BAB V KESIMPULAN DAN SARAN
|
|
|
- Sonny Wibowo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB V KESIMPULAN DAN SARAN V.1 Kesimpulan Setelah dilakukan perancangan sistem evaluasi mutu berbasis komputer (logika fuzzy, pengolahan citra dan JST), maka dapat disimpulkan bahwa : 1. Program logika fuzzy yang dirancang bangun mampu mengenali buah melon sebanyak 66 buah dari 80 buah melon yang diujikan. Akurasi tertinggi yang diperoleh adalah 82.5% dengan menggunakan selang brix 6, 6.6, 8.4, 10.5, 11.8 dan selang ph 5.8, 6.5, 7.8, 7.9, 9. Perolehan hasil pengenalan rasa normalisasi adalah 33 rasa manis, 36 rasa sedang dan 11 rasa tawar. Data rasa ini merupakan input bagi JST. 2. Pengolahan citra yang dirancang untuk menduga mutu buah dapat mengenali nilai parameter berupa jarak jari-jari dari titik tengah melon ke jaring terdekat (r 1, r 2, r 3,, r 36 ), rata rata jari jari, roundness, luas (A), nilai rata-rata intensitas warna merah (R), Hijau (H), Biru (B), colour value (CV), nilai indeks warna merah (indeks R), indeks hijau (indeks H), indeks biru (indeks B), nilai hue (H), saturation (S), dan intensity (I). Data karakteristik buah melon ini akan menjadi input untuk JST. 3. Percobaan untuk menentukan nilai parameter optimal untuk arsitektur JST sehingga akurasi dan waktu yang didapat adalah baik dan lebih cepat yaitu dengan menggunakan jumlah node lapisan tersembunyi sebanyak 30 dan laju pembelajaran 0.8. Rata rata akurasi yang didapatkan setelah pengulangan 3 kali adalah sebesar 80%, rata rata waktu pelatihan adalah detik dan rata rata waktu validasi adalah detik dan waktu pendugaan 8.79 detik. 4. Model JST untuk pendugaan buah melon berdasarkan rasa dikembangkan dengan empat puluh sembilan lapisan masukan, tiga puluh lapisan tersembunyi, dan tiga lapisan keluaran dengan laju pembelajaran 0.8 telah mampu menghasilkan akurasi total 90% pada proses validasi yang terdiri dari akurasi pendugaan rasa manis sebesar 100%, rasa sedang sebesar 75% dan rasa tawar sebesar 100%.
2 V.2. SARAN Beberapa saran setelah dilakukannya pen elitian perancangan sistem evaluasi mutu ini adalah : 1. Perlu adanya pengurangan beberapa parameter yang tidak terlalu berpengaruh dalam pendugaan mutu buah melon, seperti nilai indeks warna merah (indeks R), indeks warna hijau (indeks G ), indeks warna biru (indeks B) karena nilai rata-ratanya saling mendekati. 2. Pada proses normalisasi dan training dibutuhkan jumlah sampel yang lebih banyak lagi sehingga keragaman karakteristik buah melon semakin banyak dan sistem dapat mengenali lebih baik lagi. 3. Perlu adanya penelitian lanjutan mengenai parameter yang diperlukan agar lebih mendekati sempurna dalam proses pendugaan tingkat kemanisan buah melon.
3 DAFTAR PUSTAKA Ahmad U Pengolahan Citra Digital. Yogyakarta: Graha Ilmu. Arymurthy AM dan Suryana S Pengantar Pengolahan Citra. Jakarta: PT Elex Media Komputindo. Fausett L Fundamentals of Neural Network. New Jersey: Prentice-Hall. Fu L Neural Networks in Computer Intelligence. Singapore: McGraw-Hill Inc. Jang JSR, Sun CT and Mizutani E Neuro-Fuzzy And Soft Computing (A Computational Approach to Learning and Machine Intelligence). New Jersey: Prentice-Hall. Tsai JT, Chou JH, and Liu TK Tuning the Structure and Parameters of a Neural Network by Using Hybrid. IEEE Trans Neural Netw 17: Kristanto A Jaringan Syaraf Tiruan. Yogyakarta: Gava Media. Kristanto A Jaringan Syaraf Tiruan (Konsep dasar, algoritma dan Aplikasi). Yogyakarta: Gava Media. Kusumadewi S Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu. Mandala J Pemanfaatan Transformasi Wavelet Citra Wajah Sebagai Sistem Keamanan Kunci kombinasi. Tesis. Program Pascasarjana, Institut Teknologi Bandung. Marimin Teori dan Aplikasi Sistem Pakar dalam Teknologi Manajerial. Bogor: IPB Press. Pal SK Fuzzy: Pendekatan Matematik Untuk Pengenalan Pola. Sardy S, penerjemah. Jakarta: Penerbit Universitas Indonesia.. Prajnanta F Pemeliharaan Secara Intensif Dan Kiat Sukses Beragribisnis Melon. Jakarta: Penebar Swadaya. Ramadhan A Microsoft Visual basic 6.0. Jakarta: PT Elex Media Komputindo. Rao VB C++ Neural Network and Fuzzy Logic. M&T Books, IDG Books Worldwide, inc. Rich E and Knight K Artificial Inteligent. 2 nd Ed. New Delhi: Mc Graw- Hill Inc.
4 Rukmana R Melon Hibrida. Yogyakarta: Kanisius. Setiadi dan Parimin Bertanam Melon (Edisi Revisi). Jakarta: Penebar Swadaya. Sibigtroth JM Implementing fuzzy expert rules in hardware. The magazine of artificial intelegence in practice Vol. 7(14): Viot G Fuzzy logic: concepts to construct. The magazine of artificial intelligence in practice Vol. 7(4): Zimmermann HJ Fuzzy Set Theory and Its Applications 3 th Ed. London: Kluwer Academic Publisher.
5 Tabel Lampiran Sampel yang Digunakan Untuk Sebelum Normalisasi No. Sampel brix ph Organoleptik 1 S24 C14 U40 11,733 7,567 Manis 2 S21 C14 U40 11,667 7,167 Manis 3 S6 C12 U35 11,567 7,233 Manis 4 S29 C14 U40 11,300 7,233 Manis 5 S28 C14 U40 11,167 6,967 Manis 6 S9 C12 U40 10,633 7,600 Manis 7 S30 C14 U40 10,600 7,400 Manis 8 S25 C14 U40 10,600 7,567 Manis 9 S5 C12 U35 10,300 7,633 Manis 10 S14 C13 U30 10,200 7,033 Manis 11 S9 C12 U35 10,167 7,367 Manis 12 S26 C14 U40 10,033 7,467 Manis 13 S22 C14 U40 10,000 7,400 Manis 14 S17 C13 U35 9,900 7,033 Manis 15 S16 C13 U40 9,867 7,500 Manis 16 S27 C14 U40 9,867 7,567 Manis 17 S5 C12 U40 9,700 7,267 Manis 18 S25 C14 U35 9,667 7,000 Manis 19 S8 C12 U35 9,600 7,567 Manis 20 S22 C14 U35 9,533 6,900 Manis 21 S30 C14 U35 9,533 7,167 Manis 22 S23 C14 U35 9,500 7,367 Manis 23 S5 C12 U30 9,500 7,533 Manis 24 S18 C13 U35 9,400 7,167 Manis 25 S8 C12 U30 9,400 7,200 Manis 26 S3 C12 U35 9,400 7,433 Manis 27 S7 C12 U40 9,333 7,267 Manis 28 S27 C14 U35 9,267 7,233 Manis 29 S8 C12 U40 9,200 7,467 Manis 30 S12 C13 U40 9,200 7,767 Manis 31 S23 C14 U40 9,167 7,733 Manis 32 S1 C12 U35 9,100 7,633 Manis 33 S18 C13 U40 9,000 7,433 Manis 34 S20 C13 U35 8,700 6,967 Manis 35 S29 C14 U30 8,633 6,800 Manis 36 S16 C13 U30 8,533 7,067 Manis 37 S4 C12 U35 8,533 7,367 Manis 38 S4 C12 U30 8,433 7,200 Manis 39 S2 C12 U35 8,333 7,267 Manis 40 S21 C14 U35 9,833 7,167 Sedang
6 Tabel Lampiran 1. (Lanjutan) No. Sampel brix ph Organoleptik 41 S9 C12 U30 9,667 7,100 Sedang 42 S19 C13 U35 9,633 7,000 Sedang 43 S12 C13 U35 9,633 7,500 Sedang 44 S28 C14 U35 9,467 7,133 Sedang 45 S26 C14 U35 9,367 7,100 Sedang 46 S13 C13 U40 9,200 7,533 Sedang 47 S19 C13 U40 9,067 7,600 Sedang 48 S10 C12 U35 9,033 7,267 Sedang 49 S29 C14 U35 9,000 7,100 Sedang 50 S13 C13 U35 8,967 7,400 Sedang 51 S10 C12 U40 8,967 7,600 Sedang 52 S2 C12 U40 8,833 7,433 Sedang 53 S1 C12 U30 8,800 7,100 Sedang 54 S20 C13 U30 8,800 7,267 Sedang 55 S15 C13 U35 8,733 6,967 Sedang 56 S13 C13 U30 8,700 6,733 Sedang 57 S19 C13 U30 8,700 6,900 Sedang 58 S3 C12 U40 8,633 7,400 Sedang 59 S12 C13 U30 8,567 7,167 Sedang 60 S11 C13 U40 8,533 7,833 Sedang 61 S14 C13 U35 8,500 7,500 Sedang 62 S21 C14 U30 8,467 6,633 Sedang 63 S17 C13 U30 8,467 6,833 Sedang 64 S14 C13 U40 8,367 7,500 Sedang 65 S17 C13 U40 8,233 7,700 Sedang 66 S1 C12 U40 8,167 7,600 Sedang 67 S11 C13 U35 8,133 7,400 Sedang 68 S6 C12 U40 8,033 7,533 Sedang 69 S11 C12 U30 7,900 7,033 Sedang 70 S30 C14 U30 7,867 6,700 Sedang 71 S24 C14 U35 7,567 6,933 Sedang 72 S3 C12 U30 7,567 7,233 Sedang 73 S26 C14 U30 7,433 6,633 Sedang 74 S22 C14 U30 7,400 6,900 Sedang 75 S10 C12 U30 7,233 7,133 Sedang 76 S15 C13 U30 7,200 7,167 Sedang 77 S23 C14 U30 7,000 6,833 Sedang 78 S20 C13 U40 7,300 7,400 Tawar 79 S24 C14 U30 7,167 6,767 Tawar 80 S6 C12 U30 6,867 6,133 Tawar
7 Tabel Lampiran Sampel yang Digunakan untuk JST Sesudah Normalisasi dengan No. Sampel brix ph Normalisasi Fuzzy 41 S9 C12 U30 9,667 7,100 Sedang No. 42 S19 Sampel C13 U35 brix 9,633 7,000 ph Normalisasi Sedang 1 S24 C14 U40 11,733 7,567 Manis 2 S21 C14 U40 11,667 7,167 Manis 3 S6 C12 U35 11,567 7,233 Manis 4 S29 C14 U40 11,300 7,233 Manis 5 S28 C14 U40 11,167 6,967 Manis 6 S9 C12 U40 10,633 7,600 Manis 7 S30 C14 U40 10,600 7,400 Manis 8 S25 C14 U40 10,600 7,567 Manis 9 S5 C12 U35 10,300 7,633 Manis 10 S14 C13 U30 10,200 7,033 Manis 11 S9 C12 U35 10,167 7,367 Manis 12 S26 C14 U40 10,033 7,467 Manis 13 S22 C14 U40 10,000 7,400 Manis 14 S17 C13 U35 9,900 7,033 Manis 15 S16 C13 U40 9,867 7,500 Manis 16 S27 C14 U40 9,867 7,567 Manis 17 S5 C12 U40 9,700 7,267 Manis 18 S25 C14 U35 9,667 7,000 Manis 19 S8 C12 U35 9,600 7,567 Manis 20 S22 C14 U35 9,533 6,900 Manis 21 S30 C14 U35 9,533 7,167 Manis 22 S23 C14 U35 9,500 7,367 Manis 23 S5 C12 U30 9,500 7,533 Manis 24 S18 C13 U35 9,400 7,167 Manis 25 S8 C12 U30 9,400 7,200 Manis 26 S3 C12 U35 9,400 7,433 Manis 27 S7 C12 U40 9,333 7,267 Manis 28 S27 C14 U35 9,267 7,233 Manis 29 S8 C12 U40 9,200 7,467 Manis 30 S12 C13 U40 9,200 7,767 Manis 31 S23 C14 U40 9,167 7,733 Manis 32 S1 C12 U35 9,100 7,633 Manis 33 S18 C13 U40 9,000 7,433 Manis 34 S20 C13 U35 8,700 6,967 Sedang 35 S29 C14 U30 8,633 6,800 Sedang 36 S16 C13 U30 8,533 7,067 Sedang 37 S4 C12 U35 8,533 7,367 Sedang 38 S4 C12 U30 8,433 7,200 Sedang 39 S2 C12 U35 8,333 7,267 Sedang 40 S21 C14 U35 9,833 7,167 Sedang Tabel Lampiran 2. (Lanjutan) 43 S12 C13 U35 9,633 7,500 Sedang 44 S28 C14 U35 9,467 7,133 Sedang 45 S26 C14 U35 9,367 7,100 Sedang
8 46 S13 C13 U40 9,200 7,533 Sedang 47 S19 C13 U40 9,067 7,600 Sedang 48 S10 C12 U35 9,033 7,267 Sedang 49 S29 C14 U35 9,000 7,100 Sedang 50 S13 C13 U35 8,967 7,400 Sedang 51 S10 C12 U40 8,967 7,600 Sedang 52 S2 C12 U40 8,833 7,433 Sedang 53 S1 C12 U30 8,800 7,100 Sedang 54 S20 C13 U30 8,800 7,267 Sedang 55 S15 C13 U35 8,733 6,967 Sedang 56 S13 C13 U30 8,700 6,733 Sedang 57 S19 C13 U30 8,700 6,900 Sedang 58 S3 C12 U40 8,633 7,400 Sedang 59 S12 C13 U30 8,567 7,167 Sedang 60 S11 C13 U40 8,533 7,833 Sedang 61 S14 C13 U35 8,500 7,500 Sedang 62 S21 C14 U30 8,467 6,633 Sedang 63 S17 C13 U30 8,467 6,833 Sedang 64 S14 C13 U40 8,367 7,500 Sedang 65 S17 C13 U40 8,233 7,700 Sedang 66 S1 C12 U40 8,167 7,600 Sedang 67 S11 C13 U35 8,133 7,400 Sedang 68 S6 C12 U40 8,033 7,533 Sedang 69 S11 C12 U30 7,900 7,033 Tawar 70 S30 C14 U30 7,867 6,700 Tawar 71 S24 C14 U35 7,567 6,933 Tawar 72 S3 C12 U30 7,567 7,233 Tawar 73 S26 C14 U30 7,433 6,633 Tawar 74 S22 C14 U30 7,400 6,900 Tawar 75 S10 C12 U30 7,233 7,133 Tawar 76 S15 C13 U30 7,200 7,167 Tawar 77 S23 C14 U30 7,000 6,833 Tawar 78 S20 C13 U40 7,300 7,400 Tawar 79 S24 C14 U30 7,167 6,767 Tawar 80 S6 C12 U30 6,867 6,133 Tawar Gambar Lampiran 1. Form Tampilan input_fuzzy
9 Nilai ph Gambar Lampiran 2. Form Tampilan hasil (run) form input_fuzzy
10 Nilai ph Gambar Lampiran 3. Sampel Buah Melon Kombinasi Umur Buah dan Cabang
11 c. Cabang 13 Umur Buah 30 Hari d. Cabang 14 Umur Buah 35 Hari e. Cabang 14 Umur Buah 30 Hari f. Cabang 14 Umur Buah 35 Hari Gambar Lampiran 3. (Lanjutan) g. Cabang 14 Umur Buah 35 Hari
12 h. Cabang 14 Umur Buah 35 Hari i. Cabang 14 Umur Buah 35 Hari Gambar Lampiran 4. Sampel Buah Melon Berdasarkan Tingkatan Rasa a. Melon Rasa Tawar
13 Gambar Lampiran 5. Tampilan Program Training Pengolahan Citra Buah Melon
14 a. Form Training Input_Image b. Form Training Input_Target 1 Gambar Lampiran 5. (Lanjutan)
15 c. Form Training Input_Target 2 d. Proses Menganalisa Komponen Warna Buah Gambar Lampiran 5. (Lanjutan)
16 e. Mengukur Keliling Objek f. Menentukan Titik Pusat X dan Y Gambar Lampiran 5. (Lanjutan)
17 g. Hasil Pengolahan Citra h. Form Tambah Sampel Gambar Lampiran 6. Tampilan Program Validasi Pengolahan Citra Buah Melon
18 a. Form Validasi Input_Image b. Form Validasi Input_Target 1 Gambar Lampiran 6. (lanjutan)
19 c. Form Validasi Input_Target 2 d. Proses Menganalisa Komponen Warna Buah Gambar Lampiran 6. (Lanjutan)
20 e. Mengukur Keliling Objek f. Menentukan Titik Pusat X dan Y Gambar Lampiran 6. (Lanjutan)
21 g. Form Hasil Pengolahan Citra h. Form Tambah Sampel Gambar Lampiran 7. Tampilan Program JST
22 a. Form Input Data Sampel Training b. Form Input Jumlah Epoh Gambar Lampiran 7. (Lanjutan)
23 c. Form Input Learning Rate d. Contoh Form Hasil Proses Training Gambar Lampiran 7. (Lanjutan)
24 e. Form Contoh Hasil Validasi Tabel Lampiran 3. Percobaan 1 Menentukan Node Hidden dengan Learning Rate 0,5 Jumlah node hidden Ulangan ke - Epoh ANN Training dan Validasi Waktu Waktu Training Validasi (detik) (detik) Akurasi Validasi (%) Gambar Lampiran 8. Tampilan Hasil Hidden Nilai Akurasi Tertinggi dengan Learning Rate 0,5
25 a. Training Hidden 10, LR 0,5 b. Validasi Hidden 10, LR 0,5 Gambar Lampiran 8. (Lanjutan)
26 c. Training Hidden 20, LR 0,5 d. Validasi Hidden 20, LR 0,5 Gambar Lampiran 8. (Lanjutan)
27 e. Training Hidden 30, LR 0,5 f. Validasi Hidden 30, LR 0,5 Jumlah node hidden Tabel Lampiran 4. Percobaan 2 Menentukan Learning Rate yang Optimal dengan Hidden 30 (Hasil Percobaan 1) Laju Pembelajaran Ulangan ke - Epoh Waktu Training (detik) Waktu Validasi (detik) ANN Training dan Validasi Waktu Pendugaan (detik) Rata rata Waktu Training Rata rata Waktu Validasi Rata rata Waktu Pendugaan Akurasi Validasi (%)
28 (detik) (detik) (detik) Jumlah node hidden Laju Pembelajaran Tabel Lampiran 5. Hasil Hidden dan Learning Rate Optimal Ulangan ke - Waktu Training (detik) Waktu Validasi (detik) Waktu Pendugaan (detik) Rata rata Waktu Training (detik) Rata rata Waktu Validasi (detik) Rata rata Waktu Pendugaan (detik) Akur asi Validasi (%) 30 0, Rata rata Akurasi Validasi (%) 80 Tabel Lampiran 6. Hasil Hidden Optimal Percobaan 2 Menentukan yang Optimal dengan Hidden 30 Learning Rate a. LR 0,3 Ulangan ke 1 Tabel Lampiran 6. (Lanjutan)
29 b. LR 0,3 Ulangan ke 2 c. LR 0,3 Ulangan ke 3 d. LR 0,5 Ulangan ke 1 Tabel Lampiran 6. (Lanjutan)
30 e. LR 0,5 Ulangan ke 2 f. LR 0,5 Ulangan ke 3 g. LR 0,8 Ulangan ke 1 Tabel Lampiran 6. (Lanjutan)
31 h. LR 0,8 Ulangan ke 2 i. LR 0,8 Ulangan ke 3 Gambar Lampiran 9. Foto Alat dan Bahan untuk Pengambilan Data Tatakan Objek Illuminancemeter Gambar Lampiran 9. (Lanjutan)
32 Brix-Refractometer ph meter Gambar Lampiran 10. Posisi Objek Pengambilan Citra a. Objek Diletakkan Tegak Posisi Tangkai Diatas Gambar Lampiran 10. (Lanjutan)
33 b. Jarak Objek Terhadap Lensa Kamera Digital Gambar Lampiran 11. Sampel Penelitian dan Tempat Pengambilan Sampel a. Melon Glamour Sebelum Dipetik b. Melon Glamour Sesaat Setelah Dipetik
34 Gambar Lampiran 11. (Lanjutan) c. Lokasi Pengambilan Sampel d. Melon Glamour Di tanam Didalam Green House
BAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Mulai Studi Pustaka / Riset Jurnal Identifikasi Masalah/Perumusan Tujuan Desain algoritma, aplikasi dan Percobaan Pembuatan Program Aplikasi Prototipe / Percobaan Tdk Sesuai
EVALUASI KEMAJUAN STUDI MAHASISWA DENGAN PENDEKATAN BASIS DATA FUZZY
EVALUASI KEMAJUAN STUDI MAHASISWA DENGAN PENDEKATAN BASIS DATA FUZZY Hari Murti 1, Eko Nur Wahyudi 2 1,2 Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Universitas Stikubank e-mail: 1 hmurti076@gmail.com,
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Karakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
HASIL DAN PEMBAHASAN. Generalisasi =
6 Kelas Target Sidik jari individu 5 0000100000 Sidik jari individu 6 0000010000 Sidik jari individu 7 0000001000 Sidik jari individu 8 0000000100 Sidik jari individu 9 0000000010 Sidik jari individu 10
RENCANA PROGRAM DAN KEGIATAN PEMBELAJARAN SEMESTER (RPKPS)
RENCANA PROGRAM DAN KEGIATAN PEMBELAJARAN SEMESTER (RPKPS) 1. Nama Matakuliah : KECERDASAN BUATAN 2. Kode/SKS : IES5353 / 3 sks 3. Semester : 5 4. Sifat Mata Kuliah : Wajib 5. Prasyarat : Tidak ada 6.
SISTEM EVALUASI MUTU BUAH MELON TIPE BERJARING MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN LOGIKA FUZZY SEBAGAI PRAPROSES KRISNA PANDHANA
SISTEM EVALUASI MUTU BUAH MELON TIPE BERJARING MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN LOGIKA FUZZY SEBAGAI PRAPROSES KRISNA PANDHANA SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 SURAT PERNYATAAN
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 31-40 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS DATA RUNTUN WAKTU DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
BAB 6 SIMPULAN DAN SARAN
39 BAB 6 SIMPULAN DAN SARAN 6.1 Simpulan Dari penelitian yang telah dilakukan hingga mendapatkan hasil yang cukup memuaskan, maka ada beberapa kesimpulan yang dapat peneliti berikan, 1. Teknik ekstraksi
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA
ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA Julpan 1 *, Erna Budhiarti Nababan 1 & Muhammad Zarlis 1 1 Program S2 Teknik Informatika
PEMANFAATAAN 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
TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Oleh: Angger Gusti Zamzany( ) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T.
Oleh: Angger Gusti Zamzany(1210100 073) Dosen Pembimbing: Dr. Dwi Ratna Sulistyaningrum, S.Si, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI PENGUJIAN
BAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
OPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK
OPTIMALISASI ARSITEKTUR PROPAGASI BALIK PADA PELATIHAN JARINGAN SYARAF TIRUAN LAPIS BANYAK ABSTRAK Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Algoritma umum metode propagasi
HASIL DAN PEMBAHASAN Integrasi dan Pengujian Penggunaan dan Pemeliharaan
list($this->jumlah,$this>nilai_grafik,$this- >persentase, $this->std)=$this->getgrafikvalue_emeg(); }else{ list($this->jumlah, $this->nilai_grafik, $this- >persentase,$this->std)=$this- >GetGrafikValue_Fakdep();
PENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN MODEL PROPAGASI BALIK
ABSTRAK PENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN Dosen Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Pada penelitian ini dibuat sebuah sistem pengenalan suara manusia dengan
1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh. NamaMhs NIM: XX.YY.ZZZ. Kepada
SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh NamaMhs NIM: XX.YY.ZZZ Kepada JURUSAN TEKNIK INFORMATIKA STMIK STIKOM BALIKPAPAN LEMBAR PERSETUJUAN Proposal Skripsi
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA
Iwan Suhardi, Toleransi Jaringan Syaraf Tiruan TOLERANSI UNJUK PENGENALAN JARINGAN SYARAF TIRUAN PADA PENAMBAHAN DERAU DAN SUDUT PUTARAN TERHADAP POLA KARAKTER TULISAN TANGAN JENIS ANGKA Iwan Suhardi Jurusan
Jurnal Coding, Sistem Komputer UNTAN Volume 04, No.1 (2016), hal 1-10 ISSN : X
PREDIKSI BEBAN LISTRIK PADA PT.PLN (PERSERO) MENGGUNAKAN REGRESI INTERVAL DENGAN NEURAL FUZZY [1] Prita Ayuningtyas, [2] Dedi Triyanto, [3] Tedy Rismawan [1,2,3] Jurusan Sistem Komputer, Fakultas MIPA
BAB 5 KESIMPULAN, KEKURANGAN PENELITIAN DAN SARAN. Dari hasil pengujian peramalan dengan menggunakan metode Fuzzy Mamdani
BAB 5 KESIMPULAN, KEKURANGAN PENELITIAN DAN SARAN 5. 1 Kesimpulan Dari hasil pengujian peramalan dengan menggunakan metode Fuzzy Mamdani dan bantuan software Matlab, dapat diambil beberapa kesimpulan sebagai
III. 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,
2 2 ... v... 3 Santoso... 21 abawa... 29... 37... 53... 59... 67... 77 Yohakim Marwanta... 85... 89... 101 ... 109... 117 D. Jaringan Komputer Amirudd... 135 andha... 141... 151... 165 Syahrir... 171...
SISTEM 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,
Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
Metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk Prediksi Tingkat Layanan Jalan
Jurnal Sistem Informasi Bisnis 03(2013) On-line : http://ejournal.undip.ac.id/index.php/jsinbis 127 Metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk Prediksi Tingkat Layanan Jalan Noor Azizah
Oleh: Ulir Rohwana ( ) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T.
Oleh: Ulir Rohwana (1209 100 702) Dosen Pembimbing: Prof. Dr. H. M. Isa Irawan, M.T. DAFTAR ISI I II III IV V VI PENDAHULUAN TINJAUAN PUSTAKA METODOLOGI PERANCANGAN DAN IMPLEMENTASI HASIL DAN PENGUJIAN
Makalah Program Studi Teknik Informatika Fakultas Komunikasi dan Informatika
JARINGAN SYARAF TIRUAN UNTUK KLASIFIKASI KUALITAS KACANG HIJAU BERDASARKAN WARNA DAN UKURAN Makalah Program Studi Teknik Informatika Fakultas Komunikasi dan Informatika Nama Pembimbing 1 Pembimbing 2 Diajukan
Laporan Akhir Praktikum Mempelajari Karakterisitk Visual Citra Tomat Menggunakan Image Processing. Avicienna Ulhaq Muqodas F
Laporan Akhir Praktikum Mempelajari Karakterisitk Visual Citra Tomat Menggunakan Image Processing Avicienna Ulhaq Muqodas F14110108 DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN INSTITUT
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN
EVALUASI PENGARUH FUNGSI AKTIFASI DAN PARAMETER KEMIRINGANNYA TERHADAP UNJUKKERJA PENGENALAN JARINGAN SYARAF TIRUAN (Studi Kasus pada Pengenalan Karakter Angka Tulisan Tangan) Iwan Suhardi Jurusan Teknik
KECERDASAN BUATAN ARTIFICIAL INTELLIGENCE. Copyright: Anik Handayani FT-UM
KECERDASAN BUATAN ARTIFICIAL INTELLIGENCE Copyright: Anik Handayani FT-UM ARTIFICIAL INTELLIGENCE Mata Kuliah:Kecerdasan Buatan (Artificial Intelligence/AI) Deskripsi Mengenai Kecerdasan Buatan Kecerdasan
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
T 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
T 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia
T 2 Aplikasi Model Neuro Fuzzy Untuk Prediksi Tingkat Inflasi Di Indonesia Aidatul Fitriah 1, Agus Maman Abadi 2 1) Program Studi Matematika, FMIPA Universitas Negeri Yogyakarta 2) Jurusan Pendidikan Matematika,
PENGEMBANGAN ALGORITMA PEMUTUAN EDAMAME MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN DEDY WIRAWAN SOEDIBYO
PENGEMBANGAN ALGORITMA PEMUTUAN EDAMAME MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN DEDY WIRAWAN SOEDIBYO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006 PERNYATAAN MENGENAI TESIS
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL
IMPLEMENTASI SEGMENTASI CITRA DAN ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN BENTUK BOTOL Andri STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id Abstrak
APLIKASI PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN ALGORITMA HAMMING DISTANCE
APLIKASI PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN ALGORITMA HAMMING DISTANCE Matheus Supriyanto Rumetna 1*, Marla Pieter, Monica Manurung 1 1 Fakultas Ilmu Komputer dan Manajemen, Universitas Sains
Segitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 1, May 2007, 9 16 Segitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi Hary Budiarto Pusat Teknologi Informasi
Kode/SKS : TEL 212/2 Prasyarat : -
Nama MatakuIiah : Teknik Neuro Fuzzy Kode/SKS : TEL 212/2 Prasyarat : - Status Mata Kuliah : Wajib Umum Deskripsi Singkat Mata Kuliah : Mata kuliah Teknik Neuro Fuzzy mempelajari penerapan kecerdasan dan
APLIKASI 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
BAB 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
Perbaikan 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
BAB I PENDAHULUAN. pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi Informasi dan Komunikasi (TIK) merupakan suatu cabang ilmu pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di dunia
BAB I PENDAHULUAN. 1.1 Latar Belakang. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Artificial Neural Network atau jaringan syaraf tiruan merupakan bidang yang sangat berkembang saat ini. Pemanfaatan teknologi mesin dan computer yang tidak terbatas
Optimasi Prediksi Kehadiran Pegawai Untuk Intensif Kehadiran Menggunakan Jaringan Saraf Tiruan-Backpropagation
Optimasi Prediksi Kehadiran Pegawai Untuk Intensif Kehadiran Menggunakan Jaringan Saraf Tiruan-Backpropagation Jamaludin Hakim 1), Sri Hartati 2) 1) Program Studi Sistem Informasi Fakultas Teknik dan Sistem
RENCANA PEMBELAJARAN SEMESTER
RENCANA PEMBELAJARAN SEMESTER 1. Identitas Nama Departemen : Pendidikan Ilmu Komputer Nama Program Studi : Pendidikan Ilmu Komputer Nama : Jaringan Saraf Tiruan Kode : IK550 lompok : cerdasan Buatan Bobot
ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
Achmad Fauqy Ashari Supervisor: Wiwik Anggraeni S.Si, M.Kom Ahmad Mukhlason S.Kom, M.Sc
Achmad Fauqy Ashari 5208100150 Supervisor: Wiwik Anggraeni S.Si, M.Kom Ahmad Mukhlason S.Kom, M.Sc Sistem Informasi - FTIf - 2012 Tujuan dari tugas akhir ini adalah pengembangan prototipe sistem cerdas
PRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Jaringan Syaraf Tiruan Kode/SKS: SS / (2/1/0) Dosen : BSSU Semester : III
RP-S1-SK-12 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 1 dari 6 A. CAPAIAN PEMBELAJARAN : CP 3.3 : Mampu menyelesaikan masalah di bidang Stat komputasi dan Membuat program untuk mengoptimalkan
PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION
PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION Suhendry Effendy Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University
BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Jaringan Syaraf Tiruan (artificial neural network), atau disingkat JST menurut Hermawan (2006, hlm.37) adalah sistem komputasi dimana arsitektur dan operasi
Arga Wahyumianto Pembimbing : 1. Dr. I Ketut Eddy Purnama, ST., MT 2. Christyowidiasmoro, ST., MT
IDENTIFIKASI DAUN BERDASARKAN FITUR TULANG DAUN MENGGUNAKAN ALGORITMA EKSTRAKSI MINUTIAE Arga Wahyumianto 2209 105 047 Pembimbing : 1. Dr. I Ketut Eddy Purnama, ST., MT 2. Christyowidiasmoro, ST., MT LATAR
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Biometrik adalah salah satu teknologi cangih yang banyak dipakai untuk menjadi bagian dari system keamanan di berbagai bidang. Biometrik ini bahkan sudah digunakan
PENDUGAAN TINGKAT KEAMANAN JAGUNG DENGAN MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN
PENDUGAAN TINGKAT KEAMANAN JAGUNG DENGAN MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN Agus Supriatna Somantri, Miskiyah & Wisnu Broto Abstract Food security is the main problem in food
PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
VOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
![VOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :](/thumbs/65/54066186.jpg "VOL. 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
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON
RANCANG BANGUN TOOL UNTUK JARINGAN SYARAF TIRUAN (JST) MODEL PERCEPTRON Liza Afriyanti Laboratorium Komputasi dan Sistem Cerdas Jurusan Teknik Informatika, Fakultas Teknologi Industri,Universitas Islam
III. BAHAN DAN METODE
39 III. BAHAN DAN METODE 3.1. Waktu dan Tempat Penelitian dilaksanakan pada bulan Agustus sampai Desember tahun 2010 di rumah tanaman (greenhouse) Balai Penelitian Agroklimatologi dan Hidrologi (Balitklimat),
PENGENALAN POLA ALPHABET TULISAN TANGAN SECARA ON-LINE DENGAN JST-BP
ISSN: 693-693 35 PENGENALAN POLA ALPHABET TULISAN TANGAN SECARA ON-LINE DENGAN JST-BP Tole Sutikno, Andhy Fathurrakhman Program Studi Teknik Elektro Universitas Ahmad Dahlan Kampus III Jln. Prof Soepomo,
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Generalisasi rata-rata (%)
Lingkungan Pengembangan Sistem Sistem dikembangkan menggunakan kompiler Matlab R2008b dan sistem operasi Windows 7. Spesifikasi hardware komputer yang digunakan adalah Processor Intel (R) Atom (TM) CPU
BAB I PENDAHULUAN. mengenai deteksi wajah dengan Differential Evolution Based Neural Network
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Berdasarkan penelitian yang telah dilakukan oleh Yudistira Dewanata mengenai deteksi wajah dengan Differential Evolution Based Neural Network mendapatkan total
ESTIMASI BIAYA PERANGKAT LUNAK MENGGUNAKAN IMPROVED BACKPROPAGATION
ESTIMASI BIAYA PERANGKAT LUNAK MENGGUNAKAN IMPROVED BACKPROPAGATION Rocky Yefrenes Dillak Abstrak : Estimasi biaya perangkat lunak merupakan bagian tak terpisahkan dari pengembangan perangkat lunak. Mengabaikan
Jurnal Coding, Sistem Komputer Untan Volume 04, No. 3 (2016), hal ISSN: X
SISTEM PENDUKUNG KEPUTUSAN PREDIKSI CURAH HUJAN DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (Studi Kasus: Kota Pontianak) [1] Ruspina Ningsih, [2] Beni Irawan, [3] Fatma Agus Setyaningsih [1][3]
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 004 Yogyakarta, 19 Juni 004 Klasifikasi Pola Menggunakan Jaringan Probabilistik Sri Kusumadewi Jurusan Teknik Informatika, Universitas Islam Indonesia Jl.
Prediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
Scientific Journal of Informatics Vol 3, No 1, Mei 2016 p-issn 2407-7658 http://journalunnesacid/nju/indexphp/sji e-issn 2460-0040 Prediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation
IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION
IDENTIFIKASI KEMATANGAN BUAH TOMAT MENGGUNAKAN METODA BACKPROPAGATION Dila Deswari [1], Hendrick, MT. [2], Derisma, MT. [3] Jurusan Sistem Komputer, Fakultas Teknologi Informasi, Universitas Andalas [1][3]
MATERI 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
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI II.1 Konsep Sortasi Dan Gradasi Buah Melon Buah melon yang telah dipanen diangkut kemudian dikumpulkan dalam pasar atau segmen pasar. Tahapan selanjutnya adalah proses penentuan tingkat
MODEL 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
PENERAPAN 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
KLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK
KLASIFIKASI POLA MENGGUNAKAN JARINGAN PROBABILISTIK Sri Kusumadewi Teknik Informatika Universitas Islam Indonesia Jl. Kaliurang Km 4,5 Yogyakarta cicie@fti.uii.ac.id ABSTRACT More application often used
Jurnal 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
KOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 KOMPARASI HASIL KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN JARINGAN
Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation
Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation Tri Deviasari Wulan 1, Endah Purwanti 2, Moh Yasin 3 1,2 Program Studi Fisika Fakultas Sains dan Teknologi
SISTEM PENGENALAN TULISAN TANGAN REAL TIME MENGGUNAKAN METODE DOMINANT POINT DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
SISTEM PENGENALAN TULISAN TANGAN REAL TIME MENGGUNAKAN METODE DOMINANT POINT DAN JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION Oleh: Bakhtiar Arifin (1206 100 722) Dosen Pembimbing: Prof. DR. M.
Bulu mata. Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola
Generalisasi Hasil penelitian ini diukur menggunakan nilai konvergen dan generalisasi. Nilai konvergen adalah tingkat kecepatan jaringan untuk mempelajari pola input yang dinyatakan dalam satuan iterasi
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
OPTIMASI 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
BAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
ANALISIS 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
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
SISTEM PENGENALAN BARCODE MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Barcode Rcognition System Using Backpropagation Neural Networks M. Kayadoe, Francis Yuni Rumlawang, Yopi Andry Lesnussa * Jurusan
PREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo)
PREDIKSI CURAH HUJAN TAHUNAN MENGGUNAKAN ANFIS DENGAN PENGELOMPOKAN DATA (Studi Kasus Pada Stasiun Meteorologi Bandara Jalaluddin Gorontalo) Ifan Wiranto, Wahab Musa, Wrastawa Ridwan Jurusan Teknik Elektro
METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK PREDIKSI TINGKAT LAYANAN JALAN
METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS) UNTUK PREDIKSI TINGKAT LAYANAN JALAN Noor Azizah Fakultas Sains dan Teknologi, UNISNU Jepara azizah.simply@gmail.com ABSTRACT Level of service indicates
PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION
Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION Fahmi Hasobaran Dalimunthe
DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION
No Makalah : 299 Konferensi Nasional Sistem Informasi 2012, STMIK - STIKOM Bali 23-25 Pebruari 2012 DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION Ratri Dwi Atmaja 1,
ROBOT PENCARI KORBAN TSUNAMI : DETEKSI KULIT MANUSIA DENGAN KAMERA TANPA KABEL BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
ROBOT PENCARI KORBAN TSUNAMI : DETEKSI KULIT MANUSIA DENGAN KAMERA TANPA KABEL BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Bima Sena Bayu Dewantara, Son Kuswadi, Famardi Eko Cahyono Politeknik Elektronika
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
PENERAPAN ALGORITMA FUNGSI BOOLEAN SEBAGAI EKSTRASI CIRI PADA JARINGAN SYARAF TIRUAN PROPAGASI BALIK UNTUK PENGENALAN SIMBOL PETA
PENERAPAN ALGORITMA FUNGSI BOOLEAN SEBAGAI EKSTRASI CIRI PADA JARINGAN SYARAF TIRUAN PROPAGASI BALIK UNTUK PENGENALAN SIMBOL PETA Helmy Thendean Program Studi Teknik Informatika, Fakultas Teknologi Informasi
ANALISIS 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
BAB 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
PRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM
ISSN 1412 3762 http://jurnal.upi.edu/electrans ELECTRANS, VOL.11, NO.2, SEPTEMBER 2012, 18-26 PRAKIRAAN BEBAN PUNCAK JANGKA PANJANG PADA SISTEM KELISTRIKAN INDONESIA MENGGUNAKAN ALGORITMA ADAPTIVE NEURO-FUZZY
Perbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit
Perbandingan Algoritma Backpropagation dan K-Nearest Neighbor (K-NN) untuk Identifikasi Penyakit Sri Redjeki Program Studi Teknik Informatika STMIK AKAKOM Yogyakarta, Indonesia dzeky@akakom.ac.id Abstrak