Dany Candra Febrianto ) dan Hindayati Mustafidah )
|
|
- Ida Indradjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 Neural Networs with Bacpropagation Learning Method to Find Out the Level of Qualifications of Prospective Students on New Students Acceptance Information Systems in MAN 2 Banarnegara) Dany Candra Febrianto ) dan Hindayati Mustafidah ) )2) Program Studi Teni Infromatia Faultas Teni Universitas Muhammadiyah Purwoerto Jl.Raya Duuhwaluh, PO BOX 202 Purwoerto 5382,Kembaran Banyumas. Telp : (028) 63675, , Fax : (028) , info@ump.ac.id mrdanydance@gmail.com h.mustafidah@ump.ac.id Abstra - Proses selesi penerimaan siswa baru di Madrasah Aliyah Negeri 2 Banarnegara bertuuan untu mendapatan calon siswa terbai sehingga dapat meningatan ualitas dan uantitas Madrasah Aliyah Negeri 2 Banarnegara dalam hal prestasi maa piha seolah perlu mengetahui ualifiasi calon siswa. Untu membantu piha seolah mengetahui ualifiasi calon siswa maa diperluan suatu apliasi yang mampu menganalisa emampuan calon siswa yang nantinya aan membantu piha seolah dalam mempredisi ualifiasi calon siswa. Adapun apliasi tersebut dirancang menggunaan pemrosesan aringan saraf tiruan dengan algoritma pembelaaran bacpropagation. Dari ui coba yang dilauan sebanya 6 ali dengan parameter target error 0,00, masimum epoh 0000 dan learning rate mulai dari 0,3 sampai dengan 0,8 didapat hasil yang memuasan dimana 64 macam pola yang diuian sistem dapat mengenali 00% pola tersebut dengan MSE yang lebih ecil dari 0,00 dan etia diui dengan 00 data sampel nilai siswa yang didapat dari doumen seolah sistem dapat mengenali 00% data tersebut. Berdasaran hasil percobaan besarnya learning rate mempengaruhi umlah iterasi untu mendapatan MSE,semain besar nilai learning rate semain ecil iterasi yang dibutuhan untu mendapatan MSE yang lebih ecil dari target error. Kata-ata Kunci : Penerimaan Siswa Baru, aringan saraf tiruan, metode bacpropagation. Abstract - The selection process of the new students at Madrasah Aliyah Negeri 2 Banarnegara aims to get the best prospective students to improve the quality and quantity of the achievement of Madrasah Aliyah Negeri 2 Banarnegara they needs to now the qualifications of the applicant. To help the school to now the qualifications of prospective students required an application that is able to analyze the ability of prospective students, that will assist the school in predicting the qualifications of prospective students. The application is designed using artificial neural networ processing with bacpropagation learning algorithm. From the experiments performed 6 times used parameter : target error 0,00, the maximum epoch 0000 and learning rate from 0,3 to 0,8 obtained satisfactory results with 64 inds of patterns tested system can JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H. 89
2 recognize 00% patterns with MSE smaller than 0,00 and when they tested with 00 students sample data that they got from the documents the school system can recognize 00% of the data. Based on the experimental magnitude of learning rate affects the number of iterations to get the MSE, the greater the learning rate value the smaller value of iterations required to obtain a smaller MSE than the target error. Key words : selection process of the new students, artificial neural networ, bacpropagation. I. PENDAHULUAN Di setiap lembaga pendidian hususnya seolah menengah atas atau yang sederaat memilii egiatan rutin yang dilauan setiap tahun yaitu menyelenggaraan proses penerimaan siswa baru. Madrasah Aliyah Negeri 2 Banarnegara adalah salah satu lembaga pendidian yang melauan egiatan penerimaan siswa baru disetiap tahun aaran baru. Penerimaan siswa baru di Madrasah Aliyah Negeri 2 Banarnegara pada dasarnya tida ada penolaan terhadap calon siswa, namun arena eterbatasan daya tampung maa piha Madrasah Aliyah Negeri 2 Banarnegara melauan selesi terhadap para calon siswa berdasaran nilai UN (Uian Nasional) SMP (Seolah Menengah Pertama), nilai rapor pendaftar dan nilai non aademis atau nilai wawancara yang didapat pada proses wawancara. Proses selesi penerimaan siswa baru bertuuan untu mendapatan calon siswa terbai sehingga dapat meningatan ualitas dan uantitas Madrasah Aliyah Negeri 2 Banarnegara dalam hal prestasi maa piha seolah perlu mengetahui ualifiasi calon siswa. Untu mengetahui ualifiasi dari calon siswa maa diperluan suatu apliasi yang mampu menganalisa ualifiasi calon siswa dari nilainilai yang didapat calon siswa, Adapun apliasi tersebut aan dirancang menggunaan pemrosesan aringan saraf tiruan dengan algoritma pembelaaran bacpropagation.jaringan saraf tiruan (artifical neural networ) adalah sistem omputasi yang arsitetur dan operasinya diilhami dari pengetahuan tentang sel saraf biologis di dalam ota. Jaringan saraf tiruan merupaan salah satu representasi buatan dari ota manusia yang selalu mencoba menstimulasi proses pembelaaran pada ota manusia tersebut. Jaringan saraf tiruan dapat digambaran sebagai model matematis dan omputasi untu fungsi aprosimasi non-linear, lasifiasi data cluster dan regresi non-parametri atau sebuah simulasi dari olesi model aringan saraf biologi. Model aringan saraf ditunuan dengan emampuannya dalam emulasi, analisis, predisi dan asosiasi. Kemampuan yang dimilii aringan saraf tiruan dapat digunaan untu belaar dan menghasilan aturan atau operasi dari beberapa contoh atau masuan yang dimasuan dan membuat predisi tentang emunginan eluaran yang aan muncul atau menyimpan arateristi masuan yang diberian epada aringan saraf tiruan. Salah satu organisasi yang sering digunaan dalam paradigma aringan saraf tiruan adalah perambatan galat mundur atau bacpropagation seperti yang disampaian oleh []. Jaringan saraf tiruan dirancang dengan menggunaan suatu aturan yang bersifat menyeluruh (general rule) di mana seluruh model aringan memilii onsep dasar yang sama. Arsitetur sebuah aringan aan menentuan eberhasilan target yang aan dicapai arena tida semua permasalahan dapat diselesaian dengan arsitetur yang sama. Sedangan menurut [2] bacpropagation merupaan algoritma pembelaaran yang terawasi dan biasanya digunaan oleh perceptron dengan banya lapisan untu mengubah bobot-bobot yang tehubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma bacpropagation menggunaan error eluaran untu mengubah nilai bobot-bobotnya dalam arah mundur (bacward). Untu mendapatan error ini,peramban mau (foward propagation) harus dieraan terlebih dahulu. Pada saat perambaan mau, neuron neuron diatifan menggunaan fungsi ativasi yang dapat dideferensiasian seperti sigmoid : = )= + ) = ) ) atau tangen sigmoid : = )= + = )= + : )= + ) ) Arsitetur aringan bacpropagation seperti terlihat pada Gambar 4, pada Jaringan Bacpropagation terdiri dari tiga unit (neuron) pada lapisan masuan, yaitu X, X2, dan X3 ; lapisan tersembunyi dengan 2 neuron, yaitu Z dan Z2; serta unit pada lapisan eluaran, yaitu Y. Bobot yang menghubungan X, X2, dan X3 dengan neuron pertama pada lapisan tersembunyi, adalah V, V2, dan V3. Untu b dan b2adalah bobot bias yang menuu e neuron pertama dan edua pada lapisan tersembunyi. Bobot yang menghubungan Zdan Z2 dengan neuron pada lapisan eluaran, adalah Wdan W. Bobot bias bmenghubungan lapisan 90 JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H.
3 tersembunyi dengan lapisan eluaran. Fungsi ativasi yang digunaan, antara lapisan masuan dan lapisan tersembunyi, dan antara lapisan tersembunyi dengan lapisan eluaran adalah fungsi ativasi sigmoid biner yang seperti yang disampaian oleh [3]. Gambar. Arsitetur Jaringan Bacpropagation Dengan diembangannya apliasi aringan saraf tiruan dengan algoritma pembelaaran bacpropagation untu predisi ualifiasi calon siswa ini diharapan dapat dengan cepat dan tepat membantu piha seolah dalam melauan selesi dan dan mengetahui ualifiasi dari calon siswapada proses penerimaan siswa baru di Madrasah Aliyah Negeri 2 Banarnegara sehingga seolah dapat melauan tindaan lebih lanut terhadap siswa yang diterima diseolah tersebut. II. METODE Pelasanaan penelitian ini dilasanaan di Madrasah Aliyah Negeri 2 Banarnegara, yang beralamat di Jl. Letend Suprapto 95A Banarnegara, 5347, Jawa Tengah.Jenis penelitian yang digunaan adalah enis penelitian uantitatif dan asosiatif arena dalam penelitian ini data yang digunaan adalah data berupa anga yaitu data nilai dari calon siswa yang mendaftar di Madrasah Aliyah Negeri 2 Banarnegara serta mengetahui hubungan nilai calon siswa yang mendaftar dengan ualifiasi calon siswa.pengumpulan data pada penelitian ini menggunaan metode wawancara (untu mendapatan alur egiatan penerimaan siswa baru) dan doumentasi (untu mendapatan data pendaftar egiatan siswa baru di Madrasah Aliyah Negeri 2 Banarnegara). sampel terdiri dari raport calon siswa, nilai ini nilai yang rata-rata dari nilai raport semester sampai dengan nilai raport semester 5. UN (Uian Nasional), nilai UN (Uian Nasional) ini mencaup nilai Matematia, nilai Ipa, nilai Bahasa Indonesia dan nilai Bahasa Inggris yang diperoleh siswa etia mengiuti proses Uian Nasional sewatu SMP., nilai wawancara ini mencaup nilai penampilan, nilai motivasi belaar, nilai duungan orang tua, nilai membaca Al-Quran yang diperoleh etia calon siswa mengiuti proses wawancara pada saat menalani serangaian egiatan yang telah ditentuan oleh Madrasah Aliyah Negeri 2 Banarnegara. Arsitetur aringan untu penelitian ini terdiri dari 3 Neuron pada Lapisan Masuan, 4 Neuron pada Lapisan Tersembunyi, dan Neuron pada Lapisan Keluaran. Empat buah neuron masuan masing-masing terhubung dengan sinyal masuan sedangan neuron pada lapisan eluaran dapat dilasifiasian sebagai beriut (tinggi) dan 0 (rendah). Arsitetur dapat dilihat pada Gambar 2. JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H. 9
4 Gambar 2. Strutur Jaringan Bacpropagation dengan 3 Neuron pada Lapisan Masuan, 4 Neuron pada Lapisan Tersembunyi, dan Neuron pada Lapisan Keluaran III. HASIL DAN PEMBAHASAN A. Penelitian Penelitian menggunaan sampel data yaitu data nilai pendaftar peserta penerimaan siswa baru di Madrasah Aliyah Negeri 2 yang didapat dari piha seolah. sampel tertera pada Tabel I. No TABEL I DATA SAMPEL YANG DIGUNAKAN UNTUK PEMBELAJARAN (X ) UN (X 2 ) (X 3 ) 8,44 8, ,33 8, ,36 8, ,2 8, ,24 8, ,78 7, ,86 7, ,65 7, ,35 7, Target 96 6,24 6, ,23 5, ,2 6, ,5 6, ,34 6,5 7 0 B. Analisis Penelitian ini mengelompoan ualifiasi dalam 2 golongan,yaitu ualifiasi- (Tinggi), dan Kualifiasi-2 (Rendah). Tinggi rendahnya ualifiasi ditentuan oleh tiga nilai yang diperoleh calon siswa, yaitu, UN,. Masing masing nilai memilii etentuan sebagi beriut : X : bernilai ia 8 0 bernilai 0 ia 0 5 X 2 : UN UN bernilai ia 8 UN 0 UN bernilai 0 ia 0 UN 5 X 3 : ia ia 0 6 Penetapan etiga nilai tersebut dapat dirumusan menggunaan rumus sigmoid sebagai beriut: 92 JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H.
5 0; 2 )= ; ; + 2 ; Keterangan : X=, UN,. u = nilai variable X. BBX = Batas Bawah variable X. = 5 UN = 5 = 6 BAX = Batas Atas variable X. = 8 UN = 8 = 8 Berdasaran penetapan dari etiga nilai diatas maa dibuat pola untu dilatihan menggunaan metode bacpropagation sehingga menghasilan bobot dan bias ahir yang nantinya digunaan untu melauan simulasi terhadap data sampel yang tertera pada Tabel. Pola data nilai yang dilatihan dapat dilihat pada Tabel II. e- TABEL II POLA DATA NILAI YANG AKAN DILATIH (X ) UN (X 2 ) (X 3 ) , , , , Kelas Setalah dilauan pembelaaran aan didapatan bobot dan bias baru emudian dilauan simulasi dengan pola yang sama (Tabel 2) sebelum dilauan simulasi terhadap data sampel (Tabel ) untu mengetahui apaah bobot dan bias ahir dapat diterapan untu mengetahui tingat ualifiasi calon siswa. Pola data nilai dilatihan menggunaan algoritma pembelaaran bacpropagation seperti beriut : a. Menginisialisasi bobot awal secara random yang meliputi : ) bobot awal masuan e lapisan tersembunyi (v) 2) bobot awal lapisan tersembunyi e lapisan eluaran (w) 3) bobot awal bias masuan (b) 4) bobot awal bias eluaran (b2) b. Menetapanmasimum epoh, target error, dan learning rate. c. inisialisasi, epoh = 0. d. Selama epoh < masimum_epoh dan MSE < target_error, maa aan dieraan langah-langah beriut : ) epoh = epoh + 2) untu tiap pasangan elemen yang aan dilauan pembelaaran, dilauan : Feedforward : a) Tiap-tiap unit masuan (X i, i =, 2, 3) menerima sinyal x i dan menerusan sinyal tersebut e semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). b) Tiap-tiap unit pada suatu lapisan tersembunyi (Z, =, 2) menumlahan sinyal-sinyal masuan berbobot: z _ in = b + n i= x v i i emudian digunaan fungsi ativasi untu menghitung sinyal eluarannya yaitu z f (z _ in ) = arena dalam pembelaaran ini digunaan fungsi ativasi sigmoid biner, maa sinyal eluaran berbentu z = + e σz _ in atau yang disebut uga dengan fungsi logsig. Sinyal ini selanutnya diiriman e semua unit di lapisan atasnya (unit-unit eluaran). Catatan : Langah (2) dilauan sebanya lapisan tersembunyi, yaitu sebanya 4 ali. c) tiap-tiap unit eluaran (Y, =, 2) menumlahan sinyal-sinyal eluaran berbobot : JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H. 93
6 y _ in = b2 + p i= x w i dan digunaan fungsi ativasi sigmoid biner untu menghitung sinyal eluarannya yaitu : y y = f (y _ in = + e ) σy _ in dan sinyal tersebut diiriman e semua unit di lapisan atasnya (unit-unit eluaran) Bacpropagation : d) tiap-tiap unit eluaran (Y, =, 2) menerima target pola yang berhubungan dengan pola masuan pembelaaran, dan menghitung informasi errornya yaitu : δ2 ϕ2 = (t =δ y z )f '(y _ in β2 =δ arena fungsi ativasi yang digunaan adalah fungsi sigmoid biner, maa fungsi turunannya (f ) adalah : f '(y _ in ) = σf (y _ in )[ f (y _ in )] emudian dihitung oresi bobot (yang nantinya aan digunaan untu memperbaii nilai w ) : w = αϕ 2 selain itu dihitung uga oresi bias (yang nantinya aan digunaan untu memperbaii nilai b2 ) yaitu : b2 = αβ2 Langah (4) ini dilauan sebanya umlah lapisan tersembunyi (4 ali), yaitu menghitung informasi error dari suatu lapisan tersembunyi e lapisan tersembunyi sebelumnya. e) Tiap-tiap unit tersembunyi (Z, =, 2) menumlahan delta masuannya (dari unitunit yang berada pada lapisan di atasnya) yaitu : δ _ in = m = δ2 w nilai ini emudian dialian dengan turunan dari fungsi ativasinya untu menghitung informasi error yaitu : ) δ ϕ β i =δ _ in f '(z _ in ) =δ x =δ emudian dihitung oresi bobot (yang nantinya digunaan untu memperbaii nilai v i ) yaitu : v = αϕ i i selain itu, dihitung uga oresi bias (yang nantinya digunaan untu memperbaii nilai b ) yaitu : b = αβ f) Tiap-tiap unit eluaran (Y, =, 2...,m) memperbaii bias dan bobotnya yaitu : w (baru) = w (lama) + w b2 (baru) = b2 (lama) + b2 Tiap-tiap unit tersembunyi (Z, =, 2.,p) memperbaii bias dan bobotnya (i =, 2, 3) yaitu : v (baru) = v (lama) + v i i b (baru) = b (lama) + b 3) Hitung MSE e. Setelah diperoleh bobot-bobot ahir masuan, lapisan, dan bias maa hasil tersebut diui dengan pola yang sama untu mengetahui tingat aurasi. f. Melauan ombinasi masimum epoh, target error, dan learning rate dan melauan Pembelaaran serta ui pola untu mendapatan hasil yang diinginan yaitu tingat aurasi diatas 90% dan MSE lebih ecil dari target error. g. Melauan simulasi predisi ualifiasi dengan data sampel yang nilai masuannya telah diubah menadi fungsi eanggotaan sigmoid dengan bobot dan bias ahir hasil pelatihan, untu mengetahui apaah bobot dan bias dapat digunaan untu mempredisi tingat ualifiasi calon siswa. h. Melauan ui coba terhadap data baru. C. Pelatihan Pelatihan dilauan terhadap pola data nilai yang terdapat pada Tabel 2 untu mencari onfigurasi terbai antara masimum epoh, target error, dan learning rate dengan cara mengubah learning rate sedangan target error yang digunaan adalah 0,00, masimum epoh 0000 dan bobot awal ditentuan dengan mengaca anga dari - sampai (random). Percobaan pelatihan aan dilauan beberapa ali sampai mendapatan tingat aurasi diatas 90% dan MSE lebih ecil dari target error. i 94 JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H.
7 Percobaan dilauan dengan menggunaan parameter paremeter sebagai beriut : masimum epoh= 0000 target error = 0,00 learning rate = 0,3 hasil dari pelatihan dengan prameter-parameter diatas adalah : MSE = Iterasi selesai = 9757 Tingat aurasi data rule 00% Tingat aurasi data sampel 00% dengan rincian sebagai beriut: Bobot dan bias ahir : Bobot ahir lapisan masuan e lapisan tersembunyi seperti pada Tabel III. TABEL III BOBOT AKHIR LAPISAN MASUKAN KE LAPISAN TERSEMBUNYI PERCOBAAN KE Bias ahir lapisan masuan e lapisan tersembunyi seperti pada Tabel IV. TABEL IV BIAS AKHIR LAPISAN MASUKAN KE LAPISAN TERSEMBUNYI PERCOBAAN KE Bobot ahir lapisan tersembunyi e lapisan eluaran seperti pada Tabel V. TABEL V BIAS AKHIR LAPISAN MASUKAN KE LAPISAN TERSEMBUNYI PERCOBAAN KE Bias ahir lapisan tersembunyi e lapisan eluaran b2= Hasil simulasi terhadap pola data yang dilatih terdapat pada Tabel VI. TABEL VI HASIL SIMULASI TERHADAP POLA DATA YANG DILATIH PERCOBAAN KE e- (X ) UN (X 2 ) (X 3 ) Kelas Keluaran Hasil Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H. 95
8 Hasil simulasi terhadap 00 data sampel terdapat pada Tabel VII. TABEL VII HASIL SIMULASI TERHADAP DATA SAMPEL PERCOBAAN KE e- Fungsi eanggotaan sigmoid UN UN Target Keluaran Hasil Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Coco Setelah dilauan 6 ali percobaan menggunaan ombinasi masimum epoh dan learning rate yang berbeda-beda maa telah didapatan hasil seperti pada Tabel VIII. Percobaan Ke- Masimum Epoh TABEL VIII REKAPITULASI HASIL PERCOBAAN PEMBELAJARAN KE SAMPAI 6 Learning Rate Target Error Iterasi MSE Tingat Aurasi Rule Tingat Aurasi Sampel Keterangan ,3 0, % 00 % Memenuhi ,4 0, % 00 % Memenuhi ,5 0, % 00 % Memenuhi ,6 0, % 00 % Memenuhi ,7 0, % 00 % Memenuhi ,8 0, % 00 % Memenuhi Berdasaran hasil percobaan e sampai 6 semua ombinasi dianggap memenuhi riteria yang diinginan yaitu tingat aurasi lebih dari 90% dan MSE lebih ecil dari target error. Dari hasil di atas uga dapat ditari esimpulan bahwa semain besar nilai leraning rate maa aan semain ecil umlah iterasi untu menemuan MSE yag lebih ecil dari target error. D. Penguian Baru Penguian bobot dan bias ahir dapat beralan secara lancar untu melauan simulasi terhadap data sampel 96 JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H.
9 (Tabel ) yang telah disiapan sebelumnya. Setelah simulasi terhadap data sampel selanutnya dilauan ui coba terhadap data baru dengan pola baru yang tida ada di data sampel. Tabel IX menunuan hasil penguian terhadap data baru. TABEL IX HASIL UJI COBA TERHADAP DATA BARU No UN Sigmoid Sigmoid UN Sigmoid Keluaran Kualifiasi Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Rendah Tinggi Tinggi Rendah Rendah Rendah IV. PENUTUP A. Kesimpulan Berdasaran hasil penelitian maa dapat diambil esimpulan antara lain:. Metode aringan saraf tiruan dengan algoritma pembelaaran bacpropagation dapat diterapan untu mengetahui ualifiasi calon siswa di Madrasah Aliyah Negeri 2 Banarnegara sehingga piha seolah dapat menggambil tindaan terhadap calon siswa dengan ualifiasi yang tinggi dan rendah. 2. Percobaan dengan parameter masimum epoh 0000, target error 0,00 dan learning rate antara 0,3 sampai 0,8 menghasilan MSE lebih ecil dari target error yang berisar 0,0009 dan dapat digunaan untu mempredisi ualifiasi siswa di Madrasah Aliyah negeri 2 Banarnegara. 3. Pembuatan pola data pelatihan membuat sistem dapat mengenali pola-pola baru yang belum ada pada data sampel. 4. Semain besar nilai leraning rate maa aan semain ecil umlah iterasi untu menemuan MSE yag lebih ecil dari target error B. Saran Setelah dilauannya penelitian disaranan :. Penelitian ini dapat diembangan lagi dengan umlah ualifiasi yang lebih beragam tida hanya tinggi dan rendah, misalnya tinggi,rendah dan sedang. 2. Penelitian ini dapat diembangan lagi dengan menggunaan metode lainnya misalan FNN (Fuzzy Neural Networ) untu perbandingan metode dengan data yang sama. DAFTAR PUSTAKA [] Hermawan,A.,2006. Jaringan Saraf Tiruan : Teori dan Apliasi, Andi Publisher, Yogyaarta. [2] Kusumadewi, S., 2004, Membangun Jaringan Saraf Tiruan, Graha Ilmu, Yogyaarta. [3] Kusumadewi, S. dan Hartati, S., 2006, Neuro Fuzzy : Integrasi Sistem Fuzzy dan Jaringan Saraf, Graha Ilmu, Yogyaarta. JUITA ISSN: Vol. II Nomor 3, Mei 203 Febrianto, D.C. dan Mustafidah, H. 97
Analisa 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 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 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 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 terperinciPENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Otaorora 1, Bilqis Amaliah 2, Ahmad Saihu 3 Teni Informatia, Faultas Tenologi
Lebih 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 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 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 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 terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciPENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER
PENDETEKSIAN GERAK TANGAN MANUSIA SEBAGAI INPUT PADA KOMPUTER Wiaria Gazali 1 ; Haryono Soeparno 2 1 Jurusan Matematia, Faultas Sains dan Tenologi, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah,
Lebih 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 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 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 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 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 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 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 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 terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih terperinciBAB 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 terperinciMENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE
MENGHITUNG PELUANG PERSEBARAN TRUMP DALAM PERMAINAN CONTRACT BRIDGE Desfrianta Salmon Barus - 350807 Jurusan Teni Informatia, Institut Tenologi Bandung Bandung e-mail: if807@students.itb.ac.id ABSTRAK
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 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 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 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 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 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 terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Variabel Variabel ialah sesuatu yang nilainya berubah-ubah menurut watu atau berbeda menurut elemen/tempat. Umumnya nilai arateristi merupaan variabel dan diberi simbol huruf X.
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 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 terperinciEstimasi Konsentrasi Polutan Sungai Menggunakan Metode Reduksi Kalman Filter dengan Pendekatan Elemen Hingga
JURNAL SAINS DAN SENI POMITS ol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Estimasi Konsentrasi Polutan Sungai Menggunaan Metode Redusi Kalman Filter dengan Pendeatan Elemen Hingga Muyasaroh, Kamiran,
Lebih 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 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 terperinciMAKALAH SEMINAR TUGAS AKHIR
MAKALAH SEMINAR TUGAS AKHIR Peramalan Kebutuhan Beban Janga Pende Menggunaan Jaringan Syaraf Tiruan Bacpropagation Oleh : Dinar Atia Sari (L2F002572) Jurusan Teni Eletro Faultas Teni Universitas Diponegoro
Lebih terperinciPENGENALAN 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 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 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 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 terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
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 terperinciBAB II LANDASAN TEORI. Proses utama dari pengenalan karakter adalah menerima karakter input dan
BAB II LANDASAN TEORI 2.1 Pengenalan Teori Proses utama dari pengenalan arater adalah menerima arater input dan memerisa apaah hasil input tersebut sesuai dengan salah satu arater yang ada. Bagian yang
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih 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 terperinciAPLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK
APLIKASI METODE FUZZY MULTI CRITERIA DECISION MAKING (FMCDM) UNTUK OPTIMALISASI PENENTUAN LOKASI PROMOSI PRODUK Novhirtamely Kahar, ST. 1, Nova Fitri, S.Kom. 2 1&2 Program Studi Teni Informatia, STMIK
Lebih terperinciAplikasi Neural-Fuzzy pada Regresi Interval untuk Data Time Series
Apliasi Neural-Fuzzy paa Regresi Interval untu Data Time Series Sri Kusumaewi Jurusan Teni Informatia, Universitas Islam Inonesia, Yogyaarta Jl. Kaliurang K, 4, Yogyaarta (04 E-mail : cicie@fti.uii.ac.i
Lebih terperinciPrediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada Toko Buku Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation
Predisi Perilau Pola Pengunjung Terhadap Transasi Pada Too Buu Gramedia Menggunaan Jaringan Syaraf Tiruan Metode Bac Propagation Iriansyah BM Sangadji Teni Informatia STT PLN Jl Lingar Luar Duri Kosambi
Lebih terperinciPenggunaan Metode Bagi Dua Terboboti untuk Mencari Akar-akar Suatu Persamaan
Jurnal Penelitian Sains Volume 16 Nomor 1(A) Januari 013 Penggunaan Metode Bagi Dua Terboboti untu Menari Aar-aar Suatu Persamaan Evi Yuliza Jurusan Matematia, FMIPA, Universitas Sriwijaya, Indonesia Intisari:
Lebih 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 terperinciPENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI
PENGENALAN SIDIK JARI MENGGUNAKAN RESILIENT BACKPROPAGATION NEURAL NETWORK DENGAN PRAPROSES TRANSFORMASI WAVELET INEZA NUR OKTABRONI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciAPLIKASI 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 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 terperinciEstimasi Harga Saham Dengan Implementasi Metode Kalman Filter
Estimasi Harga Saham Dengan Implementasi Metode Kalman Filter eguh Herlambang 1, Denis Fidita 2, Puspandam Katias 2 1 Program Studi Sistem Informasi Universitas Nahdlatul Ulama Surabaya Unusa Kampus B
Lebih 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 terperinciAPLIKASI PENGENALAN AKSARA CARAKAN MADURA DENGAN MENGGUNAKAN METODE BACKPROPAGATION
APLIKASI PENGENALAN AKSARA CARAKAN MADURA DENGAN MENGGUNAKAN METODE BACKPROPAGATION Erwien Tjipta W, Iswan Wahyu Al Farqi STMIK ASIA Malang ABSTRAK Pengolahan citra (Image Processing) adalah suatu bidang
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciModifikasi ACO untuk Penentuan Rute Terpendek ke Kabupaten/Kota di Jawa
187 Modifiasi ACO untu Penentuan Rute Terpende e Kabupaten/Kota di Jawa Ahmad Jufri, Sunaryo, dan Purnomo Budi Santoso Abstract This research focused on modification ACO algorithm. The purpose of this
Lebih terperinciESTIMASI KEPUTUSAN PEMBERIAN KREDIT BAGI UMKM MENGGUNAKAN JARINGAN SYARAF TIRUAN BERDASARKAN PRINSIP 5C
ESTIMASI KEPUTUSAN PEMBERIAN KREDIT BAGI UMKM MENGGUNAKAN JARINGAN SYARAF TIRUAN BERDASARKAN PRINSIP 5C Safudin 1), Sudi B Huna 2) Program Studi Manajemen Infortia STMIK Profesional Maass safms69@gil.com
Lebih terperinciPENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR
PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR Ngarap Im Mani 1) dan Lim Widya Sanjaya ), 1) & ) Jurs. Matematia Binus University PENGANTAR Perancangan percobaan adalah suatu
Lebih terperinciBAB 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 terperinciRANCANG BANGUN SOFTWARE PENDIAGNOSIS GANGGUAN GINJAL MELALUI CITRA IRIS MATA MENGGUNAKAN ALGORITMA BACKPROPAGATION
RANCANG BANGUN SOFTWARE PENDIAGNOSIS GANGGUAN GINJAL MELALUI CITRA IRIS MATA MENGGUNAKAN ALGORITMA BACKPROPAGATION Erna Dwi Astuti a, Mahmudi b, Qonita Afifah c Program Studi Informatia Universitas Sains
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 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 terperinciANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA Julpan 1 *, Erna Budhiarti Nababan 1 & Muhammad Zarlis 1 1 Program S2 Teknik Informatika
Lebih terperinciPENERAPAN ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI MUSIK DENGAN SOLO INSTRUMEN
Seminar Nasional Apliasi Tenologi Informasi 009 (SNATI 009) Yogyaarta, 0 Juni 009 ISSN:1907-50 PENERAPAN ALGORITMA BACKPROPAGATION UNTUK KLASIFIKASI MUSIK DENGAN SOLO INSTRUMEN Gunawan 1, Agus Djaja Gunawan,
Lebih terperinciOPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK
OPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK ABSTRAK Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Algoritma umum metode propagasi
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,
Lebih terperinci