BAB 2 LANDASAN TEORI. meneliti bagaimana mesin dapat belajar dan berpikir seperti layaknya manusia. Bidang
|
|
- Veronika Halim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 sebuah mesin dapat mempelajari hal-hal baru dan beradaptasi terhadap hal baru tersebut. Menurut Arifudin (2008), intelegensia semu harus dapat mengambil eputusan berdasaran ondisi yang dihadapinya, IS memilii emampuan untu menganalisis masuan yang diberian seperti layanya ota manusia yang mampu berpiir untu menghasilan suatu tindaan. Pemodelan tindaan yang perlu diambil oleh IS dapat bersifat nonlinear. Salah satu pemodelan nonlinear yang sering digunaan dalam IS adalah jaringan saraf tiruan. 2.1 Jaringan Saraf Tiruan Jaringan saraf tiruan JST adalah mesin yang memodelan cara ota melauan operasi atau fungsi tertentu, jaringan ini biasanya diimplementasian dengan menggunaan omponen-omponen eletroni atau disimulasian dengan menggunaan perangat luna pada omputer. Untu mencapai performa yang optimal, jaringan ini bergantung penuh pada sel-sel omputasi yang disebut sebagai neuron atau unit-unit pemrosesan (Hayin, 1999, p2).
2 8 Definisi jaringan saraf tiruan sebagai mesin yang dapat menyesuaian diri (Hayin, 1999) adalah: Jaringan saraf tiruan adalah umpulan processor yang terdistribusi secara paralel dimana unit-unit tersebut disusun oleh unit pemrosesan sederhana, jaringan ini memilii ecenderungan untu menyimpan pengetahuan berdasaran pengalaman sehingga dapat digunaan untu eperluan mendatang. JST meniru dua buah arateristi ota: 1. Pengetahuan yang didapat oleh jaringan, didapat melalui proses pembelajaran. 2. Konesi antara neuron yang dienal debagai synaptic weight, digunaan untu menyimpan pengetahuan Keunggulan JST Keunggulan jaringan saraf tiruan (Hayin 1999) adalah : 1. Nonlinear (Nonlinearity) Sebuah JST dapat memodelan hubungan omples antara masuan dan luaran untu menemuan pola data dari problem nonlinear yang dimodelan. 2. Pemetaan masuan menjadi luaran (Input-Output mapping) Dalam JST terdapat pembelajaran. Pengetahuan pembelajaran disimpan pada bobot sinapsis. Dalam pembelajaran dilauan modifiasi dari bobot sinapsis
3 9 pada JST dengan berdasaran sinyal masuan dan respons luaran yang diharapan. 3. Adaptif (Adaptivity) JST memilii emampuan untu beradaptasi pada lingungan yang berbeda. Sebuah jaringan saraf tiruan yang dilatih untu beroperasi dalam lingungan tertentu dapat tetap mengambil tindaan tepat pada lingungan yang telah mengalami perubahan-perubahan ecil (minor). 4. Toleransi terhadap esalahan (Fault tolerance) JST memilii potensi untu mewarisi sifat fault tolerance, yaitu tetap mampu melauan omputasi yang bai mesipun terjadi penurunan performa aibat ondisi operasi yang tida menguntungan. 5. Dapat diimplementasian secara terpadu dalam sala besar (Very Large Scale Integral Implentability) Sifat bawaan dari JST yang paralel meningatan ecepatan dan membuat JST coco untu diimplementasian pada tenologi VLSI yang menyediaan pemetaan sifat yang omples secara hiraris. 6. Keseragaman dalam analisis dan desain (Uniformity of analysis and design) JST menggunaan notasi yang sama yang dapat digunaan pada sesama domain yang melibatan JST. Neuron, dalam bentu yang satu atau lainnya mempresentasian rumusan yang sama untu semua jaringan saraf tiruan.
4 10 Kesamaan ini memunginan apliasi yang berbeda dalam neural networs berbagi teori dan algoritma pembelajaran Model Neuron Neuron adalah sebuah unit pemrosesan informasi yang paling poo dalam melauan operasi JST (Hayin, 1999). Beriut adalah tiga elemen dari model JST : 1. Setiap set sinapsis memilii arater berdasaran bobot masing-masing sinapsis tersebut (synaptic weight). 2. linear combiner output (jumlah luaran dari synaptic yang beraitan) ditimbang berdasaran daya dari sinapsis yang terhubung e neuron yang bersangutan. 3. Sebuah fungsi ativasi digunaan untu membatasi janguan luaran dari sebuah neuron, seringali disebut sebagai squashing function (fungsi pembatas). Gambar 2.1 Model linear dari sebuah neuron
5 11 Pada gambar di atas, neuron memilii bias b, yang berfungsi menambah atau mengurangi jumlah masuan bagi fungsi ativasi. Penulisan matematia dari gambar di atas adalah sebagai beriut : u = m j= 1 w j x j v = u + b y = ϕ ( v ) dimana : m = jumlah node masuan yang mempunyai sinapsis e node. x 1, x 2,... x m = sinyal masuan. w 1, w 2,..., w m = bobot sinapsis dari neuron. u = linear combiner output. b = bias. v = potensial ativasi atau neuron induced local field. ϕ (v) = fungsi ativasi. y adalah nilai luaran dari neuron.
6 Tipe Fungsi Ativasi Fungsi ativasi yang dinotasian oleh φ(υ) menentuan luaran dari v. Beriut adalah tipe-tipe fungsi ativasi : a. Threshold Function Fungsi yang memberian nilai luaran 1 jia nilai masuan sama atau melebihi nilai threshold tertentu dan selain ondisi tersebut diberian nilai luaran 0. ϕ( v) = { 1 0 v 0 v< 0 b. Piecewise-linear Function Fungsi yang memberian nilai luaran berdasaran range dari nilai masuan yang diberian. Contoh : c. Sigmoid Function Fungsi yang menghasilan urva sigmoid (urva berbentu S). Merupaan fungsi ativasi yang seringali digunaan dalam jaringan saraf tiruan arena bersifat nonlinear. Sebuah contoh dari fungsi sigmoid adalah fungsi logisti, yang
7 13 memilii nilai eluaran non-linear antara 0 dan 1. fungsi logisti didefinisian sebagai beriut : ϕ ( v) 1 = 1 + e v Gambar 2.2 Tipe-tipe fungsi ativasi
8 Mutilayer Perceptron Multilayer Perceptron (MP) adalah sebuah JST yang terdiri dari beberapa set unit sensori berupa sebuah input layer, satu atau lebih hidden layer dan sebuah output layer dari node-node yang melauan omputasi (Hayin, 1999). JST ini berdasaran pada algoritma error-corection learning rule. Multilayer Perceptron memilii tiga arateristi utama 1. Neuron di dalam jaringan ini memilii sebuah fungsi ativasi nonlinear. Contohnya fungsi logisti: ϕ ( v) 1 = 1 + e v 2. Jaringan memilii satu atau lebih layer dari hidden neuron yang buan merupaan bagian dari masuan ataupun luaran. Hidden neuron memunginan jaringan untu mempelajari tugas rumit dengan melauan estrasi secara progresif pada fitur-fitur penting dari pola masuan. 3. Jaringan memilii derajat onetivitas yang tinggi, ditunjuan oleh sinapsis dari jaringan. Perubahan onetivitas dari jaringan aan mengaibatan perubahan dari populasi onesi sinapsis atau berat.
9 15 Gambar 2.3 Arsitetur multilayer perceptron Arsitetur Multilayer Perceptron memilii 3 layer yaitu masuan layer, hidden layer, dan output layer. Setiap layer memilii node yang saling berhubungan pada setiap node yang lainnya. Arsitetur Multilayer Perceptron dapat dilihat pada gambar Bacpropagation Pada penelitian ini, digunaan algoritma Bacpropagation untu melatih MP. Menurut Simon Hayin (1999, p161) Algoritma ini terdiri dari dua bagian yaitu foward dan bacward. Pada bagian foward, masuan diapliasian eseluruh node masuan dan disebaran e layer selanjutnya untu menghitung luaran dari setiap node. Pada bagian bacward, bobot sinapsis yang ada disesuaian. Algoritma Bacpropagation : 1. Inisialisasi bobot sinapsis 2. Pada proses foward bobot dari sinapsis tida mengalami perubahan dan luaran dari setiap node dihitung berdasaran masuan neuron, synaptic weight dan bias.
10 16 Perhitungan dimulai dari tiap node di layer pertama hidden layer hingga ouput layer. Misalan adalah node yang ingin dihitung sinyal luaran-nya (Y). Maa Y dihitung dengan persamaan : u = m j= 1 w j x j v = u + b y = ϕ ( v ) dimana: m = jumlah node masuan yang mempunyai sinapsis e node. x 1, x 2,... x m = sinyal masuan e node. w 1, w 2,..., w m = bobot sinapsis dari neuron masuan e node. u = linear combiner output. b = bias e node. v = potensial ativasi atau neuron induced local field dari node. ϕ (v) = fungsi ativasi. y = nilai luaran dari neuron yang dicari.
11 17 3. Pada proses bacward, bobot dari sinapsis dan bias mengalami perubahan. Besar perubahan bobot dan bias dihitung berdasaran luaran seharusnya, luaran yang didapat, dan learning rate. Perhitungan dilauan mundur dimulai dari tiap node di output layer hingga input layer. Perhitungan besar perubahan menggunaan persamaan sebagai beriut : Untu luaran layer : δ = t y ϕ' ( v ) Δ w j = αδ y j Δ b = αδ setiap node luaran, dihitung informasi errornya atau gradien local ( δ ). dimana: t = nilai luaran seharusnya. Y = nilai luaran yang didapat. ϕ '( v) = turunan pertama dari fungsi ativasi. v = potensial ativasi atau neuron induced local field dari node. Δw j = besar oresi bobot sinapsis dari neuron masuan j e neuron. α = learning rate. y j = luaran dari neuron j yang menjadi masuan bagi neuron.
12 18 Δ b = besar oresi bias e node. Untu hidden layer : δ j = m = 1 δ w j ϕ' ( v j ) Δ w Δ b ij j = αδ y = αδ j j i setiap node hidden j, dihitung informasi errornya atau gradien local ( δ ). dimana: j δ = informasi error pada node. w j = nilai bobot sinapsis dari node j e node. v j = potensial ativasi atau neuron induced local field dari node j. Δw ij = besar oresi bobot sinapsis dari neuron masuan i e neuron j. y i = luaran dari neuron j yang menjadi masuan bagi neuron. Δ b j = besar oresi bias e node j.
13 19 Gambar 2.4 Aliran sinyal error dari omputasi bacward Untu melauan omputasi nilai δ untu setiap neuron, diperluan turunan dari fungsi ativasi ϕ '( v). Fungsi turunan dari fungsi logisti adalah sebagai beriut : ϕ' ( v) = ϕ( v)(1 ϕ( v)) Kriteria Pemberhentian Beriut ini beberapa riteria pemberhentian pada algoritma bacpropagation (Hayin, 1999) adalah sebagai beriut : 1. Algoritma bacpropagation mengalami onvergensi etia norma Euclidean dari vector gradient mencapai batasan gradient. 2. Algoritma bacpropagation mencapai onvergensi etia tingat perubahan dari uadrat rata-rata eror untu setiap epoch (perulangan) cuup ecil 3. Algoritma bacpropagation onvergen etia performa generalisasi dari jaringan mencapai titi puncanya.
14 Inisialisasi Bobot Sinapsis Inisialisasi bobot sinapsis pada JST dapat dilauan dengan memberian inisialisasi aca pada interval nilai tertentu. Untu inisialisasi secara aca bisa mengambil bilangan aca dari 0 1 atau dari -0.5 sampai 0.5. Tapi penentuan bobot sinapsis yang terlalu random bisa memicu lambatnya proses training Menurut I Putu Sundia (2008) untu mempercepat proses training, bisa dipaai teni inisialisasi bobot sinapsis yang diemuaan oleh Nguyen dan Widrow (Derric Nguyen dan Bernard Widrow, 1990). Umumnya, inisialisasi Nguyen-Widrow memberian watu training yang lebih singat dibandingan inisialisasi random. Untu melauan inisialisasi Nguyen-Widrow pertama-tama dicari beta ( β ). β = 0.7( 1/ n p) = 0. 7n p dimana: n = jumlah node masuan. p =jumlah node hidden. Algoritma Nguyen-Widrow adalah sebagai beriut : 1. Ambil nilai nilai bobot sinapsis secara aca dari -0.5 sampai dengan 0.5 atau antara y dan y. 2. v ij βv = v ij ij ( old) ( old) 3. Untu biasnya ambil nilai aca dari bilangan antara - β sampai β.
15 21 Setelah bobot sinapsis dinisialisasi dengan metode Nguyen-Widrow Proses belajar aan menjadi lebih cepat seperti terlihat pada perbandingan dibawah. Tabel 2.1 Perbandingan iterasi inisialisasi random dan Nguyen-Widrow Random (perulangan) Nguyen-Widrow (perulangan) Binary XOR 2,891 1,935 Bipolar XOR Learning Rate Learning Rate (α ) adalah salah satu parameter yang menentuan ecepatan belajar dan tingat efetivitas training JST. Learning rate dibutuhan etia menghitung besar oresi bobot sinapsis Δw dan oresi bobot bias Δ b. Contoh : Dalam sebuah JST terdapat sebuah bobot sinapsis sebesar 0.3. Ketia JST diberian training sample baru, algoritma BP membutuhan bobot sinapsis tersebut diubah menjadi 0.7. Jia bobot sinapsis langsung diubah menjadi 0.7, JST aan dapat mengenali sample baru tersebut dengan bai. Namun, cenderung aan melupaan semua semua sample yang telah dipelajari sebelumnya arena nilai bobot sinapsis 0.3 merupaan hasil dari semua proses belajar yang dialami oleh JST sebelum sample baru. Karenanya, bobot sinapsis tida langsung diubah menjadi 0.7, melainan dibawa mendeati 0.7 perlahan. Bobot sinapsis tersebut diubah sebagian, misalan 0.25% dari perubahan yang dibutuhan sehingga bobot sinapsis yang baru menjadi 0.4. Fator 0.25 ini disebut sebagai learning rate.
16 22 Ketia silus ini diulang dalam jumlah yang besar selama training, JST mempelajari semua sample secara efetif Momentum Performa Algoritma BP dapat ditingatan dengan menggunaan momentum dan jitter. Momentum diasosiasian terhadap sinapsis untu menentuan ecenderungan sinapsis mempertahanan bobot perubahan sinapsis sebelumnya. Fator ini berisar dari anga 0 hingga 1. Dalam BP dengan momentum, perubahan bobot sinapsis dipengaruhi oleh perubahan bobot sinapsis sebelumnya. Untu memastian proses pembelajaran JST terhindar dari penyimpangan yang disebaban oleh noise dalam data training. Momentum juga membantu fungsi tujuan onvergen lebih cepat sehingga mempercepat proses pembelajaran. Δw = αδ + momentum n * Δwn Jitter Kurva esalahan dari JST BP biasanya memilii bentu yang omples. Diawali dengan esalahan pada titi tertentu di awal, esalahan aan berurang / berubah seiring dengan proses training. Agar training memberian JST terbai, esalahan diharapan mencapai global minimum dari urva. Ketia training, tingat error JST dapat terperangap pada loal minimum. Selama JST bereasi dengan tepat pada training dan data tes, tida masalah apaah JST mencapai global minimum atau local minimum. Namun pada eadaan tertentu, hal ini dapat membawa JST pada eadaan esetimbangan (equilibrium) dimana terjadi training yang tida bermanfaat. Masalah ini biasa dapat diselesaian dengan menginisialisasi ulang JST dengan nilai random dan training
17 23 embali. Namun hal ini tida pratis dan memaan watu. Jitter diberian pada JST etia training untu membantu JST eluar dari local minimum Jitter adalah proses penambahan noise aca dalam jumlah ecil pada bobot sinapsis pada interval watu tertentu. Sehingga membantu mencegah JST menetap pada local minimum. Interval watu dimana noise aca ini diberian disebut dengan Jitter Epoch. Setiap interval Jitter Epoch pada setiap sinapsis dalam JST dilauan : w = w + JitterNoise Gambar 2.5 Local Minimun dan Global Minimum 2.2 Analisis strutur persamaan matematia Pada persamaan matematia, simbol saling berhubungan satu sama lain, contohnya superscript seperti 2, dan sebagainya. 3 2, atau above dan under seperti 2, dan inside seperti 3 Sebuah simbol dapat memilii relasi berbeda jia diaitan dengan simbol lain. Misalnya pada 2 tanda minus mempunyai row relasi row dengan 2 sedangan pada
18 24 2 simbol 2 mempunyai relasi above dengan frasi dan simbol 3 mempunyai relasi 3 below dengan frasi. Berdasaran hubungan antar simbol, strutur matematia dari persamaan dapat dibentu. Untu menganalisis strutur pada persamaan matematia yang diberian, diperluan identifiasi relasi antara simbol satu dengan yang lainnya baru emudian ditentuan strutur persamaannya Relasi antar simbol Untu menentuan relasi antar simbol, diperluan perhitungan posisi relatif antar simbol. Persamaan matematia bisa direpresentasian dalam dua dimensi, untu menganalisis struturnya dapat digunaan pendeatan geometri dengan onsep ota pembatas. Kota pembatas adalah bangun 2 dimensi berupa ota yang dapat didefinisan sebagai ota terecil yang melingupi sebuah simbol secara eseluruhan. Gambar 2.6 Kota pembatas pada simbol
19 25 Titi merah mewaili titi tengah dari simbol. Setiap ota pembatas mempunyai batas top, bottom, left dan right. Relasi dalam espresi matematia : Gambar 2.7 Perbedaan tipe-tipe dalam relasi simbol 1. Row : jia batas iri sebuah simbol lebih ecil dari batas iri simbol setelahnya dan edua simbol tida beririsan serta terleta dalam baseline yang sama. Baseline dihitung berdasaran posisi relatif y simbol satu terhadap simbol lain. 2. Superscript : jia batas atas dari sebuah simbol lebih ecil dari batas atas simbol setelahnya dan edua simbol tida beririsan serta simbol setelahnya terleta pada baseline yang lebih tinggi dan tida tepat berada di atas simbol pertama. 3. Subscript : jia batas bawah dari sebuah simbol lebih ecil dari batas bawah simbol setelahnya dan edua simbol tida beririsan serta simbol setelahnya terleta pada baseline yang lebih rendah dan tida tepat berada di bawah simbol pertama.
20 26 4. Prescript : jia batas atas dari sebuah simbol lebih ecil dari batas atas simbol sebelumnya dan edua simbol tida beririsan serta simbol sebelumnya terleta pada baseline yang lebih tinggi dan tida tepat berada di atas simbol pertama. 5. Inside / Outside : jia ota pembatas sebuah simbol beririsan dengan ota pembatas simbol setelahnya, batas iri simbol setelahnya lebih besar daripada batas iri simbol tersebut dan batas atas simbol setelahnya lebih besar daripada simbol itu. 6. Above : jia batas atas dari sebuah simbol lebih ecil dari batas atas simbol setelahnya dan edua simbol tida beririsan serta simbol setelahnya terleta pada baseline yang lebih tinggi dan tepat berada di atas simbol pertama. 7. Under : jia batas bawah dari sebuah simbol lebih ecil dari batas bawah simbol setelahnya dan edua simbol tida beririsan serta simbol setelahnya terleta pada baseline yang lebih rendah dan tepat berada di bawah simbol pertama Progressive Structural Analysis Merupaan metode untu menganalisis strutur persamaan matematia yang diemuaan oleh Ba-Quoy Vuong (2007, p2) dan merupaan adaptasi dari metodemetode yang sudah ada sebelumnya. Dalam studi-studi sebelumnya, beberapa teni analisis strutur matematia telah diemuaan, diantaranya : Grammar-based approaches (Chou, 1989), baseline tree structure (Zannibbi et al, 2002), dan Minimum Spanning Tree (Tapia dan Rojas, 2003, 2005). Teni seperti Grammar-based approaches dinilai lambat, sementara yang lain sensitif terhadap esalahan penulisan yang dilauan oleh user. Secara umum, metode-metode ini memilii esamaan yaitu menganalisis strutur persamaan etia pengguna selesai memberi masuan persamaan matematia secara
21 27 eseluruhan. Hal ini menimbulan jeda watu yang cuup lama antar esalahan pengenalan terutama untu espresi yang panjang. Gambar 2.8 Progressive Structural Analysis Pada PSA, simbol dan strutur dienali secara dinamis selama user menulisan espresi matematia yang diinginan. Pendeatan ini membantu pengguna mendetesi esalahan pengenalan simbol dan memperbaiinya segera setelah ditulis. Pengguna tida harus menunggu sampai penulisan espresi matematia selesai secara eseluruhan lalu memperbaii esalahan yang terjadi. Proses onversi persamaan berlangsung secara reursif dari iri e anan. Luaran yang diembalian dari proses ini berupa persamaan matematia yang dienali dalam format text linear. Analisis strutur matematia yang dilauan menggunaan algoritma sebagai beriut : 1. Urutan urutan simbol dari iri e anan. 2. Baca simbol dari iri e anan 3. Jia simbol yang sedang dibaca merupaan simbol husus (memilii relasi selain row dengan simbol lain), cari elemen persamaan yang beraitan dengan simbol husus itu. Pada setiap pencarian elemen yang beraitan
22 28 lauan embali pengecean apaah dari simbol-simbol yang beraitan juga memilii simbol husus (reursif) Presedensi urutan pencarian : - cari elemen above dan below dari simbol frasi - cari elemen inside dari simbol pangat - cari elemen superscript dari simbol berpangat 4. Jia simbol yang sedang dibaca merupaan simbol yang memilii relasi row, maa tambahan e hasil. 2.3 Analisis hasil persamaan matematia Untu mengevaluasi hasil perhitungan, dilauan penelusuran terhadap persamaan dalam format text linear oleh penganalisis hasil persamaan matematia (expression analyzer) Algoritma penganalisis hasil persamaan matematia adalah sebagai beriut : 1. Mencari operator. Dicari indes operatornya 2. Untu tiap operator yang ditemuan, cari hasil operasi antara espresi matematia di iri operaror dengan espresi matematia di anan operator. Setiap pencarian hasil dari espresi matematia bai iri maupun anan dilauan langah 1 dan 2 secara reursif 3. presedensi operator dijaga dengan mengatur urutan pencarian operator (operator yang dicari terlebih dahulu) : a. + dan b. * dan / c. sin, cos, dan tan
23 29 d. sqr e. log f. pangat g. ( dan ) 2.4 Perancangan Apliasi Reayasa Piranti Luna Reayasa Piranti Luna menurut Fritz Bauer (Pressman, 2005, p23) adalah penetapan dan pemaaian prinsip-prinsip reayasa dalam ranga mendapatan piranti luna yang eonomis yaitu terpecaya dan beerja efisien pada mesin (omputer). Dalam perancangan software dienal istilah software life cycle yaitu serangaian egiatan yang dilauan selama masa perancangan software. Secara umum dalam membuat sebuah sistem terdapat beberapa pemodelan proses, salah satu diantaranya adalah waterfall model. Menurut Dix (1997, p180), beriut adalah visualisasi dari egiatan pada software life cycle model waterfall: 1. Spesifiasi ebutuhan (Requirement specification) Pada tahap ini, piha pengembang dan onsumen mengidentifiasi apa saja fungsi-fungsi yang diharapan dari sistem dan bagaimana sistem memberian layanan yang diminta. Pengembang berusaha mengumpulan berbagai informasi dari onsumen. 2. Perancangan arsitetur (Architectural design) Pada tahap ini, terjadi pemisahan omponen-omponen sistem sesuai dengan fungsinya masing-masing.
24 30 3. Detailed design Setelah memasui tahap ini, pengembang memperbaii desripsi dari omponenomponen dari sistem yang telah dipisah-pisah pada tahap sebelumnya. 4. Coding and unit testing Pada tahap ini, disain diterjemahan e dalam bahasa pemrograman untu dieseusi. Setelah itu omponen-omponen dites apaah sesuai dengan fungsinya masing-masing. 5. Integration and testing Setelah tiap-tiap omponen dites dan telah sesuai dengan fungsinya, omponenomponen tersebut disatuan lagi. Lalu sistem dites untu memastian sistem telah sesuai dengan riteria yang diminta onsumen. 6. Pemeliharaan (maintenance) Setelah sistem diimplementasian, maa perlu dilauannya perawatan terhadap sistem itu sendiri. Perawatan yang dimasud adalah perbaian error yang diteman setelah sistem diimplementasian. Gambar 2.9 Software Life Cycle Model Waterfall Sumber: Dix (1997, p181)
25 Unified Modelling Language Unified Modelling Language (UML) adalah bahasa visual pemodelan yang digunaan untu menentuan, memberi gambaran, gagasan dan doumentasi dari sebuah sistem piranti luna, juga untu mengambil eputusan dan mengerti mengenai sistem yang aan dibangun. UML digunaan agar sistem yang dibuat dapat dimengerti, dirancang, dibangun, dipelihara, dan diontrol informasinya (Booch et. al., 1999, p3) UML merupaan suatu bahasa untu memvisualisasian, menspesifiasi, mengonstrusi, dan mendoumentasian artifacts dari suatu sistem piranti luna. UML digunaan mengespresian model-model dari sistem yang aan dibuat dan tida mengajaran bagaimana cara mengembangan suatu piranti luna Flowchart Flowchart adalah representasi sema dari suatu algoritma atau suatu proses ( Wiipedia, 2008 ). Pertama ali diperenalan oleh Fran Gilbreth pada tahun 1921 dan saat ini menjadi alat yang sering digunaan untu menunjuan aliran proses dalam sebuah algoritma. Sebuah flowcart umumnya terdiri dari simbol-simbol antara lain: 1. Simbol oval atau persegi panjang dengan ujung-ujung tumpul Simbol ini menandaan mulai atau selesai yang menunjuan awal atau ahir dari sebuah proses. 2. Ana panah Simbol ini menunjuan alur ontrol dalam suatu algoritma. Ana panah eluar dari suatu simbol dan berahir pada simbol lain yang menunjuan ontrol beralih epada simbol yang ditunjuan oleh ana panah.
26 32 3. Persegi panjang Simbol ini mewaili langah proses, input atau output. Contoh : nilai x diurang Belah etupat Simbol ini mewaili ondisi atau eputusan yang umumnya mempunyai dua jawaban saja. Gambar 2.10 Contoh Flowchart Sumber: Use Case Diagram Use Case menunjuan hubungan interasi antara ator dengan use case di dalam suatu sistem (Mathiassen, 2000, p343) yang bertujuan untu menentuan bagaimana ator berinterasi dengan sebuah sistem. Ator adalah orang atau sistem lain yang berhubungan dengan sistem.
27 33 dibawah ini. Ada tiga simbol yang mewaili omponen sistem seperti terlihat pada gambar Class Diagram Gambar 2.11 Notasi Use Case Diagram Sumber : Mathiassen (2000, p343) Class Diagram adalah penggambaran strutur relasi antara class-class dan obje-obje dalam suatu model (Mathiassen, 2000, p69-70). Class merupaan pembentu utama dari sistem berorientasi obje yang digambaran dalam bentu segi empat yang terbagi menjadi tiga bagian. Bagian atas merupaan nama dari class, bagian tengah berisi atribut dari class, dan bagian bawah berisi behaviour dari class (Booch, et. al., 1999, pp42-45). Gambar 2.12 Notasi Class Diagram
28 Sequence Diagram Menggambaran bagaimana obje berinterasi satu sama lain melalui pesan pada pelasanaan use case atau operasi. Sequence diagram mengilustrasian bagaimana pesan diirim dan diterima antar obje secara berurutan. (Whitten et. al., 2004, p441). Beberapa notasi sequence diagram terlihat pada gambar dibawah ini. Gambar 2.13 Notasi Sequence Diagram Sumber: Whitten (2004, p441)
BAB 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 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 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 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 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 Program
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1 Penjadwalan 2.1.1 Jadwal Secara Umum Menurut Kamus Besar Bahasa Indonesia (KBBI), jadwal adalah pembagian watu berdasaran rencana pengaturan urutan erja, daftar atau tabel egiatan
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 terperinciBAB 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciBAB 2 LANDASAN TEORI. relevan, lengkap, dan terkini sejalan dengan permasalahan yang dihadapi. Di sini juga
BAB 2 LANDASAN TEORI Dalam landasan teori ini, pada dasarnya aan dielasan mengenai teori yang relevan, lengap, dan terini sealan dengan permasalahan yang dihadapi. Di sini uga terdapat hubungan antara
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 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 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 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 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 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 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 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 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 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 terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
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 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 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 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 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 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 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 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 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 terperinciMakalah Seminar Tugas Akhir
Maalah Seminar Tugas Ahir PENDETEKSI POSISI MENGGUNAKAN SENSOR ACCELEROMETER MMA7260Q BERBASIS MIKROKONTROLER ATMEGA 32 Muhammad Riyadi Wahyudi, ST., MT. Iwan Setiawan, ST., MT. Abstract Currently, determining
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 terperinciII. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode
3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode
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 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 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 terperinciPENERAPAN PROGRAM DINAMIS UNTUK MENGHITUNG ANGKA FIBONACCI DAN KOEFISIEN BINOMIAL
PENERAPAN PROGRAM DINAMIS UNTUK MENGHITUNG ANGKA FIBONACCI DAN KOEFISIEN BINOMIAL Reisha Humaira NIM 13505047 Program Studi Teni Informatia Institut Tenologi Bandung Jl. Ganesha 10, Bandung E-mail : if15047@students.if.itb.ac.id
Lebih terperinciPenerapan Sistem Persamaan Lanjar untuk Merancang Algoritma Kriptografi Klasik
Penerapan Sistem Persamaan Lanjar untu Merancang Algoritma Kriptografi Klasi Hendra Hadhil Choiri (135 08 041) Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
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 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 terperinciPenentuan Nilai Ekivalensi Mobil Penumpang Pada Ruas Jalan Perkotaan Menggunakan Metode Time Headway
Rea Racana Jurnal Online Institut Tenologi Nasional Teni Sipil Itenas No.x Vol. Xx Agustus 2015 Penentuan Nilai Eivalensi Mobil Penumpang Pada Ruas Jalan Perotaan Menggunaan Metode Time Headway ENDI WIRYANA
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 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 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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp
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 terperinciPENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU
PENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU Wahyudi 1, Adhi Susanto 2, Sasongo P. Hadi 2, Wahyu Widada 3 1 Jurusan Teni Eletro, Faultas Teni, Universitas Diponegoro, Tembalang,
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 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 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 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 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 terperinciAPLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK
APLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK Novhirtamely Kahar, ST. 1, Nova Fitri, S.Kom. 2 1&2 Program Studi Teni Informatia, STMIK
Lebih terperinciPENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR
PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR Ngarap Im Mani 1) dan Lim Widya Sanjaya ), 1) & ) Jurs. Matematia Binus University PENGANTAR Perancangan percobaan adalah suatu
Lebih terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
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 terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciBAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
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 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 terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
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 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 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 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 terperinciSISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN
SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN Julian Supardi, Rz. Abdul Aziz, Syepriansyah Seolah Tggi Manaemen Informatia dan Komputer Darmaaya Jl. Z.A Pagar Alam No. 93 Bandar Lampung Indonesia
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 terperinciPELABELAN FUZZY PADA GRAF. Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman.
JMP : Volume 6 Nomor, Juni 04, hal. - PELABELAN FUZZY PADA GRAF Siti Rahmah Nurshiami, Suroto, dan Fajar Hoeruddin Universitas Jenderal Soedirman email : oeytea0@gmail.com ABSTRACT. This paper discusses
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 terperinciKONTROL MOTOR PID DENGAN KOEFISIEN ADAPTIF MENGGUNAKAN ALGORITMA SIMULTANEOUS PERTURBATION
Konferensi Nasional Sistem dan Informatia 29; Bali, November 14, 29 KONTROL MOTOR PID DENGAN KOEFISIEN ADAPTIF MENGGUNAKAN ALGORITMA SIMULTANEOUS PERTURBATION Sofyan Tan, Lie Hian Universitas Pelita Harapan,
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 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 terperinciESTIMASI TRAJECTORY MOBILE ROBOT MENGGUNAKAN METODE ENSEMBLE KALMAN FILTER SQUARE ROOT (ENKF-SR)
SEMINAR NASIONAL PASCASARJANA SAL ESIMASI RAJECORY MOBILE ROBO MENGGUNAKAN MEODE ENSEMBLE KALMAN FILER SQUARE ROO (ENKF-SR) eguh Herlambang Zainatul Mufarrioh Firman Yudianto Program Studi Sistem Informasi
Lebih terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
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 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 terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Tinjauan Pustaa Untu menacapai tujuan penulisan sripsi, diperluan beberapa pengertian dan teori yang relevan dengan pembahasan. Karena itu, dalam subbab ini aan diberian beberapa
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
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 terperinci