IV HASIL DAN PEMBAHASAN
|
|
- Suparman Kusnadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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. Dalam pembangunan jaringan yang akan digunakan dalam peramalan, hasil keputusan yang kurang memuaskan dapat diperbaiki dengan penggunaan laju pembelajaran dan momentum secara trial and error untuk mendapatkan nilai bobot yang paling optimum agar MAPE dan MSE jaringan dapat diperbaiki. 6. Memilih dan menggunakan struktur jaringan yang optimum Jaringan yang dibangun akan dinilai keakuratannya. Metode penilaian yang digunakan adalah nilai Percentage Error (PE), Mean Absolute Percentage Error (MAPE) dan nilai Mean Square Error (MSE). Pendekatan MSE digunakan untuk menilai kinerja jaringan yang dilatih. Keakuratan model diukur secara relatif berdasarkan nilai MAPE karena dapat mengenal secara pasti signifikasi hubungan diantara data prediksi dengan data aktual. Nilai PE, MAPE dan MSE diperoleh dari persamaan di samping ini : a. Percentage Error (PE) (20) dengan, = nilai aktual data ke-i = nilai prediksi data ke-i b. Mean Absolute Percentage Error (MAPE) (21) dengan, = banyaknya data yang diprediksi = nilai mutlak dari PE c. Mean Square Error (MSE) (22) dengan, = banyaknya data yang diprediksi = nilai aktual data ke-i = nilai prediksi data ke-i (Makridakis et a1, 1999) Berdasarkan nilai MAPE dan PE yang terendah dari proses pelatihan maka akan diperoleh jaringan syaraf tiruan yang optimum. Keakuratan dari jaringan syaraf tiruan ini dilihat dari nilai MAPE, MSE dan PE pada proses pengujian dan validasi. Semakin kecil nilai MAPE dan MSE maka jaringan syaraf tiruan pun akan semakin akurat untuk melakukan proses prediksi atau pendugaan terhadap parameter yang kita inginkan. IV HASIL DAN PEMBAHASAN 4.1 Menentukan komposisi pembagian data dan parameter-parameter jaringan syaraf tiruan yang sesuai Pada karya ilmiah ini dilakukan lima jenis percobaan untuk mengetahui dampak perubahan karakteristik JST terhadap nilainilai parameter konvergensi. Kelima percobaan ini bertujuan untuk menemukan kombinasi yang baik antara komposisi dari pembagian data untuk pelatihan dan pengujian dan validasi, kombinasi nilai antara laju pembelajaran dan momentum, banyaknya neuron tersembunyi, besarnya toleransi galat, dan juga untuk besaran maksimum iterasi. Berikut percobaan yang dilakukan dalam karya ilmiah ini, yaitu : 1. Mencari komposisi yang baik dari pembagian data pelatihan dan data pengujian dan validasi Dalam percobaan ini akan dicari komposisi pembagian data pelatihan dan pengujian yang baik dari beberapa komposisi di bawah ini : a. untuk data pelatihan dan untuk data pengujian dan validasi b. untuk data pelatihan dan untuk data pengujian dan validasi c. untuk data pelatihan dan untuk data pengujian dan validasi. Pada percobaan ini, semua kombinasi nilai dari laju pembelajaran, momentum dan juga banyaknya neuron tersembunyi akan digunakan. Akan tetapi, untuk nilai galat ditentukan sebesar dan besarnya maksimum iterasi ditetapkan sebesar. ini dilakukan sebanyak kali pengulangan. Dan, dari hasil kali proses pengulangan yang telah dilakukan maka didapatkan hasil (hasil lengkap lihat Lampiran sampai dengan Lampiran 8) seperti pada Tabel 2 berikut ini :
2 14 Tabel 2 untuk setiap proporsi pembagian data untuk pelatihan dan pengujian Nilai Rataan MAPE (% Pelatihan : % Pengujian) Laju Pembelajaran Momentum Neuron Tersembunyi ,17 14,39 11,19 0,4 0,6 2 17,25 14,74 11, ,59 14,91 11, ,24 15,44 14, ,17 14,39 10,96 0,5 0,5 2 17,25 14,62 11, ,70 14,98 11, ,38 14,91 11, ,17 14,39 11,14 0,7 0,4 2 17,15 14,63 11, ,40 14,53 11, ,87 15,42 11, ,17 14,39 11,14 0,9 0,1 2 17,26 14,57 11, ,75 14,81 11, ,22 15,33 11,66 Rataan 17,55 14,78 11,47 Dari Tabel terlihat bahwa pada komposisi pembagian data untuk pelatihan dan untuk pengujian dan validasi didapatkan rataan nilai MAPE yang terkecil, yaitu sebesar. Begitupun dari hasil uji analisis ragam satu arah yang dapat dilihat pada Lampiran 9. Dari hasil pada Lampiran 9 terlihat bahwa nilai (nilai signifikasi hasil pengujian) yang kurang dari (nilai signifikasi yang ditentukan) yaitu sebesar. Ini menyatakan bahwa faktor yang kita ujikan memiliki dampak yang nyata pada variabel respons. Hal ini diperjelas dengan grafik perbandingan berganda (multicompare) yang terdapat pada Lampiran 9. Dari grafik jelas terlihat bahwa tidak ada nilai MAPE pada komposisi pembagian data manapun yang dinilai setara (satu grup) dengan nilai MAPE pada komposisi pembagian data untuk pelatihan dan untuk data pengujian dan validasi. Kemudian pada Tabel di atas juga terlihat bahwa nilai MAPE akan semakin mengecil dengan bertambahnya jumlah data untuk pelatihan. Jadi dari percobaan pertama yang dilakukan ini dapat disimpulkan, bahwa nilai MAPE yang terkecil didapatkan pada komposisi pembagian data untuk data pelatihan dan untuk pengujian dan validasi. Dan selanjutnya nilai komposisi pembagian data ini akan kita gunakan untuk percobaan-percobaan selanjutnya. Juga terlihat bahwa nilai MAPE akan semakin mengecil dengan bertambahnya jumlah nilai data yang digunakan untuk data pelatihan. 2. Mencari kombinasi dari nilai laju pembelajaran dan momentum Dalam percobaan kedua ini akan dicari kombinasi dari nilai laju pembelajaran dan juga nilai momentum yang sesuai yang akan menghasilkan nilai galat yang terkecil. Kombinasi nilai laju pembelajaran dan momentum yang kita ujikan dalam karya ilmiah ini seperti yang terdapat pada Tabel 1 di bab sebelumnya. Dalam percobaan ini, komposisi pembagian data yang telah didapatkan pada percobaan pertama yang akan digunakan, yaitu untuk data pelatihan dan untuk data pengujian dan validasi. Untuk nilai galat dan maksimum iterasi tetap seperti pada percobaan pertama, yaitu nilai galat ditentukan sebesar dan juga untuk besarnya maksimum iterasi ditetapkan sampai dengan. Dari kali percobaan yang telah dilakukan, maka didapatkan hasil sebagai pada tabel 3. Dari Tabel di bawah terlihat jelas bahwa rataan untuk tiap kombinasi nilai laju pembelajaran dan momentum hampir dapat dikatakan setara (berkisar dari nilai ). Sama seperti pada
3 15 percobaan pertama, untuk percobaan kedua ini pun dilakukan uji analisis ragam satu arah untuk melihat lebih lanjut korelasi antar tiap kombinasi, dan ditentukan mana yang memiliki nilai yang sesuai. Dari hasil uji analisis ragam satu arah yang telah dilakukan (Lampiran 10). Dapat kita lihat bahwa nilai yang didapatkan lebih besar dari nilai signifikasi yang ditentukan yaitu sebesar. Ini menyatakan bahwa faktor yang kita ujikan memiliki dampak yang tidak nyata pada variabel respons. Hal ini juga dapat jelas terlihat pada grafik perbandingan berganda. Dari grafik perbandingan berganda terlihat bahwa semua kombinasi nilai laju pembelajaran dan momentum dapat dikatakan setara. Jadi semua kombinasi dapat kita gunakan untuk mendapatkan nilai MAPE terkecil. Jadi untuk percobaan kedua ini kita dapat simpulkan bahwa semua nilai kombinasi nilai laju pembelajaran dan momentum yang terdapat pada Tabel 1 membuat sistem mendapatkan nilai galat yang terkecil. Maka semua kombinasi nilai laju pembelajaran dan momentum ini dapat kita gunakan sebagai parameter jaringan syaraf tiruan pada percobaan-percobaan selanjutnya. Tabel 3 untuk tiap kombinasi nilai laju pembelajaran dan momentum Laju Pembelajaran Momentum Neuron Tersembunyi (%) Rataan MAPE (%) 1 11, ,06 0,4 0,6 12, , , , ,07 0,5 0,5 11, , , , ,08 0,7 0,4 11, , , , ,08 0,9 0,1 11, , ,66 3. III. Mencari banyaknya neuron tersembunyi Untuk percobaan III kali ini, akan kita cari banyaknya nilai neuron tersembunyi yang sesuai. Pada percobaan ini jumlah neuron tersembunyi diubah-ubah dengan tujuan untuk mendapatkan jumlah neuron tersembunyi yang sesuai sehingga menghasilkan persentase keakuratan yang baik. Jumlah neuron tersembunyi yang digunakan JST dalam percobaan ini adalah,,, atau neuron. Di sisi lain, toleransi galat ditentukan seperti percobaanpercobaan sebelumnya, yaitu sebesar dan juga untuk besarnya maksimum iterasi ditetapkan sampai dengan. Untuk komposisi pembagian data dan kombinasi nilai laju pembelajaran dan momentum kita gunakan hasil dari percobaan dan. Dari percobaan yang dilakukan pengulangan sebanyak kali maka kita dapatkan hasilnya seperti pada Tabel 4. Dari Tabel di bawah dapat kita lihat dengan jelas bahwa pada semua nilai neuron tersembunyi memiliki rataan nilai MAPE yang hampir dapat dikatakan setara hanya pada neuron tersembunyi yang nilainya sedikit membesar. Hal ini dikuatkan pula dengan hasil uji analisis ragam satu arah yang terdapat pada Lampiran. Terlihat bahwa didapatkan nilai yang kurang dari (nilai signifikasi yang ditentukan) yaitu sebesar. Ini menyatakan bahwa faktor yang kita ujikan memiliki dampak yang nyata pada variabel respons. Hal ini diperjelas dengan grafik perbandingan berganda yang terdapat pada Lampiran. Dari grafik
4 16 jelas terlihat bahwa pada nilai neuron, dan dapat dikatakan setara akan tetapi untuk 4 neuron terdapat perbedaan dengan neuron di atasnya. Hal ini yang menyebabkan faktor ini dapat dikatakan bernilai nyata. Oleh karena itu, kita dapat memilih banyaknya neuron tersembunyi dari,, atau. Untuk banyaknya neuron tersembunyi terlihat tidak memiliki kesetaraan dengan neuron tersembunyi yang lain (terlihat dari grafik perbandingan berganda pada Lampiran ). Oleh karena itu, dapat kita simpulkan bahwa banyaknya neuron pada lapisan tersembunyi yang sesuai adalah, atau neuron tersembunyi. Neuron Tersembunyi Tabel 4 untuk banyaknya neuron tersembunyi I II III IV V 1 11,21 11,19 11,21 11,20 10, ,65 11,20 11,34 11,18 10, ,64 11,22 11,20 11,22 11, ,50 12,22 11,49 10,69 11,18 Neuron Tersembunyi VI VII VIII IX X Rataan MAPE 1 11,19 11,19 11,19 11,20 11,19 11, ,18 11,16 11,26 11,07 11,21 11, ,60 11,68 11,04 10,10 11,18 11, ,19 12,44 11,50 11,62 11,13 11,50 4. IV. Mencari besarnya nilai toleransi galat selanjutnya bertujuan untuk menentukan toleransi galat yang sesuai, sehingga didapatkan sistem dengan persentase keakuratan yang baik atau dengan nilai MAPE yang terkecil dan juga untuk membuat proses komputasi menjadi lebih efisien. Sistem akan diuji menggunakan jaringan syaraf tiruan dengan komposisi pembagian data untuk pelatihan dan untuk pengujian dan validasi, nilai laju pembelajaran sebesar, momentum sebesar, neuron tersembunyi dan nilai toleransi galat yang berbeda yaitu,, dan yang masingmasing akan dilakukan percobaan sebanyak kali. Dan untuk nilai maksimum iterasi tetap ditetapkan seperti pada percobaan sebelumnya, yaitu sampai dengan. Dari kali percobaan yang telah dilakukan maka didapatkan hasil seperti pada tabel di bawah ini : Tabel 5 untuk nilai toleransi galat Galat I II III IV V ,19 10,62 10,62 11,19 11, ,19 11,19 11,19 11,19 11, ,19 10,62 11,19 11,19 11, ,19 11,19 11,19 11,19 11,19 Galat VI VII VIII IX X ,62 11,19 11,19 11,18 11, ,18 11,19 10,62 11,19 11, ,19 11,19 11,19 11,19 11, ,19 11,19 11,19 11,19 11,19
5 17 Dari hasil pada Tabel 5 di atas diketahui bahwa nilai MAPE dari semua nilai galat berada pada kisaran yang hampir setara. Dan dengan menggunakan toleransi galat sebesar pun sudah cukup untuk menghasilkan sistem dengan keakuratan yang tinggi. Hal ini dikuatkan pula dengan hasil uji analisis ragam satu arah pada Lampiran. Dari hasil uji dapat kita lihat bahwa didapatkan nilai P yang lebih besar dari (nilai signifikasi yang ditentukan) yaitu sebesar. Ini menyatakan bahwa faktor yang kita ujikan memiliki dampak yang tidak nyata pada variabel respons. Dan dapat dikatakan semua nilai toleransi galat setara. Hal ini juga terlihat pada grafik perbandingan berganda dimana semua nilai galat dikatakan setara. Akan tetapi, jika pada nilai toleransi galat sebesar pun sudah dapat menghasilkan nilai MAPE yang hampir dikatakan setara dengan nilai toleransi galat yang lain, maka dapat diambil kesimpulan bahwa nilai toleransi galat sebesar merupakan parameter yang sesuai bagi sistem jaringan syaraf tiruan. Dan juga dapat membuat efisiensi dalam proses komputasi yang kita lakukan. 5. V. Mencari besarnya maksimum iterasi Dalam percobaan terakhir ini kita akan mencari besarnya maksimum iterasi yang dapat mencapai nilai MAPE terkecil. Seperti pada percobaan untuk komposisi data pelatihan dan pengujian, nilai laju pembelajaran, momentum dan banyaknya neuron tersembunyi kita gunakan dari hasil percobaan sebelumnya. Dan juga untuk nilai galat kita gunakan dari hasil yang telah kita dapatkan dari percobaan 4 yaitu sebesar. Untuk besarnya maksimum iterasi kita ubah-ubah dengan tujuan untuk mendapatkan nilai maksimum iterasi yang tepat. Nilai maksimum iterasi yang diujikan yaitu,,, dan. Dari 10 kali percobaan yang telah dilakukan maka didapatkan hasil seperti pada di bawah ini : Tabel 6 untuk maksimum iterasi Maksimum Pengulangan I II III IV V ,15 6,38 7,46 7,21 7, ,10 7,23 7,69 7,59 7, ,20 6,22 7,23 6,34 6, ,83 6,52 7,01 6,27 7,46 Maksimum Pengulangan VI VII VIII IX X ,34 6,87 7,33 7,76 7, ,70 6,20 6,23 6,23 7, ,35 7,81 7,37 7,13 6, ,47 6,35 6,54 7,09 6,20 Dari hasil tersebut dapat kita lihat bahwa semua nilai maksimum iterasi yang diujikan dapat menghasilkan nilai MAPE yang dapat dikatakan setara (tidak ada perbedaan yang signifikan). Hal ini dikuatkan dengan adanya uji analisis ragam satu arah yang terdapat pada Lampiran 13. Dari hasil uji tersebut dapat kita lihat bahwa didapatkan nilai P yang lebih besar dari (nilai signifikasi yang ditentukan) yaitu sebesar. Ini menyatakan bahwa faktor yang kita ujikan memiliki dampak yang tidak nyata pada variabel respons. Dan dapat kita lihat pula pada grafik perbandingan berganda terlihat bahwa semua nilai maksimum iterasi dapat dikatakan setara. Jadi, seperti pada percobaan sebelumnya untuk mengefisienkan proses komputasi yang dilakukan, maka nilai maksimum iterasi yang dipilih adalah sebesar. 4.2 Menguji sistem jaringan syaraf tiruan dengan menggunakan parameterparameter yang sesuai Dari kelima percobaan yang telah dilakukan di atas, maka kita dapatkan komposisi pembagian data terbaik yaitu data untuk pelatihan dan data untuk pengujian dan validasi. Parameter-parameter
6 18 yang sesuai untuk jaringan syaraf tiruan yang didapatkan yaitu kombinasi nilai laju pembelajaran dan momentum sebesar dan ; dan ; dan ; atau dan ; dengan banyaknya neuron tersembunyi adalah sebanyak,, atau neuron tersembunyi, toleransi galat sebesar, dan maksimum iterasi sebesar. Parameter-parameter yang telah didapatkan tersebut akan digunakan untuk pengujian sistem jaringan syaraf tiruan yang digunakan dalam karya ilmiah ini. Pengujian dilakukan seperti pada percobaan sebelumnya, yaitu sebanyak kali pengulangan percobaan. Grafik boxplot dari nilai MAPE pada setiap pengulangan dapat dilihat pada Gambar. Gambar 13 Grafik boxplot untuk nilai MAPE pada setiap iterasi Pada pengujian ini, dari kali iterasi diperoleh rataan MAPE (untuk hasil selengkapnya lihat Lampiran ). Dari Gambar 14 di atas terlihat bahwa nilai yang dihasilkan model jaringan syaraf tiruan yang dibuat dapat dikatakan mendekati nilai aktual dari ketinggian air di DAS Ciliwung. Terlihat juga dari rataan MAPE yang bernilai. Untuk nilai kesalahan pada setiap pengulangan pun dapat dikatakan seragam terlihat pada Gambar yang memperlihatkan boxplot antara nilai MAPE pada setiap proses pengulangan percobaan. Maka dapat kita simpulkan bahwa jaringan syaraf tiruan yang kita lakukan pada karya ilmiah kali ini dapat digunakan untuk memprediksi ketinggian air di suatu DAS. Dengan rataan MAPE yang didapatkan pada studi kasus DAS Ciliwung, Bogor sebesar Ketinggian air (cm) Aktual Prediksi Waktu (hari) Gambar 14 Grafik perbandingan antara nilai aktual dan prediksi
BAB 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 terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN DENGAN ALGORITMA PROPAGASI BALIK UNTUK MEMPREDIKSI KETINGGIAN AIR DI SUATU DAERAH ALIRAN SUNGAI RENDI PRASETYA
IMPLEMENTASI JARINGAN SYARAF TIRUAN DENGAN ALGORITMA PROPAGASI BALIK UNTUK MEMPREDIKSI KETINGGIAN AIR DI SUATU DAERAH ALIRAN SUNGAI RENDI PRASETYA DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
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 terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Parameter Gauss Untuk dapat melakukan pengolahan data menggunakan ANN, maka terlebih dahulu harus diketahui nilai set data input-output yang akan digunakan. Set data inputnya yaitu
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih terperinci4.1. Pengumpulan data Gambar 4.1. Contoh Peng b untuk Mean imputation
4.1. Pengumpulan data Data trafik jaringan yang diunduh dari http://www.cacti.mipa.uns.ac.id:90 dapat diklasifikasikan berdasar download rata-rata, download maksimum, download minimum, upload rata-rata,
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH
BAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu data saham Astra Internasional Tbk tanggal 2 Januari
Lebih terperinciHASIL DAN PEMBAHASAN. Tabel 3 Contoh data Shorea hasil kodefikasi
8 disajikan contoh data Shorea hasil kodefikasi dari beberapa karakter yang bernilai nominal. Tabel 2 Karakter daun yang bernilai nominal Karakter Nilai Kode Bentuk tulang Tidak menempel 1 daun Permukaan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama (assaury, 1991). Sedangkan ramalan adalah
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Konsep Peramalan Peramalan ( forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Dalam organisasi modern
Lebih terperinciPenentuan Error Dalam Peramalan Jumlah Korban Demam Berdarah Dengue Menggunakan Metode Neural Network (Kasus : Rumah Sakit Charitas Palembang)
Penentuan Error Dalam Peramalan Jumlah Korban Demam Berdarah Dengue Menggunakan Metode Neural Network (Kasus : Rumah Sakit Charitas Palembang) Maria Bellaniar Ismiati 1, Latius Hermawan 2 Program Studi
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN Titik Misriati AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan titik.tmi@bsi.ac.id ABSTRACT
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Absorbsi Near Infrared Sampel Tepung Ikan Absorbsi near infrared oleh 50 sampel tepung ikan dengan panjang gelombang 900 sampai 2000 nm berkisar antara 0.1 sampai 0.7. Secara grafik
Lebih terperinciOPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION
OPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION NILA YUWIDA 1208100015 Dosen Pembimbing : Dra. Nuri Wahyuningsih, M.Kes Drs. Lukman Hanafi,
Lebih terperinciBAB 1 PENDAHULUAN 1.1 LATAR BELAKANG
BAB 1 PENDAHULUAN 1.1 LATAR BELAKANG Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinci1. PENDAHULUAN 1.1 Latar Belakang
1 1. PENDAHULUAN 1.1 Latar Belakang Program studi merupakan garda terdepan dalam penyelenggaraan pendidikan dari sebuah perguruan tinggi, karena program studi merupakan satuan rencana belajar terkecil
Lebih terperinciBAB 2 TINJAUAN TEORITIS
BAB 2 TINJAUAN TEORITIS 2.1. Peramalan 2.1.1. Pengertian dan Kegunaan Peramalan Peramalan (forecasting) menurut Sofjan Assauri (1984) adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar belakang Hujan merupakan salah satu unsur iklim yang berpengaruh pada suatu daerah aliran sungai (DAS). Pengaruh langsung yang dapat diketahui yaitu potensi sumber daya air. Besar
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciBAB 3 PENGOLAHAN DATA
BAB 3 PENGOLAHAN DATA 3.1 Pengertian Pengolahan Data Pengolahan data dapat diartikan sebagai penjabaran atas pengukuran data kuantitatif menjadi suatu penyajian yang lebih mudah dimengerti dan menguraikan
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciPENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA
SISTEM PENDUKUNG KEPUTUSAN PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA Alda Raharja - 5206 100 008! Wiwik Anggraeni, S.Si, M.Kom! Retno
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciBAB 2 LANDASAN TEORITIS
BAB 2 LANDASAN TEORITIS 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksikan apa yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.
Lebih terperinciBAB 2 LANDASAN TEORI. Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit
BAB 2 LANDASAN TEORI 2.1 Pengertian Produksi Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit tanaman pada lahan yang telah disediakan, pemupukan dan perawatan sehingga
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciPeramalan Jumlah Permintaan Produksi Menggunakan Metode Jaringan Syaraf Tiruan (JST) Backpropagation
Jurnal Teknik Industri, Vol.1, No.2, Juni 2013, pp.174-179 ISSN 2302-495X Peramalan Jumlah Permintaan Produksi Menggunakan Metode Jaringan Syaraf Tiruan (JST) Backpropagation Mira Febrina 1, Faula Arina
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Tenaga listrik merupakan kebutuhan yang sangat penting bagi manusia dalam melakukan aktifitasnya sehari-hari. Peralatan rumah tangga maupun industri hampir semuanya
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan sering dipandang sebagai seni dan ilmu dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan datang. Secara teoritis peramalan
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih 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 terperinciHASIL DAN PEMBAHASAN
18 HASIL DAN PEMBAHASAN Eksplorasi data Tahap pertama dalam pembentukan model VAR adalah melakukan eksplorasi data untuk melihat perilaku data dari semua peubah yang akan dimasukkan dalam model. Eksplorasi
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 III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih terperinciPRISMA FISIKA, Vol. I, No. 1 (2013), Hal ISSN :
Prediksi Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik Abraham Isahk Bekalani, Yudha Arman, Muhammad Ishak Jumarang Program
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan
Lebih terperinciUKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Memprediksi situasi dalam suatu bisnis perdagangan merupakan suatu aspek yang sangat penting untuk menjaga dan memajukan bisnis tersebut. Informasi naik-turunnya
Lebih terperinciBAB IV ANALISIS HASIL PENGOLAHAN DATA
BAB IV ANALISIS HASIL PENGOLAHAN DATA 4.1 Pola Dasar Permintaan Dari hasil pengumpulan data aktual yang telah dilakukan mengenai pertumbuhan jumlah kartu kredit BCA yang dimiliki oleh cardholder BCA Cabang
Lebih terperinciBAB 1 PENDAHULUAN. datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk
BAB 1 PENDAHULUAN 1.1. Latar Belakang Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pengolahan buah dan sayuran menjadi produk siap saji memiliki nilai tambah tersendiri bagi pasar. Salah satunya adalah pengolahan buah dan sayuran menjadi makanan ringan
Lebih terperinciPERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
BAB I PENDAHULUAN 1.1 Latar Belakang Transportasi merupakan suatu bidang kegiatan yang sangat penting dalam kehidupan masyarakat dunia pada umumnya, masyarakat Indonesia khususnya. Pentingnya transportasi
Lebih terperinciABSTRACT. Kata kunci: Fuzzy Tsukamoto, Jaringan Syaraf Tiruan, Backpropagation 1. LATAR BELAKANG MASALAH
PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN DAN FUZZY TSUKAMOTO COMPARISON OF SHARE PRICE PREDICTION USING ARTIFICIAL NEURAL NETWORK AND FUZZY TSUKAMOTO ABSTRACT
Lebih terperinciSIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY KRIGING DENGAN TEKNIK JACKKNIFE
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 3, Tahun 2014, Halaman 333-342 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian SIMULASI PENGUKURAN KETEPATAN MODEL VARIOGRAM PADA METODE ORDINARY
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan adalah alat bantu yang penting dalam perencanaan yang efektif dan efisien (Makridakis,1991). Peramalan merupakan studi terhadap data historis untuk menemukan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN Bab ini akan membahas tentang latar belakang, rumusan masalah, keaslian penelitian, tujuan penelitian, manfaat penelitian, batasan masalah, dan sistematika penulisan. 1.1 Latar Belakang
Lebih terperinciPEMODELAN SISTEM Konfigurasi Model Sistem Manajemen Basis Pengetahuan Evaluasi resiko usaha
PEMODELAN SISTEM Konfigurasi Model Model evaluasi kelayakan pembiayaan agroindustri minyak atsiri dengan pola syariah dirancang dalam suatu perangkat lunak komputer sistem manajemen ahli (SMA), dengan
Lebih terperinciBAB IV PENDUGAAN VOLATILITAS INDEKS HARGA SAHAM
BAB IV PENDUGAAN VOLATILITAS INDEKS HARGA SAHAM 4.1 Indeks Harga Saham Saham merupakan salah satu investasi yang menjanjikan bagi investor pada saat ini. Pertumbuhan ekonomi Indonesia yang cukup baik,
Lebih terperinciPOSITRON, Vol. V, No. 1 (2015), Hal ISSN :
POSITRON, Vol. V, No. (5), Hal. - 5 ISSN : -97 Prediksi Ketinggian Gelombang Laut Perairan Laut Jawa Bagian Barat Sebelah Utara Jakarta dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Prada Wellyantama
Lebih terperinci4 HASIL DAN PEMBAHASAN
16 4 HASIL DAN PEMBAHASAN Pada bab ini dibahas mengenai kajian simulasi dan kajian terapan. Simulasi dilakukan untuk mengevaluasi penduga yang diperoleh dengan menggunakan metode pendugaan klasik dan metode
Lebih terperinciPENGGUNAAN ALGORITMA NONLINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PARAMETER DALAM METODE PEMULUSAN EKSPONENSIAL SATU PARAMETER
PENGGUNAAN ALGORITMA NONLINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PARAMETER DALAM METODE PEMULUSAN EKSPONENSIAL SATU PARAMETER Nama Mahasiswa : Eka Novi Nurhidayati NRP : 1208 100 040 Jurusan : Matematika
Lebih terperinciSebelah Utara dengan Kabupaten Asahan dan Selat Malaka. Sebelah Timur dengan Provinsi Riau. Sebelah Selatan dengan Kabupaten Tapanuli Selatan.
20 BAB 2 LANDASAN TEORI 2.1 Demografi Penduduk Demografi adalah uraian tentang penduduk, terutama tentang kelahiran, perkawinan, kematian dan migrasi. Demografi meliputi studi ilmiah tentang jumlah penduduk,
Lebih terperinciPeramalan Permintaan Susu Pasteurisasi Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series (Studi Kasus di Koperasi Susu SAE Pujon, Malang)
Peramalan Permintaan Susu Pasteurisasi Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series (Studi Kasus di Koperasi Susu SAE Pujon, Malang) Forecasting of Pasteurized Milk Demand By Using Artificial
Lebih terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
Lebih terperinci2.4 Pemilihan Metode Peramalan
2.4 Pemilihan Metode Peramalan Dalam memilih metode peramalan yang akan digunakan didasarkan pada uji verifikasi. Dimana uji verifikasi ini bertujuan untuk menghitung error dari metode yang akan kita gunakan.
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Produksi Produksi merupakan suatu kegiatan yang dikerjakan untuk menambah nilai guna suatu benda baru sehingga lebih bermanfaat dalam memenuhi kebutuhan. Produksi jahe
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1. 1 Latar Belakang Jaringan saraf buatan merupakan kumpulan dari elemen-elemen pemrosesan buatan yang disebut neuron. Sebuah neuron akan mempunyai banyak nilai masukan yang berasal dari
Lebih terperinciPERMALAN HARGA GARAM KONSUMSI MENGGUNAKAN ARTIFICIAL NEURAL NETWORK FEEDFORWARD- BACKPROPAGATION (STUDI KASUS : PT. GARAM MAS, REMBANG, JAWA TENGAH)
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-308 PERMALAN HARGA GARAM KONSUMSI MENGGUNAKAN ARTIFICIAL NEURAL NETWORK FEEDFORWARD- BACKPROPAGATION (STUDI KASUS : PT. GARAM
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MEMPREDIKSI KETINGGIAN AIR (STUDI KASUS: SUNGAI CILIWUNG)
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MEMPREDIKSI KETINGGIAN AIR (STUDI KASUS: SUNGAI CILIWUNG) Rendi Prasetya Program Studi Teknik Informatika, Universitas Indraprasta PGRI Email:
Lebih terperinciMETODOLOGI PENELITIAN
18 METODOLOGI PENELITIAN Kerangka Penelitian Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
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 terperinciPERBANDINGAN KEEFEKTIFAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH PENGUNJUNG HOTEL MERPATI
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 04, No. 3 (2015), hal 251 258. PERBANDINGAN KEEFEKTIFAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH PENGUNJUNG HOTEL
Lebih terperinciBAB 3. METODE PENELITIAN
BAB 3 METODE PENELITIAN 31 Pemilihan Parameter Masukan JST Data pengujian kualitas surfaktan-mesa yang dimiliki SBRC IPB (009) terdiri atas tegangan permukaan, IFT, densitas, viskositas, ph, dan kandungan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 1.1 Tempat Penelitian Penelitian ini dilakukan di PT. Aetra Air Jakarta, Jl. Jend. Sudirman Ged. Sampoerna Strategic Square. 1.2 Obyek Penelitian Objek penelitian dilakukan
Lebih terperinciBAB III PERAMALAN 3.1 Landasan Teori Peramalan
BAB III PERAMALAN 3.1 Landasan Teori Peramalan Menurut Gaspersz (2004), aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan permintaan dan penggunaan produk sehingga produk-produk
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LADASA TEORI 2.1 Peramalan (forecasting) 2.1.1. Hubungan Forecast dengan Rencana Forecast adalah peramalan apa yang akan terjadi pada waktu yang akan datang, sedang rencana merupakan penentuan apa
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciOPTIMASI PROSES PENGGILINGAN GABAH DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA 1
OPTIMASI PROSES PENGGILINGAN GABAH DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA 1 Suroso 2 dan Gunawan Kiswoyo 3 ABSTRAK Keberhasilan proses penggilingan gabah dapat dilihat nilai efisiensi
Lebih terperinciV. ANALISA DAN PEMBAHASAN. A. Analisa Penentuan Pemesanan Biro Fajar Antang. sehingga mengakibatkan timbulnya return yang masih tinggi.
77 V. ANALISA DAN PEMBAHASAN A. Analisa Penentuan Pemesanan Biro Fajar Antang Dari hasil wawancara dengan manager Sirkulasi dan pimpinan Biro Fajar Antang, selama ini Biro Fajar Antang melakukan pemesanan
Lebih terperinciPeramalan Jumlah Penumpang Pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential Smoothing
Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Peramalan Jumlah Penumpang Pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential
Lebih terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan
Lebih terperinciPangan merupakan salah satu dari tiga kebutuhan pokok manusia, dan ketersediaan pangan yang cukup adalah masalah yang kompleks yang memiliki
1 BAB I PENDAHULUAN 1.1 Latar Belakang Algoritma propagasi balik (backpropagation) adalah salah satu algoritma yang terdapat pada metode jaringan saraf tiruan (JST) dimana algoritma ini memiliki kecenderungan
Lebih terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
Lebih terperinci