PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION OLEH : HERU SATRIA TAMBUNAN
|
|
- Irwan Tedjo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION OLEH : HERU SATRIA TAMBUNAN PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA 2016
2 PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION TESIS Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika OLEH : HERU SATRIA TAMBUNAN PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA 2016
3 PERSETUJUAN Judul : PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION Nama : Heru Satria Tambunan Nomor Induk Mahasiswa : Program Studi :MAGISTER (S-2) TEKNIK INFORMATIKA Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Dr. Rahmat W. Sembiring, M.Sc. IT Prof. Dr. Tulus Diketahui/disetujui Oleh Teknik Informatika Ketua. Prof. Dr. Muhammad Zarlis NIP
4 PERNYATAAN PENGENALAN POLA HIV DAN AIDSMENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION TESIS Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya. Medan, Juli 2016 Heru Satria Tambunan
5 PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan dibawah ini: Nama : Heru Satria Tambunan NIM : Program Studi : Teknik Informatika Jenis Karya Ilmiah : Tesis Demi Pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas tesis saya yang berjudul : PENGENALAN POLA HIV DAN AIDSMENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non- Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengolah dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta Demikian pernyataan ini dibuat dengan sebenarnya. Medan, Agustus 2016 Heru Satria Tambunan
6 Telah diuji pada Tanggal : Agustus 2016 PANITIA PENGUJI TESIS Ketua : Prof. Dr. Tulus Vor, Dipl, Math, M.Si Anggota : 1. Dr. Rahmat W Sembiring, M.Sc.IT 2. Prof. Dr. Muhammad Zarlis 3. Prof. Dr. Herman Mawengkang
7 RIWAYAT HIDUP DATA PRIBADI Nama Lengkap : Heru Satria Tambunan, S.Kom Tempat dan Tanggal Lahir : Pematangsiantar, 27 Oktober 1987 Alamat Rumah : Jl. Maluku No 7 Pematangsiantar Telp/Fax/HP : heru@amiktunasbangsa.ac.id Instansi Tempat Bekerja : AMIK & STIKOM Tunas Bangsa Alamat Kantor : Jl. Jend. Sudirman Blok A, No. 1, 2 & 3 Pematangsiantar DATA PENDIDIKAN SD : SD YP Keluarga Pematangsiantar TAMAT : 1999 SLTP : MTs. Al-Washliyah Pematangsiantar TAMAT : 2002 SLTA : SMK Teladan Pematangsiantar TAMAT : 2005 D3 : AMIK Tunas Bangsa Pematangsiantar TAMAT : 2008 S1 : STTP Politeknik Poliprofesi Medan TAMAT : 2010 S2 : Universitas Sumatera Utara TAMAT : 2016
8 KATA PENGANTAR Ucapan syukur dan terimakasih penuli kepada Allah SWT, atas segala rahmatnya sehingga penelitian ini dapat diselesaikan dengan baik. Maka dengan kerendahan hati penulis mengucapkan terimakasih kepada : 1. Bapak Prof. Dr. Runtung Sitepu, S.H., M.Hum Selaku Universitas Sumatera Utara atas kesempatan yang telah diberikan kesempatan kepada penulis sehingga bisa mengikuti dan menyelesaikan pendidikan Magister Teknik Informatika. 2. Bapak Prof. Dr. Opim Salim Sitompul Selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Suatera Utara 3. Bapak Prof. Dr. Muhammad Zarlis selaku Ketua Program Studi S2 Teknik Informatika. 4. Bapak Mohammad Andri Budiman, ST., M.Comp.Sc., M.E.M Selaku Sekretaris Program Studi S2 Teknik Informatika. 5. Bapak Prof. Dr. Tulus selaku pembimbing utama penulis terimkasih atas arahan dan kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan Program Magister pada Program Studi Magister Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara. 6. Bapak Dr. Rahmat W. Sembiring, M.Sc.IT selaku pembimbing kedua penulis atas arahan dan kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan Program Magister pada Program Studi Magister Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara. 7. Seluruh Dosen dan Staf Pegawai Program Studi S2 Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, yang telah memberikan bantuan dan pelayanan terbaik selama mengikuti perkuliahan hingga pada penyelesaian tesis ini. 8. Bapak H. M. Ahmad Ridwansyah Putra, selaku Ketua Yayasan AMIK dan STIKOM Tunas Bangsa Pematangsiantar, yang telah memberikan
9 bantuan, moril dan motifasi kepada penulis selama mengikuti perkuliahan hingga pada penyelesaian tesis ini. 9. Bapak Dedy Hartama, ST., M.Kom, yang telah memberikan bantuan dan motifasi kepada penulis 10. Orangtua tercinta, ayahanda Zulkifli Tambunan dan Ibunda Mariani yang selalu memberikan doa, dukungan, moril dan motifasi sehingga tesis ini terselesaikan. 11. Orangtua tercinta Ela Roza Batubara, A.Md yang selalu memberikan doa, dukungan, moril dan motifasi sehingga tesis ini terselesaikan. 12. Temen-temen selama seperjuanagan sdr. Sumarno, M.Kom, sdr. Indra Gunawan, M.Kom, sdr. Irfan Sudahri Damanik, M.Kom, sdr. Edy Budi Harjono, M.Kom, sdr. Herri Siagian, M.Kom, sdri Eva Desiana, M.Kom yang telah mebantu baik moril maupun motifasi sehingga terselesainya tesis ini 13. Seluruh Dosen dan Staf Pegawai AMIK Tunas Bangsa, yang telah memberikan bantuan motivasi sehingga tesis ini selesai. Penulis menyadari bahwa isi tesis ini masih jauh dari kesempurnaan, untuk itu mohon kiranya para pembaca memberikan masukan, kritik dan saran yang sifatnya membangun untuk perbaikan sehingga dapat bermanfaat. Semoga karya ilmiah ini bermanfaat bagi kemajuan Ilmu pengetahuan dan pendidikan. Medan, Agustus 2016 Heru Satria Tambunan
10 Abstrak Perkembangan tekhnologi saat ini sangat berkembang pesat, sehingga sangat memudahkan untuk mengatasi berbagai masalah. Di dalam penelitian ini penulis menggunakan algoritma Kohonen pada Jaringan Syaraf Tiruan Backpropagation dalam pengenalan pola penyakit HIV dan AIDS dalam mengenali pola penyakit HIV dan AIDS. Algoritma Backpropagation merupakan salah satu algoritma pembelajaran yang membutuhkan pengawasan dalam proses pembelajarannya. Pada algoritma backpropagationterdapat pasangan data input dan output serta hidden layer untuk melakukan pemrosesan data Jaringan Syaraf Tiruan hingga diperoleh bobot penimbang (weight) yang diinginkan. Dalam penelitian ini, dalam pengenalan pola penyakit HIV dan AIDS. Penulis menggunakan 15 variabel datauntuk dilatih menggunakan algoritma backpropagation dimana pembobotannya secara random dan data yang kedua dilatih menggunakan algoritma backpropagation. Didalam penelitian ini mengunakan aplikasi matlab untuk melakukan pemrosesan. Kata Kunci :, Jaringan Syaraf Tiruan, Backpropagation, Kohonen (SOM), Matlab
11 PATTERN RECOGNITION OF HIV AND AIDS IN USING ALGORITHM KOHONEN NEURAL NETWORKBACKPROPAGATION Abstract Technological development today is growing rapidly, so it is easier to cope with various problems. In this study the writer use the Kohonen algorithm Backpropagation Neural Network in pattern recognition HIV and AIDS in recognizing patterns of HIV disease and AIDS. Backpropagation algorithm is a learning algorithm that requires supervision in the learning process. In backpropagation algorithm there is a pair of data inputs and outputs and hidden layer for data processing Neural Network to obtain the Weighing weights (weight) is desired. In this study, the pattern recognition of HIV disease and AIDS. The writer uses 15 data variables to be trained using the backpropagation algorithm wherein weighted random and the data are both trained using back propagation algorithm. In this study using matlab for processing such applications Keywords : Artificial Neural Networks, Backpropagation, Kohonen(SOM), Matlab
12 DAFTAR ISI ABSTRAK... x ABSTRACT... xi DAFTAR ISI... xii DAFTAR TABEL... xiv DAFTAR GAMBAR... xv BAB 1 PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian... 4 BAB 2 TINJAUAN PUSTAKA Penertian Jaringan Syaraf Tiruan Arsitektur JST Backpropagation Pengaruh bobot dan bias untuk pngenalan pola Pengaruh bobot Pengaruh Bias 2.5. Arsitektur Algoritma Backpropagation Fungsi Aktifasi Algoritma Backpropagation Algoritma Kohonen Normalisasi Riset Terkait Perbedaan Dengan Riset lain BAB 3 METODOLOGI PENELITIAN Pendahuluan Data yang digunakan Data Masukan... 16
13 Data Target/Output Pendefenisian Input dan Output Flowchart sistem Perancangan Proses BAB 4 PEMBAHASAN DAN HASIL Hasil analisis Pembobotan Awal Training Data Pengujian Data Pengujian Data Tahap Pengujian Data Tahap Pengujian Data Tahap Perbandingan Pengeujian Tahap 1 sampai Pengujian menggunakan Algoritma Kohonen Pengaruh bobot dan bias untuk pengenalan pola Pengaruh Bobot Pengaruh Bias BAB 5 KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN
14 DAFTAR TABEL Tabel 2.1. Riset Terkait Tabel 3.1. Input Data Mentah Tabel 3.2. Normalisai Tabel 3.3. Data Target/Output Tabel 4.1. Nilai Bobot weight Tabel 4.2.Output, error dan MSE Tabel 4.3. Hasil MSE Keakuratan Tabel 4.4. Bobot menuju Hidden Layer Tabel 4.5 Nilai Bias Tabel 4.6 Nilai untuk Output Tabel 4.7. Total Keakuratan MSE Tabel 4.8Tabel Presentase Pengenala Pola Tabel 4.9. pengujian Dengan Hidden Layer Tabel pengujian Dengan Hidden Layer Tabel pengujian Dengan Hidden Layer
15 DAFTAR GAMBAR Gambar 2.1. jaringan Dengan laipsan Tunggal... 6 Gambar 2.2. janringan Dengan Banyak lapisan... 7 Gambar 2.3. Jaringan dengan lapisan kompetitif... 7 Gambar 2.4. arsitektur Algoritma Backpropagation Gambar 3.1. langkah-langkah Pelatihan JST Gambar 3.2. Flowchart Metode penelitian Gambar 3.3 Flowchart metode Penelitian (lanjutan) Gambar 3.4. Flowchart Perancangan Proses Gambar 3.5. Flowchart Perancangan Proses (lanjutan) Gambar 4.1. Pelatihan Menggunakan Arsitektur Gambar 4.2. Grafik Pelatihan Menggunakan Arsitektur Gambar 4.3. Pelatihan Menggunakan Arsitektur Gambar 4.4. Bentuk Grafik Menuju Goal Gambar 4.5. Hasil Perhitungan Dengan 2 Hidden Layer Gambar 4.6 Grafik Performance dari 2 Hidden Layer Gambar 4.7. Grafik Training State Gambar 4.8. Pengujian Arsitektur Gambar 4.9. Bentuk Grafik dari Arsitektur Gambar Gambar Hasil Clustering... 41
16 1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring perkembangan zaman banyak perubahan teknologi dan informasi. Peranan komputer saat ini sangat membantu pekerjaan manusia sehingga lebih cepat untuk mengenali berbagai aspek, sehingga terciptanya komputer yang menimbang atau mengambil keputusan.pemakai mulanya menggunakan komputer sebagai mesin ketik yang dapat bekerjalebih cepat, tepat maupun otomatis. Sejalan dengan perkembangan saat ini,para ahli mencoba menggantikan komputer menjadi suatu alat bantu yang dapatmeniru cara kerja otak manusia, sehingga diharapkan suatu saat akan terciptakomputer yang dapat menimbang dan mengambil keputusan sendiri. Hal inilahyang mendorong lahirnya teknologi AI (Artificial Intelegence) Dalam hal ini yang termasuk dalam golongan AI (artificial Intelegence) adalah salah satunya pembelajaran jaringan syaraf tiruan dimana dalam jaringan syaraf tiruan ada beberapa macam algoritma, dalam tesis ini penulis mengambil salah satu algoritma kohonen untuk mendapatkan nilai yang terbaik. Algoritma Kohonen merupakan algoritma jaringan cerdas yang menggunakan sistem pembelajaran secara kompetitif yang bersifat unsurpervised. Dimana sistem pembelajarannya secara pengelompokan atau klasifikasi (cluster) Jaringan Syaraf Tiruan Self Organizing Maps (SOM) atau disebut juga denganjaringan Kohonen telah banyak dimanfaatkan untuk pengenalan pola baik berupapola penyakit, citra, suara, dan lain-lain. Jaringan SOM sering pula digunakan untukekstraksi ciri (feature) pada proses awal pengenalan pola. Ia mampu mereduksidimensi input pola ke jumlah yang lebih sedikit sehingga pemrosesan komputermenjadi lebih hemat.
17 2 Arsitektur jaringan syaraf LVQ pada dasarnya sama dengan Kohonen Self Organizing Map (tanpa suatu struktur topologis yang diasumsikan untuk output) [9]. Arsitekturnya terdiri dari lapisaninput, lapisan kompetitif (lapisan tersembunyi/hidden layer). (Indrawan f, 2010) Kohonen Neural Network atau Kohonen Self Organizing Network merupakan analogi sederhana dari cara kerja otak manusia dalam mengelompokan informasi. Penelitian menunjukan bahwa kulit otak manusia terbagi ke dalam bagian-bagian yang berbeda, masingmasing merespon fungsifungsi khusus. Sel-sel saraf mengelompokan dirinya sendiri sesuai dengan informasi yang diterima. (Prabowo A, et al, 2006) Pada prinsipnya algoritma Kohonen akan memasukan beberapa node yang dimana node tersebut akan dihitung melalui bobot yang dimasukan setelah node dihitung akan melakukan pengurangan node-node sehingga yang pada akhirnya hanya satu node yang dipilih untuk menentukan hasil yang maksimal. Algoritma Backpropagation merupakan algoritma pelatihan terbimbing yang mempunyai banyak lapisan. BPNNmenggunakan error outputuntuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu (Nurmila A, et al) Jaringan Syaraf Tiruan (JST) merupakan suatusistem pemrosesan informasi yang mempunyaikarakteristik menyerupai jaringan syaraf biologi(jsb). JST tercipta sebagai suatu generalisasi modelmatematis dari pemahaman manusia (humancognition) yang didasarkan atas asumsi sebagaiberikut :Pemrosesan informasi terjadi pada elemensederhana yang disebut neuron, sinyal mengalir diantara sel syaraf/neuronmelalui suatu sambungan penghubung, setiap sambungan penghubung memiliki bobotyang bersesuaian. Bobot ini akan digunakanuntuk menggandakan / mengalikan sinyal yang dikirim melaluinya, setiap sel syaraf akan menerapkan fungsiaktivasi terhadap sinyal hasil penjumlahanberbobot yang masuk kepadanya untukmenentukan sinyal keluarannya.(wuryandari, et al, 2012) Backpropagation merupakan salahsatu algoritma yang sering digunakan dalammenyelesaikan masalah-masalah yang rumit. Halini dimungkinkan karena
18 3 jaringan dengan algoritmaini dilatih dengan menggunakan metode belajar terbimbing. (Matonda, 2013) Fungsi aktifasi yang dipakai untuk menentukan keluaran suatu neuron. Pada backpropagation fungsi aktivasi yang dipakai harus memenuhi syarat yaitu : kontinu dan terdiferensial dengan muhah (nurhafifah 2011) Saat ini berkembangan penyakit-penyakit yang dapat ditularkan seperti HIV dan AIDS yang dimana penyakit ini adalah penyakit yang sangat mudah tertular dan penyakit ini biasanya ditulari dengan cara penggunaan narkoba, penggunaan suntik yang tidak steril dan banyak lagi yang menyebabkan penyakit ini tertular. Berdasarkan penelitian ini penulis melakukan penelitian menggunakan Algoritma Kohonen pada Jaringan Syaraf Tiruan Backpropagation untuk mengenali pola penyakit HIV dan AIDS. 1.2 Perumusan Masalah Berdasarkan pada latar belakang diatas, maka dapat dirumuskan masalah melakukan pengclusteran penyakit dari data yang diinput menggunakan algoritma kohonen, serta mendapatkan target menggunakan jaringan syaraf tiruan backpropagation dari nilai bobot yang dimasukan untuk mengenal penyakit HIV dan AIDS. 1.3 Batasan Masalah Rumusan masalah diatas, dibatasi dengan beberapa hal sebagai berikut : 1. Proses perhitungan nilai-nilai untuk mendapatkan nilai terdekat menggunakan algoritma Kohonen jaringan syaraf tiruan Backpropagation. 2. Dalam melakukan pengenalan penyakit HIV dan AIDS penulis menggunakan Algoritma Kohonen Pada Jaringan Syaraf Tiruan Backpropagation. 1.4 Tujuan Penelitian Tujuan dari penelitian ini adalah untuk mendapatkan mengenali pola penyakit HIV dan AIDS, melalui data-data yang dimasukan.
19 4 1.5 Manfaat Penelitian Beberapa manfaat dari penelitian tesis adalah sebagai berikut 1. Dapat mengetahui penyakit dengan nilai yang diproses dengan algoritma kohonenpada jaringan syaraf tiruan. 2. Mengetahui sejauh mana Algoritma Kohonen pada Jaringan Syaraf Tiruan Backpropagation dalam mengenali pola penyakit HIV dan AIDS.
20 5 BAB 2 TINJAUAN PUSTAKA 2.1 Pengertian Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf biologi (JSB). JST tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia (human cognition) yang didasarkan atas asumsi sebagai berikut : Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron, sinyal mengalir diantara sel saraf/neuron melalui suatu sambungan penghubung, setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan digunakan untuk menggandakan / mengalikan sinyal yang dikirim, setiap sel syaraf akan menerapkan fungsi aktivasi terhadap sinyal hasil penjumlahan berbobot yang masuk kepadanya untuk menentukan sinyal keluarannya.(wuryandari, et al, 2012) Pada dasarnyakarakteristik JST ditentukan oleh : 1. Pola hubungan antar neuron (disebut arsitekturjaringan) 2. Metode penentuan bobot-bobot sambungan(disebut dengan pelatihan atau proses belajarjaringan) 3. Fungsi aktivasi 2.2 Aristektur JST Pada arsitektur Jaringan Syaraf Tiruan (JST), sebuah neuron-neuron akan dikumpulkan dalam lapisan-lapisan atau yang biasa disebut layer. Pada lapisan JST dari lapisan masukan hingga keluaran akan melalui sebuah lapisan tersembunyi yang biasanya di sebut hidden layer. Menurut (Wuryandari, et al, 2012) Faktor terpenting dalam menentukan kelakuansuatu neuron adalah fungsi aktivasi dan polabobotnya. Umumnya
21 6 neuron-neuron yang terletakpada lapisan yang sama akan memiliki keadaan yangsama sehingga pada setiap lapisan yang samaneuron-neuron memiliki fungsi aktivasi yang sama.bila neuron-neuron pada suatu lapisan (misal lapisantersembunyi) akan dihubungkan dengan neuronneuron pada lapisan lain (misal lapisan keluaran)maka setiap neuron pada lapisan tersebut (lapisantersembunyi) juga harus dihubungkan dengan setiapneuron pada lapisan lainnya (lapisan keluaran).terdapat 3 macam arsitektur JST, yaitu: 1. Jaringan dengan lapisan tunggal (single layernet)j Jaringan ini hanya memiliki 1 lapisan denganbobot-bobot terhubung. Jaringan ini hanyamenerima masukan kemudian secara langsung akanmengolahnya menjadi keluaran tanpa harus melaluilapisan tersembunyi. Pada gambar berikut neuronneuron pada kedua lapisan saling berhubungan.seberapa besar hubungan antara 2 neuron ditentukanoleh bobot yang bersesuaian. Semua unit masukanakan dihubungkan dengan setiap unit keluaranseperti terlihat pada Gambar 2.1 dibawah ini. Gambar 2.1 Jaringan dengan lapisan tunggal 2. Jaringan dengan banyak lapisan (multilayer net) Jaringan ini memiliki 1 atau lebih lapisan yangterletak diantara lapisan masukan dan lapisankeluaran. Umumnya adalapisan bobot-bobot yangterletak antara 2 lapisan yang bersebelahan sepertiterlihat pada Gambar 2.2. Jaringan dengan banyaklapisan ini dapat menyelesaikan
22 7 permasalahan yanglebih sulit daripada lapisan tunggal, tentu sajadengan pembelajaran yang lebih rumit. Pada banyakkasus, pembelajaran pada jaringan dengan banyaklapisan ini lebih sukses dalam menyelesaikanmasalah. Gambar 2.2 Jaringan dengan banyak lapisan Gambar 2.2 Jaringan Dengan Banyak Lapisan3. Jaringan dengan lapisan kompetitif(competitive layer net)pada jaringan ini sekumpulan neuron bersainguntuk mendapatkan hak menjadi aktif. Umumnyahubungan antar neuron pada lapisan kompetitif initidak diperlihatkan pada diagram arsitektur. Gambar ini menunjukkan salah satu contoh arsitektur jaringandengan lapisan kompetitif yang memiliki bobot. Gambar 2.3 Jaringan dengan lapisan kompetitif
23 8 2.3 Backpropagation Backpropagation merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit. Hal ini dimungkinkan karena jaringan dengan algoritma ini dilatih dengan menggunakan metode belajar terbimbing. ( Matondang, 2013) Backpropagation merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit. Hal ini dimungkinkan karena jaringan dengan algoritma ini dilatih dengan menggunakan metode belajar terbimbing. ( Nurhafifah, 2011) Algoritma backpropagation salah satu jaringan syaraf tiruan yang memiliki proses pembelajaran maju dan kesalahan secara mundur. ( Dewi, et, al 2013 ) Algoritma backpropagation merupakan algoritma pelatihan terbimbing yang mempunyai banyak lapisan. ( Nurmila et al ) pada algoritma backpropation setiap unit menggunakan formula untuk memperbaiki bobot dan bias. δ2 k = E f (y_in k ) Untuk menghitung nilai masukan dari input ke hidden layer dengan formula : Z-inj = b1j + Perbaiki nilai bobot dan bias dengan menggunakan formula : = ( 2 = pada perhitungan nilai balik dari output layer dari perhitungan hidden layer.
24 9 _ = setelah mendapatkan perhitungan setiap unit yang ada di hidden layer akan menghitung delta untuk memperbaiki bobot dan bias dengan rumus : sedangkan untuk semua layer akan memperbaiki bobot nilai dan bias menggunakan rumus : Pada output layer : W ij =w jk + w jk b2 k = b2 k + b2 k Untuk menghitung hidden layer dari nilai ouput: v ij -v ij + v ij b1 k = b1 k + b1 k Hitung MSE (Mean Square Error) dengan menggunakan formula : = n adalah jumlah input masukan. Jika epoch <maximum atau target error maka mengulangi langkah perhitungan. Setiap melakukan propagasi akan melibatkan beberapa tahap yaitu : 1. Propagasi mundur merupakan aktivasi output melalui jaringan syaraf akan menggunkan target pola dalam rangka untuk menghasilkan nilai delta dari semua output dan neuron yang tersembunyi 2. Maju propagasi masukan data pelatihan melalui jaringan syaraf dalam rangka untuk menghasilkan nilai output dari aktifasi.
25 Pengaruh Bobot, dan Bias Untuk Pengenalan Pola Dalam metode Backpropagation nilai bobot dan bias sangat berperan penting untuk mengenal pola yang digunakan Pengaruh Bobot Analisis terhadap bobot dapat dilihat dari 2 jenis bobot yang digunakan yaitu: 1. Bobot dari input layer menuju hidden layer nilai bobot yang besar dari lapisan input menuju hidden layer, maka sinyal output yang dihasilkan hidden layer akan meningkat. Hal ini akan membuat informasi error semakin kecil. 2. Bobot dari hidden layer menuju output layer nilai bobot dari hidden layer menuju output layer memberikan pengaruh yang lebih besar dibandingkan dengan perubahan bobot dari lapisan input menuju hidden layer. Bobot dari hidden layer menuju lapisan output dikalikan dengan sinyal keluaran dari hidden layer. Sinyal keluaran hidden layer telah mendapatkan nilai tambahan dari nilai input yang merupakan dari data pengenalan pola Pengaruh Bias Untuk meningkatkan sinyal keluaran dari suatu lapisan maka salah satu cara adalah dengan menambah bias. Penambahan bias dari lapisan input menuju hidden layer akan menambah nilai bobot pada hidden layerdan dari hidden layerakan mendapatkan nilai untuk menuju hasil atau output yang dicapai.suatu bias sangat berpengaruh menentuhkan hasil output yang dicapai sesuai dengan target yang diinginkan. 2.5 Arsitektur algoritma backpropagation Algoritma backpropagation merupakan algoritma yang menghitung hasil keluaran yang didapat melalui perhitungan maju mundur untuk mendapatkan hasil yang maksimal seperti gambar 2.4 dibawah ini.
26 11 Input Layer Hidden Layer Output Layer X 1 Y 1 X 2 Z X 3 Y n X 15 Gambar 2.4 Arsitektur Algoritma Backpropagation Keterangan : x = Lapisan Masukan y = Lapisan Tersembunyi z = Lapisan Keluaran Arsitektur jaringan dipilih dengan pendekatan konstruktif, yaitu dengan suatu jaringan yang kecil dengan satu hidden layer kemudian mengembangkan jumlah unit tersembunyi serta bobot tambahan sampai didapatkan penyelesaian yang dikehendaki. Tiap neuron pada lapisan masukan menerima sinyal masukan berupa nilai faktor faktor lingkungan yang berpengaruh terhadap penyebaran penyakit DBD dan meneruskannya ke neuron pada hidden layer diatasnya. Jumlah neuron pada lapisan masukan sesuai dengan jumlah variabel yang dipilih sebagai masukan jaringan dan ditambah satu buah neuron bias. Pada Gambar 2.4 terlihat bahwa jumlah neuron lapisan masukan antara 1 sampai dengan n sesuai dengan jumlah faktor lingkungan yang akan dijadikan data inputan pada sistem ditambah satu buah neuron bias.
27 Fungsi Aktifasi Algoritma Backpropagation Dalam sebuah Jaringan Syaraf Tiruan mempunyai fungsi aktifasi yang bisa dipakai untuk menentukan keluaran neuron. ( Nurhafifah, 2011). setiap fungsi aktifasi mempunyai syarat yaitu berisifat kontinu, terdiferensial dengan mudah fan merupakan fungsi yang tidak turun. Dari beberapa aktifasi harus memenuhi syarat yaitu fungsi sigmoid yang memiliki range. 2.7 Algoritma Kohonen Menurut Nurfiiyah (2015) bahwa Prof. Teuvo Kohonen adalah orang pertama yang memperkenalkan jaringan kohonen pada Pada jaringan ini, neuronneuron pada suatu lapisan akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu cluster.dalam proses penyusunan ini, cluster yang dipilih sebagai pemenang adalah clusteryang mempunyai vektor bobot paling cocok dengan pola input (memiliki jarak yang paling dekat. Algoritma Kohonen adalah Merupakan sistem yang dapat menampilkam hasil clustering dan menampilkan visualisasi dengan baik ( Ambarwati, 2014). Sedangkan menurut (Prabowo, et al 2006) bahwa algoritma kohonen Neural Network merupkan analogi sederhana dari cara kerja otak manusia dalam mengelompokan informasi. Didalam jurnal gadis, et al 2010 dalam jurnalnya yang berjudul penerapan kohonen self organized map dalam kuantisasi vektor bahwa kohonen self organized map merupakan salah satu algoritma yang dapat diterapkan untuk mendapatkana hasil yang maksimal. Algoritma Kohonen: 1. Inisialisasi bobot: wij Set parameter-parameter tetangga Set parameter learning rate 2. Kerjakan selama kondisi berhenti bernilai False a. Untuk setiap vektor input x, kerjakan: 1) Untuk setiap j, hitung:
28 13 2) Tentukan J, sampai D(J) minimum 3) Untuk setiap unit j dengan spesifikasi tetangga tertentu dan untuk setiap i: wij(baru) = wij(lama) + α(xi-wij(lama)) b. Perbaiki learning rate. c. Kurangi radius ke-tetangga-an pada waktu-waktu tertentu. d. Tes kondisi berhenti. Untuk setiap unit j pada tetangga J dan semua i hitungmenggunakan rumus : W ij (new) = W ij (old) + α [X i W ij (old)] 2.8 Normalisasi Dalam proses pembelajaran (training), jaringan membutuhkan data training yaitudata yang di-input-kan. Pada proses yang menggunakan derajat keanggotaan yangberada pada interval yang lebih kecil untuk itu perlu dilakukannormalisasi data agar terbentuk data yang berada diantara 0 dan 1. Salah satu rumusyang dapat digunakan dalam proses normalisasi data tersebut adalah persamaan berikut: = 0.8 ( ) Keterangan Rumus : X = Inisialisasi data 0.8 = Nilai ketetapan x = Data inputan yang sudah dinormalisasi a = Nilai minumum b = Nilai maximum (sumber = Romi Tiore Sihotang dan paska marto hasugian, 2014) 2.9 Riset Yang Terkait Tentang Penelitian Ada beberapa riset yang telah dilakukan yang berkaitan denga penelitian ini diantaranya adalah :
29 14 No 1 Judul Riset Perbandingan akurasi backpropagation neural network dan ANFIS untuk memprediksi cuaca Tabel 2.1 Riset Terkait Nama Peneliti dan Tahun Dewi. C, et al 2013 Kelebihan : Dimana dalam jurnal ini algoritma yang digunakan mampu mendekati nilai yang telah ditentukan dengan bobot yang dimasukan 2 Jaringan syaraf tiruan dengan algoritma backpropagation untuk penentuan kelulusan sidang skripsi Matondang, 2013 Kelebihan: Dengan menggunakan Algoritma Backpropagation dapat menentukan kelulusan dari bobot yang masukan. 3 implementasi model backpropagatio n dalam mengenal pola gambar untuk mendiagnosa Indriwaty Y, et al, 2012 penyakit kulit Kelebihan: Dari hasil pelatihan yang didapat bahwa keakuratan nilainya mencapai 82,76 % untuk mengenali penyakit. Metode pembobotannya dilakukan sistem pakar untuk kombinasi setiap Algoritma/ Metode Yang digunakan algoritma backpropag ation Hasil Penelitian salah sastu jaringan syaraf tiruan yang memiliki proses pembelajaran maju dan kesalahan secara mundur Kelemahan: Dalam Pengujian ini Backpropagation neural network membutuhkan Kombinasi data yang mencapai 60% dari keseluruhan data algoritma backpropag ation merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit. Kelemahan Tidak Bisa mendapatkan nilai yang akurat. Untuk mendapatkan nilai yang akurat harus melakukan perbandingan dengan algoritma yang lainnya. model paradigma backpropag pemrosesan suatu ation informasi yang terinspirasi oleh sistem sel syaraf biologi,sama seperti otak yang memproses suatu informasi Kelemahan: Data berupa gambar yang berbentuk RGB, sehingga data tersebut harus di Grayscale terlebih dahulu untuk mendapatkan nilai binner dari gambar tersebut.
30 15 rule. algoritma Nurmila N et al backpropagatio n neurak 4 network untuk pengenalan pola karakter huruf jawa Kelebihan: Mendapatkan hasil yang maximal dengan melakukan pelatihan dengan nilai 99,563%, sedangkan untuk sampel data diluar pelatihan mendapatkan nilai 61,359%. Jadi penggabungan dari 2 data sample tersebut mendapatkan nilai 75% Perbandingan Prabowo A, et metode al, 2006 kohonen neural network dengan metode 5 learning Vector quantitazion pada pengenalan pola tanda tangan Kelebihan: metode Kohonen dapat melakukan proses pembelajaran lebih cepat untuk mengklasifikasikan tandatangan dibanding metode LVQ meskipun dari faktor keberhasilan dalam mengklasifikasikan pola 6 Penerapan Kohonen Self Organized map dalam Kuantisasi Gadis, F.A, et al, 2010 Vektor pada Kopresi Citra Bitmap 24 Bit Kelebihan: Mengelompokan setiap warna pada citra dalam kuantisasi vektor, untuk mengurangi intansitas warna. algoritma backpropag ation PNN algoritma backpropagation PNN merupakan algoritma pelatihanterbimbing yang mempunyai banyak lapisan Kelemahan: Didalam pelatihan ini dilakukan berulang-ulang dengan menggunakan pelatihan, dan jumlah neurol dan parameter jaringan berupa learning rate dan momentum yang berbeda. Algoritma Kohonen Neural Network atau Kohonen Self Organizing Network nalogi sederhana dari cara kerja otak manusia dalam mengelompokan informasi Kelemahan: Didalam jurnal ini metode kohonen mendapatkan nilai yang rendah dibandingkan LVQ dalam keakuratan mengklarifikasi tanda tangan. Kohonen Self Organized map Merupakan salah satu algoritma yang dapat diterapkan untuk mendapatkan hasil yang maksimal Kelemahan: Semakin banyak variasi warna yang dimiliki citra, maka rasio kompresi yang capai semakin kecil dan waktu kompresi serta dekompresi akan
31 16 Clustering data Budi W, et al pencemaran 2008 udara sektor industri 7 Di jawa tengah dengan kohonen neural network Kelebihan: Dapat mengclustering data secara acak (randomisasi) walaupun banyak data yang digunakan. Sistem Wiji L, 2010 clustering kecerdasan majemuk mahasiswa menggunakan Algoritma self 8 organizing maps (som) Kelebihan: Data-data yang digunakan mempunyai kedekatan yang akan dikelompokkan dalam suatau cluster. Penerapan Badrul anwar, algoritma (2011) jaringan syaraf tiruan 9 Backpropagati on dalam memprediksi tingkat suku bunga bank Kelebihan : Hidden layer yang digunakan untuk memprediksi bunga bank sebanyak 3 buah sehingga hasilnya mendekati target yang diinginkan semakin lama. Jaringan Jaringan yang akan Kohonen menyusun dirinya sendiri berdasarkan input nilai yang masukan kedalam suatu kelompok yang dikenal istilah cluster Kelemahan: Membutuhkan data yang besar dalam menganalisa pencemaran udara Algoritma Self Organizing Map (SOM) merupakan suatu metode jaringan syaraf tiruan yang diperkenalkan oleh Professor Teuvo Kohonen pada tahun Jaringan Kohonen merupakan salah satu bentuk topologi dari Unsupervised Artificial Neural Network (Unsupervised ANN) Kelemahan: Data epoch yang digunakan cukup besar 5500 dan parameter 0,01 Algoritma backpropag ation Salah satu algoritma yang sering digunakan untuk menyelesaikan masalah yang rumit. Algorimta ini memiliki dasar matematis yang kuat dan dilatih dengan menggunakan metode belajar terbimbing. Kelemahan : Pengujian hanya dilakukan sekali saja sehingga tidak bisa membandingkan tiap-tiap penguji mana yang terbaik.
32 17 10 Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah, (2015) Kelebihan : Dimana bobot yang mendekati target maka bobot tersebut menjadi pemenang Algoritma kohonen Pemetaan Organisasi Kohonen (Kohonen Self Organizing Maps, SOM), merupakan model pemetaan dari jaringan syaraf tiruan di mana suatu lapisan yang berisi neuron-neuron akan menyusun dirinya sendiriberdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan istilah cluster Kelemahan : Dalam melakukan cluster membutuhkan 3 lapisan output, dan nilai output itu akan memperbaikin bobotnya sendiri 2.10 Perbedaan Dengan Riset Lain Dalam Penelitian ini, proses pembelajaran (training) yangsignifikan dan klasifikasi yang akurat dalam mengenali pola penyakit HIV dan AIDS menggunakan Algoritma Kohonen pada Jaringan syaraf Tiruan dimana bobot yangdigunakan dihitung menggunakan algoritma Kohonen dan hasilnya dimasukkan ke jaringan Syarat Tiruan backpropagation.
33 18 BAB 3 METODOLOGI PENELITIAN 3.1. Pendahuluan Tujuan dari tesis ini adalah untuk membuat suatu model tentang mengenal suatu penyakit HIV AIDS yang saat ini adalah penyakit yang sangat mematikan. Pada bagian ini penulis memulai dengan menganalisa gejala-gejala yang dialami yang apabila terkena penyakit HIV AIDS dan Data yang dikumpulkan dari dokter rumah sakit cabang Pematangsiantar 3.2. Data yang Gunakan Untuk mendapatkan hasil yang maksimal maka peneliti melakukan pengumpulan beberapa data masukan Data Masukan Secara ringkas data input perancangan data dengan jaringan syaraf tiruan untuk data pelatihan dan pengujian, digunakan 15 variabel input yaitu: X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 X 11 X 12 : Tenggorokan Sakit : Suhu Demam : Muncul Ruam dalam Tubuh : Penuruan Berat Badan : Diare : Kelelahan : Nyeri Persendian : Nyeri Otot : Kelenjar Getah Bening membengkak : Demam yang berlangsung selama 10 hari : Berkeringat dimalam hari : Bintik-bintik ungu yang tidak hilang pada kulit
34 19 X 13 X 14 X 15 : Sesak napas : Infeksi jamur pada mulut, tenggorokan dan Alat kelamin pada Wanita : Mudah Memar atau berdarah tanpa sebab Berikut merupakan data mentah yang digunakan untuk gejala-gejala yang dialami penyakit atau pengidap HIV dan AIDS : Tabel. 3.1 Tabel input data mentah Variabel A B C D E F G X X X X X X X X X X X X X X X Dari tabel data diatas merupakan data mentah yang didapat, selanjut akan ditransformasikan. Berikut data hasil transformasi dilihat pada tabel 3.2 berikut ini:
35 20 Tabel 3.2 Normalisasi Data Variabel A B C D E F G X1 0,1203 0,1203 0,1203 0,1 0,1203 0,1203 0,1 X2 0,9 0, , , , , ,9 X3 0,1203 0, ,1203 0,1203 0,1203 0,1203 0,14061 X4 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 X5 0,1203 0,1 0,1203 0,1 0,1203 0,1 0,1203 X6 0,1203 0,1203 0,1 0,1203 0,1203 0,1203 0,1 X7 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 X8 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 X9 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 X10 0, , , , , , ,20152 X11 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 X12 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 X13 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 0,1203 X14 0,1203 0,1 0,1203 0,1 0,1 0,1203 0,1203 X15 0,1203 0,1203 0,1203 0,1 0,1 0,1 0,1203 Data dikonversi menjadi angka nominal untuk memudahkan perhitungan algoritma. Pada setiap gejala penyakit mempunyai selang nilai berbeda-beda, dan ada sebagian gejala lainnya hanya diberi nilai 1 untuk nilai ya (ada gejala), dan 0 untuk nilai tidak (tidak ada gejala). Percobaan dilakukan 2 kali, yaitu dengan algoritma Backpropagation dan algoritma Kohonen untuk mengelompokan. Backpropagation Data Masukan JST Kohonen Gambar 3.1. Langkah-langkah pelatihan JST
36 Data Target/Output Berikut adalah data keluaran proses penularan penyakit HIV AIDS (Y) sebagai berikut : Tabel 3.3 Data Target/Output No Keterangan Bobot 1 Penyakit Dikenali 1 2 Penyakit Tidak dikenali Pendefenisian Input dan Output Data Gejala-gejala yang dialami oleh pengidap penyakit ini akan diolah oleh jaringan, agar data tersebut dapat dikenal oleh jaringan maka data tersebut direpresentasikan ke dalam numerik antara 0 dan 1. Hal ini dikarenakan jaringan menggunakan fungsi aktifasi logis yang range-nya dari 0 sampai 1. Dan nilai-nilai ini digunakan berdasarkan kategori dari masing-masing variabel Flowchart Sistem Berikut merupakan langkah-langkah penyelesaian masalah penulis dalam bentuk Flowchart (Diagram Alir) a. Flowchart Backpropagation Adapun Flowchart pelatihan algoritma Backpropagation sebagai berikut : START Data Gejala Dan Data Proses Penularan Gambar 3.2 Flowchart Metode Penelitian A
37 22 A Inisialisasi Bobot Proses Pelatihan JST menggunakan Backpropagation Hitung Tingkat gejala dan proses penularan Hasil Perhitungan Gejala yang dialami Selesai Gambar 3.3 Flowchart Metodologi Penelitian (lanjutan) 3.5. Perancangan Proses Dalam perancangan ini merupakan langkah-langkah yang dilakukan untuk memecahkan masalah. Algoritma Backpropagation dapat disajikan dalam bentuk Flowchart.
38 23 Start Input data yang didapat Setiap masukan akan meneruskan ke hidden layer Jalankan fungsi aktifasi untuk mendapatkan nilai ouput Hitung Input dari setiap bobot Z netj = v j0 + xi vji Hitung komponen error Hitung komponen perubahan suatu error yang didapat Hitung komponen bias jk = (δk Zj) 2 = δk Hitung Perubahan Error 1 = _ ( _ ) A Gambar 3.4Flowchart Perancangan Proses
39 24 A Hitung Semua bobot untuk menuju keluaran Kondisi Pemberentihan perhitungaan dari nilai Selesai Gambar 3.5Flowchart Perancangan Proses Keterangan Flowchart: 1. Mulai Masukan Nilai Bobot 2. Memasukan nilai bobot yg sudah ditentukan berdasarkan jenis gejala-gejala yang di alami 3. Setiap Inputan meneruskan Hidden Layer Memasukan hidden layer yang sudah ditentukan, biasanya Hidden layer ini memiliki nilai antar Mengerjakan Fungsi keluaran Menghitung nilai keluaran dari bobot yang sudah dimasukan.antar nilai bobo dengan nilai hidden layer yang sudah diinput. 5. Menghitung input dari setiap bobot Pada penjelsan ini dimana nilai bobot yang dimasukan akan dihitung bersamaan dengan hidden layer 6. Menghitung komponen error Mencari nilai error dari setiap bobot yang dihitung
40 25 7. Menghitung Perubahan Suatu error 8. Menghitung Komponen Bias Bias atau Hidden Layerakan dihitung menggunakan rumus backpropagation 9. Menghitung Perubahan error 10. Menghitung semua bobot Semua nilai input akan di hitung untuk mendapatkan hasil yg maximal dari bobot 11. Kondisi pemberhentian Apabila nilai tersebut mendekati dari nilai penyakit maka perhitungan diberhentikan 12. Selesai
41 26 BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Analisis Program yang dirancang akan mengimplementasikan. Berikut hasil implementasi dari program untuk pengenalan pola HIV dan AIDS adalah sebagai berikut: Pembobotan Awal Untuk melakukan pembobotan harus memasukan data terlebih dahulu. Dalam inisialisasi pembobotan awal dapat dilakukan dengan metode Backpropagation. Dalam pemberhentian program makan dibutuhkan 2 cara yaitu menggunakan epoch dan error untuk mendapatkan nilai yang dicapai. Dalam melakukan pengisian data maka dilakukan pembobotan yang konstanta. Pada saat tahap pembobotan akan dihitung bobot dan bias untuk melakukan pelatihan. Tahap pembobotan ini akan dipilih secara random, yang mana bobot yang diperoleh akan digunakan untuk feedforward (arus maju). Dimana pada tahap ini akan menerima sinyal X (data yang mempengaruhi penyakit HIV dan AIDS) Sinyal yang dimasukan akan diterima dan dikalikan dengan bobot pada satu node dari input layer menuju hidden layerserta ditambah dengan bias. Setelah tahap ini dilakukan pada masing-masing node padahidden akan dihasilkan sinyal bobot pada satu node hidden layer. Untuk menghitung sinyal output pada hidden layer digunakan fungsi aktivasi sigmoid dan threshold untuk hidden layer. Setelah itu akan menjumlahkan bobot dari sinyal input sehingga didapat sinyal output dari output layer yang sudah diaktifkan. Sinyal yang diperoleh dari output layer akan dihitung error-nya dengan mengurangkan dengan data target. Selisih pengurangannya disebut dengan nilai error. Nilai error harus dicari nilainya lebih kecil dari batas error yang digunakan. Jika nilainya masih diatas batas error maka dilakukan koreksi bobot dan bias, koreksi bobot dan bias
42 27 dilakukan untuk mengurangi nilai error sehingga sistem menemukan pola untuk mendapatkan target. Selanjutnya bobot yang dapat menemukan pola untuk prediksi akan disimpan. Pada tahap pengujian bobot yang diperoleh pada saat pembobotan akan digunakan untuk menguji sistem, apakah sistem sudah dapat menemukan target atau belum. Dalam pengujian ini dilakukan sampai diperoleh error paling rendah atau yang mendekati target yang dicapai. Hasil nilai bobot menggunakan arsitektur yang terlihat pada tabel 4.1 sebagai berikut : variabel Tabel 4.1 Nilai Bobotweight Bobot menuju Hidden Layer(Y1) Bobot menuju Hidden Layer (Y2) X X X X4 0 0 X X X7 0 0 X8 0 0 X9 0 0 X X X X X X Training Data Setelah melakukan pembobotan serta penginputan data maka akan dilakukan pelatihan data. Dalam proses pelatihan akan dilihat dari jumlah Epoch dan batas error yang didapat. Untuk tahap ini menggunakan training menggunakan arsitektur untuk medapatkan pola tersebut. Dapat lihat dari gambar 4.1 berikut ini :
43 28 Gambar 4.1 Pelatihan menggunakan arsitektur Pada pelatihan ini untuk mendapatkan target menggunakan waktu 50 detik dengan epoch 9314iterations dimana performance (goal) yang digunakan 0,0001. Sedangkan dalam bentuk grafik yang terlihat pada gambar 4.2 sebagai berikut :
44 29 Gambar 4.2 Grafik pelatihan menggunakan arsitektur Dari hasil training ini dari 15 variabel yang didapat maka akan mendapatkan nilai output dari terget yang ditentukan serta MSE ( Mean Square Erro) seperti terlihat pada tabel 4.2 dibawah ini : Tabel 4.2 Output, error dan Mse NO Nama Target output Error Mse 1 A 1 0,9875 0,0125 0, B 1 0,9921 0,0079 0, C 1 0,987 0,013 0, D 1 0,9938 0,0062 0, E 1 0,9921 0,0079 0, F 1 0,9904 0,0096 0, G 1 0,9891 0,0109 0, Nilai output langsung diperhitungan dengan menggunakan matlab, dengan sourcecode : [a,pf,af,e,perf]=sim(net,p,[],[],t) apabila dengan perhitungan menggunakan rumus :
45 30 = 2 + Sedangkan untuk mendapatkan nilai error dari target menggunkan rumus : E = t - y k Untuk mendapatka hasil dari MSE ( Mean Square Error ) menggunakan rumus : MSE = Σ Pengujian Data Dalam tahap ini penulis hanya melakukan tahap pengujian untuk mendapatkan keakuratan nilai output yang mendekati target. Penulis melakukan 3 tahap pengujian untuk mendapatkan hasil yang maksimal dari target output dan mendapatkan nilai error yang kecil untuk mengenal pola penyakit HIV dan AIDS serta MSE (Mean Square Error). Dan juga mendapatkan grapik menuju goal ataupn target yang ditentukan Pengujian Data Tahap 1 Pada tahap ini maka akan melakukan akan menghasilkan nilai Output yang terbaik untuk mendekati pola yang diingikan. Pada setiap data yang input akan menghasilkan nilai output yang berbeda sesuai dengan aristektur yang digunakan. Pada tahap ini penulis akan menggunakan arsitektur untuk mendapatkan nilai output dari target yang ditentukan. Pada pengujian tahap 1 ini akan melakukan Dapat dilihat pada gambar 4.3 berikut ini :
46 31 Gambar 4.3 Pengujian data arsitektur Pada saat pengujian data menggunakan arsitektur untuk mendapatkan nilai output dari target yang ditentukan maka proses perhitungannya membutukan waktu 35 detik. Untuk melihat bentuk grafik dari arsitektur ini dilihat pada gambar 4.4berikut ini :
47 32 Gambar 4.4 Bentuk Grafik menuju goal Dari hasil pengujian tahap 1 maka akan mendapatkan error dan output dari target yang ditentukan serta MSE (Mean Square Error ) dan jumlah keakuratan dalam, berapa persen (%) untuk menuju target yang diinginkan. Berikut dilihat pada tabel 4.3 berikut ini : Tabel 4.3 Hasil MSE keakuratan NO Nama Target output Error MSE 1 A 1 0,9958 0,0042 0, B 1 0,9985 0,0015 0, C 1 0,991 0,009 0, E 1 0,9987 0,0013 0, D 1 0,9961 0,0039 0, F 1 0,9794 0,0206 0, G 1 0,9875 0,0125 0,
48 33 Dengan menggunakan arsitektur ini maka yang mendekati keakuratan nilai output yang terbaik hanya 4. Serta keakuratan dalam persen (%) hanya mendapat 56%, dengan total error 0,0530 dan total MSE ( Mean Square Error ) 0, yang mana dalam perhitungan tahap ini belum mencapai target yang ditentukan. Script yang digunakan untuk mendapatkan nilai output dan error menggunakan matlab : [a,pf,af,e,perf]=sim(net,p,[],[],t) Nilai bobot yang didapatkan untuk menuju hidden layer, dapat dilihat pada tabel 4.4 dibawah ini : Tabel 4.4 bobot menuju Hidden Layer Variabel BOBOT MENUJU HIDDEN LAYER X X X X X X X X X X X X X X X Untuk mendapatkan nilai bobot dari menggunakan matlab sebagai berikut : net.iw{1,1}
49 34 sedangkan untuk mendapatkan nilai bias dapat dilihat pada tabel 4.5 sebagai berikut : Tabel 4.5 Nilai Bias Hidden Nilai layer Tabel diatas merupakan nilai bias dari untuk menuju hidden layer, sedangkan untuk nilai weight dari hidden layer menuju output dpat dilihat pada tabel 4.6 dibawah ini : Tabel 4.6 Nilai untuk output Nilai Weight Untuk mendapatkan nilai weight menggunakan matlab : net.lw{2,1} Pengujian data Tahap 2 Pada tahap ini penulis akan melakukan pelatihan dengan 2 hidden layer dengan arsitektur yang mana proses pelatihan ini akan mencoba mendapatkan nilai yang terbaik dari tahap pengujian 1 sebelumnya. Dapat dilihat pada gambar 4.5 dibawah ini :
50 35 Gambar 4.5 hasil perhitungan dengan 2 hidden Layer Pada tahap ini perhitungan dengan 2 hidden layer untuk mendapatkan nilai goal membutuhkan waktu 1 menit dengan total epoch dengan total epoch Performance dalam bentuk grafiknya dapat dilihat pada gambar 4.6 berikut ini : Gambar 4.6 grafik performance dari 2 hidden layer
51 36 Sedangkan grafik untuk melihat training state dapat dilihat gambar dibawah ini : Gambar 4.6 grafik Training State Dari haril pengujian tahap 2 ini penulis mendapatkan nilai output, error serta MSE (Mean Square Error) dan total keakuratan dari 15 variabel yang digunakan. Dapat dilihat pada tabel 4.6 dibawah ini : Tabel 4.6 Total Keakuratan MSE Inisial Target output Error Mse A 1 0,9933 0,0067 0, B 1 0,9932 0,0068 0, C 1 0,9927 0,0073 0, D 1 0,9926 0,0074 0, E 1 0,9928 0,0072 0, F 1 0,9938 0,0062 0, H 1 0,9797 0,0203 0, Pada tahap ini total keakurasian MSE yang didapat sudah mencapai 86% dengan total error yang didapat 0,0619 serta total MSE dari seluruh data mencapai
52 37 0, yang mana total MSE (Mean Square Error) di dapat dari perhitungan MSE yaitu : MSE = Σ Dari beberapa pengujian yang dilakukan penulis nilai yang sama, dimana nilai itu berupa : Goal : 0,0001 Learning Rate : 0,1 Bias : 2 Epoch : Pengujian Tahap 3 Pada Tahap ini merupakan pengujian yang terakhir yang dilakukan penulis untuk mendapatkan nilai output yang maksimal. Disini penulis akan melakukan pengujian dengan arsitektur untuk mendapatkan nilai output yang mendekati pola. Hasilnya dapat dilihat pada gambar 4.7 dibawah ini : Gambar 4.7 pengujian arsitektur
53 38 Dalam tahap pelatihan ini nilaiepoch berhenti diperhitungan ke 9443 dengan waktu 1 menit untuk mendapatkan nilai goal yang ditentukan yaitu Sedangkan bentuk grafik dari pengujian ini dapat dilihat pada gambar 4.8 berikut ini : Gambar 4.8 Bentuk grafik dari arsitektur Dari haril pengujian tahap ini penulis mendapatkan nilai output, error serta MSE (Mean Square Error) dan total variabel sebanyak 15 yang digunakan. Dapat dilihat pada tabel 4.7 dibawah ini : Tabel 4.7 Tabel Prasentasi pengenalan pola No Nama Target output Error Mse 1 A 1 0,9958 0,0042 0, B 1 0,989 0,011 0, C 1 0,9929 0,0071 0, D 1 0,9811 0,0189 0, E 1 0,9924 0,0076 0, F 1 0,992 0,008 0, G 1 0,9942 0,0058 0,
54 39 Pada tahap ini total keakurasian MSE yang didapat sudah mencapai 71% dengan total error yang didapat 0,0626 serta total MSE dari seluruh data mencapai 0, Semua nilai yang dimasukan untuk melakukan pengujian dari tahap 1 sampai dengan tahap 3 untuk mengenal pola yang mana terbaik diantara 3 pengujian yang dilakukan oleh penulis Perbandingan pengujian tahap 1 sampai tahap 3 Pada tahap ini akan melihat perbandingan dari tiga tahap pengujian yang mana diantar 3 tahap tersebut mendekati presentase keakuratan pengenalan pola penyakit. ini : Dalam perhitungan menggunakan matlab dapat dilihat pada tabeldibawah Tabel 4.8 Pengujian dengan Hidden Layer No Inisial Target Output Error Mse 1 A 1 0,9958 0,0042 0, benar 2 B 1 0,9890 0,0110 0, C 1 0,9929 0,0071 0, benar 4 D 1 0,9811 0,0189 0, E 1 0,9924 0,0076 0, benar 6 F 1 0,9920 0,0080 0, benar 7 H 1 0,9942 0,0058 0, benar Total Presentase dari data diatas 71% 0,0626 0, MSE 0,
55 40 Tabel 4.9 Pengujian dengan hidden Layer No Inisial Target output Error Mse 1 A 1 0,9933 0,0067 0, benar 2 B 1 0,9932 0,0068 0, benar 3 C 1 0,9927 0,0073 0, benar 4 D 1 0,9926 0,0074 0, benar 5 E 1 0,9928 0,0072 0, benar 6 F 1 0,9938 0,0062 0, benar 7 H 1 0,9797 0,0203 0, ,0619 0, MSE 0, Total Presentase dari perhitungan diatas 86% 4.10 Pengujian dengan hidden layer NO Inisial Target Output Error Mse 1 A 1 0,9991 0,0009 0, benar 2 B 1 0,9863 0,0137 0, C 1 0,9915 0,0085 0, benar 4 D 1 0,983 0,017 0, E 1 0,994 0,006 0, benar 6 F 1 0,9989 0,0011 0, benar 7 H 1 0,9894 0,0106 0, ,0578 0, MSE 0, Total Presentase dari data diatas mencapai 57% Dalam pembahasan dalam tahap ini bahwa dari 3 tabel tersebut memiliki hasil presentase yang berdeda, hasil yang berbeda ditentukan dari jumlah hidden layer dan bias yang didapat. Dari 3 tabel akan menghitung output dan MSE (mean square error) dari target yang sudah ditentukan yaitu : 1 dan 0. Untuk nilai output didapat dari perhitungan nilai input ke hidden layer dan hidden layer ke output.
56 41 Sedangkat untuk mendapatkan nilai error dihitung dari nilai target dikurangi nilai output, sedangkan nilai MSE (mean square error) didapat dari perpangkatan nilai error yang didapat Pengujian Menggunakan Algoritma Kohonen Pada tahap ini penulis melakukan pengujian cluster menggunakan algoritma kohonen, yang dimana algoritma ini akan mengcluster penyakit dari data yang diinput. Dalam pengujian ini akan menggunakan 100 tresholddan target 1 dari perhitungan epochsebanyak 10525yang ada di algoritma backpropagation. Dimana epoch yang didapat diambil dari pengujian tahap 2 dengan 2 hidden layer yang digunakan. Untuk melihat hasil dari algoritma kohonen Dapat dilihat pada gambar 4.9 berikut ini : Gambar 4.9 Gambar Hasil Clustering
PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA HIV DAN AIDS MENGGUNAKAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION Heru Satria Tambunan AMIK Tunas Bangsa Jalan Sudirman Blok A No. -3, Kota Pematang Siantar, Sumatera
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 terperinciANALISIS PERBANDINGAN ONLINE DAN OFFLINE TRAINING PADA JARINGAN BACKPROPAGATION PADA KASUS PENGENALAN HURUF ABJAD TESIS
ANALISIS PERBANDINGAN ONLINE DAN OFFLINE TRAINING PADA JARINGAN BACKPROPAGATION PADA KASUS PENGENALAN HURUF ABJAD TESIS MUHAMMAD ANGGI RIVAI NST 117038015 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU
Lebih terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciBAB 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 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 terperinciPENGENALANN GERAK ISYARAT MENGGUNAKAN LAYAR VIRTUAL DAN NEURAL NETWORK BACKPROPAGATION
PENGENALANN GERAK ISYARAT MENGGUNAKAN LAYAR SENTUH VIRTUAL DAN NEURAL NETWORK BACKPROPAGATION TESIS STEPHANUS PRIYOWIDODO 107038023 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciPenerapan 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 terperinciTESIS ADYA ZIZWAN PUTRA
ANALISIS KINERJA METODE GABUNGAN GENETIC ALGORITHM DAN K-MEANS CLUSTERING DALAM PENENTUAN NILAI CENTROID TESIS ADYA ZIZWAN PUTRA 147038003 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih terperinciANALISIS PERBANDINGAN ALGORITMA DECISION TREE DENGAN ALGORITMA RANDOM TREE UNTUK PROSES PRE PROCESSING DATA TESIS SAIFULLAH
ANALISIS PERBANDINGAN ALGORITMA DECISION TREE DENGAN ALGORITMA RANDOM TREE UNTUK PROSES PRE PROCESSING DATA TESIS SAIFULLAH 117038036 PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciBAB IV 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 terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciPEMBANGKIT FUNGSI KEANGGOTAAN FUZZY OTOMATIS MENGGUNAKAN NEURAL NETWORK TESIS. Oleh ZARA YUNIZAR /TINF
PEMBANGKIT FUNGSI KEANGGOTAAN FUZZY OTOMATIS MENGGUNAKAN NEURAL NETWORK TESIS Oleh ZARA YUNIZAR 107038018/TINF PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciMODEL RULE DENGAN PENDEKATAN FUZZY SIMPLE ADDITIVE WEIGHTING DAN WEIGHTED PRODUCT PADA PENENTUAN JABATAN DI INSTITUSI PENDIDIKAN TINGGI TESIS
MODEL RULE DENGAN PENDEKATAN FUZZY SIMPLE ADDITIVE WEIGHTING DAN WEIGHTED PRODUCT PADA PENENTUAN JABATAN DI INSTITUSI PENDIDIKAN TINGGI TESIS AJULIO PADLY SEMBIRING 147038059 PROGRAM STUDI S2 TEKNIK INFORMATIKA
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 terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
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 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 terperinciANALISIS PENGARUH PEMBOBOTAN DENGAN METODE NGUYEN WIDROW DALAM BACKPROPAGATION UNTUK PREDIKSI TESIS
ANALISIS PENGARUH PEMBOBOTAN DENGAN METODE NGUYEN WIDROW DALAM BACKPROPAGATION UNTUK PREDIKSI TESIS Oleh HENRA VERYWATI PURBA 107038007/TINF PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS ILMU
Lebih terperinciANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU
ANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU Rosmelda Ginting 1*, Tulus 1, Erna Budhiarti Nababan 1 Program S2 Teknik Informatika
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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciANALISIS KOMBINASI MESSAGE-DIGEST ALGORITHM 5 (MD5) DAN AFFINE BLOCK CIPHERTERHADAP SERANGAN DICTIONARY ATTACK UNTUK KEAMANAN ROUTER WEBLOGIN HOTSPOT
ANALISIS KOMBINASI MESSAGE-DIGEST ALGORITHM 5 (MD5) DAN AFFINE BLOCK CIPHERTERHADAP SERANGAN DICTIONARY ATTACK UNTUK KEAMANAN ROUTER WEBLOGIN HOTSPOT TESIS AIDIL HALIM LUBIS 137038029 PROGRAM STUDI S2
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 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 terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih 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 terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih 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 terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih 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 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 terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih 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 terperinciMODEL FUZZY EXPERT SYSTEM BERBASIS PEMAKAI PADA P.T. BATIK SEMAR CABANG MEDAN TESIS PUTRA SURI ALIM
MODEL FUZZY EXPERT SYSTEM BERBASIS PEMAKAI PADA P.T. BATIK SEMAR CABANG MEDAN TESIS PUTRA SURI ALIM 117038062 PROGRAM STUDI MAGISTER S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciPENGGUNAAN FUZZY QUERY DATABASE UNTUK PENGEMBANGAN MODEL EVALUASI UMPAN BALIK TERHADAP KINERJA DOSEN TESIS. Oleh PONINGSIH /TIF
PENGGUNAAN FUZZY QUERY DATABASE UNTUK PENGEMBANGAN MODEL EVALUASI UMPAN BALIK TERHADAP KINERJA DOSEN TESIS Oleh PONINGSIH 097038011/TIF PROGRAM MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS MATEMATIKA DAN
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih 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 terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciANALISIS PERBANDINGAN ALGORITMA SUPPORT VECTOR CLUSTERING (SVC) DAN K-MEDOIDS PADA KLASTER DOKUMEN TESIS SUHADA
ANALISIS PERBANDINGAN ALGORITMA SUPPORT VECTOR CLUSTERING (SVC) DAN K-MEDOIDS PADA KLASTER DOKUMEN TESIS SUHADA 117038037 PROGRAM STUDI MAGISTER (S2) TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciPREDIKSI PRODUKSI PANEN KELAPA SAWIT MENGGUNAKAN JARINGAN SARAF RADIAL BASIS FUNCTION (RBF) SKRIPSI RINI JANNATI
PREDIKSI PRODUKSI PANEN KELAPA SAWIT MENGGUNAKAN JARINGAN SARAF RADIAL BASIS FUNCTION (RBF) SKRIPSI RINI JANNATI 101402072 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Lebih terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
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 terperinciPENGENALAN POLA PIN BARCODE MENGGUNAKAN METODE BACKPROPAGATION DAN METODE PERCEPTRON SKRIPSI ARDI HASIHOLAN
PENGENALAN POLA PIN BARCODE MENGGUNAKAN METODE BACKPROPAGATION DAN METODE PERCEPTRON SKRIPSI ARDI HASIHOLAN 091401072 PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS
Lebih terperinciJaringan Syaraf Tiruan
Jaringan Syaraf Tiruan Pendahuluan Otak Manusia Sejarah Komponen Jaringan Syaraf Arisitektur Jaringan Fungsi Aktivasi Proses Pembelajaran Pembelajaran Terawasi Jaringan Kohonen Referensi Sri Kusumadewi
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih 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 terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Suara Manusia Menurut Inung Wijayanto (2013), produksi suara manusia memerlukan tiga elemen, yaitu sumber daya, sumber suara dan pemodifikasi suara. Ini adalah dasar dari teori
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciPENGEMBANGAN SISTEM KEAMANAN KOMPUTER MENGAKSES DATA CENTER MENGGUNAKAN ALGORITMA RSA PADA WINDOWS SERVER 2012 DALAM MEDIA HOTSPOT TESIS
PENGEMBANGAN SISTEM KEAMANAN KOMPUTER MENGAKSES DATA CENTER MENGGUNAKAN ALGORITMA RSA PADA WINDOWS SERVER 2012 DALAM MEDIA HOTSPOT TESIS DIVI HANDOKO NASUTION 127038065 PROGRAM STUDI MAGISTER (S2) TEKNIK
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinciJARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom
JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Pertemuan 11 Diema Hernyka Satyareni, M.Kom Outline Konsep JST Model Struktur JST Arsitektur JST Aplikasi JST Metode Pembelajaran Fungsi Aktivasi McCulloch
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih 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 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 terperinciGambar 2.1 Neuron biologi manusia (Medsker & Liebowitz, 1994)
BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks, serta memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang
Lebih terperinciKOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciSebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran
Sebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran Kecerdasan Buatan Pertemuan 11 Jaringan Syaraf Tiruan (Artificial Neural Network)
Lebih terperinciPENGENALAN KARAKTER DAN MANAJEMEN DATABASE PADA FORMULIR ISIAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ)
PENGENALAN KARAKTER DAN MANAJEMEN DATABASE PADA FORMULIR ISIAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN METODE LEARNING VECTOR QUANTIZATION (LVQ) SKRIPSI ANTONI SIAHAAN 051401063 PROGRAM STUDI S-1 ILMU
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD SKRIPSI
ANALISIS DAN PERACANGAN APLIKASI SISTEM PENDETEKSI GANGGUAN JARINGAN KOMPUTER MENGGUNAKAN MULTILAYER DENGAN PELATIHAN FEEDFORWARD SKRIPSI SISKA MELINWATI 061401040 PROGRAM STUDI SARJANA ILMU KOMPUTER DEPARTEMEN
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciFarah Zakiyah Rahmanti
Farah Zakiyah Rahmanti Latar Belakang Struktur Dasar Jaringan Syaraf Manusia Konsep Dasar Permodelan JST Fungsi Aktivasi JST Contoh dan Program Jaringan Sederhana Metode Pelatihan Supervised Learning Unsupervised
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN
SISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN Ahyuna 1), Komang Aryasa 2) 1), 2) Jurusan Teknik Informatika, STMIK Dipanegara Makassar 3) Jl. Perintis
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 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 terperinciJARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA
doi: https://doi.org/10.5281/zenodo.1207339 JARINGAN SYARAF TIRUAN PREDIKSI PENYAKIT LUDWIG ANGINA Siti Aisyah (1), Abdi Dharma (2), Mardi Turnip (3) Sistem Informasi Fakultas Teknologi dan Ilmu Komputer
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciANALISIS SELEKSI ATRIBUT PADA ALGORITMA NAÏVE BAYES DALAM MEMPREDIKSI PENYAKIT JANTUNG
ANALISIS SELEKSI ATRIBUT PADA ALGORITMA NAÏVE BAYES DALAM MEMPREDIKSI PENYAKIT JANTUNG TESIS IVAN JAYA 117038072 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS
Lebih terperinciSKRIPSI RAYMOND P.H. SIRAIT
PERANGKAT LUNAK CAPTURE PLAT NOMOR POLISI MOBIL DENGAN ALGORITMA JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION DAN BACK PROPAGATION BERBASIS IP CAMERA SKRIPSI RAYMOND P.H. SIRAIT 071401040 PROGRAM
Lebih terperinciPENGUKURAN TINGKAT KEMIRIPAN DOKUMEN TEKS DENGAN PROSES ALGORITMA GENETIKA MENGGUNAKAN POSI FORMULATION TESIS DARWIS ROBINSON MANALU
PENGUKURAN TINGKAT KEMIRIPAN DOKUMEN TEKS DENGAN PROSES ALGORITMA GENETIKA MENGGUNAKAN POSI FORMULATION TESIS DARWIS ROBINSON MANALU 127038077 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER
Lebih terperinciANALISIS DAYA SERAP CITRA PADA PESAN BERBAHASA INDONESIA MENGGUNAKAN PENCOCOKAN WARNA GABRIEL ARDI HUTAGALUNG
ANALISIS DAYA SERAP CITRA PADA PESAN BERBAHASA INDONESIA MENGGUNAKAN PENCOCOKAN WARNA TESIS GABRIEL ARDI HUTAGALUNG 147038088 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Lebih terperinciPERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION
Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION Fahmi Hasobaran Dalimunthe
Lebih terperinciANALISIS ALGORITMA C4.5 DAN FUZZY SUGENO UNTUK OPTIMASI RULE BASE FUZZY TESIS VERI ILHADI
ANALISIS ALGORITMA C4.5 DAN FUZZY SUGENO UNTUK OPTIMASI RULE BASE FUZZY TESIS VERI ILHADI 147038067 PROGRAM STUDI S2 TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA
Lebih terperinciKLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION A B S T R A K
KLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION Oleh : Gunawan Abdillah, Agus Komarudin, Rachim Suherlan A B S T R A K Kelainan jantung anak merupakan salah
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan diuraikan materi yang mendukung dalam pembahasan evaluasi implementasi sistem informasi akademik berdasarkan pengembangan model fit HOT menggunakan regresi linier
Lebih terperinci