PERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION
|
|
- Yulia Gunawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 algoritma Resilient untu peramalan curah huan di wilayah ota Semarang barat dimana algoritma ini diembangan dengan melauan perubahan bobot dan bias aringan sesuai dengan perilau gradient dari setiap iterasi pelatihan hanya dengan cara menggunaan tanda turunannya saa. Tanda turunan ini aan menentuan arah perbaian bobot-bobot, sehingga umlah iterasi yang diperluan untu mencapai target yang diingginan lebih sediit. Penelitian ini menggunaan data curah huan wilayah Sematang barat Januari 2003 s.d. Desember 2012 data musiman. Hasil simulasi dengan umlah data pelatihan dan umlah data penguian 50%: 50%, 70%:30% dan 80%:20% diperoleh arsitetur terbai algoritma Resilient untu MSE pelatihan 0,1dengan umlah data pelatihan 80% dan data penguian 20% adalah 1 neuron input, 1 lapisan hidden dengan 18 neuron, dan 1 neuron output (1-18-1) dengan parameter = 1,2 dan = 0,5 menunuan ecepatan watu dan umlah epoch yang lebih banya dibandingan dengan Keywords Algoritma Resilientmalan dengan prosessti yang nil P M 1. PENDAHULUAN eramalan atau predisi terhadap curah huan di wilayah ota Semarang barat di tahun-tahun mendatang dengan menggunaan data bersifat runtun watu ( time series), yaitu data yang digunaan adalah data pada tahun ini dan tahun tahun sebelumnya. Salah satu metode yang banya digunaan adalah Seasonal Autoregressive Integreted Moving Average (SARIMA) yang diembangan oleh Box dan Jenins pada tahun 1976, dimana metode ini memilii etepatan yang cuup bai untu data linier. Dengan semain berembangnya ilmu pengetahuan maa berembang pula beberapa metode baru. Salah satu metode untu memperiraan curah huan adalah dengan metode aringan syaraf tiruan (Artificial Neural Networ). ANN mampu memperiraandengan data timeseries non linier yang sulit diselesaian dengan model lasi. Salahsatu algoritma pada ANN adalah algoritma Resilient Bacpropagation diembangan oleh Martin Riedmilier (1993), dan banya penelitian aringan syaraf tiruan yang dionsentrasian pada pengembangan algoritma ini, dimana pembelaaran digunaan sama seperti optimisasi data dari parameter aringan, Chien-Sheng Chen et al (2010) membandingan Resilient Bacpropagation dengan Gradient Descent dalam mempredisi loasi stasiun omuniasi, Christian Igel et al(2003) mengembangan algoritma Resilient dengan menambahan metode weight, dan Gupta & Kang(2011) membandingan Resilient Bacpropagation dengan Clustering Fuzzy untu mencari modul detesi rentan esalahan dalam Sistem Open Source Software. Bobot pada aringan syaraf tiruan merupaan salah satu fator penting agar aringan dapat melauan generalisasi dengan bai terhadap data yang dilatih e dalamnya, arena bobot pada aringan syaraf tiruan mempengaruhi besarnya sinyal yang aan eluar dari setiap neuron yang ada pada lapisan hidden dan lapisan output. Algoritma Resilient adalah algoritma pembelaaran yaitu dengan melauan perubahan bobot dan bias aringan sesuai dengan perilau gradient di setiap epoch pelatihan, sehingga umlah epoch yang diperluan untu mencapai target yang diinginan auh lebih sediit 2.1. Neural Networ 2. LANDASAN TEORI Artificial Neural Networ atau Jaringan Syaraf Tiruan (JST) adalah sistem pemrosesan informasi yang memilii arateristi mirip dengan strutur aringan syaraf biologi, hususnya aringan ota manusia. Keandalan inera JST adalah polanya hubungan antara neuron (disebut arsitetur aringan), metode untu menentuan bobot penghubung (disebut metode training atau learning atau algoritma) dan fungsi ativasi. Dalam aringan syaraf tiruan fungsi ativasi aan menentuan output suatu unit (mengubah sinyal input menadi sinyal output) yang aan diirim e unit lainnya. Fungsi ativasi yang sering dipaai dalam aringan syaraf tiruan adalah Fungsi Signoid Biner. Fungsi signoid biner bernilai antara 0 dan 1, digunaan untu aringan dengan nilai output antara 0 dan 1. Fungsi signoid biner dirumusan sebagai 1
2 f ( x) 1 < x < dengan f '( x) f ( x)(1 f ( x)) 1 x e 2.2. Analisis Time series Catatan tentang fenomena yang tida teratur bervariasi dengan watu disebut time series. Dalam analisis time series, variasi deret watu yang tida teratur umumnya dinyataan dengan model stoasti. Dalam beberapa asus sebuah fenomena random dapat dianggap sebagai realisasi dari model stoasti dengan srutur perubahan watu. Musiman didefinisian sebagai suatu pola yang berulang-ulang dalam selang watu yang tetap. Untu data yang stasioner, fator musiman dapat ditentuan dengan mengidentifiasi oefisien autoorelasi pada dua atau tiga time-lag yang berbeda nyata dari nol. Autoorelasi yang secara signifian berbeda dengan nol menyataan adanya suatu pola dalam data. Untu model ARIMA musiman, notasi umumnya sebagai beriut : ARIMA (p,d,q) (P,D,Q) S (1) dimana : (p,d,q) = bagian yang tida musiman dari model (P,D,Q) = bagian yang musiman dari model S = umlah periode per musim Persamaan model SARIMA atau ARIMA musiman (p,d,q) (P,D,Q,) s dengan rumus umum : φ p (B)Ф P (B S )Z t = θ q (B)Θ Q (B S )e t (2) dimana : Z t = (1 B) d (1 B S ) D Z t φ p (B) = (1 φ 1 B φ 2 B 2 φ p B p ) Ф P (B S ) = (1 Ф 1 B S Ф 2 B 2S Ф P B PS ) θ q (B) = (1 θ 1 B θ 2 B 2 θ q B q ) Θ Q (B S ) = (1 Θ 1 B S Θ 2 B 2S Θ Q B QS ) dengan : (1 - B) d = pembedaan non musiman (1 B S ) D = pembedaan musiman φ p = Parameter AR non musiman Ф P = Parameter AR musiman θ q = Parameter MA non musiman Θ Q = Parameter MA musiman S = Jumlah periode per musim 3.1. Disripsi Algoritma Resilient 3. ALGORITMA RESILIENT BACKPROPAGATION Algoritma Resilient melauan perubahan bobot dan bias aringan dengan melauan proses adaptasi langsung dari langah bobot yang didasaran pada informasi gradient loal dari setiap iterasi pembelaaran, sehingga umlah iterasi yang diperluan untu mencapai target yang dingginan lebih sediit. Untu mengatasi hal tersebut diatas, diberian uuran dari perubahan bobot yang disebut perbaian nilai. Nilai perbaian menyesuaian perembangan selama proses pembelaaran berdasaran pada penglihatan loal terhadap fungsi error dengan aturan pembelaaran sebagai beriut: (m) = (m 1) η +, ia (m) x (m 1) > 0 w w (m) = (m 1) η, ia (m) x (m 1) < 0 w w (m) = (m 1), untu yang lainnya Dimana 0 < η < 1 < η + Aturan adaptasi beera sebagai beriut: setiap turunan parsial dari bobot dan bias yang pada dua iterasi berturutan berlainan tandanya menunuan bahwa perbaian nilai yang terahir terlalu besar dan algoritma telah 2
3 melompati loal minimum, nilai perbaian diturunan dengan fator η. Jia dalam dua iterasi berurutan tanda turunan tetap, nilai perbaian dinaian dengan fator η + untu mempercepat onvergensi pada daerah permuaan error. Dan ia turunannya adalah nol, maa nilai pembaruan tetap sama. Setiap ali bobot yang berosilasi, perbaian bobot berurang. Jia bobot terus berubah e arah yang sama untu beberapa iterasi, maa beraibat enaian besarnya perubahan bobot. Setelah perbaian nilai untu setiap bobot yang disesuaian, perbaian bobot mengiuti aturan yang sederhana ia turunan positif (error meningat) maa bobot turun dengan nilai nilai perbaian, ia turunan adalah negatif maa nilai perbaian ditambahan sebagai beriut: Δw (m) = (m) ia (m) > 0 w Δw (m) = + (m) ia (m) < 0 (3) w Δw (m) = 0 untu yang lainnya w (m1) w (m) Δw (m) (4) Dimana w (m) adalah bobot diantara neuron dan dalam dua lapisan berurutan pada iterasi m, w (m+1) adalah bobot baru Parameter Algoritma Resilient Pada awal iterasi, semua nilai perbaian telah diatur sebagai nilai awal 0 yang merupaan salah satu dari dua parameter Resilient bacpropagation. Untu 0 secara langsung menentuan uuran dari bobot pertama, pilihan yang paling bai teradi pada 0 = 0,1. Bagaimanapun hasil beriutnya yang tampa pilihan dari parameter ini tida begitu penting, bahan untu nilai lebih besar atau lebih ecil dari 0, onvergensi tetap tercapai. Untu mencegah bobot menadi besar, langah-langah menentuan bobot masimum dengan nilai uuran update yang terbatas. Batas atas ditetapan oleh parameter edua Resilient bacpropagation, mas. Default batas atas diatur untu mas = 50. Pemilihan dari fator-fator penurunan η dan fator-fator enaian η + adalah sebagai beriut ia lompatan sebuah nilai minimum, nilai update sebelumnya terlalu besar. Hal ini diarenaan tida dietahuinya informasi gradient berapa banya minimum terlewati, secara rata-rata aan menghasilan nilai perbaian yang sangat bai yaitu η = 0,5. Fator enaian η + harus cuup besar untu untu memunginan cepat mengalami enaian enilai baru di daerah yang ecil fungsi errornya, di sisi lain proses pembelaaran dapat menadi auh terganggu, ia fator enaian terlalu besar menyebaban perubahan terus menerus dari arah langah bobot, dari semua percobaan riedmiller pilihan η + = 1,2 memberian hasil yang sangat bai tergantung masalah yang diuian. Sediit variasi nilai ini tida meningatan atau memperburu nilai watu onvergensi. Jadi untu mendapatan pilihan parameter yang sederhana diputusan untu terus memperbaii enaian/penurunan parameter η + = 1,2 dan η = Tahapan Algoritma Resilient Sama seperti pada algoritma Gradient Descent, algoritma Resilient melasanaan dua tahap pembelaaran yaitu tahap pembelaaran feedforward untu mendapatan error output dan tahap bacward untu mengubah nilai bobot. Langah 0 Pemberian insialisasi bobot (diberi nilai ecil secara aca) Langah 1. Jia ondisi ahir iterasi belum terpenuhi, lauan langah 2-9 Langah 2. Untu masing masing pasangan data pelatihan (training data) lauan langah 3 hingga 8 Feed Forward Langah 3.Tiap unit input (X i, i-1,2,...,n) menerima sinyal input x i dan sinyal tersebut disebaran e semua unit pada lapisan hidden Langah 4.Tiap lapisan hidden (Z,=1,2,,p) menumlahan bobot sinyal input n z _ in v x v (14) o i 1 i menggunaan fungsi atifasi untu menghitung sinyal output z f z _ in ) dan mengiriman sinyal ini e setiap unit output Langah 5. Tiap unit output (Y, =1,..,m) menumlahan bobot sinyal masu p ( y _ in w o z w (5) 1 menggunaan fungsi atifasi untu menghitung sinyal output y f y _ in ) (6) ( 3
4 Galat dari bacpropagation Langah 6. Tiap unit output menerima pola yang sesuai dengan pola pelatihan input dan dihitung errornya: ( t y ) f ( y _ in ) (7) menghitung bobot teroresi (digunaan untu memperbarui w o ), w z (8) menghitung bias teroresi w o dan mengirim δ e unit pada lapisan dibawahnya Langah 7: Tiap unit hidden (Z,=1,2,,p) menumlahan delta input m _ in. w (10) 1 dialian dengan derivatif fungsi ativasi untu menghitung error _ in f ( z _ in ) (11) menghitung oresi bobot v x i (12) menghitung oresi bias v 0 (13) Memperbaii bobot dan bias Langah 8: Tiap unit output (Y, =1,..,m) memperbaii bobot dan bias (-=0,,p) w ( baru) w ( lama) w Tiap unit hidden (Z, =1,..,p) memperbaii bobot dan bias (i=0,,n) v ( baru) v ( lama) v Langah 9: Ui ondisi pemberhentian (ahir iterasi) Setelah dilauan perubahan bobot dan bias untu setiap pola data dilauan langah di bawah ini Hitung gradient E E E E,,, yaitu perubahan bobot dan bias setiap pola pada w w v v epoch e t, untu setiap bobot dan bias lauan langah-langah beriut: Jia (m 1) (m) > 0 maa v v (m) = minimum ( (m 1) x η +, mas ) E v sign( ) v 0 0 v (m + 1) = v (m) + v (m) (14) E E ( m 1) v v (15) Jia v (m 1) v (m) < 0 maa (t)= masimum ( (m 1) x η, min ) E v ( ) v v ( m 1) v v ( m 1) (16) v (m 1) = 0 (17) Jia v (m 1) v (m) = 0 maa Δv (m) = sign v (m) (m) v (m + 1) = v (m) + Δv (m) (18) 4 (9)
5 (m 1) = (m) (19) v v Hitung MSE 4. Studi Kasus dan Pembahasan Pada penelitian ini, data yang digunaan yaitu data curah huan wilayah Semarang barat pada tahun Januari 2003 Desember 2012, terlihat bahwa data tersebut berflutuasi, mengandung fator musiman dan ada ecenderungan mengalami tren. Arsitetur aringan terbai algoritma Resilient untu peramalan curah huan wilayah Semarang barat dimana data yang digunaan sebanya 80% untu training dan 20% untu data testing dengan MSE 0,1 adalah aringan dengan 3 neuron pada lapisan input, 1 lapisan hidden dengan 18 neuron dan 1 neuron pada lapisan output, atau (3,18,1 )dengan parameter = 1,2 dan = 0,5. Hasil simulasi peramalan dengan menggunaan algoritma Resilient dirangum pada table 4.1. Dari parameter tuuan yang ditetapan dalam pelatihan aringan syaraf yaitu nilai MSE sebesar 0.1 dihasilan besaran MSE penguian yang berbeda beda. Simulasi peramalan menggunaan 3 perbedaan dalam perbandingan umlah data pelatihan dan umlah data dalam penguian yang pertama menggunaan 50% data pelatihan dan 50% data penguian, e dua menggunaan umlah data pelatihan 70% dan umlah data penguian 30% dan yang e tiga adalah umlah data pelatihan 80% dan umlah data penguian 20%. Hasil simulasi diperoleh bahwa untu umlah data training dan data testing sebesar 50%:50% nilai MSE penguian yang paling ecil sebesar 0,1503 adalah di hiden layer sebanya 15. Jumlah data training dan data testing sebesar 70%:30% nilai MSE penguian yang paling ecil sebesar 0,1942 adalah di hiden layer sebanya 14. Dari hal diatas terlihat semain banya hiden layer maa watu yang lebih cepat dan epoch yang diperluan semain besar. Untu data training 80% dan data testing 20% dimulai pada hiden layer 15 arena pada hiden layer 14 membutuhan watu dan epoch yang lama, sehingga untu watu yang sediit dibutuhan umlah hiden layer yang besar, hal ini arena umlah data training lebih banya sehingga diperluan watu lebih cepat dan epoch lebih banya dalam pelatihan untu menghasilan nilai MSE 0,1. Pemodelan dengan aringan syaraf tiruan memilii tingat aurasi yang lebih bai dibandingan dengan pemodelan peramalan lasi. Dan algoritma Resilient mempunyai emampuan mencapai MSE pelatihan 0,1 seperti terlihat pada grafi 4.2 beriut 5
6 Grafi 4.2 Plot data target - output pelatihan Pada plot data aringan syaraf tiruan (3,18,1) dengan MSE 0,1 gambar 4.2 pada proses pelatihan terlihat bahwa nilai output mendeati nilai target, hal ini menunuan ecilnya nilai deviasi antara target dan output untu data pelatihan Untu peramalan curah huan wilayah Semarang barat menggunaan metode lasi yaitu SARIMA diperoleh model ARIMA(0,1,1)(0,1,1) 12 dengan persamaan LnZ t = LnZ t 1 + LnZ t 12 LnZ t 13 + e t 0,7885 e t 1 0,8619 e t ,0507e t Kesimpulan Berdasaran penelitian dan pembahasan, maa dapat diambil esimpulan untu data curah huan wilayah Semarang barat tahun sebagai beriut: 1. Untu nilai MSE pelatihan yaitu 0,1 algoritma Resilient dengan arsitetur aringan 1 unit input, 18 unit neuron pada lapisan hidden dan 1 unit output (1-18-1) dengan 80% data pelatihan dan 20% data penguian diperoleh watu relatif cepat yaitu 5.6 deti, 1053 epoch dan MSE testing 0,1503 dicapai dengan parameter = 1,2 dan = 0,5 2. Dari simulasi algoritma Resilient dengan umlah data pelatihan dan data penguian, 50%:50%, 70%:30%, 80%:20%, ia umlah data pelarihan lebih banya yaitu 80% membutuhan watu yang lebih sediit dan epoch yang lebih banya dibandingan dengan umlah data pelatihan yang lain DAFTAR PUSTAKA Al_Naima, F.M., Al-Timemy, A.H., 2010, Resilient bac Propagation Algorithm for Breast Biopsy Classification Based on Artificial neural Networs, Computational Intelligence and Modern Heuristics, Edited by Al-Dahoud Ali, Publisher: IN-TECH, Vienna, Austria Chen, C., and Lin, J., 2011, Appliying Rprop neural Networ for the Prediction of the Mobile Station Location, Sensors, 11(4): Chong, E.K.P dan Za, S.H., 2001, An Introduction To Optimization, Second Edition, John Wiley & Sons Inc, New Yor Fausett, L., 1994, Fundamental of Neural Networ; architectures, algoritms and applications, Prentice-Hall Inc., Englewoods Cliffs, New Jersey Febrianty D., Dewanto, Aradea, 2007, Analisis aringan syaraf tiruan RPROP untu mengenali pola eletroniardiografi dalam mendetesi penyait antung oroner, Seminar Nasional Apliasi Tenologi Informasi, Yogyaarta Gupta, K. and Kang, S. 2011, Implementation of Resilient bacpropagation & fuzzy clustering based approach for finding fault prone modules in open source software systems, International Journal of Research in Engineering and Technology (IJRET),1, no.1: Hamilton JD Time Series Analisis I, Princeton University Press, New Jersey Igel, C., and Husen, M., 2003, Emperical Evaluation of the Improved Rprop Learning Algoritm. Neurocomputing, 50: Maridais, Wheelwright, dan McGee, 1999, Metode dan Apliasi Peramalan, (diteremahan oleh Hari Suminto), Jilid Satu, Edisi Kedua, Penerbit Binarupa Asara, Jaarta Riedmiller, M., 1994, Rprop- Description and Implementation Detail, University of Karlsruhe, Tech. Rep. Riedmiller, M., 1994, Advanced Supervised Learning in Multi layer Perceptrons-From Bacpropagation to Adaptive Learning Algoritms, Karlsruhe: 6
7 Riedmiller, M., and Braun. H., A Direct Adaptive Method for Faster Bacpropagation Learning: The RPROP algorithm, Proc. IEEE International Conference on Neural Networ (ICNN)(Ruspini,H., (Ed.), , San Fransisco Rumelhart, D.E. Hinton, G.and Williams, R.J., 1986, Learning Internal Representations by Bac-propagationerror Errors, Parallel Distributed Processing: Explorations in Microstructure of Cognition, MIT Press, Cambridge,M.A, 1: Samaringhe, S., 2006, Neural Networs For Applied Sciences and Engineering From Fundamental to Comples Pattern Recognition, Auerbach Publication Taylor & Francis Group. Soramaa, A., Hao, J., Reyhani, N., Ji, Y.and Lendasse A., 2007, Methodology for long-term prediction of time series, Neurocomputing, 70: Warsito, B. 2009, Kapita Seleta Statistia Neural Networ, BP UNDIP Semarang Wei, W.W.S., 1994, Time Series Analysis Univariate and Multivariate Methods, Addison-Wesley Publishing Company USA Wilde, I.F., 2009, Neural Networ, Mathematics Departement, King s College London 7
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih 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 terperinciPENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
Lebih terperinciPREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION
Konferensi Nasional Sistem dan Informatia 2008; Bali, November 5, 2008 PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF TIRUAN MULTILAYER FEEDFORWARD NETWORK DENGAN ALGORITMA BACKPROPAGATION Wahyudi Setiawan
Lebih 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 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 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 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 terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Faultas Teni Informatia, Institut Tenologi Telom Jl. Teleomuniasi No.1 Bandung 40286 Telp. (022) 7564108
Lebih terperinciMODEL 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 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 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 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 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 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 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 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 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 terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Departemen
Lebih terperincikhazanah Sistem Klasifikasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunakan Jaringan Syaraf Tiruan Backpropagation informatika
hazanah informatia Jurnal Ilmu Komputer dan Informatia Sistem Klasifiasi Tipe Kepribadian dan Penerimaan Teman Sebaya Menggunaan Jaringan Syaraf Tiruan Bacpropagation Yusuf Dwi Santoso *, Suhartono Program
Lebih 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 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 terperinciDany Candra Febrianto ) dan Hindayati Mustafidah )
Penerapan Jaringan Saraf Tiruan dengan Metode Pembelaaran Bacpropagation untu Mengetahui Tingat Kualifiasi Calon Siswa pada Sistem Informasi Penerimaan Siswa Baru di MAN 2 Banarnegara (Application of Artificial
Lebih terperinciARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET
Prosiding SNaPP2012 : Sains, Tenologi, dan Kesehatan ISSN 2089-3582 ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET 1 John Maspupu 1 Pussainsa LAPAN, Jl Dr Dundunan No 133 Bandung
Lebih 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 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 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 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 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 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 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 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 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 terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN
Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan PREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN Rudy Ansari STMIK Indonesia Banarmasin e-mail: rudy.ansari@gmail.com ABSTRAK
Lebih 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 terperinciEstimasi Inflasi Wilayah Kerja KPwBI Malang Menggunakan ARIMA-Filter Kalman dan VAR-Filter Kalman
JURNAL SAINS DAN SENI ITS Vol. 5, No.1, (16) 337-35 (31-98X Print) A-1 Estimasi Inflasi Wilayah Kerja KPwBI Malang Menggunaan ARIMA-Filter Kalman dan VAR-Filter Kalman Popy Febritasari, Erna Apriliani
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih 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 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 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 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 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 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 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 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 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 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 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 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 terperinciBACKPROPAGATION NEURAL NETWORK UNTUK OPTIMASI AKURASI PADA PREDIKSI FINANCIAL DISTRESS PERUSAHAAN
BACKPROPAGATION NEURAL NETWORK UNTUK OPTIMASI AKURASI PADA PREDIKSI FINANCIAL DISTRESS PERUSAHAAN Riska Yanu Fa rifah dan Zulfiqar Busrah Dosen Jurusan Teknik Informatika Universitas Cokroaminoto Palopo
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 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 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 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 terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih 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 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 terperinciPengambilan Data dan Analisis
METODOLOGI PENELITIAN Watu dan Loasi Penelitian Penelitian dilasanaan mulai bulan November 2003 sampai dengan Juni 2004 di Kecamatan Rengasdenglo, Telagasari dan Cilamaya Kabupaten Karawang Jawa Barat
Lebih 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 terperinciPerbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer
Perbaikan Metode Backpropagation untuk Pelatihan Jaringan Syaraf Tiruan Multilayer R. Muhammad Subekti 1 1. P2TRR BATAN, Kompleks Puspiptek Gedung 31, Serpong, Tangerang 15310 Abstrak Algoritma umum metode
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 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 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 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 terperinciMAKALAH SEMINAR TUGAS AKHIR
MAKALAH SEMINAR TUGAS AKHIR Peramalan Kebutuhan Beban Janga Pende Menggunaan Jaringan Syaraf Tiruan Bacpropagation Oleh : Dinar Atia Sari (L2F002572) Jurusan Teni Eletro Faultas Teni Universitas Diponegoro
Lebih terperinciBAB 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 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 terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
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 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 terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
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 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 terperinciWAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 2, November 2007, 53 64 WAVELET -JARINGAN SYARAF TIRUAN UNTUK PREDIKSI DATA TIME SERIES Daryono Budi Utomo Jurusan Matematika FMIPA Institut Teknologi
Lebih terperinciPREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION DAN WEIGHT-ELIMINATION
Konferensi Nasional Sistem dan Informatika 1; Bali, November 13, 1 PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION DAN WEIGHT-ELIMINATION Fitrisia, Adiwaya, dan Andrian
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciRESPONS ALIRAN MASUK KE DANAU TOWUTI OLEH CURAH HUJAN DI WAWONDULA DAN SEKITARNYA DIANALISA DENGAN ARTIFICIAL NEURAL NETWORK
Respons Aliran Masu Danau Towuti..(Kudsy) 87 RESPONS ALIRAN MASUK KE DANAU TOWUTI OLEH CURAH HUJAN DI WAWONDULA DAN SEKITARNYA DIANALISA DENGAN ARTIFICIAL NEURAL NETWORK Mahally Kudsy dan Moh. Husni INTISARI
Lebih terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
Lebih 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 terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih 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 terperinciIDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR. Gumgum Darmawan Statistika FMIPA UNPAD
JMP : Vol. 9 No. 1, Juni 17, hal. 13-11 ISSN 85-1456 IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR Gumgum Darmawan Statistia FMIPA UNPAD gumgum@unpad.ac.id Budhi Handoo Statistia
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 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 terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Artificial Neural Network Artificial neural network (ANN) / jaringan saraf tiruan adalah konsep yang merefleksikan cara kerja dari jaringan saraf biologi kedalam bentuk artificial
Lebih terperinciMakalah Seminar Tugas Akhir. Aplikasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self Tuning Regulator (STR)
Maalah Seminar ugas Ahir Apliasi Kendali Adaptif pada Pengendalian Plant Pengatur Suhu dengan Self uning Regulator (SR) Oleh : Muhammad Fitriyanto e-mail : D_3_N2@yahoo.com Maalah Seminar ugas Ahir Apliasi
Lebih terperinciPenentuan Nilai Ekivalensi Mobil Penumpang Pada Ruas Jalan Perkotaan Menggunakan Metode Time Headway
Rea Racana Jurnal Online Institut Tenologi Nasional Teni Sipil Itenas No.x Vol. Xx Agustus 2015 Penentuan Nilai Eivalensi Mobil Penumpang Pada Ruas Jalan Perotaan Menggunaan Metode Time Headway ENDI WIRYANA
Lebih terperinciUnnes Journal of Mathematics
UJM 2 (2) (2013) Unnes Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN ARIMA Dwi Prisita
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
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 terperinci