Aplikasi Neural-Fuzzy pada Regresi Interval untuk Data Time Series
|
|
- Johan Suryadi Setiawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Apliasi Neural-Fuzzy paa Regresi Interval untu Data Time Series Sri Kusumaewi Jurusan Teni Informatia, Universitas Islam Inonesia, Yogyaarta Jl. Kaliurang K, 4, Yogyaarta (04 cicie@fti.uii.ac.i Abstra Neural Fuzzy System (NFS irancang untu merealisasian proses penalaran fuzzy. Paa NFS, bobotbobot yang terhubung paa jaringan tersebut berhubungan engan parameter-parameter penalaran fuzzy. Paa penelitian ini, NFS aan iapliasian untu regresi interval engan ata yang bersifat time series. Koefisien-oefisien regresi irepresentasian engan menggunaan bilangan fuzzy. Algoritma pembelajaran bacpropagation aan igunaan untu melatih ata time series tersebut untu menapatan bobot-bobot ahir, yang nantinya aan igunaan untu mengestimasi batas bawah an batas atas interval. Data yang igunaan alam penelitian aalah ata musiman alam 4 perioe. Proses pembelajaran ilauan engan ata pelatihan, an 4 ata pengujian, engan neuron paa lapisan tersembunyi, laju pembelajaran =, momentum = 0,; toleransi error = -, an masimum epoh = 000. Hasil penelitian menunjuan bahwa MSE untu ata pelatihan sebesar 0,00 (untu BPN an 0,00 (untu BPN -. Seangan mean interval antara batas bawah engan nilai atual untu ata pelatihan sebesar,46 (BPN an,4 (BPN -, serta untu ata pengujian sebesar, (BPN an 4, (BPN -. Kata Kunci : fuzzy, regresi, bacpropagation. Penahuluan Moel regresi terbuti telah memilii ehanalan untu penyelesaian masalah interpolasi maupun estrapolasi. Suatu nilai tegas y iperoleh sebagai fungsi ari x, y = f(x. tentu saja nilai y buanlah nilai esa, engan ata lain terapat toleransi error antara nilai y sebagai fungsi ari x, engan nilai atual yang iharapan. Tentu saja toleransi error iharapan cuup ecil sehingga aurasi y sebagai hasil regresi juga cuup tinggi. Untu mengaomoasi hal ini, apat ibuat suatu interval ebolehan yang mana eberaaan ata hasil regresi alam interval tersebut masih iperbolehan (menapatan toleransi. Interval ini sebenarnya apat irepresentasian engan memberian nilai oefisien regresi sebagai bilangan fuzzy. Misalan iberian pasangan input output (x,, =,,...,p engan x = (x, x,..., x n. Moel regresi fuzzy paa pola e- irepresentasian sebagai: Y(x = A 0 A x... A n x n ( engan A i aalah bilangan fuzzy. Oleh arena itu, nilai estimasi output Y(x juga merupaan bilangan fuzzy. Beberapa penelitian an apliasi tenteng regresi interval telah ilauan alam Changha (006, Dug (00, Dug (00, Tseng (00. Jaringan syaraf engan algoritma pembelejaran bacpropagation juga telah terbuti apat igunaan untu peneatan fungsi engan menggunaan proses pembelajaran, sebagai pengganti regresi. Paa penelitian ini, aan igunaan jaringan syaraf bacpropagation untu peneatan fungsi (regresi engan oefisien-oefisien yang irepresentasian engan bilangan fuzzy. Aapun ata yang aan ilatih an iuji merupaan ata yang bersifat time series.. Dasar Teori Konsep asar ari analisis regresi interval yang iasaran paa jaringan bacpropagation, iperenalan oleh Ishibuchi an Tanaa (. Moel tersebut menggunaan jaringan bacpropagation. Satu jaringan igunaan untu batas atas interval, seangan satu jaringan lainnnya igunaan untu batas bawah interval ata. Keua jaringan tersebut ilatih secara terpisah. Misalan g (x an g - (x aalah output ari eua jaringan bacpropagation tersebut (BPN an BPN - yang
2 berhubungan engan input vetor x, imana setiap jaringan memilii n neuron paa lapisan input an neuron paa lapisan output. Proses pembelajaran ilauan terhaap eua jaringan (BPN an BPN - untu menapatan output jaringan g (x an g - (x yang beraitan engan onisi sebagai beriut: g - (x g (x, =,,..., p. ( Paa proses pembelajaran BPN, fungsi biaya yang igunaan aalah: = [ g (x ] p E = E ( p = α = engan α iberian sebagai beriut: ; > g (x = (4 α; g (x α engan α aalah bilangan positif yang cuup ecil paa interval (0,. Nilai α ini apat iberian engan menggunaan fungsi penurunan, sebagai: (t = t 000 α ( engan t aalah iterasi e. Aturan pembelajaran bacpropagation engan lapisan ( lapisan input, lapisan tersembunyi, an lapisan output an fungsi ativasi sigmoi, igunaan untu menapatan bobot-bobot w j (bobot antara lapisan tersembunyi engan lapisan output an w ji (bobot antara lapisan input engan lapisan tersembunyi paa jaringan BPN, perbaian bobot ilauan sebagai beriut. engan E w j = η = ηδ y j (6 w j E w ji = η = ηδ jx i ( w ji δ = α y y ( y ( j ( δ = y ( y δ w ( j j j y = g (x aalah output jaringan, an y j aalah output neuron e-j paa lapisan tersembunyi untu input x. Dengan cara yang sama, pembelajaran juga ilauan paa jaringan BPN - untu menapatan output jaringan g - (x. Fungsi biaya yang igunaan untu pembelajaran ini seperti terlihat paa persamaan (, engan α iberian sebagai beriut: α; g (x α = ( ; < g (x engan α aalah bilangan positif yang cuup ecil paa interval (0,. Dengan menggunaan eua algoritma pembelajaran tersebut, ita apat menentuan fungsi, g (x an g - (x imana g - (x g (x, =,,..., p. Dari sini, apat iperoleh interval: G(x = [g - (x, g (x] ( Karena g (x an g - (x iperoleh ari pembelajaran yang terpisah, maa sangat imunginan g (x < g - (x. Sehingga, jia hal tersebut terjai, maa apat ilauan moifiasi paa interval tersebut sebagai beriut: g (x; h (x = g (x; h (x = ( g (x g (x; ( g (x g (x; g (x g (x g (x > g (x g (x g (x g (x > g (x Dengan emiian, interval yang terjai aalah:. Hasil ( ( G(x = [h - (x, h (x] (4 Diberian ata-ata penjualan mie instan alam hari seperti terlihat paa Tabel. Kolom hari menunjuan hari (S=Senin, S=Selasa, R= Rabu, st, No menunjuan nomor urut (ari sampai, an P menunjuan jumlah permintaan mie instan paa hari tersebut alam satuan us (Kusumaewi,
3 Tabel Data-ata penjualan mie instan alam 4 bulan. Hari Tgl No P Tgl No P Tgl No P Tgl No P Tgl No P S 4 S R 4 K J 6 4 S M S S 4 6 R K 6 6 J S M S 4 S R 4 K J S M 4 6 S S R K 0 J S M Data-ata tersebut iperlihatan secara grafis paa Gambar. Jumlah permintaan aan tinggi paa hari-hari tertentu yaitu Sabtu an Minggu. Demiian juga, paa awal atau ahir bulan, permintaan mie instan ini bahan lebih tinggi. 40 Grafi Penjualan Penjualan 0 0 Gambar Data-ata penjualan atual secara grafis. Input sistem aalah permintaan e-(t-, (t-4, (t- an (t. Seangan output sistem aalah permintaan e-(t. Dengan emiian aan terapat rentang ata ari hingga 4 ( ata. Dari ata tersebut aan igunaan sebanya ata untu ilatih yang apat ilihat paa Hari e-
4 Tabel, seangan sisanya sebanya 4 ata aan igunaan sebagai ata pengujian yang apat ilihat paa Tabel. Tabel Tujuhpuluh sembilan ata yang aan icluster. No t No 4 6 Input Out Input Out t- t- No t- t- t- t t t t Tabel Empatbelas yang aan ice. Input Out t- t-4 t- t t No 4 Input Out t- t-4 t- t t 4 0 Selanjutnya, paa ata pelatihan, ilauan pembelajaran, masing-masing untu BPN - an BPN menggunaan jaringan bacpropagation, engan neuron paa lapisan tersembunyi, laju pembelajaran =, momentum = 0,; toleransi error = -, an masimum epoh = 000. Hasil pembelajaran memberian nilai h - an h untu ata pelatihan seperti terlihat paa Tabel 4. Hasil penelitian menunjuan bahwa MSE untu ata pelatihan sebesar 0,00 (untu BPN an 0,00 (untu BPN -. Seangan mean interval antara batas bawah engan nilai atual untu ata pelatihan sebesar,46 (BPN. Tabel 4 Hasil h - an h untu ata pelatihan. Data e h - y h,46,44,646,46,6,,,4466,0,0,4,6,06,66,00,60,6,,64,00 4,,40,,6,06,6,0,6,400,40,664,, ,44,664 4, 4,6 4,40,,,04,6 4,,4 4,40, 0,6,64 4,0 4,40 4, 4,,04,44,0,60 4,40,6,06,4,6,6,06, 4,60,064 64
5 Data e h - y h,4 0,4,6,4,6,4,6,,6,40,64,6,6,0,4 4,04,00,0,00,4,6,46,4,6,46,0,6,00,,06,4,,,44,44,0,06,4,60,,0, 4,0,64,46, ,4,4 4,,06,0 4,0,6 0,,6,44 4,6,66 4,,44,,,6 4, 6,,40 6,60, 4,,6,,,04,60 6,46,,6 6, 6,4 4, 6,6, 0,,6,4,,64,44,6 4,640,,6 4,6,60,6,0 W =,0 0, 0, 0,6 4,4 0,,66 0,46 bobot ahir lapisan lapisan tersembunyi e lapisan output: W = [4,4 0,0 -,4]; bobot ahir untu bias paa lapisan input e lapisan tersembunyi: b = [-4,; -0,4; -0,60]; bobot ahir untu bias paa lapisan tersembunyi e lapisan output: b = -,00. Dari hasil pembelajatan terhaap BPN, iperoleh bobot ahir lapisan lapisan input e lapisan tersembunyi:,4 0,,4, W = 0,,00 0,44,66,00 0,4,00 0,4 bobot ahir lapisan lapisan tersembunyi e lapisan output: W = [,0,6,06]; bobot ahir untu bias paa lapisan input e lapisan tersembunyi: b = [-4,4; -0,4; -0,0]; bobot ahir untu bias paa lapisan tersembunyi e lapisan output: b = -,6. Tabel Hasil h - an h untu 4 ata pengujian. Data e h - y h,66,4,4,440,4,,6,6,00,46 0,40 0,666,660, 6 0 4,44 6,000,6,0,4 4,06 4,00,6,040 6,44,,4 4,4 6,00 Dari hasil pembelajatan terhaap BPN -, iperoleh bobot ahir lapisan lapisan input e lapisan tersembunyi: Selanjutnya, bobot-bobot ahir ini igunaan untu menghitung h- an h untu ata pengujian, hasilnya apat ilihat paa Tabel. Seangan mean interval antara batas bawah engan nilai atual untu ata 6
6 pengujian aalah,4 (BPN -, serta untu ata pengujian sebesar, (BPN an 4, (BPN -. Output Jaringan = batas atas interval o = atual output * = batas bawah interval Grafi Interval Regresi Fuzzy X Gambar Hasil h -, h, an output atual untu ata pengujian. [4]. Kusumaewi, Sri Membangun Jaringan Syaraf Tiruan engan Tollbox Matlab & ExcelLin. Graha Ilmu, Yogyaarta. []. Lin, Chin-Teng; an Lee, George. 6. Neural Fuzzy Systems. Lonon: Prentice-Hall. [6]. Tseng, Fang-Mei; Gwo-Hshiung; Tzeng. 00. A fuzzy seasonal ARIMA moel for forecasting. Fuzzy Sets an Systems. Volume 6 Pages: 6 6. [CV Penulis] Sri Kusumaewi, menyelesaian stui S biang Ilmu Komputer UGM paa tahun 4, S biang Sistem Komputer & Informatia (Teni Eletro UGM paa tahun, an searang seang menempuh S i biang Ilmu Komputer UGM. Gambar hasil h -, h, an output atual untu ata pengujian apat ilihat paa Gambar. 4. Kesimpulan Berasaran uraian i atas, apat isimpulan bahwa:. regresi interval mampu mengaomoasi rentang nilai hasil peramalan paa ata yang bersifat time series.. jaringan syaraf engan algoritma pembelajaran bacpropagation apat igunaan untu melatih ata pelatihan untu menentuan batas bawah an batas atas interval. Daftar Pustaa []. Changha, Hwang; Dug, Hun Hong; Kyung, Ha Seo Support vector interval regression machine for crisp input an output ata. Fuzzy Sets an Systems (: 4- (006 []. Dug, Hun Hong; Changha; Hwang. 00. Interval regression analysis using quaratic loss support vector machine. IEEE T. Fuzzy Systems (: -. []. Dug, Hun Hong; Sungho; Lee; Hae, Young Do. 00. Fuzzy linear regression analysis for fuzzy input-output ata using shape-preserving operations. Fuzzy Sets an Systems (: -. 66
7 6
MODEL 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 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 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 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 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 terperinciSTUDI KOMPARASI IMPLEMENTASI JARINGAN BASIS RADIAL DAN FUZZY INFERENCE SYSTEM TSK UNTUK PENYELESAIAN CURVE FITTING
STUDI KOPARASI IPEENTASI JARINGAN BASIS RADIA DAN FUZZY INFERENCE SYSTE TSK UNTUK PENYEESAIAN CURVE FITTING Sri Kusumadewi Teni Informatia Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyaarta cicie@fti.uii.ac.id
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih 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 III METODE PENELITIAN. Lokasi yang dijadikan tempat dalam penelitian ini adalah Tempat
BAB III METODE PENELITIAN 3.1 Loasi an Watu Penelitian 3.1.1 Loasi penelitian Loasi yang ijaian tempat alam penelitian ini aalah Tempat Pelelangan Ian (TPI) Kota Gorontalo. 3.1. Watu penelitian Penelitian
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 terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih 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 terperinciJurnal Coding, Sistem Komputer UNTAN Volume 04, No.1 (2016), hal 1-10 ISSN : X
PREDIKSI BEBAN LISTRIK PADA PT.PLN (PERSERO) MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY [1] Prita Ayuningtyas, [2] Dedi Triyanto, [3] Tedy Rismawan [1,2,3] Jurusan Sistem Komputer, Fakultas MIPA
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 terperinciUniversitas Indonusa Esa Unggul Fakultas Ilmu Komputer Teknik Informatika. Integral Lipat Dua
Universitas Inonusa Esa Unggul Faultas Ilmu Komputer Teni Informatia Integral Lipat ua Integral Lipat ua Misalan z = f(,) terefinisi paa merupaan suatu persegi panjang tertutup, aitu : = {(, ) : a b, c
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih 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 terperinciJURNAL PEMBELAJARAN FISIKA
Volume 1, Nomor 3, Desember 2012 ISSN : 2301-9794 JURNAL PEMBELAJARAN FISIKA Diterbitan Oleh: Program Stui Peniian Fisia FKIP Universitas Jember JURNAL PEMBELAJARAN FISIKA (JPF) Terbit empat ali setahun
Lebih terperinciBAB 4 HASIL PENELITIAN. identitas responden seperti jenis kelamin. Tabel 4.1 Identitas Jenis Kelamin Responden. Frequ Percent
BAB 4 HASIL PENELITIAN 4.1 Hasil Penelitian 4.1.1 Ientitas Responen Dari analisis ata ang iperoleh peneliti ari lapangan akan iuraikan alam bab ini. Penelitian ini bertujuan untuk mengetahui pengaruh taangan
Lebih terperinciAPLIKASI PREDIKSI PRODUKSI PADI MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY DI KABUPATEN KUBU RAYA
APLIKASI PREDIKSI PRODUKSI PADI MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY DI KABUPATEN KUBU RAYA [1] Kurniati Asih, [2] Fatma Agus Setyaningsih, [3] Dwi Marisa Midyanti [1],[2],[3] Jurusan Sistem
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 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.
BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas
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 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 terperinciAPLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING
APLIKASI JARINGAN SARAF TIRUAN PERAMBATAN BALIK UNTUK PRAKIRAAN VALUTA GBP/USD DALAM FOREX TRADING Hendra William *), Achmad Hidayatno, and Aub Aulian Zahra Jurusan Teni Eletro, Universitas Diponegoro
Lebih 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 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 terperinciOSN 2014 Matematika SMA/MA
Soal 5. Suatu barisan bilangan asli a 1, a 2, a 3,... memenuhi a + a l = a m + a n untu setiap bilangan asli, l, m, n dengan l = mn. Jia m membagi n, butian bahwa a m a n. Solusi. Andaian terdapat bilangan
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETWORK DAN PRINCIPAL COMPONENT ANALYSIS
Jurnal Teni dan Ilmu Komputer SISTEM PENGENALAN AJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETORK DAN PRINCIPAL COMPONENT ANALYSIS FACE RECOGNITION SYSTEM USING BACKPROPAGATION ARTIFICIAL
Lebih terperinciBAB 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 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 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 terperinciSistem Informasi Peramalan Beban Listrik Jangka Panjang di Kabupaten Jember Menggunakan JST Backpropagation
1 Sistem Informasi Peramalan Beban Listri Janga Panang di Kabupaten Jember Menggunaan JST Bacpropagation Dodi Setiabudi Abstra Kebutuhan energi listri sebagai salah satu infrastrutur penting sangat diutamaan.
Lebih terperinciUniversitas Pendidikan Indonesia Jalan Dr. Setiabudi no 229, Bandung
Transmitansi Eletron yang Melalui Penghalang engan Ketebalan Nanometer paa Heterostrutur Anisotropi yang Diberi Tegangan Panjar Lili Hasanah # Khairurrijal Mirajuin Abullah Toto Winata an Suirno KK Fisia
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 terperinciMETODE KEKAKUAN (METODE DEFORMASI)
METODE KEKAKUAN (METODE DEORMASI) (DISPLACEMENT METHOD ATAU STINESS METHOD) Hanayanu Metoe Elemen Hingga (LL6) JTK-TK-ITS DEINISI MATRIK KEKAKUAN Matri eauan elemen: ˆ sehingga persamaan sistem aalah:
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 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 terperinciKENDALI LOGIKA FUZZY DENGAN METODA DEFUZZIFIKASI CENTER OF AREA DAN MEAN OF MAXIMA. Thiang, Resmana, Wahyudi
KENDALI LOGIKA FUZZY DENGAN METODA DEFUZZIFIKASI CENTER OF AREA DAN MEAN OF MAXIMA Thiang, Resmana, Wahyudi Jurusan Teni Eletro, Universitas Kristen Petra Jl. Siwalanerto 121-131 Surabaya Email : thiang@petra.ac.id,
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 Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation
Sistem Peramalan Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Syaraf Tiruan Bacpropagation Anindita Septiarini 1 dan Nur Sya baniah 2 1 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman
Lebih 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 terperinci, serta notasi turunan total ρ
LANDASAN TEORI Lanasan teori ini berasarkan rujukan Jaharuin (4 an Groesen et al (99, berisi penurunan persamaan asar fluia ieal, sarat batas fluia ua lapisan an sistem Hamiltonian Penentuan karakteristik
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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) PENYELESAIAN MASALAH MINIMUM SPANNING TREE (MST) MENGGUNAKAN ANT COLONY SYSTEM (ACS)
Volume. I Nomor. 2, Bulan Otober 2012 - ISSN :2089-9033 35 PENYELESAIAN MASALAH MINIMUM SPANNING TREE (MST) MENGGUNAKAN ANT COLONY SYSTEM (ACS) Irawan Afrianto 1, Euis Wiiani Jamilah 2 1,2 Program Stui
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciDESAIN SENSOR KECEPATAN BERBASIS DIODE MENGGUNAKAN FILTER KALMAN UNTUK ESTIMASI KECEPATAN DAN POSISI KAPAL
DESAIN SENSOR KECEPAAN BERBASIS DIODE MENGGUNAKAN FILER KALMAN UNUK ESIMASI KECEPAAN DAN POSISI KAPAL Alrijadjis, Bambang Siswanto Program Pascasarjana, Jurusan eni Eletro, Faultas enologi Industri Institut
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 terperinciMursyidah Pratiwi, Yuni Yulida*, Faisal Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat *
Jurnal Matematika Murni an Terapan εpsilon ANALISIS MODEL PREDATOR-PREY TERHADAP EFEK PERPINDAHAN PREDASI PADA SPESIES PREY YANG BERJUMLAH BESAR DENGAN ADANYA PERTAHANAN KELOMPOK Mursyiah Pratiwi, Yuni
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 terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
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 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 terperinciIV HASIL DAN PEMBAHASAN
tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun.
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 terperinciRuang Barisan Orlicz Selisih Dengan Fungsional Aditif Dan Kontinunya
J. Math. and Its Appl. ISSN: 1829-605X Vol. 2, No. 1, May. 2005, 37 45 Ruang Barisan Orlicz Selisih Dengan Fungsional Aditif Dan Kontinunya Sadjidon Jurusan Matematia Institut Tenologi Sepuluh Nopember,
Lebih terperinciEstimasi Harga Saham Dengan Implementasi Metode Kalman Filter
Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B
Lebih 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 terperinciDETEKSI API REAL-TIME DENGAN METODE THRESHOLDING RERATA RGB
ISSN: 1693-6930 17 DETEKSI API REAL-TIME DENGAN METODE THRESHOLDING RERATA RGB Kartika Firausy, Yusron Saui, Tole Sutikno Program Stui Teknik Elektro, Fakultas Teknologi Inustri, Universitas Ahma Dahlan
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 terperinciMETODE PENELITIAN Data Langkah-Langkah Penelitian
METODE PENELITIAN Data Inonesia merupakan salah satu negara yang tiak mempunyai ata vital statistik yang lengkap. Dengan memperhatikan hal tersebut, sangat tepat menggunakan Moel CPA untuk mengukur tingkat
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 terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
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 terperinciPENGARUH PELAYANAN TERHADAP KEPUASAN TERHADAP KEPUASAN NASABAH UNIT MOTOR S CENTRE FINANCING PLAZA MOTOR DI SAMARINDA
PENGARUH PELAYANAN TERHADAP KEPUASAN TERHADAP KEPUASAN NASABAH UNIT MOTOR S CENTRE FINANCING PLAZA MOTOR DI SAMARINDA Adam Husaien Faultas Eonomi Manajemen Unversitas 17 agustus 1945,Samarinda Indonesia
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data Data yang telah berhasil diumpulan oleh penulis di BB BIOGEN diperoleh hasil bobot biji edelai dengan jumlah varietas yang aan diuji terdiri dari 15
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 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 terperinciJUDUL PENUH MENGGUNAKAN HURUF KAPITAL
Saintia Matematika Vol. XX, No. XX (XXXX), pp. 17 24. JUDUL PENUH MENGGUNAKAN HURUF KAPITAL Penulis Abstrak. Ketikkan Abstrak Ana i sini. Sebaiknya tiak lebih ari 250 kata. Abstrak sebaiknya menjelaskan
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 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 terperinciKenyo Puspito Rini 1), Ir. Usman Effendi, MS. 2), Dhita Morita Ikasari, STP, MP. 2)
PERAMALAN PERMINTAAN MINUMAN KESEHATAN INSTAN JAHE MENGGUNAKAN JARINGAN SYARAF TIRUAN dan METODE TIME SERIES (Studi Kasus di Agroindustri Minuman Kesehatan Instan DIA Malang) Kenyo Puspito Rini 1), Ir.
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
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 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 terperinciPenerapan Aljabar Max-Plus Pada Sistem Produksi Meubel Rotan
Jurnal Graien Vol 8 No 1 Januari 2012:775-779 Penerapan Aljabar Max-Plus Paa Sistem Prouksi Meubel Rotan Ulfasari Rafflesia Jurusan Matematika, Fakultas Matematika an Ilmu Pengetahuan Alam, Universitas
Lebih terperinciPenggunaan Metode Bagi Dua Terboboti untuk Mencari Akar-akar Suatu Persamaan
Jurnal Penelitian Sains Volume 16 Nomor 1(A) Januari 013 Penggunaan Metode Bagi Dua Terboboti untu Menari Aar-aar Suatu Persamaan Evi Yuliza Jurusan Matematia, FMIPA, Universitas Sriwijaya, Indonesia Intisari:
Lebih terperinciSOLUSI BAGIAN PERTAMA
SOLUSI BAGIAN PERTAMA 1. 13.. 931 3. 4 9 4. 63 5. 3 13 13 6. 3996 7. 1 03 8. 3 + 9 9. 3 10. 4 11. 6 1. 9 13. 31 14. 383 8 15. 1764 16. 5 17. + 7 18. 51 19. 8 0. 360 1 SOLUSI BAGIAN PERTAMA Soal 1. Misalan
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 terperinciPROGRAM SIMULASI UNTUK REALISASI STRUKTUR TAPIS INFINITE IMPULSE RESPONSE UNTUK MEDIA PEMBELAJARAN DIGITAL SIGNAL PROCESSING
Konferensi asional Sistem dan Informatia 28; Bali, ovember 15, 28 KS&I8-44 PROGRAM SIMULASI UTUK REALISASI STRUKTUR TAPIS IFIITE IMPULSE RESPOSE UTUK MEDIA PEMBELAJARA DIGITAL SIGAL PROCESSIG Damar Widjaja
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
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 terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
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 2 LANDASAN TEORI. yang akan diproduksi oleh perusahaan dalam satu periode yang akan datang.
7 BAB LANDASAN TEORI. Perencanaan Prousi Perencanaan prousi merupaan perencanaan tentang prou an berapa umlah yang aan iprousi oleh perusahaan alam satu perioe yang aan atang. Perencanaan prousi merupaan
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 terperinciJARINGAN FUNGSI BASIS RADIAL UNTUK MENENTUKAN RELASI FUZZY PADA PERAMALAN RUNTUN WAKTU FUZZY ORDE TINGGI
JARINGAN FUNGSI BASIS RADIAL UNTUK MENENTUKAN RELASI FUZZY PADA PERAMALAN RUNTUN WAKTU FUZZY ORDE TINGGI Winita Sulandari 1, Titin Sri Martini 1, Nughthoh Arfawi Kurdhi 1, Hartatik 2, Yudho Yudhanto 2
Lebih terperinciCONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN MOMENT INVARIANT, TEKSTUR DAN BACKPROPAGATION
UPN Veteran Yogyaarta, 30 Juni 2012 CONTENT BASED IMAGE RETRIEVAL MENGGUNAKAN MOMENT INVARIANT, TEKSTUR DAN BACKPROPAGATION Ni G.A.P Harry Saptarini 1), Rocy Yefrenes Dilla 2) 1) Politeni Negeri Bali 2)
Lebih terperinciPEMODELAN Deskripsi Masalah
PEMODELAN Deskripsi Masalah Sebelum membuat penjawalan perkuliahan perlu iketahui semua mata kuliah yang itawarkan, osen yang mengajar, peserta perkuliahan, bobot sks an spesifikasi ruang yang iperlukan.
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
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 terperinciPERBANDINGAN METODE BRANCH AND BOUND UNTUK PENYELESAIAN MASALAH DISTRIBUSI AQUA GALON DI PT.TIRTA INVESTAMA YOGYAKARTA
PERBANDINGAN METODE BRANCH AND BOUND DENGAN METODE CLARKE AND WRIGHT SAVINGS UNTUK PENYELESAIAN MASALAH DISTRIBUSI AQUA GALON DI PT.TIRTA INVESTAMA YOGYAKARTA SKRIPSI Diajuan Kepaa Faultas Matematia an
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciBAB III METODE PENELITIAN. Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu
BAB III METODE PENELITIAN 3.1 Pengumpulan Data Beban Listrik dari PLN Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu selama lima tahun pada periode 2006-2010, selanjutnya data
Lebih terperinciBREAK EVEN ANALYSIS PENYUSUTAN (DEPRESIASI)
BREAK EVEN ANALYSIS PENYUSUTAN (DEPRESIASI) 1. Brea Even Analysis Pengertian Langah-langah perhitungan Contoh 2. Penyusutan (Depresiasi) Pengertian Metoe Depresiasi Contoh BREAK EVEN ANALYSIS Paa investasi
Lebih terperinciBAB 3 MODEL DASAR DINAMIKA VIRUS HIV DALAM TUBUH
BAB 3 MODEL DASA DINAMIKA VIUS HIV DALAM TUBUH 3.1 Moel Dasar Moel asar inamika virus HIV alam tubuh menggunakan beberapa asumsi sebagai berikut: Mula-mula tubuh alam keaaan tiak terinfeksi virus atau
Lebih terperinciUJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure
8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher
Lebih terperinci