PERANCANGAN SOFTSENSOR STEAM QUALITY PADA STEAM GENERATOR DENGAN OPTIMASI NILAI SPESIFIK VOLUM DENGAN METODE JARINGAN SYARAF TIRUAN (JST)
|
|
- Suhendra Gunardi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PERANCANGAN SOFTSENSOR STEAM QUALITY PADA STEAM GENERATOR DENGAN OPTIMASI NILAI SPESIFIK VOLUM DENGAN METODE JARINGAN SYARAF TIRUAN () 1 Alif Tober Rachmawati, Fitri Adi Iskandarianto, ST.MT, DR.Gunawan Nugroho,ST.MT Jurusan Teknik Fisika, Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya Abstrak Pada dunia industri steam generator merupakan salah satu komponen terpenting untuk melakukan suatu proses dalam industri minyak. Karena pada steam generator tersebut dapat menghasilkan uap. Sedangkan uap yang telah dihasilkan tersebut melakukan proses penginjeksian ke dalam tanah untuk selanjutnya melakukan proses pengolahan minyak. Oleh karena itu uap yang harus digunakan untuk memaksimalkan proses tersebut harus memiliki kualitas steam atau steam quality pada range 60% -70%. Sehingga pada range tersebut dapat diperoleh uap berupa wet steam. Untuk mencapai range steam quality tersebut diperlukanlah sebuah softsensor yang dapat mengidentifikasi suatu steam. Softsensor ini merupakan sebuah sensor dimana dalam pengukurannya menggunakan suatu persamaan dari hubungan input dan output yang telah ada. Metode dalam melakukan perancangan softsensor ini yaitu menggunakan jaringan syaraf tiruan. Arsitektur untuk jaringan syaraf tiruan menggunakan backpropagation dan algoritma yang digunakan yaitu backpropagation. Struktur jaringan syaraf tiruan ini mampu menghasilkan nilai RMSE (root mean square error)yaitu dan untuk nilai VAF (variance accounted for) yaitu % dan 99.09%. Sehingga dari pemodelan jaringan syaraf tiruan tersebut dapat merancang sebuah softsensor steam quality yang memiliki nilai akurasi yaitu %. Kata Kunci Soft sensor, Jaringan syaraf tiruan, Steam quality I. PENDAHULUAN alam dunia industri, selain untuk proses pembakaran, Duap yang keluar dari generator juga berfungsi untuk proses pengolahan minyak. Seperti halnya pada pengeboran minyak bumi. Agar menghasilkan uap yang maksimal maka diperlukan suatu pengukuran langsung yang dapat mengoptimalkan hasil dari kualitas uap tersebut. Selama ini pengukuran dari uap tersebut masih melakukan sampling dengan menganalisa di laboratorium sehingga pengukurannya tidak langsung. Padahal didalam suatu proses membutuhkan suat pengukurn langsung agar menghasilkan nilai yang optimal dan dapat membuat proses tersebut menjadi lebih baik. Oleh karena dengan adanya tujuan akhir yang berjudul perancangan softsensor steam quality pada steam generator dengan optimasi nilai spesifik volume dengan metode jaringan syaraf tiruan () diharapkan dapat menghasilkan kualitas uap yang baik dengan melakukan suatu pengukuran langsung. Dengan menggunakan softsensor untuk kualitas uap dengan menghitung nilai spesifik volume pada steam generator sehingga akan menghasilkan perhitungan yang nantinya dapat mengoptimalkan uap tersebut. A. Tahap Telaah II. METODOLOGI PENELITIAN Langkah awal dalam melakukan penelitian ini adalah studi literatur yaitu konsep dasar tentang deskripsi proses pada steam generator sampai dapat menghasilkan steam quality serta pembelajaran tentang jaringan syaraf tiruan (). Yang kedua pengolahan data yang telah ada untuk melakukan perancangan jaringan syaraf tiruan. Setelah dilakukan sebuah perancangan maka dilakukan pengujian simulasi dari jaringan syaraf tiruan. Hal ini bertujuan untuk mengetahui apakah hasil perancangan sudah benar atau belum. Dalam melakukan perancangan variabel yang digunakan yaitu 2 input dan 2 output. Dalam hal ini untuk variabel input yaitu pressure dan temperature. Sedangkan untuk output yaitu spesifik volum liquid (vf) atau spesifik volum evaporator (vfg). Setelah diketahui bahwa perancangan ynag telah dilakukan berhasil maka melakukan validasi dengan data yang digunakan dalam melakukan pelatihan. Setelah mengetahui bahwa tersebut memiliki prosentase eror yang kecil dari hasil validasi, maka dapat dilakukan perhitungan steam quality. Selain data presuure dan temperature juga memerlukan data flow untuk melakukan perhitunga. Data pressure dan temperature yang digunakan dalam steam quality ini berbeda dengan data untuk melakukan pelatihan. Data untuk steam quality yaitu data langsung dari lapangan sedangkan data untuk pelatihan merupakan data dari steam table. Dengan memasukkan nilai pressure, temperature, mass flow inlet dan flowrate outlet maka dapat diketahui nilai steam quality. Setelah itu melakukan validasi dari hasil simulasi dengan hasil steam quality yang terdapat di lapangan.
2 2 B. Tahap Tahap Perancangan Softsensor a. Tahap 1 Perancangan dari jaringan syaraf tiruan memiliki hasil yang hampir sama dengan output dari data yang sudah ada. Gambar 2. Blok diagram pelatihan jaringan syaraf tiruan b. Tahap 2 Perancangan Softsensor Flow SOFTSENSOR Gambar 1. Tahap tahap dalam merancang softsensor Tahap diatas merupakan langkah langkah dalam melakukan perancangan softsensor. Untuk tahap pertama merupakan perancangan dengan metode jaringan syaraf tiruan yang secara jelasnya akan dijelaskan di subbab perancangan softsensor. Untuk tahap kedua yaitu perancangan dalam melakukan softsensor sehingga dapat mencapai tujuan yang telah diinginkan dalam tugas akhir ini. SQ D. Pelatihan Jaringan Syaraf Tiruan () Gambar 3 merupakan struktur hasil pelatihan pada. Pelatihan jst merupakan suatu proses dimana terdapat input dan output yang diolah agar mendapatkan suatu bobot yang tepat. Data yang didapatkan yaitu terdapat 41 data input temperature dan 41 data input pressure. Sedangkan untuk output yaitu 41 data output vf dan 41 data output vfg. Dalam melakukan pelatihan ini menggunakan struktur multilayer perceptron (MLP) dengan 3 layer yaitu input layer, hidden layer dan output layer. Dengan masing-masing layer memiliki fungsi aktivasi tersendiri. Agar bisa menghasilkan suatu pemodelan yang sesuai dengan yang diharapkan, maka dalam percobaan melakukan pelatihan dengan metode trial dan error. Dalam hal ini melakukan suatu perubahan dengan cara mengubah nilai dari hidden layer dan fungsi aktivasi yang digunakan. Algoritma dalam pelatihan ini menggunakan backppropagation. C. Perancangan Softsensor Perancangan soft sensor ini dilakukan dengan menggunakan input dari data lapangan dan pelatihan jaringan syaraf tiruan dengan menggunakan data dari steam table yang merupakan data untuk melakukan pelatihan. Input yang masuk pada softsensor ada 3 variabel yaitu temperature, pressure dan flow yang merupakan data lapangan. Kemudian melakukan pengolahan pada soft sensor, dimana didalam soft sensor tersebut terdapat hasil pelatihan dari jaringan syaraf tiruan yang telah diolah oleh temperature dan pressure yang merupakan input, dimana data tersebut diambil dari steam table yang merupakan data acuan untuk melakukan perhitungan, begitu pula dengan output yang digunakan untuk jaringan syaraf tiruan yaitu vf (spesific volume liquid) dan vfg (spesific volume untuk evaporator). Hasil output dari jaringan syaraf tiruan merupakan suatu model yang didapatkan dari hasil pelatihan dari jaringan syaraf tiruan, sehingga didapatkan hasil pemodelan yang sesuai dengan nilai eror yang diharapkan. Dalam hal ini, diharapkan eror yang dihasilkan adalah eror yang terkecil. sehingga dengan menghasilkan eror yang kecil, maka output Gambar 3. Arsitektur perancangan dengan backpropagation
3 3 A. Pengujian Pelatihan II. HASIL DAN PEMBHASAN Dalam membuat pomedalan pada jaringan syaraf tiruan ini, arsitektur yang digunakan yaitu backpropagation dengan algoritma backpropagation. Sebelum menemukan suatu struktur yang sesuai, terlebih dahulu melakukan uji coba dengan mengganti ganti struktur jaringannya, ataupun nilai dari hidden layernya. Struktur yang digunakan dalam melakukan penelitian ini yaitu menggunakan multilayer percepton (MLP). Dengan melakukan training berkali kali sampai pada akhirnya menemukan nilai yang sesuai untuk performance yaitu dengan menggunakan 3 layer yaitu input layer, hidden layer serta output layer. Untuk layer pertama yaitu input layer memiliki 2 node. Sedangkan hidden layer terdapat 2 hidden layer dengan hidden layer yang pertama memiliki 3 node dan hidden layer yang kedua yaitu 9 node. Untuk output layer memiliki 2 node. Fungsi aktivasi yang digunakan yaitu signouid bipolar, signoid biner serta linier sehingga fungsi aktivasi yang digunakan adalah 3 fungsi aktivasi. Untuk gambar grafik yang menunjukkan bahwa nilai performance adalah 10-4 dan telah sesuai dengan hasil yang ditentukan dapat dilihat seperti gambar dibawah ini : Dapat dilihat pada gambar 4 diatas bahwa hasil dari dikatakan berhasil yaitu dengan ketentuan semakin kecil nilai RMSE (Root Mean Square Error) akan menghasilkan output yang baik. Selain itu juga terdapat VAF (Variance Accounted For) apabila nilai prosentase VAF yang dihasilkan semakin besar maka untuk menuju keberhasilannya semakin bagus. Berikut merupakan perbandingan dari output antara nilai vf data dan vf hasil pelatihan. Gambar 5. Perbandingan output data vf dengan output training Dapat dilihat dari gambar 5 grafik diatas bahwa selilsih antara hasil training dengan data real memiliki selisih yang sangat kecil. Sehingga dari hasil training diatas didapatkan nilai RMSE untuk vf adalah dan nilai VAF yaitu 99,09 % sehingga dari hasil tersebut dapat diketahui bahwa pemodelan yang telah dibuat telah mendekati target yang diinginkan. Nilai pada VAF tidak dapat tepat 100%, hal ini dikarenakan masih terdapat eror dalam melakukan perhitungan dengan menggunakan Matlab. Gambar 4. Grafik performance training performance dalam keadaan menurun kebawah, hal ini berarti nilai dari output pelatihan mendekati dengan target yang telah ditentukan. Dalam hal ini performance atau mean square error (mse) adalah N Setelah didapatkan suatu pemodelan tersebut maka dapat melakukan validasi dari hasil data yang digunakan untuk pelatihan dengan data hasil pelatihan. Sehingga didapat perbandingan antara hasil output data dan output hasil pelatihan. Agar dapat diketahui apakah hasil pelatihan tersebut benar atau tidak. Hasil nilai pelatihan yang baik atau Gambar 6. Perbandingan output data vfg dengan output training Yang kedua yaitu perbandingan output antara nilai vfg data dan vfg hasil pelatihan. Dapat dilihat dari hasil gambar 6 grafik dibawah ini, bahwa pada gambar tersebut terlihat selisih antara data real dan data hasil training memiliki selisih yang sangat kecil sehingga hasil training diatas didapatkan nilai RMSE untuk vfg dan nilai VAF % maka dari hasil tersebut dapat diketahui bahwa pemodelan yang telah dibuat telah mendekati target yang
4 4 diinginkan. Nilai pada VAF tidak dapat tepat 100%, hal ini dikarenakan masih terdapat eror dalam melakukan perhitungan dengan menggunakan Matlab B. Pengujian Softsensor Dengan Simulasi Matlab GUI Pengujian softsensor ini dilakukan secara offline, karena hanya sebagai simulasi apakah yang telah melakukan pelatihan sudah benar atau tidak. Setelah melakukan pelatihan pada jaringan syaraf tiruan dan telah menemukan pemodelan yang tepat sehingga menghasilkan bobot bobot yang terbaik maka mulailah dalam melakukan perancangan softsensor offline dengan menggunakan matlab GUI. Dengan menggunakan softsensor ini didapatkan hasil yang cukup mendekati hasil output. Dari gambar 7 dibawah ini dapat diketahui bahwa pada pressure psi, temperature o F, flow outlet steam ft 3 s -1 serta pada mass flow inlet steam lbs -1 dengan nilai spesifik volum liquid (vf) dan nilai spesifik volum evaporator (vfg) Sehingga dapat menghasilkan steam quality sebesar %. dalam simulasi yang pertama diketahui bahwa setpoint untuk steam quality yang terdapat di lapangan yaitu Sehingga masih mampu mengejar setpoint karena mendekati dengan steam quality yang di lapangan. Gambar 8. Simulasi softsensor 2 Pada gambar 9 dapat diketahui bahwa pada saat pressure psi, temperature o F, flow outlet steam ft 3 s -1 serta pada mass flow inlet steam lbs -1, dengan nilai input untuk menghitung steam quality seperti diatas maka dapat menghasilkan steam quality sebesar %. dari nilai setpoint untuk steam quality yang terdapat di lapangan yaitu %. Gambar 7. Simulasi softsensor 1 Dari gambar 8 dibawah ini dapat diketahui bahwa pada saat pressure psi, temperature o F, flow outlet steam ft 3 s -1, mass flow inlet steam lbs -1 dengan nilai spesifik volume liquid (vf) ft3/lb dan nilai spesifik volum evaporator (vfg) ft3/lb. Sehingga menghasilkan perhitungan untuk steam quality yaitu %. Hasil dari simulasi perhitungan steam quality dengan mengggunakan GUI ini tidak jauh beda dengan hasil steam quality di lapangan. Gambar 9. Simulasi softsensor 3 Dari gambar 10 dibawah ini dapat diketahui bahwa dengan menggunakan nilai pressure psi, temperature o F, flow outlet steam ft 3 s -1 serta untuk mass flow adalah lbs -1, dengan variabel input seperti itu maka hasil steam quality yaitu 58,4797 %.
5 5 menggunakan persamaan hasil dari jaringan syaraf tiruan dengan nilai akurasi sebesar %. Gambar 10. Simulasi softsensor 4 Pada tampilan simulasi diatas terdapat vf dan vfg, keluaran hasil dari vf dan vfg diperoleh dari nilai pressure dan temperature yang dimasukkan yang telah diolah dari hasil ttraining jaringan syaraf tiruan. Sehingga dapat hasil dari vf dan vfg tergantung dengan nilai masukan yang di berikan. Untuk nilai vf dan vfg dalam perhitungan telah dilakukan perhitungan pada persamaan. Dimana vf adalah spesifik volum liquid dan vfg adalah spesifik evaporator yang merupakan campuran untuk liquid dan vapor. Dari hasil perhitungan steam quality seperti yang di contohkan diatas dapat dilihat hasil perbandingan hasil steam quality data dengn hasil simulasi menggunakan softsensor tersebut Berikut ini merupakan grafik perbandingan dari simulasi tersebut dengan parameter pressure yang digunakan sebagai masukan. III. KESIMPULAN Berdasarkan penelitian yang telah dilakukan maka dapat disimpulkan bahwa telah drancang suatu softsensor steam quality dengan menggunakan metode jaringan syaraf tiruan () yang memiliki 3 layer. Layer pertama yaitu input yang memiliki 2 node, layer kedua yaitu hidden layer yang terdiri dari 2 hidden layer, untuk hidden layer pertama yaitu 3 node dan hidden layer yang kedua yaitu 9 node serta layer ketiga yaitu output yang terdapat 2 node. Untuk perancangan softsensor tersebut dengan menggunakan maka dapat diketahui nilai RMSE dan sedangkan nilai VAF % dan 99,09 %. Kemudian melakukan simulasi softsensor offline yang telah dirancang dengan struktur model yang sudah melalui tahap identifikasi dengan menggunakan jaringan syaraf tiruan. Setelah melakukan simulasi maka didapatkan akurasi dari steam quality yaitu %. DAFTAR PUSTAKA [1] Ellyanti, Lia, Perancangan Soft Sensor Faktor Kompresibilitas dan Massa Gas Alam Keluaran Dehydration Unit Pematang Gas Plant Di PT.Chevron Pacific Indonesia, ITS. [2] Nugraha, Fatwa Dhana,2009. Perancangan Soft Sensor Specific Gravity Dalam Gas Compressor Petani Gas Plant Dengan Metode Jaringan Syaraf Tiruan Di PT.Chevron Pacific Indonesia, ITS. [3] Hermawan, Arief, Jaringan Syaraf Tiruan Teori dan Aplikasi. Yogyakarta: Penerbit Andi. [4] Yani, Eli, Pengantar jaringan syaraf Tiruan. MateriKuliah.Com [5] Cheremisinoff, Nicholas P, dan Cheremisinoff, Paul N, Cooling Towers Selection, Design and Practice, Ann Arbor Science The Butterwortrh Grop. Biodata Penulis : Gambar 11. Grafik perbandingan steam quality pada data dan steam quality simulasi dengan presure Pada grafik tersebut terdapat satu hasil simulasi yang membuat grafik menjadi naik. Hal ini disebabkan untuk inputan nilai dari flow steam outlet yang diterima pada saat proses tersebut terlalu tinggi sehingga pada simulasi terjadilah kenaikan grafik,seperti yang terlihat diabawah ini. Sehingga dari grafik dapat diketahui nilai eror dari steam quality data dan steam quality hasil simulasi dengan Nama : Alif Tober Rachmawati TTL : Tulungagung, 11 Oktober 1989 Alamat : Keputih Gang Makam Blok C-16, Surabaya alif.tober@yahoo.co.id Pendidikan : - SD Negeri 2 Botoran ( ) - SMP Negeri 2 Tulungagung ( ) - SMA Negeri 1 Boyolangu ( ) - D3-Teknik Instrumentasi ITS ( ) - S1-Lintas jalur Teknik Fisika ITPS (2010- sekarang)
Oleh : Alif Tober Rachmawati
Perancangan softsensor steam quality pada steam generator dengan optimasi nilai spesifik volume dengan metode jaringan syaraf tiruan (JST) Oleh : Alif Tober Rachmawati 2410105022 Latar Belakang Steam generator
Lebih terperinciPERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN
PERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN Oleh : Hera Firdhausa Katili 2409100073 Dosen Pembimbing : Dr.
Lebih terperinciPERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA
PERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN residu dari turbin gas pada PLTG berupa gas yang kemudian dimanfaatkan
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA DATA
4.1 Training JST BAB IV PENGUJIAN DAN ANALISA DATA Dalam penelitian ini menggunakan metode penentuan bobot pada training jaringan syaraf tiruan yaitu Levenberg Marquad dengan struktur JST menggunakan MLP
Lebih terperinciRancang Bangun Sistem Kontrol Level dan Pressure Steam Generator pada Simulator Mixing Process di Workshop Instrumentasi
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) F-153 Rancang Bangun Sistem Kontrol Level dan Pressure Steam Generator pada Simulator Mixing Process di Workshop Instrumentasi
Lebih terperinciPerancangan Sistem Pemodelan Kontrol Level Air Steam Drum Berbasis Jaringan Syaraf Tiruan
Perancangan Sistem Pemodelan Kontrol Level Air Steam Drum Berbasis Jaringan Syaraf Tiruan Ardian Oktakaisar, Supari, Herwin Suprijono Jurusan Teknik elektro, Fakultas Teknik, Universitas Dian Nuswantoro
Lebih terperinciPemodelan dan Pemetaan Potensi Energi Angin Menggunakan Jaringan Syaraf Tiruan (JST) di Bendungan Karangkates Kabupaten Malang
Pemodelan dan Pemetaan Potensi Energi Angin Menggunakan Jaringan Syaraf Tiruan (JST) di Bendungan Karangkates Kabupaten Malang O L E H : A H M A D Z A K I Z A K A R I A ( 2 4 0 6 1 0 0 0 5 7 ) Pembimbing
Lebih terperinciPERANCANGAN SISTEM PENGENDALIAN LEVEL DENGAN JARINGAN SYARAF TIRUAN PADA STEAM DRUM BOILER 1102 DI PT. PETROKIMIA GRESIK
PERANCANGAN SISTEM PENGENDALIAN LEVEL DENGAN JARINGAN SYARAF TIRUAN PADA STEAM DRUM BOILER 1102 DI PT. PETROKIMIA GRESIK (Sofidul Aris, Ya umar) Jurusan Teknik Fisika Fakultas Teknologi Industri Institut
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciBAB III PERANCANGAN DAN METODOLOGI
BAB III PERANCANGAN DAN METODOLOGI Setelah bab sebelumnya membahas tentang teori teori yang mendasari perancangan dalam Tugas Akhir ini, maka pada bab ini akan dijelaskan mengenai bentuk perancangan Jaringan
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 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 terperinciSENSOR FAKTOR KOMPRESIBILITAS DAN MASSA GAS ALAM KELUARAN DEHYDRATION UNIT
PERACAGA SOFT SESOR FAKTOR KOMPRESIBILITAS DA MASSA GAS ALAM KELUARA DEHYDRATIO UIT PEMATAG GAS PLAT DEGA METODE JARIGA SYARAF TIRUA DI PT. CHEVRO PACIFIC IDOESIA (Lia Ellyanti, Ir. Moch. Ilyas HS.) Jurusan
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 terperinciPenerapan 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 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 terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Lokasi Penelitian Penelitian ini di lakukan di PG. Kebon Agung. Tbk, Desa Kebon Agung Kec. Pakisaji, Kab. Malang, Jawa Timur. Pemilihan lokasi ini dilakukan secara sengaja
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 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 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 terperinciIDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN
IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN Galih Probo Kusuma, Dr Melania Suweni Muntini, MT Jurusan Fisika Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciAnalisa Pengaruh Variasi Pinch Point dan Approach Point terhadap Performa HRSG Tipe Dual Pressure
JURNAL TEKNIK ITS Vol. 6, No. 1, (2017) ISSN: 2337-3539 (2301-9271 Print) B-137 Analisa Pengaruh Variasi Pinch Point dan Approach Point terhadap Performa HRSG Tipe Dual Pressure Ryan Hidayat dan Bambang
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENYAKIT SALURAN PERNAFASAN DENGAN METODE BACKPROPAGATION [1] Novi Indah Pradasari, [2] F.Trias Pontia W, [3] Dedi Triyanto [1][3] Jurusan Sistem Komputer,
Lebih terperinciPrediksi Laju Korosi pada Instalasi Pipa Logam Aliran Fluida Cair Menggunakan Jaringan Saraf Tiruan(JST)
JURNAL TEKNIK POMITS Vol., No., (1) ISSN: 7-59 (1-971 Print) B- Prediksi Laju Korosi pada Instalasi Pipa Logam Aliran Fluida Cair Menggunakan Jaringan Saraf Tiruan(JST) Bangkit Dwijo Saputro, Zulkifli,
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 terperinciPrediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)*
Prediksi Curah Hujan Di Kota Pontianak Menggunakan Parameter Cuaca Sebagai Prediktor Pada Skala Bulanan, Dasarian Dan Harian Asri Rachmawati 1)* 1)Stasiun Meteorologi Supadio Pontianak Badan Meteorologi
Lebih terperinci11 BAB I 12 PENDAHULUAN
11 BAB I 12 PENDAHULUAN 1.1 Latar Belakang Indonesia selama ini dikenal sebagai negeri penghasil rempah-rempah seperti jahe, pala, merica, cengkeh dan kunyit. Selain rempah-rempah, Indonesia juga dikenal
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 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 terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
Lebih terperinciMahasiswa: Muhimmatul Khoiro Dosen Pembimbing: M. Arief Bustomi, S.Si, M.Si.
Mahasiswa: Muhimmatul Khoiro 1110100049 Dosen Pembimbing: M. Arief Bustomi, S.Si, M.Si. Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2014 Diagnosa
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
Lebih 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 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 terperinciEstimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan
Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan Andi Ihwan 1), Yudha Arman 1) dan Iis Solehati 1) 1) Prodi Fisika FMIPA UNTAN Abstrak Fluktuasi suhu udara berdasarkan
Lebih terperinci(Kodar Sudiono, Hendra Cordova)
PERANCANGAN SISTEM KONTROL DAN OPTIMASI RASIO UDARA DAN BAHAN BAKAR PADA BOILER DI PT. PETROKIMIA GRESIK BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIK (Kodar Sudiono, Hendra Cordova) Jurusan Teknik
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 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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Gambar 3.1 menggambarkan desain penelitian peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation.
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 terperinciPERAMALAN BEBAN LISTRIK MENGGUNAK AN JARINGAN SARAF TIRUAN METODE KOHONEN ABSTRAK
PERAMALAN BEBAN LISTRIK MENGGUNAK AN JARINGAN SARAF TIRUAN METODE KOHONEN Galang Jiwo Syeto, Arna Fariza, S.Kom, M.Kom, Setiawardhana, S.T Program DIV Jurusan Teknik Informatika Politeknik Elektronika
Lebih terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Parameter Gauss Untuk dapat melakukan pengolahan data menggunakan ANN, maka terlebih dahulu harus diketahui nilai set data input-output yang akan digunakan. Set data inputnya yaitu
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi
Lebih terperinciLOGO OLEH : ANIKE PURBAWATI DOSEN PEMBIMBING : KATHERIN INDRIAWATI, ST.MT.
LOGO Perancangan Sistem Pengendalian Tekanan Keluaran Steam Separator Dalam Upaya Peningkatan Kualitas Output Steam di PT. Pertamina Geothermal Energy area Kamojang, Jawa Barat OLEH : ANIKE PURBAWATI 2408100037
Lebih terperinciGambar 3.1 Desain Penelitian
METODOLOGI PENELITIAN 3.1 Desain Penelitian Studi Literatur: Permalan Time Series, Harga Minyak Bumi, Jaringan Syaraf Tiruan, Backpropagation Pengumpulan Data Harga Minyak Bumi di Indonesia Perancangan
Lebih terperinciPENGENDALI TEMPERATUR FLUIDA PADA HEAT EXCHANGER DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PREDIKTIF
PENGENDALI TEMPERATUR FLUIDA PADA HEAT EXCHANGER DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN PREDIKTIF Rr.rahmawati Putri Ekasari, Rusdhianto Effendi AK., Eka Iskandar Jurusan Teknik Elektro, Fakultas Teknologi
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 terperinciMETODE PENELITIAN. Badan Pusat Statistik Kabupaten Bengkalis
III. METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian dilaksanakan mulai bulan Agustus 2011 sampai Januari 2012 dengan memilih Kabupaten Bengkalis, Provinsi Riau sebagai studi kasus penelitian.
Lebih terperinciPERANCANGAN PERANGKAT LUNAK PREDIKTOR CUACA BERBASIS LOGIKA FUZZY
PERANCANGAN PERANGKAT LUNAK PREDIKTOR CUACA BERBASIS LOGIKA FUZZY Oleh Ilham Bangun Asmoro 2407 100 030 Dosen Pembimbing : Ir. Syamsul Arifin, MT Fitri Adi I., ST, MT Jurusan Teknik Fisika Fakultas Teknologi
Lebih terperinciPERANCANGAN SOFT SENSOR SPECIFIC GRAVITY DALAM GAS COMPRESSOR PETANI GAS PLANT DENGAN METODE JARINGAN SYARAF TIRUAN DI PT. CHEVRON PASIFIC INDONESIA
PERACAGA SOFT SESOR SPECIFIC GRAVITY DALAM GAS COMPRESSOR PETAI GAS PLAT DEGA METODE JARIGA SYARAF TIRUA DI PT. CHEVRO PASIFIC IDOESIA ( Fatwa Dhana ugraha, Ir. Moch. Ilyas HS.) Jurusan Teknik Fisika FTI
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 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 terperinciPEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA)
PEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA) Salmawaty Tansa 1, Bambang Panji Asmara 2 Fakultas Teknik, Jurusan Teknik Elektro,
Lebih terperinciPRISMA FISIKA, Vol. I, No. 1 (2013), Hal ISSN :
Prediksi Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik Abraham Isahk Bekalani, Yudha Arman, Muhammad Ishak Jumarang Program
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih terperinciPOSITRON, Vol. V, No. 1 (2015), Hal ISSN :
POSITRON, Vol. V, No. (5), Hal. - 5 ISSN : -97 Prediksi Ketinggian Gelombang Laut Perairan Laut Jawa Bagian Barat Sebelah Utara Jakarta dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Prada Wellyantama
Lebih terperinciNOISE REMOVAL PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN
NOISE REMOVAL PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Denny Susanto (1022029) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof. Drg. Suria Sumantri, MPH no.65,
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 Saraf Tiruan Sebagai Penterjemah Karakter Braille Ke Bentuk Abjad
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Aplikasi Jaringan Saraf Tiruan Sebagai Penterjemah
Lebih terperinciSISTEM KROMATOGRAFI GAS MENGGUNAKAN SENSOR SEMIKONDUKTOR DAN NEURAL NETWORK UNTUK KLASIFIKASI MINYAK MENTAH
Presentasi Sidang Tesis SISTEM KROMATOGRAFI GAS MENGGUNAKAN SENSOR SEMIKONDUKTOR DAN NEURAL NETWORK UNTUK KLASIFIKASI MINYAK MENTAH Sugeng Dwi Riyanto 2209204004 JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNOLOGI
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
Lebih terperinci1 Pendahuluan. 1.1 Latar Belakang Masalah
1 Pendahuluan 1.1 Latar Belakang Masalah Kebutuhan masyarakat akan perkiraan cuaca terutama curah hujan ini menjadi sangat penting untuk merencanakan segala aktifivitas mereka. Curah hujan juga memiliki
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 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 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 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 terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciPerancangan Sistem Kontrol Laju Aliran Bahan Bakar Serta Rasio Pembakaran Berdasarkan Nilai Steam Quality Pada Steam Generator
1 Perancangan Sistem Kontrol Laju Aliran Bahan Bakar Serta Rasio Pembakaran Berdasarkan Nilai Steam Quality Pada Steam Generator Andi Saehul Rizal, Dr.Bambang Lelono W., itri Adi Iskandarianto Jurusan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam perkembangan teknologi yang semakin pesat ini banyak sekali perubahan perkembangan yang telah terjadi untuk membantu kehidupan masyarakat. Dalam perkembangan
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR Sofi Dwi Purwanto Teknik Informatika Universitas Islam Negeri Maulana Malik
Lebih terperinciBAB IV PERANCANGAN & IMPLEMENTASI SISTEM
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM 4.1 Desain. yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah
Lebih 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 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 terperinciPENGENDALIAN PROSES EVAPORASI PADA PABRIK UREA MENGGUNAKAN KENDALI JARINGAN SARAF TIRUAN
PENGENDALIAN PROSES EVAPORASI PADA PABRIK UREA MENGGUNAKAN KENDALI JARINGAN SARAF TIRUAN Nazrul Effendy 1), Masrul Solichin 2), Teuku Lukman Nur Hakim 3), Faisal Budiman 4) Jurusan Teknik Fisika, Fakultas
Lebih terperinciPERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN
PERAMALAN JUMLAH KUNJUNGAN WISATAWAN MANCANEGARA KE LOMBOK MENGGUNAKAN JARINGAN SYARAF TIRUAN Titik Misriati AMIK BSI Jakarta Jl. R.S Fatmawati No. 24 Pondok Labu, Jakarta Selatan titik.tmi@bsi.ac.id ABSTRACT
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Ganjil tahun 2006/2007 Peramalan Harga Indeks Saham Hang Seng dengan Menggunakan Jaringan
Lebih terperinciIII. BAHAN DAN METODE
39 III. BAHAN DAN METODE 3.1. Waktu dan Tempat Penelitian dilaksanakan pada bulan Agustus sampai Desember tahun 2010 di rumah tanaman (greenhouse) Balai Penelitian Agroklimatologi dan Hidrologi (Balitklimat),
Lebih terperinciSTUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
STUDI ESTIMASI CURAH HUJAN, SUHU DAN KELEMBABAN UDARA DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Muh. Ishak Jumarang 1), Lyra Andromeda 2) dan Bintoro Siswo Nugroho 3) 1,3) Jurusan Fisika,
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih 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 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 terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output
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 terperinci1. Pendahuluan 1.1 Latar belakang masalah
1. Pendahuluan 1.1 Latar belakang masalah Emas adalah unsur kimia dalam tabel periodik yang memiliki simbol Au (bahasa Latin: 'aurum') dan nomor atom 79. Emas digunakan sebagai standar keuangan di banyak
Lebih terperinciSTUDI KELAYAKAN KUALITAS SISTEM KONTROL MAIN STEAM PADA BOILER MELALUI PENDEKATAN STATISTICAL CLUSTERING DI PLTU UNIT I PT. PJB UP.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 1 STUDI KELAYAKAN KUALITAS SISTEM KONTROL MAIN STEAM PADA BOILER MELALUI PENDEKATAN STATISTICAL USTERING DI PLTU UNIT I PT. PJB UP. GRESIK Iik Ordiani dan
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciBAB 1 PENDAHULUAN. saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Cepatnya perubahan fluktuasi harga index saham membuat para pemegang saham harus memperhatikan dengan baik keadaan ekonomi yang sedang berlangsung. Saham yang mempunyai
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 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 terperinciStudi Eksperimen Variasi Beban Pendinginan pada Evaporator Mesin Pendingin Difusi Absorpsi R22-DMF
JURNAL TEKNIK ITS Vol. 4, No. 1, (2015) ISSN: 2337-3539 (2301-9271 Print) F-18 Studi Eksperimen Variasi Beban Pendinginan pada Evaporator Mesin Pendingin Difusi Absorpsi R22-DMF Akhmad Syukri Maulana dan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perangkat keras komputer berkembang dengan pesat setiap tahunnya selalu sudah ditemukan teknologi yang lebih baru. Meskipun demikian masih banyak hal yang belum dapat
Lebih terperinciPREDIKSI PENGGUNAAN BANDWIDTH PENS_ITS MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION
PREDIKSI PENGGUNAAN BANDWIDTH PENS_ITS MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN ALGORITMA BACKPROPAGATION Imam Shabri, Mike Yuliana, Zaqiatud Darojah Jurusan Telekomunkasi - Politeknik Elektronika Negeri
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 terperinciSLOPE CORRECTION PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
SLOPE CORRECTION PADA TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN Disusun Oleh : Apriliyanto Taufik Betama (1022070) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. drg. Suria Sumantri, MPH, No.
Lebih terperinci