Makalah Seminar Tugas Akhir
|
|
- Hadi Darmali
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Pengaturan Kecepatan Motor DC Menggunaan Jaringan Syaraf Tiruan Feedforward Bacpropagation Sorihi *, Wahyudi **, Iwan Setiawan ** Abstra - Jaringan syaraf bacpropagation merupaan aringan syaraf yang telah umum digunaan dalam beragam apliasi ontrol. Dari segi arsitetur, bacpropagation merupaan aringan syaraf perceptron dengan banya layer (multilayer), sehingga aringan syaraf ini dienal uga sebagai aringan syaraf perceptron multilayer. Nama bacpropagation diambil dari proses pembelaaran yang melibatan penghantaran bali sinyal error dari output layer menuu layer dibawahnya hingga layer sebelum input layer. Pada tugas ahir ini, aringan syaraf bacpropation digunaan sebagai ontroler dalam pengaturan ecepatan motor DC. Sema yang digunaan dalam pengontrolan adalah fix stabilizing controller. Dalam sema ini, aringan syaraf berperan sebagai controller dimana sinyal training yang digunaan berasal dari sinyal eluaran penguat proporsional. Dengan menggunaan bobot dan bias awal 0,05, pengaruh parameter aringan syaraf serta parameter pada sema ontroler fix stabilizing controller dapat diamati. Learning rate aan berpengaruh terhadap ecepatan plant mencapai ondisi tuna. Momentum uga mempunyai pengaruh yang sama dengan learning rate. Pengamatan uga dilauan terhadap pengaruh umlah hidden layer dalam aringan serta pengaruh nilai penguat proporsional. Dari hasil percobaan diperoleh bahwa aringan dengan satu hidden layer lebih cepat mencapai ondisi tuna dibandingan aringan dengan dua hidden layer. Nilai penguat proporsional dimana respon plant masih stabil adalah 2. Kata unci : aringan syaraf tiruan, bacpropagation, fix stabilizing controller, plant motor DC. Kata Kunci : aringan syaraf tiruan, bacpropagation, fix stabilizing controller, plant motor DC. I. PENDAHULUAN 1.1 Latar Belaang Beragam sistem ontrol melibatan manusia sebagai pengendalinya, sehingga semain banya peralatan ontrol aan mengaibatan besarnya biaya pengoperasian. Berangat dari permasalahan tersebut muncul gagasan untu memindahan eahlian dari manusia e dalam sistem ontrol. Kontrol lasi (P, PI, PID) merupaan dasar dari sistem ontrol sederhana. Kesederhanaannya merupaan alasan utama enapa ontrol ini begitu luas diterapan di industri. Kontrol lasi merupaan ontroler penguatan umpan bali tetap, oleh arena itu ontroler ini tida mampu mengompensasi variasi parameter dalam plant dan tida dapat beradaptasi terhadap perubahan lingungan. Dalam teni lasi, modelan plant secara matemati dan penalaan parameter dari ontroler harus dilauan terlebih dahulu sebelum mengimplementasian ontrolernya. Kebanyaan sistem ontrol mempunyai perilau non linier, lebih auh, untu memodelan sistem ini seringali mengalami esulitan, adangala mustahil untu penggunaan huum-huum fisia. Oleh arena itu, penggunaan ontrol lasi tidalah coco untu apliasi ontrol non linier. Dalam tiga deade terahir telah dienalan teni ontrol alternatif, seperti neural networ (aringan syaraf tiruan), adaptif, serta fuzzy ontrol sebagai alternatif teni ontrol lasi. Perembangan aringan syaraf tiruan (JST) telah menginspirasi munculnya teni ontrol yang lebih bai dan efisien. JST mempunyai emampuan mempelaari ondisi dinamis sistem dengan mengestimasi fungsi input-output sistem. Dengan menggunaan JST, aan didapat suatu ontroler tanpa harus memodelan plant secara matemati serta penalaan parameter ontroler. 1.2 Tuuan Tuuan tugas ahir ini adalah untu mengetahui unu era aringan syaraf tiruan bacpropagation yang diterapan secara on line pada pengaturan ecepatan plant motor DC. 1.3 Batasan Masalah Dalam pembuatan tugas ahir ini penulis membatasi permasalahan sebagai beriut: 1. Plant yang digunaan pada tugas ahir ini adalah plant motor DC tanpa pembebanan. 2. Jaringan syaraf tiruan yang digunaan adalah feedforward bacpropagation dengan umlah neuron pada input layer sebanya dua buah, empat buah pada hidden layer, serta satu buah neuron pada output layer. 3. Jumlah hidden layer pada aringan syaraf yang diuian adalah aringan syaraf dengan satu hidden layer, dan aringan syaraf dengan dua hidden layer. 4. Miroontroler AT89S51 pada plant hanya digunaan sebagai sarana omuniasi serial. 5. Tida aan membahas mengenai proses handshaing pada omuniasi serial. 6. Bahasa pemrograman yang digunaan menggunaan Visual Basic 6.0. * Mahasiswa Jurusan Teni Eletro UNDIP ** Staff Pengaar Jurusan Teni Eletro UNDIP
2 II. DASAR TEORI 2.1 Jaringan Syaraf Tiruan [2] Jaringan syaraf tiruan adalah sistem pengolahan informasi yang mempunyai arateristi unu era tertentu sebagaimana aringan syaraf biologis. Jaringan syaraf tiruan didasaran pada beberapa asumsi : 1. Pengolahan informasi teradi pada neuron. 2. Sinyal-sinyal dilewatan antar neuron melalui rantai penghubung. 3. Masing-masing rantai penghubung aan mengalian sinyal yang ditransmisian. 4. Masing-masing neuron menggunaan fungsi ativasi pada aringan masuannya untu menentuan sinyal eluaran. Jaringan syaraf tiruan dicirian oleh (1) hubungan pola antar neuron, (2) metode untu menentuan bobot dan (3) fungsi ativasinya. Sebuah aringan syaraf terdiri dari banya elemen pengolah sederhana yang disebut neuron, unit, cell, atau node. Masing-masing neuron dihubungan e neuron yang lain oleh rantai omuniasi terarah dengan masing-masing bobot yang beraitan dengannya. Bobot merepresentasian informasi yang digunaan oleh aringan untu memecahan sebuah masalah. Masing-masing neuron mempunyai state internal, disebut sebagai ativasi atau level pengatifan (activation or activity level) yang merupaan fungsi masuan. Biasanya, sebuah neuron mengirim ativasinya sebagai sebuah sinyal e beberapa neuron. Sebagai catatan bahwa neuron hanya dapat mengirim satu sinyal pada suatu watu, mesipun sinyal itu diirim e beberapa neuron yang lain. Gambar 1 menunuan sebuah neuron Y yang menerima input dari neuron X 1, X 2, dan X 3. Pengativan (sinyal eluaran) dari neuron ini adalah x 1, x 2, dan x 3, secara berturut-turut. Bobot pada hubungan dari X 1, X 2, dan X 3 e neuron Y adalah w 1, w 2, dan w 3. Jaringan masuan, y_in, e neuron Y adalah umlah dari sinyal terboboti (weighted signal) dari X 1, X 2, dan X 3, yaitu : y_in = w 1 x 1 + w 2 x 2 + w 3 x 3. X 1 X 2 X 3 w 1 w 2 w 3 Gambar 1 Neuron sederhana. Ativasi y dari neuron Y diberian oleh suatu fungsi dari aringan masuannya, y = f(y_in), sebagai contohnya adalah fungsi sigmoid logistic ( sebuah urva berbentu S) yang memenuhi persamaan : 1 f x 1 exp x atau fungsi ativasi yang lain, semisal fungsi linier serta fungsi threshold [2][3]. Dalam banya asus, digunaan fungsi ativasi non linier. Fungsi non linier digunaan pada aringan Y multilayer arena hasil pengumpanan sinyal melalui dua atau lebih layer dengan menggunaan fungsi linier aan diperoleh hasil yang tida berbeda dengan apa yang diperoleh ia menggunaan single layer (lapis tunggal). Gambar 2 menunuan fungsi ativasi sigmoid logistic. Gambar 2 Fungsi ativasi sigmoid logistic Jaringan Syaraf Tiruan Tipe Perceptron Gambar 3 menunuan sebuah aringan syaraf perceptron sederhana dengan n masuan dan satu eluaran, tanpa hidden layer (lapis tersembunyi). Gambar 3 Perceptron sederhana. Neuron mempunyai sebuah bias b, yang diumlahan dengan masuan terboboti untu membentu masuan aringan y_in: y_in = w 1 x 1 + w i x w n x n + b Jumlah masuan e dalam sebuah aringan ditentuan oleh spesifiasi esternal dari suatu permasalahan yang aan dipecahan. Umumnya satu neuron, bahan dengan banya masuan, emunginan tidalah memadai untu memecahan suatu permasalahan. Oleh arena itu dibutuhan umlah neuron lebih dari satu yang dioperasian secara paralel, dimana biasa disebut sebagai sebuah layer (lapis). Gambar 4 menunuan aringan syaraf sangat sederhana yang terdiri dari tiga neuron pada input layer, satu neuron pada hidden layer, serta dua neuron pada output layer. Gambar 4 Jaringan syaraf sangat sederhana.
3 Neuron dalam layer yang sama mempunyai arater yang sama. Fator unci dalam menentuan arater neuron tergantung dari fungsi ativasi serta pola onesi terboboti etia suatu layer mengirim serta menerima sinyal. Dalam setiap layer, neuron-neuron biasanya mempunyai fungsi ativasi yang sama dan pola onesi terhadap neuron lain yang sama pula. Penyusunan neuron e dalam layer dan pola onesi dalam dan antar layer disebut sebagai arsitetur aringan. Kebanyaan aringan syaraf mempunyai input layer dengan ativasi setiap unit sama dengan sinyal masuan esternal. Dengan demiian, pada input layer tida terdapat adanya fungsi ativasi. Jaringan syaraf seringali dilasifiasian sebagai single layer atau multilayer. Dalam menentuan umlah layer, unit masuan tida dihitung sebagai layer, arena pada unit ini tida teradi adanya proses omputasi. Dengan demiian, umlah layer dalam suatu aringan dapat ditentuan sebagai umlah layer alur interonesi terboboti antar neuron. Gambar 5 merupaan contoh aringan syaraf single layer. Jaringan syaraf ini mempunyai n neuron pada input layer dan m neuron pada output layer. Pada aringan syaraf ini tida terdapat adanya hidden layer. Gambar 5 Jaringan syaraf single layer. Biasanya dibutuhan lebih dari satu layer untu memecahan suatu permasalahan. Jaringan dengan satu hidden layer sudah mencuupi untu mengaprosimasi pemetaan dari pola masuan terhadap pola eluaran. Aan tetapi, dua hidden layer bisa membuat proses training menadi lebih mudah dalam beberapa situasi. Jaringan yang terlihat pada Gambar 6 merupaan aringan syaraf multilayer dengan satu hidden layer. Gambar 6 Jaringan syaraf multilayer. 2.3 Algoritma Pelatihan Bacpropagation [2] Aturan pembelaaran bacpropagation diembangan dari delta rule dengan menambahan hidden layer. Melatih aringan dengan menggunaan metode bacpropagation melibatan tiga tahapan: feedforward pola pelatihan masuan, bacpropagation terhadap error, serta penyesuain bobot. Algoritma pelatihan bacpropagation adalah sebagai beriut: Langah 0. Inisialisasi bobot. Langah 1. Ketia ondisi berhenti salah, lauan langah 2-9. Langah 2. Untu masing-masing pasangan training, lauan langah 3-8. Feedforward: Langah 3. Masing-masing neuron masuan (X i, i = 1,..., n) menerima sinyal masuan x i dan menghantaran sinyal ini e semua unit dalam layer di atasnya (unit-unit tersembunyi). Langah 4. Masing-masing neuron tersembunyi (Z, J = 1,..., n) menumlahan sinyal masuan terboboti, z _ in v x v, 0 n i1 hitung fungsi ativasi untu menghitung sinyal eluaran, z = f(z_in ), lalu mengirim sinyal ini e semua unit pada layer diatasnya (unit eluaran). Langah 5. Masing-masing unit eluaran (Y, = 1,..., m) menumlahan sinyal masuan terboboti, y _ in w 0 p 1 serta menghitung fungsi ativasinya untu menghitung sinyal eluaran, y = f(y_in ). Bacpropagation of error: Langah 6. Masing-masing unit eluaran (Y, = 1,..., m) menerima pola target terhadap pola masuan, emudian menghitung informasi errornya, ' = (t - y ) f (y_in ), menghitung oresi bobot, w z, Langah 7. i z i w menghitung oresi bias, w 0, dan mengirim e unit di layer dibawahnya. Masing-masing unit tersembunyi (Z, = 1,..., p) menumlahan masuan deltanya (dari unit pada layer di atasnya), m _ in w, 1 alian dengan turunan fungsi ativasi untu menghitung informasi error,
4 imac = _ in ' f (z_in ), menghitung oresi bobot, v x, i i emudian menghitung oresi bias, v 0. Update bobot dan bias: Langah 8. Masing-masing unit eluaran (Y, = 1,..., m) update bias dan bobotnya ( = 0, Langah 9...., p): W (baru) = w (lama) + w Masing-masing unit tersembunyi (Z, = 1,..., p) melauan update bias dan bobotnya (i = 0,..., n): V i (baru) = v i (lama) + Ui syarat henti Fixed Stabilizing Controller [3] Salah satu sema direct learning control yang paling sederhana adalah sebagaimana terlihat pada Gambar 7, dimana sebuah ontroler fixed, stabilizing, linier, feedbac controller digunaan untu melatih aringan syaraf tiruan. Kontroler linier didesain demiian hingga sistem loop tertutup menadi stabil dalam setiap daerah operasi dan sinyal dari ontroler tersebut menadi sinyal training bagi modul pembelaaran. Reference + - Learning Model Simple Gain Feedforward Control + + Learning Signal vi Plant Gambar 7 Fixed Stabilizing Controller [3][8]. Pada sema ini aringan syaraf tiruan berperan sebagai model inverse dinamis dari plant. Model ini menggunaan sinyal referensi dan eluaran atual plant sebagai masuan serta error ontrol umpan bali sebagai algoritma adaptasi. Ketia aringan syaraf tiruan telah terlatih, maa sinyal error aan mengalami onvergensi menuu nol. Dengan demiian ontroler aringan syaraf tiruan aan berlatih mengambil peran ontroler umpan bali. BAB III PERANCANGAN SISTEM Secara umum sistem yang aan dibuat ditunuan pada Gambar 8. Gambar 8 Diagram blo perancangan sistem. Output Penelasan dari masing masing blo adalah sebagai beriut : 1. DAC 0808 Rangaian DAC berfungsi untu mengubah data digital berupa masuan referensi ecepatan motor dari omputer menadi data analog berupa tegangan. 2. Pengondisi sinyal Pengondisi sinyal berfungsi untu menguatan tegangan eluaran dari DAC. Keluaran DAC masimal adalah 5 V, sedangan tegangan masimal yang dibutuhan adalah 13 V sehingga perlu diuatan sebesar 2,6 ali. 3. Driver motor DC Untu menggeraan motor DC diperluan arus yang cuup besar, sedangan output pengondisi sinyal tida memilii arus yang cuup untu menggeraan motor DC. Oleh arena itu, diperluan sebuah penggera motor DC yang tida lain adalah penguat arus untu menguatan tegangan ontrol dari pengonsi sinyal. 4. Motor DC Motor DC yang digunaan dilengapi dengan optoopler beserta piringan berode yang terpasang pada poros motor. 5. Pengubah freuensi e tegangan Rangaian pada blo ini menggunaan LM2917N sebagai omponen utama yang berfungsi mengubah data freuensi dari optoopler menadi tegangan yang sesuai dengan besarnya freuensi masuan. 6. ADC 0804 Rangaian ADC yang digunaan untu mengubah besaran analog dari pengubah freuensi e tegangan menadi data digital sehingga dapat diolah di omputer. 7. Komuniasi serial Miroontroler AT89S51 diposisian sebagai sarana omuniasi serial, yang mengatur aliran data dari ADC e omputer atau dari omputer e DAC. 8. Komputer. Komputer digunaan sebagai unit ontroler untu mengapliasian algoritma aringan syaraf tiruan bacpropagation. Disamping itu, omputer uga digunaan untu menampilan grafi respon dan menyimpan data e dalam file untu eperluan analisis. BAB IV PENGUJIAN DAN ANALISIS Pemilihan bobot dan bias awal aan menentuan ecepatan respon awal plant. Bobot dan bias awal yang dipilih harus dalam nilai yang relatif ecil. Nilai bobot dan bias awal yang dipilih untu analisis adalah 0, Pengaruh Learning Rate terhadap Respon Transien Plant Untu mengetahui pengaruh nilai learning rate pada unu era aringan syaraf dilauan dengan cara membandingan dua nilai learning rate yang berbeda, yaitu 0,3 dan 0,7, sementara parameter lainnya diberian dengan nilai tetap. Pada percobaan ini nilai momentum, umlah hidden layer, dan penguat proporsional adalah 0,2, 2, dan 1,3. Pada saat awal, respon plant mengalami overshoot sebesar 43,75 % dan watu yang dibutuhan untu mencapai ondisi tuna pada ecepatan referensi 2000 RPM seitar 5,6 deti. Dengan menggunaan
5 bobot-bobot hasil pembelaaran, dibutuhan watu seitar 2,25 deti untu mencapai ondisi tuna pada ecepatan 1000 RPM. Gambar 9 menunuan bagaimana respon transien plant pada saat awal dan pada saat ecepatan referensi diturunan. Gambar 12 Respon transien plant dari 1000 RPM e 2000 RPM dengan nilai learning rate = 0,7, momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,3. Gambar 9 Respon transien plant dari 2000 RPM e 1000 RPM dengan nilai learning rate = 0,3, momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,3. Gambar 10 Respon transien plant dari 1000 RPM e 2000 RPM dengan nilai learning rate = 0,3, momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,3. Gambar 10 menunuan pengaruh learning rate terhadap respon plant etia ecepatan motor dinaian dari 1000 RPM menadi 2000 RPM. Dengan menggunaan bobot-bobot hasil pembelaaran, respon plant mengalami overshoot 5 % dengan watu seitar 6,1 deti. Gambar 11 Respon transien plant dari 2000 RPM e 1000 RPM dengan nilai learning rate = 0,7, momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,3. Gambar 11 menunuan perubahan respon transien plant dengan nilai learning rate = 0,7. Pada saat awal, respon plant mengalami overshoot sebesar 47,5 % dan watu yang dibutuhan untu mencapai ondisi tuna seitar 3,5 deti. Gambar 12 menunuan pengaruh learning rate etia ecepatan motor dinaian dari 1000 RPM menadi 2000 RPM. Respon plant mengalami overshoot 5 % dengan watu seitar 2,7 deti. Tabel 1 Parameter unu era Learning rate = 0,3 Learning rate = 0,7 Pengaruh nilai learning rate terhadap respon plant pada saat nilai momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,3. Respon awal plant mencapai referensi Respon plant dari ecepatan 1000 RPM e 2000 RPM 43,75 % 5,6 deti 5 % 6,1 deti 47,5 % 3,5 deti 5 % 2,7 deti Berdasaran Tabel 1 dan gambar respon transien plant, dapat disimpulan bahwa penambahan nilai learning rate aan berpengaruh terhadap ecepatan respon transien plant, semain besar nilai learning rate semain cepat plant mencapai ondisi tuna. Penambahan nilai learning rate uga aan menambah overshoot plant awal serta teradinya undershoot yang lebih besar. 4.2 Pengaruh Momentum terhadap Respon Transien Plant Momentum adalah parameter tambahan yang sebenarnya tida harus ada dalam algoritma bacpropagation, aan tetapi dengan adanya penambahan momentum telah terbuti semain meningatan ecepatan pembelaaran aringan syaraf mencapai sinyal terharap yang diinginan. Untu mengetahui pengaruh langsung dari momentum terhadap respon transien plant, dilauan penguian terhadap dua aringan syaraf dengan nilai momentum yang berbeda. Nilai momentum yang diuian pada percobaan ini adalah 0,3 dan 0,6. Pada percobaan ini, untu nilai learning rate, umlah hidden layer, dan penguat proporsional secara berturut-turut adalah 0,7, 2, dan 1,4.
6 Gambar 13 menunuan respon plant pada saat awal. Plant mengalami overshoot sebesar 55 % dan watu yang dibutuhan untu mencapai ondisi tuna pada ecepatan 2000 RPM seitar 3,8 deti. Gambar 16 Respon transien plant dari 1000 RPM e 2000 RPM dengan nilai learning rate = 0,7, momentum = 0,6, umlah hidden layer = 2, dan penguat proporsional = 1,4. Gambar 13 Respon transien plant dari 2000 RPM e 1000 RPM dengan nilai learning rate = 0,7, momentum = 0,3, umlah hidden layer = 2, dan penguat proporsional = 1,4. Gambar 15 dan Gambar 16 menunuan perubahan respon transien plant untu nilai momentum 0,6. Pada saat awal, respon plant mengalami overshoot sebesar 55 % dan watu yang dibutuhan untu mencapai ondisi tuna seitar 2,5 deti. Ketia ecepatan motor dinaian dari 1000 RPM menadi 2000 RPM, respon plant mengalami overshoot 10 % dengan watu yang dibutuhan seitar 1,5 deti. Tabel 2 Parameter unu era Momentu m = 0,3 Pengaruh nilai momentum terhadap respon plant pada saat nilai learning rate = 0,7, umlah hidden layer = 2, dan penguat proporsional = 1,4. Respon awal plant mencapai referensi Respon plant dari ecepatan 1000 RPM e 2000 RPM 55 % 3,8 deti 10 % 2,5 deti Gambar 14 Respon transien plant dari 1000 RPM e 2000 RPM dengan nilai learning rate = 0,7, momentum = 0,3, umlah hidden layer = 2, dan penguat proporsional = 1,4. Pengaruh nilai momentum sebesar 0,3 dapat dietahui etia ecepatan motor dinaian dari 1000 RPM menadi 2000 RPM. Dengan menggunaan bobotbobot hasil pembelaaran, respon plant mengalami overshoot 10 % dengan watu yang dibutuhan seitar 2,5 deti. Gambar 14 menunuan pengaruh respon transien plant dengan nilai momentum sebesar 0,3. Gambar 15 Respon transien plant dari 2000 RPM e 1000 RPM dengan nilai learning rate = 0,7, momentum = 0,6, umlah hidden layer = 2, dan penguat proporsional = 1,4. Momentu m = 0,6 55 % 2,5 deti 10 % 1,9 deti Dari Tabel 2 dan gambar respon transien plant dapat disimpulan, pertambahan nilai momentum aan berpengaruh terhadap respon plant mencapai ondisi tuna. Semain besar nilai momentum, semain cepat plant mencapai ondisi tuna. Penambahan momentum uga aan berdampa terhadap pertambahan undershoot dari plant. 4.3 Pengaruh Jumlah Hidden Layer terhadap Respon Transien Plant Dalam beberapa referensi, penentuan umlah hidden layer yang diperluan dalam menyelesaian suatu asus tida dielasan secara mendetail. Dalam hal ini tida ada panduan yang elas mengenai berapaah umlah hidden layer yang paling optimal untu memecahan suatu permasalahan. Ada yang mengataan bahwa satu hidden layer sudah mencuupi, namun dua hidden layer aan menadian fungsi aringan syaraf sebagai aprosimator menadi lebih bai [2]. Ada pula yang mengataan bahwa pemilihan umlah hidden layer lebih ditentuan secara empiris daripada perhitungan matematis [13]. Pada percobaan ali ini, parameter aringan syaraf yang dipilih untu nilai-learning rate, momentum, dan penguat proporsional secara berturut-turut adalah 0,6, 0,5, 1,2. Jumlah hidden layer yang dibandingan adalah 1 dan 2.
7 Gambar 17 Respon transien plant dari 2000 RPM e 1000 RPM dengan nilai learning rate = 0,6, momentum = 0,5, umlah hidden layer = 1, dan penguat proporsional = 1,2. Gambar 20 Respon transien plant dari 1000 RPM e 2000 RPM dengan nilai learning rate = 0,6, momentum = 0,5, umlah hidden layer = 2, dan penguat proporsional = 1,2. Gambar 19 dan Gambar 20 menunuan perubahan respon transien plant dengan dua hidden layer. Pada saat awal, respon plant mengalami overshoot sebesar 50 % dan watu yang dibutuhan untu mencapai ondisi tuna pada ecepatan 2000 RPM seitar 2 deti. Pada saat ecepatan motor dinaian dari 1000 RPM menadi 2000 RPM, respon plant mengalami overshoot 1 % dengan watu yang dibutuhan seitar 1,6 deti. Gambar 18 Respon transien plant dari 1000 RPM e 2000 RPM dengan nilai learning rate = 0,6, momentum = 0,5, umlah hidden layer = 1, dan penguat proporsional = 1,2. Gambar 17 dan Gambar 18 menunuan respon transien plant pada aringan syaraf dengan satu hidden layer. Respon plant mengalami overshoot sebesar 55 % dan watu yang dibutuhan untu mencapai ondisi tuna pada ecepatan 2000 RPM seitar 2,5 deti. Pengaruh satu hidden layer terhadap unu era aringan dapat dietahui etia ecepatan motor dinaian dari 1000 RPM menadi 2000 RPM sebagaimana ditunuan Gambar 18. Respon plant mengalami overshoot 12,5 % dengan watu yang dibutuhan seitar 1 deti. Gambar 19 Respon transien plant dari 2000 RPM e 1000 RPM dengan nilai learning rate = 0,6, momentum = 0,5, umlah hidden layer = 2, dan penguat proporsional = 1,2. Tabel 3 Parameter unu era Hidden layer = 1 Hidden layer = 2 Pengaruh umlah hidden layer terhadap respon plant pada saat nilai learning rate = 0,7, umlah momentum = 0,5, dan penguat proporsional = 1,4. Respon awal plant mencapai referensi Respon plant dari ecepatan 1000 RPM e 2000 RPM 55 % 2,5 deti 12,5 % 1 deti 50 % 3 deti 1 % 1,6 deti Dari Tabel 3 dapat disimpulan, aringan dengan satu hidden layer mempunyai watu yang lebih cepat dibandingan dengan aringan dengan dua hidden layer. Pada aringan dengan satu hidden layer, respon plant mengalami overshoot yang lebih besar ia dibandingan aringan dengan dua hidden layer. 4.4 Pengaruh Penguat Proporsional terhadap Respon Transien Plant Dengan menggunaan sema ontroler fix stabilizing controller, maa peranan penguat proporsional sangat menentuan ondisi plant secara eseluruhan. Diataan sangat menentuan, arena sinyal terharap dari plant merupaan umlah dari eluaran penguat proporsional dengan eluaran aringan syaraf. Parameter-parameter aringan syaraf yang dipilih pada percobaan ini untu learning rate, momentum, dan umlah hidden layer secara berturut-turut adalah: 0,8, 0,2, dan 2. Penguat proporsional yang diuian pada percobaan ini adalah 1,1 dan 1,5. Pada saat awal, respon plant mengalami overshoot sebesar 49,9 % dan watu yang dibutuhan untu mencapai ondisi tuna referensi 2000 RPM seitar 3,2 deti. Setelah diperoleh bobot-bobot hasil pembelaaran, ecepatan motor diturunan menadi 1000 RPM. Keadaan ini dielasan pada Gambar 21.
8 Ketia ecepatan motor dinaian dari 1000 RPM menadi 2000 RPM, respon plant mengalami overshoot 15 % dengan watu seitar 2,5 deti. Peningatan penguat proporsional aan memberian overshoot yang lebih besar serta ecenderungan sistem mengalami osilasi. Gambar 21 Respon transien plant dari 2000 RPM e 1000 RPM dengan nilai learning rate = 0,8, momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,1. Gambar 24 Respon transien plant dari 1000 RPM e 2000 RPM dengan nilai learning rate = 0,8, momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,5. Gambar 22 Respon transien plant dari 1000 RPM e 2000 RPM dengan nilai learning rate = 0,8, momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,1. Gambar 22 menelasan penggunaan bobotbobot hasil pembelaaran etia ecepatan motor dinaian dari 1000 RPM menadi 2000 RPM. Gambar 22 uga menunuan pengaruh penguat proporsional sebesar 1,1 aan memberian nilai overshoot 1 % dengan watu seitar 2,2 deti. Gambar 23 dan Gambar 24 menunuan perubahan respon transien plant dengan penguat proporsional 1,5. Respon awal plant mengalami overshoot sebesar 55 % dan watu yang dibutuhan untu mencapai ondisi tuna pada ecepatan referensi seitar 3,6 deti. Gambar 23 Respon transien plant dari 2000 RPM e 1000 RPM dengan nilai learning rate = 0,8, momentum = 0,2, umlah hidden layer = 2, dan penguat proporsional = 1,5. Tabel 4 Parameter unu era Penguat proporsional = 1,1 Penguat proporsional = 1,5 Pengaruh umlah penguat proporsional terhadap respon plant pada saat nilai learning rate = 0,7, umlah momentum = 0,5, dan umlah hidden layer = 2. Respon awal plant mencapai referensi Respon plant dari ecepatan 1000 RPM e 2000 RPM 49,9 % 3,2 deti 1 % 2,5 deti 55 % 3,6 deti 15 % 2,4 deti Berdasaran Tabel 4, dapat disimpulan bahwa pertambahan penguat proporsional pada plant aan memberian pengaruh semain cepat plant mencapai ondisi tuna dengan disertai pertambahan overshoot plant. Untu nilai penguat proporsional yang mendeati 2, plant cenderung mengalami osilasi (tida stabil). BAB V PENUTUP 5.1 Kesimpulan Berdasaran hasil percobaan yang telah dilauan dapat diambil beberapa esimpulan sebagai beriut: 1. Learning rate pada aringan syaraf bacpropagation berpengaruh terhadap ecepatan plant mencapai ondisi tuna. Pemilihan learning rate yang relatif besar aan memberian ecepatan respon yang lebih bai dibanding learning rate yang lebih ecil. 2. Pertambahan nilai momentum pada aringan syaraf aan mempunyai pengaruh yang sama dengan pertambahan nilai learning rate. Semain besar nilai momentum, aringan syaraf aan semain cepat melauan aprosimasi. 3. Jaringan syaraf dengan satu hidden layer mempunyai respon transien yang lebih cepat dibandingan
9 dengan aringan syaraf dengan dua hidden layer. Respon aringan syaraf dengan satu hidden layer uga memberian nilai overshoot yang lebih besar ia dibandingan dengan aringan syaraf dengan dua hidden layer. 4. Semain besar penguat proporsional, semain cepat plant mencapai ondisi tuna. Pemilihan penguat proporsional tida boleh terlalu besar, arena plant aan mengalami osilasi. Berdasaran percobaan, nilai ritis penguat proporsional pada saat plant masih stabil adalah Berdasaran trial and error, dengan menggunaan bobot dan bias awal sebesar 0,05, nilai-nilai parameter yang memberian respon paling bai adalah learning rate = 0.75, momentum = 0,6, umlah hidden layer = 2 dan penguat proporsional = Saran 1. Untu lebih meningatan unu era aringan syaraf, terait dengan pengaturan nilai learning rate dan momentum dapat digabungan dengan metode ontrol yang lain, seperti misalnya ontrol logia fuzzy. Penggabungan metode ontrol memunginan pengaturan edua parameter ini dapat dilauan secara otomatis, tanpa harus dilauan pengaturan secara manual. 2. Plant motor DC ini dapat diembangan dengan memberi beban, sehingga aan dapat dietahui bagaimana unu era aringan syaraf dalam merespon perubahan lingungan. 3. Perlunya penggunaan PWM (pulse width modulation) sebagai pengganti penguat biasa pada driver motor, sehingga diperoleh respon yang lebih bai pada saat teradi penurunan referensi ecepatan motor. 4. Untu menambah etelitian dalam auisisi data, diperluan adanya interface dengan resolusi yang lebih tinggi. DAFTAR PUSTAKA 1. Coughlin, Robert, Federic, Driscoll, Penguat Operasional dan Rangaian Terpadu Linier, Jaarta, Erlangga. 2. Fausett, Laurene, Fundamentals of Neural Networs: Architecture, Algorithms, and Applications, Prentice Hall Inc., Hagan Martin T., Demuth Howard B., Neural Networ for Control, IEEE Journal. 4. Ibnu Mali, Moh., Anistardi, Beresperimen dengan Miroontroler 8031, Cetaan e-2, Elex Media Komputindo, Malvino, Paul Albert, Eletronia Komputer Digital: Pengantar Miroomputer (ter.), Edisi Ke-6, Erlangga, Ogata, Katsuhio, Teni Kontrol Otomati, Jilid 1, Erlangga, Prasetia, Retna, Widodo, Catur Edi, Interfacing Port Paralel dan Port Serial Komputer dengan Visual Basic 6.0, Andi Yogyaarta Setiawan, Iwan, Jaringan Syaraf Tiruan untu Apliasi Pemodelan dan Pengendalian, Jurusan Teni Eletro Faultas Teni Universitas Diponegoro. 9. Stich, Timothy James, Spoerre, Julie K., Velasco, Thomas, The Application of Artificial Neural Networs to Monitoring and Control of an Induction Hardening Process, Journal of Industrial Technology, Volume16 No. 1, The Official Electronic Publication of the National Association of Industrial Technology, Tocci, Ronald J., Digital Systems: Principles and Application, Edisi e-5, Prentice Hall International Inc., MSDN Library January Microsoft Developer Networ. CD-ROM # al/vol4/cs11/report.html htttp:// x/library/l-neural Pembimbing I Wahyudi, ST, MT. NIP Tanggal... Pembimbing II Iwan Setiawan, ST, MT. NIP Tanggal... BIOGRAFI Sorihi dilahiran di Pemalang tanggal 08 agustus Saat ini sedang menempuh pendidian tinggi di Jurusan Teni Eletro Universitas Diponegoro pada onsentrasi Kontrol. Bidang yang diminati adalah pemrograman omputer untu apliasi ontrol, pemrograman miroontroler. soryc2001@yahoo.com Menyetuui dan Mengesahan
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENDALIAN MOTOR DC MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Wahyudi, Sorihi, dan Iwan Setiawan. Jurusan Teni Eletro Faultas Teni Universitas Diponegoro Semarang e-mail : wahyuditinom@yahoo.com.
Lebih terperinciModel 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 terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciISSN: TEKNOMATIKA Vol.1, No.2, JANUARI
ISSN: 1979-7656 TEKNOMATIKA Vol.1, No.2, JANUARI 2009 25 PERANCANGAN DAN IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENDIAGNOSA JENIS PENYAKIT KANDUNGAN Bambang Yuwono Jurusan Teni Informatia UPN Veteran
Lebih terperinciAnalisa Drop Tegangan dan Susut Daya pada Jaringan Listrik Penyulang Renon Menggunakan Metode Artificial Neural Network
Analisa Drop Tegangan dan Susut Daya pada Jaringan Listri Penyulang Renon Menggunaan Metode Artificial Neural Networ I Gede Dyana Arana Jurusan Teni Eletro Faultas Teni, Universitas Udayana Denpasar, Bali,
Lebih terperinciANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS
Jurnal Teni dan Ilmu Komputer ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS AN ANALYSIS OF THE VARIATION PARAMETERS OF THE ARTIFICIAL NEURAL NETWORK
Lebih 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 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 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 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 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 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 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 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 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 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 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 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 terperinciKENDALI LOGIKA FUZZY DENGAN METODA DEFUZZIFIKASI CENTER OF AREA DAN MEAN OF MAXIMA. Thiang, Resmana, Wahyudi
KENDALI LOGIKA FUZZY DENGAN METODA DEFUZZIFIKASI CENTER OF AREA DAN MEAN OF MAXIMA Thiang, Resmana, Wahyudi Jurusan Teni Eletro, Universitas Kristen Petra Jl. Siwalanerto 121-131 Surabaya Email : thiang@petra.ac.id,
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 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 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 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 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
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 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 terperinciPENGENDALIAN VALVE UNTUK MENGATUR KETINGGIAN AIR DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN B-SPLINE
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN: 1907-5022 Yogyakarta, 21 Juni 2008 PENGENDALIAN VALVE UNTUK MENGATUR KETINGGIAN AIR DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN B-SPLINE
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 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 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 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 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 terperinciPERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION
PERAMALAN CURAH HUJAN WILAYAH SEMARANG BARAT DENGAN ALGORITMA RESILIENT BACKPROPAGATION Wellie Sulistanti Abstract- Tuuan dari penelitian ini untu mengapliasian cara era aringan syaraf tiruan dengan menggunaan
Lebih terperinciARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET
Prosiding SNaPP2012 : Sains, Tenologi, dan Kesehatan ISSN 2089-3582 ARSITEKTUR DAN ALGORITMA JST UNTUK MENDUKUNG PREDIKSI GANGGUAN GEOMAGNET 1 John Maspupu 1 Pussainsa LAPAN, Jl Dr Dundunan No 133 Bandung
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN
Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan PREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN Rudy Ansari STMIK Indonesia Banarmasin e-mail: rudy.ansari@gmail.com ABSTRAK
Lebih 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 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 terperinciPendeteksi Rotasi Menggunakan Gyroscope Berbasis Mikrokontroler ATmega8535
Maalah Seminar Tugas Ahir Pendetesi Rotasi Menggunaan Gyroscope Berbasis Miroontroler ATmega8535 Asep Mubaro [1], Wahyudi, S.T, M.T [2], Iwan Setiawan, S.T, M.T [2] Jurusan Teni Eletro, Faultas Teni, Universitas
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 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 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 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 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 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 terperinciPengaturan Suhu Ruangan Berbasis PID Menggunakan Mikrokontroler AT89S51
Pengaturan Suhu Ruangan Berbasis PID Menggunaan Miroontroler AT89S51 Edward Teguh Hartono 1, Trias Andromeda,ST. MT. 2, Sumardi,ST. MT. 2 Jurusan Teni Eletro, Faultas Teni, Universitas Diponegoro, Jl.
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 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 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 terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih 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 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 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 terperinciMakalah Seminar Tugas Akhir
Maalah Seminar Tugas Ahir PENDETEKSI POSISI MENGGUNAKAN SENSOR ACCELEROMETER MMA7260Q BERBASIS MIKROKONTROLER ATMEGA 32 Muhammad Riyadi Wahyudi, ST., MT. Iwan Setiawan, ST., MT. Abstract Currently, determining
Lebih terperinciDESAIN SENSOR KECEPATAN BERBASIS DIODE MENGGUNAKAN FILTER KALMAN UNTUK ESTIMASI KECEPATAN DAN POSISI KAPAL
DESAIN SENSOR KECEPAAN BERBASIS DIODE MENGGUNAKAN FILER KALMAN UNUK ESIMASI KECEPAAN DAN POSISI KAPAL Alrijadjis, Bambang Siswanto Program Pascasarjana, Jurusan eni Eletro, Faultas enologi Industri Institut
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 terperinciADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoko Sumaryono ABSTRACT
Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 6 ADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoo Sumaryono ABSTRACT Noise is inevitable in communication
Lebih terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pemrosesan Sinyal Menurut Proais et al. (1997), umumnya suatu segmen suara dapat dinyataan dengan deraat etelitian yang tinggi sebagai umlah dari beberapa sinusoida dengan amplitudo
Lebih terperinciPROGRAM SIMULASI UNTUK REALISASI STRUKTUR TAPIS INFINITE IMPULSE RESPONSE UNTUK MEDIA PEMBELAJARAN DIGITAL SIGNAL PROCESSING
Konferensi asional Sistem dan Informatia 28; Bali, ovember 15, 28 KS&I8-44 PROGRAM SIMULASI UTUK REALISASI STRUKTUR TAPIS IFIITE IMPULSE RESPOSE UTUK MEDIA PEMBELAJARA DIGITAL SIGAL PROCESSIG Damar Widjaja
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN RBF PADA SISTEM KONTROL VALVE UNTUK PENGENDALIAN TINGGI MUKA AIR
APLIKASI JARINGAN SYARAF TIRUAN RBF PADA SISTEM KONTROL VALVE UNTUK PENGENDALIAN TINGGI MUKA AIR Wahyudi, Hariyanto, Iwan Setiawan Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro, Jln.
Lebih terperinciBAB 2 LANDASAN TEORI. meneliti bagaimana mesin dapat belajar dan berpikir seperti layaknya manusia. Bidang
BAB 2 LANDASAN TEORI Intelegensia Semu (IS) adalah salah satu bidang dalam ilmu omputer yang meneliti bagaimana mesin dapat belajar dan berpiir seperti layanya manusia. Bidang ilmu ini mempelajari bagaimana
Lebih 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 terperinciPEMPROSESAN ALARM DALAM PERLINDUNGAN SISTEM DAYA LISTRIK MENGGUNAKAN NEURAL NETWORK. Azriyenni
PEMPROSESAN ALARM DALAM PERLINDUNGAN SISTEM DAYA LISTRIK MENGGUNAKAN NEURAL NETWORK Azriyenni Dosen Tetap Teni Eletro Universitas Riau - Peanbaru Abstra Penelitian ini menyelidii mengenai pemprosesan alarm
Lebih terperinciBAB II LANDASAN TEORI
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 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 II LANDASAN TEORI. Proses utama dari pengenalan karakter adalah menerima karakter input dan
BAB II LANDASAN TEORI 2.1 Pengenalan Teori Proses utama dari pengenalan arater adalah menerima arater input dan memerisa apaah hasil input tersebut sesuai dengan salah satu arater yang ada. Bagian yang
Lebih terperinciBAB 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 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 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 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 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 terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
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 terperinciKONTROL MOTOR PID DENGAN KOEFISIEN ADAPTIF MENGGUNAKAN ALGORITMA SIMULTANEOUS PERTURBATION
Konferensi Nasional Sistem dan Informatia 29; Bali, November 14, 29 KONTROL MOTOR PID DENGAN KOEFISIEN ADAPTIF MENGGUNAKAN ALGORITMA SIMULTANEOUS PERTURBATION Sofyan Tan, Lie Hian Universitas Pelita Harapan,
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 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 terperinciPENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU
PENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU Wahyudi 1, Adhi Susanto 2, Sasongo P. Hadi 2, Wahyu Widada 3 1 Jurusan Teni Eletro, Faultas Teni, Universitas Diponegoro, Tembalang,
Lebih terperinciTanggapan Waktu Alih Orde Tinggi
Tanggapan Watu Alih Orde Tinggi Sistem Orde-3 : C(s) R(s) ω P ( < ζ (s + ζω s + ω )(s + p) Respons unit stepnya: c(t) βζ n n < n ζωn t e ( β ) + βζ [ ζ + { βζ ( β ) cos ( β ) + ] sin ζ ) ζ ζ ω ω n n t
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
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 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 terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih 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 terperinciSTUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT
TUGAS AKHIR STUDI PENYELESAIAN PROBLEMA MIXED INTEGER LINIER PROGRAMMING DENGAN MENGGUNAKAN METODE BRANCH AND CUT OLEH : RISTA RIDA SINURAT 040803023 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih 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 terperinciPERTEMUAN 02 PERBEDAAN ANTARA SISTEM DISKRIT DAN SISTEM KONTINU
PERTEMUAN 2 PERBEDAAN ANTARA SISTEM DISKRIT DAN SISTEM KONTINU 2. SISTEM WAKTU DISKRET Sebuah sistem watu-disret, secara abstra, adalah suatu hubungan antara barisan masuan dan barisan eluaran. Sebuah
Lebih terperinciMakalah Seminar Tugas Akhir
Maalah Seminar ugas Ahir Simulasi Penapisan Kalman Dengan Kendala Persamaan Keadaan Pada Kasus Penelusuran Posisi Kendaraan (Vehicle racing Problem Iput Kasiyanto [], Budi Setiyono, S., M. [], Darjat,
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 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 terperinciPerbandingan Antara Algoritma Penghapusan Bising Adaptif LMS dan Adaptif RLS dalam Penghapusan Bising Kendaraan
Perbandingan Antara Algoritma Penghapusan Bising Adaptif LMS dan Adaptif RLS dalam Penghapusan Bising Kendaraan Sri Arttini Dwi Prasetyowati 1), Adhi Susanto ), homas Sriwidodo ), Jazi Eo Istiyanto 3)
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 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 terperinciSTUDI KOMPARASI IMPLEMENTASI JARINGAN BASIS RADIAL DAN FUZZY INFERENCE SYSTEM TSK UNTUK PENYELESAIAN CURVE FITTING
STUDI KOPARASI IPEENTASI JARINGAN BASIS RADIA DAN FUZZY INFERENCE SYSTE TSK UNTUK PENYEESAIAN CURVE FITTING Sri Kusumadewi Teni Informatia Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyaarta cicie@fti.uii.ac.id
Lebih terperinciIMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA
94 IMPLEMENTASI DAN ANALISIS ALGORITMA PENCARIAN RUTE TERPENDEK DI KOTA SURABAYA Yudhi Purwananto 1, Diana Purwitasari 2, Agung Wahyu Wibowo Jurusan Teni Informatia, Institut Tenologi Sepuluh Nopember
Lebih terperinciPengembangan Sensor Koil Datar 3-D untuk Deteksi Gempa Dini di Wilayah Lombok
84 JNTETI, Vol. 6, No. 1, Februari 17 Pengembangan Sensor Koil Datar 3-D untu Detesi Gempa Dini di Wilayah Lombo Islahudin 1, Muhammad Nizaar Abstract In this study, a flat coil application as a threedimensional
Lebih terperinciSTABILISATOR SISTEM TENAGA BERBASIS JARINGAN SYARAF TIRUAN BERULANG UNTUK SISTEM MESIN TUNGGAL
ISSN: 693-6930 65 STABILISATOR SISTEM TENAGA BERBASIS JARINGAN SYARAF TIRUAN BERULANG UNTUK SISTEM MESIN TUNGGAL Widi Aribowo Faultas Teni, Universitas Negeri Surabaya Kampus Unesa Jalan Ketintang, Surabaya
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 terperinci