Rancang Bangun Perangkat Lunak Penentuan Lokasi Untuk Penelitian Pendahuluan Usaha Ritel di Surabaya Dengan Jaringan Saraf Tiruan
|
|
- Yandi Agusalim
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Rancang Bangun Perangkat Lunak Penentuan Lokasi Untuk Penelitian Pendahuluan Usaha Ritel di Surabaya Dengan Jaringan Saraf Tiruan Damarendra Universitas Ciputra UC Town, CitraLand, Surabaya Caecilia Citra Lestari Universitas Ciputra UC Town, CitraLand, Surabaya ABSTRAK Pemilihan lokasi penjualan yang tepat merupakan salah satu kunci keberhasilan sebuah ritel. Terdapat beberapa faktor-faktor yang mempengaruhi dalam penentuan lokasi, seperti faktor ekonomi dan populasi penduduk suatu daerah. Surabaya sebagai kota kedua terbesar sekaligus salah satu pusat perdagangan di Indonesia merupakan tempat pertumbuhan yang baik bagi usaha ritel. Perangkat lunak pada penelitian ini menggunakan algoritma pembelajaran Jaringan Saraf Tiruan (JST) propagasi balik. JST propagasi balik mampu belajar dari data latihan (training set) yang terdiri atas data masuk dan target. Data latihan yang digunakan diperoleh dari Badan Pusat Statistik (BPS), yang meliputi data kependudukan serta Dinas Pedagangan dan Perindustrian (Disperindag) yang berupa data usaha ritel. Perangkat lunak ini menentukan lokasi ritel berdasarkan jenis ritel, modal usaha yang dibutuhkan, target pendapatan dan populasi penduduk. Lokasi yang dihasilkan berupa kecamatan yang ada di Surabaya yang selanjutnya digunakan sebagai acuan dalam penelitian pendahuluan atau riset pemasaran lebih lanjut. Kata Kunci: Backpropagation, Bisnis, Jaringan Saraf Tiruan, JST, Java, MySQL, Peluang, Retail, Surabaya 1. PENDAHULUAN Ritel atau perdagangan eceran merupakan semua aktifitas dalam menjual barang atau jasa langsung ke konsumen akhir (end user) untuk kebutuhan pribadi dan nonbisnis. Pemilihan lokasi penjualan yang tepat merupakan salah satu kunci keberhasilan usaha ritel. Salah satu faktor dalam penentuan sebuah lokasi usaha dapat ditinjau melalui perkembangan ekonomi di daerah itu. Hal ini dapat memberikan pengaruh pada bisnis terutama pada konsumen yang sensitif terhadap harga. Faktor lain yang perlu dipertimbangkan adalah dari segi populasi penduduk, dikarenakan masyarakat adalah pembentuk pasar. Semakin bertumbuh populasi di daerah tersebut maka semakin besar pasar yang dapat dituju dan semakin meningkat pula daya beli di daerah itu. 42 T IM
2 Dengan data pendukung dari beberapa factor tersebut di atas, pengusaha atau calon pembuka usaha membutuhkan waktu dan keahlian menganalisa sehingga dapat menemukan lokasi usaha yang sesuai. Permasalahan ini dapat dibantu oleh salah satu algoritma kecerdasan buatan, yaitu Jaringan Saraf Tiruan (selanjutnya disingkat JST). JST bekerja seperti otak manusia sehingga memiliki kemampuan belajar dari sebuah data. JST dibentuk untuk memecahkan suatu masalah seperti pengenalan pola atau klasifikasi karena proses pembelajaran. Terdapat beberapa metode atau algoritma dalam pendekatan JST, salah satunya adalah algoritma pembelajaran JST propagasi balik. Pembelajaran JST propagasi balik adalah salah satu tipe pembelajaran terawasi atau supervised learning, dimana data yang diberikan (data latihan) atau training set terdiri atas data masuk dan target yang diinginkan. Pada penelitian ini set data yang digunakan adalah data kependudukan seperti populasi penduduk berdasarkan umur, jenis kelamin, dan pendapatn per bulan tiap kecamatan dengan data kategorisasi berupa lokasi (kecamatan) dan jenis ritel. 2. LANDASAN TEORI 2.1. Ritel Menurut Kotler (2009: 140) perdagangan eceran/pengeceran (Retailing) adalah semua aktifitas dalam menjual barang atau jasa langsung ke konsumen akhir untuk kebutuhan pribadi dan nonbisnis. Lokasi adalah faktor yang sangat penting dalam pemasaran ritel. Pada lokasi yang tepat, sebuah gerai akan lebih sukses dibandingkan gerai lainnya yang berlokasi kurang strategis, meskipun keduanya menjual produk yang sama, oleh pramuniaga yang sama banyak dan terampil, dan sama-sama memiliki daya tarik yang bagus. Untuk mendapatkan lokasi yang diinginkan, sangat diperlukan waktu, tenaga, serta biaya untuk melakukan penelitian mengenai lokasi tersebut yang dapat mempertimbangkan beberapa faktor, seperti faktor geografi dan demografi di wilayah tersebut. Saat sebuah bisnis merencanakan untuk membuka toko maka banyak hal yang dipertimbangkan dalam menentukan lokasi usaha agar tempat tersebut dapat memenuhi permintaan dan tepat sasaran dalam penjualannya. Menurut Kotler (2009:81) kekuatan demografis utama yang diamati pemasar adalah populasi, karena masyarakat adalah pembentuk pasar. 43 T IM
3 Pertumbuhan populasi memberikan implikasi yang signifikan dalam pertumbuhan usaha bisnis. Populasi sebuah daerah memiliki bauran usia yang beragam. Pemasar biasanya membagi populasi menjadi enam kelompok usia, yaitu: 1) anak-anak (pra sekolah); 2) anak-anak usia sekolah; 3) remaja; 4) pemuda usia tahun; 5) dewasa paruh baya usia tahun; 6) dewasa lanjut usia 65 tahun ke atas. Kotler menyebutkan terdapat delapan jenis toko eceran: 1) toko barang khusus; 2) department store; 3) pasar swalayan; 4) toko kelontong; 5) toko diskon; 6) pengecer offprice; 7) superstore; 8) ruang pamer katalog. 2.2 Jaringan Saraf Tiruan Propagasi Balik Jaringan Saraf Tiruan (artificial neural network) atau disingkat JST adalah salah satu cabang dari artificial intelligence yang menirukan cara kerja otak manusia dengan melakukan proses belajar (Fausett, 1994). Dalam penerapanya, JST digunakan karena memiliki kemampuan untuk melakukan proses pembelajaran atau adaptive learning berdasarkan data latihan yang diberikan. Seperti halnya sistem saraf otak manusia, jaringan saraf tiruan terdiri atas beberapa komponen utama yakni neuron. Neuron adalah unit pemroses informasi yang merupakan dasar operasi jaringan saraf tiruan. Setiap neuron terkoneksi satu sama lain dan memiliki bobot dengan nilai yang berbeda-beda. Istilah bobot (weight connection) terinspirasi dari synapse yang merupakan koneksi antar neuron di dalam sistem saraf otak manusia. Bobot berfungsi menyimpan pola pembelajaran dari sebuah informasi di dalam jaringan. Neuron-neuron tersebut mentransformasikan informasi yang diterima melalui koneksi keluarnya menuju ke neuron lainnya. JST propagasi balik adalah salah satu bentuk pelatihan yang diawasi (supervised training), dimana di dalam jaringan harus tersedia sampel data masuk (input) dan keluaran target (target output). Pada proses pembelajaran JST propagasi balik, diperlukan pola data masuk dan target. Setiap pola yang diinputkan akan diolah dan diproses di dalam jaringan, dan hasilnya dibandingkan dengan target yang diinginkan. Aturan belajar dari algoritma ini adalah menggunakan nilai error atau besar perbedaan antara target dengan output (actual output) yang dihasilkan oleh jaringan. Dimana, error tersebut diumpan-balikan (backpropagation) untuk diproses ke koneksi bobot sebelumnya hingga koneksi bobot yang 44 T IM
4 pertama. Besarnya nilai error ini digunakan sebagai faktor pengubah nilai bobot yang ada pada tiap koneksi di dalam jaringan. Proses pembelajaran pada JST propagasi balik dilakukan terus hingga keluaran aktual yang dihasilkan sesuai dengan keluaran target, atau memiliki nilai Root Mean Square Error (RMSE) yang dapat diterima. RMSE digunakan sebagai tolok ukur nilai error keseluruhan data latihan (training set) atau penanda cukup atau tidaknya sebuah jaringan mengalami proses pembelajaran (Heaton, 2005). Satu putaran atau proses perulangan belajar JST propagasi balik disebut dengan iterasi atau epoch. Tujuan dari pembelajaran ini adalah melatih sistem jaringan untuk mencapai suatu keadaan yang memungkinkan JST dapat merespon secara benar model input yang diberikan, dan kemampuan untuk memberikan respon atau jawaban yang masuk akal bagi data masuk yang mirip tetapi tidak identik dengan data masuk yang telah dilatih sebelumnya. Semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran Arsitektur Jaringan Saraf Tiruan Propagasi Balik Arsitektur jaringan yang digunakan oleh JST propagasi balik adalah jaringan lapisan banyak (multi layer network), dimana jaringan ini terdiri atas masing-masing satu lapisan masuk (input layer) dan lapisan keluar (output layer) dengan satu atau lebih lapisan tersembunyi (hidden layer). Setiap lapisan terdiri atas satu atau lebih neuron yang saling tekoneksi dengan neuron pada lapisan berikutnya. Gambar 1. menunjukan jaringan lapisan banyak dengan satu lapisan tersembunyi. Bagian atas sebagai lapisan masuk, bagian tengah sebagai lapisan tersembunyi dan bagian bawah sebagai lapisan keluaran. Gambar 1. Arsitektur Jaringan Banyak (Heaton, 2005) Setiap neuron pada lapisan masuk harus terkoneksi dengan neuron pada lapisan tersembunyi. Lapisan tersembunyi selanjutnya 45 TIM
5 dapat terhubung dengan lapisan tersembunyi lainnya atau langsung menuju pada lapisan keluar. Jaringan lapisan banyak memiliki minimal satu lapisan tersembunyi. Menggunakan lebih dari satu lapisan tersembunyi diperbolehkan di dalam jaringan, namun, menggunakan satu lapisan tersembunyi sudah cukup memadai Algoritma Pembelajaran Jaringan Saraf Tiruan Propagasi Balik Menurut Fauset, algoritma pembelajaran Jaringan Saraf Tiruan (JST) propagasi balik melibatkan tiga tahap yaitu: 1. Tahap perambatan maju (feedforward) pola input pembelajaran 2. Tahap kalkulasi error dan perambatan mundur (backpropagation) 3. Tahap penyesuaian atau pengubahan bobot Tahap-tahap diatas diberlakukan untuk semua pola data pelatihan (training set) yang telah disediakan sebelumnya. Ilustrasi pada gambar 2. Menunjukan contoh arsitektur dari JST propagasi balik. Dalam gambar tersebut, terdapat dua neuron atau unit masukan x1 dan xi, dua unit tersembunyi z1 dan zj, dan satu unit keluaran yk. Untuk tiap unit pada lapisan tersembunyi dan lapisan keluaran, terdapat satu unit lagi yang memiliki data masukan dengan nilai 1. Unit ini disebut dengan istilah bias. Bias juga memiliki nilai koneksi sama halnya dengan koneksi bobot. Gambar 2. Arsitektur JST Propagasi Balik Tiap neuron atau unit pada lapisan tersembunyi dan lapisan keluar dapat menerima data masuk (input) dan menghasilkan data keluar (output). Berbeda dengan unit yang ada pada lapisan masuk, setiap unit tersebut hanya dapat mengirimkan data masuk untuk kemudian diproses di lapisan berikutnya. Proses menerima data masuk dapat dihitung dengan menggunakan rumus penjumlahan yang ditulis sebagai berikut. (1) Sedangkan proses untuk menghasilkan data keluar dihitung dengan menggunakan fungsi aktifasi. Fungsi aktifasi merupakan fungsi pengolah jumlahan data masuk (input) menjadi data output (output). Terdapat 2 46 T IM
6 fungsi aktifasi yang digunakan dalam penerapan algoritma propagasi balik, yaitu: 1. Fungsi Biner Sigmoid Fungsi sigmoid memiliki nilai interval (0,1) dan memiliki bentuk fungsi: (2) dengan fungsi turunan sebagai berikut:. 1 (3) 2. Fungsi Bipolar Sigmoid Fungsi bipolar sigmoid memiliki nilai interval (-1,1) dan memiliki bentuk fungsi: 1 (4) dengan fungsi turunan sebagai berikut. (5) Hasil dari fungsi aktifasi yang dihasilkan oleh tiap unit yang berada di lapisan keluar, merupakan nilai keluaran aktual (actual output) dari sebuah jaringan. Proses pembelajaran dalam JST propagasi balik dapat meningkat apabila menggunakan fungsi bipolar sigmoid. Seperti yang telah dijelaskan sebelumnya, nilai keluaran aktual akan dibandingkan dengan keluaran target (target output) untuk menghitung nilai kesalahan atau error. Nilai error ini selanjutnya diproses untuk menghitung seberapa besar koreksi nilai koneksi bobot yang dibutuhkan (weight correction term). Dalam perhitungan itu, terdapat sebuah variabel yang digunakan. Variabel itu disebut dengan istilah learning rate ( atau ketelitian pembelajaran. Nilai dari learning rate memiliki nilai positif kurang dari 1. Umumnya, memberikan nilai yang terlalu besar akan membuat proses belajar menjadi sangat cepat. Sebaliknya, menggunakan nilai learning rate yang terlalu kecil akan berakibat pada lamanya jumlah iterasi. Tetapi menggunakan nilai learning rate yang terlalu besar mengakibatkan JST tidak akan menuai hasil (Heaton, 2005) Sebelum JST mengalami proses pembelajaran, koneksi bobot dan bias terlebih dahulu diinisialisasi. Inisialisasi bobot dan bias dapat berupa nilai positif ataupun negatif. Pada umumnya, inisialisasi bobot dan bias dilakukan secara acak dengan nilai yang berkisar antara -0.5 dan 0.5 (Fausett, 1994) Pelatihan Perambatan Maju Langkah - langkah pelatihan perambatan maju adalah sebagai berikut: Langkah 0: Inisialisasi bobot dan bias. 47 T IM
7 Langkah 1: Setiap unit masukan (x1, xi, i=1,..n) menerima data xi dan mengantarkan data ini ke semua lapisan di atasnya (unit tersembunyi). Langkah 2: Setiap unit tersembunyi (z1, zj, j=1,..n) menjumlahkan setiap nilai bobotnya dengan menggunakan fungsi penjumlahan yang telah dituliskan pada persamaan (1). Tiap unit tersembunyi ini kemudian menghitung nilai dari fungsi aktifasinya dan mengirimkan data keluarnya (zj) ke tiap unit pada lapisan keluaran. (6) Langkah 3: Setiap unit keluaran (y1, yk, k=1,.. n) menjumlahkan setiap nilai bobotnya dengan menggunakan fungsi penjumlahan sebagai berikut. (7) Selanjutnya tiap unit pada lapisan keluaran menghitung nilai keluaran aktual (actual output) dengan menggunakan fungsi aktifasi sebagai berikut. (8) Prosedur Pelatihan Perambatan Mundur Langkah 1 Setiap unit keluaran (yk, k=1,..., n) akan memiliki keluaran target atau target output (tk, k=1,..., n). Keluaran target ini akan dibandingkan dengan aktual target yang dihasilkan oleh jaringan dan dihitung nilai error yang dikeluarkan (error information term) dengan rumus berikut: (9) Selanjutnya, menghitung besarnya koreksi untuk nilai koneksi bobot dan biasnya (weight correction term), dengan rumus berikut: (10) (11) Langkah 2: Setiap unit pada lapisan tersembunyi (zj, j=1,...,n) menjumlahkan hasil perubahan masukannya (dari unit-unit pada lapisan diatasnya) dengan menggunakan rumus berikut: (12) Hasil persamaan di atas akan dikalikan dengan nilai turunan dari fungsi aktifasinya guna menghitung besarnya 48 T IM
8 error yang dikeluarkan (error information term). (13) Kemudian, besar koreksi untuk koneksi bobot dan biasnya dihitung dengan rumus berikut (14) (15) Prosedur Pengubahan Nilai Bobot dan Bias Untuk setiap unit keluaran (yk, k=1,..., n) mengubah nilai bobot dan biasnya (j=0,..., n) dengan rumus berikut: (16) Tiap unit pada lapisan tersembunyi (zj, j=1,...,n) mengubah nilai bobot dan biasnya (i=0,..., n) dengan menggunakan rumus yang sama yaitu: (17) Menghitung Root Mean Square Error Setelah seluruh data latihan (training set) dipelajari oleh jaringan, maka nilai Root Mean Square Error (RMSE) dapat dihitung. Telah dijelaskan sebelumnya bahwa, RMSE digunakan sebagai tolok ukur nilai error keseluruhan data latihan. Dengan kata lain, proses belajar pada JST propagasi balik akan berhenti apabila nilai RMSE yang dihasilkan mencapai nilai error yang dapat diterima. Berikut langkah dalam perhitungan RMSE: 1. Menghitung nilai SSE (Sum Square Error) yang di dapatkan dari rumus berikut. (18) 2. Nilai RMSE selanjutnya dihitung dengan mengakar hasil pembagian dari SSE dengan perkalian jumlah data latihan (N) dengan jumlah unit keluar (K). Rumus RMSE dapat dituliskan sebagai berikut. (19) Inisialisasi Pendekatan Nguyen- Widrow Inisialisasi bobot dan bias dapat dihitung dengan pendekatan nguyen-widrow. Pendekatan ini didasarkan atas analisa dari respon yang diberikan neuron atau unit tersembunyi terhadap unit pada lapisan masuk 2, dengan menggunakan nguyen widrow, proses belajar di dalam JST menjadi lebih cepat atau memiliki jumlah iterasi yang 2 Fausett, Laurene Fundamentals of Neural Networks. New Jersey: Prentice Hall. 49 T IM
9 lebih sedikit dengan menggunakan fungsi biner sigmoid ataupun bipolar sigmoid. Perhitungan atau inisialisasi bobot dan bias dari unit masuk ke unit tersembunyi dirancang untuk meningkatkan kemampuan dari unit tersembunyi melakukan proses pembelajaran. Untuk bobot dan bias dari unit tersembunyi ke unit keluar dilakukan proses inisialisasi secara acak (antara -0.5 dan 0.5). Adapun pendekatan inisialisasi bobot dan bias (nguyen-widrow), dilakukan sebagai berikut:. / (20) dengan faktor pengubah ( ), jumlah unit tersembunyi (p), dan jumlah unit masuk (n). Selanjutnya dihitung dengan langkah-langkah sebagai berikut, Untuk setiap unit tersembunyi (j=1,..., n): Langkah 1: Inisialisasi bobot dan bias (acak) dari unit pada lapisan masuk dan unit tersembunyi (21) Langkah 2: Menghitung jumlah koneksi bobot dan bias dengan cara: Langkah 3: Inisialisasi bobot dan bias. (23) (22) 3. DESAIN SISTEM 3.1 Pengumpulan dan Pengolahan Data Data didapat dari Disperindag dan BPS Surabaya. Data tersebut adalah: 1. Data usaha ritel. Data yang digunakan adalah usaha ritel yang berdiri minimal 3 tahun hingga 2010 dan berupa, lokasi kecamatan usaha ritel itu, jenis ritel (pakaian, perhiasan, elektronik, dsb), serta besar modal usaha yang digunakan. 2. Data kependudukan. Data yang digunakan adalah data pendapatan per kapita dan populasi penduduk per kategori umur untuk tahun Data primer yang diperoleh dari BPS adalah total populasi penduduk , dan populasi per kategori umur untuk tahun Penulis kemudian melakukan proyeksi mundur berdasarkan 50 T IM
10 persentase jumlah per kategori dibandingkan total populasi di tahun 2008 dan Pemetaan Data Pemetaan Data Kategorikal Struktur JST menggunakan fungsi aktivasi biner sigmoid sehingga seluruh data kategori dipetakan menjadi biner. Tabel 1. adalah contoh pemetaan biner data jenis usaha ritel. Selain jenis usaha ritel, data kategorikal lain adalah data kecamatan Pemetaan Data Numerikal Untuk data numerikal, seperti modal usaha, pendapatan per kapita, atau populasi, perlu dipetakan untuk normalisasi. Pemetaan tersebut dilakukan dengan persamaan (24) berikut: (24) Tabel 2. adalah contoh pemetaan untuk modal usaha. Tabel 1. Contoh Pemetaan Data Jenis Usaha Ritel Jenis Ritel Num x 1 x 2 x 3 x 4 x 5 x 6 Pencetakan, penerbitan, dan perangkat lunak Bahanbahan konstruksi Sepeda motor serta suku cadang dan assesoris Alat transportasi Bahan konstruksi dari kayu Tabel 2. Contoh Pemetaan Data Modal Usaha Modal Usaha Hasil Pemetaan Data Arsitektur JST Neuron Jaringan yang digunakan dalam perangkat lunak ini memiliki jumlah neuron atau unit masuk (input unit) sebanyak 13 unit, yang terdiri atas 6 bit biner hasil pemetaan jenis ritel, modal dan pendapatan, serta 5 kisaran umur. Jumlah unit pada lapisan tersembunyi atau hidden unit berjumlah 25 unit, sedangkan unit keluar (output unit) yang digunakan sebanyak 5 unit, yaitu berupa hasil pemetaan data biner tiap kecamatan. 51 T IM
11 dikarenakan pemberian nilai yang terlalu besar akan membuat proses belajar menjadi sangat cepat, namun memberikan dampak pada tidak selesainya pembelajaran atau tidak tercapainya nilai RMSE. Sebaliknya, menggunakan nilai learning rate yang terlalu kecil akan berakibat pada lamanya jumlah iterasi tetapi nilai RMSE tercapai Fungsi Aktivasi Fungsi aktivasi yang digunakan adalah fungsi Biner Sigmoid, yaitu seperti pada persamaan (25) berikut: (25) Inisialisasi Bobot dan Bias Pada pengembangan perangkat lunak proses pelatihan jaringan menggunakan inisialisasi bobot dan bias secara acak yaitu diantara -0.5 dan 0.5 dan dengan inisialisasi pendekatan nguyen-widrow. Gambar 3. adalah diagram alir dari perangkat lunak ini. 4. IMPLEMENTASI DAN PENGUJIAN 4.1 Struktur Diagram Perangkat Lunak Gambar 3. Diagram Alir Algoritma JST Learning Rate Proses pembelajaran JST propagasi balik pada perangkat lunak ini menggunakan nilai learning rate yang sebesar Hal ini Struktur diagram perangkat lunak ini terdiri dari beberapa package, yaitu Mapping, Presentation, NeuralNetwork, NNBuilder, dan Runner. Gambar 4. adalah package diagram dari perangkat lunak ini. Tiga package utama 52 T IM
12 adalah NeuralNetwork, Mapping, dan NNBuilder. Package NeuralNetwork berisi sejumlah class yang membentuk arsitektur JST. Gambar 5. merupakan class digram dari NeuralNetwork. Penjelasan singkat tiap-tiap class terdapat pada Tabel 3. Gambar 4. Package Diagram Tabel 3. Penjelasan Class pada Package NeuralNetwork Nama Class Keterangan Backpropagati Merupakan kelas untuk on menjalankan fitur pembelajaran dan pengujian Neuron Merupakan kelas untuk melakukan fungsi penjumlahan dan fungsi aktifasi serta perhitungan error NeuronLayer Merupakan kelas untuk menyimpan objek neuron ke dalam beberapa lapisan Connection Merupakan kelas untuk menyimpan bobot dan bias sebuah jaringan Pattern Menyimpan pola atau pattern data latihan NeuralNet Merupakan sebuah abstract class Pagkage Mapping berisikan sejumlah class yang berfungsi untuk pemetaan data. Struktur hubungan antar class tersebut direpresentasikan seperti pada Gambar 6., dengan penjelasan seperti pada Tabel 4. Gambar 5. Class Diagram Package NeuralNetwork Gambar 6. Class Diagram Package Mapping 53 T IM
13 Tabel 4. Penjelasan Class pada Package Mapping Nama Class Keterangan MappingData_Angka Merupakan kelas yang berfungsi untuk memetakan data latihan yang berupa angka MappingData_Kategori Merupakan kelas yang berfungsi untuk memetakan data latihan kecamatan MappingData_Kategori2 Merupakan kelas yang berfungsi untuk memetakan data latihan jenis ritel MappingData Merupakan abstract class ValueCombination Merupakan kelas untuk menghasilkan data kombinasi (jenis kelamin dan umur) 4.2. Pengujian Pengujian ini dilakukan dengan tujuan sebagai berikut: 1) Membandingkan proses pelatihan jaringan menggunakan metode inisialisasi bobot dan bias secara acak (antara -0.5 dan 0.5) dengan metode pendekatan nguyenwidrow. 2) Menguji jaringan dengan bobot dan bias yang telah didapat dari hasil pelatihan, baik pelatihan yang menggunakan inisialisasi bobot dan bias secara acak maupun melalui pendekatan nguyenwidrow untuk mengetahui nilai error atau kesalahan yang dihasilkan. Package NNBuilder berfungsi untuk mengatur jalannya perangkat lunak, pengambilan masukan, pemrosesan data dengan JST, hingga menghasilkan keluaran. Gambar 7. adalah class diagram dari package ini sedangkan Tabel 5. menjelaskan tiap-tiap class di dalamnya. Gambar 7. Class Diagram Package NNBuilder 54 T IM
14 Tabel 5. Penjelasan Class pada NNBuilder Nama Class Keterangan ExcelWrite Merupakan kelas yang berfungsi untuk menulis data ke dalam file excel ExcelRead Merupakan kelas yang berfungsi untuk membaca data dari file excel NN_Builder Merupakan kelas yang memanggil fungsi-fungsi dari kelas-kelas yang berada di package neural network NN_3 Merupakan kelas yang berfungsi melatih dan menguji pembelajaran pada jaringan Skenario Pengujian Untuk mencapai tujuan yang disebutkan diatas, pengujian dilakukan dengan menggunakan 80 persen data, yang terdiri dari data tahun 2008, 2009, dan sebagian Data dilatih dengan menggunakan dua pendekatan yakni: 1. Inisialisasi bobot dan bias secara acak (antara -0.5 dan 0.5) 2. Inisialisasi bobot dan bias dengan pendekatan nguyen-widrow Selanjutnya, dilakukan pengujian data dengan menggunakan data yang tidak pernah dipelajari sebelumnya. Data tersebut berupa data dari tahun 2010 dengan jumlah sebesar 20 persen dari data keseluruhan. Pengujian ini dilakukan untuk mengetahui seberapa besar nilai error yang dihasilkan oleh jaringan. Dalam penerapannya, pengujian ini dilakukan dengan menerapkan algoritma perambatan maju dengan menggunakan bobot dan bias yang didapatkan dari proses pembelajaran baik dengan inisialisasi bobot dan bias secara acak maupun pendekatan nguyen-widrow Hasil dan Analisa Pengujian Perbandingan Antara Inisialisasi Bobot dan Bias Acak dan Pendekatan Nguyen-Widrow Tabel 6. merupakan tabel perbandingan untuk inisialisasi awal bobot dan bias secara acak dan dengan pendekatan Nguyen-Widrow. Hasil pengujian ini menyatakan bahwa JST membutukan iterasi lebih banyak dan waktu lebih lama hingga lebih dari dua kali lipat saat bobot dan biasnya diinisialisasi secara acak (antara -0.5 hingga 0.5) dibandingkan dengan ketika diinisialisasi dengan pendekatan Nguyen-Widrow. Namun, apabilai inisialisasi awal bobot dan bias dilakukan dengan pendekatan Nguyen Widrow, JST akan memiliki RMS Error yang lebih besar (selisih 10-6 ). Tabel 6. Perbandingan Inisialisasi Awal Bobot dan Bias Pendekatan Acak (-0.5 sd. Epoch RMS Error Waktu menit 55 T IM
15 0.5) Nguyenwidrow menit Penerapan Data Testing pada JST yang Terlatih Dengan menggunakan bobot dan bias dari hasil pelatihan, JST diterapkan pada data uji, yaitu sebanyak 20% dari data tahun Hasil dari pengujian adalah JST mampu menentukan jenis ritel atau lokasi yang sesuai dengan tingkat kesalahan kurang dari 10%, baik dengan inisialisasi acak maupun dengan pendekatan Nguyen-Widrow seperti pada Tabel 7. Tabel 7. Hasil Pengujian JST Inisialisasi Bobot dan Bias Acak (antara -0.5 dan 0.5) Pendekatan Nguyen-widrow Error KESIMPULAN DAN SARAN Berdasarkan hasil uji coba yang telah dilakukan dapat disimpulkan bahwa, proses pelatihan jaringan dengan inisialisasi bobot dan bias menggunakan pendekatan nguyenwidrow memerlukan jumlah iterasi yang lebih sedikit dibandingkan dengan inisialisasi secara acak. Perangkat lunak ini telah mampu memberikan jawaban dengan tingkat kebenaran sebesar 90 persen atau memiliki nilai error minimal 0.1. Sehingga, perangkat lunak ini layak digunakan sebagai acuan lokasi untuk melakukan penelitian atau riset pemasaran usaha ritel lebih lanjut. Selain itu, dalam pengembangannya, proses pelatihan data cocok dilakukan dengan menggunakan inisialisasi bobot dan bias melalui pendekatan nguyen-widrow. Berikut adalah beberapa rencana atau saran pengembangan untuk perangkat lunak ini: 1. Menentukan lokasi penjualan tidak hanya untuk usaha ritel saja, melainkan untuk usaha lainnya. 2. Dikembangkan di beberapa kota lainnya di Indonesia. 3. Menggunakan data primer atau data survei sebagai data latihan (training set) agar memberikan hasil yang jauh lebih akurat dan dipercaya 6. DAFTAR PUSTAKA [1] Fausett, Laurene Fundamentals of Neural Networks. New Jersey: Prentice Hall. [2] Heaton, Jeff Introduction to Neural Networks with Java. USA: Heaton Research, Inc. 56 T IM
16 [3] Kiki dan Sri Kusumadewi Analisa Jaringan Saraf Tiruan dengan Metode Backpropagation untuk Mendeteksi Gangguan Psikologi. Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika Fakultas Teknologi Industri Universitas Islam Indonesia. [4] Kotler, Philip dan Kevin L. Keller Manajemen Pemasaran. Edisi 13. Jakarta: Erlangga. [5] Ma aruf, Hendri Pemasaran Ritel. Jakarta: PT Gramedia Pustaka Utama. [6] Pang-Ning Tan, Micheal Steinbach, and Vipin Kumar Introduction to Data Mining. Pearson Education, Inc. [7] Pressman, Roger S Software Engineering, A Practitioner s Approach, 6 th Ed., NY:McGraw-Hill. 57 T IM
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciBAB 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciAnalisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi
Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi Kiki, Sri Kusumadewi Laboratorium Komputasi & Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI
Media Informatika, Vol. 2, No. 2, Desember 2004, 1-11 ISSN: 0854-4743 JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENDETEKSI GANGGUAN PSIKOLOGI Kiki, Sri Kusumadewi Jurusan Teknik Informatika,
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciDIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
DIAGNOSA GANGGUAN SALURAN PERNAFASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Bambang Yuwono 1), Heru Cahya Rustamaji 2), Usamah Dani 3) 1,2,3) Jurusan Teknik Informatika UPN "Veteran" Yogyakarta
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 terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
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 terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
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 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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV.
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV. Bryan Ponsel) Des Indeks Giawa Mahasiswa Teknik Informatika STMIK Budi
Lebih terperinciP E N D A H U L U A N Latar Belakang
KLASIFIKASI KEKERAPAN KUNJUNGAN LOKASI BERBASIS LOCATION BASED SERVICE (LBS) MENGGUNAKAN SELF-ORGANIZING MAP (SOM) Oleh : Dhanang Fitra Riaji (NRP : 2208205737) PROGRAM MAGISTER JURUSAN TEKNIK INDUSTRI
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinci2 2 ... v... 3 Santoso... 21 abawa... 29... 37... 53... 59... 67... 77 Yohakim Marwanta... 85... 89... 101 ... 109... 117 D. Jaringan Komputer Amirudd... 135 andha... 141... 151... 165 Syahrir... 171...
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI 2.1. Citra Digital Citra digital dapat didefenisikan sebagai fungsi f(x,y) yaitu dua dimensi, dimana x dan y merupakan koordinat spasial dan f(x,y) disebut dengan intensitas atau
Lebih terperinciPERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION
Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION Fahmi Hasobaran Dalimunthe
Lebih terperinciPERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION
PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION (Forecast The Number of Vehicle in Jakarta Using Backpropagation Neural Net ) Zumrotus Sya diyah Universitas Darussalam Ambon,
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciArsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah memin
BACK PROPAGATION Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
Lebih terperinciIMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI
IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI Andi Harmin Program Studi : Teknik Komputer STMIK Profesional Makassar andiharmin1976@gmail.com
Lebih terperinciPEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK
PEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK Bilqis Amaliah 1, Amethis Oktaorora 2 1,2 Teknik Informatika, FTIf - ITS,Surabaya
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Suara Manusia Menurut Inung Wijayanto (2013), produksi suara manusia memerlukan tiga elemen, yaitu sumber daya, sumber suara dan pemodifikasi suara. Ini adalah dasar dari teori
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Analisis merupakan proses penguraian konsep ke dalam bagian-bagian yang lebih sederhana, sehingga struktur logisnya menjadi jelas. Metode untuk menguji, menilai, dan
Lebih terperinciEVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN (Studi Kasus pada Pengenalan Karakter Angka Tulisan Tangan) Iwan Suhardi Jurusan Teknik
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
Lebih terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih 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 PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN
SISTEM PAKAR DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE BERBASIS ANDROID MENGGUNAKAN JARINGAN SARAF TIRUAN Ahyuna 1), Komang Aryasa 2) 1), 2) Jurusan Teknik Informatika, STMIK Dipanegara Makassar 3) Jl. Perintis
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciPROSIDING SEMINAR ILMIAH NASIONAL: MEMBANGUN PARADIGMA KEHIDUPAN MELALUI MULTIDISIPLIN ILMU
JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SUKUK NEGARA RITEL BERDASARKAN KELOMPOK PROFESI DENGAN BACKPROPOGATION DALAM MENDORONG LAJU PERTUMBUHAN EKONOMI 1 Solikhun, 2 Agus Perdana Windarto, 3 Handrizal,
Lebih terperinciRANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
Lebih terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA)
PEMBANGUNAN SISTEM PENDETEKSI PENYALAHGUNAAN NARKOBA MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION Dwi Putri Pangrestu 1, Nelly Indriani Widiastuti 2 Teknik Informatika Universitas
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciFarah Zakiyah Rahmanti
Farah Zakiyah Rahmanti Latar Belakang Struktur Dasar Jaringan Syaraf Manusia Konsep Dasar Permodelan JST Fungsi Aktivasi JST Contoh dan Program Jaringan Sederhana Metode Pelatihan Supervised Learning Unsupervised
Lebih terperinciMILIK UKDW. Bab 1 PENDAHULUAN. 1.1 Latar Belakang
Bab 1 PENDAHULUAN 1.1 Latar Belakang Beberapa tahun belakangan ini, jaringan syaraf tiruan telah berkembang dengan pesat. Berbagai aplikasi telah memanfaatkan jaringan syaraf tiruan dalam penerapannya,
Lebih terperinciPENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK
PENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK Eko Budi Wahyono*), Suzuki Syofian**) *) Teknik Elektro, **) Teknik Informatika - Fakultas Teknik Abstrak Pada era modern
Lebih terperinciBAB IV PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK
BAB IV PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK Bab ini menjelaskan perancangan dan implementasi yang dilakukan. Tahap pertama dimulai dengan merancang beberapa classifier yaitu jaringan saraf tiruan
Lebih terperinciKLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION A B S T R A K
KLASIFIKASI KELAINAN JANTUNG ANAK MENGGUNAKAN JARINGAN SARAF TIRUAN ALGORITMA BACKPROPAGATION Oleh : Gunawan Abdillah, Agus Komarudin, Rachim Suherlan A B S T R A K Kelainan jantung anak merupakan salah
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Beban dan Prakiraan Beban Listrik Di dalam sebuah sistem kelistrikan terdapat 2 sisi yang sangat berbeda, yaitu sisi beban dan sisi pembangkitan. Pada sisi beban atau beban
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciPERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK OLEH ARIF MIFTAHU5R ROHMAN (2200 100 032) Pembimbing: Dr. Ir Djoko Purwanto, M.Eng,
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
Lebih terperinciResearch of Science and Informatic BROILER CHICKENS WEIGHT PREDICTION BASE ON FEED OUT USING BACKPROPAGATION
Sains dan Informatika Vol.2 (N0.2) (2016): 1-9 1 Andre Mariza Putra, Chickens Weight Prediction Using Backpropagation JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih terperinci