METODE PCA-RBPNN DENGAN INISIALISASI CENTER ALGORITMA K-MEANS PADA DATA MULTIVARIAT
|
|
- Veronika Tan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 METODE PCA-RBPNN DENGAN INISIALISASI CENTER ALGORITMA K-MEANS PADA DATA MULTIVARIAT Hasnawati M 1, Oni Soesanto 2, Fatma Indriani 3 1,3 Prodi Ilmu Komputer FMIPA ULM 2 Prodi Matematika FMIPA ULM Jl. A. Yani Km36 Banjarbaru, Kalimantan selatan hasnawati.m56@gmail.com Abstract In this research will be studied about PCA-RBPNN method for prediction of multivariate data. Principal Component Analysis method serves to reduce the input dimension by eliminating the minimum information. In this case the PCA method is used to reduce the input dimension of the RBPNN network. The initial process on the RBPNN network is to determine the initialization center and clustering using k- means algorithm. Furthermore, PCA-RBPNN method is used to predict multivariate data. The predicted results obtained in the simulation using PCA-RBPNN method is the greater the reduction value then the RMSE results are less but it can change due to the large number of clusters used. Keyword : Principal Component Analysis (PCA), Radial Basis Probabilistic Neural Network (RBPNN), PCA-RBPNN, K-Means Abstrak Pada penelitian ini akan dikaji tentang metode PCA-RBPNN untuk prediksi data multivariat. Metode Principal Component Analysis berfungsi untuk mereduksi dimensi input dengan menghilangkan informasi yang minimum. Dalam hal ini metode PCA digunakan untuk mereduksi dimensi input pada jaringan RBPNN. Proses awal pada jaringan RBPNN adalah menentukan inisialisasi center dan klustering menggunakan algoritma k-means. Selanjutnya metode PCA-RBPNN digunakan untuk prediksi data multivariate. Hasil prediksi yang didapatkan pada simulasi menggunakan metode PCA-RBPNN adalah semakin besar nilai reduksi maka hasil RMSE-nya semakin sedikit namun hal tersebut bisa berubah dikarenakan banyaknya jumlah kluster yang digunakan. Kata kunci : Principal Component Analysis (PCA), Radial Basis Probabilistic Neural Network (RBPNN), PCA-RBPNN, K-Means Metode PCA-RBPNN dengan Inisialisasi Algoritma K-Means pada Data Multivariat (Hasnawati M) 112
2 1. PENDAHULUAN Data mining adalah istilah yang digunakan untuk menemukan pengetahuan yang tersembunyi dalam sebuah database. Tujuan dari data mining terbagi menjadi dua yaitu deskripsi dan prediksi [6]. Deskripsi berfungsi untuk memberikan informasi yang tergambar pada sebuah data yang ada, sedangkan prediksi berfungsi untuk memprediksikan nilai yang belum diketahui dengan menggunakan variabel yang terdapat pada database. Salah satu metode yang digunakan untuk memprediksi adalah Neural Networks. Neural networks (jaringan saraf tiruan) pada data mining memiliki kemampuan untuk meningkatkan nilai akurasi. Neural network (jaringan saraf tiruan) sangat sesuai digunakan untuk memecahkan masalah pada data mining karena memiliki karateristik ketahanan yang baik, bisa memproses secara paralel, memiliki tempat penyimpanan yang didistribusikan, memilki tingkat akurasi yang tinggi dibandingkan dengan metode statistik [2]. Neural network memiliki arsitektur komputasi yang kuat dan terdistribusi. Salah satu metode yang terdapat pada jaringan saraf tiruan adalah Radial Basis Probabilistic Neural Network (RBPNN) yang merupakan penggabungan model RBFNN dan PNN berdasarkan pada keunggulan dari masing-masing model tersebut. RBFNN melibatkan dimensi tinggi pada lapisan tersembunyi (hidden layer) dan neuron hidden yang tak linier, namun metode ini memiliki struktur yang rumit, sedangkan model Probabilistic Neural Network (PNN) mempunyai kemampuan klasifikasi yang secara langsung bisa dicapai tanpa melatih vektor bobot. Namun PNN memiliki kelemahan yaitu tidak mempertimbangkan lingkungan dan overlapping antara vektor-vektor data training dari kategori yang berbeda sehingga berakibat bias. Selain itu pada PNN semua vektor data training digunakan sebagai center pada hidden layer yang berakibat rumit diterapkan pada data training yang berukuran besar sehingga kemampuan menjadi lambat [3]. Proses awal yang harus dilakukan pada RBPNN adalah proses clustering untuk menentukan inisialisasi center. Salah satu metode yang digunakan untuk menentukan center yaitu dengan menggunakan teknik clustering. Metode yang cukup populer yaitu algoritma K-means yang telah banyak memberikan hasil yang cukup baik. Ide dasar dari algoritma ini adalah mengumpulkan data ke dalam beberapa kelompok dan memilih center berdasarkan ukuran dari center-center dengan menggunakan jarak Euclide. Setiap titik kluster dihubungkan dengan inti tersembunyi Gaussian pada RBPNN [3]. Metode Radial Basis Probabilistic Neural Network (RBPNN) memiliki kelemahan salah satunya adalah ketika dimensi input yang digunakan terlalu besar maka proses komputasi akan melambat sehingga diperlukan suatu metode untuk menyederhanakan sturktur jaringan. Sehingga salah satu metode yang digunakan untuk mereduksi dimensi input tersebut adalah Principal Componet Analysis (PCA) [4]. Principal Component Analysis (PCA) merupakan metode dalam statistika yang digunakan untuk mereduksi dimensi input dengan menghilangkan informasi yang minimum. Beberapa peneliti telah menggabungkan metode PCA dengan jaringan syaraf tiruan menggunakan model PCA neural pada processing untuk pemisahan noise pada signal [1]. PCA-RBFNN juga digunakan untuk klasifikasi [7] dan masalah Metode PCA-RBPNN dengan Inisialisasi Algoritma K-Means pada Data Multivariat (Hasnawati M) 113
3 peramalan, hasil reduksi dengan PCA dan proses transformasinya menggunakan RBFNN yang menghasilkan prediksi yang akurat. Pada penelitian ini akan dilakukan kajian metode PCA-RBPNN dalam hal kemampuan prediksi. Metode PCA digunakan untuk mereduksi dimensi input pada RBPNN dan proses penentuan center menggunakan algoritma k-means. Metode PCA-RBPNN ini digunakan untuk memprediksi (tingkat akurasi) ketersedian air di Bendungan Sutami. 2. METODE PENELITIAN 2.1 DATA SIMULASI Data simulasi yang digunakan pada penelitian ini adalah data ketersediaan air di bendungan sutami yang diambil dari Station Otomatis Flood Forecasting Warning (FFWS) Perum Jasa Tirtal I di Malang pada tahun Data ini berjumlah 1096 data yang terdiri dari 8 variabel yaitu inflow sutami, debit aliran gadang dan debit aliran tawangrajeni, serta curah hujan (Sutami, Sengguruh, Poncokusumo, Tangkil dan Wagir). 2.2 REDUKSI VARIABEL INPUT DENGAN PCA Principal Component Analysis (PCA) adalah metode statistik yang digunakan untuk mereduksi variabel yang tidak berkorelasi. Tujuan penggunaan PCA adalah mereduksi variabel input menjadi komponen utama yang berdimensi lebih kecil dengan kehilangan informasi minimum, dimana komponen utama yang terbentuk tidak berkolerasi satu dengan yang lainnya. Karena mampu mengurangi input data maka penggunaan PCA pun seringkali digunakan terlebih dahulu pada jaringan saraf tiruan. Hal ini bertujuan untuk menyederhanakan arsitektur dari jaringan saraf tiruan tersebut. Principal Component Analysis (PCA) digunakan untuk mereduksi variabel input menjadi beberapa komponen utama berdasarkan nilai eigen yang berdasarkan kumulatif keragaman mencukupi. Berdasarkan hasil pengurutan nilai eigen maka akan dipilih nilai eigen terbesar. Proses ini menghasilkan komponen utama yang pertama, selanjutnya proses yang sama untuk nilai eigen terbesar berikutnya. Proses pemilihan komponen utama ini akan dihentikan saat kumulatif keragaman komponen utama diasumsikan minimal 80%. Artinya dengan beberapa komponen utama yang dihasilkan tersebut bisa menjelaskan keseluruhan data sebesar 80%. Misalkan sebuah paket data dinyatakan dengan matriks X dimana ukuran kolomnya menyatakan banyak variabel sedangkan jumlah barisnya menyatakan banyak pengamatan. Sehingga apabila banyak variabel pada data ada n buah dan banyak pengamatan pada data adalah m buah, maka matriks X akan berukuran m n, dengan: (1) Metode PCA-RBPNN dengan Inisialisasi Algoritma K-Means pada Data Multivariat (Hasnawati M) 114
4 Langkah awal pada metode PCA yaitu menghitung matriks kovarian. Berikut persamaan yang digunakan untuk mendapatkan hasil matriks kovarian. (2) Dengan, n adalah banyak data, X adalah seluruh data, dan X T adalah seluruh data yang ditranspose. Setelah matriks kovarian didapatkan kemudian menghitung nilai eigen dan vektor eigen menggunakan persamaan berikut. (3) Kemudian nilai eigen ini akan disubtitusikan satu per satu ke persamaan...(4) Kemudian menghitung kumulatif keragaman dengan menggunakan persamaan berikut. (5) PCA akan menghasilkan variabel pengganti (komponen utama) yang berdimensi lebih rendah dari data aslinya. Artinya setiap variabel dalam X sekarang dapat dinyatakan sebgai komponen utama. Nilai-nilai komponen utama tersebut akan digunakan sebagai input pada RBPNN. Namun sebelum dimasukkan ke jaringan RBPNN, nilai-nilai komponen utama tersebut akan di kluster untuk mengetahui variabel yang dominan pada setiap komponen utama. 2.3 INISIALISASI CENTER DENGAN ALGORITMA K-MEANS Inisialisasi center yang digunakan pada penelitian ini menggunakan algoritma k-means. Adapun langkah-langkah pada algoritma k-means adalah sebagai berikut [5]. a. Menentukan banyak K-cluster yang ingin dibentuk. b. Membangkitkan nilai random untuk pusat cluster awal (centroid) sebanyak k. c. Menghitung jarak setiap data input terhadap masing-masing centroid menggunakan rumus jarak Eucledian (Eucledian Distance) hingga ditemukan jarak yang paling dekat dari setiap data dengan centroid. Berikut adalah persamaan Eucledian Distance: n d X Y ( Xi Yi) (6) d. Mengklasifikasikan setiap data berdasarkan kedekatannya dengan centroid (jarak terkecil). e. Mengupdate nilai centroid. Nilai centroid baru diperoleh dari rata-rata cluster yang bersangkutan dengan menggunakan rumus: i 2 (7) f. Melakukan perulangan dari langkah (b) hingga (e) hingga anggota tiap cluster tidak ada yang berubah. Metode PCA-RBPNN dengan Inisialisasi Algoritma K-Means pada Data Multivariat (Hasnawati M) 115
5 g. Jika langkah (f) telah terpenuhi, maka nilai rata-rata pusat cluster (Xj) pada iterasi terakhir akan digunakan sebagai parameter. Anggota tiap cluster yang tetap (tidak berubah) ini merupakan vektor target yang akan digunakan pada RBPNN. Target ini dinyatakan dengan matriks T, dimana: (8) dengan, k = banyak cluster Sedangkan hasil rata-rata pusat cluster pada iterasi terakhir merupakan center yang akan digunakan pada metode RBPNN. 2.4 PROSES LEARNING PADA PCA-RBPNN Dalam hal ini metode PCA berfungsi untuk mereduksi dimensi input pada jaringan Radial Basis Probabilistic Neural Network (RBPNN). Input yang pada jaringan RBPNN sebanyak 8 variabel. Namun nilai input tersebut direduksi menggunakan metode PCA agar arsitektur jaringannya menjadi lebih sederhana dan mempermudah proses komputasi. Tahapan pada PCA yaitu menghitung matriks kovarian, nilai eigen, vektor eigen dan kumulatif keragaman. Dari hasil kumulatif keragaman, maka dipilihlah 4 PC yang merupakan hasil reduksi dari 8 variabel terebut. Sehingga 4 PC inilah yang akan diproyeksi terlebih dahulu dengan normalisasi dan hasilnya proyeksinya menjadi nilai input pada jaringan RBPNN [4]. Pada RBPNN tedapat inisialisasi center dan algoritma yang digunakan untuk inisialisasi center adalah algoritma k-means. Berikut adalah arsitektur jaringan PCA-RBPNN. Gambar 1. Arsitektur PCA-RBPNN Sumber: Principal Component Analysis (PCA) Dan Radial Basis Probabilistic Neural Network (RBPNN) dengan Inisialisasi Center Algortima K-Means untuk Prediksi Debit Aliran Sungai Pada pemodelan RBPNN, data yang digunakan adalah data training dan data testing. Pada data training, data harus direduksi terlebih dahulu menggunakan PCA. Sehingga data hasil reduksi inilah yang digunakan sebagai nilai input pada jaringan RBPNN. Nilai input layer pertama berisi 4 node yang akan diproses Metode PCA-RBPNN dengan Inisialisasi Algoritma K-Means pada Data Multivariat (Hasnawati M) 116
6 langsung ke hidden layer pertama sehingga menghasilkan nilai center dan vektor target dari algoritma k-means. Kemudian nilai center tersebut dijumlahkan dengan data training sehingga menghasilkan hidden layer kedua yaitu matriks gaussian. Sedangkan untuk memperoleh output layer adalah dengan mengalikan hidden layer kedua yaitu matriks gaussian dengan nilai bobot yang diperoleh dari proses matriks pseudoinverse. Kemudian untuk proses pada data testing merupakan proses pengujian nilai center yang telah diperoleh pada proses training. Nilai center data training dijumlahkan dengan data testing sehingga menghasilkan matriks gaussian testing. Sedangkan untuk mendapatkan output testing diperoleh dengan mengalikan hasil matriks gaussian testing dengan nilai bobot sehingga didapatlah hasil output testing Training RBPNN Tahap awal dari proses Radial Basis Probabilistic Neural Network (RBPNN) adalah menghitung nilai spread, menghitung matriks gaussian, nilai bobot dan nilai output. Nilai spread yang akan dicari yakni menghitung jarak Euclid maksimal dari sebuah data. Nilai spread dihitung dengan menggunakan persamaan berikut. = (9) dengan, dmax adalah jarak Eucled maksimal dari kelompok data dan K adalah jumlah kelompok data. Setelah nilai spread dan nilai center di dapatkan kemudian menghitung matriks gaussian menggunakan persamaan berikut....(10) dengan, x adalan nilai normalisasi; c adalah nilai center dan adalah matriks Gaussian. Hasil matriks gaussian tersebut digunakan untuk menghitung nilai bobot menggunkan persamaan berikut: W = (H T H) -1 H T d (11) dimana H adalah nilai matriks gaussian, H T adalah nilai matriks gaussian yang di transpose dan d adalah vektor target. Vektor target tersebut didapat dari proses perhitungan inisialisasi center menggunakan algoritma k-means algoritma k- means. Kemudian hasil nilai bobot tersebut digunakan untuk menghitung nilai output menggunakan persamaan berikut. M y w h ( x) (12) dengan, w adalah nilai bobot dan h k (x) adalah matriks gaussian. k 1 ik k Metode PCA-RBPNN dengan Inisialisasi Algoritma K-Means pada Data Multivariat (Hasnawati M) 117
7 2.4.2 Testing RBPNN Pada proses testing, vektor input untuk testing dimasukkan hasil reduksi dan hasil inisialisasi center pada data training unutk mendapatkan matriks gaussian. Selanjutnya matriks gaussian tersebut digunakan untuk mecari nilai output Y dengan menggunakan nilai bobot W yang diperoleh pada proses training. Data Uji Coba Data Training Data Testing Normalisasi Normalisasi PCA Proyeksi (Data Testing x PC) Proyeksi (Data Training x PC) Inisialisasi Center (K- Means) dan Spread Hitung Matriks Gaussian Hitung Matriks Gaussian Hitung Nilai Bobot Hitung Nilai Output Testing Hitung Nilai Output Training Denormalisasi Denormalisasi RMSE RMSE Gambar 2. Proses PCA-RBPNN Sumber: Principal Component Analysis (PCA) Dan Radial Basis Probabilistic Neural Network (RBPNN) dengan Inisialisasi Center Algortima K-Means untuk Prediksi Debit Aliran Sungai HASIL DAN PEMBAHASAN 3.1 Mereduksi variabel input menggunakan PCA Pada penelitian ini proses PCA dilakukan pada data asli untuk menguji bagaimana setiap variabel inflow Sutami, debit aliran Gadang dan debit aliran Tawangrajeni, serta curah hujan (Sutami, Sengguruh, Poncokusumo, Tangkil dan Wagir) saling berkolerasi satu sama lain sehingga dapat ditentukan kemungkinan reduksi dan digunakan dalam prediksi. Misalkan viriabel x1 adalah untuk data inflow Sutami, x2,x3 untuk debit aliran Gadang dan Tawangrajeni dan untuk curah hujan (Sutami, Sengguruh, Poncokusumo, Tangkil dan Wagir) adalah dengan variabel x4,x5,x6,x7,x8. Metode PCA-RBPNN dengan Inisialisasi Algoritma K-Means pada Data Multivariat (Hasnawati M) 118
8 Tahapan PCA untuk mendapatkan hasil reduksi adalah menghitung matriks kovarian, nilai eigen, vektor eigen dan kumulatif keragaman. Berikut adalah hasil PC, nilai eigen dan kumulatif keragaman yang telah didapatkan. Tabel 1. Nilai PC untuk masing-masing variabel, nilai eigen dan kumulatif keragaman - PC1 PC2 PC3 PC4 PC5 PC6 PC7 PC8 x1 0,4620-0,1433-0,792-0,364-0,0145-0,054 0,034-0,016 x2 0,2147-0,9296 0,2977-0,014 0, ,0195-0,016-0,014 x3 0,8349 0,3332 0,4361-0,024 0, ,0221 0,0117 0,003 x4 0,0861-0,0451-0,131 0,4108 0, ,118 0,3039 0,760 x5 0,0577-0,0130-0,126 0,2128-0,2024 0,9369-0,054 0,115 x6 0,0849-0,0091-0,1227 0,2931 0, ,086-0,900 0,034 x7 0, ,0374-0,1549 0,6092-0,6903-0,299 0,0511-0,126 x8 0,0799-0,0236-0,1415 0,4419 0, ,0859 0,299-0,625 Nilai Eigen 5613,5 2474,6 590,55 493,51 166,90 60, ,48 70,31 Kumulatif keragama n 58,616 25,84 6,1666 5,1532 1,7428 0,6351 1,1118 0,734 Berdasarkan tabel 1 untuk PC1, PC2,PC3 dan PC4 dengan nilai eigen 5613,5; 2474,6; 590,55 dan 493,51 masing-masing mewakili 58,616 %, 25,84%, 6,1666 % dan 5,1532 % dari seluruh data dan secara kumulatif keempat PC tersebut menyatakan 95,775% dari total keragaman kedelapan variabel dari data asli. Selanjutnya keempat PC tersebut didefinisikan sebagai variabel pengganti dari kedelapan variabel asli. Keempat PC ini akan akan diproyeksikan dengan data normalisasi sehingga hasil proyeksi inilah yang akan digunakan sebagai input pada RBPNN. 3.2 Inisialisasi menggunakan algoritma k-means Proses awal pada RBPNN adalah penentuan center dan hasil klustering merupakan vektor target yang akan digunakan pada perhitungan nilai bobot. Pada proses k-means nilai center awal dipilih secara random. Nilai center awal tersebut kemudian di hitung dengan proses k-means sampai nilai cluster tidak berubah. Dan hasil dari nilai cluter tersebut merupakan nilai center yang akan digunakan pada RBPNN. Berikut adalah nilai center yang akan digunakan pada RBPNN. 3.3 Kemampuan prediksi metode PCA-RBPNN Untuk menguji metode PCA-RBPNN digunakan data ketersedian air di bendungan Sutami tahun dengan data traning sebanyak 730 data dan data testing sebanyak 366 data. Untuk mengetahui kemampuan dari metode PCA- RBPNN pada penelitian ini dilakukan perhitungan dan simulasi pada proses prediksi. Metode PCA-RBPNN dengan Inisialisasi Algoritma K-Means pada Data Multivariat (Hasnawati M) 119
9 Untuk mengetahui performansi metode PCA-RBPNN pada penelitian ini dilakukan simulasi pada proses prediksi untuk data training dan testing. Adapun nilai input yang digunakan utntuk mengetahui hasil prediksi adalah dengan menggunakan banyak PC yaitu dari 2 sampapi dengan 7 yang akan digunakan untuk mewakili seluruh data tersebut dan banyak kluster yaitu dari 2 sampai dengan 5. Hasil prediksi yang didapatkan adalah berupa nilai Root Mean Squared Error (RMSE) pada masing-masing PC dan kluster. Berikut adalah tabel RMSE dan kumulatif pada debit aliran gadang dan tawangrajeni untuk data training dan testing. Debit Aliran Gadang Tabel 2. Hasil RMSE debit aliran gadang pada data training Kluster Jumlah PC ,979 26,914 23,308 20,836 19,014 7, ,985 10,549 9,2128 8,2869 7,5422 7, ,26 9,9029 8,6916 7,8154 7,1694 6, ,439 9,1102 8,5372 6,2017 7,1459 6,6298 Kumulatif Keragaman 84,456 90,622 95,776 97,518 98,15 99,264 Debit Aliran Tawangr ajeni Debit Aliran Gadang Tabel 3. Hasil RMSE debit aliran tawangrajeni pada data training Kumulatif Keragaman Kluster Jumlah PC ,755 21,932 19,03 17,029 15,555 24, ,140 18,925 16,363 14,606 13,296 12, ,26 17,432 15,098 13,499 12,316 11, ,815 5, ,358 13,301 11,5 10,568 84,456 90,622 95,776 97,518 98,15 99,264 Tabel 4. Hasil RMSE debit aliran gadang pada data testing Kluster Kumulatif Keragaman Jumlah PC ,252 8,3684 7, ,721 13,477 12, ,372 8,9301 7,8119 6,9893 6,3955 5, ,4038 4,5575 5,3392 4,8455 4,497 4, ,2043 3,8459 5,4663 3,0962 2,857 2, ,456 90,622 95,776 97,518 98,15 99,264 Debit Aliran Tawangr ajeni Tabel 5. Hasil RMSE debit aliran tawangrajeni pada data testing Kluster Kumulatif Keragaman Jumlah PC ,6414 9,544 8,2021 3,9165 3,5739 3, ,396 4,7685 4,0858 3,6606 3,3479 3, ,49 4,7085 3,994 3,581 3,2783 3, ,492 4,193 3,426 3,4691 2,857 3,015 84,456 90,622 95,776 97,518 98,15 99,264 Metode PCA-RBPNN dengan Inisialisasi Algoritma K-Means pada Data Multivariat (Hasnawati M) 120
10 Berdasarkan tabel hasil RMSE di atas adalah semakin banyak PC yang digunakan maka akan semakin kecil hasil RMSE yang didapatkan, namun hasil tersebut bisa berubah karena dipengaruhi oleh banyaknya kluster digunakan. Pada data training untuk debit aliran gadang hasil RMSE terkecil adalah menggunakan 5 PC dan 5 kluster dengan RMSE yang dihasilkan adalah 6,2017 sedangkan untuk debit aliran tawangrajeni adalah menggunakan 7 PC dan 5 kluster dengan RMSE yang dihasilkan adalah 10,568. Pada data testing untuk debit aliran gadang hasil RMSE terkecil adalah 7 PC dan 5 kluster dengan RMSE yang dihasilkan adalah 2,6953 sedangkan untuk debit aliran tawangrajeni adalah menggunakan 6 PC dan 5 kluster dengan hasil RMSE yang didapatkan adalah 2,857. Pada perhitungan dengan variabel pengganti yang menjelaskan 95,776% dari total keragaman variabel asli menggunakan 3 kluster didapatkan hasil RMSE pada data training untuk debit aliran gadang dan debit aliran tawangrajeni adalah sebesar 9,2128 dan 16,363. Sedangkan pada data testing hasil RMSE yang didapatkan adalah 16,363 dan 7,8119 untuk debit aliran gadang dan debit aliran tawangrajeni. Berdasarkan hasil perhitungan tersebut maka dibuatlah grafik dengan kumulatif keragaman yang digunakan sebesar 95,776%. Berikut adalah grafik hasil prediksi debit aliran gadang dan debit aliran tawangrajeni pada data training Gambar 3. Grafik Debit Aliran Gadang dan Debit Aliran Tawangrajeni Metode PCA-RBPNN dengan Inisialisasi Algoritma K-Means pada Data Multivariat (Hasnawati M) 121
11 Berikut adalah grafik hasil prediksi debit aliran gadang dan debit aliran tawangrajeni pada data testing. 4. SIMPULAN Gambar 4. Grafik debit aliran gadang dan debit aliran tawangrajeni Kesimpulan yang diperoleh dari hasil penelitian ini adalah sebagai berikut: a. Proses PCA-RBPNN yaitu data asli dinormalisasi terlebih dahulu kemudian masuk pada proses PCA dan RBPNN. Pada metode PCA terdapat perhitungan matriks kovarian, nilai eigen, vektor eigen, dan kumulatif keragaman. Setelah itu hasil perhitungan tersebut diproyeksikan. Kemudian menentukan center dan vektor target dengan menggunakan algoritma k- means. Pada RBPNN nilai center digunakan untk menghitung matriks gaussian, selanjutnya menghitung nilai bobot dan nilai output. Nilai output tersebut didenormalisasi sehingga didapatlah hasil RMSE. b. Kemampuan hasil prediksi menggunakan metode PCA-RBPNN yaitu semakin banyak PC yang digunakan maka akan semakin kecil hasil RMSE yang didapatkan, namun hasil tersebut bisa berubah karena dipengaruhi oleh banyaknya kluster digunakan. Pada data training untuk debit aliran gadang hasil RMSE terkecil adalah menggunakan 5 PC dan 5 kluster dengan RMSE yang dihasilkan adalah 6,2017 sedangkan untuk debit aliran tawangrajeni adalah menggunakan 7 PC dan 5 kluster dengan RMSE yang dihasilkan adalah 10,568. Pada data testing untuk debit aliran gadang hasil RMSE terkecil adalah 7 PC dan 5 kluster dengan RMSE yang dihasilkan adalah 2,6953 sedangkan untuk debit aliran tawangrajeni adalah menggunakan 6 PC dan 5 kluster dengan hasil RMSE yang didapatkan adalah 2,857. Metode PCA-RBPNN dengan Inisialisasi Algoritma K-Means pada Data Multivariat (Hasnawati M) 122
12 c. Meskipun kehilangan beberapa informasi akibat PCA, namun hal tersebut memiliki keuntungan tersendiri bagi RBPNN yaitu nilai input menjadi lebih kecil sehingga struktur jaringannya jadi lebih sederhana. DAFTAR PUSTAKA [1] Diamantaras, K., Technological, A., & Instit, E. (2009). Applying PCA neural models for the blind separation of signals Applying PCA Neural Models for the Blind Separation of Signals, (December). [2] Gaur, P. (1956). Neural Networks in Data Mining, [3] Huang, D., & Zhao, W. (2005). Determining the centers of radial basis probabilistic neural networks by recursive orthogonal least, 162, [4] M, Hasnawati. (2017). Principal Component Analysis (PCA) dan Radial Basis Probabilistic Neural Network (RBPNN) dengan Inisialisasi Center Algortima K-Means untuk Prediksi Debit Aliran Sungai". Skripsi Program Studi Ilmu Komputer, Universitas Lambung Mangkurat. [5] Sarwono, Y.T. (2004). Aplikasi Model Jaringan Syaraf Tiruan dengan Radial Basis Function untuk Mendeteksi Kelainan Otak (Stroke Infark) [6] Tewary, G. (2015). Effective Data Mining For Proper Mining Classification Using Neural, 5(2), [7] Tripathy, M. (2010). Simulation Modelling Practice and Theory Power transformer differential protection using neural network Principal Component Analysis and Radial Basis Function Neural Network. Simulation Modelling Practice and Theory, 18 (5), Metode PCA-RBPNN dengan Inisialisasi Algoritma K-Means pada Data Multivariat (Hasnawati M) 123
PCA-RBPNN UNTUK KLASIFIKASI DATA MULTIVARIAT DENGAN ORTHOGONAL LEAST SQUARE (OLS)
PCA-RBPNN UNTUK KLASIFIKASI DATA MULTIVARIAT DENGAN ORTHOGONAL LEAST SQUARE (OLS) Oni Soesanto Program Studi Matematika Universitas Lambung Mangkurat Jl. Jend. A. Yani km 35, 8 Banjarbaru Email: onis73@yahoo.com
Lebih terperinciALGORITMA FUZZY C-MEANS (FCM) UNTUK PENENTUAN NILAI CENTER RADIAL BASIS FUNCTION (RBF) PADA KLASIFIKASI DATA PENYAKIT KARIES GIGI
ALGORITMA FUZZY C-MEANS (FCM) UNTUK PENENTUAN NILAI CENTER RADIAL BASIS FUNCTION (RBF) PADA KLASIFIKASI DATA PENYAKIT KARIES GIGI Nur Astuti 1, Oni Soesanto, Dwi Kartini 3 1,3 Prodi Ilmu Komputer FMIPA
Lebih terperinciREDUKSI DIMENSI INPUT PADA JARINGAN SYARAF PCA-RBF DENGAN SINGULAR VALUE DECOMPOSITION
REDUKSI DIMENSI INPUT PADA JARINGAN SYARAF PCA-RBF DENGAN SINGULAR VALUE DECOMPOSITION Abdul Hakim Maulana, Oni Soesanto, Thresye Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat Email:
Lebih terperinciADLN - Perpustakaan Universitas Airlangga ABSTRAK. viii
Muhammad Arif Santoso, 2015. Peramalan Penjualan Produk Menggunakan Jaringan Syaraf Tiruan Metode Extreme Learning Machine. Skripsi ini dibawah bimbingan Auli Damayanti,S.Si, M.Si dan Dr. Herry Suprajitno,
Lebih terperinciPENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU
PENERAPAN METODE LEARNING VECTOR QUANTIZATION (LVQ) PADA PREDIKSI JURUSAN DI SMA PGRI 1 BANJARBARU Risky Meliawati 1,Oni Soesanto 2, Dwi Kartini 3 1,3Prodi Ilmu Komputer FMIPA UNLAM 2 Prodi Matematika
Lebih terperinciPenerapan Metode RBPNN untuk Klasifikasi Kanker Payudara
Penerapan Metode RBPNN untuk Klasifikasi Kanker Payudara Fairudz Shahura, Oni Soesanto 2, Fatma Indriani 3,2,3 Prodi Ilmu Komputer FMIPA ULM Jl. A. Yani Km 36 Banjarbaru, Kalimantan selatan Email: irashahura@gmail.com
Lebih terperinciJl. A. Yani Km 36 Banjarbaru, Kalimantan selatan Abstract
ALGORITMA PARTICLE SWARM OPTIMIZATION (PSO) UNTUK OPTIMASI NILAI CENTER RADIAL BASIS PROBABILISTIC NEURAL NETWORK (RBPNN) PADA KLASIFIKASI DATA BREAST CANCER Ela Nurmalasari 1, Oni Soesanto 2, Fatma Indriani
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 terperinciABSTRAK. Kata Kunci : Artificial Neural Network(ANN), Backpropagation(BP), Levenberg Marquardt (LM), harga emas, Mean Squared Error(MSE), prediksi.
ABSTRAK Prediksi harga emas merupakan masalah yang sangat penting dalam menentukan pengambilan keputusan perdagangan dalam pertambangan. Prediksi yang akurat untuk pertambangan dapat memberikan keuntungan
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciPREDIKSI PRODUKSI PANEN KELAPA SAWIT MENGGUNAKAN JARINGAN SARAF RADIAL BASIS FUNCTION (RBF) SKRIPSI RINI JANNATI
PREDIKSI PRODUKSI PANEN KELAPA SAWIT MENGGUNAKAN JARINGAN SARAF RADIAL BASIS FUNCTION (RBF) SKRIPSI RINI JANNATI 101402072 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciBAB 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 terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN
ANALISIS PERBANDINGAN METODE BACKPROPAGATION DAN RADIAL BASIS FUNCTION UNTUK MEM PREDIKSI CURAH HUJAN DENGAN JARINGAN SYARAF TIRUAN Abstrak Vinsensius Rinda Resi - NIM : A11.2009.04645 Program Studi Teknik
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciPERAMALAN HARGA MINYAK MENTAH DUNIA NEURAL NETWORK
PERAMALAN HARGA MINYAK MENTAH DUNIA MENGGUNAKAN METODE RADIAL BASIS FUNCTION NEURAL NETWORK SKRIPSI Disusun oleh: Rahafattri Ariya Fauzannissa 24010211140092 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI
PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September
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 terperinciCombined for Time Series Forecasting
RBF and ARIMA Combined for Time Series Forecasting Dian Tri Wiyanti Teknik Informatika Universitas Semarang Semarang, Indonesia deediy87@gmailcom Reza Pulungan Jurusan Ilmu Komputer dan Elektronika FMIPA
Lebih terperinciBAB III METODE PENELITIAN. sekunder berupa citra Magnetic Resonansi Image (MRI) yang diperoleh dari
BAB III METODE PENELITIAN Metode penelitian yang dilakukan pada penelitian ini adalah teknik pengumpulan data dan teknik analisis data. A. Teknik Pengumpulan Data Data yang digunakan pada penelitian ini
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 terperinciPENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
Lebih terperincig(x, y) = F 1 { f (u, v) F (u, v) k} dimana F 1 (F (u, v)) diselesaikan dengan: f (x, y) = 1 MN M + vy )} M 1 N 1
Fast Fourier Transform (FFT) Dalam rangka meningkatkan blok yang lebih spesifik menggunakan frekuensi dominan, akan dikalikan FFT dari blok jarak, dimana jarak asal adalah: FFT = abs (F (u, v)) = F (u,
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 terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciPERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN JARINGAN SARAF TIRUAN ELMAN DENGAN ALGORITME GRADIENT DESCENT ADAPTIVE LEARNING RATE
PERAMALAN INDEKS HARGA SAHAM GABUNGAN (IHSG) MENGGUNAKAN JARINGAN SARAF TIRUAN ELMAN DENGAN ALGORITME GRADIENT DESCENT ADAPTIVE LEARNING RATE oleh BETA VITAYANTI M0110012 SKRIPSI Ditulis dan diajukan untuk
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 terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
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 terperinciBAB I PENDAHULUAN. diatur di dalam otak sebagai pengendali utama tubuh manusia. Otak manusia
BAB I PENDAHULUAN A. Latar Belakang Manusia telah diciptakaan oleh Tuhan dalam bentuk kesempurnaan. Salah satu ciptaan yang menakjubkan adalah otak manusia dimana semua kecerdasaan diatur di dalam otak
Lebih terperinciPREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Technologia Vol 9, No.1, Januari Maret 2018 11 PREDIKSI TINGGI MUKA AIR BENDUNGAN RIAM KANAN MENGGUNAKAN ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Yusri Ikhwani Fakultas Teknologi Informasi Universitas Islam
Lebih terperinciPERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION
PERANCANGAN PARAMETER TERBAIK UNTUK PREDIKSI PRODUKSI BAN GT3 MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION Fitrisia, Adiwijaya, dan Andrian Rakhmatsyah Program Studi S1 Teknik Informatika,
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinci4.1. Pengumpulan data Gambar 4.1. Contoh Peng b untuk Mean imputation
4.1. Pengumpulan data Data trafik jaringan yang diunduh dari http://www.cacti.mipa.uns.ac.id:90 dapat diklasifikasikan berdasar download rata-rata, download maksimum, download minimum, upload rata-rata,
Lebih terperinciBAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih 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 terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
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 terperinciJurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN
PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal
Lebih terperinciPEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS
PEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS Diana Purwitasari 1, Glory Intani Pusposari 2, Rully Sulaiman 3 Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
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 terperinciPERAMALAN DERET WAKTU MENGGUNAKAN MODEL FUNGSI BASIS RADIAL (RBF) DAN AUTO REGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)
Jurnal MIPA 35 (2):175-182 (2012) Jurnal MIPA http://journal.unnes.ac.id/sju/index.php/jm PERAMALAN DERET WAKTU MENGGUNAKAN MODEL FUNGSI BASIS RADIAL (RBF) DAN AUTO REGRESSIVE INTEGRATED MOVING AVERAGE
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION Restiana Putri Abstract - On a government agencies Badan Keluarga Berencana
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 terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
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 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 PEMBAHASAN. 1. Arsitektur Fuzzy Radial Basis Function Neural Network (FRBFNN) Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan
BAB III PEMBAHASAN A. Fuzzy Radial Basis Function (FRBFNN) 1. Arsitektur Fuzzy Radial Basis Function Neural Network (FRBFNN) Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan gabungan dari
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 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 terperinciPELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE SELEKSI TURNAMEN UNTUK DATA TIME SERIES
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 65-72 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PELATIHAN FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA GENETIKA DENGAN METODE
Lebih terperinciPREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION
JIMT Vol. 4 No. Juni 207 (Hal 47-55) ISSN : 2450 766X PREDIKSI KUALITAS AIR BERSIH PDAM KOTA PALU MENGGUNAKAN METODE BACKPROPAGATION J.R. Mustakim, R. Ratianingsih 2 dan D. Lusiyanti 3,2,3 Program Studi
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciBAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
Lebih terperinciPERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION ALGORITHM
JURNAL TEKNOLOGI INFORMASI DAN KOMUNIKASI Vol.6 No. 2, Desember 217 : 8-91 PERBANDINGAN BEBERAPA MODEL UNTUK KINERJA ALGORITMA BACKPROPAGATION COMPARISON OF SOME MODEL FOR PEFORMANCE IMPROVEMENT IN BACKPROPAGATION
Lebih terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciTeknik Pertanian, Fakultas Teknologi Pertanian, Universitas Jember Jalan Kalimantan No. 37 Jember, *
PERAMALAN JUMLAH PERMINTAAN UDANG BEKU PND MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN (JST) BACKPROPAGATION Forecasting of PND Frozen Shrimp Demand Using Artificial Neural Network Method (ANN) Backpropagation
Lebih terperinci1 PENDAHULUAN 1.1 Latar Belakang
1 PENDAHULUAN 1.1 Latar Belakang Curah hujan merupakan faktor yang berpengaruh langsung terhadap perubahan cuaca yang semakin memburuk. Curah hujan merupakan total air hujan yang terjatuh pada permukaan
Lebih terperinciPenerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih
Penerapan Adaptive Neuro Fuzzy Inference System Dalam Memprediksi Volume Pemakaian Air Bersih Niska Ramadani Dosen Universitas Dehasen Bengkulu niskaramadani@gmail.com ABSTRAK Pertumbuhan penduduk harus
Lebih terperinciSistem Deteksi Kebocoran pada Jaringan Pipa Air PDAM Menggunakan Analisis Tekanan dengan Metode Extreme Learning Machine
Sistem Deteksi Kebocoran pada Jaringan Pipa Air PDAM Menggunakan Analisis Tekanan dengan Metode Extreme Learning Machine Abstrak Muh.Taufiq Hardiyanto Umar 1 Ahmad Zaky Abbas 1, A. Ejah Umraeni Salam 2
Lebih terperinciPENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS
PENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS Disusun oleh: Juan Elisha Widyaya (0822014) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, no. 65, Bandung, Indonesia
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 terperinciBAB I PENDAHULUAN. paling parah dan paling lama tingkat pemulihannya akibat krisis keuangan
BAB I PENDAHULUAN 1.1 Latar Belakang Krisis keuangan yang terjadi di Asia pada pertengahan tahun 1997 diawali di Thailand dan merembet ke berbagai negara di Asia lainnya seperti di Indonesia, Malaysia,
Lebih terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
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 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 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 terperinciPENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF)
PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF) Disusun oleh : Alvin Silajaya (0922018) Jurusan Teknik Elektro,
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciANALISIS DAN IMPLEMENTASI RADIAL BASIS FUNCTION NEURAL NETWORK DALAM PREDIKSI HARGA KOMODITAS PERTANIAN
ANALISIS DAN IMPLEMENTASI RADIAL BASIS FUNCTION NEURAL NETWORK DALAM PREDIKSI HARGA KOMODITAS PERTANIAN ANALYSIS AND IMPLEMENTATION OF RADIAL BASIS FUNCTION NEURAL NETWORK IN FORECASTING OF AGRICULTURAL
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciPerancangan dan Pembuatan Aplikasi Untuk Mengukur Efektivitas Produksi Berdasarkan Permintaan Pelanggan Dengan Metode Radial Basis Function
38 Perancangan dan Pembuatan Aplikasi Untuk Mengukur Efektivitas Produksi Berdasarkan Permintaan Pelanggan Dengan Metode Radial Basis Function Bagus Sayekti Sujatmiko Program Studi Sistem Informasi BagusBayekGilbert@gmail.com
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciPeramalan Harga Minyak Mentah Dunia (Crude Oil) Menggunakan Metode Radial Basis Function Neural Network (RBFNN)
Peramalan Harga Minyak Mentah Dunia (Crude Oil) Menggunakan Metode Radial Basis Function Neural Network (RBFNN) Crude Oil Price Forecasting Using Radial Basis Function Neural Network Method (RBFNN) Ayu
Lebih terperinciBAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang
BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa
Lebih terperinciANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR
Jurnal Teknik dan Ilmu Komputer ANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR PARAMETER VARIATION ANALYSIS OF LEARNING VECTOR QUANTIZATION
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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Penelitian Terdahulu Penelitian-penelitian terdahulu yang berhubungan dengan clustering yaitu penelitian yang dilakukan oleh Rismawan (2008). Pada penelitian ini, dibangun suatu
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 terperinciPenggunaan Deep Learning untuk Prediksi Churn pada Jaringan Telekomunikasi Mobile Fikrieabdillah
ISSN : 2355-9365 e-proceeding of Engineering : Vol3, No2 Agustus 2016 Page 3882 Penggunaan Deep Learning untuk Prediksi Churn pada Jaringan Telekomunikasi Mobile Fikrieabdillah Ilmu Komputasi Universitas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih 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 terperinciPenyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks
Penyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks Dewi Erla Mahmudah 1, Ratna Dwi Christyanti 2, Moh. Khoridatul Huda 3,
Lebih terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciPrediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 12 Prediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan diuraikan mengenai landasan teori yang akan digunakan dalam bab selanjutnya. 2.1 Matriks Sebuah matriks, biasanya dinotasikan dengan huruf kapital tebal seperti A,
Lebih terperinciPREDIKSI ANGKA PARTISIPASI SEKOLAH DI JAWA TENGAH UMUR TAHUN DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK
PREDIKSI ANGKA PARTISIPASI SEKOLAH DI JAWA TENGAH UMUR 16-18 TAHUN DENGAN METODE JARINGAN SYARAF TIRUAN PERAMBATAN-BALIK R.Mh.Rheza Kharis *), R. Rizal Isnanto, Ajub Ajulian Zahra Jurusan Teknik Elektro,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Pencemaran air Air merupakan salah satu komponen utama dalam lingkungan yang berperan penting dalam kehidupan (Warlina, 2004). Air, yang bersumber dari sungai, danau, gletser,
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciPREDIKSI PRODUKSI KELAPA SAWIT BERDASARKAN KUALITAS LAHAN MENGGUNAKAN MODEL ARTIFICIAL NEURAL NETWORK (ANN)
PREDIKSI PRODUKSI KELAPA SAWIT BERDASARKAN KUALITAS LAHAN MENGGUNAKAN MODEL ARTIFICIAL NEURAL NETWORK (ANN) (PREDICTION OF OIL PALM PRODUCTION BASE ON LAND QUALITY USING ARTIFICIAL NEURAL NETWORK) Oleh
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF)
PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF) AINUN JARIAH 1209201721 DOSEN PEMBIMBING 1. Prof. Dr. Mohammad Isa Irawan, M.T 2. Dr Imam Mukhlas, S.Si, M.T
Lebih terperinciAnalisis Cluster, Analisis Diskriminan & Analisis Komponen Utama. Analisis Cluster
Analisis Cluster Analisis Cluster adalah suatu analisis statistik yang bertujuan memisahkan kasus/obyek ke dalam beberapa kelompok yang mempunyai sifat berbeda antar kelompok yang satu dengan yang lain.
Lebih terperinciJARINGAN FUNGSI BASIS RADIAL UNTUK MENENTUKAN RELASI FUZZY PADA PERAMALAN RUNTUN WAKTU FUZZY ORDE TINGGI
JARINGAN FUNGSI BASIS RADIAL UNTUK MENENTUKAN RELASI FUZZY PADA PERAMALAN RUNTUN WAKTU FUZZY ORDE TINGGI Winita Sulandari 1, Titin Sri Martini 1, Nughthoh Arfawi Kurdhi 1, Hartatik 2, Yudho Yudhanto 2
Lebih terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciMODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA TUGAS AKHIR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinci