu Wibowo Jurusan Teni Informatia, Institut Tenologi Sepuluh Nopember
Lebih terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih terperinciJaringan Syaraf Tiruan
07/06/06 Rumusan: Jaringan Syaraf Tiruan Shinta P. Sari Manusia = tangan + kaki + mulut + mata + hidung + Kepala + telinga Otak Manusia Bertugas untuk memproses informasi Seperti prosesor sederhana Masing-masing
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN A. Tempat dan Watu Penelitian Penelitian ini dilauan di Jurusan Matematia Faultas Matematia dan Ilmu Pengetahuan Alam Universitas Lampung. Watu penelitian dilauan selama semester
Lebih terperinciPENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION
1 MAKALAH SEMINAR TUGAS AKHIR PENGENALAN TEKS BRAILLE BERBASIS JARINGAN SYARAF TIRUAN FEEDFORWARD MULTILAYER DENGAN MENGGUNAKAN METODE BACK PROPAGATION Praditya Firmansyah *, Wahyul Amien Syafei**, Iwan
Lebih terperinciPENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR)
PENGEMBANGAN PERANGKAT LUNAK BERBASIS JARINGAN SYARAF TIRUAN UNTUK PERAMALAN BEBAN LISTRIK JANGKA PENDEK (STUDI KASUS DI PT.PLN AREA DISTRIBUSI JABAR) Oleh: ¹ HERLY MARDANI (000298) ² BAMBANG SISWOYO,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.
Lebih terperinciIII DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT
III DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT 3.1 Studi Literatur tentang Pengelolaan Sampah di Beberapa Kota di Dunia Kaian ilmiah dengan metode riset operasi tentang masalah
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 terperinciPENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )
PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132
Lebih terperinciADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoko Sumaryono ABSTRACT
Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 6 ADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoo Sumaryono ABSTRACT Noise is inevitable in communication
Lebih terperinciEstimasi Harga Saham Dengan Implementasi Metode Kalman Filter
Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciPendeteksi Rotasi Menggunakan Gyroscope Berbasis Mikrokontroler ATmega8535
Maalah Seminar Tugas Ahir Pendetesi Rotasi Menggunaan Gyroscope Berbasis Miroontroler ATmega8535 Asep Mubaro [1], Wahyudi, S.T, M.T [2], Iwan Setiawan, S.T, M.T [2] Jurusan Teni Eletro, Faultas Teni, Universitas
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciBAB III MODEL KANAL WIRELESS
BAB III MODEL KANAL WIRELESS Pemahaman mengenai anal wireless merupaan bagian poo dari pemahaman tentang operasi, desain dan analisis dari setiap sistem wireless secara eseluruhan, seperti pada sistem
Lebih terperinci