III. BAHAN DAN METODE
|
|
- Dewi Pranata
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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), Cimanggu, Bogor Bahan dan Alat Bahan yang akan digunakan dalam penelitian ini yaitu : benih tanaman tomat, pupuk kandang, pupuk NPK, insektisida, pestisida, dan lain-lain. Benih tanaman tomat yang digunakan yaitu tanaman tomat varietas Arthaloka dan Marglobe. Rumah tanaman (greenhouse) yang digunakan yaitu rumah tanaman yang telah tersedia di Balitklimat, Cimanggu, Bogor. Benih tanaman tomat yang digunakan yaitu varietas Arthaloka dan Marglobe. Denah tanaman tomat di dalam rumah tanaman dapat dilihat pada Tabel Lampiran 1. Alat//instrumentasi yang digunakan yaitu AWS (Automatical Weather Station) telemetri yang mengukur suhu udara dan kelembaban udara dengan resolusi jam-jaman dalam skala harian, sedang intensitas radiasi surya diukur dengan menggunakan solari meter yang telah terkalibrasi Metode Penelitian Pengamatan/Pengukuran Ikim Mikro a. Intesitas Radiasi Surya Intensitas radiasi surya harian diukur dengan menggunakan solari meter. Solari meter ditempatkan pada ketinggian satu meter dari permukaan lantai rumah tanaman. Pengukuran intensitas radiasi surya di dalam rumah tanaman dilakukan setiap hari selama penelitian berlangsung..
2 40 b. Suhu Udara Suhu udara di dalam rumah tanaman diukur dengan menggunakan AWS (Automatical Weather Station). Suhu udara yang terekam pada AWS adalah suhu udara rata-rata harian, suhu udara maksimum dan suhu udara minimum. c. Kelembaban Udara Seperti halnya dengan pengukuran suhu udara, pengamatan rata-rata kelembaban udara harian, kelembaban udara maksimum, dan kelembaban udara minimum dilakukan dengan mengambil data yang terekam pada AWS Pengukuran Komponen Agronomi Pengukuran komponen agronomi dilakukan terhadap parameter pertumbuhan vegetatif : tinggi tanaman, jumlah daun, jumlah tangkai daun, dan parameter pertumbuhan generarif yaitu : waktu pembungaan (hari setelah tanam/hst) dan masak fisiologis (hari setelah pembungaan/hsp). Tinggi tanaman diukur per minggu setelah tanam (MST) dengan cara mengukur tinggi tanaman dari permukaan tanah sampai pucuk tanaman. Jumlah daun diukur dengan cara menghitung banyaknya daun (helai), termasuk daun yang telah terbentuk sempurna. Tangkai daun diukur dengan menghitung banyaknya tangkai yang terdapat pada tanaman. Pengukuran waktu pembungaan dilakukan dengan menghitung jumlah bunga yang telah mekar sempurna yang terdapat pada sampel tanaman. Penentuan masak fisiologis buah tanaman tomat dilakukan dengan melihat perubahan warna buah secara visual (perubahan warna dari hijau, kuning, sampai kuning kemerahan), selain itu juga dilakukan dengan analisis kadar gula buah Perhitungan Satuan Panas (Heat Unit) Fase perkembangan tanaman tomat meliputi 4 fase yaitu : semai-tanam, init; tanam kuncup bunga, dev; kuncup bunga- bakal buah, mid; dan bakal buah masak fisiologis, late (Doorenbos dan Kassam 1979). Kejadian fenologi tanaman tomat dihitung mulai semai sampai masak fisiologis dan diberi skala 0 1, yang dibagi menjadi lima kejadian yaitu semai, S
3 41 (s = 0), tanam, T (s = 0.25), kuncup bunga, KB (s = 0.50), bakal buah, BB (s = 0.75) dan masak fisiologis, MF (s = 1.00). n HU = T i= 1 - Tb T adalah rata-rata suhu udara harian ( o C) T b adalah suhu dasar ( o C) menyatakan periode antara kejadian fenologi, Tb adalah suhu dasar ( o C) dan HU adalah heat unit yang dihitung dari hasil percobaan lapang ( o C hari). Berdasarkan penelitian lapangan suhu dasar untuk tanaman tomat berkisar antara o C (Perry et al, 1997; Adams et al, 2001). Pada penelitian ini suhu dasar yang digunakan untuk tanaman tomat adalah 10 o C. Rincian setiap fase : S adalah waktu saat penyemaian, T adalah waktu saat penanaman KB adalah saat kuncup bunga mulai terbentuk BB adalah saat bunga mulai telah mekar dan berubah menjadi bakal buah MF adalah saat tanaman masak fisiologis yang ditandai dengan perubahan warna menjadi kuning kemerahan dan siap untuk dipanen atau dikonsumsi Teknik Budidaya Tomat di dalam Rumah Tanaman Budidaya tomat dalam rumah tanaman mengikuti tahapan sebagai berikut : 1). Persiapan benih. Benih tomat yang digunakan yaitu varietas Arthaloka dan Marglobe. 2). Persemaian. Benih disemai ke dalam bak semai. Media semai adalah tanah dicampur pasir dan pupuk kandang. Penyemaian dilakukan di dalam rumah tanaman. Pada saat tanaman dalam persemaian perlu diberikan bakterisida untuk menghindari bakteri/jamur di persemaian. 3). Penanaman. Setelah tanaman berumur 14 hari di bak semai, tanaman tomat dipindahkan ke dalam pot plastic (transplanting). Pot plastik dengan tinggi 20 cm, permukaan bawah berdiameter 20 cm dan permukaan atas berdiameter 30 cm. Media tanam terdiri dari campuran tanah, pupuk kandang dan pasir dengan perbandingan 1 : 1 : 1. Jumlah tomat yang ditanam adalah 100 tanaman yang
4 42 terdiri dari 50 tomat varietas Arthaloka dan 50 varietas Marglobe. Tanaman ditempatkan dalam 4 baris dalam pot. Jarak antar baris 50 cm dan jarak dalam baris 20 cm. 4). Pemeliharaan. Penyiraman dilakukan pada pagi dan sore hari. Pemberian pupuk majemuk NPK dilakukan sebanyak dua kali. Pertama pada saat tanam sebanyak 5 g/tanaman dan kedua pada saat tanaman berumur 2 MST sebesar 10 g/tanaman.. Pada saat tanaman berumur 3 MST dilakukan pemberian insektisida untuk melindungi tanaman dari hama dan penyakir tanaman. 5). Panen Panen dilakukan setelah tanaman mencapai masak fisiologis Penyusunan Model Artificial Neural Network (ANN) Diagram alir (flow chart) perhitungan ANN dapat dilihat pada Gambar 8. Jenis pola pelatihan yang digunakan pada penelitian ini adalah algoritma backpropagation. Gambar 9. Diagram alir (flow chart) pemodelan dengan metode ANN.
5 43 Arsitektur Jaringan Untuk Waktu Pembungaan Arsitektur jaringan yang digunakan adalah multilayer feedforward networks yang terdiri dari lapisan input, hidden dan output. Pada penelitian ini digunakan multilayer networks dengan pola perambatan maju (feedforward) sehingga disebut dengan multilayer feedforward networks. Pada pola feedforward, sinyal input dirambatkan maju menuju lapisan tersembunyi (hidden) selanjutnya menuju lapisan output. Dalam proses pelatihan, record data digunakan sebagai data pelatihan. Untuk itu perlu ditetapkan besarnya periode dengan data berfluktuasi, periode ini ditetapkan secara intuitif (Siang 2005). Data yang dipergunakan dalam penelitian ini yaitu 50 data. Empat puluh data pertama digunakan untuk seleksi model dan estimasi parameter (data pelatihan) dan sisanya (10 data) dipergunakan untuk pengujian. Banyaknya peubah dipergunakan sebagai jumlah input dalam proses pelatihan, sehingga pada lapisan input digunakan 6 neuron. Sebagai target diambil data aktual pada peubah ke-7, sehingga neuron pada lapisan output hanya satu. Setiap input akan menerima sebuah sinyal input dan meneruskan sinyal tersebut ke lapisan hidden, kemudian ke lapisan output. Karena neuron pada lapisan output yang diharapkan hanya satu, diperoleh k = ( 6)(1) Dari penghitungan tersebut, dapat ditentukan jumlah neuron pada lapisan hidden yaitu 3 neuron, sehingga arsitektur jaringan yang diperoleh adalah multilayer feedforward networks dengan 6 neuron pada lapisan input, 3 neuron pada lapisan hidden dan satu neuron pada lapisan output. Arsitektur ini ditunjukkan pada Gambar 10.
6 44 Input Layer Hidden Layer Output Layer T udara rata-rata ( o C) RH rata-rata (%) Radiasi surya (MJ/m 2 ) Tinggi Tanaman (cm) Jumlah daun (helai) Waktu Pembungaan (hari setelah tanam) Jumlah tangkai daun Gambar 10. Struktur ANN yang dikembangkan untuk waktu pembungaan Arsitektur Jaringan Untuk Masak Fisiologis Arsitektur jaringan yang digunakan adalah multilayer feedforward networks yang terdiri dari lapisan input, hidden dan output. Dalam proses pelatihan, record data digunakan sebagai data pelatihan. Untuk itu perlu ditetapkan besarnya periode dengan data berfluktuasi, periode ini ditetapkan secara intuitif (Siang 2005). Data yang dipergunakan dalam penelitian ini yaitu 100 data. Lima puluh data masak fisiologis tanaman tomat varietas Lentana hasil pengamatan Impron (2011) di rumah tanaman Purwakarta, Jawa Barat, dan lima puluh tanaman tomat varietas Arthaloka dan Marglobe. Delapan puluh data pertama digunakan untuk seleksi model dan estimasi parameter (data pelatihan) dan sisanya (20 data) dipergunakan untuk pengujian. Banyaknya peubah dipergunakan sebagai jumlah input dalam proses pelatihan, sehingga pada lapisan input digunakan 4 neuron. Sebagai target diambil data aktual pada peubah ke-5, sehingga neuron pada lapisan output hanya satu. Setiap input akan menerima sebuah sinyal input dan meneruskan sinyal tersebut ke lapisan hidden, kemudian ke lapisan output. Karena neuron pada lapisan output yang diharapkan hanya satu, berdasarkan persamaan (2.1) diperoleh
7 45 k = ( 4)(1) = 2 Dari penghitungan tersebut, dapat ditentukan jumlah neuron pada lapisan hidden yaitu 4 neuron, sehingga arsitektur jaringan yang diperoleh adalah multilayer feedforward networks dengan 4 neuron pada lapisan input, 2 neuron pada lapisan hidden dan satu neuron pada lapisan output. Arsitektur ini ditunjukkan pada Gambar 11. Input Layer Hidden Layer Output Layer T udara rata-rata ( o C) RH rata-rata (%) Radiasi surya (MJ/m 2 ) Masak Fisiologis (hari setelah pembungaan) Waktu Pembungaan (HST) Gambar 11. Struktur ANN yang dikembangkan untuk masak fisiologis Urutan algoritma pelatihan backpropagation adalah sebagai berikut : 1. Inisialisasi a. Normalisasi seluruh data input x i dan data output/target t k dalam range [0, 1]. b. Seluruh pembobot (w ij dan v jk ) awal diberi nilai random antara [-1, 1] c. Inisialisasi aktivasi thresholding unit, X 0 = 1 dan H 0 = Aktivasi unit-unit dari input layer ke hidden layer (H j ) dilakukan dengan persamaan sebagai berikut : H j = e - w ij X i. (3.1) w ij = pembobot w yang menghubungkan node unit ke-i
8 46 pada input layer dengan node ke-j pada hidden layer 3. Aktivasi unit-unit dari hidden layer ke output layer (Y k ) dilakukan dengan persamaan sebagai berikut : 1 Y k = 1+ e - Vjk H j. (3.2) v jk = pembobot v yang menghubungkan node uni ke-j pada hidden layer dengan node ke-k pada output layer 4. Perhitungan error dari unit-unit pada output layer (δ k ) dan penyesuaian dengan bobot v jk dilakukan dengan persamaan sebagai berikut : δ k = Y k (1 Y k ) (t k Y k )... (3.3) t k = target output pada node ke-k v jk = v jk old (β δ k H j ). (3.4) V jk old = pemberat v jk sebelumnya β = konstanta laju pembelajaran 5. Perhitungan error dari unit-unit pada hidden layer (τ j ) dan menyesuaikannya dengan bobot w ij. dilakukan dengan persamaan sebagai berikut : τ j = Hj (1 H j ) Σ k δ k v jk (3.5) w ij = w ij old + (β τ j X i ) (3.6) W ij old = pemberat w jk sebelumnya 6. Perhitungan error dugaan dilakukan dengan persamaan sebagai berikut : E j = Σ 0.5 (Y j t k ) 2.. (3.7) E j = nilai error total untuk node ke-j pada output layer 7. Pengulangan (iterasi) Keseluruhan proses ini dilakukan pada setiap contoh dan setiap iterasi sampai sistem mencapai keadaan optimum. Iterasi tersebut mencakup pemberian contoh pasangan input dan output, perhitungan nilai aktivasi, dan perubahan
9 47 nilai pembobot. Setiap nilai pembobot baru diperoleh, urutan pengerjaan kembali ke tahap 2. Seluruh pembobot w dan v yang terbaik pada saat iterasi merupakan angka pembobot yang akan digunakan untuk pendugaan (uji validasi) Analisis Data Analisis data dilakukan dengan menggunakan perangkat lunak (software) Matlab. Hasil data pengukuran di lapangan dipilah menjadi dua bagian; sebagian digunakan untuk data pelatihan (training) dan sebagian lainnya digunakan untuk data pengujian (testing). Hasil data testing menunjukkan performa ANN yang menjelaskan akurasi variabel input dan variabel output dari model ANN. Untuk mengevaluasi performa model ANN atau kinerja jaringan dapat dilihat dari nilai koefisien korelasi (R) dan RMSE (root mean square error). Nilai RMSE dihitung melalui persamaan di bawah ini (Fu 1994) : RMSE = ( Y T ) 2 n.. (3.8) Y : nilai hasil prediksi T : nilai hasil pengukuran n : jumlah data Proses validasi merupakan pengujian kinerja ANN terhadap contoh data yang belum pernah diberikan dalam training. Validasi dilakukan setelah mendapatkan nilai RMSE yang cukup kecil. Validasi ANN dilakukan dengan menghitung Standard Error of Prediction (SEP) dan Coefficient of Variation (CV).. (3.9) CV = x 100 %.... (3.10) Y a adalah nilai aktual dari pengukuran Y p adalah nilai prediksi oleh ANN n adalah jumlah data, dan Ya adalah nilai rata-rata aktual pengukuran.
J. Agroland 18 (2) : , Agustus 2011 ISSN : X
J. Agroland 18 (2) : 97 103, Agustus 2011 ISSN : 0854 641X ANALISIS IKLIM MIKRO DI DALAM RUMAH TANAMAN UNTUK MEMPREDIKSI WAKTU PEMBUNGAAN DAN MATANG FISIOLOGIS TANAMAN TOMAT DENGAN MENGGUNAKAN METODE ARTIFICIAL
Lebih terperinciV. HASIL DAN PEMBAHASAN
49 V. HASIL DAN PEMBAHASAN 4.1. Kondisi Iklim Mikro di Dalam Rumah Tanaman Kondisi suhu udara di dalam rumah tanaman selama penelitian berlangsung disajikan pada Gambar 12. 40 36 Suhu ( o C) 32 28 24 20
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 terperinciPENDEKATAN SATUAN PANAS (HEAT UNIT) UNTUK PENENTUAN FASE PERTUMBUHAN DAN PERKEMBANGAN TANAMAN TOMAT DI DALAM RUMAH TANAMAN (GREENHOUSE)
J. Agroland 19 (2) : 96-101, Agustus 2012 ISSN : 0854-641X PENDEKATAN SATUAN PANAS (HEAT UNIT) UNTUK PENENTUAN FASE PERTUMBUHAN DAN PERKEMBANGAN TANAMAN TOMAT DI DALAM RUMAH TANAMAN (GREENHOUSE) Heat Unit
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Waktu dan Lokasi Penelitian Penelitian ini dilakukan pada bulan Mei 2011 hingga Agustus 2011 yang berlokasi di kolam petani Desa Laladon, Kecamatan Ciomas, Kabupaten Bogor,
Lebih terperinciII. TINJAUAN PUSTAKA. 2.1 Pembenihan Ikan. 2.2 Pengaruh Suhu Terhadap Ikan
II. TINJAUAN PUSTAKA 2.1 Pembenihan Ikan Pemeliharaan larva atau benih merupakan kegiatan yang paling menentukan keberhasilan suatu pembenihan ikan. Hal ini disebabkan sifat larva yang merupakan stadia
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 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 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 terperinciBAHAN DAN METODE. Tempat dan Waktu Penelitian. Bahan dan Alat
BAHAN DAN METODE Tempat dan Waktu Penelitian Penelitian dilaksanakan di kebun percobaan Cikabayan-University Farm IPB, Darmaga Bogor. Areal penelitian bertopografi datar dengan elevasi 250 m dpl dan curah
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN 4.1 Kondisi Lingkungan Mengetahui kondisi lingkungan tempat percobaan sangat penting diketahui karena diharapkan faktor-faktor luar yang berpengaruh terhadap percobaan dapat diketahui.
Lebih terperinciHASIL DAN PEMBAHASAN. Kondisi Lingkungan Mikro Lokasi Penelitian
HASIL DAN PEMBAHASAN Kondisi Lingkungan Mikro Lokasi Penelitian Berdasarkan pengambilan data selama penelitian yang berlangsung mulai pukul 06.00 sampai pukul 16.00 WIB, data yang diperoleh menunjukkan
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih 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 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 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 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 terperinciGambar 17. Tampilan Web Field Server
IV. HASIL DAN PEMBAHASAN A. KALIBRASI SENSOR Dengan mengakses Field server (FS) menggunakan internet explorer dari komputer, maka nilai-nilai dari parameter lingkungan mikro yang diukur dapat terlihat.
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 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 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 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 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 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 SUDUT DATANG RADIASI MATAHARI PADA ATAP GELOMBANG DAN PENDUGAAN TEMPERATUR UDARA DALAM GREENHOUSE
ANALISIS SUDUT DATANG RADIASI MATAHARI PADA ATAP GELOMBANG DAN PENDUGAAN TEMPERATUR UDARA DALAM GREENHOUSE MENGGUNAKAN PRINSIP PINDAH PANAS DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh : MURNIWATY F 14103131
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih 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 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
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 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 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 terperinciBAHAN DAN METODE. Tempat dan Waktu
7 BAHAN DAN METODE Tempat dan Waktu Penanaman di lapangan dilaksanakan di Kebun Percobaan IPB Cikabayan Darmaga Bogor. Kebun percobaan memiliki topografi datar dengan curah hujan rata-rata sama dengan
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 terperinciPertumbuhan tanaman dan produksi yang tinggi dapat dicapai dengan. Pemupukan dilakukan untuk menyuplai unsur hara yang dibutuhkan oleh
45 4.2 Pembahasan Pertumbuhan tanaman dan produksi yang tinggi dapat dicapai dengan memperhatikan syarat tumbuh tanaman dan melakukan pemupukan dengan baik. Pemupukan dilakukan untuk menyuplai unsur hara
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih 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 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 terperinciIII. BAHAN DAN METODE. Penelitian ini telah dilaksanakan di lahan Kebun Percobaan BPTP Natar,
17 III. BAHAN DAN METODE 3.1 Tempat dan Waktu Penelitian Penelitian ini telah dilaksanakan di lahan Kebun Percobaan BPTP Natar, Lampung Selatan mulai Maret 2013 sampai dengan Maret 2014. 3.2 Bahan dan
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 terperinciMATERI DAN METODE. A 2 : 120 g/tanaman. A 3 : 180 g/tanaman
III. MATERI DAN METODE 1.1. Tempat dan Waktu Penelitian ini dilaksanakan di Lahan Percobaan Fakultas Pertanian dan Peternakan Universitas Islam Negeri Sultan Syarif Kasim Riau yang beralamat di Jl. HR.
Lebih terperinciPrediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan
Prediksi Jumlah Penjualan Air Mineral Pada Perusahaan XYZ Dengan Jaringan Saraf Tiruan Kusuma Dewangga, S.Kom. Jurusan Ilmu Komputer Universitas Gadjah Mada Jl. Bulaksumur, Yogyakarta kusumadewangga@gmail.com
Lebih terperinciBAHAN DAN METODE. Tempat dan Waktu
BAHAN DAN METODE Tempat dan Waktu Penelitian ini dilaksanakan di Parung Farm yang terletak di Jalan Raya Parung Nomor 546, Parung, Bogor, selama satu bulan mulai bulan April sampai dengan Mei 2011. Bahan
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
Lebih terperinciTATA CARA PENELITIAN. A. Tempat dan Waktu Penelitian. Muhammadiyah Yogyakarta di Desa Tamantirto, Kecamatan Kasihan, Kabupaten
III. TATA CARA PENELITIAN A. Tempat dan Waktu Penelitian Penelitian ini dilakukan di Green House Fak. Pertanian Universitas Muhammadiyah Yogyakarta di Desa Tamantirto, Kecamatan Kasihan, Kabupaten Bantul,
Lebih terperinciANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION
ANALISA NILAI UJIAN MASUK STT WASTUKANCANA BERDASARKAN NILAI UJIAN NASIONAL MENGGUNAKAN METODE BACKPROPAGATION Program Studi Teknik Informatika STT Wastukancana Jl. Raya Cikopak No.53, Sadang, Purwakarta
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 terperinciBAHAN DAN METODE. Waktu dan Tempat. Bahan dan Alat
BAHAN DAN METODE Waktu dan Tempat Penelitian ini dilaksanakan di UPTD Pengembangan Teknologi Lahan Kering Desa Singabraja, Kecamatan Tenjo, Kabupaten Bogor, Jawa Barat. Waktu pelaksanaan penelitian mulai
Lebih terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
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 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 terperinciII TINJAUAN PUSTAKA 2.1 Gambaran Komoditas Caisin ( Brassica rapa cv. caisin)
II TINJAUAN PUSTAKA 2.1 Gambaran Komoditas Caisin (Brassica rapa cv. caisin) Caisin (Brassica rapa cv. caisin) merupakan tanaman yang termasuk ke dalam suku kubis-kubisan atau sawi-sawian (Brassicaceae/Cruciferae).
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
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 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 terperinciMETODOLOGI PENELITIAN. Penelitian ini dilaksanakan pada bulan Juli sampai dengan September 2015 di
1 III. METODOLOGI PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilaksanakan pada bulan Juli sampai dengan September 2015 di Greenhouse dan Ruang Laboratorium Rekayasa Sumber Daya Air dan Lahan
Lebih terperinciIII. MATERI DAN METODE
III. MATERI DAN METODE 3.1. Tempat dan Waktu Penelitian ini dilaksanakan di Lahan Percobaan Fakultas Pertanian dan Peternakan Universitas Islam Negeri Sultan Syarif Kasim Riau. Penelitian dilakukan pada
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 terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih 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 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 terperinciBAHAN DAN METODE Waktu dan Tempat Penelitian Bahan dan Alat Metode Penelitian
BAHAN DAN METODE Waktu dan Tempat Penelitian Penelitian ini dilaksanakan di dua tempat, yaitu pembibitan di Kebun Percobaan Leuwikopo Institut Pertanian Bogor, Darmaga, Bogor, dan penanaman dilakukan di
Lebih terperinciKARAKTERISTIK TEMPERATUR DAN ALIRAN LARUTAN NUTRISI TANAMAN TOMAT (Lycopersicum esculentum Mill) PADA SISTEM HIDROPONIK NUTRIENT FILM TECHNIQUE (NFT)
KARAKTERISTIK TEMPERATUR DAN ALIRAN LARUTAN NUTRISI TANAMAN TOMAT (Lycopersicum esculentum Mill) PADA SISTEM HIDROPONIK NUTRIENT FILM TECHNIQUE (NFT) OLEH : DEWI NURNA WAHYUNININGSIH F14103055 2007 DEPARTEMEN
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciIV. HASIL DAN PEMBAHASAN
9 IV. HASIL DAN PEMBAHASAN 4. Karakteristik Lokasi Penelitian Luas areal tanam padi adalah seluas 6 m 2 yang terletak di Desa Langgeng. Secara administrasi pemerintahan Desa Langgeng Sari termasuk dalam
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 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 terperinciIII. BAHAN DAN METODE. Penelitian ini dilakukan di Kel. Gunung sulah, Kec.Way Halim, Kota Bandar
21 III. BAHAN DAN METODE 3.1 Tempat dan Waktu Penelitian Penelitian ini dilakukan di Kel. Gunung sulah, Kec.Way Halim, Kota Bandar Lampung dengan kondisi iklim tropis, memiliki curah hujan 2000 mm/th dan
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciBAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH
BAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu data saham Astra Internasional Tbk tanggal 2 Januari
Lebih terperinciI. PENDAHULUAN 1.1. Latar Belakang
I. PENDAHULUAN 1.1. Latar Belakang Cuaca dan iklim merupakan peubah utama yang mempengaruhi pertumbuhan dan perkembangan tanaman. Alasan utama yang melandasi pentingnya mempelajari pengaruh cuaca pada
Lebih terperinciIII. BAHAN DAN METODE
III. BAHAN DAN METODE 3. 1. Tempat dan Waktu Penelitian Penelitian ini dilaksanakan mulai bulan Oktober 2009 sampai dengan Juli 2010. Penelitian terdiri dari percobaan lapangan dan analisis tanah dan tanaman
Lebih terperinciBAHAN DAN METODE Tempat dan Waktu Bahan dan Alat
16 BAHAN DAN METODE Tempat dan Waktu Penelitian dilaksanakan di Kebun Percobaan IPB Cikarawang, Dramaga, Bogor mulai bulan Desember 2009 sampai Agustus 2010. Areal penelitian memiliki topografi datar dengan
Lebih terperinciBAHAN DAN METODE Tempat dan Waktu Bahan dan Alat Metode Penelitian
15 BAHAN DAN METODE Tempat dan Waktu Percobaan dilaksanakan di Kebun Percobaan Margahayu Lembang Balai Penelitian Tanaman Sayuran 1250 m dpl mulai Juni 2011 sampai dengan Agustus 2012. Lembang terletak
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 terperinciOPTIMASI PROSES PENGGILINGAN GABAH DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA 1
OPTIMASI PROSES PENGGILINGAN GABAH DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIKA 1 Suroso 2 dan Gunawan Kiswoyo 3 ABSTRAK Keberhasilan proses penggilingan gabah dapat dilihat nilai efisiensi
Lebih terperinciTATA CARA PENELITIAN. A. Tempat dan Waktu Penelitian. Penelitian ini dilaksanakan di lahan Percobaan dan Laboratorium
I I I. TATA CARA PENELITIAN A. Tempat dan Waktu Penelitian Penelitian ini dilaksanakan di lahan Percobaan dan Laboratorium penelitian Fakultas Pertanian Universitas Muhammadiyah Yogyakarta dan Laboratorium
Lebih terperinciIII. BAHAN DAN METODE. Penelitian ini dilaksanakan di Kebun Percobaan Fakultas Pertanian Universitas
17 III. BAHAN DAN METODE 3.1 Tempat dan Waktu Penelitian Penelitian ini dilaksanakan di Kebun Percobaan Fakultas Pertanian Universitas Lampung, Gedung Meneng, Kecamatan Rajabasa, Kota Bandar Lampung mulai
Lebih terperinciI. BAHAN DAN METODE. Penelitian ini dilaksanakan di Politeknik Negeri Lampung, Bandar Lampung.
I. BAHAN DAN METODE 3.1 Tempat dan Waktu Penelitian Penelitian ini dilaksanakan di Politeknik Negeri Lampung, Bandar Lampung. Waktu penelitian dilaksanakan sejak bulan Mei 2010 sampai dengan panen sekitar
Lebih terperinciBAHAN DAN METODE Tempat dan Waktu Bahan dan Alat
8 BAHAN DAN METODE Tempat dan Waktu Penelitian dilaksanakan di lahan petani di Dusun Pabuaran, Kelurahan Cilendek Timur, Kecamatan Cimanggu, Kotamadya Bogor. Adapun penimbangan bobot tongkol dan biji dilakukan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Metode Penelitian Penelitian mengenai peningkatan kecepatan prediksi produksi susu sapi ini menggunakan metode eksperimen dengan metode sebagai berikut: a. Pengumpulan data
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 terperinciIII. BAHAN DAN METODE. Penelitian dilaksanakan di kebun percobaan laboratoriun lapangan terpadu
13 III. BAHAN DAN METODE 3.1 Tempat dan Waktu Penelitian Penelitian dilaksanakan di kebun percobaan laboratoriun lapangan terpadu Fakultas Pertanian Universitas Lampung, yaitu penyemaian benih dan penanaman
Lebih terperinciBAHAN DAN METODE Tempat dan Waktu Bahan dan Alat Metode Penelitian
10 BAHAN DAN METODE Tempat dan Waktu Penanaman caisim dilaksanakan di lahan kebun percobaan IPB Pasir Sarongge, Cipanas dengan ketinggian tempat 1 124 m dpl, jenis tanah Andosol. Penelitian telah dilaksanakan
Lebih terperinciStudi Modifikasi standard Backpropagasi
Studi Modifikasi standard Backpropagasi 1. Modifikasi fungsi objektif dan turunan 2. Modifikasi optimasi algoritma Step Studi : 1. Studi literatur 2. Studi standard backpropagasi a. Uji coba standar backpropagasi
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 terperinciEVALUASI MODEL JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK PREDIKSI IKLIM EKSTRIM DENGAN KORELASI CURAH HUJAN DAN TINGGI MUKA LAUT DI SEMARANG
Youngster Physics Journal ISSN : 2302-7371 Vol. 4, No. 1, Januari 2015, Hal 67-72 EVALUASI MODEL JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK PREDIKSI IKLIM EKSTRIM DENGAN KORELASI CURAH HUJAN DAN
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kabupaten Purworejo adalah daerah agraris karena sebagian besar penggunaan lahannya adalah pertanian. Dalam struktur perekonomian daerah, potensi daya dukung
Lebih terperinciBAHAN DAN METODE Waktu dan Tempat Alat dan Bahan Metode Penelitian
10 BAHAN DAN METODE Waktu dan Tempat Percobaan ini dilaksanakan di Kebun Percobaan IPB Cikarawang, Dramaga, Bogor. Sejarah lahan sebelumnya digunakan untuk budidaya padi konvensional, dilanjutkan dua musim
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciPERBENIHAN BAWANG MERAH PUSAT PENELITIAN DAN PENGEMBANGAN HORTIKULTURA
PERBENIHAN BAWANG MERAH PUSAT PENELITIAN DAN PENGEMBANGAN HORTIKULTURA Dalam rangka meningkatkan kualitas dan kuantitas produksi bawang merah, peran benih sebagai input produksi merupakan tumpuan utama
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 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 terperinciPREDIKSI NILAI UAS SISWA SMK MENGGUNAKAN ALGORITMA LEVENBERG-MARQUARDT (Studi Kasus : SMK Negeri 4 Tanjungpinang)
PREDIKSI NILAI UAS SISWA SMK MENGGUNAKAN ALGORITMA LEVENBERG-MARQUARDT (Studi Kasus : SMK Negeri 4 Tanjungpinang) Dwi Kuntoro Dhani Susanto Mahasiswa Teknik Informatika, FT UMRAH (dwikuntoro_dhanisusanto@yahoo.com)
Lebih terperinci