PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
|
|
- Glenna Hermawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 Informasi, ITS Surabaya, Indonesia. otaorora@yahoo.co.id 1, bilqis@if.its.ac.id 2, saihu@its-sby.edu 3 Abstrasi Untu memenuhi inera bisnis yang masimal dan menguntungan bai bagi pelanggan maupun perusahaan yang bergera dalam bidang penualan produ, diperluan suatu sistem yang dapat melauan tiga proses utama yang sangat penting untu mengatasi permasalahan dan tuntutan yang ada pada proses bisnis. Tiga proses tersebut antara lain pengenalan pola (pattern recognition) dari produ pilihan pelanggan, lasifiasi (classification) produ pilihan dan ramalan (forecast) terhadap produ pilihan tersebut. Sistem yang dibangun harus dapat menawab seluruh permasalahan yang ada dalam menentuan enis produ pilihan dan meningatan epuasan pelanggan terhadap suatu produ tertentu. Sistem yang aan dibuat uga harus dapat menunuan persentase etepatan yang cuup bai terhadap survei yang dilauan langsung di lapangan. Untu membangun sistem yang dapat melauan pengenalan pola, lasifiasi dan ramalan grup (forecast) digunaan metode Jaringan Syaraf Tiruan (JST) dengan menggunaan fungsi training Levenberg-Marquardt. JST merupaan salah satu representasi buatan dari ota manusia yang selalu mencoba untu mensimulasian proses pembelaaran pada ota manusia tersebut. Istilah buatan digunaan arena aringan saraf ini diimplementasian dengan menggunaan program omputer yang mampu menyelesaian seumlah proses perhitungan selama proses pembelaaran berlangsung. Kata unci : Klasifiasi, Jaringan Syaraf Tiruan, Levenberg-Marquardt 1. Pendahuluan Customer Relationship Management (CRM) yang bertuuan untu mengembangan efetifitas dan inera bisnis dengan meningatan epuasan dan loyalitas pelanggan, ini telah menadi strategi bisnis teremua di lingungan dunia bisnis yang semain ompetitif. Bagian terpenting dari ativitas CRM itu sendiri adalah memahami ebutuhan dari pelanggan terhadap suatu produ yang ditawaran para pelau bisnis [1]. Pilihan produ oleh pelanggan dapat dipengaruhi oleh beberapa fator. Fator yang cuup berpengaruh dalam pemilihan produ di beberapa lingungan bisnis pada saat ini adalah fator usia. Selera atau epuasan pelanggan ia dilihat menurut usianya dapat memilii perbedaan yang cuup signifian. Selain itu untu bisnis osmeti berupa lipsti yang menadi contoh asus dalam paper ini memilii fator lain yang dapat mempengaruhi pilihan pelanggan yaitu fator warna ulit. Pada penerapannya dibutuhan sistem yang dapat memberian suatu eputusan bisnis yang sangat berguna dalam penentuan produ pilihan pelanggan. Dengan sistem yang ada perusahaan dapat menentuan langahlangah atau eputusan-eputusan bisnis selanutnya sesuai dengan informasi yang diperoleh dari sistem. Contohnya dalam hal penawaran barang produsi, perusahaan dapat menawaran produ-produ yang ada dengan lebih efetif yaitu yang sesuai dengan eputusan yang diberian oleh sistem, hal ini dapat dilauan dengan melauan analisa terhadap hasil lasifiasi produ pilihan pelanggan. Pada paper ini aan dibahas mengenai perancangan dan pembuatan sistem perangat luna (software). Sistem perangat 1
2 luna yang diembangan dalam paper ini mengimplementasian onsep-onsep Jaringan Syaraf FeedforwardBacpropagation dengan fungsi training Levenberg-Marquardt yang merupaan pengembangan dari metode Error Bacpropagation. Selain itu aan dielasan mengenai teni transformasi data input sistem, target sistem, output sistem, arsitetur aringan syaraf yang dipaai pada sistem, inisialisasi bobot dan bias dengan metode Nguyen Widrow, dan metode Batch Training. Pada ahir bab, paper ini aan menguraian tentang hasil ui coba dan evaluasi dari ui coba yang telah dilauan. 2. Data Input Sistem Secara garis besar alannya proses transformasi data input dari sistem dapat digambaran pada gambar diagram alir 2.1 (flowchart). Data input sistem mempunyai dua variabel yang masing-masing bertipe ategorial (disrit), antara lain : 1. warna ulit yang terdiri dari : uning langsat bernilai (Yes/No) colat/sawo matang bernilai (Yes/No) 2. rentang usia yang terdiri dari : female teen (13-18 tahun) bernilai (Yes/No) female young (19-29 tahun) bernilai (Yes/No) female adult (30-45 tahun) bernilai (Yes/No) female senior (>46 tahun) bernilai (Yes/No) Pada data asus paper ini untu variabel rentang usia hanya terdiri dari pelanggan berenis elamin perempuan saa, diarenaan pengguna produ osmeti lipsti tida dimunginan berenis elamin pria. Untu transformasi data input yang variabelnya bertipe ategorial (disrit), dilauan dengan mengubahnya menadi numeri. pada sistem Jaringan Syaraf Tiruan ini dilauan dengan cara sederhana, yaitu rentang nilai [0,1] dibagi menadi rentang-rentang homogen sebanya nilai pada variabel yang ada bertipe disrit diurangi satu, lalu setiap nilai disrit diasosiasian dengan nilai pada batas rentangrentang baru ini. Data Input Sistem - warna ulit - rentang usia variabel warna ulit (disrit) menadi numeri variabel rentang usia (disrit) menadi numeri Data tersimpan dengan tipe data numeri Gambar 2.1 Flowchart Data Input Sistem Untu variabel warna ulit, umlah nilai pada variabelnya adalah dua (uning langsat dan sawo matang). Rentang nilai [0,1] dibagi menadi rentang-rentang homogen sebanya nilai pada variabel diurangi satu, sehingga rentang [0,1] dibagi sebanya satu bagian [10]. Pembagian rentang-rentangnya dapat direpresentasian pada sebuah gambar 2.2 seperti beriut. bagian Gambar 2.2 Rentang Homogen Nilai Variabel Warna Kulit Setelah dilauan transformasi data pada variabel input warna ulit, nilai variabel 2
3 yang dimasuan dalam sistem nantinya adalah sebagai beriut : warna ulit uning langsat mempunyai nilai 0 warna ulit sawo matang mempunyai nilai 1 Sedangan untu variabel rentang-usia, umlah nilai pada variabelnya adalah empat yang terdiri dari female teen, female young, female adult, dan female senior. Rentang nilai [0,1] dibagi menadi rentang-rentang homogen sebanya nilai pada variabel diurangi satu, sehingga rentang [0,1] dibagi sebanya tiga bagian [10]. Pembagian rentang-rentangnya dapat direpresentasian pada sebuah gambar 2.3 seperti beriut. bagian 1 bagian2 bagian3 0 0,3 0,6 1 Gambar 2.3 Rentang Homogen Nilai Variabel Rentang Usia Setelah dilauan transformasi data pada variabel input rentang usia, nilai variabel yang dimasuan dalam sistem nantinya adalah sebagai beriut : - rentang usia female teen mempunyai nilai 0 - rentang usia female young mempunyai nilai 0,3 - rentang usia female adult mempunyai nilai 0,6 - rentang usia female senior mempunyai nilai 1 Data input pada sistem mempunyai 8 emunginan dengan nilai masing-masing variabel yang telah ditransformasi seperti pada tabel 2.1 beriut. Tabel 2.1 Kemunginan Data Input yang Telah Ditransformasi Variabel Warna Kulit Kuning Langsat Kuning Langsat Variabel Rentang Usia Input pada Sistem female teen 0 0 female young 0 0,3 Kuning female adult 0 0,6 Langsat Kuning female senior 0 1 Langsat Sawo matang female teen 1 0 Sawo matang female young 1 0,3 Sawo matang female adult 1 0,6 Sawo matang female senior Target Sistem Secara garis besar alannya proses transformasi data target dari sistem dapat digambaran pada diagram alir 3.1 (flowchart). Target dari sistem adalah 10 pilihan produ osmeti berupa lipsti yang diwailan dengan nomor produnya. Nomor produ lipsti merepresentasian warna dari lipsti. Data Target Sistem 10 pilihan produ (P1-P10) pilihan produ menadi ode biner Data tersimpan dengan tipe data ontinu Gambar 3.1 Flowchart Target Sistem Tabel 3.1 menunuan daftar 10 pilihan produ lipsti. 3
4 Tabel 3.1 Daftar 10 Produ Pilihan sebelum No produ Nomor lipsti Warna lipsti P1 9 orange terang P2 48 merah hati P3 12 merah terang P4 22 colat metalic P5 29 merah P6 15 rose P7 50 colat terang P8 3 peach P9 52 dar pin P10 53 merah metalic Target yang nantinya aan dimasuan e dalam sistem untu dilauan training, aan dilauan transformasi. Jumlah unit neuron pada output layer bergantung epada umlah elas yang ada pada target, dalam asus ini terdapat 10 elas. Jumlah unit neuron pada output layer didapatan dengan rumus beriut. Jumlah neuron = pembulatan e atas (log 2 (umlah elas)) Sehingga untu 10 umlah elas didapatan umlah neuron sebanya 4. Dapat disimpulan untu target sebanya 10 produ pilihan memilii 4 neuron di output layer. Agar dapat menghasilan 4 neuron pada output layer, target sistem dapat direpresentasian menadi sebuah binary target [10]. Beriut daftar tabel 3.2 yang berisi 10 pilihan produ sebagai target sistem dalam binary. Tabel 3.2 Daftar 10 Produ Pilihan setelah No produ Nomor Binary target lipsti P P P P P P P P P P Arsitetur Jaringan Syaraf Tiruan Secara garis besar alannya proses pembuatan arsitetur Jaringan Syaraf Tiruan dari sistem dapat digambaran pada diagram alir 4.1 (flowchart). Arsitetur aringan syaraf tiruan dari sistem menggunaan arsitetur multilayer networ atau aringan multilapis. Terdapat 3 lapis layer, yaitu : input layer yang terdiri dari 2 unit neuron hidden layer yang terdiri dari 8 unit neuron output layer yang terdiri dari 4 unit neuron Arsitetur aringan syaraf dari sistem dapat digambaran pada gambar 4.2. Metode pembelaaran yang digunaan sistem adalah supervised learning. Sistem melauan pembelaaran terhadap input dengan target yang sudah ditentuan untu memperoleh nilai-nilai bobot dan bias yang optimum pada tiap unit neuron hidden layer dan output layer dengan error minimum. Fungsi error yang digunaan sistem adalah Mean Square Error. Membuat arsitetur aringan syaraf dengan 3 layer: Input layer Hidden layer Output layer Menetapan umlah neuron pada masing-masing layer yang paling optimal Gambar 4.1 Flowchart Arsitetur Jaringan Syaraf Tiruan Sistem 4
5 Input layer Hidden layer Gambar 4.2 Arsitetur Jaringan dari Sistem 5. Error Bac Propagation (EBP) Secara garis besar alannya proses error bac propagation dari sistem dapat digambaran pada diagram alir (flowchart) 5.1. Inisialisasi bobot & bias dengan metode Nguyen-Widrow, max epoch,min MSE Hitung mau (feedforward) pada hidden dan output layer Hitung MSE Hitung mundur (bacpropagation) Hitung perubahan bobot dan bias dan bobot bias yang baru Hitung mau embali Hitung embali MSE Stop criteria : Jia MSEbaru lebih ecil atau sama dengan MSEmin atau umlah epoch max sudah terpenuhi No Output layer Yes Gambar 5.1 Flowchart Algoritma Error Bac Propagation Bacpropagation merupaan salah satu dari beberapa metode yang digunaan dalam Jaringan Syaraf Tiruan dan yang paling sering digunaan dalam berbagai bidang apliasi, seperti pengenalan pola, peramalan dan optimisasi. Hal ini dimunginan arena metode ini menggunaan pembelaaran yang terbimbing. Pola masuan dan target diberian sebagai sepasang data. Bobot-bobot awal dilatih dengan melalui tahap mau untu mendapatan error eluaran yang selanutnya error ini digunaan dengan tahap mundur untu memperoleh nilai bobot yang sesuai agar dapat memperecil nilai error sehinggga target eluaran yang diehendai tercapai. Tuuan dari model ini adalah untu mendapatan eseimbangan antara emampuan aringan untu mengenali pola yang digunaan selama proses pelatihan berlangsung serta emampuan aringan memberian respon yang benar terhadap pola masuan yang berbeda dengan pola masuan selama pelatihan. Algoritma bacpropagation terdiri dari dua bagian antara lain sebagai beriut. a). Algoritma Pelatihan Bacpropagation (Training Proccess) Di dalam proses pelatihan bacpropagation terdapat tiga tahap. Tahap pertama ialah tahap mau (feedforward). Pada tahap ini seluruh proses awal inisialisasi bobot-bobot input dilauan. Pada tahap ini uga ditentuan anga pembelaaran (α), nilai toleransi error dan umlah epoch (silus setiap pola pelatihan) yang diperluan selama proses omputasi berlangsung. Setelah semua proses inisialisasi dilauan, maa langah selanutnya ialah proses mau. Setiap unit masuan xi aan mengiriman sinyal masuan e lapisan tersembunyi. Setelah dihitung dengan menggunaan fungsi ativasi maa eluarannya aan diiriman e lapisan di atasnya, yaitu lapisan output. Setelah nilai eluaran (y) diperoleh, maa dibandingan dengan target eluaran sebenarnya (t). Selisih y t disebut dengan error (δ). Jia nilai error lebih ecil atau sama dengan dari nilai ambang maa proses 5
6 iterasi dihentian, tetapi ia tida maa nilai error tersebut digunaan untu memodifiasi bobot-bobot untu mengoresi esalahan yang teradi. Tahap edua adalah tahap mundur atau bacpropagation. Pada tahap ini, nilai error (δ) yang diperoleh pada di lapisan output digunaan untu mengoresi bobot-bobot yang ada pada lapisan tersembunyi yang berhubungan langsung dengan lapisan output. Setelah itu nilai error (δ) di setiap unit pada lapisan tersembunyi uga dihitung untu mengoresi bobot-bobot yang menghubungan lapisan input dengan lapisan tersembunyi. Tahap etiga adalah tahap pengoresian bobot. Setelah seluruh bobot pada lapisan input dan lapisan tersembunyi dimodifiasi sesuai dengan besar fator errornya, maa etiga fase ini diulang secara terus menerus sampai ondisi berhenti dipenuhi. Kondisi berhenti yang dimasud adalah ia umlah epoch yang ditetapan tercapai atau ia nilai error aringan telah sama dengan atau lebih ecil dari nilai toleransi error yang ditetapan sebelumnya. Pada tahap pelatihan, aringan diharapan dapat melatih seluruh data pelatihan yang diberian untu mendapatan bobot ahir aringan yang aan digunaan pada tahap penguian. Strutur algoritma pelatihan Bacpropagation antara lain [2]. 1. Inisialisasi bobot-bobot Mentuan anga pembelaaran (α). Tentuan pula nilai toleransi error yang diinginan dan set masimal epoch ia ingin membatasi umlah epoch yang digunaan. 2. Selama ondisi berhenti tida terpenuhi, lauan langah e-2 sampai langah e Untu setiap pasangan pola pelatihan, lauan langah e-3 sampai langah e-8. Tahap mau (Feedforward) 4. Tiap-tiap unit input (xi, i = 1, 2, 3,..., o) menerima sinyal input dan menerusan sinyal tersebut e tiap-tiap unit pada lapisan tersembunyi. 5. Tiap-tiap unit di lapisan tersembunyi (z, = 1, 2, 3,..., p) menumlahan sinyal-sinyal input yang berbobot, n i z _ net v x v (1) o Fungsi ativasi untu menghitung sinyal outputnya, z v n i1 1 0 xiv i (2) dan mengiriman sinyal tersebut e semua unit pada lapisan di atasnya (lapisan output). 6. Tiap-tiap unit di lapisan output (y, = 1, 2, 3,..., m) menumlahan sinyal input yang berbobot, p y _ net w z w (3) 0 1 Fungsi ativasi untu menghitung sinyal outputnya, y p w 0 z w (4) 1 Tahap mundur(bacpropagation) 7. Tiap-tiap unit output y menerima pola target t untu menghitung error (δ), ( t y ) f '( y _ net ) ( t y ) y (1 y ) (5) Kemudian menghitung nilai oresi bobot yang nantinya digunaan untu memperbaii nilai bobot antara lapisan tersembunyi dan lapisan output (w), w z (6) menghitung uga oresi bias yang digunaan untu memperbaii nilai bias antara lapisan tersembunyi dan lapisan output (w0), yaitu: w 0 (7) 8. Tiap-tiap unit pada lapisan tersembunyi (z, = 1, 2, 3,..., p) menumlahan sinyal-sinyal input dari lapisan output, n _ net w (8) 1 i i 6
7 mengalian nilai ini dengan fungsi ativasi untu menghitung error pada lapisan tersembunyi (δ), _ net f '( z _ net ) _ net z (1 z ) (9) Kemudian hitung oresi bobot untu memperbaii nilai bobot antara lapisan input dan lapisan tersembunyi (vi), v x (10) i i Kemudian menghitung oresi bias untu memperbaii nilai bobot antara lapisan input dan lapisan tersembunyi (v0), v 0 (11) Tahap pengoresian bobot 9. Tiap-tiap unit eluaran (y, = 1, 2, 3,..., m) memperbaii bobot dan bias, w (baru) = w (lama) + w, ( = 1, 2,..., m ; = 0, 1,..., p) (12) Tiap-tiap unit tersembunyi memperbaii bobot dan bias, v i (baru) = v i (lama) + v i, ( = 1, 2,..., p ; i = 0, 1,..., n) (13) 10. Tes ondisi berhenti b). Algoritma Penguian Bacpropagation (Testing Process) Setelah proses pelatihan, bacpropagation dapat digunaan untu proses penguian aringan. Pada proses penguian, tahap yang dilauan hanya sampai tahap mau saa, tida ada tahap mundur apalagi tahap modifiasi bobot. Seluruh bobot input diambil dari nilai bobot terahir yang diperoleh dari proses pelatihan. Pada tahap penguian ini, aringan diharapan dapat mengenali pola berdasaran data baru yang diberian (generalisasi). 6. Levenberg- Marquardt Training Function Secara garis besar alannya proses Levenberg-Marquardt dari sistem dapat digambaran pada diagram alir 6.1 (flowchart). Algoritma Levenberg-Marquard merupaan pengembangan dari algoritma error bac propagation. Algoritma ini dibangun untu mengatasi beberapa eurangan yang ada pada algoritma error bac propagation dengan memanfaatan teni optimisasi numeri standar yaitu menggunaan pendeatan matris Jacobian. Tuuan dari Levenberg Marquardt adalah meminimalan total error. tida Inisialisasi bobot & bias dengan metode Nguyen-Widrow, max epoch,min MSE Hitung mau (feedforward) pada hidden dan output layer Hitung MSE Hitung Matris Jacobian Hitung perubahan bobot dan bias dan bobot bias yang baru Hitung mau embali Hitung embali MSE Stop criteria : Jia MSEbaru lebih ecil atau sama dengan MSEmin atau umlah epoch max sudah terpenuhi atau nilai μ>μmax ya tida Increase μxβ Atau Decrease μ/β tida Gambar 6.1 Flowchart Algoritma Levenberg Marquardt Beriut beberapa strutur algoritma Levenberg- Marquardt [6]. 1. Inisialisasi bobot dan bias dengan bilangan aca, epoch masimum, dan minimal goal(performance yang dihitung dengan MSE) 2. Menentuan parameter yang dibutuhan, antara lain : 7
8 Parameter Levenberg Marquardt yang nilainya harus lebih besar dari nol Parameter fator Beta (β) yang digunaan sebagai parameter yang dialian atau dibagi dengan parameter Levenberg Marquardt. Penelasan ada pada step beriutnya. 3. Menghitung mau (feedforward) pada hidden dan ouput layer seperti langah-langah pada algoritma error bac propagation.(1)-(4) 4. Menghitung nilai MSE 5. Menghitung error dan total error aringan Rumus untu error : e r = t r y r (14) r merupaan input e-r Rumus untu menghitung total error : e = [e 1 e 2 e 3... e N ] T (15) e merupaan vetor esalahn beruuran Nx1 yang terdiri dari e r r = 1,2,3...N 6. Menghitung matris Jacobian J(x) x merupaan matris yang berisi nilai bobot dan bias dari eseluruhan aringan. X = [ v v..., v i; v, v... v 11, 12, 01 02, 0 ; w w w ; w, w...w ] 11, K Matris Jacobian berisi turunan pertama error aringan terhadap bobot dan bias aringan. Rumus untu mencari Jacobian Matris antara lain. er J = [ ] (16) w 7. Setelah didapatan nilai J(x) maa dapat dihitung perubahan oresi bobot dan biasnya dengan rumus beriut : T x J( x) J( x) I Gradient : 1 *Gradient T J( x) e (17) 8. Setelah didapatan nilai x tahap selanutnya adalah pengoresian bobot dengan rumus yang sama seperti pada algoritma error bac propagation. (12-13) 9. Menghitung mau (feedforward) dengan bobot dan bias yang baru. (1-4) 10. Menghitung MSE aringan dengan bobot dan bias yang baru. Kemudian tes ondisi berhenti. 11. Jia epoch atau iterasi masih berlanut maa aan terdapat 2 emunginan ondisi beriut : Jia MSE nai x (18) Jia MSE turun (19) 12. Kemudian melauan embali langah 5 sampai langah Ui Coba dan Evaluasi Data yang digunaan pada ui coba sistem adalah data pilihan produ osmeti lipsti dari 250 pelanggan. 7.1 Ui Coba Senario 1 Disini aan dilauan lasifiasi data training dan testing menggunaan data ui coba berupa data produ pilihan osmeti dari pelanggan menggunaan sistem lasifiasi Jaringan Syaraf Tiruan dengan metode training Levenberg Marquardt. Target yang digunaan pada sistem berupa 10 pilihan produ osmeti. Data ui coba dibagi menadi data training dan data testing. Pada senario ini aan dibedaan menadi 9 ui coba dengan pembagian proporsi data training dan testing yang berbeda. Setelah dilauan lasifiasi terhadap data ui coba dengan proporsi data training dan testing yang telah ditentuan maa aan dihitung tingat aurasi untu masing-masing data training dan testing. Aurasi dihitung berdasaran tiap neuron pada output layer dan eseluruhan atau esimpulan ahir produ pilihan yang dihasilan pada output layer. 8
Presentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih 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 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 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 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 terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih 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 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 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 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 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 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 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 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 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 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 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 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 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 Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation
Sistem Peramalan Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Syaraf Tiruan Bacpropagation Anindita Septiarini 1 dan Nur Sya baniah 2 1 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman
Lebih terperinciBAB 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 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 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 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 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 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 terperinciPEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK
PEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK Bilqis Amaliah 1, Amethis Oktaorora 2 1,2 Teknik Informatika, FTIf - ITS,Surabaya
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 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 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 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 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 terperinciDETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN
Prosiding Seminar Nasional Apliasi Sains & Tenologi (SNAST) Periode II ISSN: 1979-911X Yogyaarta, 11 Desember 2010 DETEKSI POLA BERDASARKAN COLOUR FEATURE DENGAN METODE JARINGAN SYARAF TIRUAN Uning Lestari
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 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 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 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 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 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 terperinciPrediksi Jumlah Kasus Demam Berdarah Dengue Menggunakan Jaringan Syaraf Tiruan (Studi Kasus daerah Kab. Sleman, Provinsi DIY)
Jurnal PROte Vol. 3 No. 1, 216 Predisi Jumlah Kasus Demam Berdarah Dengue Menggunaan Jaringan Syaraf Tiruan Iis Hamsir Ayub Wahab Program Studi Teni Eletro Faultas Teni, Universitas Khairun Email: hamsir@unhair.ac.id
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
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 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 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 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 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 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 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 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 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 terperinciIII DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT
III DESKRIPSI DAN FORMULASI MASALAH PENGANGKUTAN SAMPAH DI JAKARTA PUSAT 3.1 Studi Literatur tentang Pengelolaan Sampah di Beberapa Kota di Dunia Kaian ilmiah dengan metode riset operasi tentang masalah
Lebih 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 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 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 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 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 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 terperinciProsiding Semirata FMIPA Universitas Lampung, 2013
Sistem Pengenalan Nomor Plat Kendaraan Berbasis Foto Diital Dengan Metode Moment Invariant dan Jaringan Syaraf Tiruan Menggunaan Algoritma Bacpropagation Zaiful Bahri, Suamto dan Joo Risanto Jurusan Matematia
Lebih terperinciAPLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia APLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.
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 terperinciKecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Wajah (Face Recognition)
No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional Kecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Waah (Face Recognition) Wawan Setiawan (Universitas Pendidian
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 terperinciBAB 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
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 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 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 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 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 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 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 terperinciPengambilan Data dan Analisis
METODOLOGI PENELITIAN Watu dan Loasi Penelitian Penelitian dilasanaan mulai bulan November 2003 sampai dengan Juni 2004 di Kecamatan Rengasdenglo, Telagasari dan Cilamaya Kabupaten Karawang Jawa Barat
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Tiruan 2.1.1. Latar Belaang Jaringan Syaraf Tiruan dibuat pertama ali pada tahun 1943 oleh neurophysiologist Waren McCulloch dan logician Walter Pits, namun tenologi
Lebih terperinciBAB 3 METODE PENELITIAN
36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye
Lebih terperinciPEMPROSESAN ALARM DALAM PERLINDUNGAN SISTEM DAYA LISTRIK MENGGUNAKAN NEURAL NETWORK. Azriyenni
PEMPROSESAN ALARM DALAM PERLINDUNGAN SISTEM DAYA LISTRIK MENGGUNAKAN NEURAL NETWORK Azriyenni Dosen Tetap Teni Eletro Universitas Riau - Peanbaru Abstra Penelitian ini menyelidii mengenai pemprosesan alarm
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 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 terperinciAPLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA ABSTRACT
APLIKASI ARTIFICIAL NEURAL NETWORK UNTUK PERAMALAN ALIRAN SUNGAI BLEGA Manyu Fauzi, Minarni Nur Trilita Mahasiswa S3 MRSA, Jurusan Teni Sipil-ITS dan Pengaar Jurusan Teni Sipil Univ. Riau Mahasiswa S3
Lebih 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 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 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 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 terperinciPEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER
PEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER Tantri Windarti Program Studi Sistem Informasi STMIK Surabaya Jl Raya Kedung Baru 98, Surabaya
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 terperinciTRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI
TRANSFORMASI KOORDINAT MENGGUNAKAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK RESILIENT (Studi Kasus: Daerah Jawa Bagian Barat) SUPRIYANTI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pemrosesan Sinyal Menurut Proais et al. (1997), umumnya suatu segmen suara dapat dinyataan dengan deraat etelitian yang tinggi sebagai umlah dari beberapa sinusoida dengan amplitudo
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 terperinciBAB 2 LANDASAN TEORI. meneliti bagaimana mesin dapat belajar dan berpikir seperti layaknya manusia. Bidang
BAB 2 LANDASAN TEORI Intelegensia Semu (IS) adalah salah satu bidang dalam ilmu omputer yang meneliti bagaimana mesin dapat belajar dan berpiir seperti layanya manusia. Bidang ilmu ini mempelajari bagaimana
Lebih 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 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 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 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 terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciBAB 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 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 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 terperinci